CN114021461A - 基于XGBoost的电子膨胀阀质量流量特性预测方法 - Google Patents

基于XGBoost的电子膨胀阀质量流量特性预测方法 Download PDF

Info

Publication number
CN114021461A
CN114021461A CN202111310253.5A CN202111310253A CN114021461A CN 114021461 A CN114021461 A CN 114021461A CN 202111310253 A CN202111310253 A CN 202111310253A CN 114021461 A CN114021461 A CN 114021461A
Authority
CN
China
Prior art keywords
mass flow
expansion valve
xgboost
electronic expansion
value
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
Application number
CN202111310253.5A
Other languages
English (en)
Inventor
万安平
龚志鹏
陈挺
王文晖
缪徐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University City College ZUCC
Original Assignee
Zhejiang University City College ZUCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University City College ZUCC filed Critical Zhejiang University City College ZUCC
Priority to CN202111310253.5A priority Critical patent/CN114021461A/zh
Publication of CN114021461A publication Critical patent/CN114021461A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Fluid Mechanics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于XGBoost的电子膨胀阀质量流量特性预测方法，包括步骤：用Buckinghamπ原理对参数进行无量纲化处理，再采用Z‑score标准化方法对参数进行归一化处理；处理后的参数构成数据集，进行数据集划分；搭建XGBoost模型，XGBoost模型为树集成模型。本发明的有益效果是：本发明利用公开的制冷剂流经电子膨胀阀的实验数据进行实验，以数据中的阀门直径、入口压力、出口压力、入口温度、过冷度和阀门开度设为预测变量，将质量流量系数设为目标值，结合回归任务的基本评价指标RMSE、MAE和R2对预测质量流量系数和实际的质量流量系数进行比较，以评估已建立的XGBoost模型的准确性。

