CN114963683A - 一种精确控温制冷系统 - Google Patents

Abstract

本发明提供了一种精确控温制冷系统，包括工作热量预测模块，用于预测降温对象在未来各个工作阶段的发热效率；制冷数据采集模块，用于采集温度信息以及制冷机器的工作参数并发送至数据处理与控制模块；数据处理与控制模块，用于根据所述温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。通过本发明实现了利用温度与运行功率对制冷机器进行双闭环控制，并且通过引入预测结果来对控制量进行影响，从而解决传热延迟的问题，并且利用预测结果进行对于输出功率的定量计算使制冷机器的输出功率更为精准，从而达到了准确控温的目的。

Description

一种精确控温制冷系统

技术领域

本发明涉及自动控制技术领域，特别涉及本发明提供的一种精确控温制冷系统。

背景技术

随着社会的不断发展，大生产厂家对生产技术要求的不断提高，对机械设备的制冷温控系统的要求也在不断的提高，对机械设备的制冷温控进行得更准确，则机械设备出现故障的概率就会越低，并生产产品的次品率也会得到降低，同时提高产品的质量让厂家在同行业竞争中取得更大的优势。

现有温控制冷系统仍然使用老式的温度采集反馈调节方式，对机械设备的温度进行降温，在生产产品要求不严格的情况下能够继续进行使用，但对于要求更为严格、要求生产参数更为精确的生产作业线来说精确程度已然不够，因此需要一种更为精确的控温制冷系统。

发明内容

本发明提供的一种精确控温制冷系统，用于解决背景技术中所提到的问题。

本发明提供一种精确控温制冷系统，包括：

工作热量预测模块，用于预测降温对象在未来各个工作阶段的发热效率；

制冷数据采集模块，用于采集温度信息以及制冷机器的工作参数并发送至数据处理与控制模块；

数据处理与控制模块，用于根据所述温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。

优选的，所述工作热量预测模块执行以下操作：

提取降温对象在云端存储的历史工作数据；

对所述历史工作数据进行特征提取，并将其中存在的具有相同特征的循环类工作数据及该工作数据在产生时所对应的环境数据一并截取，并生成工作样本集；

在工作样本集中提取影响因子数据和发热效率数据，并对影响因子数据和发热效率数据进行基于Z-Score方法的标准化处理；其中，影响因子数据的选取包括：降温对象的运行功率、外界环境温度及环境湿度；

对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合；

将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；

采集降温对象当前的实时工作数据以及环境数据并导入所述长短期记忆神经网络进行运算，得到降温对象在未来各个工作阶段的发热效率。

优选的，所述对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合包括：

基于标准化处理后的影响因子数据，构建原始影响因子样本矩阵的协方差矩阵；

计算协方差矩阵的特征值序列以及与特征值序列对应的特征向量序列；

将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前行构成矩阵；

结合已得到的样本矩阵计算降维后的数据集，降维后的数据集中的元素即为主成分特征组合。

优选的，所述将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型包括：

采用Adam训练算法对长短期记忆神经网络进行训练，选用均方差MSE作为Adam训练算法的误差计算方式，设定损失函数值最小作为优化目标，结合网络初始化的随机种植数、初始学习率以及最大迭代次数对长短期记忆神经网络进行训练，最后得到长短期记忆神经网络预测模型。

优选的，所述制冷数据采集模块包括：

第一温度采集单元，用于采集降温对象的第一温度；

第二温度采集单元，用于采集降温对象与制冷机器之间传热介质的第二温度，其中所述传热介质包括用于扩大接触面积的金属散热叶或者冷却液；

第三温度采集单元，用于采集制冷机器的第三温度；

温度信息整合单元，用于将所述第一温度、所述第二温度以及所述第三温度整合形成温度信息；

参数采集单元，用于采集制冷机器在工作时的工作参数，所述工作参数包括制冷机器的运行功率以及换热效率；

信息上传单元，用于将所述温度信息以及所述工作参数上传至数据处理与控制模块。

优选的，所述制冷机器包括：

制冷机组，用于通过蒸汽式压缩制冷或蒸汽喷射式制冷方式对降温对象进行降温工作；

回暖单元，用于利用制冷机组制冷过程中吸收过热量的循环水对降温对象进行回暖工作；其中，所述回暖单元拥有多个循环水存储装置，每个循环水存储装置存储有吸收过不同制冷阶段热量的循环水，每个循环水存储装置内还设置有温度检测装置和液位检测装置；

