CN110411768B - 一种基于神经网络的冷水机组测控系统及测控方法 - Google Patents
一种基于神经网络的冷水机组测控系统及测控方法 Download PDFInfo
- Publication number
- CN110411768B CN110411768B CN201910486865.6A CN201910486865A CN110411768B CN 110411768 B CN110411768 B CN 110411768B CN 201910486865 A CN201910486865 A CN 201910486865A CN 110411768 B CN110411768 B CN 110411768B
- Authority
- CN
- China
- Prior art keywords
- test
- neural network
- data
- module
- management module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于神经网络的冷水机组测控系统,包括:测试任务管理模块用于生成任务数据;神经网络预测模块通过神经网络预测测试设备的启停状态及PID调节表的输出百分比;测试任务执行模块用于对测试设备进行启停并调节测试设备的开度大小;数据管理模块用于存储测试数据和测试结果数据以及神经网络;神经网络训练模块利用所存储的测试数据和测试结果数据进行神经网络的训练。本发明还公开了一种具有通用性和适用性的冷水机组的智能化测控方法,使得全自动测控过程越用越精准,能够大幅度提高冷水机组的测试效率和测试准确度,降低冷水机组测试过程中的电能消耗量。
Description
技术领域
本发明涉及冷水机组的测控领域,尤其是一种基于神经网络的冷水机组测控系统及测控方法。
背景技术
冷水机组俗称冷冻机、制冷机、冷却机等,常在各种工业环境和中央空调中配套使用,对冷水机组的性能测试可有效促进生产厂家提高产品性能。由于冷水机组具有功耗高、冷量大的特点,传统的能耗测控技术在工况调节过程中需要测试人员手动干预,需要测试人员具有相当程度的手动调节经验,往往测试周期较长,对电能的浪费较大。因此,如何智能化自动化的对冷水机组进行性能测试已经成为测控领域的难点问题。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种基于神经网络的冷水机组测控系统,设计了一种具有通用性和适用性的冷水机组的智能化测控方法,使得全自动测控过程越用越精准,能够大幅度提高冷水机组的测试效率和测试准确度,降低冷水机组测试过程中的电能消耗量。
为实现上述目的,本发明采用以下技术方案,包括:
一种基于神经网络的冷水机组测控系统,所述系统包括:测试任务管理模块、神经网络预测模块、测试任务执行模块、数据管理模块、神经网络训练模块;
所述测试任务管理模块用于根据测试计划生成任务数据,所述任务数据包括冷水机组的铭牌参数和测试工况参数;所述铭牌参数包括额定能力、额定功率;所述测试工况参数包括使用侧出水温度、使用侧水流量、热源侧进水温度、热源侧水流量;所述测试任务管理模块将任务数据分别发送至所述神经网络预测模块和所述测试任务执行模块;
所述神经网络预测模块调用所述数据管理模块中所存储的神经网络,所述神经网络用于预测测试设备的启停状态和PID调节表的输出百分比;所述PID 调节表的输出百分比用于表示测试设备的开度大小,0%表示测试设备的开度最小,100%表示测试设备的开度最大;所述神经网络预测模块根据任务数据,并通过神经网络预测测试设备的启停状态及PID调节表的输出百分比,并将所预测的测试设备的启停状态及PID调节表的输出百分比发送至所述测试任务执行模块;
所述测试任务执行模块根据所预测的测试设备的启停状态及PID调节表的输出百分比,对测试设备进行启停,并调节测试设备的开度大小;
所述测试任务执行模块还将测试数据及测试结果数据均发送至所述数据管理模块;所述测试数据包括测试设备的实际启停状态和测试设备的实际开度大小;所述测试结果数据包括冷水机组的实际铭牌参数,和实际的测控工况参数;
所述数据管理模块为一个开源数据库,用于存储测试数据和测试结果数据,以及神经网络;
所述神经网络训练模块从所述数据管理模块中获取所存储的测试数据和测试结果数据,利用所存储的测试数据和测试结果数据进行神经网络的训练,并将训练后的神经网络存储到所述数据管理模块。
所述测试任务执行模块包括PLC控制器和PID调节表,所述PLC控制器用于开启或关闭测试设备;所述PID调节表是一种工业控制器,用于调节测试设备的开度大小;
所述测试任务执行模块根据所预测的测试设备的启停状态,并通过PLC控制器开启或关闭测试设备;
所述测试任务执行模块根据所预测的PID调节表的输出百分比,并通过PID 调节表先预调节测试设备的开度大小;
所述测试任务执行模块经预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试基本稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T1,所述测试完全稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T2,|T2|<|T1|;