Description

基于XGBoost的电子膨胀阀质量流量特性预测方法
技术领域
本发明属于制冷系统的节流装置领域，尤其涉及一种基于XGBoost机器学习的电子膨胀阀质量流量特性预测方法。
背景技术
节流装置是制冷系统中的关键部件之一，其中电子膨胀阀(EEV)作为最新一代的节流装置，相比于传统节流装置(毛细管、短管和热力膨胀阀),具有更加灵活的质量流量调节机制、更快的响应速度以及对各种工况的强大适应性，目前已经广泛的应用于变频式热泵、电动汽车空调，电池冷却系统和冷库等热泵/制冷领域中。
电子膨胀阀是一种可变面积膨胀装置，内部的流动非常复杂，研究电子膨胀阀的质量流量特性以匹配可变的热负荷和实现实时的质量流量调节是很有必要的，这可以使热泵/制冷系统拥有最佳的经济性和可靠的运行策略。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于XGBoost的电子膨胀阀质量流量特性预测方法。
这种基于XGBoost的电子膨胀阀质量流量特性预测方法，包括以下步骤：
步骤1、因为各个参数的量纲并不相同，会对数据分析的结果产生影响，为了消除参数之间的量纲影响，用Buckinghamπ原理对参数进行无量纲化处理，再采用Z-score标准化方法对参数进行归一化处理；处理后的参数构成数据集，进行数据集划分；
步骤1.1、用Buckinghamπ原理对实验收集的对制冷剂流量具有决定性影响的参数进行无量纲化处理：
Figure BDA0003336986300000011
Figure BDA0003336986300000012
Figure BDA0003336986300000013
Figure BDA0003336986300000014
π5＝z (1)
上式中，π1～π5表示无量纲化后的五个参数，Pin表示膨胀阀入口压力，Pout表示膨胀阀出口压力，Pc表示临界状态压力，Tsub表示制冷剂的过冷度，Tc表示临界状态温度，vg表示气体粘度系数，vf表示液体粘度系数，σ表示制冷剂的表面张力，D表示膨胀阀的直径，z表示膨胀阀开度；
步骤1.2、采用Z-score标准化方法对参数进行归一化处理，使处理后的数据符合标准正态分布；
步骤1.3、为提升模型的训练效果，将数据集中的经过步骤1.1至步骤1.2处理后的对制冷剂流量具有决定性影响的参数进行随机打乱，将数据集划分为训练集和测试集；
步骤2、搭建XGBoost模型，XGBoost模型为树集成模型；
步骤3、用训练集训练XGBoost模型，用测试集来评估XGBoost模型的精度；使用XGBoost模型预测得到电子膨胀阀的质量流量；
步骤3.1、电子膨胀阀的质量流量特性关联式表示为：
Figure BDA0003336986300000021
上式中，Cd为质量流量系数；A为膨胀阀口的流通面积，单位为m2；Pin、Pout分别为制冷剂在电子膨胀阀入口和出口的压力，单位均为kPa；ρ表示制冷剂的密度，单位为kg/m3；
步骤3.2、将XGBoost模型预测得到的质量流量系数Cd经式(19)转化为质量流量之后，再用相对误差、均方根误差来分析电子膨胀阀质量流量预测值和电子膨胀阀质量流量测量值的拟合效果。
作为优选，步骤1.2中Z-score标准化的公式具体为：
Figure BDA0003336986300000022
上式中，
Figure BDA0003336986300000023
为标准化值；x为原始值；μ为均值；σ为标准层，数值区间为[-1,1]。
作为优选，步骤1.3中将数据集的70％划分为训练集，将数据集中剩余数据作为测试集。
作为优选，步骤2具体包括如下步骤：
步骤2.1、给定一个拥有n个样本和m个特征的数据集D＝(xi,yi)(|D|＝n，xi∈Rm,yi∈R)，定义函数如下：
Figure BDA0003336986300000031
上式中，xi为第i个自变量，yi为第i个因变量，
Figure BDA0003336986300000032
为预测值，Rm为整个m维空间，R为整体实数，φ(xi)为关于xi的函数,fk()为第k棵树的权重函数；K为XGBoost树的总数；
步骤2.2、构建XGBoost模型的目标函数：
Obj(θ)＝L(θ)+Ω(θ) (4)
L(θ)是用来衡量预测值和测量值之间误差的损失函数：
Figure BDA0003336986300000033
Ω(θ)是用来衡量XGBoost模型复杂程度的函数，用Ω(θ)来平滑各叶子节点之间的权重避免过拟合：
Figure BDA0003336986300000034
上式中，T为叶子节点的个数；
Figure BDA0003336986300000035
为正则化项，用于防止XGBoost模型过拟合；w为每个叶子节点的得分；γ和λ为用来避免过拟合的控制因子；
将式(4)中的目标函数写为：
Figure BDA0003336986300000036
上式中，
Figure BDA0003336986300000037
为损失函数，用于反应添加的节点对目标函数影响；ft为第t棵树的权重函数；，ft(xi)为第t棵树的相关函数；
Figure BDA0003336986300000038
步骤2.3、当创建新树来拟合上次迭代遗留的残差时：
Figure BDA0003336986300000039
上式中，
Figure BDA00033369863000000310
为第t次迭代时样本i的预测值，ft(xi)为第t棵树的相关函数；
对式(7)进行二阶泰勒展开，得到：
Figure BDA0003336986300000041
上式中，
Figure BDA0003336986300000042
分别是损失函数
Figure BDA0003336986300000043
对于
Figure BDA0003336986300000044
的一阶和二阶的偏导数；对于第t次迭代，
Figure BDA0003336986300000045
和
Figure BDA0003336986300000046
都是常数，所以式(10)又写为：
Figure BDA0003336986300000047
将式(6)代入式(11)中，式(6)中Ω(θ)与式(11)中Ω(ft)表示同一含义，均为平滑各叶子节点之间的权重；
由于每个实例最后都将归入一个叶子节点，可以将对样本的遍历变化为对于叶子节点的遍历，并合并相同的项：
Figure BDA0003336986300000048
上式中，Ij＝{i|q(xi)＝j}表示叶子节点j的实例集；
令
Figure BDA0003336986300000049
将式(12)化简为：
Figure BDA00033369863000000410