制冷控制器，用于根据所述数据处理与控制模块的指令对制冷机组和回暖单元进行控制。

优选的，所述蒸汽式压缩制冷方式为：

利用空气压缩机从蒸发器吸入低温低压的制冷剂蒸汽，然后在空气压缩机内进行绝热压缩形成高温高压的过热蒸汽，随后将过热蒸汽压入冷凝器进行定压冷却并向冷却介质放出热量，直到冷却为过冷液态制冷剂，并将液态制冷剂经过膨胀阀或毛细管绝热节流成为低压液态制冷剂，最后利用低压液态制冷剂对降温对象进行直接或间接降温制冷；

所述蒸汽喷射式制冷方式为：将加压后的工作蒸汽流入主喷射器，通过在拉瓦尔喷嘴中进行绝热膨胀产生高速气流，并利用高速气流从蒸发器中抽汽使蒸发器内保持低蒸发压力，然后利用循环水经节流减压后进入蒸发器，让其中一部分循环水吸热蒸发，另一部分循环水随之温度降低，最后利用降温后的循环水对降温对象进行直接或间接降温制冷。

优选的，所述回暖单元，包括：

循环水存储子单元，包括多个循环水存储器，用于将多个制冷阶段内吸收热量的循环水进行存储，并对预设数量的循环水存储器利用保温材料进行保温；

循环水温度测量子单元，用于测量每个循环水存储器内循环水的温度；

液位测量子单元，用于测量每个循环水存储器内循环水的液位高度；

水阀控制子单元，用于对循环水存储器内循环水的流入和流出进行控制。

优选的，所述数据处理与控制模块执行以下操作：

根据所述温度信息确定降温对象的第一温度、降温对象与制冷机器之间传热介质的第二温度以及制冷机器的第三温度；

根据所述工作参数确定制冷机器当前的运行功率、换热效率；

根据制冷机器的运行功率、换热效率确定制冷机器在不同电流强度的输入情况下的吸热效率；

根据所述第一温度、所述第二温度以及所述第三温度确定降温对象与制冷机器之间的传热效率以及传热延迟时长；

根据所预测的降温对象在未来各个工作阶段的发热效率，确定降温对象在未来各个工作阶段内的热量产出；

根据降温对象在未来各个工作阶段内的热量产出，计算降温对象在下一个工作阶段内的热量溢出量；其中，所述热量溢出量为降温对象在某个工作阶段时所携带的热量与该降温对象在预设的目标温度下所携带的热量之间的热量偏差；

根据所述热量溢出量，基于降温对象与制冷机器之间的传热效率确定制冷机器所需要吸收的热量；

确定制冷机器在降温对象进行下一个工作阶段内所需要吸收的热量，并基于下一个工作阶段的时间跨度计算出制冷机器在降温对象所应该达到的吸热效率；

根据制冷机器在不同电流强度的输入情况下的吸热效率确定制冷机器所需要的工作电流；

在确定制冷机器所需要的工作电流后，根据所述传热延迟时长确定制冷机器的发动时间；

根据所述发动时间以及所述工作电流对制冷机器进行控制。

优选的，所述根据降温对象在未来各个工作阶段内的热量产出，计算降温对象在下一个工作阶段内的热量溢出量包括：

根据降温对象在未来各个工作阶段内的热量产出，基于降温对象当前的第一温度确定降温对象在下一个工作阶段内所携带的热量；

根据降温对象与制冷机器之间的传热效率以及传热延迟时长，确定在制冷机器保持当前的运行功率的情况下，降温对象在下一个工作阶段内被带走的热量；

以降温对象在下一个工作阶段内所携带的热量减去降温对象在下一个工作阶段内被带走的热量以及降温对象在目标温度下所携带的热量，得到降温对象在下一个工作阶段内的热量溢出量。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种精确控温制冷系统的结构示意图；

图2为本发明实施例中工作热量预测模块的执行步骤流程图；

图3为本发明实施例中制冷机器的结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明提供一种精确控温制冷系统，包括：