所述测试任务执行模块经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块;
所述测试结果数据还包括实际的测试工况的稳定状态;其中,所述实际的测试工况的稳定状态分别为不稳定、基本稳定、完全稳定;所述不稳定即为实际的测试工况参数与任务数据中的测试工况参数的偏差大于或等于设定的阈值 T1。
若所述神经网络预测模块无法根据任务数据预测测试设备的启停状态及 PID调节表的输出百分比时,或所述测试任务执行模块无法获取所预测的测试设备的启停状态及PID调节表的输出百分比时,则操作人员按照常规设置并通过 PLC控制器和PID调节表手动的进行测试设备的启停以及测试设备的开度大小的预调节,且经手动的预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块。
所述数据管理模块还设有本地数据访问接口和远程数据访问接口,用于调用和查询所述数据管理模块中存储的数据。
所述神经网络包括神经网络A和神经网络B,所述神经网络A用于预测测试设备的启停状态;所述神经网络B用于预测PID调节表的输出百分比。
所述神经网络预测模块根据利用神经网络A和神经网络B进行预测的方式为:将神经网络A的输出作为神经网络B的部分输入,且先利用神经网络A进行预测,再利用神经网络B进行预测;
神经网络A的输入为任务数据,即冷水机组的铭牌参数和测试工况参数;神经网络A的输出为测试设备的启停状态;
神经网络B的输入包括任务数据,即冷水机组的铭牌参数和测试工况参数,以及测试设备的启停状态;神经网络B的输出为PID调节表的输出百分比。
所述神经网络训练模块对神经网络A和神经网络B进行训练的分别方式为:
利用所述测试结果数据中的冷水机组的实际铭牌参数和实际的测控工况参数,以及所述测试数据中的测试设备的实际启停状态对神经网络A进行训练;
利用所述测试结果数据中的冷水机组的实际铭牌参数和实际的测控工况参数,以及所述测试数据中的测试设备的实际启停状态和测试设备的实际开度大小对神经网络B进行训练。
所述冷水机组测控系统每进行一次测试,所述数据管理模块内均会相对应的增加一条关于测试数据及测试结果数据的存储记录,且所述神经网络训练模块均会相对应的判断一次所存储的测试数据及测试结果数据的数量是否均达到 n条;
若均达到,则所述神经网络训练模块利用所存储的测试数据和测试结果数据进行神经网络A和神经网络B的训练,并将训练后的神经网络A和神经网络B 存储到所述数据管理模块,且若所述数据管理模块已经存在旧的神经网络A和神经网络B,则用该训练后的新的神经网络A和神经网络B更新该已经存在的旧的神经网络A和神经网络B;
若未均达到,则所述神经网络训练模块不进行神经网络A和神经网络B的训练。
所述测试设备包括:冷却水泵、冷媒水泵、散热水泵、冷却塔风机。
本发明还提供了一种基于神经网络的冷水机组测控方法,包括以下步骤:
S1,操作人员在所述测试任务管理模块中输入测试计划,测试任务管理模块根据该测试计划生成任务数据;
S2,系统判断所述数据管理模块中是否存储有神经网络,即判断神经网络是否训练完成;所述神经网络B用于预测PID调节表的输出百分比;若所述数据管理模块中存储有神经网络,则进入步骤S4;否则,进行步骤S3;
S3,系统显示神经网络未训练完成,操作人员根据任务数据按照传统方式即按照常规设置进行手动调节的方式,通过所述测试任务执行模块的PLC控制器和PID调节表手动进行测试设备的启停以及测试设备的开度大小的预调节,且经手动的预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块;进入步骤S6;
S4,所述神经网络预测模块调用所述数据管理模块中所存储的神经网络,且所述神经网络包括神经网络A和神经网络B,所述神经网络A用于预测测试设备的启停状态;
所述神经网络预测模块根据任务数据,并分别通过神经网络A和神经网络B 预测测试设备的启停状态及PID调节表的输出百分比,并将所预测的测试设备的启停状态及PID调节表的输出百分比发送至所述测试任务执行模块;
S5,所述测试任务执行模块根据所预测的测试设备的启停状态及PID调节表的输出百分比,对测试设备进行启停并预调节测试设备的开度大小;且经预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块;进入步骤S6;
S6,所述数据管理模块对测试数据和测试结果数据进行存储,且所述数据管理模块内相对应的增加一条关于测试数据及测试结果数据的存储记录;
S7,所述神经网络训练模块判断所存储的测试数据及测试结果数据的数量是否均达到n条;
若均达到,则所述神经网络训练模块利用所存储的测试数据和测试结果数据进行神经网络A和神经网络B的训练,并将训练后的神经网络A和神经网络B 存储到所述数据管理模块,且若所述数据管理模块已经存在旧的神经网络A和神经网络B,则用该训练后的新的神经网络A和神经网络B更新该已经存在的旧的神经网络A和神经网络B;
若未均达到,则所述神经网络训练模块不进行神经网络A和神经网络B的训练;
其中,步骤S3和步骤S5中,所述测试基本稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T1,所述测试完全稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T2, |T2|<|T1|;
