CN114658631B - 基于人工智能的提升压缩机cop的喷液调节方法及系统 - Google Patents
基于人工智能的提升压缩机cop的喷液调节方法及系统 Download PDFInfo
- Publication number
- CN114658631B CN114658631B CN202210547796.7A CN202210547796A CN114658631B CN 114658631 B CN114658631 B CN 114658631B CN 202210547796 A CN202210547796 A CN 202210547796A CN 114658631 B CN114658631 B CN 114658631B
- Authority
- CN
- China
- Prior art keywords
- compressor
- cop
- sequence
- value
- classification
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B39/00—Component parts, details, or accessories, of pumps or pumping systems specially adapted for elastic fluids, not otherwise provided for in, or of interest apart from, groups F04B25/00 - F04B37/00
- F04B39/06—Cooling; Heating; Prevention of freezing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的提升压缩机COP的喷液调节方法及系统,包括:当首次和第二次满足压缩机降温条件时,分别按照压缩机喷液量序列中的第一个喷液量和第二个喷液量对压缩机降温,得到第一、二压缩机COP值;若第二压缩机COP值大于第一压缩机COP值,将第一、二压缩机COP值输入到压缩机COP预测网络中,预测按照压缩机喷液量序列中的第三个喷液量对压缩机降温时压缩机的第三压缩机COP值,重复上述步骤,直至根据前面的所有压缩机COP值预测出的压缩机COP值不大于其前一个压缩机COP值,以得到最佳喷液量;后续按照最佳喷液量对压缩机降温。本发明通过压缩机COP预测网络,可以预测出压缩机最佳喷液量,有效提高了压缩机效率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的提升压缩机COP的喷液调节方法及系统。
背景技术
目前压缩机的过热大多数是通过制冷液喷射的方式进行的,但由于压缩机环境多样,不同的工况需要匹配不同的喷液策略。目前的压缩机喷液大多是通过排气温度传感器反馈直接控制制冷剂喷射,温度和喷液量之间的映射关系需要通过人工在现场进行优化。制冷剂液体喷射过少会导致下次喷液的动作频繁发生,降低喷液阀门的寿命。制冷剂液体喷射过多会导致润滑油的粘度下降,从而使润滑效果变差,喷射过多的制冷剂液体会导致润滑油的迁移而使润滑油进入系统中,进一步影响压缩机效率和寿命。
目前的压缩机工作过程中,喷液操作主要取决于温度是否达到临界值,进而进行定量的喷液操作实现降温。对于不同工况,压缩机的喷液量(时间和喷液量)是需要进行微调的,进而提高压缩机的工作效率,并抑制高温过热的问题,当下普遍的做法是定期对压缩机进行维护,使得定时喷液的喷液量随工况的模式而改变。但是由于维护通常不及时,当压缩机工况模式发生改变使,从而导致压缩机效率较低,无法满足工业要求。
发明内容
本发明的目的在于提供一种基于人工智能的提升压缩机COP的喷液调节方法及系统,用于解决现有压缩机效率较低的问题。
为了解决上述技术问题,本发明提供了一种基于人工智能的提升压缩机COP的喷液调节方法,包括以下步骤:
获取预先训练好的压缩机COP预测网络以及压缩机喷液量序列,所述压缩机喷液量序列包括依次递增的N个喷液量;
实时获取压缩机温度,当压缩机温度首次满足压缩机降温条件时,按照压缩机喷液量序列中的第一个喷液量对压缩机降温,得到第一压缩机COP值;当压缩机温度第二次满足压缩机降温条件时,按照压缩机喷液量序列中的第二个喷液量对压缩机降温,得到第二压缩机COP值;
将第二压缩机COP值与第一压缩机COP值进行比较,若第二压缩机COP值大于第一压缩机COP值,将第一压缩机COP值和第二压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络预测按照压缩机喷液量序列中的第三个喷液量对压缩机降温时压缩机的第三压缩机COP值;
将第三压缩机COP值与第二压缩机COP值进行比较,若第三压缩机COP值大于第二压缩机COP值,将第一压缩机COP值、第二压缩机COP值和第三压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络预测按照缩机喷液量序列中的第四个喷液量对压缩机降温时压缩机的第四压缩机COP值,将第四压缩机COP值与第三压缩机COP值进行比较,并重复上述步骤,直至预测出来的压缩机COP值不大于其前一个压缩机COP值,并将其前一个压缩机COP值所对应的缩机喷液量序列中的喷液量作为最佳喷液量;
当压缩机温度再次满足压缩机降温条件时,按照所述最佳喷液量对压缩机降温。
进一步的,训练好的压缩机COP预测网络的获取步骤包括:
构建压缩机COP预测网络,并获取压缩机COP预测网络的训练数据集,利用训练数据集对构建的压缩机COP预测网络进行训练,从而得到训练好的压缩机COP预测网络;所述获取压缩机COP预测网络的训练数据集步骤包括:
确定压缩机喷液量序列,所述压缩机喷液量序列包括依次递增的N个喷液量;
根据压缩机喷液量序列,获取M个压缩机冷却样本,每个压缩机冷却样本均包括依次按照压缩机喷液量序列中的N个喷液量分别对压缩机降温时所得到的压缩机COP值序列和温度值序列;