工作热量预测模块1，用于预测降温对象在未来各个工作阶段的发热效率；

制冷数据采集模块2，用于采集温度信息以及制冷机器的工作参数并发送至数据处理与控制模块3；

数据处理与控制模块3，用于根据温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。

上述技术方案的工作原理和有益效果为：通过工作热量预测模块1，根据降温对象以往的工作行为所产生的热量来预测降温对象在接下来的各个工作阶段内的发热效率，通过制冷数据采集模块2采集降温对象、制冷机器的温度信息以及制冷机器的工作参数如运行功率、换热效率等信息并发送到数据处理与控制模块3进行处理，数据处理与工作模块3根据采集到的温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。实现通过温度与运行功率对制冷机器进行双闭环控制，并且通过引入预测结果来对控制量进行影响，从而解决传热延迟的问题，并且利用预测结果进行对于输出功率的定量计算使制冷机器的输出功率更为精准，从而达到了准确控温的目的。

在一个优选实施例中，工作热量预测模块执行以下操作：

步骤S1、提取降温对象在云端存储的历史工作数据；

步骤S2、对历史工作数据进行特征提取，并将其中存在的具有相同特征的循环类工作数据及该工作数据在产生时所对应的环境数据一并截取，并生成工作样本集；

步骤S3、在工作样本集中提取影响因子数据和发热效率数据，并对影响因子数据和发热效率数据进行基于Z-Score方法的标准化处理；其中，影响因子数据的选取包括：降温对象的运行功率、外界环境温度及环境湿度；

步骤S4、对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合；

步骤S5、将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；

步骤S6、采集降温对象当前的实时工作数据以及环境数据并导入长短期记忆神经网络进行运算，得到降温对象在未来各个工作阶段的发热效率。

上述技术方案的工作原理和有益效果为：工作热量预测模块在对降温对象在未来各个工作阶段的发热效率进行预测时，需要提取降温对象在云端存储的历史工作数据，该历史工作数据中包含了该降温对象在历史工作中的工作参数、机体温度、产热速率等，对历史工作数据进行特征提取，并将其中存在的具有相同特征的循环类工作数据及该工作数据在产生时所对应的环境数据一并截取，并生成工作样本集，在日常生产作业过程中机器一般进行循环往复类工作具有较强的循环特性，从而使机器的历史工作数据中也饱含了较强的循环性特征，比如在不同的工作阶段的机体温度或者说产热量等数据不同，但对相同工作流程的各个工作阶段的机体温度或者说产热量等数据是对应相同的，对这些特征进行提取后确定存在循环特性的工作数据及该工作数据在产生时所对应的环境数据一并截取，并生成工作样本集。在工作样本集中提取影响因子数据和发热效率数据，并对影响因子数据和发热效率数据进行基于Z-Score方法的标准化处理；其中，影响因子数据的选取包括：降温对象的运行功率、外界环境温度及环境湿度；对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合；将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；采集降温对象当前的实时工作数据以及环境数据并导入长短期记忆神经网络进行运算，得到降温对象在未来各个工作阶段的发热效率，从而实现对降温对象在未来各个工作阶段的发热效率的预测。

在一个优选实施例中，对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合包括：

基于标准化处理后的影响因子数据，构建原始影响因子样本矩阵的协方差矩阵；

计算协方差矩阵的特征值序列以及与特征值序列对应的特征向量序列；

将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前行构成矩阵；

结合已得到的样本矩阵计算降维后的数据集，降维后的数据集中的元素即为主成分特征组合。

上述技术方案的工作原理和有益效果为：在对标准环处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合时，基于标准化处理后的影响因子数据，构建原始影响因子样本矩阵的协方差矩阵；计算协方差矩阵的特征值序列以及与特征值序列对应的特征向量序列；将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前行构成矩阵；结合已得到的样本矩阵计算降维后的数据集，降维后的数据集中的元素即为主成分特征组合，从而实现对多项影响因子中的主要影响因子的选取。