所述测试结果数据还包括实际的测试工况的稳定状态;其中,所述实际的测试工况的稳定状态分别为不稳定、基本稳定、完全稳定;所述不稳定即为实际的测试工况参数与任务数据中的测试工况参数的偏差大于或等于设定的阈值 T1。
本发明的优点在于:
(1)本发明的冷水机组测控系统能根据任务数据通过神经网络自动预测出测试设备的启停状态及PID调节表的输出百分比,并能根据所预测出的数据自动调节实验室中的相关测试设备,从而实现了对冷水机组进行智能化自动化的性能测试。
(2)本发明关于测试设备的开度大小的调节包括预调节和精准调节即PID 表自动调节,且神经网络只用于预调节阶段,用于快速投入设备,将设备的运行状态快速确定下来,节省预调节阶段的能耗。
(3)本发明还能通过传统的根据人工经验手动调节实验室中的相关测试设备,并对该手动调节的测试数据和测试结果数据进行保存,以方便后续的神经网络预测模块能够自动的进行神经网络的训练。
(4)本发明每进行一次测试,会相对应的增加一条关于测试数据及测试结果数据的存储记录,神经网络训练模块也会相对应的进行一次神经网络的训练并更新,使得发明的测控系统在使用过程越用越精准,能够大幅度提高冷水机组的测试效率和测试准确度,降低冷水机组测试过程中的电能消耗量。
(5)本发明采用两个神经网络即A和B分别对测试设备的启停状态及PID调节表的输出百分比进行预测,并将神经网络A的输出作为神经网络B的部分输入,且利用测试数据和测试结果数据对神经网络A和神经网络B分别进行训练,此方式具有以下优点:
有效的避免了在趋近极端的情况下,即只有1个输入节点,但有多个输出节点的情况下的神经网络输出分辨率很低的问题;
过多的隐层节点会导致训练效率降低,所以本发明减少输出节点数量有助于降低神经网络的规模,提高神经网络的训练效率;
由于神经网络有预测准确度的指标,若仅采用一个神经网络进行训练,当某设备的预测结果为关闭,但与之相关联的调节表开度不为零,则会导致这两个结果是相互矛盾的,从而会造成控制准确度的降低,因此,采用两个神经网络进行预测,提高了控制准确度;
从逻辑上考虑,设备的启停状态是相关联调节表开度的先决条件,设计一个输入输出更加明确的神经网络B,有助于提高训练精度。
(6)本发明对于两个神经网络采用同样的数据归一化算法,有助于提高神经网络的训练精度。
附图说明
图1为冷水机组测控系统的示意图。
图2为本发明的一种基于神经网络的冷水机组测控系统的架构图。
图3为本发明的神经网络的示意图。
图4为采用真实数据训练的神经网络收敛曲线。
图5为本发明的一种基于神经网络的冷水机组测控方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
冷水机组包含制冷压缩机、蒸发器、冷凝器、膨胀阀四个主要部件,冷水机组的工作原理如下所示:在使用过程中,首先由压缩机吸入蒸发制冷后的低温低压制冷剂气体,压缩成高温高压气体送入冷凝器;高温高压气体经冷凝器冷却后变为常温高压液体流入膨胀阀;然后,经膨胀阀节流后成为低温低压气体送入蒸发器;最后,制冷剂在蒸发器中吸收水中的热量使得水温下降,蒸发后的制冷剂再吸回压缩机中;依次类推,重复下一个制冷循环。
在此制冷循环中,经过蒸发器的水温下降,可以用于建筑物的供冷,常称为使用侧,或称为蒸发器侧;经过冷凝器的水温上升,可以用于建筑物的供热,常称为热源侧,或称为冷凝器侧。
由图1所示,冷水机组测控系统中的测试设备包括:冷却水泵、冷媒水泵、散热水泵、冷却塔风机。本实施例中,以水箱混水法的小型冷水机组测控系统为例,蒸发器侧即使用侧通过变频调节主回路上的冷媒水泵以控制被试机蒸发器所需的水流量,通过三通调节阀来调节被试机回水和水箱进水的比例以控制被试机组蒸发器进水温度即使用侧进水温度,蒸发器侧产生的冷量回到恒温水箱。冷凝侧即热源侧也是相同的原理控制。恒温水箱配置了冷水设备与热水设备来维持水箱的水温,使其在一个较小的范围内缓慢波动,给试验过程提供一个较恒定的水源,这样整个试验过程就会达到动态平衡。
由图2所示,一种基于神经网络的冷水机组测控系统,所述系统包括:测试任务管理模块1、神经网络预测模块2、测试任务执行模块3、数据管理模块 4、神经网络训练模块5;其中,
所述测试任务管理模块1用于根据测试计划生成任务数据,所述任务数据包括冷水机组的铭牌参数和测试工况参数;所述铭牌参数包括额定能力、额定功率;所述测试工况参数包括使用侧出水温度、使用侧水流量、热源侧进水温度、热源侧水流量;所述测试任务管理模块1将任务数据分别发送至所述神经网络预测模块2 和所述测试任务执行模块3。
所述神经网络预测模块2调用所述数据管理模块4中所存储的神经网络A 和神经网络B;所述神经网络A用于预测测试设备的启停状态;所述神经网络B 用于预测PID调节表的输出百分比,所述PID调节表的输出百分比用于表示测试设备的开度大小,0%表示测试设备的开度最小,100%表示测试设备的开度最大;所述神经网络预测模块2根据任务数据,并分别通过神经网络A和神经网络B预测测试设备的启停状态及PID调节表的输出百分比,并将所预测的测试设备的启停状态及PID调节表的输出百分比发送至所述测试任务执行模块3。
本实施例中,所述测试设备具体包括:冷却水泵、冷媒水泵、散热水泵、冷却塔风机、乙二醇泵、冷冻水进出口电磁阀、冷却水进出口电磁阀、冷却水箱换热器水泵、冷媒水箱换热器水泵、乙二醇水箱换热器水泵、75A被试机供电、 20A被试机供电、冷媒水流量调节切换、冷却水流量调节切换。