根据M个压缩机冷却样本中的压缩机COP值序列,对应得到M个压缩机冷却样本中的压缩机COP特征序列,根据M个压缩机冷却样本中的压缩机COP特征序列,对M个压缩机冷却样本进行分类,得到Q个分类簇;
根据Q个分类簇中的各个压缩机冷却样本中的温度值序列和压缩机COP特征序列,计算任意两个分类簇之间的分类簇相似性指标;
根据Q个分类簇中任意两个分类簇之间的分类簇相似性指标,从Q个分类簇中确定K个分类簇匹配对;
在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,分别确定压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对;
根据在每个分类簇匹配对中,压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对,获取压缩机喷液量序列中的N个喷液量所对应的拼接压缩机COP值序列;
将每个分类簇匹配对中所获得的所有拼接压缩机COP值序列作为压缩机COP预测网络的训练数据集。
进一步的,根据M个压缩机冷却样本中的压缩机COP特征序列,对M个压缩机冷却样本进行分类,得到Q个分类簇的步骤包括:
利用改进的Kmeans聚类方法,对M个压缩机冷却样本中的压缩机COP特征序列进行分类,从而得到Q个分类结果;
根据Q个分类结果,对应对M个压缩机冷却样本进行分类,从而得到Q个分类簇;
所述改进的Kmeans聚类方法包括:从M个压缩机冷却样本中的压缩机COP特征序列中确定每个分类的压缩机COP特征序列中心,并计算每一个压缩机冷却样本中的压缩机COP特征序列与每个分类的压缩机COP特征序列中心的距离,所述距离的计算公式为:
进一步的,根据Q个分类簇中的各个压缩机冷却样本中的温度值序列和压缩机COP特征序列,计算任意两个分类簇之间的分类簇相似性指标的步骤包括:
根据Q个分类簇中的各个压缩机冷却样本中的温度值序列,确定每个分类簇中的最大温度值和最小温度值,并根据每个分类簇中的最大温度值和最小温度值,计算任意两个分类簇的温度区间交并比;
根据Q个分类簇中的各个压缩机冷却样本中的压缩机COP特征序列,计算任意两个分类簇中的样本相关性指标值;
根据任意两个分类簇的温度区间交并比和样本相关性指标值,计算任意两个分类簇之间的分类簇相似性指标。
进一步的,任意两个分类簇的温度区间交并比对应的计算公式为:
进一步的,任意两个分类簇中的样本相关性指标值对应的计算公式为:
其中,为分类簇X和分类簇Y的样本相关性指标值,为分类簇X中的第i个压缩机COP特征序列,为分类簇Y中的第j个压缩机COP特征序列,为和的皮尔逊系数,为分类簇X中压缩机COP特征序列的总数目,为分类簇Y中压缩机COP特征序列的总数目。
进一步的,在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,分别确定压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对的步骤包括:
在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,计算一个分类簇中的任意一个压缩机COP特征序列与另外一个分类簇中的任意一个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值;
在每个分类簇匹配对中,根据所有的所述相关性值,对两个分类簇中的压缩机COP特征序列做最大分配,从而获得压缩机喷液量序列中的每一个喷液量所对应的压缩机冷却样本匹配对。
进一步的,计算一个分类簇中的任意一个压缩机COP特征序列与另外一个分类簇中的任意一个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值对应的计算公式为:
其中,为分类簇X中的第i个压缩机COP特征序列和分类簇Y中的第j个压缩机COP特征序列在压缩机喷液量序列中的第k个喷液量所对应的相关性值,为分类簇X中的第i个压缩机COP特征序列中在压缩机喷液量序列中的第k+1个喷液量所对应的压缩机COP特征,为分类簇X中的第i个压缩机COP特征序列中在压缩机喷液量序列中的第k个喷液量所对应的压缩机COP特征,为分类簇Y中的第j个压缩机COP特征序列中在压缩机喷液量序列中的第k+1个喷液量所对应的压缩机COP特征,为分类簇Y中的第j个压缩机COP特征序列中在压缩机喷液量序列中的第k个喷液量所对应的压缩机COP特征。
进一步的,还包括:
在每个分类簇匹配对中,根据获得的压缩机喷液量序列中的每一个喷液量所对应的压缩机冷却样本匹配对所对应的相关性值以及该分类簇匹配对之间的分类簇相似性指标,计算该压缩机冷却样本匹配对所对应的拼接压缩机COP值序列的权重值;
利用每个分类簇匹配对中的每个压缩机冷却样本匹配对所对应的拼接压缩机COP值序列的权重值,对压缩机COP预测网络的训练损失函数进行校正。
为了解决上述技术问题,本发明还提供了一种基于人工智能的提升压缩机COP的喷液调节系统,包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现上述的基于人工智能的提升压缩机COP的喷液调节方法。
本发明具有如下有益效果:通过获取按照压缩机喷液量序列中的前两个喷液量对压缩机降温所得到的第一压缩机COP值和第二压缩机COP值,在第二压缩机COP值大于第一压缩机COP值的情况下,根据这两个压缩机COP值,利用压缩机COP预测网络预测获取按照缩机喷液量序列中下一个喷液量对压缩机降温所得到的压缩机COP值,若新获取的压缩机COP值大于其前面的压缩机COP值,则根据前面获取的所有压缩机COP值,利用压缩机COP预测网络预测后去按照缩机喷液量序列中下下一个喷液量对压缩机降温所得到的压缩机COP值,直至预测出不大于其前一个压缩机COP值的压缩机COP值,进而得到最佳喷液量。由于本发明在压缩机工况发生改变时,可以利用预先训练好的压缩机COP预测网络,自动对压缩机当前工况下的压缩机COP值进行预测,从而确定最佳喷液量,并按照最佳喷液量对压缩机喷液量进行及时调整,无需人为干预,有效提高了压缩机效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的基于人工智能的提升压缩机COP的喷液调节方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式个合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