在一个优选实施例中，将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型包括：

采用Adam训练算法对长短期记忆神经网络进行训练，选用均方差MSE作为Adam训练算法的误差计算方式，设定损失函数值最小作为优化目标，结合网络初始化的随机种植数、初始学习率以及最大迭代次数对长短期记忆神经网络进行训练，最后得到长短期记忆神经网络预测模型。

上述技术方案的工作原理和有益效果为：采用Adam训练算法对长短期记忆神经网络进行训练，选用均方差MSE作为Adam训练算法的误差计算方式，设定损失函数值最小作为优化目标，结合网络初始化的随机种植数、初始学习率以及最大迭代次数对长短期记忆神经网络进行训练，最后得到长短期记忆神经网络预测模型。从而实现对长短期记忆神经网络预测模型进行训练，通过这种方式所训练的神经网络预测模型具有极强的收敛性，方便快速得到计算结果。

在一个优选实施例中，制冷数据采集模块包括：

第一温度采集单元，用于采集降温对象的第一温度；

第二温度采集单元，用于采集降温对象与制冷机器之间传热介质的第二温度，其中传热介质包括用于扩大接触面积的金属散热叶或者冷却液；

第三温度采集单元，用于采集制冷机器的第三温度；

温度信息整合单元，用于将第一温度、第二温度以及第三温度整合形成温度信息；

参数采集单元，用于采集制冷机器在工作时的工作参数，工作参数包括制冷机器的运行功率以及换热效率；

信息上传单元，用于将温度信息以及工作参数上传至数据处理与控制模块。

上述技术方案的工作原理和有益效果为：通过第一温度采集单元采集降温对象的第一温度；通过第二温度采集单元采集降温对象与制冷机器之间传热介质的第二温度，其中传热介质包括用于扩大接触面积的金属散热叶或者冷却液；通过第三温度采集单元采集制冷机器的第三温度；温度信息整合单元将第一温度、第二温度以及第三温度整合形成温度信息，可通过所采集的温度信息实现对降温对象与制冷机器之间温度梯度变化的情况进行具体分析，计算得到整个系统的温度传递效率，以及确定温度的传递延迟情况，方便实现对制冷机器的准确控制；参数采集单元采集制冷机器在工作时的工作参数，工作参数包括制冷机器的运行功率以及换热效率，实现对制冷机器工作状态数据的采集，方便对制冷机器进行准确的闭环控制；信息上传单元将温度信息以及工作参数上传至数据处理与控制模块。实现对各项数据的采集与上传。

在一个优选实施例中，制冷机器包括：

制冷机组4，用于通过蒸汽式压缩制冷或蒸汽喷射式制冷方式对降温对象进行降温工作；

回暖单元5，用于利用制冷机组4制冷过程中吸收过热量的循环水对降温对象进行回暖工作；其中，回暖单元5拥有多个循环水存储装置，每个循环水存储装置存储有吸收过不同制冷阶段热量的循环水，每个循环水存储装置内还设置有温度检测装置和液位检测装置；

制冷控制器6，用于根据数据处理与控制模块的指令对制冷机组4和回暖单元5进行控制。

上述技术方案的工作原理和有益效果为：通过制冷机组4对降温对象进行降温工作，通过回暖单元5利用制冷机组4制冷过程中吸收过热量的循环水对降温对象进行回暖工作，其中，回暖单元5拥有多个循环水存储装置，每个循环水存储装置存储有吸收过不同制冷阶段热量的循环水，每个循环水存储装置内还设置有温度检测装置和液位检测装置，当降温对象的温度过低时，可通过回暖单元5对降温对象进行温度回暖，保证降温对象能够在合适的温度下进行工作，利用吸热的循坏水来进行回暖降低了能量消耗更为环保，并且通过温度检测装置和液位检测装置也能够更加准确地确定循环水的体积及携带温度，通过计算能够确定热量含量，方便对回暖单元输出的热水的流量进行准确把控，实现对降温对象温度的准确把控；通过制冷控制器6，根据数据处理与控制模块的指令对制冷机组和回暖单元进行控制，可根据数据处理与控制模块的指令确定制冷机组4所需要吸收的热量或吸收速率，然后根据预设的吸收速率与制冷机组数量表格确定需要开启的制冷机组4的数量，同样的可根据数据处理与控制模块的指令确定回暖单元5所需要回暖的热量或回暖速率，然后选择循环水存储装置进行回暖工作，在旋转循环水存储装置时可根据每个循环水存储装置内循环水当前的温度基于所需要回暖的热量计算需要释放回暖的循环水的体积，从而对循环水进行释放，另外可根据需要的回暖速率选择合适的温度的循环水进行释放，其中所需要的回暖速率越快则要求的循环水温度就越高。

