CN110715405A - 一种基于bp神经网络拟合模型的空调器制冷量检测方法 - Google Patents
一种基于bp神经网络拟合模型的空调器制冷量检测方法 Download PDFInfo
- Publication number
- CN110715405A CN110715405A CN201910936489.6A CN201910936489A CN110715405A CN 110715405 A CN110715405 A CN 110715405A CN 201910936489 A CN201910936489 A CN 201910936489A CN 110715405 A CN110715405 A CN 110715405A
- Authority
- CN
- China
- Prior art keywords
- air
- temperature
- air conditioner
- air supply
- calculated
- 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.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/30—Velocity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/40—Pressure, e.g. wind pressure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于空调器制冷器测试相关技术领域,并公开了一种基于BP神经网络拟合模型的空调器制冷量检测方法,包括:对空调器室内机回风口和送风口的数据采集及集成;对空调器室内机回风口和送风口的空气焓值等指标的计算;基于空气焓值法对空调器实际制冷量的计算;以及基于BP神经网络拟合模型的实际制冷量检测等步骤。通过本发明,不需要对空调器进行任何拆卸也无需使用昂贵的焓差实验室即可实现空调器制冷量的检测,同时与其他建模算法相比,所需实验装置简单,可获得更为精确和可控的检测结果,并且方法和结果可靠。
Description
技术领域
本发明属于空调器制冷器测试相关技术领域,更具体地,涉及一种基 于BP神经网络拟合模型的空调器制冷量检测方法。
背景技术
各类空调器重要指标之一是制冷量。所谓制冷量,是指空调器进行制 冷运行时,单位时间内从密闭空间、房间或区域内去除的热量总和。每一 台出厂的空调器铭牌上所标定的制冷量都是按照国家标准规定,而空调器 的实际制冷量随实际使用环境及工作状态变化而变化,在实际工作时并不 等同于铭牌上所标定的制冷量。
本领域目前通常采用的一种空调器制冷量测量方法为传统的空气焓值 法,但是这种测量方法需要特定的焓差室,实验装置费用昂贵、设备复杂、 占地多,具体参数测量也十分复杂。另外一种方法是制冷剂焓法,它只要 测量所需参数就能计算出制冷剂进出口焓值和流量,从而得到制冷剂侧的 换热量,即空调器制冷量,但是需要对空调器进行拆卸以布置传感器,操 作复杂同时会增加额外成本。总之,这两种常规测量方法代价大,并完全脱离了空调器实际运行及制冷量现场测试情形。
检索表明,针对空调器制冷量现有的测量工艺的不足,现有技术中已 经做出了一些研究和改进。例如,CN201610602567.5公开了一种基于多维 曲线拟合算法的空调装置制冷量测试方法,其中通过将空调系统的多个输 入参数与制冷量之间建立多维曲线拟合模型,相应可获得多种工况下的实 际制冷量。又如,CN201811155298.8公开了一种基于神经网络的空调控制 方法,其中提出将神经网络的输出作为相对控制量,并进一步将该相对控制量与前一时刻获取的控制量相加以获得真正的控制量,由此对空调系统 进行制冷量的有效控制。
然而,进一步的研究表明,上述现有技术仍存在以下的缺陷或不足: 首先,这些采用模型算法的制冷量检测方法仅仅给出了理论上的可行性, 但并未对实际应用场合下的具体测量过程尤其是关键指标给出深入的研究 和分析;其次,它们更偏重于对制冷过程的控制方面,而在实际制冷量数 据实时测试的精确度等方面存在不足,而且,现有技术的模型鲁棒性较低, 不能很好的适应实际环境。相应地,本领域亟需对于如何更好地对基于算法模型的空调器实际制冷量的检测工艺作出进一步的研究,以便更好地符 合在检测精度、工艺效率及适应性方面的更高需求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于BP神经 网络拟合模型的空调器制冷量检测方法,其中不仅专门选择采用了BP神经 网络与空气焓值法的结合及改进来实现制冷量的数据检测工艺,而且进一 步针对性对多个关键参数的选取、建模数据的拟合操作以及特定算法处理 过程提出了具体的改进步骤,相应与现有各类的空调器制冷量算法处理相 比,可以显著提高整个工艺的测量精度和可控性,同时更能符合空调器实 际运行的情况,具备更高的可靠性和环境适应性。