所述测试任务执行模块3包括PLC控制器和PID调节表,所述PLC控制器用于开启或关闭测试设备;所述PID调节表是一种工业控制器,用于调节测试设备的开度大小。
本实施例中,冷水机组试验装置的调节表有5个,分别用于调节:使用侧出水温度、使用侧水流量、热源侧进水温度、热源侧水流量、恒温水箱。
所述测试任务执行模块3根据所述神经网络预测模块2所预测的测试设备的启停状态并通过PLC控制器开启或关闭实验室中的相关测试设备,所述测试任务执行模块3根据所述神经网络预测模块2所预测的PID调节表的输出百分比并通过PID调节表先对测试设备的开度大小进行预调节。由于所述PID调节表有自动调节的功能,因此,所述测试任务执行模块3在经预调节使得测试基本稳定之后,所述测试基本稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T1,再由PID调节表对测试设备的开度大小进行自动调节使得测试完全稳定,所述测试完全稳定是指实际工况参数与测试工况参数的偏差小于设定的阈值T2,|T2|<|T1|。所述测试任务执行模块3在自动调节使得测试完全稳定之后,将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块4。
若所述神经网络预测模块2无法根据任务数据预测测试设备的启停状态及 PID调节表的输出百分比时,或所述测试任务执行模块3无法获取所预测的测试设备的启停状态及PID调节表的输出百分比时,则操作人员按照常规设置并通过PLC控制器和PID调节表手动的进行测试设备的启停以及测试设备的开度大小的预调节,且经手动的预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块3经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块4。
所述测试数据包括:测试设备的实际启停状态和测试设备的实际开度大小。
所述测试结果数据包括:冷水机组的实际铭牌参数、实际的测控工况参数,以及实际的测试工况的稳定状态。其中,所述实际的测试工况的稳定状态分别为不稳定、基本稳定、完全稳定,所述不稳定即为实际的测试工况参数与任务数据中的测试工况参数的偏差大于或等于设定的阈值T1;所述基本稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T1;所述完全稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T2,|T2|<|T1|。所述冷水机组的实际的铭牌参数是通过实时采集到的温度、压力、流量等传感器数据计算得到的冷水机组冷量,具体可参见现有技术。
所述数据管理模块4为一个开源数据库,用于存储测试数据和测试结果数据,以及神经网络A和神经网络B;所述数据管理模块4还设有本地数据访问接口和远程数据访问接口,用于调用和查询所述数据管理模块4中存储的数据;
所述神经网络训练模块5从所述数据管理模块4中获取所存储的测试数据和测试结果数据,利用所存储的测试数据和测试结果数据进行神经网络A和神经网络B的训练,并将训练后的神经网络A和神经网络B存储到所述数据管理模块4。
本发明的冷水机组测控系统每进行一次测试,所述数据管理模块4内均会相对应的增加一条关于测试数据及测试结果数据的存储记录,且所述神经网络训练模块5均会相对应的判断一次所存储的测试数据及测试结果数据的数量是否均达到n条;
若均达到,则所述神经网络训练模块5利用所存储的测试数据和测试结果数据进行神经网络A和神经网络B的训练,并将训练后的神经网络A和神经网络B存储到所述数据管理模块4,且若所述数据管理模块4已经存在旧的神经网络A和神经网络B,则用该训练后的新的神经网络A和神经网络B更新该已经存在的旧的神经网络A和神经网络B;
若未均达到,则所述神经网络训练模块5不进行神经网络A和神经网络B 的训练。
根据现有技术可知,神经网络的通用模型包括:输入层、隐含层、输出层。
本发明中,将神经网络A的输出作为神经网络B的部分输入。
所述神经网络预测模块2利用神经网络A和神经网络B进行预测的方式为:将神经网络A的输出作为神经网络B的部分输入,且先利用神经网络A进行预测,再利用神经网络B进行预测;
神经网络A的输入为任务数据,即冷水机组的铭牌参数和测试工况参数;神经网络A的输出为测试设备的启停状态;
神经网络B的输入包括任务数据,即冷水机组的铭牌参数和测试工况参数,以及测试设备的启停状态;神经网络B的输出为PID调节表的输出百分比。
所述神经网络训练模块5对神经网络A和神经网络B进行训练的分别方式为:
利用所述测试结果数据中的冷水机组的实际铭牌参数和实际的测控工况参数,以及所述测试数据中的测试设备的实际启停状态对神经网络A进行训练;
利用所述测试结果数据中的冷水机组的实际铭牌参数和实际的测控工况参数,以及所述测试数据中的测试设备的实际启停状态和测试设备的实际开度大小对神经网络B进行训练。
本发明中,对于神经网络A和神经网络B采用同样的数据归一化算法,有助于提高神经网络的训练精度。
由图3可知,神经网络A的输入为任务数据,即冷水机组的铭牌参数和测试工况参数;神经网络A的输出为测试设备的启停状态。
神经网络B的输入包括任务数据,即冷水机组的铭牌参数和测试工况参数,以及测试设备的启停状态;神经网络的输出为PID调节表的输出百分比。