在一个优选实施例中，蒸汽式压缩制冷方式为：

利用空气压缩机从蒸发器吸入低温低压的制冷剂蒸汽，然后在空气压缩机内进行绝热压缩形成高温高压的过热蒸汽，随后将过热蒸汽压入冷凝器进行定压冷却并向冷却介质放出热量，直到冷却为过冷液态制冷剂，并将液态制冷剂经过膨胀阀或毛细管绝热节流成为低压液态制冷剂，最后利用低压液态制冷剂对降温对象进行直接或间接降温制冷；

蒸汽喷射式制冷方式为：将加压后的工作蒸汽流入主喷射器，通过在拉瓦尔喷嘴中进行绝热膨胀产生高速气流，并利用高速气流从蒸发器中抽汽使蒸发器内保持低蒸发压力，然后利用循环水经节流减压后进入蒸发器，让其中一部分循环水吸热蒸发，另一部分循环水随之温度降低，最后利用降温后的循环水对降温对象进行直接或间接降温制冷。

上述技术方案的工作原理和有益效果为：采用蒸汽式压缩制冷方式利用空气压缩机从蒸发器吸入低温低压的制冷剂蒸汽，然后在空气压缩机内进行绝热压缩形成高温高压的过热蒸汽，随后将过热蒸汽压入冷凝器进行定压冷却并向冷却介质放出热量，直到冷却为过冷液态制冷剂，并将液态制冷剂经过膨胀阀或毛细管绝热节流成为低压液态制冷剂，最后利用低压液态制冷剂对降温对象进行直接或间接降温制冷，这种制冷过程简单可靠并且较为节能。利用蒸汽喷射式制冷方式将加压后的工作蒸汽流入主喷射器，通过在拉瓦尔喷嘴中进行绝热膨胀产生高速气流，并利用高速气流从蒸发器中抽汽使蒸发器内保持低蒸发压力，然后利用循环水经节流减压后进入蒸发器，让其中一部分循环水吸热蒸发，另一部分循环水随之温度降低，最后利用降温后的循环水对降温对象进行直接或间接降温制冷，这种制冷过程反应较为迅速，适合快速降温。提供多种的制冷方式，可根据具体生产需要进行选择。

在一个优选实施例中，回暖单元，包括：

循环水存储子单元，包括多个循环水存储器，用于将多个制冷阶段内吸收热量的循环水进行存储，并对预设数量的循环水存储器利用保温材料进行保温；

循环水温度测量子单元，用于测量每个循环水存储器内循环水的温度；

液位测量子单元，用于测量每个循环水存储器内循环水的液位高度；

水阀控制子单元，用于对循环水存储器内循环水的流入和流出进行控制。

上述技术方案的工作原理和有益效果为：回暖单元包括循环水存储子单元，循环水存储子单元通过多个循环水存储器，用于将多个制冷阶段内吸收热量的循环水进行存储，并对预设数量的循环水存储器利用保温材料进行保温；通过循环水温度测量子单元测量每个循环水存储器内循环水的温度，通过液位测量子单元测量每个循环水存储器内循环水的液位高度，通过水阀控制子单元对循环水存储器内循环水的流入和流出进行控制，可通过上述结构实现对降温对象的精准回暖工作。

在一个优选实施例中，数据处理与控制模块执行以下操作：

根据温度信息确定降温对象的第一温度、降温对象与制冷机器之间传热介质的第二温度以及制冷机器的第三温度；

根据工作参数确定制冷机器当前的运行功率、换热效率；

根据制冷机器的运行功率、换热效率确定制冷机器在不同电流强度的输入情况下的吸热效率；

根据第一温度、第二温度以及第三温度确定降温对象与制冷机器之间的传热效率以及传热延迟时长；

根据所预测的降温对象在未来各个工作阶段的发热效率，确定降温对象在未来各个工作阶段内的热量产出；

根据降温对象在未来各个工作阶段内的热量产出，计算降温对象在下一个工作阶段内的热量溢出量；其中，热量溢出量为降温对象在某个工作阶段时所携带的热量与该降温对象在预设的目标温度下所携带的热量之间的热量偏差；