对wj求偏导，令偏导数等于0时，得到叶子节点j得分wj中的最优值
Figure BDA00033369863000000411
求出的最优值
Figure BDA00033369863000000412
和目标函数如下：
Figure BDA0003336986300000051
Figure BDA0003336986300000052
计算选择的分裂特征带来的增益，选取合适的分裂特征；
Gain＝Obj(L+R)-(ObjL+ObjR) (15)
Figure BDA0003336986300000053
上式中，Gain为增益函数，Obj(L+R)为节点分裂前的值，(ObjL+ObjR)为节点分裂为左右两个节点后的值；如果Gain值为正，并且值越大，表示越值得切分；如果Gain值为负，表示不值得切分；
步骤2.4、XGBoost模型利用贪婪算法遍历所有特征的分裂节点，得到XGBoost模型K棵树中每棵树的最佳分裂点，进行节点分裂；
步骤2.5、设置限制生长条件，防止XGBoost模型过拟合，当达到限制生长条件时，终止建树；
步骤2.6、进行XGBoost模型调参：选用最大深度(max_depth)、学习率(learning_rate)、弱学习器数目(n_estimators)作为调节参数，采用sklearn中的GridSearchCV来调节参数；输入参数的调节范围，得到最优的参数；这个XGBoost模型调参方法适合于小数据集。
作为优选，步骤2.5中限制生长条件具体为：当节点分裂的增益函数Gain<0时，表示无法为目标函数带来优化，放弃分裂；当树达到规定的最大深度时，停止建树；当分裂一次后，左叶子或右叶子样本数小于1时，放弃分裂。
作为优选，步骤3中用训练集训练XGBoost模型，使用均方根误差RMSE和决定系数R2来衡量XGBoost模型的准确性；
Figure BDA0003336986300000054
Figure BDA0003336986300000055
上式中，yi表示质量流量系数的实际值，
Figure BDA0003336986300000061
表示质量流量系数实际值的平均值，
Figure BDA0003336986300000062
表示质量流量系数的预测值；决定系数R2的取值范围为[0,1]，R2值越接近1，样本中质量流量系数的预测值和真实值误差越小，表示回归分析中自变量对因变量的解释越好。
作为优选，步骤3.2中用相对误差、均方根误差来分析电子膨胀阀质量流量预测值和电子膨胀阀质量流量测量值的拟合效果的公式具体为：
Figure BDA0003336986300000063
Figure BDA0003336986300000064
上式中，mp为电子膨胀阀质量流量预测值，me为电子膨胀阀质量流量测量值，RD表示相对误差，RMS表示均方根误差，n为电子膨胀阀质量流量值的总个数，RDi表示第i个电子膨胀阀质量流量值的相对误差。
作为优选，步骤2采用Python语言搭建XGBoost模型；XGBoost模型使用K棵树中每棵树对样本预测值的和作为该样本在XGBoost系统中的预测，K为树的总数。
本发明的有益效果是：本发明为热泵/制冷企业根据实际需要选择合适的电子膨胀阀提供一种可靠、准确的方法。本发明利用公开的制冷剂流经电子膨胀阀的实验数据进行实验，以数据中的阀门直径、入口压力、出口压力、入口温度、过冷度和阀门开度设为预测变量，将质量流量系数设为目标值，结合回归任务的基本评价指标RMSE、MAE和R2对预测质量流量系数和实际的质量流量系数进行比较，以评估已建立的XGBoost模型的准确性。
附图说明
图1为XGboost集成树模型示意图；
图2为R2值变化曲线图；
图3为测试集RMSE变化曲线图；
图4为预测值和测量值的比较结果曲线图；
图5为XGBoost模型与另外两个模型相对误差的比较结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例一
本申请实施例一提供了一种基于XGBoost的电子膨胀阀质量流量特性预测方法：
步骤1、因为各个参数的量纲并不相同，会对数据分析的结果产生影响，为了消除参数之间的量纲影响，用Buckinghamπ原理对参数进行无量纲化处理，再采用Z-score标准化方法对参数进行归一化处理；处理后的参数构成数据集，进行数据集划分；
步骤2、搭建XGBoost模型，XGBoost模型为树集成模型；
步骤3、用训练集训练XGBoost模型，用测试集来评估XGBoost模型的精度；使用XGBoost模型预测得到电子膨胀阀的质量流量。
实施例二
在实施例一的基础上，本申请实施例二提供了实施例一在现实中的应用：
Step1：对数据预处理，标准化、归一化处理，将不同的物理量无量纲化；
Step2：分割数据集，将70％的数据划为训练集，30％划为预测集；
Step3：如图1所示，搭建XGBoost模型并进行训练；
Step4：对XGboost模型进行参数调节，选取最佳参数；
Step5：将预测集数据代入模型进行预测；
Step6：将预测数据与真实数据做对比，评估模型准确性；
Step7：生成真实值-预测值对比结果图，直观评估模型的预测效果。
根据XGBoost模型的原理和最终的调参结果，本发明电子膨胀阀质量流量特性预测方法，采用学习率为0.06，最大深度为9，正则化项使用L2正则化，损失函数使用平方损失函数，最小叶子样本数为1的设置。
图2和图3显示的结果与调参结果吻合，证明提出的XGBoost模型是可行和可靠的，不仅是因为在训练和测试中都有令人满意的评估分数，而且因为训练集和测试集之间的性能差距非常小，说明没有出现过拟合问题。
为进一步检验提出的XGBoost模型的预测效果，将一个拥有阀门直径、入口压力、出口压力、入口温度、过冷度、阀门开度和质量流量系数的数据集输入模型中以验证模型的预测准确性。并将预测结果与真实数据进行对比，并与现有预测模型进行对比。XGBoost模型预测的部分实际值、部分预测值、部分单个预测的准确度和模型整体准确度如下表1所示：
表1XGBoost部分实际值、部分预测值、部分单个预测的准确度和模型整体准确度表
Figure BDA0003336986300000081
由图4和表1可知XGBoost模型准确率高，总体均方根误差低至2.2％。由图5可知，与现有的另外两个模型相比，XGboost模型的误差在0的附近上下波动，拟合效果良好，明显优于另外的两个模型。
综上所述，基于XGBoost机器学习的电子膨胀阀质量流量特性预测方法可以准确、可靠的预测制冷剂流经电子膨胀阀的质量流量，可以为热泵/制冷领域的各企业根据实际需要选择合适的电子膨胀阀提供一定的参考。