由图4所示,在经过10000次迭代计算后,神经网络可以达到很好的拟合效果,本实施例中的迭代计算时的损失函数采用最小均方根差。
由图5所示,本发明的一种基于神经网络的冷水机组测控方法,包括以下步骤:
S1,操作人员在所述测试任务管理模块1中输入测试计划,测试任务管理模块1根据该测试计划生成任务数据;
S2,系统判断所述数据管理模块4中是否存储有神经网络A和神经网络B,即判断神经网络A和神经网络B是否训练完成,若所述数据管理模块4中存储有神经网络A和神经网络B,则进入步骤S4;否则,进行步骤S3;
S3,系统显示神经网络未训练完成,操作人员根据任务数据按照传统方式即按照常规设置进行手动调节的方式,通过所述测试任务执行模块3的PLC控制器和PID调节表手动的进行测试设备的启停以及测试设备的开度大小的预调节,且经手动的预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块3经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块4;进入步骤S6;
S4,所述神经网络预测模块2调用所述数据管理模块4中所存储的神经网络A和神经网络B,所述神经网络预测模块2根据任务数据,并分别通过神经网络A和神经网络B预测测试设备的启停状态及PID调节表的输出百分比,并将所预测的测试设备的启停状态及PID调节表的输出百分比发送至所述测试任务执行模块3;
S5,所述测试任务执行模块3根据所预测的测试设备的启停状态及PID调节表的输出百分比,对测试设备进行启停并预调节测试设备的开度大小;且经预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块3经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块4;进入步骤S6;
S6,所述数据管理模块4对测试数据和测试结果数据进行存储,且所述数据管理模块4内相对应的增加一条关于测试数据及测试结果数据的存储记录;
S7,所述神经网络训练模块5判断所存储的测试数据及测试结果数据的数量是否均达到n条;
若均达到,则所述神经网络训练模块5利用所存储的测试数据和测试结果数据进行神经网络A和神经网络B的训练,并将训练后的神经网络A和神经网络B存储到所述数据管理模块4,且若所述数据管理模块4已经存在旧的神经网络A和神经网络B,则用该训练后的新的神经网络A和神经网络B更新该已经存在的旧的神经网络A和神经网络B;
若未均达到,则所述神经网络训练模块5不进行神经网络A和神经网络B 的训练。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种基于神经网络的冷水机组测控系统,其特征在于,所述系统包括:测试任务管理模块(1)、神经网络预测模块(2)、测试任务执行模块(3)、数据管理模块(4)、神经网络训练模块(5);所述测试任务管理模块(1)用于根据测试计划生成任务数据,所述任务数据包括冷水机组的铭牌参数和测试工况参数;所述铭牌参数包括额定能力、额定功率;所述测试工况参数包括使用侧出水温度、使用侧水流量、热源侧进水温度、热源侧水流量;所述测试任务管理模块(1)将任务数据分别发送至所述神经网络预测模块(2)和所述测试任务执行模块(3);所述神经网络预测模块(2)调用所述数据管理模块(4)中所存储的神经网络,所述神经网络用于预测测试设备的启停状态和PID调节表的输出百分比;所述PID调节表的输出百分比用于表示测试设备的开度大小,0%表示测试设备的开度最小,100%表示测试设备的开度最大;所述神经网络预测模块(2)根据任务数据,并通过神经网络预测测试设备的启停状态及PID调节表的输出百分比,并将所预测的测试设备的启停状态及PID调节表的输出百分比发送至所述测试任务执行模块(3);所述测试任务执行模块(3)根据所预测的测试设备的启停状态及PID调节表的输出百分比,对测试设备进行启停,并调节测试设备的开度大小;所述测试任务执行模块(3)还将测试数据及测试结果数据均发送至所述数据管理模块(4);所述测试数据包括测试设备的实际启停状态和测试设备的实际开度大小;所述测试结果数据包括冷水机组的实际铭牌参数,和实际的测控工况参数;所述数据管理模块(4)为一个开源数据库,用于存储测试数据和测试结果数据,以及神经网络;所述神经网络训练模块(5)从所述数据管理模块(4)中获取所存储的测试数据和测试结果数据,利用所存储的测试数据和测试结果数据进行神经网络的训练,并将训练后的神经网络存储到所述数据管理模块(4)。
2.根据权利要求1所述的一种基于神经网络的冷水机组测控系统,其特征在于,所述测试任务执行模块(3)包括PLC控制器和PID调节表,所述PLC控制器用于开启或关闭测试设备;所述PID调节表是一种工业控制器,用于调节测试设备的开度大小;所述测试任务执行模块(3)根据所预测的测试设备的启停状态,并通过PLC控制器开启或关闭测试设备;所述测试任务执行模块(3)根据所预测的PID调节表的输出百分比,并通过PID调节表先预调节测试设备的开度大小;所述测试任务执行模块(3)经预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试基本稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T1 ,所述测试完全稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T2 ,| T2 |<|T1 |;所述测试任务执行模块(3)经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块(4);所述测试结果数据还包括实际的测试工况的稳定状态;其中,所述实际的测试工况的稳定状态分别为不稳定、基本稳定、完全稳定;所述不稳定即为实际的测试工况参数与任务数据中的测试工况参数的偏差大于或等于设定的阈值T1。