由于压缩机的工况主要与工作湿度、温度、通风条件等因素有关,由于对上述因素单独建模难度大、工作量大,因此不具备现实意义。而根据压缩机喷液的工作模式,可以对不同压缩机的工况进行粗分类,并基于此对压缩机的最优喷液量进行确定。
基于上述分析,本实施例提供了一种基于人工智能的提升压缩机COP的喷液调节方法,该方法通过采集各压缩机的实际工况数据,根据采集到的这些实地工况数据,来构建相应的训练数据集,利用训练数据集对由深度神经网络构成的压缩机COP预测网络进行训练,进而利用训练好的压缩机COP预测网络来预测压缩机的最优喷液量,以提高压缩机工作效率。
具体的,如图1所示,该基于人工智能的提升压缩机COP的喷液调节方法包括以下步骤:
步骤S1:获取训练好的压缩机COP预测网络。
(1-1)获取压缩机COP预测网络的训练数据集,具体步骤如下:
(1-1-1) 确定压缩机喷液量序列,该压缩机喷液量序列包括依次递增的N个喷液量。
由于压缩机喷液量和温度下降值之间有正相关特征,喷液量和压缩机的制冷性能损失即压缩机COP之间有非线性相关特征,非线性相关特征主要是因为压缩机的负载、工作湿度等因素的影响导致的,因此对压缩机的工作特性进行如下采集:
首先,压缩机的喷液量取决于喷液时间和阀门开度,而一些低成本的压缩机没有改变开度的电磁阀,本实施例针对的就是这种阀门开度不能够改变的其中一种压缩机。假设这种压缩机的阀门开度为全开,流量恒定,因此喷液量与喷液时间成正比。
为了方便理解,本实施例中使用喷液量A作为具体喷液量参数,设压缩机的喷液量设计区间为,在该压缩机的喷液量设计区间,确定N个喷液量,也就是N个喷液量等级,这个N个喷液量按照从小到大的顺序排列,构成一个压缩机喷液量序列。在本实施例中,确定的喷液量的个数为32,即N=32,每两个相邻喷液量的差值为恒定值S=,此时压缩机喷液量序列为(, , ,……,, ),,。
(1-1-2)根据压缩机喷液量序列,获取M个压缩机冷却样本,每个压缩机冷却样本均包括依次按照压缩机喷液量序列中的N个喷液量分别对压缩机降温时所得到的压缩机COP值序列和温度值序列。
在某一种工况下,当压缩机工作温度达到喷液阈值时,按照压缩机喷液量序列中的N个喷液量依次对压缩机降温,在每次压缩机降温后,测量相应的压缩机COP值和温度值,此时对应N个喷液量就可以对应得到N个压缩机COP值和N个温度值,N个压缩机COP值构成一个缩机COP值序列(COP1,COP2, COP3, ……, COPN),N个温度值构成一个温度值序列(T1,T2,T3, ……, TN),该缩机COP值序列和温度值序列可以构成一个压缩机冷却样本,也就是压缩机所在工况下所有喷液量的喷液性能数据。按照同样的方式,可以获取压缩机在每一个工况下的压缩机冷却样本。
对应每一个压缩机冷却样本,当喷液量A=时,会对应得到最高的降温后的温度,当喷液量A为其它值时,对应得到的降温后的温度值从常理上应低于温度;当喷液量A=时,会对应得到最差COP值,喷液量A为其它值时,对应得到的COP值从常理上应高于最差COP值,但是所得温度值与喷液量A之间的关系以及所得COP值和喷液量A之间的关系可能是非线性的。
(1-1-3)根据M个压缩机冷却样本中的压缩机COP值序列,对应得到M个压缩机冷却样本中的压缩机COP特征序列,进而根据M个压缩机冷却样本中的压缩机COP特征序列,对M个压缩机冷却样本进行分类,得到Q个分类簇。
由于每个压缩机的工作温度也就是环境温度不一,不同温度区间的压缩机的最佳喷液量和降温效果不一,因此需要对不同工况进行分类。如果根据压缩机的工作温度简单聚类则会面临过分割或欠分割的问题,进而导致后续针对工况训练压缩机COP预测网络以预测压缩机最佳喷液量的准确率过低,失去实施意义。因此,需要以过分割的方式进行分类,并在后期进行适当的类间混合,以保证压缩机COP预测网络训练不出现过拟合问题。
在进行分类之前,首先,根据压缩机COP值序列(COP1,COP2, COP3, ……, COPN),构建压缩机COP特征序列,得到随喷液量增加COP相对于最低喷液量时的比例变化的序列,即以喷液量时得到最差的压缩机COP值为基准COP值,将压缩机COP值序列中的每一个压缩机COP值除以该基准COP值,压缩机COP值除以该基准COP值后得到的比值为压缩机COP特征,从而得到压缩机COP特征序列,,压缩机COP特征序列中的每一个元素即为一个压缩机COP特征。
每个压缩机的压缩机COP特征序列受工作温度的强烈影响,对于一个压缩机,若工作温度较低,则压缩机COP特征随温度的变化较为线性,而一个压缩机工况较为恶劣时,压缩机COP特征呈部分非线性。
上述构建压缩机COP特征序列的原因在于,由于每个压缩机的工作负载不同,通过将压缩机COP值序列中的每一个压缩机COP值除以喷液量时得到最差的压缩机COP值,这样就可以更好地表示不同的压缩机在不同工况下,忽略负载的差异,只关心相同散热条件下的COP数据,这就便于后续基于压缩机COP特征序列能够更好地计算两个压缩机之间的散热条件相似性,从而实现对压缩机冷却样本的分类。
在获得M个压缩机冷却样本中的压缩机COP特征序列之后,计算任意两个压缩机COP特征序列之间的皮尔逊系数,也就是COP特性相关性。COP特性相关性度量了两个压缩机的COP提升的线性关系,若两个压缩机COP特征序列呈线性相关,则相关性趋向于1,反之趋向于-1。过度喷液会导致COP的下降,因此,当两个压缩机工作环境不同时,温度较低的压缩机由于容易喷液过量会导致COP变化会更趋近于非线性,反之COP趋近于递增关系。
将任意两个压缩机COP特征序列之间的皮尔逊系数转化为距离:
其中,为压缩机A的压缩机COP特征序列和压缩机B的压缩机COP特征序列之间的皮尔逊系数转化的距离,为压缩机A的压缩机COP特征序列,为压缩机B的压缩机COP特征序列,为压缩机A的压缩机COP特征序列和压缩机B的压缩机COP特征序列之间的皮尔逊系数。