Claims (8)

1.一种基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于，包括以下步骤：
步骤1、用Buckinghamπ原理对参数进行无量纲化处理，再采用Z-score标准化方法对参数进行归一化处理；处理后的参数构成数据集，进行数据集划分；
步骤1.1、用Buckinghamπ原理对实验收集的对制冷剂流量具有决定性影响的参数进行无量纲化处理：
Figure FDA0003336986290000011
Figure FDA0003336986290000012
Figure FDA0003336986290000013
Figure FDA0003336986290000014
π5＝z (1)
上式中，π1～π5表示无量纲化后的五个参数，Pin表示膨胀阀入口压力，Pout表示膨胀阀出口压力，Pc表示临界状态压力，Tsub表示制冷剂的过冷度，Tc表示临界状态温度，vg表示气体粘度系数，vf表示液体粘度系数，σ表示制冷剂的表面张力，D表示膨胀阀的直径，z表示膨胀阀开度；
步骤1.2、采用Z-score标准化方法对参数进行归一化处理；
步骤1.3、将数据集中的经过步骤1.1至步骤1.2处理后的对制冷剂流量具有决定性影响的参数进行随机打乱，将数据集划分为训练集和测试集；
步骤2、搭建XGBoost模型，XGBoost模型为树集成模型；
步骤3、用训练集训练XGBoost模型，用测试集来评估XGBoost模型的精度；使用XGBoost模型预测得到电子膨胀阀的质量流量；
步骤3.1、电子膨胀阀的质量流量特性关联式表示为：
Figure FDA0003336986290000015
上式中，Cd为质量流量系数；A为膨胀阀口的流通面积，单位为m2；Pin、Pout分别为制冷剂在电子膨胀阀入口和出口的压力，单位均为kPa；ρ表示制冷剂的密度，单位为kg/m3；
步骤3.2、将XGBoost模型预测得到的质量流量系数Cd经式(19)转化为质量流量之后，再用相对误差、均方根误差来分析电子膨胀阀质量流量预测值和电子膨胀阀质量流量测量值的拟合效果。
2.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于，步骤1.2中Z-score标准化的公式具体为：
Figure FDA0003336986290000021
上式中，
Figure FDA0003336986290000027
为标准化值；x为原始值；μ为均值；σ为标准层，数值区间为[-1,1]。
3.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于，步骤1.3中将数据集的70％划分为训练集，将数据集中剩余数据作为测试集。
4.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于，步骤2具体包括如下步骤：
步骤2.1、给定一个拥有n个样本和m个特征的数据集D＝(xi,yi)(|D|＝n，xi∈Rm,yi∈R)，定义函数如下：
Figure FDA0003336986290000022
上式中，xi为第i个自变量，yi为第i个因变量，
Figure FDA0003336986290000023
为预测值，Rm为整个m维空间，R为整体实数，φ(xi)为关于xi的函数,fk()为第k棵树的权重函数；K为XGBoost树的总数；
步骤2.2、构建XGBoost模型的目标函数：
Obj(θ)＝L(θ)+Ω(θ) (4)
L(θ)是用来衡量预测值和测量值之间误差的损失函数：
Figure FDA0003336986290000024
Ω(θ)是用来衡量XGBoost模型复杂程度的函数，用Ω(θ)来平滑各叶子节点之间的权重避免过拟合：
Figure FDA0003336986290000025
上式中，T为叶子节点的个数；
Figure FDA0003336986290000026
为正则化项，用于防止XGBoost模型过拟合；w为每个叶子节点的得分；γ和λ为用来避免过拟合的控制因子；
将式(4)中的目标函数写为：
Figure FDA0003336986290000031
上式中，
Figure FDA0003336986290000032
为损失函数，用于反应添加的节点对目标函数影响；ft为第t棵树的权重函数；，ft(xi)为第t棵树的相关函数；
Figure FDA0003336986290000033
步骤2.3、当创建新树来拟合上次迭代遗留的残差时：
Figure FDA0003336986290000034
上式中，
Figure FDA0003336986290000035
为第t次迭代时样本i的预测值，ft(xi)为第t棵树的相关函数；
对式(7)进行二阶泰勒展开，得到：
Figure FDA0003336986290000036
上式中，
Figure FDA0003336986290000037
分别是损失函数
Figure FDA0003336986290000038
对于
Figure FDA0003336986290000039