根据热量溢出量，基于降温对象与制冷机器之间的传热效率确定制冷机器所需要吸收的热量；

确定制冷机器在降温对象进行下一个工作阶段内所需要吸收的热量，并基于下一个工作阶段的时间跨度计算出制冷机器在降温对象所应该达到的吸热效率；

根据制冷机器在不同电流强度的输入情况下的吸热效率确定制冷机器所需要的工作电流；

在确定制冷机器所需要的工作电流后，根据传热延迟时长确定制冷机器的发动时间；

根据发动时间以及工作电流对制冷机器进行控制。

上述技术方案的工作原理和有益效果为：数据处理与控制模块在进行处理时，根据温度信息确定降温对象的第一温度、降温对象与制冷机器之间传热介质的第二温度以及制冷机器的第三温度；根据工作参数确定制冷机器当前的运行功率、换热效率，换热效率可通过对制冷机器内循环水的温度变化情况来进行计算，比如确定制冷机器内参与制冷的循环水的体积，并确定循环水在制冷机器开启的情况下温度变化的情况，根据温度变化情况以及循环水的体积确定总热量的变化情况，根据制冷机器的工作时长以及循环水的总热量变化量计算确定制冷机器的换热效率；根据制冷机器的运行功率、换热效率确定制冷机器在不同电流强度的输入情况下的吸热效率，其中运行功率与输入电流挂钩，吸热效率即为换热效率；根据第一温度、第二温度以及第三温度确定降温对象与制冷机器之间的传热效率以及传热延迟时长；根据所预测的降温对象在未来各个工作阶段的发热效率，确定降温对象在未来各个工作阶段内的热量产出，其中工作阶段可以被视作一个完整工作流程中无限微分的时间段；根据降温对象在未来各个工作阶段内的热量产出，计算降温对象在下一个工作阶段内的热量溢出量；其中，热量溢出量为降温对象在某个工作阶段时所携带的热量与该降温对象在预设的目标温度下所携带的热量之间的热量偏差；根据热量溢出量，基于降温对象与制冷机器之间的传热效率确定制冷机器所需要吸收的热量；确定制冷机器在降温对象进行下一个工作阶段内所需要吸收的热量，并基于下一个工作阶段的时间跨度计算出制冷机器在降温对象所应该达到的吸热效率；根据制冷机器在不同电流强度的输入情况下的吸热效率确定制冷机器所需要的工作电流；在确定制冷机器所需要的工作电流后，根据传热延迟时长确定制冷机器的发动时间，制冷机器在制冷到吸收降温对象上的热量的过程中是存在延迟的，如果需要对降温对象的温度进行准确把控，则需要对该延迟进行补偿让制冷机器能够提前发动；根据发动时间以及工作电流对制冷机器进行控制。从而最终实现了对制冷机器的闭环控制，实现了对降温对象的精确控温制冷。

在一个优选实施例中，可根据制冷机器的输入电流以及制冷机器循环水的温度反馈采用PID控制算法对制冷机器进行控制，计算公式如下：

式中，I_control表示输出的控制电流，K_p表示预设的比例系数，T_i表示预设的积分时间，T_d表示预设的微分时间，t₁表示采集得到的循环水温度，t₀表示循环水的目标温度。

上述技术方案的工作原理和有益效果为：通过PID控制算法以温度、电流对制冷机器进行闭环控制，从而有效保证了控制的精确度。

在一个优选实施例中，根据降温对象在未来各个工作阶段内的热量产出，计算降温对象在下一个工作阶段内的热量溢出量包括：

根据降温对象在未来各个工作阶段内的热量产出，基于降温对象当前的第一温度确定降温对象在下一个工作阶段内所携带的热量；

根据降温对象与制冷机器之间的传热效率以及传热延迟时长，确定在制冷机器保持当前的运行功率的情况下，降温对象在下一个工作阶段内被带走的热量；

以降温对象在下一个工作阶段内所携带的热量减去降温对象在下一个工作阶段内被带走的热量以及降温对象在目标温度下所携带的热量，得到降温对象在下一个工作阶段内的热量溢出量。