基于上述公式(1)将任意两个压缩机COP特征序列之间的皮尔逊系数转化为的距离,利用改进的Kmeans聚类方法,对M个压缩机冷却样本中的压缩机COP特征序列进行分类,分类步骤为:
(1-1-3-1)首先,确定一个Q值,即希望将M个压缩机冷却样本经过聚类得到Q个分类;
(1-1-3-2)从M个压缩机冷却样本中的压缩机COP特征序列中随机确定Q个压缩机COP特征序列作为Q个分类的压缩机COP特征序列中心;
(1-1-3-3)按照上述的公式(1),计算M个压缩机冷却样本中的每一个压缩机COP特征序列与每一个压缩机COP特征序列中心的距离,将每一个压缩机COP特征序列归类到距离函数最小所对应的分类中;
(1-1-3-4)重新确定Q个分类的压缩机COP特征序列中心,并重复步骤(1-1-3-3)和(1-1-3-4),直至满足方法终止条件,从而最终得到Q个分类结果。
根据最终得到的Q个分类结果,对应对M个压缩机冷却样本进行分类,从而得到Q个分类簇。其中,上述该改进的Kmeans聚类方法相比于现有的Kmeans聚类方法的改进之处仅在于:在计算每一个压缩机COP特征序列与每一个压缩机COP特征序列中心的距离之间的距离时,现有的Kmeans聚类方法计算的是欧式距离,而本实施例中的该改进的Kmeans聚类方法则是基于皮尔逊系数来计算距离。在本实施例中,压缩机冷却样本的个数M为3000,分类结果的个数Q为50。
至此,得到的聚类为过分割结果,每簇的样本都包含一定散热条件下的压缩机冷却样本,且每簇的压缩机冷却样本的压缩机COP特征序列相似,该簇能够描述一种具体工作环境下压缩机喷液的散热性能。
(1-1-4)根据Q个分类簇中的各个压缩机冷却样本中的温度值序列和压缩机COP特征序列,计算任意两个分类簇之间的分类簇相似性指标,具体步骤如下:
(1-1-4-1)根据Q个分类簇中的各个压缩机冷却样本中的温度值序列,确定每个分类簇中的最大温度值和最小温度值,并根据每个分类簇中的最大温度值和最小温度值,计算任意两个分类簇的温度区间交并比。
对于Q个分类簇中的一个分类簇X,根据该分类簇X的各个压缩机冷却样本中的温度值序列,确定该分类簇X对应的起始温度区间,同样,对于Q个分类簇中的另一个分类簇Y,确定该分类簇Y对应的起始温度区间。根据分类簇X和Y对应的起始温度区间,计算这两个分类簇的温度区间交并比,对应的计算公式为:
两个分类簇的温度区间交并比表征的是,两个分类簇的压缩机冷却样本中,所覆盖的温度区间情况,当温度区间交并比为1时,说明两分类簇的温度覆盖范围一致,反之当温度区间交并比为0时,说明两分类簇的温度覆盖范围完全不一致。
(1-1-4-2)根据Q个分类簇中的各个压缩机冷却样本中的压缩机COP特征序列,计算任意两个分类簇中的样本相关性指标值。
对于Q个分类簇中的两个分类簇X和Y,根据分类簇X和Y中的各个压缩机冷却样本中的压缩机COP特征序列,计算这两个分类簇中的样本相关性指标值,对应的计算公式为:
其中,为分类簇X和分类簇Y的样本相关性指标值,为分类簇X中的第i个压缩机COP特征序列,为分类簇Y中的第j个压缩机COP特征序列,为和的皮尔逊系数,为分类簇X中压缩机COP特征序列的总数目,为分类簇Y中压缩机COP特征序列的总数目。
两个分类簇中的样本相关性指标值表征的是,两个分类簇的压缩机冷却样本中,压缩机COP特征序列的平均相关性,当两分类簇的压缩机COP特征序列的平均相关性为1时,说明完全线性正相关,反之为-1时则为完全线性负相关,为0时为完全非线性不相关。对于后续的训练样本的扩展来说,完全线性相关到完全非线性不相关之间的情况值得考虑,因此,当两个分类簇中的样本相关性指标值小于0时,则不再混合这两个分类簇。
(1-1-4-3)根据任意两个分类簇的温度区间交并比和样本相关性指标值,计算任意两个分类簇之间的分类簇相似性指标。
对于Q个分类簇中的两个分类簇X和Y,根据这两个分类簇的温度区间交并比和样本相关性指标值,计算这两个分类簇之间的分类簇相似性指标,对应的计算公式为:
至此,通过上述(1-1-4-1)-(1-1-4-3),可以计算出Q个分类簇中任意两个分类簇之间的分类簇相似性指标。
(1-1-5)根据Q个分类簇中任意两个分类簇之间的分类簇相似性指标,从Q个分类簇中确定K个分类簇匹配对。
将Q个分类簇中两两分类簇进行组合,并根据上述步骤(1-1-4)获取Q个分类簇中任意两分类簇之间的分类簇相似性指标,计算所有分类簇相似性指标大于零的两个分类簇,并将其作为候选的样本对M,也就是分类簇匹配对,同时剔除重复的组合,例如对于两分类簇(X,Y)和(Y,X),此时仅保留两分类簇(X,Y)。
(1-1-6)在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,分别确定压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对。
为了保证后续扩增得到的拼接压缩机COP值序列尽可能平滑,需要计算每个分类簇匹配对中的两个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值,进而根据相关性值,确定压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对,具体步骤包括:
(1-1-6-1)在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,计算一个分类簇中的任意一个压缩机COP特征序列与另外一个分类簇中的任意一个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值。
对于分类簇匹配对M中的两个分类簇X和Y,计算两个分类簇X中的一个压缩机COP特征序列和分类簇Y中的一个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值,对应的计算公式为:
其中,为分类簇X中的第i个压缩机COP特征序列和分类簇Y中的第j个压缩机COP特征序列在压缩机喷液量序列中的第k个喷液量所对应的相关性值,为分类簇X中的第i个压缩机COP特征序列中在压缩机喷液量序列中的第k+1个喷液量所对应的压缩机COP特征,为分类簇X中的第i个压缩机COP特征序列中在压缩机喷液量序列中的第k个喷液量所对应的压缩机COP特征,为分类簇Y中的第j个压缩机COP特征序列中在压缩机喷液量序列中的第k+1个喷液量所对应的压缩机COP特征,为分类簇Y中的第j个压缩机COP特征序列中在压缩机喷液量序列中的第k个喷液量所对应的压缩机COP特征。
在上述的相关性值的计算公式中,分母表示的是在每个分类簇匹配对中,两个压缩机COP特征序列在喷液量的情况下两压缩机COP特征的导数的差异和两压缩机COP特征的差异,两差异越小意味着两个压缩机COP特征序列在喷液量的情况下两压缩机COP特征的变化情况越接近,后期在喷液量所对应的位置处对两个压缩机COP特征序列进行拼接就越平滑。
(1-1-6-2)在每个分类簇匹配对中,基于所有的相关性值,对分类匹配对中的压缩机COP特征序列做最大分配,从而获得压缩机喷液量序列中的每一个喷液量所对应的压缩机冷却样本匹配对。
在通过上述的步骤(1-1-6-1)计算出在每一个分类匹配对中,任意两个压缩机COP特征序列在每一个喷液量所对应的相关性值之后,基于这些相关性值,对分类匹配对中的压缩机COP特征序列做最大分配,找到对应压缩机喷液量序列中的每一个喷液量所对应的压缩机COP特征序列匹配对,k=1、2、3……N,根据压缩机喷液量序列中的每一个喷液量所对应的压缩机COP特征序列匹配对,对应可以得到压缩机喷液量序列中的每一个喷液量所对应的压缩机冷却样本匹配对。在本实施例中,是利用KM算法对分类匹配对中的压缩机COP特征序列做最大分配,以找到对应压缩机喷液量序列中的每一个喷液量所对应的压缩机COP特征序列匹配对,由于利用KM算法做最大分配的步骤属于现有技术,此处不再赘述。由于本实施例中压缩机喷液量序列中的喷液量的数目N=32,因此,通过做最大分配,在每个分类簇匹配对中,可以确定对应32个喷液量的32个压缩机COP特征序列匹配对,进而可以得到对应32个喷液量的32个压缩机冷却样本匹配对。
(1-1-7)根据在每个分类簇匹配对中,压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对,获取压缩机喷液量序列中的N个喷液量所对应的拼接压缩机COP值序列。同时,根据获得的压缩机喷液量序列中的每一个喷液量所对应的压缩机冷却样本匹配对所对应的相关性值以及该分类簇匹配对之间的分类簇相似性指标,计算该压缩机冷却样本匹配对所对应的拼接压缩机COP值序列的权重值。
在每个分类簇匹配对中,根据所确定的对应32个喷液量的32个压缩机冷却样本匹配对,将每个压缩机冷却样本匹配对所对应的两个压缩机COP值序列在对应的喷液量进行拼接,即根据压缩机冷却样本匹配对所对应的喷液量,将压缩机冷却样本匹配对对应的两个压缩机COP值序列均划分为头部COP值序列和尾部COP值序列,选择将一个压缩机COP值序列的头部COP值序列与另外一个压缩机COP值序列的尾部COP值序列进行拼接组合,进而可以得到拼接压缩机COP值序列。例如,对于分类簇匹配对M中的两个分类簇X和Y,所确定的压缩机喷液量序列中的喷液量所对应的压缩机冷却样本匹配对为X i 和Y j ,X i 的压缩机COP值序列为(COPi1,COPi2, COPi3, ……, COPi10, COPi11, ……,COPiN), Y j 的压缩机COP值序列为(COPj1,COPj2, COPj3, ……, COPj10, COPj11 , ……,COPjN),那么压缩机喷液量序列中的喷液量所对应的拼接压缩机COP值序列为(COPi1,COPi2, COPi3, ……, COPi10,COPj11,……,COPjN)。
在每个分类簇匹配对中,通过计算两个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值,并基于该相关值得到拼接压缩机COP值序列,可以保证最终得到的拼接压缩机COP值序列是尽可能平滑的。
在获得拼接压缩机COP值序列之后,根据每个压缩机冷却样本匹配对在对应喷液量所对应的相关性值,以及每个压缩机冷却样本匹配对所对应的分类簇匹配对之间的分类簇相似性指标,计算该拼接压缩机COP值序列的权重值:
其中,为分类簇匹配对X和Y之间的分类簇相似性指标,为分类簇匹配对X和Y在喷液量所对应的压缩机冷却样本匹配对和所对应的相关性值,为压缩机冷却样本匹配对和所对应的拼接压缩机COP值序列的权重值。由于和的值域在(0,1]之间,因此权重值Q的值域在(0,1]之间。
通过上述步骤,完成了对每个分类簇匹配对中压缩机COP值序列的组合过程,并保证了组合的压缩机COP值序是属于同一工况的。
(1-1-8)将每个分类簇匹配对中所获得的所有拼接压缩机COP值序列作为压缩机COP预测网络的训练数据集。
在获得每个分类簇匹配对中,压缩机喷液量序列中的每一个喷液量所对应的拼接压缩机COP值序列以及对应的权重值之后,将每一个拼接压缩机COP值序列作为一个训练样本,由这些训练样本构成压缩机COP预测网络的训练数据集。
(1-2)构建压缩机COP预测网络。
利用时间卷积网络TCN来搭建压缩机COP预测网络,该压缩机COP预测网络实质上是一种序列预测网络,可以实现根据喷液量从小到大的顺序所对应的压缩机COP值序列的前一部分,来预测压缩机COP值序列的下一个值这一目的。由于在已知压缩机COP预测网络实现目的的情况下,为了实现这一目的而具体如何利用时间卷积网络TCN来搭建压缩机COP预测网络的过程,属于本领域技术人员的公知常识,本实施例不再进行赘述。
在构建压缩机COP预测网络时,需要根据喷液量等级的个数,来确定时间卷积网络TCN的窗口大小W,建议的W为喷液等级的1/4左右。在本实施例中,由于喷液量等级有32个,因此时间卷积网络TCN的窗口大小W=8。并且,时间卷积网络TCN使用一层隐含层,由于窗口大小W=8,空洞卷积的窗口分别为1、4、8,其中卷积的连接方式是causal convolution(因果卷积)。
本实施例的配置意味着训练样本中需要含有8个样本,若输入序列长度不足则需要在样本前补0处理。具体补零的方式是公知的,本实施例不再赘述。
在本实施例中,压缩机COP预测网络的损失函数为均方差损失函数,该均方差损失函数与现有技术中每个样本占损失函数的权重为平均权重的方式不同,还考虑了权重值的影响,具体实现过程如下:
对训练数据集中一个批次的训练样本的权重值Q进行归一化处理,归一化处理之后的权重值记为E,归一化处理之后的所有权重值的累加和为1。在本实施例中,一个批次的训练样本的个数为512个,则对应的权重值Q=,归一化处理之后的权重值E=,且。
根据一个批次的训练样本对应归一化之后的权重值E,确定压缩机COP预测网络的损失函数:
此处对每个样本占损失函数的权重进行调整的目的是,对于增广的训练样本,也就是拼接压缩机COP值序列训练样本,由于部分压缩机冷却样本匹配对的相似度较低,那么对应混合出来的训练样本虽然在一定程度上有合理性,但不能保证所有训练样本都是合理的,因此以两个分类簇之间的分类簇相似性指标为基础,叠加压缩机冷却样本匹配对的相关性值,得到每一个训练样本最终的权重值Q,基于一个批量中训练样本的Q做归一化,从而保证训练过程中不会因样本的噪声出现欠拟合现象,同时基于每个相似工况下压缩机之间的样本扩增结果克服过拟合现象。
(1-3)利用训练数据集对构建的压缩机COP预测网络进行训练,从而得到训练好的压缩机COP预测网络。
利用上述步骤(1-1)所获得的训练数据集中各个批次的训练样本,对步骤(1-2)中构建的压缩机COP预测网络进行不断训练,从而得到训练好的压缩机COP预测网络。在对压缩机COP预测网络进行训练时,将训练样本序列中的前一部分压缩机COP值作为输入,则该前一部分压缩机COP值的后一个压缩机COP值即为对应的标签值。由于利用已经构建好的训练数据集对压缩机COP预测网络进行训练的具体实现过程属于现有技术,此处不再赘述。
步骤S2:利用预先训练好的压缩机COP预测网络,对压缩机的最优喷液量进行预测,并利用该最佳喷液量对压缩机降温。
在通过步骤S1获取到训练好的压缩机COP预测网络之后,利用该压缩机COP预测网络,对压缩机的最优喷液量进行预测,具体过程如下:
(2-1)获取预先训练好的压缩机COP预测网络以及压缩机喷液量序列,压缩机喷液量序列包括依次递增的N个喷液量。
(2-2)实时获取压缩机温度,当压缩机温度首次满足压缩机降温条件时,按照压缩机喷液量序列中的第一个喷液量对压缩机降温,得到第一压缩机COP值;当压缩机温度第二次满足压缩机降温条件时,按照压缩机喷液量序列中的第二个喷液量对压缩机降温,得到第二压缩机COP值。
其中,实时采集压缩机温度,当压缩机温度首次低于温度阈值时,说明需要对压缩机进行降温。此时以压缩机喷液量序列中的第一个喷液量,也就是最小喷液量开始对压缩机降温,得到当前COP值,这里称之为第一压缩机COP值。
(2-3)将第二压缩机COP值与第一压缩机COP值进行比较,若第二压缩机COP值大于第一压缩机COP值,将第一压缩机COP值和第二压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络预测按照压缩机喷液量序列中的第三个喷液量对压缩机降温时压缩机的第三压缩机COP值。
将第二压缩机COP值与最小喷液量的第一压缩机COP值进行比较,若第二压缩机COP值不大于最小喷液量的第一压缩机COP值,则意味着最小喷液量是该压缩机的最佳喷量。反之,将两次喷液的结果即第一压缩机COP值和第二压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络中得到压缩机喷液量序列中的下下一开度的COP值,这里称之为第三压缩机COP值。
(2-4)将第三压缩机COP值与第二压缩机COP值进行比较,若第三压缩机COP值大于第二压缩机COP值,将第一压缩机COP值、第二压缩机COP值和第三压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络预测按照缩机喷液量序列中的第四个喷液量对压缩机降温时压缩机的第四压缩机COP值,将第四压缩机COP值与第三压缩机COP值进行比较,并重复上述步骤,直至预测出来的压缩机COP值不大于其前一个压缩机COP值,并将其前一个压缩机COP值所对应的缩机喷液量序列中的喷液量作为最佳喷液量。
在预测出第三压缩机COP值之后,由将第三压缩机COP值与第二压缩机COP值进行比较,若第三压缩机COP值不大于第二压缩机COP值,则意味着压缩机喷液量序列中的下一个开度是该压缩机的最佳喷量。反之,将三次喷液的结果即第一压缩机COP值、第二压缩机COP值和第三压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络中得到压缩机喷液量序列中的下下下一开度的COP值,这里称之为第四压缩机COP值。重复上述步骤,直至预测出来的压缩机COP值不大于其前一个压缩机COP值,并将其前一个压缩机COP值所对应的缩机喷液量序列中的喷液量作为最佳喷液量。
(2-5)当压缩机温度再次满足压缩机降温条件时,按照所述最佳喷液量对压缩机降温。
在通过上述步骤(2-1)-(2-5)预测到压缩机的最佳喷液量之后,当压缩机再次低于温度阈值时,则按照该最佳喷液量对压缩机降温,从而实现对压缩机喷液量的调节。
本实施例还提供了一种基于人工智能的提升压缩机COP的喷液调节系统,包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现上述的基于人工智能的提升压缩机COP的喷液调节方法。由于该基于人工智能的提升压缩机COP的喷液调节方法已经在上述内容中进行了详细介绍,此处不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的提升压缩机COP的喷液调节方法,其特征在于,包括以下步骤:
获取预先训练好的压缩机COP预测网络以及压缩机喷液量序列,所述压缩机喷液量序列包括依次递增的N个喷液量;
实时获取压缩机温度,当压缩机温度首次满足压缩机降温条件时,按照压缩机喷液量序列中的第一个喷液量对压缩机降温,得到第一压缩机COP值;当压缩机温度第二次满足压缩机降温条件时,按照压缩机喷液量序列中的第二个喷液量对压缩机降温,得到第二压缩机COP值;
将第二压缩机COP值与第一压缩机COP值进行比较,若第二压缩机COP值大于第一压缩机COP值,将第一压缩机COP值和第二压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络预测按照压缩机喷液量序列中的第三个喷液量对压缩机降温时压缩机的第三压缩机COP值;
将第三压缩机COP值与第二压缩机COP值进行比较,若第三压缩机COP值大于第二压缩机COP值,将第一压缩机COP值、第二压缩机COP值和第三压缩机COP值输入到压缩机COP预测网络中,由压缩机COP预测网络预测按照缩机喷液量序列中的第四个喷液量对压缩机降温时压缩机的第四压缩机COP值,将第四压缩机COP值与第三压缩机COP值进行比较,并重复上述步骤,直至预测出来的压缩机COP值不大于其前一个压缩机COP值,并将其前一个压缩机COP值所对应的缩机喷液量序列中的喷液量作为最佳喷液量;
当压缩机温度再次满足压缩机降温条件时,按照所述最佳喷液量对压缩机降温。
2.根据权利要求1所述的基于人工智能的提升压缩机COP的喷液调节方法,其特征在于,训练好的压缩机COP预测网络的获取步骤包括:
构建压缩机COP预测网络,并获取压缩机COP预测网络的训练数据集,利用训练数据集对构建的压缩机COP预测网络进行训练,从而得到训练好的压缩机COP预测网络;所述获取压缩机COP预测网络的训练数据集步骤包括:
确定压缩机喷液量序列,所述压缩机喷液量序列包括依次递增的N个喷液量;
根据压缩机喷液量序列,获取M个压缩机冷却样本,每个压缩机冷却样本均包括依次按照压缩机喷液量序列中的N个喷液量分别对压缩机降温时所得到的压缩机COP值序列和温度值序列;
根据M个压缩机冷却样本中的压缩机COP值序列,对应得到M个压缩机冷却样本中的压缩机COP特征序列,根据M个压缩机冷却样本中的压缩机COP特征序列,对M个压缩机冷却样本进行分类,得到Q个分类簇;
根据Q个分类簇中的各个压缩机冷却样本中的温度值序列和压缩机COP特征序列,计算任意两个分类簇之间的分类簇相似性指标;
根据Q个分类簇中任意两个分类簇之间的分类簇相似性指标,从Q个分类簇中确定K个分类簇匹配对;
在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,分别确定压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对;
根据在每个分类簇匹配对中,压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对,获取压缩机喷液量序列中的N个喷液量所对应的拼接压缩机COP值序列;
将每个分类簇匹配对中所获得的所有拼接压缩机COP值序列作为压缩机COP预测网络的训练数据集。
3.根据权利要求2所述的基于人工智能的提升压缩机COP的喷液调节方法,其特征在于,根据M个压缩机冷却样本中的压缩机COP特征序列,对M个压缩机冷却样本进行分类,得到Q个分类簇的步骤包括:
利用改进的Kmeans聚类方法,对M个压缩机冷却样本中的压缩机COP特征序列进行分类,从而得到Q个分类结果;
根据Q个分类结果,对应对M个压缩机冷却样本进行分类,从而得到Q个分类簇;
所述改进的Kmeans聚类方法包括:从M个压缩机冷却样本中的压缩机COP特征序列中确定每个分类的压缩机COP特征序列中心,并计算每一个压缩机冷却样本中的压缩机COP特征序列与每个分类的压缩机COP特征序列中心的距离,所述距离的计算公式为:
4.根据权利要求2所述的基于人工智能的提升压缩机COP的喷液调节方法,其特征在于,根据Q个分类簇中的各个压缩机冷却样本中的温度值序列和压缩机COP特征序列,计算任意两个分类簇之间的分类簇相似性指标的步骤包括:
根据Q个分类簇中的各个压缩机冷却样本中的温度值序列,确定每个分类簇中的最大温度值和最小温度值,并根据每个分类簇中的最大温度值和最小温度值,计算任意两个分类簇的温度区间交并比;
根据Q个分类簇中的各个压缩机冷却样本中的压缩机COP特征序列,计算任意两个分类簇中的样本相关性指标值;
根据任意两个分类簇的温度区间交并比和样本相关性指标值,计算任意两个分类簇之间的分类簇相似性指标。
7.根据权利要求2所述的基于人工智能的提升压缩机COP的喷液调节方法,其特征在于,在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,分别确定压缩机喷液量序列中的N个喷液量所对应的压缩机冷却样本匹配对的步骤包括:
在每个分类簇匹配对中,根据压缩机冷却样本中的压缩机COP特征序列,计算一个分类簇中的任意一个压缩机COP特征序列与另外一个分类簇中的任意一个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值;
在每个分类簇匹配对中,根据所有的所述相关性值,对两个分类簇中的压缩机COP特征序列做最大分配,从而获得压缩机喷液量序列中的每一个喷液量所对应的压缩机冷却样本匹配对。
8.根据权利要求7所述的基于人工智能的提升压缩机COP的喷液调节方法,其特征在于,计算一个分类簇中的任意一个压缩机COP特征序列与另外一个分类簇中的任意一个压缩机COP特征序列在压缩机喷液量序列中的每一个喷液量所对应的相关性值对应的计算公式为:
9.根据权利要求7或8所述的基于人工智能的提升压缩机COP的喷液调节方法,其特征在于,还包括:
在每个分类簇匹配对中,根据获得的压缩机喷液量序列中的每一个喷液量所对应的压缩机冷却样本匹配对所对应的相关性值以及该分类簇匹配对之间的分类簇相似性指标,计算该压缩机冷却样本匹配对所对应的拼接压缩机COP值序列的权重值;
利用每个分类簇匹配对中的每个压缩机冷却样本匹配对所对应的拼接压缩机COP值序列的权重值,对压缩机COP预测网络的训练损失函数进行校正。
10.一种基于人工智能的提升压缩机COP的喷液调节系统,其特征在于,包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现如权利要求1-9中任一项所述的基于人工智能的提升压缩机COP的喷液调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547796.7A CN114658631B (zh) | 2022-05-20 | 2022-05-20 | 基于人工智能的提升压缩机cop的喷液调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547796.7A CN114658631B (zh) | 2022-05-20 | 2022-05-20 | 基于人工智能的提升压缩机cop的喷液调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114658631A CN114658631A (zh) | 2022-06-24 |
CN114658631B true CN114658631B (zh) | 2022-08-19 |
Family
ID=82037253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210547796.7A Active CN114658631B (zh) | 2022-05-20 | 2022-05-20 | 基于人工智能的提升压缩机cop的喷液调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114658631B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3956793B2 (ja) * | 2002-07-25 | 2007-08-08 | 株式会社デンソー | エジェクタサイクル |
CN203869365U (zh) * | 2014-04-21 | 2014-10-08 | 佛山市浦路威电器设备有限公司 | 喷液冷却低温制热压缩机 |
CN108331757A (zh) * | 2018-02-11 | 2018-07-27 | 好米动力设备有限公司 | 一种用于单螺杆压缩机的性能测试实验台 |
CN111981654B (zh) * | 2020-08-19 | 2021-12-21 | 海信(山东)空调有限公司 | 空调能效寻优的控制方法 |
CN112984737A (zh) * | 2021-03-10 | 2021-06-18 | 格力电器(合肥)有限公司 | 多联机控制系统、方法、多联机空调和存储介质 |
-
2022
- 2022-05-20 CN CN202210547796.7A patent/CN114658631B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114658631A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN107909179B (zh) | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 | |
CN111442489B (zh) | 空调设备的控制方法和系统、空调设备和可读存储介质 | |
CN112901449B (zh) | 一种基于机器学习的空气压缩机系统能耗优化方法 | |
CN113255236B (zh) | 基于孪生网络的非侵入式负荷自适应识别方法 | |
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN113177594B (zh) | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 | |
CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN113378908B (zh) | 基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法 | |
CN114997044A (zh) | 一种用于中央空调的能耗优化方法及数据采集系统 | |
CN111275132A (zh) | 一种基于sa-pfcm++算法的目标分群方法 | |
Zheng et al. | Fault diagnosis method based on supervised particle swarm optimization classification algorithm | |
CN104697107A (zh) | 智能学习节能调控系统与方法 | |
CN110705794A (zh) | 一种基于支持向量机算法预测窗户状态的方法 | |
CN110705685A (zh) | 一种神经网络量化分类方法与系统 | |
CN110751278A (zh) | 一种神经网络比特量化方法和系统 | |
CN112700085A (zh) | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 | |
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 | |
CN114658631B (zh) | 基于人工智能的提升压缩机cop的喷液调节方法及系统 | |
CN108428012B (zh) | 一种优化神经网络的风机噪音预测方法 | |
CN116992246B (zh) | 一种矿井下风流参数智能感知方法及系统 | |
CN115730228A (zh) | 基于bp神经网络的中央空调能耗分析方法 | |
CN115264768A (zh) | 一种基于物联网的楼宇空调节能控制方法及系统 | |
CN115146876B (zh) | 基于能量模型的电动载具功率最优控制方法 | |
CN117901724B (zh) | 一种纯电动汽车热管理系统控制方法、系统及设备 |
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 |