的一阶和二阶的偏导数；对于第t次迭代，
Figure FDA00033369862900000310
和
Figure FDA00033369862900000311
都是常数，所以式(10)又写为：
Figure FDA00033369862900000312
将式(6)代入式(11)中，式(6)中Ω(θ)与式(11)中Ω(ft)表示同一含义，均为平滑各叶子节点之间的权重；
将对样本的遍历变化为对于叶子节点的遍历，并合并相同的项：
Figure FDA0003336986290000041
上式中，Ij＝{i|q(xi)＝j}表示叶子节点j的实例集；
令
Figure FDA0003336986290000042
将式(12)化简为：
Figure FDA0003336986290000043
对wj求偏导，令偏导数等于0时，得到叶子节点j得分wj中的最优值
Figure FDA0003336986290000044
求出的最优值
Figure FDA0003336986290000045
和目标函数如下：
Figure FDA0003336986290000046
Figure FDA0003336986290000047
计算选择的分裂特征带来的增益，选取合适的分裂特征；
Gain＝Obj(L+R)-(ObjL+ObjR) (15)
Figure FDA0003336986290000048
上式中，Gain为增益函数，Obj(L+R)为节点分裂前的值，(ObjL+ObjR)为节点分裂为左右两个节点后的值；如果Gain值为正，并且值越大，表示越值得切分；如果Gain值为负，表示不值得切分；
步骤2.4、XGBoost模型利用贪婪算法遍历所有特征的分裂节点，得到XGBoost模型K棵树中每棵树的最佳分裂点，进行节点分裂；
步骤2.5、设置限制生长条件，当达到限制生长条件时，终止建树；
步骤2.6、进行XGBoost模型调参：选用最大深度、学习率、弱学习器数目作为调节参数，采用sklearn中的GridSearchCV来调节参数；输入参数的调节范围，得到最优的参数。
5.根据权利要求4所述基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于，步骤2.5中限制生长条件具体为：当节点分裂的增益函数Gain<0时，表示无法为目标函数带来优化，放弃分裂；当树达到规定的最大深度时，停止建树；当分裂一次后，左叶子或右叶子样本数小于1时，放弃分裂。
6.根据权利要求1或4所述基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于：步骤3中用训练集训练XGBoost模型，使用均方根误差RMSE和决定系数R2来衡量XGBoost模型的准确性；
Figure FDA0003336986290000051
Figure FDA0003336986290000052
上式中，yi表示质量流量系数的实际值，
Figure FDA0003336986290000053
表示质量流量系数实际值的平均值，
Figure FDA0003336986290000054
表示质量流量系数的预测值；决定系数R2的取值范围为[0,1]，R2值越接近1，样本中质量流量系数的预测值和真实值误差越小，表示回归分析中自变量对因变量的解释越好。
7.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于，步骤3.2中用相对误差、均方根误差来分析电子膨胀阀质量流量预测值和电子膨胀阀质量流量测量值的拟合效果的公式具体为：
Figure FDA0003336986290000055
Figure FDA0003336986290000056
上式中，mp为电子膨胀阀质量流量预测值，me为电子膨胀阀质量流量测量值，RD表示相对误差，RMS表示均方根误差，n为电子膨胀阀质量流量值的总个数，RDi表示第i个电子膨胀阀质量流量值的相对误差。
8.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法，其特征在于：步骤2采用Python语言搭建XGBoost模型；XGBoost模型使用K棵树中每棵树对样本预测值的和作为该样本在XGBoost系统中的预测，K为树的总数。
CN202111310253.5A 2021-11-04 2021-11-04 基于XGBoost的电子膨胀阀质量流量特性预测方法 Pending CN114021461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111310253.5A CN114021461A (zh) 2021-11-04 2021-11-04 基于XGBoost的电子膨胀阀质量流量特性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111310253.5A CN114021461A (zh) 2021-11-04 2021-11-04 基于XGBoost的电子膨胀阀质量流量特性预测方法