相应地,按照本发明,提供了一种基于BP神经网络拟合模型的空调器 制冷量检测方法,其特征在于,该方法包括下列步骤:
S1、对空调器室内机回风口和送风口的数据采集及集成
选取空调器室内机的回风口和送风口作为测量区域,分次采集空调器 在各类实际运行工况下的以下多项参数,包括:
最后将所有工况下的采集数据进行集成,得到建模数据集;
S2、对空调器室内机回风口和送风口的空气焓值等指标的计算
根据步骤S1所采集的所述送风口处的风速v及风道横截面积S,计算 得出室内机送风量qm;
S3、基于空气焓值法对空调器实际制冷量的计算
根据步骤S2计算出的结果,采用以下公式来计算空调器实际制冷量Q:
Q=qm(hin-hout)/vout(1+dout)
其中,Q是作为被测试对象的空调器实际制冷量,qm是所述室内机送风 量,hin是所述回风口处的空气焓值,hout是所述送风口处的空气焓值,vout是所述送风口处的湿空气比体积,dout是所述送风口处的空气含湿量;
S4、基于BP神经网络拟合模型的实际制冷量检测
对步骤S3所计算出的空调器实际制冷量Q、以及步骤S1得到的建模数 据集中的各个数据进行归一化处理;
然后,将归一化处理后的多项数据也即回风口处的空气温度Tin、回风 口处的空气压力Pin,回风口处的空气相对湿度以及送风口处的空气温度 Tout、送风口处的空气压力Pout,送风口处的空气相对湿度作为输入变 量X′,同时将归一化处理后的空调器实际制冷量Q作为输出变量Y来建立 BP神经网络拟合模型,并采用该BP神经网络拟合模型来计算后续实际工况 下的空调器制冷量。
作为进一步优选地,在步骤S2中,所述回风口处对应的空气焓值hin的 计算过程优选设定如下:
(i)首先,根据所述空气温度Tin,得到各温度下对应的饱和湿空气中 水蒸气的分压力Ps,in;
(ii)接着,根据该分压力Ps,in和所述空气相对湿度采用以下公式 计算得到各温度下对应的不饱和湿空气中水蒸气的分压力Pv,in:
(iii)接着,根据该计算出的分压力Pv,in和所述空气压力Pin,采用以 下公式计算得出回风口处的湿空气含湿量din,其单位为Kg/Kg:
其中,Rg,a为干空气的气体常数,取Rg,a=287[J/(kg·K)];Rg,v为水蒸 气的气体常数,取Rg,v=461[J/(kg·K)];
(iv)最后,根据该计算出的湿空气含湿量din和所述空气温度Tin,采 用如下公式计算得出回风口处的空气焓值hin,其单位为Kg/Kg:
hin=ha,in+dinhv,in
其中,ha,in表示温度为Tin的干空气焓值,取ha,in=1.005Tin(KJ/Kg 干空气);hv,in表示温度为Tin的水蒸气比焓,取hv,in=2501+1.85Tin。
作为进一步优选地,在步骤S2中,所述送风口处对应的空气焓值hout的 计算过程优选设定如下:
(1)首先,根据所述空气温度Tout,得到各温度下对应的饱和湿空气 中水蒸气的分压力Ps,out;
(3)接着,根据该计算出的分压力Pv,out和所述空气压力Pout,采用以 下公式计算得送风口处的湿空气含湿量dout,其单位为Kg/Kg:
其中,Rg,a为干空气的气体常数,取Rg,a=287[J/(kg·K)];Rg,v为水蒸 气的气体常数,取Rg,v=461[J/(kg·K)];
(4)最后,根据该计算出的湿空气含湿量dout和所述空气温度Tout, 采用如下公式计算得出送风口处的空气焓值hout,其单位为Kg/Kg:
hout=ha,out+douthv,out
其中,ha,out表示温度为Tout的干空气焓值,取ha,out=1.005Tout(KJ/Kg 干空气);hv,out表示温度为Tout的水蒸气比焓,取hv,out=2510+1.85Tout;
作为进一步优选地,在步骤S2中,所述送风口处对应的湿空气比体积 的计算过程优选设定如下:
(5)根据所述送风口处的空气温度Tout、空气压力Pout以及计算出的 送风口处空气含湿量dout,采用以下公式计算得到送风口处的湿空气比体 积vout,其单位为Kg/Kg:
其中,Rg为湿空气的气体常数;Rg,a为干空气的气体常数,取 Rg,a=287[J/(kg·K)];Rg,v为水蒸气的气体常数,取Rg,v=461[J/(kg·K)];
作为进一步优选地,在步骤S2中,所述室内机送风量qm的计算过程优 选设定如下,其单位为m3/s:
qm=S*v
其中,v为送风口处的风速,S为对应风道的横截面积。
作为进一步优选地,在步骤S4中,所述归一化处理优选采用如下的转 化函数来执行,也即对原始数据进行线性变换,使其值映射到[0,1]之间:
其中,X′为归一化后的值;X为需要归一化的数据;Xmax为该数据的全 体样本中的最大值;Xmin为该数据的全体样本中的最小值。
作为进一步优选地,在步骤S4中,所述建立BP神经网络拟合模型的 过程优选设计如下:
(S41)网络初始化:根据输入输出序列(X′,Y)确定网络输入层节点 数n、隐含层节点数q、输出层节点数m,并初始化输入层、隐含层和输出 层神经元之间的连接权值wij、wjk,初始化隐含层阈值a,输出层阈值b, 给定学习速率η和神经元激励函数f;
(S42)隐含层输出计算:根据输入变量X′,输入层和隐含层间连接权 值wij以及隐含层阈值a,计算隐含层输出H;
(S43)输出层输出计算:根据隐含层输出H,隐含层和输出层间连接 权值wjk以及输出层阈值b,计算BP神经网络预测输出O;
(S44)误差计算:根据网络预测输出O和期望输出Y,计算网络预测 误差e;
(S45)权值和阈值更新:根据网络预测误差e,更新网络连接权值wij, wjk以及网络节点阈值a和b;
(S46)判断算法迭代是否结束:若迭代达到预先设定的最大迭代次数 p或者网络输出总误差小于等于误差精度控制量ε,则迭代结束;否则,返 回步骤(S42)。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要 具备以下的技术优点:
1、本发明通过采用了BP神经网络与空气焓值法的结合及改进来实现 制冷量的数据检测工艺,而且进一步针对性对多个关键参数的选取、建模 数据的拟合操作以及特定算法处理过程提出了具体的改进步骤,较多的实 际测试表明,能够使得测量的值更能反映实际情况下的制冷量,更有利于 空调器在实际运行状态下的高精度性能检测,且测量过程简单,测量时间 短,结果可靠,利于仪器化;
2、本发明通过将BP神经网络拟合法引入到空调器实际制冷量测量当 中,可从检测环节而非后续的控制环节即获得更为真实可靠的制冷器数据, 该具体模型具备很强的自适应、自学习、非线性映射能力,能较好的解决 数据少、信息贫、不确定性问题,非常适用于制冷量预测这种非线性问题, 且易于调整,受不同机型的影响不大,能得到精确度较高的制冷量预测模 型;
3、本发明省去了传统空调器制冷量测量所需的昂贵的焓差实验室,也 不需要对空调器进行任何非拆卸,简化了测量装置和实验操作,节约了实 验占地,大大节省了测量费用。
附图说明
图1是按照本发明的优选实施例所构建的空调器制冷量检测方法的完 整流程示意图;
图2是按照本发明的优选实施例所构建的简易空气焓值法实验装置图;
图3是按照本发明的优选实施例所构建的空气流量测量装置图;
图4是按照本发明的优选实施例所构建的BP神经网络拓补结构图;
图5是按照本发明的优选实施例所构建的BP神经网络原理流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图 及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体 实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的 本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可 以相互组合。
图1是按照本发明的优选实施例所构建的空调器制冷量检测方法的完 整流程示意图。如图1所示,该工艺方法主要包括以下步骤,下面将结合 附图对其进行具体说明。
首先,是对空调器室内机回风口和送风口的数据采集及集成步骤。
在此步骤中,选取空调器室内机的回风口和送风口作为测量区域,分 次采集空调器在各类实际运行工况下的以下多项参数,包括:回风口处的 空气温度Tin,回风口处的空气压力Pin,回风口处的空气相对湿度送 风口处的空气温度Tout,送风口处的空气压力Pout,送风口处的空气相对湿 度送风口处的风速及风道横截面积;最后将所有工况下的采集数据 进行集成,得到建模数据集。
