CN115398159A - 具有自动冷却器防喘振的系统以及运行冷却器以避免未来喘振事件的方法 - Google Patents
具有自动冷却器防喘振的系统以及运行冷却器以避免未来喘振事件的方法 Download PDFInfo
- Publication number
- CN115398159A CN115398159A CN202180027586.9A CN202180027586A CN115398159A CN 115398159 A CN115398159 A CN 115398159A CN 202180027586 A CN202180027586 A CN 202180027586A CN 115398159 A CN115398159 A CN 115398159A
- Authority
- CN
- China
- Prior art keywords
- chiller
- surge
- probability
- variable
- cooler
- 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
- 238000000034 method Methods 0.000 title claims abstract description 177
- 238000010801 machine learning Methods 0.000 claims abstract description 375
- 238000001816 cooling Methods 0.000 claims description 263
- 238000012549 training Methods 0.000 claims description 132
- 238000013528 artificial neural network Methods 0.000 claims description 131
- 239000003507 refrigerant Substances 0.000 claims description 41
- 230000004044 response Effects 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 120
- 239000013598 vector Substances 0.000 description 97
- 238000010586 diagram Methods 0.000 description 35
- 238000012545 processing Methods 0.000 description 31
- 230000008859 change Effects 0.000 description 24
- 239000012530 fluid Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 239000007788 liquid Substances 0.000 description 10
- 230000007423 decrease Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000002826 coolant Substances 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- LYCAIKOWRPUZTN-UHFFFAOYSA-N Ethylene glycol Chemical compound OCCO LYCAIKOWRPUZTN-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 239000012267 brine Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UXVMQQNJUSDDNG-UHFFFAOYSA-L Calcium chloride Chemical compound [Cl-].[Cl-].[Ca+2] UXVMQQNJUSDDNG-UHFFFAOYSA-L 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000001110 calcium chloride Substances 0.000 description 1
- 229910001628 calcium chloride Inorganic materials 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
- F25B49/022—Compressor control arrangements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/02—Surge control
- F04D27/0246—Surge control by varying geometry within the pumps, e.g. by adjusting vanes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/02—Surge control
- F04D27/0261—Surge control by varying driving speed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/02—Surge control
- F04D27/0284—Conjoint control of two or more different functions
-
- 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
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B1/00—Compression machines, plants or systems with non-reversible cycle
- F25B1/04—Compression machines, plants or systems with non-reversible cycle with compressor of rotary type
- F25B1/053—Compression machines, plants or systems with non-reversible cycle with compressor of rotary type of turbine type
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B25/00—Machines, plants or systems, using a combination of modes of operation covered by two or more of the groups F25B1/00 - F25B23/00
- F25B25/005—Machines, plants or systems, using a combination of modes of operation covered by two or more of the groups F25B1/00 - F25B23/00 using primary and secondary systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/40—Type of control system
- F05B2270/404—Type of control system active, predictive, or anticipative
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2339/00—Details of evaporators; Details of condensers
- F25B2339/04—Details of condensers
- F25B2339/047—Water-cooled condensers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2500/00—Problems to be solved
- F25B2500/06—Damage
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2500/00—Problems to be solved
- F25B2500/12—Sound
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2500/00—Problems to be solved
- F25B2500/13—Vibrations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2600/00—Control issues
- F25B2600/02—Compressor control
- F25B2600/025—Compressor control by controlling speed
- F25B2600/0253—Compressor control by controlling speed with variable speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种运行冷却器以避免未来喘振事件的方法,所述方法包含:将与冷却器相关联的冷却器运行数据作为输入应用于一个或多个机器学习模型;以及基于所述一个或多个机器学习模型的输出生成可控冷却器变量的阈值以防止未来冷却器喘振事件发生,其进一步包含基于所述阈值影响所述冷却器的运行以防止所述未来冷却器喘振事件发生。所述方法能够自动控制冷却器以避免未来冷却器喘振事件。
Description
相关专利申请的交叉引用
本申请要求于2020年2月28日提交的美国专利申请第16/805,365号的权益和优先权,其全部公开内容在此引入作为参考。
背景技术
本公开总体上涉及用于建筑物供暖、通风或空调(HVAC)设备的控制系统,并且更具体地涉及用于监测和控制建筑物HVAC系统中的冷却器的系统和方法。HVAC系统可以包括可以用于冷却建筑物的冷却器(例如往复式冷却器、离心式冷却器、螺杆驱动式冷却器、吸收式冷却器等)。为了使冷却器最佳地执行,可能希望在接近喘振状态而不进入喘振状态的运行点处运行冷却器。当冷却器的压缩机不能克服压缩机的入口与出口之间的压力差时,冷却器可以进入喘振状态,使冷却器在喘振状态下运行,并且使制冷剂通过压缩机向后移动。制冷剂的向后移动可以使冷却器振动并且发出大声的噪音。如果冷却器过于频繁地进入喘振状态,则压缩机和冷却器的轴承可能被损坏,从而缩短它们的寿命。
发明内容
在本公开的实施方案中,描述了一种运行冷却器以避免未来喘振事件的方法。该方法可以包括:将与冷却器相关联的冷却器运行数据作为输入应用于一个或多个机器学习模型;以及基于一个或多个机器学习模型的输出生成可控冷却器变量的阈值以防止未来冷却器喘振事件发生,进一步包括基于阈值影响冷却器的运行以防止未来冷却器喘振事件发生。
在一些实施例中,该方法进一步包括通过以下方式生成一个或多个机器学习模型:通过检测历史冷却器运行数据中的过去喘振事件来创建训练数据集,以及将历史冷却器运行数据的一部分标记为与过去喘振事件相关联的喘振冷却器运行数据;以及用训练数据集来训练一个或多个机器学习模型。
在一些实施例中,喘振冷却器运行数据包括时间序列,该时间序列包括与过去喘振事件之前和期间的时间相关联的历史冷却器运行数据的一个或多个变量的值。
在一些实施例中,影响该冷却器的运行包括基于该一个或多个机器学习模型的输出来确定被预测为防止未来喘振事件的一个或多个可控冷却器变量的值,该一个或多个可控冷却器变量包括以下中的至少一者:变速驱动频率;预旋转叶片位置;或可变几何形状扩散器位置。
在一些实施例中,可控冷却器变量是第一可控冷却器变量,并且影响冷却器的运行进一步包括调节第一可控冷却器变量以影响冷却器的冷却能力,直到冷却器的冷却能力达到期望的冷却能力;或第一可控冷却器变量达到阈值;以及响应于第一可控冷却器变量在冷却器的冷却能力达到期望的冷却能力之前达到阈值,调节第二可控冷却器变量直到冷却器的冷却能力达到期望的冷却能力。
在一些实施例中,冷却器运行数据包括制冷剂类型、排出压力、吸入压力、失速电压、输入电流、轴承位置、当前变速驱动频率、当前预旋转叶片位置或当前可变几何形状扩散器位置中的至少一者。
在一些实施例中,到一个或多个机器学习模型的输入包括可控冷却器变量的值,并且一个或多个机器学习模型的输出包括如果可控冷却器变量的值被用于运行冷却器则未来冷却器喘振事件将发生的概率,并且其中生成可控冷却器变量的阈值包括将未来冷却器喘振事件将发生的概率与概率阈值进行比较;以及响应于确定未来冷却器喘振事件将发生的概率不违反概率阈值,将可控冷却器变量的阈值设定为可控冷却器变量的值。
在一些实施例中,到一个或多个机器学习模型的输入包括未来冷却器喘振事件将发生的概率,并且其中一个或多个机器学习模型的输出包括可控冷却器变量的阈值的值。
在一些实施例中,一个或多个机器学习模型包括神经网络、随机森林或支持向量机中的至少一者。
在一些实施例中,一个或多个机器学习模型的输出包括可控冷却器变量的多个值的概率,并且其中生成可控冷却器变量的阈值包括基于可控冷却器变量的多个值的概率来选择可控冷却器变量的多个值中的一个。
在本公开的又一实施方案中,描述了一种系统。该系统可以包括其上存储有指令的一个或多个存储器装置,这些指令在由一个或多个处理器执行时使该一个或多个处理器提供与冷却器相关联的冷却器运行数据作为到一个或多个机器学习模型的输入;以及使用一个或多个机器学习模型提供可控冷却器变量的阈值以防止未来冷却器喘振事件发生。
在一些实施例中,指令使一个或多个处理器通过以下方式生成一个或多个机器学习模型:通过检测历史冷却器运行数据中的过去喘振事件来创建训练数据集,以及将历史冷却器运行数据的一部分标记为与过去喘振事件相关联的喘振冷却器运行数据。该指令可以进一步使一个或多个处理器通过用训练数据集训练一个或多个机器学习模型来生成一个或多个机器学习模型。
在一些实施例中,到一个或多个机器学习模型的输入包括可控冷却器变量的值,并且一个或多个机器学习模型的输出包括如果可控冷却器变量的值被用于运行冷却器则未来冷却器喘振事件将发生的概率,并且其中该指令使一个或多个处理器通过将未来冷却器喘振事件将发生的概率与概率阈值进行比较来生成可控冷却器变量的阈值;以及响应于确定未来冷却器喘振事件将发生的概率不违反概率阈值,将可控冷却器变量的阈值设定为可控冷却器变量的值。
在一些实施例中,指令使一个或多个处理器影响冷却器的运行,以避免应用具有超过阈值的值的控制信号。
在一些实施例中,可控冷却器变量是第一可控冷却器变量,并且其中指令使一个或多个处理器通过以下方式来影响冷却器的运行:调节第一可控冷却器变量以影响冷却器的冷却能力直到冷却器的冷却能力达到期望的冷却能力;或第一可控冷却器变量达到阈值;以及响应于第一可控冷却器变量在冷却器的冷却能力达到期望的冷却能力之前达到阈值,调节第二可控冷却器变量直到冷却器的冷却能力达到期望的冷却能力。
在又一实施方案中,描述了一种运行冷却器的方法。该方法可以包括基于一个或多个机器学习模型的输出生成对应于未来冷却器喘振事件发生的概率的第一可控冷却器变量的第一阈值;基于第一可控冷却器变量的第一阈值确定冷却器是否可以处理冷却能力;依据基于第一可控冷却器变量的第一阈值确定冷却器将不能够处理冷却能力,基于一个或多个机器学习模型的第二输出生成对应于未来冷却器喘振事件发生的概率的第二可控冷却器变量的第二阈值;以及基于第一阈值和第二阈值影响冷却器的运行。
在一些实施例中,第一可控冷却器变量是预旋转叶片位置或可变几何形状扩散器位置,并且第一阈值是对应于未来冷却器喘振事件发生的概率的第一上边界,并且其中第二可控冷却器变量是变速驱动频率,并且第二阈值是对应于未来冷却器喘振事件发生的概率的第二上边界。
在一些实施例中,第一可控冷却器变量是变速驱动频率,并且第一阈值是对应于未来冷却器喘振事件发生的概率的第一下边界,并且其中第二可控冷却器变量是预旋转叶片位置或可变几何形状扩散器位置,并且第二阈值是对应于未来冷却器喘振事件发生的概率的第二下边界。
在一些实施例中,概率是第一概率,并且其中生成对应于未来冷却器喘振事件发生的概率的第一可控冷却器变量的第一阈值包括从一个或多个机器学习模型获得指示喘振将发生的第二概率的第一输出;基于第二概率与第一概率之间的第一差超过第三阈值,更新冷却器运行数据的第一可控冷却器变量的值,以获得更新的冷却器运行数据;将更新的冷却器运行数据提供给一个或多个机器学习模型以获得第三概率;以及基于第三概率与第一概率之间的第二差小于第三阈值,基于更新的值生成第一可控冷却器变量的第一阈值。
在一些实施例中,可控冷却器变量是第一可控冷却器变量,并且影响冷却器的运行进一步包括调节第一可控冷却器变量以影响冷却器的冷却能力,直到以下任一个:冷却器的冷却能力达到期望的冷却能力;或第一可控冷却器变量达到阈值;以及响应于第一可控冷却器变量在冷却器的冷却能力达到期望的冷却能力之前达到阈值,调节第二可控冷却器变量直到冷却器的冷却能力达到期望的冷却能力。
本领域技术人员将理解,发明内容仅是说明性的,并且不旨在以任何方式进行限制。由权利要求单独限定的本文所描述的装置和/或过程的其它方面、发明特征和优点在本文所阐述的详细描述中将变得明显并且结合附图一起考虑。
附图说明
通过参考结合附图的详细描述,本公开的各种目的、方面、特征和优点将变得更加明显和更好地理解,在附图中相同的附图标记始终标识对应的元件。在附图中,相同的附图标记通常指示相同、功能类似和/或结构类似的元件。
图1是根据一些实施例的示例性冷却器的透视图。
图2是根据一些实施例的基于模型的冷却器控制系统的框图。
图3是根据一些实施例的包括与图1的冷却器相关联的冷却器控制器的示例性冷却器控制系统的框图。
图4是根据一些实施例的图3的冷却器控制器环境的详细框图。
图5是根据一些实施例的用于生成喘振概率的示例性神经网络的图。
图6是根据一些实施例的用于生成和使用可控冷却器变量的边界以运行冷却器的示例性过程的流程图。
图7是根据一些实施例的用于生成和使用可控冷却器变量的边界以运行冷却器的示例性过程的流程图。
图8是根据一些实施例的用于生成可控冷却器变量的边界的示例性过程的流程图。
图9是根据一些实施例的用于生成可控冷却器变量的边界的示例性过程的流程图。
图10是根据一些实施例的图3的冷却器控制器环境的详细框图。
图11是根据一些实施例的用于使用时间序列数据生成喘振概率的示例性神经网络的图。
图12是根据一些实施例的用于生成和使用可控冷却器变量的边界以运行冷却器的示例性过程的流程图。
图13是根据一些实施例的图3的冷却器控制器环境的详细框图。
图14是根据一些实施例的用于生成VSD频率边界的示例性神经网络的图。
图15是根据一些实施例的用于生成PRV/VGD位置边界的示例性神经网络的图。
图16是根据一些实施例的用于生成和设定可控冷却器变量的边界的示例性过程的流程图。
图17是根据一些实施例的图3的冷却器控制器环境的详细框图。
图18是根据一些实施例的用于生成PRV/VGD位置边界的示例性神经网络的图。
图19是根据一些实施例的用于生成VSD频率边界的示例性神经网络的图。
图20是根据一些实施例的用于生成和设定可控冷却器变量的边界的示例性过程的流程图。
图21是根据一些实施例的用于基于机器学习模型的输出来生成可控冷却器变量边界的示例性过程的流程图。
具体实施方式
总体上参考附图,根据各种实施例示出了用于监测冷却器变量以预测可控冷却器变量边界或阈值并且控制冷却器输入以保持在此类边界或阈值内的系统和方法。当冷却器的压缩机不能克服压缩机的入口与出口之间的压力差时,冷却器可能经历喘振。压力差可以使制冷剂向后移动到排出管线中并且通过压缩机返回,以及使冷却器振动并且发出大声的噪音。当冷却器经历喘振时,驱动冷却器所必需的电流量也可能比正常运行期间摆动得更多。如果冷却器过于频繁地进入喘振状态,则冷却器的压缩机和轴承可能被损坏,从而缩短它们的寿命,并且在一些情况下缩短冷却器本身的寿命。通过主动地监测冷却器变量并且确定冷却器运行的边界,控制器可以应用控制信号以避免此类喘振,这可以通过避免大的电流摆动来增加冷却器的寿命并且降低其能量消耗。
在一些实施例中,使用冷却器运行数据来生成(例如,训练)机器学习模型,并且使用该机器学习模型来生成各种可控冷却器变量的阈值,以避免超过该阈值,从而避免潜在的喘振事件。用于训练机器学习模型的冷却器运行数据可以包括各种运行参数、测量变量或表征冷却器的性能和/或状态的其它数据。例如,冷却器运行数据可以包括排出压力、吸入压力、失速电压、轴承位置、输入电流或与冷却器运行相关联的任何其它类型的数据(例如,测量变量、计算变量、控制变量等)。此类冷却器运行数据可以与冷却器接近(例如,在阈值内)喘振状态运行的时间相关联。冷却器运行数据可以包括从云数据库和/或本地数据库收集的历史数据和/或从冷却器实时收集的实况数据。在一些实施例中,该机器学习模型是经由从传感器收集的实况数据来连续地训练的,传感器在冷却器运行时检测冷却器的变量(例如,特性)的各种值并且在一些情况下响应于喘振的发生。
有利地,机器学习模型可以用于标识可控冷却器变量边界,其使冷却器能够在喘振概率阈值内运行。例如,一旦生成了机器学习模型,就可以提供冷却器运行数据的实时值作为到机器学习模型的输入。基于实时值,机器学习模型可以提供指示此类喘振将基于输入而发生的概率的输出。可以将喘振概率与概率阈值进行比较,并且如果概率足够接近喘振概率阈值(例如,在预定范围内),则可以基于输入来生成可控冷却器变量边界。冷却器控制器可以使用边界并且生成和传送控制信号以控制电动机和/或运行冷却器的压缩机的致动器。通过运行压缩机,冷却器控制器可以控制冷却器的冷却能力并且避免喘振。此外,因为实施本文所描述的系统和方法可以使冷却器能够在不进入喘振状态或以其它方式使进入喘振状态的风险最小化的情况下运行,所以冷却器可以更有效地运行并且需要更少的维修。
此外,通过使用本文所描述的系统和方法,冷却器控制器可以使冷却器接近喘振状态运行而不进入喘振状态。此类运行点可以使冷却器更有效地运行。例如,在一些情况下,冷却器的运行越接近喘振状态,冷却器可以运转的效率就越高。因为没有实施本文所描述的系统和方法的系统不能准确地预测会发生喘振的冷却器运行点,所以此类系统经常使冷却器在远离喘振状态的安全区域内运行,以确保冷却器不进入喘振状态。通过使用本文所描述的系统和方法,冷却器可以更接近喘振状态而不进入喘振状态运行,并且因此更有效地运行。
现在参考图1,描绘了冷却器100的示例性实施例。所示的冷却器100包括由电动机104驱动的压缩机102、冷凝器106和蒸发器108。制冷剂可以在蒸汽压缩循环中循环通过冷却器100。冷却器100还可以包括控制面板114以控制由冷却器100执行的蒸汽压缩循环的运行。
电动机104可以由变速驱动器(VSD)110提供动力。VSD 110从AC电源(未示出)接收具有特定固定线电压和固定线频率的交流(AC)功率,并且向电动机104提供具有可变电压和频率的功率。电动机104可以是可以由VSD 110供电的任何类型的电动机。例如,电动机104可以是高速感应电动机。压缩机102由电动机104驱动,以压缩通过吸入管线112从蒸发器108接收的制冷剂蒸汽,并且通过排出管线124将制冷剂蒸汽输送到冷凝器106。压缩机102可以是离心式压缩机、螺杆式压缩机、涡旋式压缩机、涡轮式压缩机或任何其它类型的合适压缩机。
压缩机102可以接近喘振状态运行以有效地运行。压缩机102是否进入喘振状态可以是通过压缩机102的液体流量和压缩机102的入口与出口之间的压力比的函数。在一些情况下,流速越高,在冷却器进入喘振状态之前的压力比可能越高。例如,当压力比对于流过压缩机102的对应量的液体来说太高时,压缩机102可能经历喘振。通常并且在一些情况下,压缩机102越接近喘振状态运行而不进入喘振状态,压缩机102可以越有效地运行。