Publications (1)

Publication Number Publication Date
CN114021461A true CN114021461A (zh) 2022-02-08

Family

ID=80061930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111310253.5A Pending CN114021461A (zh) 2021-11-04 2021-11-04 基于XGBoost的电子膨胀阀质量流量特性预测方法

Country Status (1)

Country Link
CN (1) CN114021461A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997051A (zh) * 2022-05-30 2022-09-02 浙大城市学院 一种基于迁移学习的航空发动机寿命预测与健康评估方法
CN115879378A (zh) * 2023-01-04 2023-03-31 清陶(昆山)能源发展股份有限公司 一种电芯的膨胀力预测模型的训练方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498534A (zh) * 2008-12-08 2009-08-05 天津大学 制冷空调热泵系统电子膨胀阀多目标智能控制方法
CN108763721A (zh) * 2018-05-23 2018-11-06 特灵空调系统(中国)有限公司 空调系统充注量的仿真方法
CN113569355A (zh) * 2021-07-27 2021-10-29 浙大城市学院 一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498534A (zh) * 2008-12-08 2009-08-05 天津大学 制冷空调热泵系统电子膨胀阀多目标智能控制方法
CN108763721A (zh) * 2018-05-23 2018-11-06 特灵空调系统(中国)有限公司 空调系统充注量的仿真方法
CN113569355A (zh) * 2021-07-27 2021-10-29 浙大城市学院 一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张川,马善伟,陈江平,陈芝久: "电子膨胀阀制冷剂流量系数经验模型的试验研究" *
徐廷喜: "数据中心空调系统在线故障检测与诊断研究" *
翟千钧: "绝热毛细管快速显式计算模型研究" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997051A (zh) * 2022-05-30 2022-09-02 浙大城市学院 一种基于迁移学习的航空发动机寿命预测与健康评估方法
CN114997051B (zh) * 2022-05-30 2023-05-09 浙大城市学院 一种基于迁移学习的航空发动机寿命预测与健康评估方法
CN115879378A (zh) * 2023-01-04 2023-03-31 清陶(昆山)能源发展股份有限公司 一种电芯的膨胀力预测模型的训练方法及装置
CN115879378B (zh) * 2023-01-04 2023-10-20 清陶(昆山)能源发展股份有限公司 一种电芯的膨胀力预测模型的训练方法及装置

Similar Documents

Publication Publication Date Title
CN109164343B (zh) 基于特征信息量化与加权knn的变压器故障诊断方法
CN114021461A (zh) 基于XGBoost的电子膨胀阀质量流量特性预测方法
CN103389472B (zh) 一种基于nd-ar模型的锂离子电池循环寿命的预测方法
CN110334726A (zh) 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法
CN109583008B (zh) 基于逐步回归的冷水机组能效模型通用建模方法
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
Gao et al. Fault detection and diagnosis method for cooling dehumidifier based on LS-SVM NARX model
CN114484731A (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN108897354B (zh) 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法
CN107491840B (zh) 基于elm神经网络模型的流动磨损特性预测及寿命评估方法
CN113551744A (zh) 一种超声流量计性能在线监测方法及系统
CN109058151A (zh) 一种基于预测模型的离心压缩机防喘振控制方法
CN114202111A (zh) 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测
CN115344019A (zh) 一种基于复合智能算法的天然气计量流量调节工艺
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
CN111695288B (zh) 一种基于Apriori-BP算法的变压器故障诊断方法
CN113780420A (zh) 基于gru-gcn的变压器油中溶解气体浓度预测方法
CN114583767B (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN115827411A (zh) 一种用于自动化设备的在线监测及运维评估系统和方法
CN113432247B (zh) 基于图神经网络的冷水机组能耗预测方法、系统及存储介质
CN113640633A (zh) 一种气体绝缘组合电器设备故障定位方法
CN113051820A (zh) 基于卷积神经网络的跨流域气动参数模拟方法
CN110702438B (zh) 一种离心式冷水机组与新风系统联合故障诊断方法
CN114970698A (zh) 一种基于改进lwpls的计量设备运行性能预测方法
CN111275320B (zh) 一种发电机组的性能调整数据处理方法、系统和存储介质

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