更具体地,如图2所述,譬如可利用安装在回风管道和送风管道上的 压力计及温湿度计,收集空调器在各实际运行工况下回风口和送风口处的 各种参数,包括回风口处的空气温度Tin,回风口处的空气压力Pin,回风口 处的空气相对湿度送风口处的空气温度Tout,送风口处的空气压力 Pout,送风口处的空气相对湿度在每一实际工况下进行多组重复实验, 形成相对应的数据集。
此外,还优选可利用如图3所示的空气流量测量装置测量各实际运行 工况下相对应的风速v。图3中的静压箱用于减少噪声,同时获得均匀的静 压出风,减少动压损失,整流板用于调整空气流向,风机用于克服整流板 和排风室的阻力。
接着,是对空调器室内机回风口和送风口的空气焓值等指标的计算步 骤。
在此步骤中,根据前面步骤所采集的所述回风口处的空气温度Tin,回 风口处的空气压力Pin,回风口处的空气相对湿度计算得出回风口处对 应的空气焓值hin;同时,根据前面所采集的所述送风口处的空气温度Tout, 送风口处的空气压力Pout,送风口处的空气相对湿度计算得出送风口 处对应的空气焓值hout以及湿空气比体积vout和湿空气含湿量dout;同时, 根据前面步骤所采集的所述送风口处的风速v及风道横截面积S,计算得出室内机送风量qm。
更具体地,按照本发明的一些优选实施方式,上述过程可具体解释如 下。
A)根据测得的空调器回风口处的空气温度Tin,查饱和水及饱和水蒸气 热力参数表,可以得到该温度下对应的饱和湿空气中水蒸气的分压力Ps,in。
C)根据测得的空调器回风口处的空气压力Pin及回风口处空气温度下 对应的不饱和湿空气水蒸气分压力Pv,in,计算得到回风口处的湿空气含湿量 din(Kg/Kg干空气),公式如下:
其中,Rg,a为干空气的气体常数,取Rg,a=287[J/(kg·K)];Rg,v为水蒸 气的气体常数,取Rg,v=461[J/(kg·K)]。
D)根据回风口处的湿空气含湿量din以及空气温度Tin,计算得到回风 口处的空气焓值hin(KJ/Kg干空气),公式如下:
hin=ha,in+dinhv,in
其中,ha,in表示温度为Tin的干空气焓值,取ha,in=1.005Tin(KJ/Kg 干空气);hv,in表示温度为Tin的水蒸气比焓,取hv,in=2501+1.85Tin (KJ/Kg干空气)。
按照本发明的另一优选实施按时,可采用如下的过程来计算空调器室 内机送风口处的空气焓值:
A)根据测得的空调器送风口处的空气温度Tout,查饱和水及饱和水蒸 气热力参数表,可以得到该温度下对应的饱和湿空气中水蒸气的分压力 Ps,out。
C)根据测得的空调器送风口处的空气压力Pout及送风口处空气温度下 对应的不饱和湿空气水蒸气分压力Pv,out,计算得到送风口处的湿空气含湿 量dout(Kg/Kg干空气),公式如下:
其中,Rg,a为干空气的气体常数,取Rg,a=287[J/(kg·K)];Rg,v为水蒸 气的气体常数,取Rg,v=461[J/(kg·K)]。
D)根据送风口处的湿空气含湿量dout以及空气温度Tout,计算得到送 风口处的空气焓值hout(KJ/Kg干空气),公式如下:
hout=ha,out+douthv,out
其中,ha,out表示温度为Tout的干空气焓值,取ha,out=1.005Tout(KJ/Kg 干空气);hv,out表示温度为Tout的水蒸气比焓,取hv,out=2501+1.85Tout (KJ/Kg干空气)。
按照本发明的另一优选实施方式,可根据测得的空调器送风口处的空 气温度Tout、空气压力Pout以及计算得到的送风口处空气含湿量dout,可以 得到送风口处的湿空气比体积vout(m3/kg干空气),公式如下:
其中,Rg为湿空气的气体常数;Rg,a为干空气的气体常数,取Rg,a=287[J/(kg·K)];Rg,v为水蒸气的气体常数,取Rg,v=461[J/(kg·K)]。
此外,按照本发明的又一优选实施方式,可利用空气流量测量装置计 算空调器室内机送风量qm(m3/s),公式如下:
qm=S*v
其中,S为空气流量测量装置中风道的横截面积,v为空调器送风口处 的风速。
接着,是基于空气焓值法对空调器实际制冷量的计算步骤。
在此步骤中,可根据以上步骤计算出的结果,采用以下公式来计算空 调器实际制冷量Q:
Q=qm(hin-hout)/vout(1+dout)