上述技术方案的工作原理和有益效果为：在计算降温对象在下一个工作阶段内的热量溢出量时，通过根据降温对象在未来各个工作阶段内的热量产出，基于降温对象当前的第一温度确定降温对象在下一个工作阶段内所携带的热量，再根据降温对象与制冷机器之间的传热效率以及传热延迟时长，制冷机器在制冷到吸收降温对象上的热量的过程中是存在延迟的，如果需要对降温对象的温度进行准确把控，则需要对该延迟进行补偿让制冷机器能够提前发动，确定在制冷机器保持当前的运行功率的情况下，降温对象在下一个工作阶段内被带走的热量，最后以降温对象在下一个工作阶段内所携带的热量减去降温对象在下一个工作阶段内被带走的热量以及降温对象在目标温度下所携带的热量，得到降温对象在下一个工作阶段内的热量溢出量，从而实现对热量溢出量的计算与确定。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种精确控温制冷系统，其特征在于，包括：

工作热量预测模块，用于预测降温对象在未来各个工作阶段的发热效率；

制冷数据采集模块，用于采集温度信息以及制冷机器的工作参数并发送至数据处理与控制模块；

数据处理与控制模块，用于根据所述温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。

2.根据权利要求1所述的一种精确控温制冷系统，其特征在于，所述工作热量预测模块执行以下操作：

提取降温对象在云端存储的历史工作数据；

对所述历史工作数据进行特征提取，并将其中存在的具有相同特征的循环类工作数据及该工作数据在产生时所对应的环境数据一并截取，并生成工作样本集；

在工作样本集中提取影响因子数据和发热效率数据，并对影响因子数据和发热效率数据进行基于Z-Score方法的标准化处理；其中，影响因子数据的选取包括：降温对象的运行功率、外界环境温度及环境湿度；

对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合；

将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；

采集降温对象当前的实时工作数据以及环境数据并导入所述长短期记忆神经网络进行运算，得到降温对象在未来各个工作阶段的发热效率。

3.根据权利要求2所述的一种精确控温制冷系统，其特征在于，所述对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合包括：

基于标准化处理后的影响因子数据，构建原始影响因子样本矩阵的协方差矩阵；

计算协方差矩阵的特征值序列以及与特征值序列对应的特征向量序列；

将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前行构成矩阵；

结合已得到的样本矩阵计算降维后的数据集，降维后的数据集中的元素即为主成分特征组合。

4.根据权利要求2所述的一种精确控温制冷系统，其特征在于，所述将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型包括：

采用Adam训练算法对长短期记忆神经网络进行训练，选用均方差MSE作为Adam训练算法的误差计算方式，设定损失函数值最小作为优化目标，结合网络初始化的随机种植数、初始学习率以及最大迭代次数对长短期记忆神经网络进行训练，最后得到长短期记忆神经网络预测模型。

5.根据权利要求1所述的一种精确控温制冷系统，其特征在于，所述制冷数据采集模块包括：

第一温度采集单元，用于采集降温对象的第一温度；

第二温度采集单元，用于采集降温对象与制冷机器之间传热介质的第二温度，其中所述传热介质包括用于扩大接触面积的金属散热叶或者冷却液；

第三温度采集单元，用于采集制冷机器的第三温度；

温度信息整合单元，用于将所述第一温度、所述第二温度以及所述第三温度整合形成温度信息；

参数采集单元，用于采集制冷机器在工作时的工作参数，所述工作参数包括制冷机器的运行功率以及换热效率；

信息上传单元，用于将所述温度信息以及所述工作参数上传至数据处理与控制模块。

6.根据权利要求1所述的一种精确控温制冷系统，其特征在于，所述制冷机器包括：

制冷机组，用于通过蒸汽式压缩制冷或蒸汽喷射式制冷方式对降温对象进行降温工作；

回暖单元，用于利用制冷机组制冷过程中吸收过热量的循环水对降温对象进行回暖工作；其中，所述回暖单元拥有多个循环水存储装置，每个循环水存储装置存储有吸收过不同制冷阶段热量的循环水，每个循环水存储装置内还设置有温度检测装置和液位检测装置；

制冷控制器，用于根据所述数据处理与控制模块的指令对制冷机组和回暖单元进行控制。

7.根据权利要求6所述的一种精确控温制冷系统，其特征在于，所述蒸汽式压缩制冷方式为：

利用空气压缩机从蒸发器吸入低温低压的制冷剂蒸汽，然后在空气压缩机内进行绝热压缩形成高温高压的过热蒸汽，随后将过热蒸汽压入冷凝器进行定压冷却并向冷却介质放出热量，直到冷却为过冷液态制冷剂，并将液态制冷剂经过膨胀阀或毛细管绝热节流成为低压液态制冷剂，最后利用低压液态制冷剂对降温对象进行直接或间接降温制冷；

所述蒸汽喷射式制冷方式为：将加压后的工作蒸汽流入主喷射器，通过在拉瓦尔喷嘴中进行绝热膨胀产生高速气流，并利用高速气流从蒸发器中抽汽使蒸发器内保持低蒸发压力，然后利用循环水经节流减压后进入蒸发器，让其中一部分循环水吸热蒸发，另一部分循环水随之温度降低，最后利用降温后的循环水对降温对象进行直接或间接降温制冷。

8.根据权利要求6所述的一种精确控温制冷系统，其特征在于，所述回暖单元，包括：

循环水存储子单元，包括多个循环水存储器，用于将多个制冷阶段内吸收热量的循环水进行存储，并对预设数量的循环水存储器利用保温材料进行保温；

循环水温度测量子单元，用于测量每个循环水存储器内循环水的温度；

液位测量子单元，用于测量每个循环水存储器内循环水的液位高度；

水阀控制子单元，用于对循环水存储器内循环水的流入和流出进行控制。

9.根据权利要求1所述的一种精确控温制冷系统，其特征在于，所述数据处理与控制模块执行以下操作：

根据所述温度信息确定降温对象的第一温度、降温对象与制冷机器之间传热介质的第二温度以及制冷机器的第三温度；

根据所述工作参数确定制冷机器当前的运行功率、换热效率；

根据制冷机器的运行功率、换热效率确定制冷机器在不同电流强度的输入情况下的吸热效率；

根据所述第一温度、所述第二温度以及所述第三温度确定降温对象与制冷机器之间的传热效率以及传热延迟时长；

根据所预测的降温对象在未来各个工作阶段的发热效率，确定降温对象在未来各个工作阶段内的热量产出；

根据降温对象在未来各个工作阶段内的热量产出，计算降温对象在下一个工作阶段内的热量溢出量；其中，所述热量溢出量为降温对象在某个工作阶段时所携带的热量与该降温对象在预设的目标温度下所携带的热量之间的热量偏差；

根据所述热量溢出量，基于降温对象与制冷机器之间的传热效率确定制冷机器所需要吸收的热量；

确定制冷机器在降温对象进行下一个工作阶段内所需要吸收的热量，并基于下一个工作阶段的时间跨度计算出制冷机器在降温对象所应该达到的吸热效率；

根据制冷机器在不同电流强度的输入情况下的吸热效率确定制冷机器所需要的工作电流；

在确定制冷机器所需要的工作电流后，根据所述传热延迟时长确定制冷机器的发动时间；

根据所述发动时间以及所述工作电流对制冷机器进行控制。

10.根据权利要求9所述的一种精确控温制冷系统，其特征在于，所述根据降温对象在未来各个工作阶段内的热量产出，计算降温对象在下一个工作阶段内的热量溢出量包括：

根据降温对象在未来各个工作阶段内的热量产出，基于降温对象当前的第一温度确定降温对象在下一个工作阶段内所携带的热量；

根据降温对象与制冷机器之间的传热效率以及传热延迟时长，确定在制冷机器保持当前的运行功率的情况下，降温对象在下一个工作阶段内被带走的热量；

以降温对象在下一个工作阶段内所携带的热量减去降温对象在下一个工作阶段内被带走的热量以及降温对象在目标温度下所携带的热量，得到降温对象在下一个工作阶段内的热量溢出量。

Images