3.根据权利要求2所述的一种基于神经网络的冷水机组测控系统,其特征在于,若所述神经网络预测模块(2)无法根据任务数据预测测试设备的启停状态及PID调节表的输出百分比时,或所述测试任务执行模块(3)无法获取所预测的测试设备的启停状态及PID调节表的输出百分比时,则操作人员按照常规设置并通过PLC控制器和PID调节表手动的进行测试设备的启停以及测试设备的开度大小的预调节,且经手动的预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块(3)经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块(4)。
4.根据权利要求1所述的一种基于神经网络的冷水机组测控系统,其特征在于,所述数据管理模块(4)还设有本地数据访问接口和远程数据访问接口,用于调用和查询所述数据管理模块(4)中存储的数据。
5.根据权利要求1所述的一种基于神经网络的冷水机组测控系统,其特征在于,所述神经网络包括神经网络A和神经网络B,所述神经网络A用于预测测试设备的启停状态;所述神经网络B用于预测PID调节表的输出百分比。
6.根据权利要求5所述的一种基于神经网络的冷水机组测控系统,其特征在于,所述神经网络预测模块(2)根据利用神经网络A和神经网络B进行预测的方式为:将神经网络A的输出作为神经网络B的部分输入,且先利用神经网络A进行预测,再利用神经网络B进行预测;神经网络A的输入为任务数据,即冷水机组的铭牌参数和测试工况参数;神经网络A的输出为测试设备的启停状态;神经网络B的输入包括任务数据,即冷水机组的铭牌参数和测试工况参数,以及测试设备的启停状态;神经网络B的输出为PID调节表的输出百分比。
7.根据权利要求5所述的一种基于神经网络的冷水机组测控系统,其特征在于,所述神经网络训练模块(5)对神经网络A和神经网络B进行训练的分别方式为:利用所述测试结果数据中的冷水机组的实际铭牌参数和实际的测控工况参数,以及所述测试数据中的测试设备的实际启停状态对神经网络A进行训练;利用所述测试结果数据中的冷水机组的实际铭牌参数和实际的测控工况参数,以及所述测试数据中的测试设备的实际启停状态和测试设备的实际开度大小对神经网络B进行训练。
8.根据权利要求1所述的一种基于神经网络的冷水机组测控系统,其特征在于,所述冷水机组测控系统每进行一次测试,所述数据管理模块(4)内均会相对应的增加一条关于测试数据及测试结果数据的存储记录,且所述神经网络训练模块(5)均会相对应的判断一次所存储的测试数据及测试结果数据的数量是否均达到n条;若均达到,则所述神经网络训练模块(5)利用所存储的测试数据和测试结果数据进行神经网络A和神经网络B的训练,并将训练后的神经网络A和神经网络B存储到所述数据管理模块(4),且若所述数据管理模块(4)已经存在旧的神经网络A和神经网络B,则用该训练后的新的神经网络A和神经网络B更新该已经存在的旧的神经网络A和神经网络B;若未均达到,则所述神经网络训练模块(5)不进行神经网络A和神经网络B的训练。
9.根据权利要求1所述的一种基于神经网络的冷水机组测控系统,其特征在于,所述测试设备包括:冷却水泵、冷媒水泵、散热水泵、冷却塔风机。
10.适用于权利要求1所述的一种基于神经网络的冷水机组测控系统的测控方法,其特征在于,包括以下步骤: S1,操作人员在所述测试任务管理模块(1)中输入测试计划,测试任务管理模块(1)根据该测试计划生成任务数据; S2,系统判断所述数据管理模块(4)中是否存储有神经网络,即判断神经网络是否训练完成;所述神经网络B用于预测PID调节表的输出百分比;若所述数据管理模块(4)中存储有神经网络,则进入步骤S4;否则,进行步骤S3; S3,系统显示神经网络未训练完成,操作人员根据任务数据按照传统方式即按照常规设置进行手动调节的方式,通过所述测试任务执行模块(3)的PLC控制器和PID调节表手动进行测试设备的启停以及测试设备的开度大小的预调节,且经手动的预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块(3)经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块(4);进入步骤S6; S4,所述神经网络预测模块(2)调用所述数据管理模块(4)中所存储的神经网络,且所述神经网络包括神经网络A和神经网络B,所述神经网络A用于预测测试设备的启停状态;所述神经网络预测模块(2)根据任务数据,并分别通过神经网络A和神经网络B预测测试设备的启停状态及PID调节表的输出百分比,并将所预测的测试设备的启停状态及PID调节表的输出百分比发送至所述测试任务执行模块(3); S5,所述测试任务执行模块(3)根据所预