其中,Q是作为被测试对象的空调器实际制冷量,qm是所述室内机送风 量,hin是所述回风口处的空气焓值,hout是所述送风口处的空气焓值,vout是所述送风口处的湿空气比体积,dout是所述送风口处的空气含湿量。
最后,是基于BP神经网络拟合模型的实际制冷量检测步骤。
在此步骤中,按照本发明的一个优选实施方式,可首先对以上步骤所 计算出的空调器实际制冷量Q、以及所得到的建模数据集中的各个数据进行 归一化处理。
更具体而言,为消除数据之间的量纲影响,得到更为精确的测量模型, 需对得到的制冷量值及建模数据集一起进行归一化处理,本发明所选用的 归一化方法为最小最大归一化,即对原始数据进行线性变化,使其值映射 到[0,1]之间,转化函数如下:
其中,X′为归一化后的值;X为需要归一化的数据;Xmax为全体样本数 据的最大值;Xmin为全体样本数据的最小值。
然后,将归一化处理后的多项数据也即回风口处的空气温度Tin、回风 口处的空气压力Pin,回风口处的空气相对湿度以及送风口处的空气温度 Tout、送风口处的空气压力Pout,送风口处的空气相对湿度作为输入变 量X′,同时将归一化处理后的空调器实际制冷量Q作为输出变量Y来建立 BP神经网络拟合模型,并采用该BP神经网络拟合模型来计算后续实际工况 下的空调器制冷量。
更具体而言,上述建立BP神经网络拟合模型的过程优选设计如下:
A)网络初始化:根据输入输出序列(X′,Y)确定网络输入层节点数n、 隐含层节点数q、输出层节点数m,并初始化输入层、隐含层和输出层神经 元之间的连接权值wij、wjk,初始化隐含层阈值a,输出层阈值b,给定学 习速率η和神经元激励函数f;
B)隐含层输出计算:根据输入变量X′,输入层和隐含层间连接权值wij以及隐含层阈值a,计算隐含层输出H;在此过程中,公式譬如可如下:
其中,j=1,2,…,q。q为隐含层节点数;f为隐含层激励函数。
C)输出层输出计算:根据隐含层输出H,隐含层和输出层间连接权值 wjk以及输出层阈值b,计算BP神经网络预测输出O;在此过程中,公式 譬如如下:
其中,k=1,2,…,m。m为输出层节点数。
D)误差计算:根据网络预测输出O和期望输出Y,计算网络预测误 差e;在此过程中,公式譬如可如下:
ek=Yk-Ok
其中,k=1,2,…,m。m为输出层节点数。
E)权值和阈值更新:根据网络预测误差e,更新网络连接权值wij,wjk以及网络节点阈值a和b;在此过程中,公式譬如可如下:
wjk=wjk+ηHjek
其中,i=1,2,…,n;j=1,2,…,q;k=1,2,…,m。n、q、m分别为输入层、隐 含层、输出层节点数;η为学习速率。
bk=bk+ek
其中,j=1,2,…,q;k=1,2,…,m。q、m分别为隐含层、输出层节点数。
F)判断算法迭代是否结束:若迭代达到预先设定的最大迭代次数p或 者网络输出总误差小于等于误差精度控制量ε,则迭代结束;否则,返回步 骤B。
按照本发明的又一优选实施方式,在上述建模过程中,一些关键参数 的具体取值优选如下:
输入层节点数n=6,输出层节点数m=1,隐含层节点数q可以在一定 范围内浮动,具体由以下经验公式确定:
其中,c为[1,10]之间的常数。
另外,最大迭代次数取1000,学习率η=0.01,训练目标即网络输出总 误差E=0.001,神经元激励函数f有多种表达方式,本模型所选函数如下:
综上,本发明通过设计实际环境下的简化空气焓差法实验装置,测量 所需参数,以计算各实际工况下的空调器制冷量,避免了使用昂贵的焓差 实验室或者对空调器进行拆卸而导致完全脱离空调器实际运行的情况,最 后将BP神经网络拟合运用到了空调器实际制冷量的测量当中。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已, 并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于BP神经网络拟合模型的空调器制冷量检测方法,其特征在于,该方法包括下列步骤:
S1、对空调器室内机回风口和送风口的数据采集及集成
选取空调器室内机的回风口和送风口作为测量区域,分次采集空调器在各类实际运行工况下的以下多项参数,包括:
最后将所有工况下的采集数据进行集成,得到建模数据集;
S2、对空调器室内机回风口和送风口的空气焓值等指标的计算
根据步骤S2所采集的所述送风口处的空气温度Tout,送风口处的空气压力Pout,送风口处的空气相对湿度计算得出送风口处对应的空气焓值hout以及湿空气比体积vout和湿空气含湿量dout;
根据步骤S1所采集的所述送风口处的风速v及风道横截面积S,计算得出室内机送风量qm;
S3、基于空气焓值法对空调器实际制冷量的计算
根据步骤S2计算出的结果,采用以下公式来计算空调器实际制冷量Q:
Q=qm(hin-hout)/vout(1+dout)
其中,Q是作为被测试对象的空调器实际制冷量,qm是所述室内机送风量,hin是所述回风口处的空气焓值,hout是所述送风口处的空气焓值,vout是所述送风口处的湿空气比体积,dout是所述送风口处的空气含湿量;
S4、基于BP神经网络拟合模型的实际制冷量检测
对步骤S3所计算出的空调器实际制冷量Q、以及步骤S1得到的建模数据集中的各个数据进行归一化处理;
2.如权利要求1所述的空调器制冷量检测方法,其特征在于,在步骤S2中,所述回风口处对应的空气焓值hin的计算过程优选设定如下:
(i)首先,根据所述空气温度Tin,得到各温度下对应的饱和湿空气中水蒸气的分压力Ps,in;
(iii)接着,根据该计算出的分压力Pv,in和所述空气压力Pin,采用以下公式计算得出回风口处的湿空气含湿量din,其单位为Kg/Kg:
其中,Rg,a为干空气的气体常数,取Rg,a=287[J/(kg·K)];Rg,v为水蒸气的气体常数,取Rg,v=461[J/(kg·K)];
(iv)最后,根据该计算出的湿空气含湿量din和所述空气温度Tin,采用如下公式计算得出回风口处的空气焓值hin,其单位为Kg/Kg:
hin=ha,in+dinhv,in
其中,ha,in表示温度为Tin的干空气焓值,取ha,in=1.005Tin(KJ/Kg 干空气);hv,in表示温度为Tin的水蒸气比焓,取hv,in=2501+1.85Tin。
3.如权利要求1或2所述的空调器制冷量检测方法,其特征在于,在步骤S2中,所述送风口处对应的空气焓值hout的计算过程优选设定如下:
(1)首先,根据所述空气温度Tout,得到各温度下对应的饱和湿空气中水蒸气的分压力Ps,out;
(3)接着,根据该计算出的分压力Pv,out和所述空气压力Pout,采用以下公式计算得送风口处的湿空气含湿量dout,其单位为Kg/Kg:
其中,Rg,a为干空气的气体常数,取Rg,a=287[J/(kg·K)];Rg,v为水蒸气的气体常数,取Rg,v=461[J/(kg·K)];
(4)最后,根据该计算出的湿空气含湿量dout和所述空气温度Tout,采用如下公式计算得出送风口处的空气焓值hout,其单位为Kg/Kg:
hout=ha,out+douthv,out
其中,ha,out表示温度为Tout的干空气焓值,取ha,out=1.005Tout(KJ/Kg干空气);hv,out表示温度为Tout的水蒸气比焓,取hv,out=2501+1.85Tout。
5.如权利要求1-4任意一项所述的空调器制冷量检测方法,其特征在于,在步骤S2中,所述室内机送风量qm的计算过程优选设定如下,其单位为m3/s:
qm=S*v
其中,v为送风口处的风速,S为对应风道的横截面积。
7.如权利要求1-6任意一项所述的空调器制冷量检测方法,其特征在于,在步骤S4中,所述建立BP神经网络拟合模型的过程优选设计如下:
(S41)网络初始化:根据输入输出序列(X′,Y)确定网络输入层节点数n、隐含层节点数q、输出层节点数m,并初始化输入层、隐含层和输出层神经元之间的连接权值wij、wjk,初始化隐含层阈值a,输出层阈值b,给定学习速率η和神经元激励函数f;
(S42)隐含层输出计算:根据输入变量X′,输入层和隐含层间连接权值wij以及隐含层阈值a,计算隐含层输出H;
(S43)输出层输出计算:根据隐含层输出H,隐含层和输出层间连接权值wjk以及输出层阈值b,计算BP神经网络预测输出O;
(S44)误差计算:根据网络预测输出O和期望输出Y,计算网络预测误差e;
(S45)权值和阈值更新:根据网络预测误差e,更新网络连接权值wij,wjk以及网络节点阈值a和b;
(S46)判断算法迭代是否结束:若迭代达到预先设定的最大迭代次数p或者网络输出总误差小于等于误差精度控制量ε,则迭代结束;否则,返回步骤(S42)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936489.6A CN110715405A (zh) | 2019-09-29 | 2019-09-29 | 一种基于bp神经网络拟合模型的空调器制冷量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936489.6A CN110715405A (zh) | 2019-09-29 | 2019-09-29 | 一种基于bp神经网络拟合模型的空调器制冷量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110715405A true CN110715405A (zh) | 2020-01-21 |
Family
ID=69211146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910936489.6A Pending CN110715405A (zh) | 2019-09-29 | 2019-09-29 | 一种基于bp神经网络拟合模型的空调器制冷量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110715405A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111780332A (zh) * | 2020-07-14 | 2020-10-16 | 浙江广播电视大学 | 一种中央空调分户计量方法及装置 |
CN112922825A (zh) * | 2021-03-12 | 2021-06-08 | 芜湖欧宝机电有限公司 | 一种压缩机的识别与检测方法 |
CN114061059A (zh) * | 2020-07-31 | 2022-02-18 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN114322382A (zh) * | 2021-12-24 | 2022-04-12 | 中国电信股份有限公司 | 机房制冷控制方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11310023A (ja) * | 1998-04-27 | 1999-11-09 | Denso Corp | 空調装置 |
CN106403204A (zh) * | 2016-11-28 | 2017-02-15 | 广东美的制冷设备有限公司 | 一种空调制冷量检测方法、系统及空调器 |
CN107178871A (zh) * | 2017-05-09 | 2017-09-19 | 广东美的制冷设备有限公司 | 空调器及其制冷量获取方法和计算机可读存储介质 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110266228A (zh) * | 2019-07-05 | 2019-09-20 | 长安大学 | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 |
-
2019
- 2019-09-29 CN CN201910936489.6A patent/CN110715405A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11310023A (ja) * | 1998-04-27 | 1999-11-09 | Denso Corp | 空調装置 |
CN106403204A (zh) * | 2016-11-28 | 2017-02-15 | 广东美的制冷设备有限公司 | 一种空调制冷量检测方法、系统及空调器 |
CN107178871A (zh) * | 2017-05-09 | 2017-09-19 | 广东美的制冷设备有限公司 | 空调器及其制冷量获取方法和计算机可读存储介质 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110266228A (zh) * | 2019-07-05 | 2019-09-20 | 长安大学 | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111780332A (zh) * | 2020-07-14 | 2020-10-16 | 浙江广播电视大学 | 一种中央空调分户计量方法及装置 |
CN111780332B (zh) * | 2020-07-14 | 2021-08-27 | 浙江广播电视大学 | 一种中央空调分户计量方法及装置 |
CN114061059A (zh) * | 2020-07-31 | 2022-02-18 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN114061059B (zh) * | 2020-07-31 | 2023-09-01 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN112922825A (zh) * | 2021-03-12 | 2021-06-08 | 芜湖欧宝机电有限公司 | 一种压缩机的识别与检测方法 |
CN112922825B (zh) * | 2021-03-12 | 2023-08-08 | 芜湖欧宝机电有限公司 | 一种压缩机的识别与检测方法 |
CN114322382A (zh) * | 2021-12-24 | 2022-04-12 | 中国电信股份有限公司 | 机房制冷控制方法、系统、设备及存储介质 |
CN114322382B (zh) * | 2021-12-24 | 2024-03-19 | 中国电信股份有限公司 | 机房制冷控制方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110715405A (zh) | 一种基于bp神经网络拟合模型的空调器制冷量检测方法 | |
CN111546854B (zh) | 一种智能列车空调机组在途识别与诊断方法 | |
CN105115738B (zh) | 顶置式空调系统的性能测试系统及测试方法 | |
CN101025424B (zh) | 大型voc检测用高精度动态检测用气候室及其检测设备 | |
CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
CN109583008B (zh) | 基于逐步回归的冷水机组能效模型通用建模方法 | |
CN106123243A (zh) | 基于多维曲线拟合算法的空调装置制冷量测试方法 | |
CN105160345B (zh) | 一种诊断列车空调机组故障的方法 | |
CN109708909A (zh) | 一种电动汽车空调系统性能测试装置及方法 | |
CN109654652A (zh) | 一种基于数据挖掘技术的空调器制冷/热量预测方法 | |
CN114034350B (zh) | 一种换热器流量分配的监测方法、系统及存储介质 | |
CN112364563A (zh) | 一种多联机空调分户计量与计费方法及装置 | |
CN106960212A (zh) | 一种车内环境热舒适度的评价方法 | |
Tian et al. | Dynamic modelling of air temperature in breathing zone with stratum ventilation using a pulsating air supply | |
JP2019020070A (ja) | 空調装置の評価装置および評価方法 | |
CN114021461A (zh) | 基于XGBoost的电子膨胀阀质量流量特性预测方法 | |
CN106840733B (zh) | 一种空调机组性能在线检测方法及其检测设备 | |
CN106568804A (zh) | 一种基于双空气干球温度的空气湿度检测方法 | |
CN116735246A (zh) | 一种空调系统动态性能的标定台架及标定方法 | |
CN109840307A (zh) | 一种室内温湿度场快速预测系统及方法 | |
CN110110411A (zh) | 一种湿式冷却塔自适应建模方法 | |
CN104933322A (zh) | 一种前置式防、融霜方法 | |
Berckmans et al. | Test installation to develop a new model concept to model and control the energy and mass transfer in a three dimensional imperfectly mixed space. | |
CN108180597A (zh) | 空调热负荷检测装置 | |
CN114199322A (zh) | 一种车辆鼓风机风量测试方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |
|
RJ01 | Rejection of invention patent application after publication |