蒸发器108可以包括内部管束、供应管线120和用于向内部管束供应和去除过程流体的返回管线122。供应管线120和返回管线122可以经由使过程流体循环的管道与HVAC系统内的部件(例如,空气处理机)流体连通。过程流体是用于冷却建筑物的冷冻液体,并且可以是但不限于水、乙二醇、氯化钙盐水、氯化钠盐水或任何其它合适的液体。蒸发器108被配置成当过程流体穿过蒸发器108的管束并且与制冷剂交换热量时降低过程流体的温度。通过输送到蒸发器108的制冷剂液体与过程流体交换热量并且经历相变至制冷剂蒸汽,在蒸发器108中形成制冷剂蒸汽。
由压缩机102输送到冷凝器106的制冷剂蒸汽将热量传递给流体。由于与流体的热传递,制冷剂蒸汽在冷凝器106中冷凝成制冷剂液体。来自冷凝器106的制冷剂液体流过膨胀装置(未示出)并且返回到蒸发器108以完成冷却器100的制冷剂循环。冷凝器106包括用于使流体在冷凝器106与HVAC系统的外部部件(例如冷却塔)之间循环的供应管线116和返回管线118。经由返回管线118供应到冷凝器106的流体与冷凝器106中的制冷剂交换热量并且经由供应管线116从冷凝器106去除以完成循环。循环通过冷凝器106的流体可以是水或任何其它合适的液体。
制冷剂可以具有小于400kPa或大约58psi的运行压力。例如,该制冷剂可以是R1233zd。R1233zd是不易燃的氟化气体,相对于商用冷却器组件中使用的其它制冷剂,其全球变暖潜能值(GWP)较低。GWP是为允许通过量化1吨气体的排放相对于1吨二氧化碳的排放在给定时间段内将吸收多少能量来比较不同气体的全球变暖影响而开发的度量。
在一些实施例中,冷却器100的传感器(未示出)基于冷却器100的运行生成冷却器100的冷却器运行数据。冷却器运行数据还可以包括制冷剂类型。该冷却器运行数据可以用于预测冷却器100是否可以很快或立即进入喘振状态。如本文所描述的,很快或立即可以是未来的任何时间量,诸如例如1秒、5秒、10秒、1分钟、5分钟、10分钟、30分钟、1小时等。传感器可以生成的冷却器运行数据的类型的实例包括但不限于制冷剂类型、排出压力(Pd)、吸入压力(Ps)、失速电压、失速电流、输入电流和轴承位置。排出压力可以是在压缩机102的输出处生成的压力。制冷剂类型可以是当前流过压缩机102的制冷剂类型。吸入压力可以是在压缩机102的输入处生成的压力。排出压力与吸入压力之间的大的差可能使冷却器中发生喘振,因为压力差可能使冷却剂回流到压缩机102中。失速电压和失速电流可以分别是当电动机104失速时,电动机104两端的电压和电流。失速电压和失速电流可以是固定值,其可以影响冷却器100何时喘振。输入电流可以是当前驱动电动机104的电流量。输入电流的突然升高或降低可以指示喘振正在发生或将很快发生。轴承位置可以是电动机104驱动压缩机102的轴上的各种轴承的位置。如果冷却器100的轴承位置偏离位置太多,冷却器100可能喘振。
在一些实施例中,如果VSD频率低于或高于阈值,如果VGD位置大于或低于阈值,和/或如果PRV位置大于或低于阈值,则冷却器运行数据可以用于确定喘振将发生。一旦确定了这些值中的任何一个,就可以实施控制信号以避免使VSD频率、VGD位置或PRV位置超过或低于相关联的阈值。在一些实施例中,阈值与喘振发生的概率相关联。例如,管理员可以输入40%的喘振概率阈值。可以生成使冷却器100能够以40%的喘振概率运行的阈值。
现在参考图2,示出了根据一些实施例的基于模型的冷却器控制系统200的框图。所示的冷却器控制系统200包括冷却器控制器202、VSD 207、电动机209、致动器210和压缩机216。压缩机216可以在诸如冷却器100的冷却器内运行。冷却器控制器202可以从冷却器的各种传感器接收输入204,该输入指示当冷却器接近喘振状态运行时和/或当冷却器在喘振状态下运行时的情况。输入可以包括VSD频率、预旋转叶片(PRV)位置/可变几何形状扩散器(VGD)位置,和/或与冷却器的运行相关联的各种其它特性的值,诸如冷却器的冷凝器与蒸发器之间的压力差(例如,压缩机216的入口与出口之间的压力差)。PRV位置可以是在压缩机216的入口处的阀位置。VGD位置可以是在压缩机216的出口处的阀位置。冷却器控制器202可以接收这些输入并且生成VSD控制信号206以控制驱动压缩机216的电动机209,和/或生成PRV/VGD控制信号208以控制致动器210,从而控制冷却器的压缩机216的出口和/或入口,以避免未来喘振或当前发生的喘振。
为了生成控制信号206和208以控制致动器210,冷却器控制器202可以使用映射技术,该映射技术将电动机速度、PRV位置和/或VGD位置,和/或冷凝器与蒸发器之间的压力差映射到预定值,该预定值指示冷却器是否处于喘振状态或喘振是否即将发生。例如,冷却器控制器202可以维护包括喘振映射的数据库,冷却器控制器202可以将以上所描述的值中的每一个与喘振映射进行比较,以确定冷却器是否在喘振状态下运行或喘振是否即将发生。喘振映射可以包括指示冷却器何时经历喘振的冷却器变量的硬编码值。喘振映射可以包括控制信号,该控制信号对应于变量的值并且应基于这些值使冷却器脱离喘振状态。如果冷却器控制器202确定冷却器正在喘振状态下运行或喘振即将发生,则冷却器控制器202可以从喘振映射中标识预定的控制信号,以发送到致动器210来控制压缩机216以避免或停止喘振。
致动器210可以接收信号并且调节压缩机216的运行以避免或停止任何喘振。致动器210可以包括控制压缩机216的PRV位置和/或VGD位置的致动器(例如,在压缩机216的入口和/或出口处的控制阀)。致动器210可以基于它们从冷却器控制器202接收的功率和控制信号来运行。电动机209可以从VSD 207接收电压。冷却器控制器202可以通过调节冷却器控制器202发送到VSD 207的VSD控制信号206的频率来控制电动机209从VSD 207接收的电压。电动机209可以运行压缩机216。类似地,冷却器控制器202可以将指示PRV位置和/或VGD位置的PRV/VGD控制信号208发送到致动器210,以控制压缩机216的入口和出口处的阀位置。致动器210可以基于控制信号208设定PRV/VGD位置214。
在一些实施例中,冷却器控制器202用于生成VSD、PRV和/或VGD控制信号206和208的映射技术是静态过程,并且必须由管理员手动更新以调节压缩机216的运行中的任何变化。冷却器控制器202可能不能基于随时间变化的冷却器运行条件来调节控制信号。映射技术可以是基于现有知识和/或测试的人工实施的。冷却器控制器202可能不能考虑冷却器的各种其它参数,该参数可能是喘振是否即将发生或喘振是否正在发生的重要指标。因此,冷却器控制器202可能依赖于有限的参数,需要大量的测试,并且当冷却器的条件改变时可能不能准确地预测随时间的喘振。
现在参考图3,示出了根据一些实施例的参考图1示出和描述的用于预测冷却器100中的喘振的系统300的框图。系统300被示为包括冷却器控制器302、冷却器100、VSD110、云数据库328和用户装置332。冷却器控制器302被示为包括模型生成器312、机器学习模型314、云数据库328和历史数据库330。冷却器控制器302可以管理与冷却器100和建筑物管理系统的其它建筑物设备相关联的冷却器运行数据。简而言之,模型生成器312可以从云数据库328、历史数据库330和/或从冷却器100(未示出)接收或获得冷却器运行数据,以训练机器学习模型314的一个或多个机器学习模型来预测冷却器100在各个运行点处的喘振概率。机器学习模型314可以被实施为机器学习模型,其可以动态地预测冷却器100的运行点的喘振概率,并且将预测发送到边界生成器316。边界生成器316可以使用预测喘振概率来确定冷却器100的运行边界。在一些情况下,边界生成器316生成被预测为保持喘振发生的概率处于或低于喘振概率阈值的边界。如本文所描述的,喘振概率阈值可以由用户提供、从存储器检索,或从任何其它数据源获得。例如,喘振概率阈值可以指示管理员满意的喘振概率。变量调节器318可以使用边界来调节可控冷却器变量的值,以确保冷却器100在边界内运行。
冷却器控制器302通常可以使用与建筑物管理系统(BMS)(未示出)相关联的一个或多个服务器来实施。冷却器控制器302可以包括远程服务器(云)、本地服务器(现场)或其任何组合。冷却器控制器302可以实施为就地安装有冷却器100和变量调节器318的本地控制器。在一些实施例中,冷却器控制器302是冷却器100本身的一部分。例如,冷却器100可以是包括其自身控制器的智能冷却器。冷却器控制器302可以是控制器的一部分或作为冷却器100的一部分单独实施。
冷却器控制器302被示为包括通信接口304和处理电路306,该处理电路包括处理器308和存储器310。存储器310可以包括当由处理器308执行时使处理器308执行本文所描述的一个或多个功能的指令。本文所描述的处理器308可以使用一个或多个处理器或处理装置来实施,诸如张量处理单元(TPU),其被设计用于使用机器学习技术来基于冷却器100的设定运行点、冷却器100的运行边界的概率,或运行边界本身来确定喘振是否将发生的概率。
存储器310可以被配置成存储可由控制电路执行的指令和/或其它数据(例如,与节点的通信、配置和/或地址数据等有关的数据)。处理电路306可以被配置成实施本文所描述的方法中的任一种和/或使此类方法由处理器(例如,处理器305)执行。存储器310被示为包括模型生成器312、机器学习模型314、边界生成器316和历史数据库330。在一些实施例中,存储器310还包括云数据库328。存储器310可以包括任何数量的部件和/或模块。处理电路306可以实施部件312、316、318和/或330中的任一者以处理冷却器运行数据326,训练机器学习模型314以基于设定的冷却器运行点生成喘振将发生的概率,生成边界,并且运行冷却器100。可以认为处理电路306包括或可以连接或可连接到存储器310,该存储器可以被配置成可由处理电路306访问以用于读取和/或写入。
通信接口304可以被配置成便于与任何装置通信。此外,通信接口304可以被配置成与BMS的所有装置和系统安全地通信,诸如冷却器100和收集冷却器100的冷却器运行数据的传感器(未示出)。在各种实施例中,经由通信接口304的通信可以是直接的(例如,本地有线或无线通信)或经由通信网络(例如,WAN、因特网、蜂窝网络等)。
模型生成器312可以从云数据库328和/或历史数据库330接收冷却器运行数据。云数据库328和/或历史数据库330中的每一者可以是图形数据库、MySQL、Oracle、微软SQL(Microsoft SQL)、PostgreSql、DB2、文档存储、搜索引擎、装置标识符值存储等。云数据库328和/或历史数据库330可以被配置为保存包括任何数量的值的冷却器运行数据。云数据库328可以是与包括与发生在冷却器100中的喘振的情况相关联的数据和/或来自向云数据库328提供冷却器运行数据的其它冷却器的冷却器运行数据(例如,来自建筑物的连接的冷却器和/或来自其它建筑物的冷却器)的冷却器运行数据相关联的云数据库。如果冷却器控制器302是或包括云服务器,则云数据库328可以是冷却器控制器302的一部分,或者如果冷却器控制器302不包括云服务器,则该云数据库可以是与冷却器控制器302分离的数据库。如果云数据库328与冷却器控制器302分离,则云数据库328可以从云向冷却器控制器302提供冷却器运行数据输入。历史数据库330可以是用于收集和存储冷却器100的冷却器运行数据的专用数据库。历史数据库330可以是在冷却器控制器302处的冷却器100相应的云数据库或本地存储的数据库。可以存储在云数据库328和/或历史数据库330中的冷却器运行数据的实例包括但不限于排出压力、吸入压力、失速电压、轴承位置、输入电流、冷却剂类型等。此类值可以与它们被收集或生成的时间和/或标识与这些值相关联的装置或时间序列的标识相关联。
冷却器运行数据326可以从生成数据的传感器传递到云数据库328和历史数据库330中的每一者。例如,传感器可以检测与冷却器的运行相关联的信息,并且生成冷却器运行数据326以发送到与冷却器100相同的建筑物内的本地网关(未示出)。本地网关可以将冷却器运行数据收集、聚集并且格式化为机器可读格式,并且将冷却器运行数据发送到云数据库328或历史数据库330用于存储。多个建筑物管理系统可以与云数据库328通信以类似地将冷却器运行数据本地发送到建筑物管理系统以存储在云数据库328中。冷却器运行数据326可以由技术人员手动上传到数据库328和/或330、由另一控制器(未示出)传送到数据库328和/或330、由具有互联网连接的传感器发送到数据库328和/或330等。
模型生成器312可以用包括与喘振边界相关联的冷却器运行数据的训练数据集来训练机器学习模型314。喘振边界可以是指示冷却器在喘振状态下运行的运行数据的样本与指示冷却器在正常或非喘振状态下运行的冷却器运行数据的样本之间的阈值。训练数据集可以包括当冷却器100进入喘振状态时的冷却器运行数据值(例如,当冷却器100处于冷却器边界时的数据值)以及与喘振边界相关联的其它冷却器运行数据。模型生成器312可以生成仅包括此类值的训练数据集并且将其应用于机器学习模型314,直到机器学习模型314可以基于冷却器运行数据准确地(例如,准确到阈值)预测喘振概率。有利地,通过仅使用与喘振边界相关联的数据来训练模型生成器312,模型生成器312可以训练机器学习模型314以预测冷却器100是否将进入喘振状态的概率,而不是预测冷却器100是否将完全处于喘振状态的概率。然而,训练数据集可以包括任何类型的训练数据。
在一些实施例中,为了生成训练数据,模型生成器312可以标识其中冷却器100开始在喘振状态下运行的冷却器运行数据。模型生成器312可以将与冷却器100开始在喘振状态下运行的时间相关联的冷却器运行数据标识为冷却器喘振数据。模型生成器312可以使用冷却器喘振数据来训练机器学习模型314以预测喘振概率。
模型生成器312还可以使用与喘振边界相关联的冷却器运行数据来训练机器学习模型314。在一些实施例中,模型生成器312可以使用可控冷却器变量范围来标识此类冷却器运行数据。可控冷却器变量中的每一个或一部分可以与特定范围相关联。特定范围可以由管理员设定。该范围可以包括任何数量的值或在任何百分比内。当模型生成器312检测处于喘振边界的冷却器运行数据的值时,模型生成器312可以将在每个可控冷却器变量的特定范围内的冷却器可控冷却器变量的其它值标识为与喘振边界相关联。模型生成器312可以使用喘振边界数据和与喘振边界相关联的冷却器运行数据来训练机器学习模型314。
例如,模型生成器312可以检测冷却器100进入喘振状态,该喘振状态具有VSD频率为49Hz的工作点、打开25%的PRV位置和打开25%的VGD位置。VSD频率可以与2Hz的范围相关联;PRV位置可以与5%的范围相关联;VGD位置可以与5%的范围相关联。模型生成器312可以标识这些值并且生成训练数据集,该训练数据集包括范围在47Hz与51Hz之间的VSD频率的值、范围为20%到30%的PRV位置的值,以及范围为20%到30%的VGD位置的值。每个冷却器变量的范围可以是任何值或百分比。其它冷却器运行数据的值可以对于每个值保持恒定。模型生成器312可以使用这些值和其它冷却器运行数据来生成训练数据集以训练机器学习模型314。
在一些实施例中,模型生成器312可以检测冷却器100进入喘振状态的时间,并且使用与喘振发生之前、期间和/或之后的时间相关联的冷却器运行数据来训练冷却器100。模型生成器312可以使用时间范围来确定将哪些冷却器运行数据包括在训练数据集中。例如,模型生成器312可以获得冷却器100在10月2日下午1:00经历5秒喘振的指示。模型生成器312可以获得包括与在下午12:59与下午1:01之间以一秒增量的时间相关联的值的时间序列。模型生成器312可以被配置成利用训练数据来训练机器学习模型314,该训练数据包括与冷却器100进入喘振状态之前5秒直到冷却器100离开喘振状态相关联的冷却器运行数据。因此,模型生成器312可以生成具有与下午1:00之前5秒直到下午1:00之后5秒(冷却器进入喘振状态之前5秒以及冷却器处于喘振状态的时间)的值相关联的数据的训练数据集。模型生成器312可以将训练数据集输入到机器学习模型314中用于训练。模型生成器可以在任何时间范围内使用冷却器运行数据,在一些实施例中,包括与冷却器100离开喘振状态之后的时间相关联的数据的时间范围。
在一些实施例中,模型生成器312可以通过将冷却器喘振数据格式化为包括输入-输出对的特征向量来生成训练数据集。输入可以是冷却器运行数据,并且输出可以是冷却器运行数据是否与喘振相关联。训练数据可以包括标记有指示输入与喘振相关联的输出的冷却器运行数据和标记有指示输入不与喘振相关联的输出的冷却器运行数据。训练数据可以被输入到机器学习模型314中。机器学习模型314可以基于该输入输出预测喘振概率。可以将该输出与训练数据的输入对的输出进行比较。机器学习模型314可以基于标记的输出与机器学习模型314预测的输出之间的差来调节其内部权重。模型生成器312可以使用存储在云数据库328和/或历史数据库330中的历史数据来执行类似的过程。因此,模型生成器312可以训练机器学习模型314以生成喘振概率。
在一些情况下,模型生成器312可以从冷却器100实时接收冷却器运行数据326,并且使用实时冷却器运行数据训练机器学习模型314。例如,模型生成器312可以从本地网关接收传感器生成的冷却器运行数据。模型生成器312可以使用生成的冷却器运行数据来生成训练数据集。在一些情况下,模型生成器312可以响应于检测到在冷却器100中发生的喘振而这样做。在一些情况下,为了生成训练数据集,模型生成器312可以确定接收的冷却器运行数据是否在喘振边界的阈值处或在喘振边界的阈值内,并且根据该确定来标记训练数据集。模型生成器312可以将标记的训练数据集输入到机器学习模型314中用于训练。因此,模型生成器312可以训练机器学习模型314以基于当冷却器100进入喘振状态时生成的数据样本来预测值和/或喘振概率。
模型生成器312可以实时地和/或在实施机器学习模型314之前训练机器学习模型314。例如,模型生成器312可以训练机器学习模型314以预测喘振概率。在一些情况下,管理员可以输入由从冷却器100或从类似类型的其它冷却器生成的数据构成的数千个真实世界训练数据集。例如,管理员可以输入在某些情况下包括时间序列数据的数据集。机器学习模型314可以使用该数据并且基于该数据预测将发生喘振的概率。对于证明是正确的任何预测(例如,机器学习模型314预测了将发生喘振的高概率并且喘振发生了),模型生成器312可以创建指示喘振预测是正确的标记的训练数据集,并且将标记的训练数据集反馈到机器学习模型314,以便机器学习模型314可以相应地调节其内部权重/参数。该过程可以重复任何数量的迭代,直到模型生成器312确定机器学习模型314准确到阈值。一旦作出了此类确定,就可以实施机器学习模型314,以使用实况数据作出类似的预测,并且基于任何正确的预测连续地训练。在一些情况下,可以使用来自不正确预测的数据来训练机器学习模型314。模型生成器312可以将预测标识为不正确,将与预测相关的数据标记为正确的预测,并且将标记的训练数据馈送通过机器学习模型314进行训练。可以执行类似的过程来训练机器学习模型314的机器学习模型,以预测PRV/VGD位置或VSD频率的阈值,以避免超过或低于该阈值。因此,可以生成机器学习模型314以预测VSD频率和/或PRV/VGD位置的喘振概率和/或阈值。
在一些实施例中,冷却器控制器302从位于不同建筑物和/或在不同建筑工地的冷却器接收冷却器运行数据。可以基于冷却器类型(例如,冷却器型号、冷却器大小等)来组织冷却器运行数据。冷却器运行数据可以用于训练和/或生成与特定冷却器类型相关联的机器学习模型。例如,来自各个建筑工地处的离心式冷却器的冷却器运行数据可以用于训练机器学习模型314的机器学习模型,以生成用于离心式冷却器的喘振预测和/或各种控制信号边界。类似地,在另一实例中,来自各个建筑工地处的螺杆驱动式冷却器的冷却器运行数据可以用于训练机器学习模型314的另一机器学习模型,以生成用于螺杆驱动式冷却器的喘振预测和/或各种控制信号边界。可以生成任何数量的机器学习模型(例如,针对每种不同的冷却器类型生成一个机器学习模型),并且将其存储在冷却器控制器302中,并且根据需要使用。
冷却器控制器302可以基于向冷却器控制器302提供实时值的冷却器类型来自动选择使用哪种机器学习模型。例如,冷却器100可以将其型号发送到冷却器控制器302。冷却器控制器302可以选择与型号相关联的机器学习模型,并且使用所选择的机器学习模型来预测冷却器中的喘振或生成控制信号以避免喘振。
机器学习模型314可以包括一个或多个机器学习模型,诸如但不限于神经网络、随机森林、支持向量机等,该机器学习模型被配置成自动确定喘振是否将发生的概率(例如,在二进制分类系统中)和/或与喘振概率阈值相关联的VSD频率和/或PRV/VGD位置边界。喘振概率阈值可以基于来自用户装置332的管理员输入来确定,或者如上所描述的以其它方式获得。例如,机器学习模型314的一个机器学习模型可以接收冷却器运行点输入并且基于该冷却器运行点来确定喘振是否将发生的概率。取决于该实施例,机器学习模型314的一个或多个其它机器学习模型可以接收相同或类似的输入以及喘振概率阈值,并且为可控冷却器变量的值确定边界VSD频率和/或PRV/VGD位置,以避免在冷却器控制器302运行冷却器100时(例如,经由变量调节器318)超过或降低到以下。机器学习模型314可以将其输出(例如,喘振或喘振边界的概率)传送到变量调节器318。
例如,可以训练机器学习模型314以基于各种运行点预测冷却器100的喘振概率。机器学习模型314可以接收包括冷却器运行点的数据集,该数据集包括当前制冷剂类型、排出压力、吸入压力、失速电压、输入电流、轴承位置、变速驱动频率、当前预旋转叶片位置和/或当前可变几何形状扩散器位置的值。机器学习模型314可以使用内部权重和/或参数来基于所接收的数据集确定喘振将发生的概率,并且将该概率传送到边界生成器316。例如,机器学习模型314可以接收包括冷却器运行点的数据集,并且基于该数据集确定存在75%的概率将发生喘振。机器学习模型314可以将该概率传送到边界生成器316用于进一步处理。
在另一实例中,可以训练机器学习模型314以自动预测可控冷却器变量,诸如VSD频率和/或VGD或PRV位置,的边界。机器学习模型314可以预测任何可控冷却器变量的边界。机器学习模型314可以接收与以上类似的数据集,并且使用内部权重和/或参数来确定边界。在一些实施例中,机器学习模型314进一步基于喘振概率阈值生成边界。管理员可以输入该喘振概率阈值,并且可以训练机器学习模型314以使用喘振概率作为输入来预测边界。在一些实施例中,可以训练机器学习模型314以使用不包括用于利用其预测边界的可控冷却器变量的值的数据集。例如,如果训练机器学习模型314以基于冷却器运行点和喘振的输入概率来预测VSD频率,则可以训练机器学习模型314以进行此类预测而不使用VSD频率的值作为输入。可以训练机器学习模型314以预测任何可控冷却器变量的边界和/或基于任何喘振概率阈值。
当冷却器100运行时,机器学习模型314可以经由连续训练来适应冷却器100的运行变化(例如,基于冷却器100的部件的磨损和破裂)。因此,机器学习模型314可以基于给定的冷却器运行点或可控冷却器变量边界提供关于喘振将发生的概率的更新的反馈,变量调节器318可以实施该反馈以在与喘振概率阈值相关联的运行点处运行冷却器100。
边界生成器316可以被配置成基于喘振概率阈值生成可控冷却器变量的边界。边界生成器316可以获得喘振概率阈值。喘振概率阈值的范围可以从0%到100%。边界生成器316可以标识并且使用喘振概率来确定可控冷却器变量的边界,变量调节器318可以使用该边界来避免使冷却器100在喘振概率超过喘振概率阈值的运行点处运行。边界生成器316可以通过获得冷却器运行数据并且生成数据集(例如,特征向量)以输入到机器学习模型314中来这样做。取决于如何配置机器学习模型314,边界生成器316可以生成数据集以包括冷却器运行数据,该冷却器运行数据包括可控冷却器变量的值和/或喘振概率阈值的喘振概率。边界生成器316可以将数据集输入到机器学习模型314中,接收输出,并且基于该输出确定一个或多个可控冷却器变量边界。
如下面将更详细地描述的,在一些情况下,边界生成器316可以生成数据集以输入到机器学习模型314中,直到边界生成器316可以生成满足喘振概率阈值的可控冷却器变量边界。例如,边界生成器316可以从用户装置332接收喘振概率阈值,并且将该喘振概率阈值与机器学习模型314输出的喘振概率进行比较。边界生成器316可以确定喘振概率是否相同或在喘振概率阈值的阈值内,并且如果是,则传送用作到机器学习模型314的输入的控制信号作为控制信号边界。然而,如果边界生成器316确定概率不在阈值内,则边界生成器316可以调节用作到机器学习模型314的输入的一个或多个控制信号,将调节后的控制信号应用于机器学习模型314,并且确定机器学习模型314的输出概率是否在喘振概率阈值的阈值内。边界生成器316可以重复该过程,直到它标识出满足喘振概率阈值的一个或多个控制信号边界。
变量调节器318可以被配置成运行冷却器100和/或建筑物的各种其它建筑物设备。变量调节器318可以被配置成从边界生成器316接收信号,诸如VSD频率和/或PRV/VGD位置边界。基于该边界,变量调节器318可以生成VSD控制信号320和/或PRV/VGD控制信号322以运行冷却器100。例如,变量调节器318可以从机器学习模型314接收指示最小VSD频率阈值是51Hz的输出。在另一实例中,变量调节器318可以接收指示PRV位置不应超过完全打开80%的控制信号阈值。变量调节器318可以使用此类预测来确保其不输出低于51Hz的VSD频率或使PRV打开超过其最大值的80%的PRV位置。因此,变量调节器318可以控制压缩机102的容量以避免增加喘振的概率增加到喘振概率阈值以上。
在一些实施例中,变量调节器318可以通过调节第一可控冷却器变量的第一值来控制冷却器100,以影响冷却器100的冷却能力,直到达到期望的冷却能力或者第一可控冷却器变量的第一值达到如上确定的边界或阈值。如果在达到期望的冷却能力之前第一可控冷却器变量的第一值达到阈值,则变量调节器318可以调节第二可控冷却器变量的第二值,直到达到期望的冷却能力。例如,PRV/VGD位置的上边界可以确定为完全打开70%。为了运行冷却器100,变量调节器318可以将PRV/VGD位置控制信号的值调节为完全打开70%。如果冷却器仍然不能处理新的冷却负载,则变量调节器318可以增加VSD频率,直到达到期望的冷却负载或者VSD频率达到如上所描述的确定的边界。如果变量调节器318不能运行冷却器100以处理新的冷却负载,则变量调节器318可以向用户装置332传送指示不能达到期望的冷却能力的消息。
有利地,通过以上所描述的方式控制冷却器100,冷却器100可以更有效地运行。在一些实施例中,例如,当试图增加冷却器100的冷却能力时,增加PRV/VGD位置可能比增加VSD频率更有效。因此,通过在调节VSD频率之前确定和使用PRV/VGD位置控制上边界以控制冷却器100,变量调节器318可以使冷却器100更有效地运行。类似地,当试图降低冷却器100的冷却能力时,首先确定和使用VSD频率下边界以运行冷却器100可以使冷却器100比首先降低PRV/VGD位置更有效地运行。
致动器324可以是运行冷却器100的压缩机102的致动器。致动器324可以类似于参考图2示出和描述的致动器210。致动器324可以基于从变量调节器318接收的控制信号来运行压缩机102的PRV位置和/或VGD位置。致动器324可以通过打开或关闭压缩机102各端处的阀来控制液体(例如,冷却剂)流入和流出压缩机102。
电动机104可以如上所描述的驱动压缩机102。电动机104可以基于变量调节器318发送到VSD 110的VSD控制信号320的频率从VSD 110接收电压。电动机104可以通过轴(未示出)并且基于VSD 110提供的电压来运行压缩机102。
有利地,通过基于边界生成器316生成的边界控制VSD频率、PRV位置和/或VGD位置,变量调节器318可以主动地控制冷却器100的容量,使压缩机102可以在与喘振概率阈值相关联的值的范围内有效地运行(例如,接近喘振状态)。变量调节器318可以从边界生成器316接收运行的边界。边界生成器316可以基于喘振概率阈值生成此类边界。变量调节器318可以生成控制信号以相应地控制冷却器100。使用机器学习模型314来预测喘振概率或生成可控冷却器变量边界以利用预定的喘振概率运行可以使变量调节器318能够抢先地避免冷却器100中的喘振,提高冷却器100运行的效率。此类预测优于不使用本文所描述的系统和方法(例如,使用喘振映射的系统和方法)的其它系统,这些其它系统经常需要控制器对已经发生的喘振作出反应并且确定哪些控制信号可以停止喘振,如果它们将被应用的话。此类预测或反应经常使用不根据冷却器如何运行的变化而调节的静态值来进行。因此,此类系统可能随时间变得更加不准确。因此,在先前的方法中,可能发生更多的喘振,使喘振的冷却器的运行时间损失不可预测的量。
现在参考图4,示出了根据一些实施例的冷却器控制器环境400的详细框图。冷却器控制器环境400被示为包括历史数据库330、机器学习模型314、边界生成器316、变量调节器318和用户装置332。边界生成器316被示为包括数据处理器402、PRV/VGD边界生成器404、概率标识器406、VSD边界生成器408、冷却负载标识器410、性能模拟器412和信号生成器414。简而言之,数据处理器402可以从历史数据库330获得冷却器运行数据。数据处理器402可以使用冷却器运行数据生成特征向量,并且将该特征向量输入到机器学习模型314中。机器学习模型314可以基于冷却器运行数据确定喘振将发生的概率,并且将该概率提供给PRV/VGD边界生成器404和/或VSD边界生成器408。PRV/VGD边界生成器404和/或VSD边界生成器408可以确定概率是否相同或在喘振概率阈值内。喘振概率阈值可以是管理员通过到用户装置332的输入提供给概率标识器406的阈值。如果该概率在喘振概率阈值内,则性能模拟器412可以基于该阈值确定冷却器100是否可以满足期望的新冷却负载(例如,调节后的冷却负载)。如果边界生成器404或408中的一个确定概率不在喘振概率阈值内或者性能模拟器412确定可能不满足期望的冷却负载,则数据处理器402可以向机器学习模型314提供调节后的输入以重复该过程,直到性能模拟器412标识出使冷却器100能够满足冷却负载的边界。信号生成器414可以将所确定的边界传送到变量调节器318以控制冷却器100。
数据处理器402可以被配置成生成包括冷却器运行数据的特征向量,并且将该特征向量应用于机器学习模型314,以基于各种冷却器运行数据来确定喘振将发生的概率。在一些情况下,数据处理器402可以响应于接收到将存在新的冷却负载供冷却器100处理的指示而生成特征向量。例如,冷却器控制器302可以接收处理较高冷却负载的指示,并且数据处理器402可以利用冷却器100的当前冷却器运行数据生成特征向量,以确定冷却器100在其中运行的边界。该边界可以使冷却器100能够避免在使冷却器100具有超过喘振概率阈值的进入喘振状态的概率的运行条件下运行。特征向量可以包括冷却器运行数据的数字标识符。数字标识符可以是冷却器运行数据集的值。冷却器运行数据可以包括但不限于冷却器的制冷剂类型、排出压力值、吸入压力值、失速电压、轴承位置、输入电流、VSD频率、PRV位置、VGD位置等。任何非数字冷却器运行数据可以与冷却器控制器302的数据库(例如,历史数据库)中的数字相关联。冷却器运行数据可以包括当前值(例如,冷却器的特性的当前值)。格式化的冷却器运行数据可以应用于一个或多个机器学习模型用于处理。如下所描述的,数据处理器402可以调节用作到机器学习模型314的输入的可控冷却器变量的值,以确定此类变量的边界。
概率标识器406可以被配置成接收或标识喘振概率阈值以运行冷却器100,并且将喘振概率阈值传送到PRV/VGD边界生成器404和/或VSD边界生成器408。在一些实施例中,概率标识器406可以生成用户界面并且将用户界面传送到用户装置332,从而管理员可以输入此类喘振概率阈值。喘振概率可以是0%与100%之间的任何值。概率标识器406可以接收喘振概率阈值并且将其传送到PRV/VGD边界生成器404和/或VSD边界生成器408用于进一步处理。
机器学习模型314可以接收包括冷却器运行数据的特征向量,并且基于特征向量生成喘振将发生的概率。在一些情况下,机器学习模型314可以将概率输出到PRV/VGD边界生成器404。PRV/VGD边界生成器404可以被配置成基于机器学习模型314的输出概率和由概率标识器406标识的概率来生成用以运行冷却器100的PRV/VGD边界。PRV/VGD边界生成器404可以将来自机器学习模型314的概率与来自概率标识器406的喘振概率阈值进行比较,以确定该概率是相同的还是在喘振概率阈值的设定范围或阈值内。范围或阈值可以是任何值。如果PRV/VGD边界生成器404确定概率和喘振概率阈值在彼此的设定范围内,则PRV/VGD边界生成器404可以标识数据处理器402用来生成输入到机器学习模型314中以生成概率的特征向量的PRV/VGD位置值。PRV/VGD边界生成器404可以将此类位置值标识为PRV/VGD位置的边界。
例如,PRV/VGD边界生成器404可以基于包括完全打开25%的PRV/VGD位置值的特征向量从机器学习模型314接收60%的喘振概率。PRV/VGD边界生成器404还可以从概率标识器406接收55%的喘振概率阈值。PRV/VGD边界生成器404可以被配置成确定在喘振概率阈值的5%内的任何喘振概率与有效变量边界相关联。PRV/VGD边界生成器404可以将预测概率与阈值进行比较,并且确定来自机器学习模型314的预测喘振概率在喘振概率阈值的可接受范围内,并且生成PRV/VGD位置边界,其值为完全打开25%。PRV/VGD边界生成器404可以将所确定的位置边界输出到性能模拟器412,以确定生成的边界是否使冷却器100能够具有足够的容量用于新的冷却负载。
如果PRV/VGD边界生成器404确定来自机器学习模型314的预测概率不在喘振概率阈值的阈值内,则PRV/VGD边界生成器404可以向数据处理器402传送指示不能生成边界的信号。数据处理器402可以接收信号并且生成包括新的PRV/VGD位置值的新的特征向量。数据处理器402可以基于预测喘振概率是高于还是低于喘振概率阈值来生成特征向量的新的PRV/VGD位置值。例如,在一些实施例中,数据处理器402可以将PRV/VGD位置值从先前特征向量中的值增加到具有更高的值。较高的PRV/VGD位置值可以使阀打开以允许更多的液体流过压缩机102。另一方面,如果预测喘振概率太低,则数据处理器402可以减小PRV/VGD位置值以增加预测喘振概率。因为冷却器100越接近喘振边界运行,冷却器100可以越有效运行,通过增加喘振的概率,PRV/VGD边界生成器404可以使冷却器100在管理员设定参数内运行时更有效地运行。数据处理器402和PRV/VGD边界生成器404可以调节PRV/VGD值,直到PRV/VGD边界生成器404可以生成与在喘振概率阈值内的预测喘振概率相关联的PRV/VGD边界。
冷却负载标识器410可以被配置成标识冷却器100必须提供的所需冷却的变化。冷却负载标识器410可以基于建筑物设备的配置的变化或基于建筑物的设定点(例如,区域空气温度设定点)的变化来标识期望的冷却负载。在一些情况下,此类变化可以基于预设的时间表或基于标识的建筑物的条件自动地执行。在一些情况下,可能需要基于管理员输入的此类变化,诸如恒温器中的手动变化。变化可能与冷却负载的增加或减少相关联。冷却负载标识器410可以标识变化并且确定实施此类变化所需的新的冷却负载。冷却负载标识器410可以将包括新的冷却负载需求的变化传送到性能模拟器412,以确定由PRV/VGD边界生成器404和/或VSD边界生成器408生成的边界是否使冷却器100能够具有足够的容量来处理新的冷却负载。
性能模拟装置412可以被配置成从冷却负载标识器410和由PRV/VGD边界生成器404和/或VSD边界生成器408(下面描述)生成的边界接收新的冷却负载。性能模拟装置412可以模拟冷却器100将如何与PRV/VGD边界生成器404和/或VSD边界生成器408生成的边界一起运行,以确定边界是否将使冷却器100能够具有足够的冷却能力来处理由冷却负载标识器410所标识的新的冷却负载。性能模拟装置412可以基于冷却器的当前运行条件和用于PRV/VGD边界或VSD边界中的任一者或两者的控制信号的边界来作出此类确定。例如,在一些实施例中,性能模拟装置412可以确定较高的VSD频率和/或PRV/VGD位置可以导致较高的冷却能力。性能模拟装置412可以使用线性函数,其中较高的VSD频率和/或PRV/VGD位置等于冷却器100中较高的冷却能力。然而,性能模拟器412可以基于VSD频率和PRV/VGD位置来确定冷却能力。
在一些情况下,性能模拟装置412可以使用相同的值来为数据处理器402用于生成特征向量的一组运行条件确定冷却器的最大冷却能力。例如,性能模拟装置412可以使用当前制冷剂类型、排出压力、吸入压力、失速电压、输入电流和轴承位置的当前冷却器运行值以及任何变速驱动频率、当前预旋转叶片位置和/或当前可变几何形状扩散器位置的边界值,以确定如果边界值被实施为控制冷却器100的控制值,则冷却负载将是什么。此类值可以用在数据处理器402输入到机器学习模型314中的特征向量中,或者它们可以从历史数据库330或冷却器100中收集。在一些实施例中,性能模拟装置412还可以使用冷却器100的特性以确定冷却负载,诸如冷却器100和/或压缩机102的大小。性能模拟装置412可以基于这些输入模拟冷却器100将如何运行,并且确定冷却器100是否可以处理由冷却负载标识器410标识的冷却负载(例如,确定冷却器100是否将具有超过由冷却负载标识器410标识的冷却负载的冷却能力)。如果性能模拟装置412确定该输入可以处理所标识的冷却负载,则信号生成器414可以生成信号并且将其传送到变量调节器318,该信号包括由PRV/VGD边界生成器404和/或VSD边界生成器408生成的边界值。然而,如果性能模拟器412确定冷却器100不能使用所确定的边界来处理所标识的冷却负载,则性能模拟器412可以将信号传送到数据处理器402以指示需要生成新的边界。
数据处理器402可以接收此类信号并且生成新的特征向量,该特征向量包括与用于生成先前边界的可控冷却器变量不同的可控冷却器变量的调节后的值。例如,如果性能模拟器412确定生成的PRV/VGD位置的边界不能使冷却器100提供足够的冷却能力以处理新的冷却负载,则数据处理器402可以增加新的特征向量中的先前特征的VSD频率。数据处理器402可以生成具有增加的VSD频率的新的特征向量,并且将其输入到机器学习模型314中。机器学习模型314可以基于新的特征向量生成预测喘振概率,并且将预测喘振概率传送到VSD边界生成器408。
VSD边界生成器408可以从概率标识器406接收预测喘振概率以及喘振概率阈值,并且将这两个概率进行比较,类似于PRV/VGD边界生成器404如何将预测喘振概率与喘振概率阈值进行比较。VSD边界生成器408可以确定预测喘振概率是否在喘振概率阈值的阈值或范围内。如果VSD边界生成器408确定该概率在喘振概率阈值的阈值内,则VSD边界生成器408可以生成具有VSD频率的VSD频率边界,该VSD频率用于产生预测喘振概率的特征向量中。VSD边界生成器408可以将生成的边界传送到性能模拟器412,以确定VSD频率边界是否使冷却器100能够具有满足与上述类似的新的冷却负载的冷却器容量。另一方面,如果VSD边界生成器408确定概率不在喘振概率阈值的阈值内,则数据处理器402可以进一步调节新特征向量中的VSD频率以应用于机器学习模型314。数据处理器402可以生成具有新的VSD频率的特征向量,直到VSD边界生成器408生成与在喘振概率阈值的预定范围内的预测喘振概率相关联的边界。
性能模拟装置412可以接收由VSD边界生成器408生成的边界,以确定冷却器100是否能够以足够高的冷却能力运行以满足新的冷却负载。性能模拟器412可以作出类似于性能模拟器412如何基于由PRV/VGD边界生成器404生成的PRV/VGD边界确定最大冷却能力的此类确定。如果性能模拟器412确定冷却器100可以提供足够的冷却能力以满足新的冷却负载,则信号生成器414可以生成信号和/或将信号传送到具有生成的VSD边界和/或PRV/VGD边界的变量调节器318。在一些实施例中,如果性能模拟器412基于生成的边界确定冷却器100将不具有足够高的冷却能力来满足冷却负载,则性能模拟器412可以基于喘振概率阈值生成警报并且将警报传送到用户装置332,该警报指示冷却器100不能满足冷却负载。
在一些实施例中,代替模拟生成的边界是否将使冷却器能够处理给定的冷却负载,边界生成器316将边界传送到变量调节器318,并且变量调节器318将生成的边界处的控制信号发送到冷却器100。变量调节器318基于控制信号确定冷却器100的冷却能力,并且确定是否满足期望的冷却能力。如果变量调节器318确定不满足期望的冷却,则变量调节器318可以将指示传送到数据处理器402,指示需要新的边界,类似于性能模拟器412。否则,变量调节器318可以基于生成的边界来运行冷却器100。
边界生成器316可以基于冷却负载的变化是增加还是减小而以不同的顺序生成控制变量边界。例如,当冷却器冷却负载需要增加时,边界生成器316可以生成PRV/VGD位置的上边界。如果边界生成器316确定当PRV/VGD位置达到其上阈值时冷却器冷却负载没有处于期望的量,则边界生成器316可以生成VSD频率的上边界。另一方面,当冷却器负载需要减小时,边界生成器316可以首先生成VSD频率的下边界。如果边界生成器316确定当VSD频率达到下边界时冷却器冷却负载没有处于期望的量,则边界生成器316可以生成PRV/VGD位置的下边界。上边界可以定义在喘振的概率变得太高之前特定变量可以增加到什么程度,并且下边界可以定义特定变量可以减小到什么程度。
有利地,通过实施本文所描述的系统和方法,管理员可以输入喘振概率阈值,并且冷却器控制器可以基于输入的喘振概率阈值自动确定要实施的运行边界。冷却器可以运行以避免进入喘振状态并且因此更有效地运行。
现在参考图5,示出了根据一些实施例的用于生成喘振概率的示例性神经网络500的图。神经网络500可以是参考图3示出和描述的机器学习模型314的示例性实施例。所示的神经网络500包括与冷却器100的特性相关联的输入。输入可以包括例如排出压力502(例如,压缩机102的出口处的压力)、吸入压力504(例如,压缩机102的入口处的压力)、VSD频率506、PRV/VGD位置508、失速电压510、输入电流512、制冷剂类型(未示出)和轴承位置514。在一些实施例中,神经网络500被训练成使用除了VSD频率506或PRV/VGD位置508中的任一者之外的输入502至514中的每一个来生成喘振预测。输入可以包括与冷却器的运行相关的任何类型的输入。例如,输入还可以包括控制器实施以运行冷却器100的电流控制信号。输入502至514可以是向隐藏层516的节点提供输出的输入节点。隐藏层516的节点可以对输入执行各种函数并且向输出层518提供输出(例如,加权信号输出)。输出层518可以包括一个或多个输出节点,并且指示喘振将发生的概率。神经网络500可以包括任何数量的部件(例如,任何数量的隐藏层、输入节点、输出节点等)。
输入节点502至514中的每一个和隐藏层516的节点的输出可以是神经网络500的信号或信号的组合。信号中的每一个或信号的组合可以与权重相关联。例如,与排出压力502相关联的输入信号可以具有0.2的权重,而与轴承位置514相关联的输入信号可以具有0.7的权重。权重可以指示特定输入与其它输入相比的重要性。例如,与失速电压510相关的输入可以具有比与输入电流512相关的输入更高的权重。可以与较高权重相关联的其它输入可以包括排出压力502和吸入压力504。在一些实施例中,与排出压力502与吸入压力504之间的差相关的输入可以具有比其它权重更高的权重。每个输入的信号可以具有任何权重。可以经由如下所描述的训练来调整权重。此外,如下所描述的,隐藏层516的节点可以对信号执行一个或多个运行,并且然后将加权信号输出到输出层518。
输入502至514可以是与冷却器100的运行相关联的值。当冷却器100继续运行时,输入502至514可以被馈送到神经网络500中,因此神经网络500可以实时地确定喘振是否将发生的概率。输入502至514可以被不断地馈送到神经网络500中或作为周期性间隔的样本(例如,作为时间序列数据)馈送到神经网络500中。输入502至514的数据可以与指示何时生成冷却器运行数据的时间戳和/或与冷却器100或冷却器运行数据的时间序列相关联的标识符(例如,装置标识符、时间序列标识符、MAC地址、IP地址等)相关联。例如,神经网络500可以每分钟接收冷却器运行数据的时间序列。时间序列可以包括间隔开的间隔,诸如每5毫秒、10毫秒、20毫秒等,的输入502至514的值。每个值可以与时间戳相关联,该时间戳指示它何时由相关联的传感器生成、它何时由将它传递到建筑物管理系统服务器的网关收集,或者冷却器控制器302何时接收它。这些值还可以与指示这些值与哪个冷却器相关联和/或哪个装置(例如,传感器)生成冷却器运行数据的标识符相关联。时间戳和标识符可以作为输入包括在神经网络500中。
与输入502至514相关联的输入节点可以是表示神经网络500的输入层的神经网络500的第一层。每个输入可以是将加权信号发送到隐藏层516的一个或多个节点的输入层的节点。输入502至514可以是由与神经网络500相关联的服务器或处理器从其收集的值转换成数值、二进制代码、矩阵、向量等的值。例如,基于服务器(未示出)的数据库中的相关数字将制冷剂类型转换成数值。然后,服务器可以使用任何技术将数字归一化为-1与1之间的值,从而可以通过隐藏层516的节点对数字执行运算。服务器可以将数字归一化为任何值范围。在服务器将数字归一化为-1与1之间的值之后,神经网络500可以将这些值作为加权信号传送到隐藏层516的节点。
隐藏层516可以是接收来自输入502至514的输入信号或输入信号的组合的一个或多个节点层。隐藏层516的节点可以对输入信号或信号的组合执行一个或多个运算,并且向输出层518提供信号或信号的组合。虽然示出了两个隐藏层,但是可以存在任何数量的隐藏层。每个隐藏层的节点可以向其它隐藏层的节点或向输出层518提供输出信号。在一些实施例中,隐藏层516的节点或层的数量与神经网络500的输入节点的数量和/或输出节点的数量相关。神经网络500可以基于与输入节点502至514相关联的值和与在输入节点502至514与隐藏层516的节点之间传送的信号或信号的组合相关联的权重,在隐藏层516的每一层处执行诸如乘法、线性运算、S形/双曲正切或任何其它激活函数的运算。来自隐藏层516的加权信号或信号的组合可以被发送到输出层518。
输出层518可以是专用于提供在二进制分类系统中发生喘振的概率的神经网络500的层。在此类二进制分类系统中,输出层518被示为包括表示喘振将发生的概率的节点。概率可以由神经网络500基于输入502至514来确定。如果输入502至514指示喘振将可能发生,则输出层518的节点可以与高概率(例如,超过50%的概率)相关联。如果输入502至514指示喘振将不太可能发生,则输出层518的节点可以与低概率(例如,低于50%的概率)相关联。如上所描述的,神经网络500可以将所确定的概率发送到PRV/VGD边界生成器404和/或VSD边界生成器408以生成冷却器控制信号边界。
与在输入502至514与隐藏层516之间以及然后在隐藏层516与输出层518之间传播的信号或信号的组合相关联的权重可以基于由管理员提供的训练数据来自动确定。训练数据可以包括从云数据库(例如,云数据库328)收集的冷却器运行数据。数据可以包括标记有实际输出的输入数据(例如,冷却器特性值和指示喘振是否已经发生的标记)。神经网络500最初可以具有与其信号中的每一个或信号的组合相关联的随机化权重,但是在已经将足够量的训练数据输入到神经网络500中之后,可以将权重确定到管理员可以标识为足够的确定度。
现在参考图6,示出了根据一些实施例的用于生成和使用可控冷却器变量的边界来运行冷却器的示例性过程的流程图。过程600可以由建筑物管理系统的任何控制器或处理器执行。例如,过程600可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程600可以使包括压缩机(例如,压缩机102)的冷却器(例如,冷却器100)能够在基于喘振概率阈值生成的边界内随时间在不同条件下运行。可以接收喘振概率阈值和冷却负载的变化的指示。可以基于喘振概率阈值和冷却负载的变化的指示来生成可控冷却器变量边界。因此,冷却器可以运行以避免在喘振概率阈值内的喘振。过程600可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程600被示为包括接收指示喘振概率阈值和冷却器运行数据的输入(步骤602)。例如,步骤602可以由边界生成器316执行。可以在用户装置处生成界面。该界面可以包括用于管理员输入喘振概率阈值的字段。管理员可以输入喘振概率阈值的0%与100%之间的喘振概率。在一些实施例中,可以从BMS的另一控制器或处理器自动接收输入。另外,可以接收冷却器运行数据。冷却器运行数据可以包括制冷剂类型、排出压力、吸入压力、失速电压、输入电流、轴承位置、当前变速驱动频率、当前预旋转叶片位置或当前可变几何形状扩散器位置的值。冷却器运行数据可以是当前冷却器运行数据(例如,与冷却器当前如何运行相关联的值)。
过程600被示为包括接收冷却负载的变化的指示(步骤604)。例如,步骤604可以由边界生成器316执行。可以基于BMS的设定点的变化来接收冷却负载的变化的指示。冷却负载可以是冷却器所需的冷却负载。例如,BMS的占用者可以经由恒温器手动地改变建筑物的区域空气温度设定点。因此,恒温器可以将指示区域空气温度设定点的变化的指示发送到BMS或发送到BMS内的处理器(例如,冷却器控制器302)。可以标识该变化,并且可以基于区域空气温度设定点的变化来确定新的冷却负载。在另一实例中,建筑物可以主办容纳大量人员的事件。建筑物的传感器感测由于高占用率导致的温度升高,并且将温度上升的指示发送到BMS的处理器。可以基于高占用率来标识冷却负载的变化。在又一实例中,基于所发生的预定事件,可以存在冷却负载的预定变化。处理器可以确定预定事件何时发生,并且确定冷却器的冷却负载存在变化。例如,冷却负载的计划增加可能与需要大量占用者的事件相关联。
过程600被示为包括确定所需的冷却负载是否增加(步骤606)。例如,步骤606可以由边界生成器316执行。可以标识冷却负载的变化的指示。如果需要冷却器提供更高的冷却能力,则所需的冷却负载可能增加,而如果需要冷却器提供更低的冷却能力,则冷却负载可能减小。其中可能需要冷却器来提供更高的冷却能力的情况的实例包括但不限于大量占用者可能参加的事件、区域空气温度设定点的突然降低、在运行时引起热量的新的控制系统的连接等。所需的冷却负载减小的情况的实例包括但不限于,当建筑物或空间的人员突然下降时、建筑物设备运行中的预定下降、区域空气温度设定点的增加等。
如果在步骤606处确定所需的冷却负载增加,则过程600被示为包括基于喘振概率阈值和冷却器运行数据确定PRV/VGD位置的上边界(步骤608)。例如,步骤608可以由边界生成器316执行。可以生成包括冷却器运行数据的特征向量。特征向量可以被应用于机器学习模型,以基于各种冷却器运行数据确定喘振将发生的概率。在一些情况下,特征向量可以响应于接收到的冷却器要处理的冷却负载将增加的指示而生成。例如,可以接收冷却器需要处理增加的冷却负载的指示。可以生成包括冷却器的当前冷却器运行数据的特征向量并且将其应用于机器学习模型,该当前冷却器运行数据包括PRV/VGD位置的值。
机器学习模型可以接收包括冷却器运行数据的特征向量,并且基于该特征向量生成喘振将发生的预测概率。预测喘振概率可以与喘振概率阈值进行比较。可以确定预测概率和喘振概率阈值是否在彼此的阈值或范围内。如果确定预测喘振概率和喘振概率阈值在彼此的阈值或范围内,则可以从输入到机器学习模型中的特征向量标识PRV/VGD位置值。PRV/VGD位置值可以作为控制冷却器的边界或候选边界生成。
例如,可以生成特征向量并且将其输入到包括冷却器运行数据和PRV/VGD位置的值的机器学习模型中。机器学习模型可以基于特征向量生成预测喘振概率。可以将预测喘振概率与喘振概率阈值进行比较,以确定概率是否在彼此的阈值内。如果概率不在彼此的阈值内,则可以生成具有新的PRV/VGD位置值的新的特征向量,该新的PRV/VGD位置值取决于预测喘振概率是高于还是低于喘振概率阈值。例如,在一些实施例中,如果预测喘振概率较高,则新的特征向量可以包括较高的PRV/VGD位置值。然而,如果预测喘振概率较低,则新的特征向量可以包括较低的PRV/VGD位置值。可以生成新的特征向量,直到机器学习模型生成在喘振概率阈值的阈值内的预测喘振概率。
过程600被示为包括确定上边界是否使冷却器能够达到新的所需的冷却(步骤610)。例如,步骤606可以由边界生成器316执行。可以基于生成的PRV/VGD位置上边界模拟冷却器的运行,以确定该边界是否使冷却器能够为新的冷却负载提供足够的冷却能力。可以基于冷却器的当前运行条件和PRV/VGD位置边界作出确定。在一些情况下,相同或类似的值可以用于确定用于生成导致预测喘振概率的特征向量的相同组运行条件的冷却器的最大冷却能力。例如,如果PRV/VGD位置边界值被实施为用于控制冷却器的控制值,则当前制冷剂类型、排出压力、吸入压力、失速电压、输入电流和轴承位置的当前冷却器运行值以及PRV/VGD位置的边界值可以用于确定冷却负载将是什么。此类值可能已经被用在输入到机器学习模型中的或者可能已经从数据库或冷却器中收集的特征向量中。在一些实施例中,冷却器的特性可以用于确定冷却负载,诸如冷却器的大小或冷却器的压缩机。可以基于这些输入来模拟冷却器的运行,并且可以确定冷却器是否能够处理新的冷却负载。如果基于PRV/VGD上边界确定冷却器可以处理标识的冷却负载,则在步骤614处,可以生成PRV/VGD位置上边界以用于控制冷却器。然而,如果基于低于生成的PRV/VGD上边界的控制信号确定冷却器不能处理新的冷却负载,则在步骤612处,可以基于相同的喘振概率阈值确定VSD频率的上边界。
例如,步骤612可以由边界生成器316执行。可以生成包括VSD频率控制信号的新值的新的特征向量。例如,如果确定生成的PRV/VGD位置的边界不能使冷却器提供足够的冷却能力来处理新的冷却负载,则新的特征向量可以包括VSD频率的值,该值高于先前特征向量的VSD频率值。可以生成包括较高的VSD频率的新的特征向量,并且将其用作到机器学习模型的输入。机器学习模型可以基于新的特征向量生成新的预测喘振概率。新的预测喘振概率和新的特征向量可以用于基于喘振概率阈值生成VSD频率的上边界。
可以类似于如何生成PRV/VGD位置的上边界来确定VSD频率的上边界。例如,机器学习模型可以基于增加的VSD频率生成预测喘振概率。可以将预测喘振与喘振概率阈值进行比较。可以确定这两个概率是否在彼此的阈值内。如果确定这两个概率在彼此的阈值内,则可以用与用于生成预测喘振概率的特征向量中使用的相同VSD频率值来生成VSD频率上边界。在步骤614处,PRV/VGD位置上边界可以用于控制冷却器。
在一些实施例中,可以确定VSD频率边界以及在一些情况下生成的PRV/VGD位置边界是否使冷却器能够具有满足新的冷却负载的冷却器容量。可以使用VSD频率边界和PRV/VGD位置边界以及其它冷却器运行条件来作出此类确定,以模拟如果将VSD频率边界处的VSD频率应用于冷却器则冷却器将如何执行。在一些实施例中,VSD频率边界和PRV/VGD位置边界可以用于模拟每个边界的使用是否将使冷却器能够提供足够的冷却能力以满足冷却负载的变化。如果确定VSD频率边界和PRV/VGD位置边界处的信号都不能使冷却器提供足够的冷却能力来处理冷却负载的变化,则可以将指示冷却器不能在喘振概率阈值内运行的信号发送到用户装置。另一方面,如果确定边界使冷却器能够提供所需的冷却能力,则可以用指定边界内的控制信号来控制冷却器。
如果在步骤606处确定所需的冷却负载减小,则过程600可以包括基于喘振概率阈值和冷却器运行数据确定VSD频率的下边界(步骤616)。例如,步骤616可以由边界生成器316执行。可以类似于在步骤608处如何确定PRV/VGD位置的上边界来确定VSD频率的下边界。例如,可以将特征向量输入到包括冷却器运行数据和VSD频率的值的机器学习模型中。机器学习模型可以基于特征向量生成预测喘振概率。可以将预测喘振概率与喘振概率阈值进行比较,以确定概率是否在彼此的阈值内。如果概率不在彼此的阈值内,则可以生成具有新的VSD频率的新的特征向量,该新的VSD频率可以根据预测喘振概率是高于还是低于喘振概率阈值而变化。例如,在一些实施例中,如果预测喘振概率较高,则新的特征向量可以包括较高的VSD频率。然而,预测喘振概率较低,则新的特征向量可以包括较低的VSD频率。可以生成新的特征向量并且将其应用于机器学习模型,直到机器学习模型生成在喘振概率阈值的阈值内的预测喘振概率。
过程600可以包括确定预测的VSD频率下边界是否能够达到冷却负载(步骤618)。例如,步骤618可以由边界生成器316执行。可以类似于如何执行步骤610来执行步骤618。例如,可以基于生成的较低的VSD频率来模拟冷却器的运行,以确定边界是否使冷却器能够为新的冷却负载提供足够的冷却能力。可以基于冷却器的当前运行条件和VSD频率值来作出确定。在一些情况下,相同或类似的值可以用于确定用于生成导致预测喘振概率的特征向量的相同组运行条件的冷却器的最大冷却能力。例如,如果VSD频率下边界值被实施为用于控制冷却器的控制值,则当前制冷剂类型、排出压力、吸入压力、失速电压、输入电流和轴承位置的当前冷却器运行值以及VSD频率的边界值可以用于确定冷却负载将是什么。此类值可能已经被用在输入到机器学习模型中的或者可能已经从数据库或冷却器中收集的特征向量中。在一些实施例中,冷却器的特性可以用于确定冷却能力,诸如冷却器的大小或冷却器的压缩机。可以基于这些输入来模拟冷却器的运行,并且可以确定冷却器是否能够处理新的冷却负载。如果基于VSD频率下边界确定冷却器可以处理标识的冷却负载,则在步骤614处,可以生成VSD频率下边界以用于控制冷却器。然而,如果基于高于生成的VSD频率下边界的控制信号确定冷却器不能处理新的冷却负载,则在步骤620处,可以基于相同的喘振概率阈值确定PRV/VGD位置下边界。
例如,步骤620可以由边界生成器316执行。可以生成包括PRV/VGD位置控制信号的新值的新的特征向量。例如,如果确定生成的VSD频率值的边界不能使冷却器提供足够的冷却能力来处理新的冷却负载,则新的特征向量可以包括用于PRV/VGD位置控制的值,该值低于先前特征向量的PRV/VGD位置值。可以生成包括较低的PRV/VGD位置值的新的特征向量,并且将其用作到机器学习模型的输入。机器学习模型可以基于新的特征向量生成新的预测喘振概率。新的预测喘振概率和新的特征向量可以用于基于喘振概率阈值生成PRV/VGD位置的下边界。
可以类似于如何生成VSD频率的下边界来确定PRV/VGD位置的下边界。例如,机器学习模型可以基于降低的PRV/VGD位置生成预测喘振概率。可以将预测喘振与喘振概率阈值进行比较。可以确定这两个概率是否在彼此的阈值内。如果确定这两个概率在彼此的阈值内,则可以用与用于生成预测喘振概率的特征向量中使用的相同的PRV/VGD位置值来生成PRV/VGD位置下边界。在步骤614处,PRV/VGD位置上边界可以用于控制冷却器。
在一些实施例中,可以确定生成的PRV/VGD位置下边界是否使冷却器能够具有满足新的冷却负载的冷却器容量。可以使用PRV/VGD位置下边界和其它冷却器运行条件来作出此类确定,以模拟如果将PRV/VGD位置下边界应用于冷却器则冷却器将如何执行。在一些实施例中,PRV/VGD位置下边界可以用于模拟边界的使用是否将使冷却器能够提供足够的冷却能力以满足冷却负载的变化。如果确定PRV/VGD位置下边界处的信号将不能使冷却器提供足够的冷却能力来处理冷却负载的变化,则可以将指示冷却器不能在喘振概率阈值内运行的信号发送到用户装置。另一方面,如果确定PRV/VGD位置下边界使冷却器能够提供所需的冷却能力,则可以用指定边界内的控制信号来控制冷却器。
在一些实施例中,可以通过调节第一可控冷却器变量的第一值来控制冷却器,以影响冷却器的冷却能力,直到达到期望的冷却能力或者第一可控冷却器变量的第一值达到如上生成的边界或阈值。如果在达到期望的冷却能力之前第一可控冷却器变量的第一值达到阈值,则可以调节第二可控冷却器变量的第二值,直到达到期望的冷却能力。例如,PRV/VGD位置的上边界可以确定为完全打开70%。为了运行冷却器,可以将PRV/VGD位置控制信号的值调节为完全打开70%。如果冷却器仍然不能处理新的冷却负载,则可以增加VSD频率,直到达到期望的冷却负载或者VSD频率达到如上所描述的确定的边界。如果基于喘振概率阈值确定冷却器不能被运行以处理新的冷却负载,则可以将指示不能达到期望的冷却能力的消息传送到用户装置。
现在参考图7,示出了根据一些实施例的用于生成和使用可控冷却器变量的边界来运行冷却器的示例性过程700的流程图。例如,过程700可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程700可以使包括压缩机(例如,压缩机102)的冷却器(例如,冷却器100)能够在基于喘振概率阈值生成的边界内随时间在不同条件下运行。可以接收喘振概率阈值(例如,发生喘振的可接受概率)和冷却负载的变化的指示。可以基于喘振概率阈值和冷却负载的变化的指示来生成可控冷却器变量边界。可控冷却器变量的不同值可能影响喘振概率。过程700通过递增地调节可控冷却器变量值,直到标识出能够达到冷却负载的另一可控冷却器变量的边界来解释此类变化。因此,通过实施过程700,可以标识当确定此类变量的边界时改变可控冷却器变量可能具有的影响。过程700可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程700被示为包括接收指示喘振概率阈值和冷却器运行数据的输入(步骤702)、接收冷却负载的变化的指示(步骤704)、确定冷却负载是否增加(步骤706)、基于喘振概率阈值和冷却器运行数据确定PRV/VGD位置的上边界(步骤708),以及确定PRV/VGD位置的上边界是否能够达到冷却负载(步骤710)。步骤702至710中的每一者可以由类似于参考图6所示和描述的步骤602至610的边界生成器316执行。
过程700被示为包括如果PRV/VGD上边界不能达到冷却负载,则调节VSD频率的值(步骤712)。例如,步骤712可以由边界生成器316执行。响应于PRV/VGD上边界被确定为不能使冷却器提供足够的冷却能力来处理新的冷却负载,可以调节VSD频率的值。VSD频率的值可以在新的特征向量中根据用于生成PRV/VGD上边界的先前特征向量的VSD频率的值来调节。VSD频率值可以从先前的VSD频率值增加或减小。例如,可以在步骤710处确定PRV/VGD上边界不会使冷却器具有提供新的冷却负载的冷却能力。可以生成包括VSD频率的新的特征向量,该VSD频率高于用于生成PRV/VGD上边界的VSD频率。在步骤708处,可以将新的特征向量应用于机器学习模型以确定新的PRV/VGD上边界。因此,可以迭代地执行步骤708至712,直到生成PRV/VGD上边界,该PRV/VGD上边界被确定为能够提供足够的冷却能力以满足新的冷却负载。一旦生成PRV/VGD上边界,PRV/VGD上边界就可以与用于生成PRV/VGD上边界以控制冷却器的VSD频率一起实施。
在一些实施例中,可以执行步骤708至712直到VSD频率的值达到由管理员设定的阈值。例如,管理员可以将VSD频率阈值设定为60Hz。如果执行步骤708至712直到基于60Hz的VSD频率值生成特征向量和/或使用特征向量来生成PRV/VGD上边界,并且基于PRV/VGD上边界确定冷却器仍然不能运行,则可以生成信号并且将其传送到管理员,指示冷却器不能提供足够的冷却能力来满足基于喘振概率阈值的冷却负载。
过程700被示为包括基于喘振概率阈值和冷却器运行数据确定VSD频率的下边界(步骤716),以及确定下边界是否能够达到新的冷却负载(步骤718)。如果在步骤706处确定冷却负载没有增加,则可以执行步骤716和718中的每一者。可以由边界生成器316执行步骤716和718。可以由类似于参考图6示出和描述的步骤616和618来执行步骤716和718。
过程700被示为包括调节PRV/VGD位置的值(步骤720)。在一些实施例中,步骤720可以由边界生成器316执行。可以类似于在步骤712中如何调节VSD频率的值来调节PRV/VGD位置的值。例如,步骤720可以由边界生成器316或变量调节器318执行。响应于VSD下边界被确定为不能使冷却器提供足够的冷却能力来处理新的冷却负载,可以调节PRV/VGD位置的值。PRV/VGD位置的值可以在新的特征向量中根据用于生成VSD频率下边界的先前的特征向量的PRV/VGD位置的值来调节。PRV/VGD位置值可以从先前的PRV/VGD位置值增加或减小。例如,可以在步骤718处确定VSD频率下边界不会使冷却器具有提供新的冷却负载的冷却能力。可以生成包括PRV/VGD位置的新的特征向量,该PRV/VGD位置高于用于生成VSD频率下边界的PRV/VGD位置。在步骤716处,可以将新的特征向量应用于机器学习模型以确定新的VSD频率下边界。因此,可以迭代地执行步骤716至720,直到生成VSD频率下边界,该VSD频率下边界被确定为能够提供足够的冷却能力以满足新的冷却负载。一旦生成VSD频率下边界,VSD频率下边界就可以与用于生成VSD频率下边界以控制冷却器的PRV/VGD位置一起实施。
在一些实施例中,可以执行步骤716至720直到PRV/VGD位置的值达到由管理员设定的阈值。例如,管理员可以将PRV/VGD位置阈值设定为打开80%。如果执行步骤716至720直到基于打开80%的PRV/VGD位置值生成特征向量并且使用该特征向量生成VSD频率下边界,并且基于VSD频率下边界确定冷却器仍然不能运行,则可以生成信号并且将其传送到管理员,指示冷却器不能提供足够的冷却能力来满足基于喘振概率阈值的冷却负载。
现在参考图8,示出了根据一些实施例的用于生成可控冷却器变量的边界的示例性过程800的流程图。例如,过程800可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程800可以是详述如何可以在步骤608、612、616、620、708和/或716中的任一步中生成可控冷却器变量的边界的示例性过程。过程800还可以详述如何可以在步骤1210、1214、1218和/或1222中的任一步中生成可控冷却器变量的边界。有利地,可以执行过程800以基于喘振概率阈值自动生成可控冷却器变量的边界。因此,在冷却器中可以避免喘振,同时冷却器可以接近喘振状态运行,提高了冷却器的效率。过程800可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程800被示为包括接收指示喘振概率阈值和冷却器运行数据的输入(步骤802)。例如,步骤802可以由边界生成器316执行。可以类似于如何执行步骤602或702来执行步骤802。例如,可以在用户界面处接收指示喘振概率阈值的输入。输入概率可以是0%与100%之间的任何值。输入可以在用户装置处被接收并且被传送到一个或多个数据处理系统。冷却器运行数据可以从数据库或从冷却器的传感器接收或获得。数据库可以是云数据库或一个或多个处理器的本地数据库。冷却器运行数据可以包括制冷剂类型、排出压力、吸入压力、失速电压、输入电流、轴承位置、当前变速驱动频率、当前预旋转叶片位置或当前可变几何形状扩散器位置的值。冷却器运行数据可以是当前冷却器运行数据(例如,与冷却器当前如何运行相关联的值)。
过程800被示为包括将冷却器运行数据提供给一个或多个机器学习模型(步骤804)。例如,步骤804可以由边界生成器316执行。冷却器运行数据可以被格式化为特征向量。特征向量可以包括冷却器运行数据的数值。对于与单词相关联的任何冷却器运行数据,可以从数据库获得该单词的对应值。例如,不同类型的冷却剂可以各自与特定值相关联。在一些实施例中,当在特征向量中使用这些值时,可以将这些值归一化为-1与1之间的值。一旦生成了特征向量,该特征向量就可以应用于一个或多个机器学习模型。
一个或多个机器学习模型各自可以是神经网络、支持向量机、随机森林或任何其它类型的机器学习模型中的任一个。可以训练机器学习模型中的每一个以基于包括冷却器运行数据的特征向量来预测喘振发生的概率。在一些实施例中,一个或多个机器学习模型可以将喘振的概率输出到一个输出节点。在一些实施例中,一个或多个机器学习模型可以将喘振的概率输出到二进制分类系统中的两个输出节点。例如,一个或多个机器学习模型可以基于冷却器运行数据输出喘振将发生的概率,并且基于相同的冷却器运行数据输出喘振将不发生的概率。概率中的每一个可以在0%与100%之间。例如,机器学习模型可以输出60%的喘振将发生的概率和40%的喘振将不发生的概率。概率可以或可以不合计为100%。
过程800被示为包括基于冷却器运行数据从机器学习模型获得指示喘振将发生的概率的输出(步骤806)。例如,步骤806可以由边界生成器316执行。可以基于包括冷却器运行数据的特征向量从机器学习模型获得输出。输出可以包括喘振将发生的概率。在一些实施例中,输出还可以包括喘振将不发生的概率。
过程800被示为包括确定输出概率是否在喘振概率阈值的阈值内(步骤808)。例如,步骤806可以由边界生成器316执行。输出概率可以与在步骤802中获得的喘振概率阈值进行比较。可以确定两个概率之间的差。该差可以与阈值进行比较。该阈值可以是由管理员设定的预定阈值。例如,阈值可以是7%。阈值可以是任何值。
过程800被示为包括更新可控冷却器变量(步骤810)。例如,步骤810可以由边界生成器316执行。如果确定两个概率之间的差高于阈值,则在步骤810处,可以更新冷却器的可控冷却器变量。更新的可控冷却器变量可以是为其确定或生成边界(上或下)的可控冷却器变量。可控冷却器变量的实例包括VSD频率、PRV/VGD位置,或可以被调节以控制冷却器的任何其它可控冷却器变量。在一些实施例中,PRV位置或VGD位置可以是单独的可控冷却器变量(并且因此被单独控制)。可以通过根据在步骤804处提供给机器学习模型的先前的特征向量中的值调节新的特征向量的值来调节可控冷却器变量。可控冷却器变量可以被调节为具有高于或低于其先前的值的值。例如,如果概率之间的差太高,则可以将可控冷却器变量调节为具有较高值,而如果概率之间的差太低,则可以将可控冷却器变量调节为具有较低值。一旦在新的特征向量中调节了可控冷却器变量,在步骤804处,就可以将包括其它相同值的新的特征向量提供给机器学习模型。
过程800被示为包括基于喘振概率阈值和冷却器运行数据生成可控冷却器变量的边界(步骤812)。例如,步骤812可以由边界生成器316执行。如果确定两个概率之间的差低于阈值,则在步骤812处,可以生成可控冷却器变量的边界。该边界可以是任何可控冷却器变量的上边界或下边界。例如,该边界可以是VSD频率或PRV/VGD位置的上边界或下边界。该边界可以用于运行冷却器。如上所描述的,只有在确定该边界使冷却器能够提供足够的冷却能力以满足新的冷却能力时,才可以使用该边界。
现在参考图9,示出了根据一些实施例的用于生成可控冷却器变量的边界的示例性过程900的流程图。例如,过程900可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程900可以是详述如何可以在步骤608、616、708和/或716中的任一步中生成可控冷却器变量的边界的示例性过程。有利地,过程900可以使一个或多个数据处理系统能够避免生成在冷却器运行之外的边界。过程900可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程900被示为包括确定可控冷却器变量的边界(步骤902)。例如,步骤902可以由边界生成器902执行。步骤902可以使用过程800中提供的步骤来执行。过程900被示为包括确定边界是否小于最大边界(步骤904)。步骤904可以由边界生成器316执行。可以接收最大边界作为管理员输入。最大边界可以指示冷却器可能运行的极限或冷却器可以运行的极限。最大边界可以是可控冷却器变量边界可以是的最低值,或者是可控冷却器变量边界可以是的最高值。例如,最大边界可以是VSD频率下边界可以是的最低的,或者是VSD频率上边界可以是的最高的。在一些情况下,对于可以是的最低的可控冷却器变量边界和可以是的最高的可控冷却器变量边界都可以输入最大边界。可以为任何数量的可控冷却器变量设定最大边界。在一些实施例中,最大边界可以指示冷却器可以运行的极限的80%。在步骤902中所确定的边界可以与最大边界进行比较。如果在步骤904处确定所确定的边界小于最大边界,则在步骤906处,可以在所确定的边界处生成可控冷却器变量边界。另一方面,如果在步骤904处确定所确定的边界大于最大边界,则在步骤908处,可以在最大边界处生成可控冷却器变量边界。因此,在一些实施例中,可控冷却器变量边界可能永远不会在冷却器的可能运行界限或由管理员设定的界限之外生成。
现在参考图10,示出了根据一些实施例的冷却器控制器环境1000的详细框图。冷却器控制器环境1000可以包括历史数据库330、机器学习模型314、边界生成器316、变量调节器318和用户装置332。边界生成器316被示为包括时间序列生成器1002、数据处理器1004、PRV/VGD边界生成器1006、概率标识器1008、VSD边界生成器1010、冷却负载标识器1012、性能模拟器1014和信号生成器1016。部件1004至1016中的每一者可以类似于参考图4示出和描述的部件402至414。冷却器控制器环境1000可以包括更多或更少的部件,这取决于其配置。
时间序列生成器1002可以被配置成获得冷却器数据,诸如来自历史数据库330的冷却器数据,并且将数据格式化成时间序列。时间序列生成器1002可以将时间序列传送到历史数据库330用于存储和/或传送到数据处理器1004。时间序列可以是特定点(例如,空气处理单元的排出空气温度点、排出空气温度、进气风扇状态、区域空气温度、湿度、压力等)的值的集合,或者是在不同时间(例如,以周期性间隔)生成的如本文所描述的冷却器运行数据的值。这些值可以包括与这些点相关联的建筑物装置(例如,空气处理机、VAV箱,控制器、冷却器、锅炉、通风口、风门等)的标识符或与其相关联。每个时间序列可以包括相同点或冷却器运行数据的一系列值和数据值中的每一个的时间戳。例如,由温度传感器(例如,通过本地网关提供)提供的点的时间序列可以包括由温度传感器测量的一系列温度值和测量温度值的对应时间。时间序列可以由数据处理器1004生成。可以由数据处理器1004生成的时间序列的实例如下:
[<键,时间戳1,值1>,<键,时间戳2,值2>,<键,时间戳3,值3>]
其中键是原始数据样本源的标识符(例如,时间序列ID、传感器ID、装置ID等),时间戳i可以标识收集第i个样本的时间,并且值i可以指示第i个样本的值。
数据处理器1004可以接收并且使用时间序列来生成特征向量以输入到机器学习模型314中。如将在下面更详细地描述的,机器学习模型314可以被训练以基于作为输入接收的特征向量的时间序列数据来预测喘振概率。机器学习模型314可以接收包括时间序列的任何特征向量,并且根据边界生成器316正在生成的边界,将此类喘振概率输出到PRV/VGD边界生成器1006或VSD边界生成器1010。
有利地,通过使用时间序列数据和训练机器学习模型314以使用时间序列数据来基于冷却器运行数据确定喘振的概率,可以使用更多的数据来作出此类预测。时间序列可以包括机器学习模型314可以使用的一系列值,而不是对于冷却器运行数据的每个输入仅使用一个值。因为时间序列可以包括更多数据,所以机器学习模型314在其处理时可以具有更多数据以更准确地预测喘振概率。
现在参考图11,示出了根据一些实施例的用于使用时间序列数据生成喘振概率的示例性神经网络1100的图。神经网络1100可以类似于参考图5示出和描述的神经网络500,除了对于冷却器运行数据的每次输入都使用时间序列的值作为输入,而不是单个值之外。例如,代替使用排出压力的当前值作为到神经网络的输入,可以使用包括当前值之前的多个值,以及在一些情况下,排出压力的当前值的时间序列作为到神经网络1100的输入。神经网络1100可以包括排出压力时间序列1102、吸入压力时间序列1104、变速驱动频率时间序列1106、预旋转叶片位置/可变几何形状扩散器位置时间序列1108、失速电压时间序列1110、输入电流时间序列1112和轴承位置时间序列1114。时间序列输入1102至1114可以表示每个输入的多个值。每个值可以是各自时间序列的值,并且被输入到单独的输入节点中。在一些实施例中,时间也可以用作神经网络1100的输入。部件1102至1114中的每一个可以表示到神经网络1100的输入。进一步示出神经网络1100包括隐藏层1116和输出层1118。输入1102至1114可以被转换成加权信号或信号的组合并且被传递到隐藏层1116。隐藏层1116的节点可以对加权信号执行各种运行,类似于参考图5示出和描述的隐藏层516的节点。输出层1118可以基于输入1102至1114提供指示喘振将发生的概率的节点。
在一些实施例中,时间序列输入1102至1114的每个时间序列的值可以根据它们在时间上与当前值的接近程度来加权。例如,如果吸入压力时间序列1104包括10个值,每个值相隔一秒直到当前值,则当前吸入压力值可能与10个值中的最高权重相关联,并且与每个值相关联的权重可以随着这些值在时间上进一步远离当前吸入压力值而下降。在所有时间序列输入1102至1114上实施类似的加权系统。每个值可以根据神经网络1100的训练以任何方式加权。
例如,可以类似于参考图5示出和描述的如何训练神经网络500来训练神经网络1100。例如,可以将包括时间序列数据的标记特征向量馈送到神经网络1100中。特征向量可以用指示它们是否与喘振相关联的标记来标记。在一些实施例中,为了避免训练中的任何错误,与喘振相关联的任何训练数据可以仅在其在喘振阈值处或在喘振阈值附近运行时与冷却器相关联。因此,神经网络1100可以基于冷却器可以进入喘振状态的时间而不是冷却器深入到喘振状态的时间来预测喘振概率。
现在参考图12,示出了根据一些实施例的用于生成和使用可控冷却器变量的边界来运行冷却器的示例性过程1200的流程图。例如,过程1200可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程1200可以使包括压缩机(例如,压缩机102)的冷却器(例如,冷却器100)能够在基于喘振概率阈值生成的边界内随时间在不同条件下运行。可以类似于过程600执行过程1200。可以从冷却器运行数据生成时间序列数据。时间序列数据可以用于生成可控冷却器边界。有利地,通过使用时间序列来生成可控冷却器边界,由机器学习模型作出的任何预测可以更准确,因为时间序列数据提供更多值来作出此类预测。过程600可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程1200被示为包括接收指示喘振概率阈值和冷却器运行数据的输入(步骤1202)。例如,步骤1202可以由边界生成器316执行。可以类似于如何执行参照图6示出和描述的步骤602来执行步骤1202。过程1200被示为包括基于冷却器运行数据生成时间序列(步骤1204)。可以获得冷却器数据并且将其格式化为时间序列。时间序列可以被传送到数据库用于存储。时间序列可以是特定点(例如,空气处理单元的排出空气温度点、排出空气温度、进气风扇状态、区域空气温度、湿度、压力等)的值的集合,或者是在不同时间(例如,以周期性间隔)生成的如本文所描述的冷却器运行数据的值。这些值可以包括与这些点相关联的建筑物装置(例如,空气处理机、VAV箱,控制器、冷却器、锅炉、通风口、风门等)的标识符或与其相关联。每个时间序列可以包括相同点或冷却器运行数据的一系列值和数据值中的每一个的时间戳。例如,由温度传感器(例如,通过本地网关提供)提供的点的时间序列可以包括由温度传感器测量的一系列温度值和测量温度值的对应时间。可以生成时间序列。时间序列的实例可以如下:
[<键,时间戳1,值1>,<键,时间戳2,值2>,<键,时间戳3,值3>]
其中键是原始数据样本源的标识符(例如,时间序列ID、传感器ID、装置ID等),时间戳i可以标识收集第i个样本的时间,并且值i可以指示第i个样本的值。
时间序列可以用于生成特征向量以输入到机器学习模型中。可以训练机器学习模型以基于作为输入接收的特征向量的时间序列数据来预测喘振概率。机器学习模型可以接收包括时间序列的任何特征向量并且输出喘振概率。喘振概率可以用于生成PRV/VGD位置上边界和/或PRV/VGD位置下边界和/或VSD频率上边界和/或VSD频率下边界。
过程1200被示为包括接收冷却负载的变化的指示(步骤1206)。过程1200被示为包括确定所需的冷却负载是否增加(步骤1208)。过程1200被示为包括基于喘振概率阈值和冷却器运行数据来确定PRV/VGD位置的上边界(步骤1210)。过程1200被示为包括确定上边界是否能够达到冷却新的冷却负载(步骤1212)。过程1200被示为包括基于喘振概率阈值来确定上边界VSD频率(步骤1214)。过程1200被示为包括基于喘振概率阈值和冷却器运行数据来确定VSD频率的下边界(步骤1218)。过程1200被示为包括确定下边界是否能够达到新的冷却负载(步骤1220)。过程1222被示为包括是否基于喘振概率阈值来确定PRV/VGD位置的下边界(步骤1222)。步骤1206至1214和1218至1222中的每一步都可以由例如边界生成器316来执行。过程1200被示为包括基于所确定的边界来运行冷却器(步骤1216)。例如,步骤1216可以由变量调节器318执行。可以分别类似于参考图6示出和描述的步骤602至614来执行步骤1202和1206至1216。
现在参考图13,示出了根据一些实施例的冷却器控制器环境1300的详细框图。冷却器控制器环境1300可以包括历史数据库330、机器学习模型314、边界生成器316、变量调节器318和用户装置332。边界生成器316被示为包括数据处理器1302、概率标识器1304、PRV/VGD边界生成器1306、VSD边界生成器1308、冷却负载标识器1310、性能模拟器1312和信号生成器1314。冷却负载标识器1310、性能模拟器1312和信号生成器1314可以分别类似于参考图4示出和描述的冷却负载标识器410、性能模拟器412和信号生成器414。冷却器控制器环境1300可以包括更多或更少的部件,这取决于其配置。
数据处理器1302可以被配置成格式化并且生成特征向量以输入到机器学习模型314中。数据处理器1302可以使用来自历史数据库的冷却器运行数据和/或如本文所描述的实况冷却器运行数据来格式化并且生成特征向量以输入到机器学习模型314中。数据处理器1302可以使用每个值的数字标识符来格式化特征向量。在一些实施例中,数字标识符可以被归一化为-1与1之间的值。除了使用冷却器运行数据来生成特征向量之外,数据处理器1302可以使用管理员在特征向量中输入到用户装置332中或以其它方式获得的喘振概率阈值。喘振概率阈值可以在0%与100%之间。概率标识器1304可以标识喘振概率阈值并且将其传送到数据处理器1302。数据处理器1302可以接收喘振概率阈值,并且将其与冷却器运行数据一起用于生成特征向量以输入到机器学习模型314中用于处理。
机器学习模型314可以包括PRV/VGD边界预测器1316和VSD边界预测器1318。PRV/VGD边界预测器1316和VSD边界预测器1318可以是或包括机器学习模型,诸如神经网络、支持向量机、随机森林等。PRV/VGD边界预测器1316可以是被配置成预测PRV/VGD边界的机器学习模型,该PRV/VGD边界可以使冷却器100(未示出)能够以不超过喘振概率阈值的喘振概率运行。PRV/VGD边界预测器1316可以用从喘振数据(例如,当冷却器经历喘振时与冷却器相关联的冷却器运行数据)生成的训练数据来训练。在一些实施例中,可以训练PRV/VGD边界预测器1316以使用本文描述的冷却器运行数据来作出预测,除了包括PRV/VGD信号的控制信号之外。在一些实施例中,当冷却器刚越过喘振阈值(例如,刚进入喘振状态)时,训练数据可以与冷却器运行数据相关联。一旦训练PRV/VGD边界预测器1316,PRV/VGD边界预测器1316就可以预测使冷却器100能够在喘振概率阈值内运行的PRV/VGD边界。例如,PRV/VGD边界预测器1316可以接收冷却器运行数据和75%的喘振概率作为特征向量中的输入。PRV/VGD边界预测器1316可以基于输入来预测打开60%的PRV/VGD边界。PRV/VGD边界预测器1316可以将PRV/VGD边界传送到PRV/VGD边界生成器1306以用于进一步处理。
此外,在一些实施例中,PRV/VGD边界预测器1316可以包括两个机器学习模型。一个机器学习模型可以预测PRV/VGD位置的上边界,并且另一机器学习模型可以预测PRV/VGD位置的下边界。每个机器学习模型可以用类似的数据来训练,除了用特定于其各自边界的标记之外。机器学习模型可以接收相同的输入(例如,相同的冷却器运行数据和喘振概率)并且分别输出PRV/VGD位置的上边界和下边界。例如,机器学习模型中的每一个可以接收包括冷却器运行数据和喘振概率的输入。机器学习模型可以输出打开25%和打开60%的PRV/VGD位置作为运行边界,以使冷却器100在不具有过高的喘振概率的情况下运行。最后,在一些实施例中,PRV/VGD边界预测器1316可以包括不同的机器学习模型,其被训练以分别预测PRV边界和VGD边界。此类机器学习模型可以包括预测每个变量的上边界和下边界或仅预测一个边界的机器学习模型。此类机器学习模型可以如上所描述的针对一起预测PRV/VGD位置边界的机器学习模型进行训练。
PRV/VGD边界预测器1316可以将预测的边界传送到PRV/VGD边界生成器1306。PRV/VGD边界生成器1306可以生成预测的边界并且将生成的边界传送到性能模拟器1312以确定生成的边界是否将使冷却器100能够提供足够的冷却能力来处理新的冷却负载。如果性能模拟器1312确定一个或多个边界将使冷却器100不能够提供足够的冷却能力,则数据处理器1302可以生成包括类似的冷却器运行数据和相同的喘振概率阈值的特征向量,并且将该特征向量应用于VSD边界预测器1318,以生成一个或多个VSD边界,以供变量调节器318用于控制冷却器100,除了生成的PRV/VGD边界之外。然而,如果已经生成了对应的VSD频率边界并且确定其使冷却器100不能够提供足够的冷却能力,则可以将消息传送到用户装置332,指示冷却器100不能提供具有喘振概率阈值的足够的冷却能力。
类似地,VSD边界预测器1318可以是机器学习模型,其被训练以基于喘振概率阈值和冷却器运行数据来预测VSD频率边界。在一些情况下,VSD边界预测器1318可以使用与PRV/VGD边界预测器1316类似的训练方法用发生在喘振阈值处或附近的冷却器运行数据来训练。可以训练VSD边界预测器1318以基于与PRV/VGD边界预测器1316相同或类似的冷却器数据来预测VSD边界,除了VSD边界预测器1318可以使用PRV/VGD控制信号数据作为输入,同时排除与VSD频率相关的输入之外。因此,VSD边界预测器1318作出的任何预测可能不受VSD控制信号(其可能与预测的VSD频率边界不具有任何相关性)的影响。例如,VSD边界预测器1318可以接收包括排除VSD频率的冷却器运行数据以及喘振概率阈值的输入。VSD边界预测器1318可以输出被预测为变量调节器318的边界的VSD频率,以避免在控制冷却器100时交叉。在一些实施例中,VSD边界预测器1318包括用于VSD频率上边界的机器学习模型和用于VSD频率下边界的机器学习模型。例如,机器学习模型中的每一个可以接收包括冷却器运行数据和喘振概率的输入。机器学习模型可以输出45Hz和55Hz的频率作为运行边界,以使冷却器100在不具有过高的喘振概率的情况下运行。这些机器学习模型中的每一个都可以使用类似的训练数据来训练,除了与其相应边界相关联的标记之外。
VSD边界预测器1318可以将预测的边界传送到VSD边界生成器1308。VSD边界生成器1308可以生成预测的边界并且将生成的边界传送到性能模拟器1312以确定生成的边界是否将使冷却器100能够提供足够的冷却能力来处理新的冷却负载。如果性能模拟器1312确定边界将使冷却器100不能够提供足够的冷却能力,则数据处理器1302可以生成包括类似的冷却器运行数据和相同的喘振概率阈值的特征向量,并且将该特征向量应用于PRV/VGD边界预测器1316,以生成PRV/VGD边界,以供变量调节器318用于控制冷却器100,除了生成的VSD边界之外。然而,如果已经生成了对应的PRV/VGD位置边界并且确定其使冷却器100不能够提供足够的冷却能力,则可以将消息传送到用户装置332,指示冷却器100不能提供具有喘振概率阈值的足够的冷却能力。
有利地,通过使用冷却器运行数据和喘振概率预测边界,可以准确地预测冷却器100的可控冷却器运行边界。代替使用迭代过程,机器学习模型可以自动预测此类边界,这可以加速处理并且使变量调节器318能够更快速地实时调节冷却器100的控制。
现在参考图14,示出了根据一些实施例的用于预测VSD频率边界的示例性神经网络1400的图。神经网络1400可以类似于参考图5示出和描述的神经网络500,除了神经网络1400使用喘振概率阈值来预测VSD频率边界的值之外。在一些实施例中,VSD频率边界的每个可能值可以被视为多类别分类系统中的不同类别。神经网络1400可以表示可以接收相同或类似的输入以预测VSD频率边界的其它机器学习模型。神经网络1400可以包括用于排出压力1402、吸入压力1404、喘振将发生的概率1406、预旋转叶片位置/可变几何形状扩散器位置1408、失速电压1410、输入电流1412和轴承位置1414的输入节点。部件1402、1404、1408、1410、1412和1414可以类似于参考图5示出和描述的相应部件502、504、508、510、512和514。部件1402至1414中的每一个可以表示到神经网络1400的输入。进一步示出神经网络1400包括隐藏层1416和输出层1418。输入1402至1414可以被转换成加权信号或信号的组合并且被传递到隐藏层1416。隐藏层1416的节点可以对加权信号执行各种运行,类似于参考图5示出和描述的隐藏层516的节点。隐藏层1416的节点可以将进一步的加权信号传送到输出层1418。输出层1418可以包括一个或多个节点和/或层,其指示基于输入1402至1414实施频率边界。
在一些实施例中,可以基于提供给神经网络1400的训练数据来生成或确定加权信号的权重。神经网络1400可以使用类似于上面参考图5描述的训练的监督的、半监督的或无监督的方法来训练。例如,可以使用包括输入1402至1414中的每一个的值的标记训练数据来训练神经网络1400。例如,可以将包括输入1402至1414中的每一个的值的训练数据集输入到神经网络1400。训练数据集可以用60Hz的正确值标记。神经网络1400可以基于训练数据集输出55Hz的VSD频率边界。可以将正确值反馈到神经网络1400中,以调节其内部权重和/或参数,从而在未来对类似的数据集作出更准确的预测。可以基于神经网络1400在多个训练数据集上预测标记值的接近程度来确定准确度百分比。例如,在一些实施例中,神经网络1400预测正确频率越接近,准确度百分比越高。可以将训练数据集输入到神经网络1400中用于训练,直到神经网络1400准确到阈值。在一些实施例中,可以输入训练数据集直到神经网络1400对于预设数量的训练数据集准确到阈值。
现在参考图15,示出了根据一些实施例的用于生成PRV/VGD位置边界的示例性神经网络1500的图。神经网络1500可以类似于参考图14示出和描述的神经网络1400,除了神经网络1500使用VSD频率输入1506作为输入而不是PRV/VGD位置输入来预测PRV/VGD边界的值之外。在一些实施例中,PRV/VGD位置边界输出的每个可能值可以被视为多类别分类系统中的不同类别。神经网络1500可以表示可以接收相同或类似的输入以预测VSD频率边界的其它机器学习模型。神经网络1500可以包括用于排出压力1502、吸入压力1504、VSD频率1506、喘振将发生的概率1508、失速电压1510、输入电流1512和轴承位置1514的输入节点。部件1502、1504、1506、1510、1512和1514可以类似于参考图14示出和描述的相应部件1402、1404、1408、1410、1412和1414。部件1502至1514中的每一个可以表示到神经网络1500的输入。进一步示出神经网络1500包括隐藏层1516和输出层1518。输入1502至1514可以被转换成加权信号或信号的组合并且被传递到隐藏层1516。隐藏层1516的节点可以对加权信号执行各种运行,类似于参考图14示出和描述的隐藏层1416的节点。隐藏层1516的节点可以将进一步的加权信号传送到输出层1518。输出层1518可以包括一个或多个节点和/或层,其指示基于输入1402至1414实施频率边界。
在一些实施例中,可以基于提供给神经网络1500的训练数据来生成或确定加权信号的权重。神经网络1500可以使用类似于上面参考图5描述的训练的监督的、半监督的或无监督的方法来训练。例如,可以使用包括输入1502至1514中的每一个的值的标记训练数据来训练神经网络1500。例如,可以将包括输入1502至1514中的每一个的值的训练数据集输入到神经网络1500。训练数据集可以用打开50%的正确值标记。神经网络1500可以基于训练数据集输出45%的PRV/VGD位置边界。可以将50%的正确值反馈到神经网络1500中,以调节其内部权重和/或参数,从而在未来对类似的数据集作出更准确的预测。可以基于神经网络1500在多个训练数据集上预测标记值的接近程度来确定准确度百分比。例如,在一些实施例中,神经网络1500越接近预测训练数据集的正确PRV/VGD位置,准确度百分比越高。可以将训练数据集输入到神经网络1500中用于训练,直到神经网络1500准确到阈值。在一些实施例中,可以输入训练数据集直到神经网络1500对于预设数量的训练数据集准确到阈值。
现在参考图16,示出了根据一些实施例的用于生成和设定可控冷却器变量的边界的示例性过程1600的流程图。例如,过程1600可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程1600可以是详述可以如何可以在图6、7或12的步骤608、612、616、620、708、716、1210、1214、1218和/或1222中的任一步中生成可控冷却器变量的边界的示例性过程。有利地,可以执行过程1600以基于喘振概率阈值自动生成可控冷却器变量的边界。因此,在冷却器中可以避免喘振,同时冷却器可以接近喘振状态运行,提高了冷却器的效率。可以用到机器学习模型的一个输入来确定边界,而不是使用可能需要使用多个输入的迭代过程。过程1600可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程1600被示为包括接收指示喘振概率阈值和冷却器运行数据的输入(步骤1602)。例如,步骤1602可以由边界生成器316执行。可以类似于如何执行步骤602、702或802来执行步骤1602。例如,可以在用户界面处接收指示喘振概率阈值的输入。输入概率可以是0%与100%之间的任何值。输入可以在用户装置处被接收并且被传送到一个或多个数据处理系统。冷却器运行数据可以从数据库或从冷却器的传感器接收或获得。数据库可以是云数据库或一个或多个处理器的本地数据库。冷却器运行数据可以包括制冷剂类型、排出压力、吸入压力、失速电压、输入电流、轴承位置、当前变速驱动频率、当前预旋转叶片位置或当前可变几何形状扩散器位置的值。冷却器运行数据可以是当前冷却器运行数据(例如,与冷却器当前如何运行相关联的值)。
过程1600被示为包括将包括喘振概率的冷却器运行数据提供给一个或多个机器学习模型(步骤1604)。例如,步骤1604可以由边界生成器316执行。冷却器运行数据和喘振概率可以被格式化为特征向量。特征向量可以包括冷却器运行数据和喘振概率的数值。对于与单词相关联的任何冷却器运行数据,可以从数据库获得该单词的对应值。例如,不同类型的冷却剂可以各自与特定值相关联。在一些实施例中,当在特征向量中使用这些值时,可以将这些值归一化为-1与1之间的值。一旦生成了特征向量,该特征向量就可以应用于一个或多个机器学习模型。
一个或多个机器学习模型可以包括PRV/VGD边界预测模型和/或VSD边界预测模型。PRV/VGD边界预测模型和VSD边界预测模型可以是或可以包括诸如神经网络、支持向量机、随机森林等的机器学习模型。PRV/VGD边界预测模型可以是被配置成预测PRV/VGD边界的机器学习模型,该PRV/VGD边界可以使冷却器能够以不超过喘振概率阈值的喘振概率运行。PRV/VGD边界预测模型可以用从喘振数据(例如,当冷却器经历喘振时与冷却器相关联的冷却器运行数据)生成的训练数据来训练。在一些实施例中,可以训练PRV/VGD边界预测模型以使用本文描述的冷却器运行数据来作出预测,除了包括PRV/VGD信号的控制信号之外。在一些实施例中,当冷却器刚越过喘振阈值(例如,刚进入喘振状态)时,训练数据可以与冷却器运行数据相关联。一旦训练PRV/VGD边界预测模型,PRV/VGD边界预测模型就可以预测使冷却器以低于阈值的喘振概率运行的PRV/VGD边界。例如,PRV/VGD边界预测模型可以接收冷却器运行数据和75%的喘振概率作为特征向量中的输入。PRV/VGD边界预测模型可以基于输入来预测打开60%的PRV/VGD边界。
此外,在一些实施例中,PRV/VGD边界预测模型可以包括两个机器学习模型。一个机器学习模型可以预测PRV/VGD位置的上边界,并且机器学习模型可以预测PRV/VGD位置的下边界。每个机器学习模型可以用类似的数据来训练,除了用特定于其各自边界的标记之外。机器学习模型可以接收相同的输入(例如,相同的冷却器运行数据和喘振概率)并且分别输出PRV/VGD位置的上边界和下边界。例如,机器学习模型中的每一个可以接收包括冷却器运行数据和喘振概率的输入。机器学习模型可以输出打开25%和打开60%的PRV/VGD位置作为运行边界,以使冷却器在不具有过高的喘振概率的情况下运行。最后,在一些实施例中,PRV/VGD边界预测模型可以包括不同的机器学习模型,其被训练以分别预测PRV边界和VGD边界。此类机器学习模型可以包括预测每个变量的上边界和下边界或仅预测一个边界的机器学习模型。此类机器学习模型可以如上所描述的针对一起预测PRV/VGD位置边界的机器学习模型进行训练。
可以生成PRV/VGD位置的预测的边界。可以确定生成的边界是否将使冷却器能够提供足够的冷却能力来处理新的冷却负载。如果确定预测的边界将使冷却器不能够提供足够的冷却能力,则可以生成新的特征向量,其包括类似的冷却器运行数据和相同的喘振概率阈值。然而,新的特征向量可以不包括VSD频率的值,并且反而可以包括PRV/VGD位置的值。可以将特征向量应用于VSD边界预测模型以生成VSD边界。VSD边界可以用于结合生成的PRV/VGD边界来控制冷却器。
VSD预测模型可以是机器学习模型,其被训练以基于喘振概率阈值和冷却器运行数据来预测VSD频率边界。在一些情况下,VSD预测模型可以使用与PRV/VGD预测模型类似的训练方法用发生在喘振阈值处或附近的冷却器运行数据来训练。可以训练VSD预测模型以基于与PRV/VGD预测模型相同或类似的冷却器数据来预测VSD边界,除了VSD预测模型可以使用PRV/VGD控制信号数据作为输入,同时排除与VSD频率相关的输入之外。因此,VSD预测模型作出的任何预测可能不受VSD控制信号(其可能与预测的VSD频率边界不具有任何相关性)的影响。例如,VSD预测模型可以接收包括排除VSD频率的冷却器运行数据以及喘振概率阈值的输入。VSD预测模型可以输出被预测为边界的VSD频率,以避免在控制冷却器时交叉。在一些实施例中,VSD预测模型包括用于VSD频率上边界的机器学习模型和用于VSD频率下边界的机器学习模型。例如,机器学习模型中的每一个可以接收包括冷却器运行数据和喘振概率的输入。机器学习模型可以输出45Hz和55Hz的频率作为运行边界,以使冷却器在不具有过高的喘振概率的情况下运行。这些机器学习模型中的每一个都可以使用类似的训练数据来训练,除了与其相应边界相关联的标记之外。
可以生成预测的边界。可以确定生成的边界是否将使冷却器能够提供足够的冷却能力来处理新的冷却负载。如果确定边界使冷却器不能够提供足够的冷却能力,则可以生成包括类似的冷却器运行数据和相同的喘振概率阈值的特征向量,并且将其应用于PRV/VGD边界预测模型。在一些情况下,除了生成的VSD边界之外,还可以生成PRV/VGD边界控制冷却器。然而,如果已经确定不存在使冷却器能够满足冷却负载的PRV/VGD边界。可以将消息传送到用户装置,指示冷却器不能基于喘振概率阈值提供必要的冷却负载。
过程1600被示为包括从一个或多个机器学习模型获得指示可控冷却器变量边界的输出(步骤1606)。例如,步骤1606可以由边界生成器316执行。可以接收包括可控冷却器变量的值的输出。可以基于可控冷却器变量的值来生成边界。
过程1600被示为包括基于指示可控冷却器变量阈值的输出来设定可控冷却器变量的边界(步骤1608)。例如,步骤1608可以由边界生成器316执行。该边界可以是任何可控冷却器变量的上边界和/或下边界。例如,该边界可以是VSD频率或PRV/VGD位置控制信号的上边界和/或下边界。该边界可以用于运行冷却器。如上所描述的,只有在确定该边界使冷却器能够提供足够的冷却能力以满足新的冷却能力时,才可以使用该边界。
现在参考图17,示出了根据一些实施例的图3的冷却器控制器环境的详细框图。冷却器控制器环境1700可以包括历史数据库330、机器学习模型314、边界生成器316、变量调节器318和用户装置332。边界生成器316被示为包括数据处理器1702、概率标识器1704、PRV/VGD边界选择器1706、VSD边界选择器1708、冷却负载标识器1710、性能模拟器1712和信号生成器1714。数据处理器1702、概率标识器1704、冷却负载标识器1710、性能模拟器1712和信号生成器1714可以分别类似于参考图13示出和描述的数据处理器1302、概率标识器1304、冷却负载标识器1310、性能模拟器1312和信号生成器1314。冷却器控制器环境1700可以包括更多或更少的部件,这取决于其配置。
机器学习模型314可以包括PRV/VGD边界预测器1716和VSD边界预测器1718。PRV/VGD边界预测器1716和VSD边界预测器1718可以是或包括机器学习模型,诸如神经网络、支持向量机、随机森林等。PRV/VGD边界预测器1716可以是被配置成预测多个PRV/VGD边界值的概率的机器学习模型。概率可以是置信度得分,其指示边界值是生成的正确值的可能性,因此冷却器100可以以喘振概率阈值运行。PRV/VGD边界预测器1716的输出层的每个节点可以与位置值相关联。位置值的范围可以从0%到100%。PRV/VGD边界预测器1716可以包括任何数量的值。PRV/VGD边界预测器1716可以基于包括除了在一些情况下的PRV/VGD位置值之外的冷却器运行数据的输入特征向量来预测此类概率。特征向量还可以包括喘振概率阈值。PRV/VGD边界预测器1716可以接收包括此类数据的特征向量,并且输出任何数量的PRV/VGD位置的概率。
PRV/VGD边界预测器1716可以用从喘振数据(例如,当冷却器经历喘振时与冷却器相关联的冷却器运行数据)生成的训练数据来训练。在一些实施例中,当冷却器刚越过喘振阈值(例如,刚进入喘振状态)时,训练数据可以与冷却器运行数据相关联。一旦训练PRV/VGD边界预测器1716,PRV/VGD边界预测器1716就可以基于喘振概率阈值来预测PRV/VGD位置边界的概率。例如,PRV/VGD边界预测器1716可以接收冷却器运行数据和75%的喘振概率作为特征向量中的输入。PRV/VGD边界预测器1716可以在输入上预测25%打开的PRV/VGD位置的概率为60%、50%打开的PRV/VGD位置的概率为26%,以及24%打开的PRV/VGD位置的概率为24。PRV/VGD边界预测器1716可以预测任何数量的PRV/VGD位置的任何概率。PRV/VGD边界预测器1716可以将概率传送到PRV/VGD边界选择器1706用于进一步处理。
此外,在一些实施例中,PRV/VGD边界预测器1716可以包括两个机器学习模型。一个机器学习模型可以预测PRV/VGD位置的上边界的值的概率,并且另一机器学习模型可以预测PRV/VGD位置的下边界的值的概率。每个机器学习模型可以用类似的数据来训练,除了用特定于其各自边界的标记之外。机器学习模型可以接收相同的输入(例如,相同的冷却器运行数据和喘振概率)并且分别输出PRV/VGD位置的上边界和下边界的概率。
在一些实施例中,PRV/VGD边界预测器1716可以包括不同的机器学习模型,其被训练以分别预测PRV边界和VGD边界的概率。此类机器学习模型可以包括预测PRV或VGD中的每一个的上边界和下边界或仅仅变量中的一个的概率的机器学习模型。此类机器学习模型可以如上所描述的针对一起预测PRV/VGD位置边界的机器学习模型进行训练。
PRV/VGD边界预测器1716可以将边界的概率传送到PRV/VGD边界选择器1706。PRV/VGD边界选择器1706可以选择与最高概率相关联的边界并且基于选择的边界生成边界。在一些实施例中,如果边界与超过阈值的概率相关联,则PRV/VGD边界选择器1706仅选择与最高概率相关联的边界。PRV/VGD边界选择器1706可以将生成的边界传送到性能模拟器1712以确定生成的边界是否将使冷却器100能够提供足够的冷却能力来处理新的冷却负载。如果性能模拟装置1712确定边界将使冷却器100不能够提供足够的冷却能力来处理新的冷却负载,则数据处理器1702可以生成包括类似的冷却器运行数据和相同的喘振概率阈值的特征向量,并且将该特征向量应用于VSD边界预测器1718,以生成一个或多个VSD边界,以供变量调节器318用于控制冷却器100,除了生成的PRV/VGD边界之外。然而,如果已经生成了对应的VSD频率边界并且确定其使冷却器100不能够提供足够的冷却能力,则可以将消息传送到用户装置332,指示冷却器100不能提供具有喘振概率阈值的足够的冷却能力。
VSD边界预测器1718可以是机器学习模型,其被训练以基于喘振概率阈值和冷却器运行数据来预测VSD频率边界的值的概率。在一些情况下,VSD边界预测器1718可以使用与PRV/VGD边界预测器1716类似的训练方法用发生在喘振阈值处或附近的冷却器运行数据来训练。可以训练VSD边界预测器1718以基于与PRV/VGD边界预测器1716相同或类似的冷却器数据来预测VSD边界,除了VSD边界预测器1718可以使用PRV/VGD控制信号数据作为输入,同时排除与VSD频率相关的输入之外。因此,VSD边界预测器1718作出的任何预测可能不受VSD控制信号(其可能与预测的VSD频率边界不具有任何相关性)的影响。例如,VSD边界预测器1718可以接收包括排除VSD频率的冷却器运行数据以及喘振概率阈值的输入。VSD边界预测器1718可以输出48Hz的频率的概率为70%、52Hz的频率的概率为10%,以及55Hz的频率的概率为20%。VSD边界预测器1718可以输出任何数量的VSD频率的任何概率。VSD边界预测器1718可以将VSD频率输出到VSD边界选择器1708用于进一步处理。在一些实施例中,VSD边界预测器1718包括用于VSD频率上边界的机器学习模型和用于VSD频率下边界的机器学习模型。每个机器学习模型可以类似地输出其相应的VSD频率边界的频率。这些机器学习模型中的每一个都可以使用类似的训练数据来训练,除了与其相应边界相关联的标记之外。
VSD边界预测器1718可以将VSD频率值的预测概率传送到VSD边界选择器1708。VSD边界选择器1708可以选择与最高概率相关联的频率值,并且在选择的频率处生成边界。在一些实施例中,VSD边界选择器1708可以仅在与其相关联的概率超过阈值的情况下生成VSD频率边界。VSD边界选择器可以将生成的边界传送到性能模拟装置1712,以确定生成的边界是否将使冷却器100能够提供足够的冷却能力来处理新的冷却负载。如果性能模拟装置1712确定边界将使冷却器100不能够提供足够的冷却能力,则数据处理器1702可以生成包括类似的冷却器运行数据和相同的喘振概率阈值的特征向量,并且将该特征向量应用于PRV/VGD边界预测器1716,以生成PRV/VGD边界,以供变量调节器318用于控制冷却器100,除了生成的VSD边界之外。然而,如果已经生成了对应的PRV/VGD位置边界并且确定其使冷却器100不能够提供足够的冷却能力,则可以将消息传送到用户装置332,指示冷却器100不能提供具有喘振概率阈值的足够的冷却能力。
有利地,通过使用冷却器运行数据和喘振概率预测边界,可以准确地预测冷却器100的可控冷却器运行边界。代替使用迭代过程,机器学习模型可以自动预测此类边界,这可以加速处理并且使变量调节器318能够更快速地实时调节冷却器100的控制。
现在参考图18,示出了根据一些实施例的用于预测PRV/VGD位置边界的概率的神经网络1800的图。神经网络1800可以使用与参考图15示出和描述的神经网络1500类似的输入。神经网络1800可以包括用于排出压力1802、吸入压力1804、VSD频率1806、喘振将发生的概率1808、失速电压1810、输入电流1812和轴承位置1814的输入节点。部件1802、1804、1806、1808、1810、1812和1814可以类似于参考图15示出和描述的相应部件1502、1504、1506、1508、1510、1512和1514。部件1802至1814中的每一个可以表示到神经网络1800的输入。进一步示出神经网络1800包括隐藏层1816和输出层1818。输入1802至1814可以被转换成加权信号或信号的组合并且被传递到隐藏层1816。隐藏层1816的节点可以对加权信号执行各种运行,类似于参考图15示出和描述的隐藏层1516的节点。隐藏层1816的节点可以将进一步的加权信号传送到输出层1818。输出层1818可以包括一个或多个节点和/或层,其指示基于输入1802至1814实施的频率边界的潜在值的概率。
在一些实施例中,可以基于提供给神经网络1800的训练数据来生成或确定加权信号的权重。神经网络1800可以使用类似于上面参考图15描述的训练的监督的、半监督的或无监督的方法来训练。例如,可以使用包括输入1802至1814中的每一个的值的标记训练数据来训练神经网络1800。例如,可以将包括输入1802至1814中的每一个的值的训练数据集输入到神经网络1800。训练数据集可以用打开70%的正确值标记。神经网络1800可以输出打开50%、打开60%、打开70%和打开80%的位置值频率值的概率。神经网络1800可以调节其内部权重和/或与每个概率与正确值的接近程度成比例的参数。继续以上实例,神经网络1800可以调节其内部权重,因此如果类似的数据集被输入到神经网络1800中,则它将预测70%的较高概率和打开50%、打开60%以及打开80%中的每一个的较低概率。可以基于神经网络1800在多个训练数据集上预测标记值的接近程度来确定准确度百分比。例如,在一些实施例中,神经网络1800预测正确频率越接近,准确度百分比越高。可以将训练数据集输入到神经网络1800中用于训练,直到神经网络1800准确到阈值。在一些实施例中,可以输入训练数据集直到神经网络1800对于预设数量的训练数据集准确到阈值。
现在参考图19,示出了根据一些实施例的用于预测VSD频率边界的概率的示例性神经网络1900的图。神经网络1900可以使用与参考图14示出和描述的神经网络1400类似的输入。神经网络1900可以包括用于排出压力1902、吸入压力1904、预旋转叶片位置/可变几何形状扩散器位置1906、喘振将发生的概率1908、失速电压1910、输入电流1912和轴承位置1914的输入节点。部件1902、1904、1906、1908、1910、1912和1914可以类似于参考图14示出和描述的相应部件1402、1404、1406、1408、1410、1412和1414。部件1902至1914中的每一个可以表示到神经网络1900的输入。进一步示出神经网络1900包括隐藏层1916和输出层1918。输入1902至1914可以被转换成加权信号或信号的组合并被传递到隐藏层1916。隐藏层1916的节点可以对加权信号执行各种运行,类似于参考图14示出和描述的隐藏层1416的节点。隐藏层1916的节点可以将进一步的加权信号传送到输出层1918。输出层1918可以包括一个或多个节点和/或层,其指示基于输入1902至1914实施的频率边界的潜在值的概率。
在一些实施例中,可以基于提供给神经网络1900的训练数据来生成或确定加权信号的权重。神经网络1900可以使用类似于上面参考图14描述的训练的监督的、半监督的或无监督的方法来训练。例如,可以使用包括输入1902至1914中的每一个的值的标记训练数据来训练神经网络1900。例如,可以将包括输入1902至1914中的每一个的值的训练数据集输入到神经网络1900。训练数据集可以用60Hz的正确值标记。神经网络1900可以输出55Hz、60Hz、65Hz和70Hz的频率值的概率。神经网络1900可以调节其内部权重和/或与每个概率与正确值的接近程度成比例的参数。继续以上实例,神经网络1900可以调节其内部权重,因此如果类似的数据集被输入到神经网络1900中,则它将预测60Hz的较高概率以及55Hz和65Hz的较低概率。可以基于神经网络1900在多个训练数据集上预测标记值的接近程度来确定准确度百分比。例如,在一些实施例中,神经网络1900预测正确频率越接近,准确度百分比越高。可以将训练数据集输入到神经网络1900中用于训练,直到神经网络1900准确到阈值。在一些实施例中,可以输入训练数据集直到神经网络1900对于预设数量的训练数据集准确到阈值。
现在参考图20,示出了根据一些实施例的用于生成和设定可控冷却器变量的边界的示例性过程的流程图。例如,过程2000可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程2000可以是详述可以如何可以在图6、7或12的步骤608、612、616、620、708、716、1210、1214、1218和/或1222中的任一步中生成可控冷却器变量的边界的示例性过程。有利地,可以执行过程2000以基于喘振概率阈值自动生成可控冷却器变量的边界。因此,在冷却器中可以避免喘振,同时冷却器可以接近喘振状态运行,提高了冷却器的效率。可以用到机器学习模型的一个输入来确定边界,而不是使用可能需要使用多个输入的迭代过程。过程2000可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程2000被示为包括接收指示喘振概率阈值和冷却器运行数据的输入(步骤2002)。例如,步骤2002可以由边界生成器316执行。可以类似于如何执行步骤1602来执行步骤2002。过程2000还被示为包括将包括喘振概率的冷却器运行数据提供给一个或多个机器学习模型(步骤2004)。例如,步骤2004可以由边界生成器316执行。
过程2000被示为包括从机器学习模型获得指示可控冷却器变量的多个值的概率的输出(步骤2006)。例如,步骤2006可以由边界生成器316执行。PRV/VGD边界预测模型和VSD边界预测模型可以是或包括诸如神经网络、支持向量机、随机森林等的机器学习模型。PRV/VGD边界预测模型可以是被配置成预测多个PRV/VGD边界值的概率的机器学习模型。概率可以是置信度得分,其指示边界值是生成的正确值的可能性,因此冷却器可以以喘振概率阈值运行。PRV/VGD边界预测模型的输出层的每个节点可以与位置值相关联。位置值的范围可以从0%到100%。PRV/VGD边界预测模型可以包括任何数量的值。PRV/VGD边界预测模型可以基于包括除了在一些情况下PRV/VGD位置值之外的冷却器运行数据的输入特征向量来预测此类概率。特征向量还可以包括喘振概率阈值。PRV/VGD边界预测模型可以接收包括此类数据的特征向量并且输出任何数量的PRV/VGD位置的概率。
PRV/VGD边界预测模型可以用从喘振数据(例如,当冷却器经历喘振时与冷却器相关联的冷却器运行数据)生成的训练数据来训练。在一些实施例中,当冷却器刚越过喘振阈值(例如,刚进入喘振状态)时,训练数据可以与冷却器运行数据相关联。一旦训练PRV/VGD边界预测模型,PRV/VGD边界预测模型就可以基于喘振概率阈值来预测PRV/VGD位置边界的概率。例如,PRV/VGD边界预测模型可以接收冷却器运行数据和75%的喘振概率作为特征向量中的输入。PRV/VGD边界预测模型可以在输入上预测25%打开的PRV/VGD位置的概率为60%、50%打开的PRV/VGD位置的概率为26%,以及24%打开的PRV/VGD位置的概率为24。PRV/VGD边界预测模型可以预测任何数量的PRV/VGD位置的任何概率。
此外,在一些实施例中,PRV/VGD边界预测模型可以包括两个机器学习模型。一个机器学习模型可以预测PRV/VGD位置的上边界的值的概率,并且另一机器学习模型可以预测PRV/VGD位置的下边界的值的概率。每个机器学习模型可以用类似的数据来训练,除了用特定于其各自边界的标记之外。机器学习模型可以接收相同的输入(例如,相同的冷却器运行数据和喘振概率)并且分别输出PRV/VGD位置的上边界和下边界的概率。
在一些实施例中,PRV/VGD边界预测模型可以包括不同的机器学习模型,其被训练以分别预测PRV边界和VGD边界的概率。此类机器学习模型可以包括预测PRV或VGD中的每一个的上边界和下边界或仅仅变量中的一个的概率的机器学习模型。此类机器学习模型可以如上所描述的针对一起预测PRV/VGD位置边界的机器学习模型进行训练。
可以选择并且生成与最高概率相关联的边界。在一些实施例中,只有当边界与超过阈值的概率相关联时,才可以选择与最高概率相关联的边界。可以确定生成的边界是否将使冷却器能够提供足够的冷却能力来处理新的冷却负载。如果确定边界将使冷却器不能够提供足够的冷却能力来处理新的冷却负载,则可以生成新的特征向量,其包括类似的冷却器运行和相同的喘振概率阈值。新的特征向量可以是到VSD边界预测模型的输入,以生成VSD边界来控制冷却器,除了生成的PRV/VGD边界之外。然而,如果已经生成了对应的VSD频率边界,并且确定其使冷却器不能够提供足够的冷却能力,则可以将消息传送到用户装置,指示冷却器不能提供具有输入喘振概率阈值的足够的冷却能力。
VSD边界预测模型可以是机器学习模型,其被训练以基于喘振概率阈值和冷却器运行数据来预测VSD频率边界的值的概率。在一些情况下,VSD边界预测模型可以使用与PRV/VGD边界预测模型类似的训练方法用发生在喘振阈值处或附近的冷却器运行数据来训练。可以训练VSD边界预测模型以基于与PRV/VGD边界预测模型相同或类似的冷却器数据来预测VSD边界,除了VSD边界预测模型可以使用PRV/VGD控制信号数据作为输入,同时排除与VSD频率相关的输入之外。因此,VSD边界预测模型作出的任何预测可能不受VSD控制信号(其可能与预测的VSD频率边界不具有任何相关性)的影响。例如,VSD边界预测模型可以接收包括排除VSD频率的冷却器运行数据以及喘振概率阈值的输入。VSD边界预测模型可以输出48Hz的频率的概率为70%、52Hz的频率的概率为10%,以及55Hz的频率的概率为20%。VSD边界预测模型可以输出任何数量的VSD频率的任何概率。在一些实施例中,VSD边界预测模型包括用于VSD频率上边界的机器学习模型和用于VSD频率下边界的机器学习模型。每个机器学习模型可以类似地输出其相应的VSD频率边界的值的概率。这些机器学习模型中的每一个都可以使用类似的训练数据来训练,除了与其相应边界相关联的标记之外。
过程2000被示为包括基于可控冷却器变量的多个值的概率来标识边界(步骤2008)。例如,步骤2008可以由边界生成器316执行。可以获得由机器学习模型生成的可控冷却器变量的值的概率。概率可以相互比较。可以选择与最高概率相关联的可控冷却器变量的值。例如,可以生成VSD频率值的概率。47Hz的概率可以是30%、50Hz可以是40%,以及52Hz可以是30%。可以选择50Hz值,因为它与最高概率相关联。在一些实施例中,可以将最高概率与阈值进行比较。如果概率不超过阈值,则可以不选择该值并且可以生成错误。继续以上实例,如果阈值概率是50%,则可能生成错误,因为与50Hz相关联的概率不超过50%的阈值概率。
过程2000被示为包括设定可控冷却器变量的边界(步骤2010)。例如,步骤2010可以由边界生成器316执行。输出可以包括可控冷却器变量的边界,以避免在运行期间交叉。该边界可以是任何可控冷却器变量的上边界和/或下边界。例如,该边界可以是VSD频率或PRV/VGD位置控制信号的上边界和/或下边界。该边界可以用于运行冷却器。如上所描述的,只有在确定该边界使冷却器能够提供足够的冷却能力以满足新的冷却能力时,才可以使用该边界。
现在参考图21,示出了根据一些实施例的用于基于机器学习模型的输出来生成可控冷却器变量边界的示例性过程2100的流程图。过程2100可以由建筑物管理系统的任何控制器或处理器执行。例如,过程2100可以由一个或多个数据处理系统(例如,冷却器控制器302)执行。过程2100可以使包括压缩机(例如,压缩机102)的冷却器(例如,冷却器100)能够在基于喘振概率阈值设定的边界内随时间在不同条件下运行。机器学习模型可以用从云数据库中的冷却器运行数据生成的训练数据来训练,因此机器学习模型可以在连接到冷却器时提供准确的预测喘振概率。可以在发生喘振时随时间训练机器学习模型,因此机器学习模型可以动态地适应和调节冷却器的变化条件。在一些实施例中,训练机器学习模型以生成VSD频率和/或VGD和PRV位置边界。过程2100可以包括任何数量的步骤,并且这些步骤可以以任何顺序执行。
过程2100被示为包括收集与一个或多个冷却器相关联的冷却器运行数据(步骤2102)。例如,步骤2102可以由冷却器控制器302执行。可以从与第一建筑物管理系统相关联的冷却器或与其它建筑物管理系统相关联的冷却器收集冷却器运行数据。例如,包括由其它建筑物管理系统的冷却器和/或第一建筑物管理系统的冷却器生成的冷却器运行数据的云数据库(例如云数据库328)可以经由网络访问。可以从云数据库收集冷却器运行数据。在一些实施例中,云数据库中的冷却器运行数据由传感器生成并且经由本地网关发送到从其收集冷却器运行数据的冷却器。冷却器运行数据可以包括冷却器的运行参数,其指示当冷却器正确运行时每个冷却器的各种特性和/或当冷却器经历喘振时每个冷却器的特性。参数的值可以用标签标记,该标签指示冷却器是否正在经历喘振或以其它方式在喘振阈值下运行(例如,刚刚开始或将要开始经历喘振)。例如,如果当生成或收集冷却器运行数据时,冷却器在10毫秒、20毫秒、50毫秒、100毫秒、一秒等内经历喘振,则可以将冷却器运行数据标记为与喘振相关联。任何时间段都可以用于将冷却器运行数据与喘振或喘振阈值相关联。冷却器运行数据也可以标记为与喘振相关联或与冷却器的正常运行相关联。冷却器的特性可以包括冷却器在各个时间点的制冷剂类型、排出压力(Pd)、吸入压力(Ps)、失速电压、失速电流、轴承位置、输入电流等。这些特征还可以包括变速驱动频率、预旋转叶片(PRV)位置和/或可变几何形状扩散器(VGD)位置控制信号,该信号使冷却器的压缩机运行并且对应于其它特性的时间点。因此,冷却器运行数据可以指示冷却器如何在各种控制信号下运行。冷却器运行数据可以包括指示何时生成或收集冷却器运行数据的时间戳,以及在一些情况下,指示冷却器运行数据与哪个冷却器、传感器或时间序列相关联的标识符。
在一些实施例中,冷却器运行数据可以用VSD频率、PRV位置和/或VGD位置控制信号来标记,该VSD频率、PRV位置和/或VGD位置控制信号被实施并且使冷却器在正常状态、喘振状态、接近喘振阈值下运行。此外,在一些实施例中,冷却器运行数据可以被标记或以其它方式与所使用的制冷剂类型相关联,并且与各种数据点相关联。因此,冷却器运行数据可以指示冷却器如何在各种控制信号下和/或在使用不同类型的制冷剂时运行。此类数据可以用于确定在各种运行条件下的VSD频率和/或PRV/VGD位置控制信号中的一个或多个的最小值和/或最大值,并且在一些情况下,确定要使用的最佳制冷剂(例如,发现与最少量的喘振相关联的制冷剂)。
有利地,通过从云数据库收集来自多个冷却器的冷却器运行数据,更多信息可以用于训练以标识喘振发生的概率和/或各种控制信号的边界以避免交叉。虽然冷却器可以彼此不同地运行,但是它们在它们如何运行方面可以具有一些相似性。当收集冷却器运行数据以避免数据处理系统新连接到或被配置成运行的冷却器中的喘振时,可以使用来自其它冷却器的冷却器运行数据来训练机器学习模型以预测冷却器中的喘振概率和/或控制信号值(例如,VSD频率、PRV位置和/或VGD位置)阈值以避免交叉或引起喘振的风险。
此外,可以收集冷却器运行数据并且将其添加到专用于存储特定冷却器和/或该冷却器所连接的第一建筑物管理系统的冷却器运行数据的数据库(例如,历史数据库330)。当冷却器在第一建筑物管理系统内运行时,与冷却器的运行相关联的冷却器运行数据可以被自动添加到专用数据库。冷却器运行数据可以以各种时间间隔周期性地添加到数据库中,或者在某些情况下,当喘振发生时添加到数据库中。例如,可以获得在冷却器中发生喘振的指示(例如,作为信号接收或基于冷却器运行数据确定)。可以响应于获得标识而轮询冷却器的各种传感器,以在喘振发生之前、期间和/或之后获得冷却器的特性值。冷却器运行数据可以被存储在数据库中。可以标记这些值以指示冷却器运行数据是否与喘振相关联。
可以实时地从冷却器收集冷却器运行数据。例如,为了与各种特性相关联的冷却器运行数据,生成冷却器运行数据的冷却器和/或传感器可以被连续地轮询。在另一实例中,传感器可以基于冷却器的运行生成冷却器运行数据,并且以各种间隔(例如,每5毫秒、每10毫秒、每20毫秒等)经由网关自动发送冷却器运行数据。因此,可以监测快速的压力变化。在另一实例中,技术人员可以手动上载冷却器运行数据。通过收集此类冷却器运行数据,冷却器运行数据可以用于基于喘振概率阈值生成可控冷却器变量的边界。
过程2100被示为包括用收集的冷却器运行数据来训练一个或多个机器学习模型(步骤2104)。例如,步骤2104可以由如上所描述的模型生成器312或机器学习模型314执行。一个或多个机器学习模型可以是诸如但不限于神经网络、随机森林或支持向量机的机器学习模型。每个机器学习模型可以与相同或不同的输入和输出相关联。可以训练一个或多个机器学习模型以将输出与给定输入相关联(例如,一个机器学习模型可以基于当前冷却器特性来确定喘振将发生的概率,和/或一个机器学习模型可以基于输入喘振概率来确定VSD频率和/或VGD或PRV位置控制信号边界以避免交叉)。例如,第一机器学习模型可以在运行期间接收与冷却器的特性相关联的输入,并且输出冷却器是否将经历喘振的概率,并且第二机器学习模型可以接收与第一机器学习模型类似的输入,除了可控冷却器变量之外,并且另外包括喘振概率阈值,以及基于类似的输入和喘振概率阈值来预测丢失的可控冷却器变量的边界。
收集的冷却器运行数据(例如,从云数据库或本地数据库收集的历史数据、直接从冷却器的传感器收集的实况冷却器运行数据等)可以用于训练一个或多个机器学习模型。例如,可以从云数据库中检索与多个冷却器相关联的冷却器运行数据。可以用检索到的冷却器运行数据生成训练数据集,该数据包括冷却器在运行期间的特性值和与该值相关联的时间戳。训练数据集可以与来自冷却器的值相关联,并且可以包括由管理员确定的时间帧内的一个时间点或多个时间点的值。每个值可以用该值是否与喘振相关联的指示来标记。例如,在管理员选择的时间帧内或在喘振期间生成或收集的值可被标记为与喘振相关联。否则,可以将值标记为不与喘振相关联。可以将训练数据集馈送到一个或多个机器学习模型中,并且可以获得包括基于训练数据集的冷却器中的喘振即将发生的概率的输出。可以将输出反馈到一个或多个机器学习模型中,用于如本文所描述的训练。
可以使用监督的、半监督的和/或无监督的训练方法来训练一个或多个机器学习模型。可以在实施反馈(例如,神经网络中的反向传播)的监督系统中训练一个或多个机器学习模型。在监督训练期间,可以用具有输入和输出对的训练数据来训练一个或多个机器学习模型。该输出可以是一个或多个机器学习模型应基于该对的输入预测的标记的正确输出。在这种情况下,输入可以是冷却器在不同时间点的特性值。例如,冷却器的多个特性的值可以与作为输入的时间戳相关联。每个值和时间戳可以与指示它们是否与喘振相关联的输出标记相关联。在一些情况下,输入可以是具有与多个时间戳相关联的值的时间序列,每个时间戳标记有指示它们是否与喘振相关联的相关联输出。一个或多个机器学习模型可以基于输入和输出对内部地调节它们的权重或参数。在一些实施例中,在训练数据被用作输入并且一个或多个机器学习模型标识输出的概率之后,一个或多个机器学习模型从训练数据中标识预期输出,并且标识实际输出与预期输出之间的差,并且基于该差更新一个或多个机器学习模型的内部过程。例如,如果一个或多个机器学习模型包括神经网络,则该神经网络可以将该差标识为增量,并且修改其内部过程以更准确地预测未来训练数据集或实况数据的喘振和/或控制信号的概率。随着越来越多的训练数据被馈送到一个或多个机器学习模型中,一个或多个机器学习模型可以变得更加准确。
在半监督系统中,一个或多个机器学习模型可以接收标记的和未标记的冷却器运行数据的混合。标记的和未标记的数据可以被实施到一个或多个机器学习模型中用于训练。例如,可以用当冷却器处于喘振状态时检测和收集的冷却器运行数据来训练一个或多个机器学习模型。可以用指示当冷却器处于喘振状态时收集冷却器运行数据的标记来标记冷却器运行数据的一部分,可以用指示当冷却器不处于喘振状态时收集冷却器运行数据的标记来标记冷却器运行数据的另一部分,并且可以不标记冷却器运行数据的其余部分。所有的冷却器运行数据可以被馈送到用于半监督训练的一个或多个机器学习模型中。
在无监督系统中,可以将未标记的冷却器运行数据应用于一个或多个机器学习模型以用于训练。在此类系统中,一个或多个机器学习模型可以基于具有类似值或其它特性的数据将训练数据分组在一起,并且基于这些组提供输出。例如,与喘振相关联的冷却器运行数据可以被分组成一个集群,而与正常运行的冷却器相关联的冷却器运行数据可以被分组成另一集群。使用无监督学习技术,一个或多个机器学习模型可以基于与这些组具有共同特性的冷却器运行数据将冷却器运行数据分组成任一组。
在一些实施例中,用当冷却器经历喘振时从冷却器收集的冷却器运行数据来训练一个或多个机器学习模型。例如,可以从冷却器的传感器获得指示冷却器正在经历喘振的冷却器运行数据。冷却器运行数据可以包括在检测到喘振之前、期间和之后的时间的冷却器运行数据。在喘振之前(达到阈值)和期间的时间可以被标记为与喘振相关联,而喘振结束之后的时间可以与正常运行相关联。在一些实施例中,仅在检测到喘振之前和之后(直到时间阈值)的时间被标记为与接近喘振阈值相关联。可以基于冷却器运行数据的值(例如,冷却器的压缩机的高压值、冷却剂通过压缩机向后流动的指示等)确定冷却器正在经历喘振。冷却器运行数据可以用标记(例如,预期输出)来标记,该标记指示与喘振相关联(例如,与喘振之前和期间的时间相关联的冷却器运行数据)或接近喘振阈值的冷却器运行数据是喘振数据,而不与喘振相关联的数据不是喘振数据。标记可以是二进制的,诸如“1”为与喘振相关联的冷却器运行数据,“0”为与喘振不相关联的冷却器运行数据。冷却器运行数据可以被格式化为一个或多个机器学习模型可以识别的格式(例如,如下所描述的特征向量),并且作为监督训练被提供给一个或多个机器学习模型。类似的过程可以用于标记和使用与喘振不相关联的冷却器运行数据来训练一个或多个机器学习模型。
在一些实施例中,一个或多个机器学习模型可以基于喘振概率阈值来预测VSD频率和/或VGD/PRV位置边界以避免交叉。可以基于喘振概率阈值和当前冷却器运行参数生成具有正确边界的标记训练数据。标记训练数据可以输入到预测VSD频率和/或VGD/PRV位置边界的一个或多个机器学习模型中。此类一个或多个机器学习模型可以输出相关联的预测边界。可以将预期输出与实际输出进行比较。一个或多个机器学习模型可以与实际输出和预期输出之间的差成比例地调节它们的内部权重和/或参数。
有利地,通过将喘振数据和非喘振数据连续地提供给一个或多个机器学习模型用于训练,可以使用特定于冷却器的冷却器运行数据来连续地训练一个或多个机器学习模型以使其更加准确。一个或多个机器学习模型可以自动适应冷却器运行的变化。因此,一个或多个机器学习模型可能能够准确地预测随时间变化的冷却器可控冷却器变量边界的喘振概率,因此可以标识运行的边界,并且可以生成控制信号以在此类边界内运行冷却器并且避免任何不希望的喘振概率。
过程2100被示为包括将与冷却器相关联的实况冷却器运行数据作为输入应用于一个或多个机器学习模型(步骤2106)。例如,步骤2106可以由如上所描述的边界生成器316执行。为了冷却器运行数据,冷却器的传感器可以以各种间隔被轮询,或者冷却器运行数据可以以其它方式从以上所描述的传感器获得。例如,传感器可以每5秒被轮询一次。冷却器运行数据可以被接收并且被处理成可以用作一个或多个机器学习模型的输入的形式。例如,可以从冷却器运行数据集生成特征向量。特征向量可以包括数据的数字标识符。数字标识符可以是冷却器运行数据集的值。实况冷却器运行数据可以包括但不限于冷却器的制冷剂类型、排出压力值、吸入压力值、失速电压、轴承位置、输入电流、VSD频率、PRV位置、VGD位置等。实况冷却器运行数据可以包括当前值(例如,冷却器特性的当前值)。格式化的冷却器运行数据可以应用于一个或多个机器学习模型用于处理。
过程2100被示为包括基于一个或多个机器学习模型的输出来确定喘振概率阈值的可控冷却器变量的边界(步骤2108)。例如,步骤2108可以由边界生成器316执行。一个或多个机器学习模型可以生成指示喘振是否可能很快发生的概率(例如,如由管理员确定的,在10毫秒、50毫秒、1秒、1分钟、5分钟、10分钟、30分钟、1小时等内)或者以其它方式指示喘振是否将发生的概率的输出。可以获得喘振概率阈值。可以获得来自一个或多个机器学习模型的概率,该概率指示基于冷却器的设定运行条件喘振将发生的概率。可以比较概率。如果概率在彼此的阈值内,则用作到机器学习模型的输入的可控冷却器变量值可以用于生成冷却器的运行边界。如果概率不在彼此的阈值内,则可以调节输入到一个或多个机器学习模型的可控冷却器变量值,直到一个或多个机器学习模型生成在喘振概率阈值的阈值内的概率。
在一些实施例中,如果概率在彼此的阈值内,则基于边界确定冷却器是否能够提供足够的冷却能力以满足期望的冷却负载。模拟器可以基于冷却器的当前运行条件、冷却器本身的特性以及可控冷却器变量的生成边界来模拟冷却器性能。如果基于此类输入确定冷却器能够提供期望的冷却负载,则可以生成边界并且将其用于控制冷却器。否则,可以基于其它可控冷却器变量(例如,PRV/VGD位置或VSD频率中的另一个)来生成新的边界,直到生成了使冷却器能够提供期望的冷却负载的边界。如果对于给定的喘振概率阈值为每个可控变量确定边界,并且基于喘振概率阈值确定冷却器不能提供期望的冷却负载,则可以将警报传送到用户装置,该警报指示基于喘振概率阈值不能满足期望的冷却负载。
在一些实施例中,一个或多个机器学习模型可以基于喘振概率阈值生成指示VSD频率和/或VGD/PRV位置控制信号的边界的输出以避免交叉。一个或多个机器学习模型可以生成边界。在一些实施例中,VSD频率控制信号阈值的实例包括40Hz、45Hz、50Hz、55Hz、60Hz等。根据如何配置一个或多个机器学习模型,它们可以预测边界以避免超过或低于边界。例如,在一种配置中,一个或多个机器学习模型可以预测VSD频率控制信号不应低于50Hz。在另一配置中,一个或多个学习可以预测VSD频率控制信号不应超过60Hz。一个或多个机器学习模型可以预测任一配置的任何边界。此外,在一些实施例中,VGD/PRV位置控制信号边界的实例包括完全打开20%、完全打开40%、完全打开60%、完全打开70%、完全打开90%等。这些位置可以是在压缩机的入口和/或出口处的任何阀位置的百分比。类似于VSD频率,根据一个或多个机器学习模型的配置,一个或多个机器学习模型可以预测PRV和/或VGD位置的边界以避免超过或低于边界。一个或多个机器学习模型可以预测阀位置控制信号和/或VSD频率的任何边界。
在一些实施例中,一个或多个机器学习模型基于包括实况冷却器特性的输入生成包括多个边界的概率的概率分布。例如,一个或多个机器学习模型可以生成包括VGD位置边界的概率的概率分布,以避免超过或引起冷却器中的喘振的风险。概率分布可以包括诸如完全开放60%为10%、完全开放70%为20%,以及完全开放80%为70%的概率。一个或多个机器学习模型可以预测任何控制信号边界的任何概率。预测概率可以相互比较和/或与阈值进行比较。如果概率是最高的和/或超过阈值,则与概率相关联的控制信号边界可以被标识并且用作控制冷却器的边界。因此,机器学习模型的输出可以用于创建值的界限,在该界限内,冷却器应运行以避免喘振,并且在一些情况下,有效地运行。
过程2100被示为包括基于所确定的边界的输出来影响冷却器的运行(步骤2110)。例如,步骤2110可以由如上所描述的变量调节器318执行。例如,可以基于由机器学习模型生成的喘振概率和喘振概率阈值来确定边界。使用该边界,可以生成新的控制信号以应用于压缩机以在喘振概率阈值下运行。可以基于边界生成控制信号并且将其传送到冷却器。例如,因为接近喘振状态的运行可能使冷却器更有效地运行,所以可以生成在可控冷却器变量边界处的控制信号。例如,可以确定增加压缩机的入口和出口的阀位置可以根据新生成的PRV和VGD边界来执行。因此,可以生成控制致动器的控制信号以打开阀中的每一个,该致动器在入口和出口处重新定位阀。可以生成控制信号,使喘振发生的概率仍然在喘振概率阈值内。在另一实例中,可以确定可以根据新生成的VSD频率边界基于新的冷却负载来执行增加VSD频率。因此,控制控制压缩机的电动机的VSD的控制信号可以以更高的频率生成到所确定的边界,因此VSD将增加电压以控制电动机。可以生成控制信号,从而生成喘振概率阈值的概率。
有利地,通过实施一个或多个机器学习模型以准确地标识喘振是否将发生的概率或满足喘振概率阈值的边界,在本文描述的系统和方法可以使服务器和/或控制器能够以高效率运行冷却器而不使冷却器进入喘振状态。当冷却器经历喘振时,可以连续地训练机器学习模型,因此机器学习模型可以继续生成指示喘振是否将发生的概率或控制信号的边界以避免交叉。当训练数据被应用于机器学习模型时,概率可以变得更加准确。服务器和/或控制器可以标识何时冷却器可能很快经历喘振或控制信号的边界以避免交叉,并且因此,控制器可以调节用于驱动电动机和运行冷却器的致动器的控制信号。通过预测准确的喘振概率,使用机器学习模型可以使冷却器能够在喘振边界附近运行而不进入喘振状态。因为在喘振边界附近运行使冷却器能够更有效地运行。因此,使用本文所描述的方法可以使冷却器能够更有效地运行。此外,因为机器学习模型可以被连续地训练,所以机器学习模型可以自动地适应于冷却器的运行中的变化,以确定或生成控制信号的边界以避免交叉。
示范性实施例的配置
各个示范性实施例中所示的系统和方法的构造和布置仅是说明性的。尽管在本公开中仅详细描述了几个实施例,但是许多修改是可能的(例如,各种元件的大小、尺度、结构、形状和比例、参数值、安装布置、材料的使用、颜色、取向等的变化)。例如,元件的位置可以颠倒或以其它方式变化,并且离散元件或位置的性质或数量可以改变或变化。因此,所有此类修改旨在包括在本公开的范围内。任何过程或方法步骤的顺序或次序可以根据替代实施例而变化或重新排序。在不脱离本公开的范围的情况下,可以在示范性实施例的设计、运行条件和布置中做出其它替换、修改、改变和省略。
本公开考虑用于完成各种运行的任何机器可读介质上的方法、系统和程序产品。本公开的实施例可以使用现有的计算机处理器来实施,或者通过用于适当系统的专用计算机处理器来实施,为了这个或另一目的而合并,或者通过硬连线系统来实施。本公开范围内的实施例包括程序产品,该程序产品包括用于携带或具有在其上存储的机器可执行指令或数据结构的机器可读介质。此类机器可读介质可以是可以由通用或专用计算机或具有处理器的其它机器访问的任何可用介质。作为实例,此类机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储装置,或可以用于携带或存储机器可执行指令或数据结构形式的所期望程序代码并且可以由通用或专用计算机或具有处理器的其它机器访问的任何其它介质。当通过网络或另一通信连接(硬连线、无线或硬连线或无线的组合)向机器传送或提供信息时,机器将该连接适当地视为机器可读介质。因此,任何此类连接被适当地称为机器可读介质。以上的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机执行特定功能或功能组的指令和数据。
尽管附图示出了方法步骤的特定顺序,但是步骤的顺序可以与描绘的不同。也可以同时或部分同时执行两个或更多个步骤。此类变化将取决于所选择的软件和硬件系统以及设计者的选择。所有此类变化都在本公开的范围内。同样地,软件实施方案可以用具有基于规则的逻辑和其它逻辑的标准编程技术来完成,以完成各种连接步骤、处理步骤、比较步骤和决定步骤。
Claims (20)
1.一种运行冷却器以避免未来喘振事件的方法,所述方法包含:
将与冷却器相关联的冷却器运行数据作为输入应用于一个或多个机器学习模型;以及
基于所述一个或多个机器学习模型的输出生成可控冷却器变量的阈值以防止未来冷却器喘振事件发生,其进一步包含基于所述阈值影响所述冷却器的运行以防止所述未来冷却器喘振事件发生。
2.根据权利要求1所述的方法,其进一步包含通过以下步骤生成所述一个或多个机器学习模型:
通过以下步骤创建训练数据集:
检测历史冷却器运行数据中的过去喘振事件,以及
将所述历史冷却器运行数据的一部分标记为与所述过去喘振事件相关联的喘振冷却器运行数据;以及
用所述训练数据集来训练所述一个或多个机器学习模型。
3.根据权利要求2所述的方法,其中所述喘振冷却器运行数据包含时间序列,所述时间序列包括与所述过去喘振事件之前和期间的时间相关联的所述历史冷却器运行数据的一个或多个变量的值。
4.根据权利要求1所述的方法,其中影响所述冷却器的运行包含基于所述一个或多个机器学习模型的所述输出来确定被预测为防止所述未来喘振事件的一个或多个可控冷却器变量的值,所述一个或多个可控冷却器变量包含以下中的至少一者:
变速驱动频率;
预旋转叶片位置;或者
可变几何形状扩散器位置。
5.根据权利要求1所述的方法,其中所述可控冷却器变量是第一可控冷却器变量,并且影响所述冷却器的运行进一步包含:
调节所述第一可控冷却器变量,以影响所述冷却器的冷却能力,直到:
所述冷却器的所述冷却能力达到期望的冷却能力;或者
所述第一可控冷却器变量达到所述阈值;以及
响应于所述第一可控冷却器变量在所述冷却器的所述冷却能力达到所述期望的冷却能力之前达到所述阈值,调节第二可控冷却器变量直到所述冷却器的所述冷却能力达到所述期望的冷却能力。
6.根据权利要求1所述的方法,其中所述冷却器运行数据包含制冷剂类型、排出压力、吸入压力、失速电压、输入电流、轴承位置、当前变速驱动频率、当前预旋转叶片位置或当前可变几何形状扩散器位置中的至少一者。
7.根据权利要求1所述的方法,其中到所述一个或多个机器学习模型的所述输入包含所述可控冷却器变量的值,并且所述一个或多个机器学习模型的所述输出包含如果所述可控冷却器变量的所述值被用于运行所述冷却器则所述未来冷却器喘振事件将发生的概率,并且其中生成所述可控冷却器变量的所述阈值包含:
将所述未来冷却器喘振事件将发生的所述概率与概率阈值进行比较;以及
响应于确定所述未来冷却器喘振事件将发生的所述概率不违反所述概率阈值,将所述可控冷却器变量的所述阈值设定为所述可控冷却器变量的所述值。
8.根据权利要求1所述的方法,其中到所述一个或多个机器学习模型的所述输入包含所述未来冷却器喘振事件将发生的概率,并且其中所述一个或多个机器学习模型的所述输出包含所述可控冷却器变量的所述阈值的值。
9.根据权利要求1所述的方法,其中所述一个或多个机器学习模型包含神经网络、随机森林或支持向量机中的至少一者。
10.根据权利要求1所述的方法,其中所述一个或多个机器学习模型的所述输出包含所述可控冷却器变量的多个值的概率,并且其中生成所述可控冷却器变量的所述阈值包含基于所述可控冷却器变量的所述多个值的所述概率来选择所述可控冷却器变量的所述多个值中的一个。
11.一种系统,其包含一个或多个存储器装置,所述一个或多个存储器装置上存储有指令,所述指令在由一个或多个处理器执行时使所述一个或多个处理器:
提供与冷却器相关联的冷却器运行数据作为到一个或多个机器学习模型的输入;以及
使用所述一个或多个机器学习模型提供可控冷却器变量的阈值以防止未来冷却器喘振事件发生。
12.根据权利要求11所述的系统,其中所述指令使所述一个或多个处理器通过以下步骤生成所述一个或多个机器学习模型:
通过以下步骤创建训练数据集:
检测历史冷却器运行数据中的过去喘振事件,以及
将所述历史冷却器运行数据的一部分标记为与所述过去喘振事件相关联的喘振冷却器运行数据;以及
用所述训练数据集来训练所述一个或多个机器学习模型。
13.根据权利要求11所述的系统,其中到所述一个或多个机器学习模型的所述输入包含所述可控冷却器变量的值,并且所述一个或多个机器学习模型的输出包含如果所述可控冷却器变量的所述值被用于运行所述冷却器则所述未来冷却器喘振事件将发生的概率,并且其中所述指令使所述一个或多个处理器通过以下步骤来生成所述可控冷却器变量的所述阈值:
将所述未来冷却器喘振事件将发生的所述概率与概率阈值进行比较;以及
响应于确定所述未来冷却器喘振事件将发生的所述概率不违反所述概率阈值,将所述可控冷却器变量的所述阈值设定为所述可控冷却器变量的所述值。
14.根据权利要求11所述的系统,其中所述指令使所述一个或多个处理器影响所述冷却器的运行,以避免应用具有超过所述阈值的值的控制信号。
15.根据权利要求14所述的系统,其中所述可控冷却器变量是第一可控冷却器变量,并且其中所述指令使所述一个或多个处理器通过以下方式来影响所述冷却器的运行:
调节所述第一可控冷却器变量,以影响所述冷却器的冷却能力,直到:
所述冷却器的所述冷却能力达到期望的冷却能力;或者
所述第一可控冷却器变量达到所述阈值;以及
响应于所述第一可控冷却器变量在所述冷却器的所述冷却能力达到所述期望的冷却能力之前达到所述阈值,调节第二可控冷却器变量直到所述冷却器的所述冷却能力达到所述期望的冷却能力。
16.一种运行冷却器的方法,所述方法包含:
基于一个或多个机器学习模型的输出生成对应于未来冷却器喘振事件发生的概率的第一可控冷却器变量的第一阈值;
基于所述第一可控冷却器变量的所述第一阈值确定冷却器是否能够处理冷却能力;
依据基于所述第一可控冷却器变量的所述第一阈值确定所述冷却器将不能够处理所述冷却能力,基于所述一个或多个机器学习模型的第二输出生成对应于所述未来冷却器喘振事件发生的所述概率的第二可控冷却器变量的第二阈值;以及
基于所述第一阈值和所述第二阈值影响所述冷却器的运行。
17.根据权利要求16所述的方法,其中所述第一可控冷却器变量是预旋转叶片位置或可变几何形状扩散器位置,并且所述第一阈值是对应于所述未来冷却器喘振事件发生的所述概率的第一上边界,并且其中所述第二可控冷却器变量是变速驱动频率,并且所述第二阈值是对应于所述未来冷却器喘振事件发生的所述概率的第二上边界。
18.根据权利要求16所述的方法,其中所述第一可控冷却器变量是变速驱动频率,并且所述第一阈值是对应于所述未来冷却器喘振事件发生的所述概率的第一下边界,并且其中所述第二可控冷却器变量是预旋转叶片位置或可变几何形状扩散器位置,并且所述第二阈值是对应于所述未来冷却器喘振事件发生的所述概率的第二下边界。
19.根据权利要求16所述的方法,其中所述概率是第一概率,并且其中生成对应于所述未来冷却器喘振事件发生的所述概率的所述第一可控冷却器变量的所述第一阈值包含:
从所述一个或多个机器学习模型获得指示喘振将发生的第二概率的第一输出;
基于所述第二概率与所述第一概率之间的第一差超过第三阈值,更新冷却器运行数据的所述第一可控冷却器变量的值,以获得更新的冷却器运行数据;
将所述更新的冷却器运行数据提供给所述一个或多个机器学习模型以获得第三概率;以及
基于所述第三概率与所述第一概率之间的第二差小于所述第三阈值,基于更新的值生成所述第一可控冷却器变量的所述第一阈值。
20.根据权利要求16所述的方法,所述冷却器的运行进一步包含:
调节所述第一可控冷却器变量,以影响所述冷却器的冷却能力,直到:
所述冷却器的所述冷却能力达到期望的冷却能力;或者
所述第一可控冷却器变量达到所述第一阈值;以及
响应于所述第一可控冷却器变量在所述冷却器的所述冷却能力达到所述期望的冷却能力之前达到所述第一阈值,调节所述第二可控冷却器变量直到所述冷却器的所述冷却能力达到所述期望的冷却能力。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/805,365 US11732942B2 (en) | 2020-02-28 | 2020-02-28 | Building system with automatic chiller anti-surge control |
US16/805,365 | 2020-02-28 | ||
PCT/US2021/017327 WO2021173343A1 (en) | 2020-02-28 | 2021-02-10 | A system with automatic chiller anti-surge and methods of operating a chiller to avoid future surge events |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115398159A true CN115398159A (zh) | 2022-11-25 |
Family
ID=74845129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180027586.9A Pending CN115398159A (zh) | 2020-02-28 | 2021-02-10 | 具有自动冷却器防喘振的系统以及运行冷却器以避免未来喘振事件的方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11732942B2 (zh) |
EP (1) | EP4111106A1 (zh) |
KR (1) | KR20220156847A (zh) |
CN (1) | CN115398159A (zh) |
WO (1) | WO2021173343A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220050573A (ko) * | 2020-10-16 | 2022-04-25 | 엘지전자 주식회사 | 칠러 시스템 및 그 동작 방법 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4151725A (en) * | 1977-05-09 | 1979-05-01 | Borg-Warner Corporation | Control system for regulating large capacity rotating machinery |
CN101842599A (zh) * | 2007-10-31 | 2010-09-22 | 江森自控科技公司 | 控制系统 |
US20120117989A1 (en) * | 2010-11-17 | 2012-05-17 | Johnson Controls Technology Company | Method and apparatus for variable refrigerant chiller operation |
US20140026598A1 (en) * | 2012-07-25 | 2014-01-30 | Johnson Controls Technology Company | Methods and controllers for providing a surge map for the monitoring and control of chillers |
US20150056059A1 (en) * | 2012-04-30 | 2015-02-26 | Johnson Controls Technology Company | Control system |
CN104567054A (zh) * | 2014-12-26 | 2015-04-29 | 珠海格力电器股份有限公司 | 一种离心式制冷机组防喘振系统 |
US20150260441A1 (en) * | 2012-12-04 | 2015-09-17 | Trane International Inc. | Chiller capacity control apparatuses, methods, and systems |
CN105026855A (zh) * | 2013-01-25 | 2015-11-04 | 特灵国际有限公司 | 对叶轮失速引起的控制不稳进行检测和恢复的方法和系统 |
EP3260703A1 (en) * | 2016-06-22 | 2017-12-27 | General Electric Company | Predicting a surge event in a compressor of a turbomachine |
CN110821871A (zh) * | 2018-08-13 | 2020-02-21 | 开利公司 | 用于预测离心式制冷压缩机的喘振的系统和其方法以及空调机组 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4608833A (en) * | 1984-12-24 | 1986-09-02 | Borg-Warner Corporation | Self-optimizing, capacity control system for inverter-driven centrifugal compressor based water chillers |
US7356999B2 (en) * | 2003-10-10 | 2008-04-15 | York International Corporation | System and method for stability control in a centrifugal compressor |
US8726678B2 (en) | 2009-10-20 | 2014-05-20 | Johnson Controls Technology Company | Controllers and methods for providing computerized generation and use of a three dimensional surge map for control of chillers |
EP3616007A1 (en) | 2017-04-25 | 2020-03-04 | Johnson Controls Technology Company | Predictive building control system with neural network based constraint generation |
WO2018232147A1 (en) | 2017-06-15 | 2018-12-20 | Johnson Controls Technology Company | Building management system with artificial intelligence for unified agent based control of building subsystems |
US10921010B2 (en) | 2017-06-21 | 2021-02-16 | Johnson Controls Technology Company | Building management system with simulation and user action reinforcement machine learning |
US10935940B2 (en) | 2017-08-03 | 2021-03-02 | Johnson Controls Technology Company | Building management system with augmented deep learning using combined regression and artificial neural network modeling |
WO2019083565A1 (en) | 2017-10-23 | 2019-05-02 | Johnson Controls Technology Company | BUILDING MANAGEMENT SYSTEM WITH AUTOMATED VIBRATION DATA ANALYSIS |
CN110296763B (zh) | 2018-03-23 | 2021-04-30 | 江森自控科技公司 | 使用循环网络进行温度传感器校准 |
US20190378020A1 (en) | 2018-05-04 | 2019-12-12 | Johnson Controls Technology Company | Building energy system with energy data stimulation for pre-training predictive building models |
JP6835905B2 (ja) | 2018-05-07 | 2021-02-24 | ジョンソン コントロールズ テクノロジー カンパニーJohnson Controls Technology Company | 費用標的が最適化されるシステム、方法及び非一時的コンピュータ可読媒体 |
US11009252B2 (en) | 2018-05-07 | 2021-05-18 | Johnson Controls Technology Company | HVAC control system with cost target optimization |
US11002457B2 (en) | 2018-05-07 | 2021-05-11 | Johnson Controls Technology Company | Variable refrigerant flow, room air conditioner, and packaged air conditioner control systems with cost target optimization |
JP2019200040A (ja) | 2018-05-18 | 2019-11-21 | ジョンソン コントロールズ テクノロジー カンパニーJohnson Controls Technology Company | モデル駆動型深層学習を有するhvac制御システム |
US11421904B2 (en) | 2018-05-21 | 2022-08-23 | Johnson Controls Tyco IP Holdings LLP | Systems and methods for smart multi-zone control |
US11061132B2 (en) | 2018-05-21 | 2021-07-13 | Johnson Controls Technology Company | Building radar-camera surveillance system |
US11474485B2 (en) | 2018-06-15 | 2022-10-18 | Johnson Controls Tyco IP Holdings LLP | Adaptive training and deployment of single chiller and clustered chiller fault detection models for connected chillers |
-
2020
- 2020-02-28 US US16/805,365 patent/US11732942B2/en active Active
-
2021
- 2021-02-10 WO PCT/US2021/017327 patent/WO2021173343A1/en unknown
- 2021-02-10 EP EP21709306.1A patent/EP4111106A1/en active Pending
- 2021-02-10 KR KR1020227033605A patent/KR20220156847A/ko active Search and Examination
- 2021-02-10 CN CN202180027586.9A patent/CN115398159A/zh active Pending
-
2023
- 2023-08-21 US US18/236,286 patent/US20230392846A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4151725A (en) * | 1977-05-09 | 1979-05-01 | Borg-Warner Corporation | Control system for regulating large capacity rotating machinery |
CN101842599A (zh) * | 2007-10-31 | 2010-09-22 | 江森自控科技公司 | 控制系统 |
US20120117989A1 (en) * | 2010-11-17 | 2012-05-17 | Johnson Controls Technology Company | Method and apparatus for variable refrigerant chiller operation |
US20150056059A1 (en) * | 2012-04-30 | 2015-02-26 | Johnson Controls Technology Company | Control system |
US20140026598A1 (en) * | 2012-07-25 | 2014-01-30 | Johnson Controls Technology Company | Methods and controllers for providing a surge map for the monitoring and control of chillers |
US20150260441A1 (en) * | 2012-12-04 | 2015-09-17 | Trane International Inc. | Chiller capacity control apparatuses, methods, and systems |
CN105074360A (zh) * | 2012-12-04 | 2015-11-18 | 特灵国际有限公司 | 冷却器容量控制设备、方法和系统 |
CN105026855A (zh) * | 2013-01-25 | 2015-11-04 | 特灵国际有限公司 | 对叶轮失速引起的控制不稳进行检测和恢复的方法和系统 |
CN104567054A (zh) * | 2014-12-26 | 2015-04-29 | 珠海格力电器股份有限公司 | 一种离心式制冷机组防喘振系统 |
EP3260703A1 (en) * | 2016-06-22 | 2017-12-27 | General Electric Company | Predicting a surge event in a compressor of a turbomachine |
CN110821871A (zh) * | 2018-08-13 | 2020-02-21 | 开利公司 | 用于预测离心式制冷压缩机的喘振的系统和其方法以及空调机组 |
Non-Patent Citations (1)
Title |
---|
金星;王照明;姜长泓;: "基于LS-SVM的压缩机防喘振非线性模型预测控制", 自动化与仪表, no. 09, 15 September 2015 (2015-09-15) * |
Also Published As
Publication number | Publication date |
---|---|
US11732942B2 (en) | 2023-08-22 |
EP4111106A1 (en) | 2023-01-04 |
KR20220156847A (ko) | 2022-11-28 |
US20230392846A1 (en) | 2023-12-07 |
WO2021173343A1 (en) | 2021-09-02 |
US20210270510A1 (en) | 2021-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11372382B2 (en) | Building management system with augmented deep learning using combined regression and artificial neural network modeling | |
US11567490B2 (en) | Predictive diagnostics system with fault detector for preventative maintenance of connected equipment | |
US11473796B2 (en) | Systems and methods to control energy consumption efficiency | |
CN111096094B (zh) | 经由智能供应空气温度设定点控制的冷却单元能量优化 | |
US11783203B2 (en) | Building energy system with energy data simulation for pre-training predictive building models | |
KR101973652B1 (ko) | Hvac 시스템에 대한 가변 공기 용적 모델링 | |
US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
CN108476473B (zh) | 用于延长建筑物控制系统中的无线传感器的电池寿命的系统和方法 | |
US20170366414A1 (en) | Building management system with predictive diagnostics | |
US11693374B2 (en) | Building system with string mapping based on a sequence to sequence neural network | |
WO2021179250A1 (en) | Systems and methods for controlling variable refrigerant flow systems and equipment using artificial intelligence models | |
US20230392846A1 (en) | Building system with automatic chiller anti-surge control | |
KR20210091028A (ko) | 예측 공조로 최적화 운전이 가능한 스마트 공기 조화 시스템 | |
CN114383228B (zh) | 冷却装置系统 | |
CN116266253A (zh) | 空调参数的优化控制方法、系统和计算机可读存储介质 | |
Dey et al. | Semi-supervised learning techniques for automated fault detection and diagnosis of HVAC systems | |
CN114556027B (zh) | 空调控制装置、空调系统、空调控制方法和记录介质 | |
CN111787764B (zh) | 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质 | |
Dudley et al. | Semi-Supervised Learning Techniques for Automated Fault Detection and Diagnosis of HVAC System | |
CN114980688A (zh) | 水冷主机的控制方法及装置、非易失性存储介质、处理器 | |
US20230315032A1 (en) | Building equipment control system with automated horizon selection | |
US20240093899A1 (en) | Energy optimization of hvac systems under variable ventilation conditions | |
CN117519054A (zh) | 一种高效冷站控制系统 | |
Noh et al. | Development of a Dnn Model Using Calibrated Simulation for the Optimal Control of Hvac Systems |
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 |