测的测试设备的启停状态及PID调节表的输出百分比,对测试设备进行启停并预调节测试设备的开度大小;且经预调节使得测试基本稳定之后,再通过PID调节表进行自动调节使得测试完全稳定;所述测试任务执行模块(3)经自动调节使得测试完全稳定之后,再将此时即测试完全稳定之后的测试数据及测试结果数据发送至所述数据管理模块(4);进入步骤S6; S6,所述数据管理模块(4)对测试数据和测试结果数据进行存储,且所述数据管理模块(4)内相对应的增加一条关于测试数据及测试结果数据的存储记录; S7,所述神经网络训练模块(5)判断所存储的测试数据及测试结果数据的数量是否均达到n条;若均达到,则所述神经网络训练模块(5)利用所存储的测试数据和测试结果数据进行神经网络A和神经网络B的训练,并将训练后的神经网络A和神经网络B存储到所述数据管理模块(4),且若所述数据管理模块(4)已经存在旧的神经网络A和神经网络B,则用该训练后的新的神经网络A和神经网络B更新该已经存在的旧的神经网络A和神经网络B;若未均达到,则所述神经网络训练模块(5)不进行神经网络A和神经网络B的训练;其中,步骤S3和步骤S5中,所述测试基本稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T1 ,所述测试完全稳定是指实际的测试工况参数与任务数据中的测试工况参数的偏差小于设定的阈值T2 ,|T2 |<|T1 |;所述测试结果数据还包括实际的测试工况的稳定状态;其中,所述实际的测试工况的稳定状态分别为不稳定、基本稳定、完全稳定;所述不稳定即为实际的测试工况参数与任务数据中的测试工况参数的偏差大于或等于设定的阈值T1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486865.6A CN110411768B (zh) | 2019-06-05 | 2019-06-05 | 一种基于神经网络的冷水机组测控系统及测控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486865.6A CN110411768B (zh) | 2019-06-05 | 2019-06-05 | 一种基于神经网络的冷水机组测控系统及测控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110411768A CN110411768A (zh) | 2019-11-05 |
CN110411768B true CN110411768B (zh) | 2021-11-16 |
Family
ID=68358341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486865.6A Active CN110411768B (zh) | 2019-06-05 | 2019-06-05 | 一种基于神经网络的冷水机组测控系统及测控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110411768B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201973836U (zh) * | 2011-04-06 | 2011-09-14 | 华南理工大学 | 一种中央空调系统整体优化控制装置 |
CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
CN103411293A (zh) * | 2013-09-05 | 2013-11-27 | 刘新民 | 基于末端冷量主动性调节的空调冷水系统控制方法及装置 |
CN107606730A (zh) * | 2017-09-29 | 2018-01-19 | 北京百度网讯科技有限公司 | 用于确定对数据中心制冷的冷水机组的方法和装置 |
CN108345571A (zh) * | 2018-01-18 | 2018-07-31 | 东南大学 | 微型燃气轮机冷热电联供系统预测控制方法与控制系统 |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
CN109325668A (zh) * | 2018-09-04 | 2019-02-12 | 北京国电通网络技术有限公司 | 能源系统的调控方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105633956B (zh) * | 2016-02-19 | 2017-11-03 | 河海大学 | 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法 |
KR20180052069A (ko) * | 2016-11-07 | 2018-05-17 | 한국전자통신연구원 | 콘볼루션 신경망 시스템 그리고 콘볼루션 신경망의 시냅스 데이터를 압축하는 방법 |
US10361712B2 (en) * | 2017-03-14 | 2019-07-23 | International Business Machines Corporation | Non-binary context mixing compressor/decompressor |
GB2567850B (en) * | 2017-10-26 | 2020-11-04 | Gb Gas Holdings Ltd | Determining operating state from complex sensor data |
CN109657881A (zh) * | 2019-01-14 | 2019-04-19 | 南京国电南自电网自动化有限公司 | 一种适用于小样本的神经网络光伏发电预测方法及系统 |
-
2019
- 2019-06-05 CN CN201910486865.6A patent/CN110411768B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201973836U (zh) * | 2011-04-06 | 2011-09-14 | 华南理工大学 | 一种中央空调系统整体优化控制装置 |
CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
CN103411293A (zh) * | 2013-09-05 | 2013-11-27 | 刘新民 | 基于末端冷量主动性调节的空调冷水系统控制方法及装置 |
CN107606730A (zh) * | 2017-09-29 | 2018-01-19 | 北京百度网讯科技有限公司 | 用于确定对数据中心制冷的冷水机组的方法和装置 |
CN108345571A (zh) * | 2018-01-18 | 2018-07-31 | 东南大学 | 微型燃气轮机冷热电联供系统预测控制方法与控制系统 |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
CN109325668A (zh) * | 2018-09-04 | 2019-02-12 | 北京国电通网络技术有限公司 | 能源系统的调控方法和装置 |
Non-Patent Citations (1)
Title |
---|
央空调水系统节能运行优化技术研究;李建维;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20171215(第12(2017)期);正文第17-20,51-69,105-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110411768A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110849007B (zh) | 一种冷媒量自动调节控制方法、装置及空调器 | |
CN105423668B (zh) | 电子膨胀阀的控制方法 | |
WO2021063033A1 (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
CN102213475B (zh) | 一种数据中心功耗自适应管理方法 | |
CN106774247B (zh) | 中央空调仿真测试系统及测试方法 | |
CN109654665A (zh) | 空调器的控制方法及装置和空调器 | |
CN109595763A (zh) | 空调系统的控制策略优化方法、装置和计算机设备 | |
CN114440410B (zh) | 基于换热效率对冷冻、冷却水泵进行变流量控制的方法 | |
CN104713197A (zh) | 一种基于数学模型的中央空调系统优化方法及系统 | |
CN106123234B (zh) | 一种调节空调室外机电子膨胀阀的方法 | |
CN110108503B (zh) | 新能源汽车测试用高原进排气模拟系统 | |
CN105526762A (zh) | 双压缩机双制冷回路冰箱的温度及耦合运行控制方法 | |
JP5227091B2 (ja) | 熱源設備制御方法及び熱源設備制御システム | |
CN114459133A (zh) | 一种中央空调系统节能控制方法及节能控制系统 | |
CN110411768B (zh) | 一种基于神经网络的冷水机组测控系统及测控方法 | |
CN107120953A (zh) | 一种空气源热泵烘干机的电子膨胀阀控制装置及方法 | |
CN116558167B (zh) | 一种结冰风洞的制冷系统控制方法、介质及计算机设备 | |
CN111412624A (zh) | 空调机组及其压缩机频率控制方法 | |
CN110360091B (zh) | 一种基于神经网络的制冷压缩机测控系统及测控方法 | |
CN115309056A (zh) | 一种多冷水机组的控制方法 | |
CN116255716A (zh) | 一种中央空调人工智能负荷预测节能策略 | |
CN115903712A (zh) | 适用于工业制冷系统的节能优化方法及其优化控制系统 | |
CN109931679A (zh) | 一种冷通道分离机房的多空调自动化控制系统及方法 | |
CN107247406B (zh) | 测试台位的控制方法及系统 | |
CN112199630A (zh) | 一种实际建筑中多联机运行性能评价计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |