(上海理工大學環(huán)境與建筑學院 上海 200093)

與傳統(tǒng)基于冷凍水系統(tǒng)的大型中央空調系統(tǒng)相比，直膨式空調DX A/C(direct expansion air conditioning)系統(tǒng)因其高能效、安裝靈活、低運行成本而被廣泛應用于中小型辦公、居住建筑。傳統(tǒng)直膨式系統(tǒng)通常配備定速壓縮機與風機，僅依靠壓縮機啟/停對室內空氣溫度進行控制，造成室內濕度失控，導致室內熱舒適、空氣品質IAQ(indoor air quality)、系統(tǒng)能效下降。而針對大型中央空調系統(tǒng)開發(fā)的濕度控制策略，如新風預處理技術等，不完全適用于DX A/C系統(tǒng)。

變頻驅動VFD(variable frequency driven)的引入，實現了DX A/C系統(tǒng)壓縮機、風機轉速的自由調控。改變壓縮機(C)、風機(F)轉速對系統(tǒng)輸出總冷量與顯熱比產生耦合影響，從而改變系統(tǒng)輸出顯冷量(Qs)與潛冷量(Ql)的大小，導致室內空氣溫度與濕度的改變。這一耦合影響表征了變速直膨式系統(tǒng)的運行特性，為建立使用變速直膨式系統(tǒng)同時控制室內空氣溫濕度提供了理論基礎[1-2]。

新型控制策略，如基于直接數字控制(DDC)的容量控制器[3-4]和基于DX A/C系統(tǒng)狀態(tài)空間模型的多參量控制器[5-6]，都基于難以準確建立的復雜系統(tǒng)數學模型。因此，基于系統(tǒng)數學模型的控制器建立困難[7-8]，且模型復雜性導致控制靈敏度和精度較低，而傳統(tǒng)控制方法不能進行溫濕度同時控制。因此開發(fā)新型的溫濕度同時控制方法十分必要。人工神經網絡ANN(artificial neural network)模型在暖通空調領域被廣泛使用[9]，如負荷預測[10]、特殊系統(tǒng)模型辨識[11-12]、制冷空調器仿真[13-14]、系統(tǒng)故障分析診斷[15-18]等。因此，基于ANN模型的控制策略是室內溫濕度同時控制問題的潛在解決辦法之一。

1 新型控制方法的建立

1.1 總體控制邏輯

在各種基于經驗的建模方法中，ANN模型使用廣泛。ANN是作為并行分布式計算網絡的模擬大腦學習過程的簡化數學模型。ANN模型僅依靠實驗數據識別系統(tǒng)輸入輸出間的關系，因此較建立詳細數理模型簡單。ANN模型已廣泛應用于暖通空調領域進行穩(wěn)動態(tài)建模和熱力系統(tǒng)控制器開發(fā)。

除ANN模型外，模糊邏輯指模仿人腦的不確定性概念判斷、推理思維方式，對于模型未知或不能確定的描述系統(tǒng)，以及強非線性、大滯后的控制對象，應用模糊集合和模糊規(guī)則進行推理，表達過渡性界限或定性知識經驗，進行模糊綜合判斷，推理解決常規(guī)方法難于解決的規(guī)則型模糊信息問題。因此，區(qū)別于機器邏輯，模糊邏輯可以實現對HVAC系統(tǒng)控制的改進。

模糊邏輯控制器FLCs(fuzzy logic controllers)主要利用基于人們的常識和經驗的一組模糊推理規(guī)則，FLCs的使用提供了獲取現實世界的近似和不精確性質的有效方法。當研究對象過于復雜而不易常規(guī)定量分析，或可用的信息不能準確解釋時，FLCs方法可以起到有效改善作用。

由于DX A/C系統(tǒng)高度非線性，且溫度和濕度的兩個控制回路高度耦合，使室內空氣溫度和濕度的同時控制較難實現。本文的研究目的是開發(fā)一個適用于DX A/C系統(tǒng)的新型FLCs，使用ANN模型作為系統(tǒng)的描述，最終實現室內溫濕度同時控制。

在已往的研究中，DX A/C系統(tǒng)通過2個控制回路同時控制室內空氣溫度和濕度，即通過同時改變壓縮機和風機轉速以改變室內空氣溫度和濕度，如圖1(a)所示。然而，這兩個控制回路強烈耦合，改變C和F中的任何一個都將影響兩個控制參數，導致傳統(tǒng)PID控制器的控制精度降低。為實現兩個控制回路的解耦，本文提出了新型控制原理，如圖1(b)所示。由圖1(b)可知，該控制原理引入了系統(tǒng)輸出顯冷量Qs和潛冷量Ql兩個中間變量。理論上，Qs僅影響室內空氣溫度，Ql僅影響室內濕度，因此實現兩個控制回路的解耦，在兩個相對獨立的控制回路中，控制過程特性可以通過FLCs進行表達，不必基于類似PID控制方法詳細而準確的控制過程特性。另一方面，DX A/C系統(tǒng)穩(wěn)態(tài)運行特性可以通過建立ANN模型進行描述[19]，系統(tǒng)輸入C和F與輸出Qs和Ql的關系可以通過ANN模型獲得。因此，引入這兩個中間變量，結合穩(wěn)態(tài)ANN模型和FLCs可以建立使用DX A/C系統(tǒng)實現溫濕度同時控制的新型算法。

T室內空氣溫度；C壓縮機轉速；Qs顯冷量；W室內空氣濕度；F供風風扇轉速；Ql潛冷量。圖1 傳統(tǒng)和新型控制原理的對比Fig.1 Comparison between traditional and novel control principles

1.2 基于ANN的新型控制算法

圖2所示為新型控制原理的控制算法，整個控制過程分為A和B兩個過程。過程A通過將當前干球溫度Tdb(t)和濕球溫度Twb(t)與設定值進行比較獲得的誤差信號經比例(P)和微分(D)處理后送入FLC中，計算中間控制變量的變化值，表示為dQs(t)和dQl(t)。

過程B中的重要組成部分是ANN和逆ANN模型，其參與控制過程的作用在于系統(tǒng)的輸出冷量或根據所需冷量計算輸入的轉速組合。ANN模型的建立與驗證已在前一部分研究中進行[19]。在控制過程B中，首先由系統(tǒng)ANN模型計算得出對應當前輸入C和F的輸出冷量Qs(t)和Ql(t)。當前系統(tǒng)Qs(t)、Ql(t)和FLC計算所得中間控制變量之和為下一時間步長系統(tǒng)目標輸出，表示為Qs(t+1)和Ql(t+1)。通過逆ANN模型，計算出Qs(t+1)和Ql(t+1)對應的系統(tǒng)輸出壓縮機和風機轉速，作為實際控制信號送到受控系統(tǒng)，完成控制循環(huán)。對C和F連續(xù)調節(jié)實現室內溫度和濕度的同時控制。

圖2 基于ANN輔助PD模糊控制原理Fig.2 Principle of the ANN aided fuzzy PD control strategy

通?；赑ID方法的模糊邏輯控制器(PFC)由兩部分組成，即PID誤差處理模塊和模糊推理模塊，模糊推理規(guī)則通過經驗獲得。根據PID方法，有三個輸入信號，絕對誤差p(t)，積分誤差i(t)和微分誤差d(t)。在模糊推理模塊中：1)模糊化通過一組模糊集合和對應的隸屬度函數實現；2)模糊推理單元由基于經驗的模糊規(guī)則組成，進行決策，該模糊推理模塊將建立一個模糊推理矩陣以表示模糊輸入和模糊輸出之間的對應關系；3)解模糊接口將模糊控制輸出轉換為實際控制信號。其中，模糊推理矩陣的大小決定于進行模糊化時選擇的模糊集合的數量。例如，如果用于跟蹤絕對誤差的模糊集合數量為k，積分誤差為m，微分誤差為n，則模糊推理矩陣的大小為k×m×n。如果模糊集的數量稍微增加，雖然可以提高控制系統(tǒng)的精度，但模糊推理矩陣的大小將被放大。因此，在PFC的大小和精度之間存在最優(yōu)化點，可使用PD法則取代PID法以簡化計算。

研究所建立的PFC模糊化階段的隸屬函數的設置如表1和圖3所示。對分別作為干球和濕球溫度的比例和微分誤差列出的每個PFC的輸入信號，設置一個隸屬函數。4個隸屬函數具有相同的形式(圖3)。為了簡化，使用變量R表征不同的輸入誤差。不同輸入誤差的隸屬度函數的語言變量設置如表1所示。

表1 隸屬度函數語義變量和對應權重設置Tab.1 The linguistic variables of the membership function and their corresponding WEIGHTS

注：VH非常熱；H熱；W溫暖；FW相當溫暖；SW略溫暖；C舒適；SC略冷；FC相當冷；VC非常冷；THMQ變熱最快；THVQ變熱非?？?；THQ迅速變熱；THG逐漸變熱；THS輕微變熱；NC無改變；TCS輕微變冷；TCG逐漸變冷；TCQ迅速變冷；TCVQ快速變冷；TCMQ變冷最快。

圖3 隸屬度函數Fig.3 The membership function

使用PD法則的模糊推理矩陣的表達方式仍不夠簡便，對于PFC的每個語言變量將存在一個對應的模糊控制規(guī)則。根據圖3，每個PFC的輸入誤差類別設置有11個語言變量，對于使用比例、微分誤差，將存在121個模糊控制規(guī)則。然而，這樣的設計忽略了比例誤差和微分誤差之間的固有聯系。前者表示當前控制參數與其設定值之間的差值，而本研究使用控制參數的變化率來定義微分誤差。因此存在輸入不同，輸出控制信號相同的情況。例如，在一次采樣中，溫度比設定值高5 ℃，同時，溫度以0.5 ℃/min降低；而在另一次采樣中，溫度比設定值低3 ℃，溫度以0.3 ℃/min的速度升高。如果控制目標在10 min內達到設定值，在這兩種情況下，系統(tǒng)的輸出控制信號應保持不變，不需要為模糊推理單元建立全部121個模糊規(guī)則。

引入具有權重概念的模糊推理模塊，為每一輸入誤差的隸屬度函數中模糊子集的語言變量分配權重，如表1所示。模糊推理模塊輸出的模糊值FV(fuzzy value)按下式計算：

FV=Σ[f(n)tW]

(1)

式中：FV為PFC的輸出模糊值；f(n)t為通過隸屬度函數計算得到的比例和微分誤差輸入信號的隸屬度；W為表1中列出的每個模糊子集語言變量的相應權重。以一個具體的計算為例，如果干球溫度比例誤差位于VH的模糊子集，對應權重為5，而微分誤差位于TCMQ，對應權重為-5，隸屬度均為1，由式(1)可得，FV=1×5+1×(-5)=0。表明在這種情況下，不需要改變當前輸出顯冷量。

對于去模糊化階段，模糊值通過以下4個方程轉換為有具體物理意義的中間變量。

(2)

(3)

(4)

(5)

引入新的權重概念后，復雜的模糊推理矩陣被更簡單的權重表代替，以及簡單算法取代解模糊機制，并使用控制參數變化率重新定義微分誤差，考慮了絕對誤差和微分誤差之間的內在聯系，使PFC在結構和算法上都被簡化。

2 控制性能實驗

2.1 實驗設置

為了驗證建立的新控制方法的實際控制性能，在已建立的實驗DX A/C系統(tǒng)進行了新型控制方法的控制性能實驗。

A新風；B回風；C控制單元；D冷凝器； E直膨式蒸發(fā)器；F送風機；G空調房間； H1濕球溫度；T1干球溫度；LGU室內負荷發(fā)生器；VSD變頻驅動。圖4 變速直膨式空調系統(tǒng)Fig.4 System of the VS DX A/C

變速直膨式空調系統(tǒng)如圖4所示。該變速直膨式系統(tǒng)主要由兩部分組成：直膨式制冷系統(tǒng)和空氣輸送系統(tǒng)。圖5所示制冷系統(tǒng)包括一個變頻渦輪式壓縮機，電子膨脹閥(EEV)，直膨管翅式蒸發(fā)器和一個風冷冷凝器。變頻壓縮機的名義制冷量為9.9 kW，工質R22質量為5.3 kg。空調空間尺寸為7.6 m×3.8 m×2.8 m，內置負荷發(fā)生器LGUs(load generation units)模擬不同的室內熱濕負荷。實驗系統(tǒng)配備高精度測量儀器與傳感器以測量各運行參數，包括溫度、空氣側與制冷劑側流量、制冷系統(tǒng)的壓力等。為了方便測量，空氣濕度由測得的空氣干球溫度Tdb和濕球溫度Twb計算得到。空氣與制冷劑溫度都由精度為±0.1 ℃的鉑金電阻溫度傳感器測得。數據采集系統(tǒng)提供48個通道以記錄該實驗變速直膨式系統(tǒng)的各類運行參數，數據采集計算機化，并與控制系統(tǒng)集成，利于開發(fā)與應用新型控制算法[18]。

A冷凝風道；B冷凝器；C電加熱器；D油分離器；E制冷劑溫度壓力傳感器；F變頻壓縮機；G直膨式蒸發(fā)器H接收器；K EEV；M制冷劑流量計。圖5 變速直膨式制冷系統(tǒng)Fig.5 System of the VS refrigeration plant

實驗中不引入室外新風，圍護結構隔熱良好(可認為絕熱)，空調負荷只考慮室內熱濕負荷，使用LGUs進行模擬。冷凝器風量在35 ℃的固定入口溫度下保持恒定在3 100 m3/h。過熱度由PID控制器調節(jié)EEV的開度維持在6 ℃，實驗中控制信號更新時間間隔為30 s，數據采樣時間為2 s。

控制性能實驗主要有兩種：命令跟隨實驗和負荷干擾實驗。

1)命令跟隨實驗：在室內干球溫度和濕球溫度的設定值改變后，監(jiān)控控制器是否能夠迅速做出反應，并且提供正確的控制信號以調節(jié)壓縮機風機的轉速組合，使DX A/C系統(tǒng)將室內空氣狀態(tài)控制到新的設定值并保持穩(wěn)定。

2)負荷干擾實驗：當改變室內熱濕負荷時，室內空氣狀態(tài)發(fā)生改變，監(jiān)控控制器對室內干、濕球溫度的偏移是否能夠迅速做出反應，將室內空氣干、濕球溫度維持在設定值。

2.2 命令跟隨實驗

實驗中室內空氣干、濕球溫度分別預先設置為24 ℃和17.1 ℃，在運行穩(wěn)定后將設定值改為25 ℃和18 ℃，以測試控制器的命令跟隨能力。

實驗結果如圖6所示。圖6(a)為室內干球溫度和濕球溫度的變化，初始室內空氣狀態(tài)設定值分別為干球溫度24 ℃和濕球溫度17.1 ℃，穩(wěn)定運行600 s后設定值分別變?yōu)?5 ℃和18 ℃。圖6(b)所示為對應壓縮機和風機轉速的變化，可知控制器對設定值的改變做出了迅速反應。隨著實驗的進行，控制器對壓縮機和風機轉速進行同時調節(jié)，具有良好的動態(tài)性能。而干、濕球溫度約在1 314 s達到穩(wěn)定狀態(tài)，并在之后2 500 s內保持穩(wěn)定，波動不超過±0.2 ℃。結果表明，控制器在設定值改變時，可以迅速反應，將室內空氣干、濕球溫度控制在改變的設定值并維持穩(wěn)定。

圖6 命令跟隨實驗的測試結果Fig.6 Results of the command following test

2.3 負荷干擾實驗

在負荷干擾實驗中，空氣干、濕球溫度分別設置為24 ℃和17.1 ℃。通過將穩(wěn)定運行下的系統(tǒng)LGUs輸出顯、潛負荷從4.33 kW和1.89 kW分別降低到3.65 kW和1.66 kW，實現對室內空氣狀態(tài)的干擾，以測試空調空間負荷受到干擾變化時，控制器將干、濕球溫度維持在設定值的能力。

當統(tǒng)處于穩(wěn)定運行狀態(tài)660 s后，通過引入擾動改變室內的顯、潛冷負荷，改變室內空氣狀態(tài)，破壞系統(tǒng)的平衡。當室內干球溫度和濕球溫度兩者都改變0.5 ℃時，控制器動作，監(jiān)測控制器將室內空氣干、濕球溫度控制到設定值的情況。

圖7 負荷干擾測試的實驗結果Fig.7 Experimental results of load disturbance test

圖7所示為負荷干擾實驗結果。圖7(a)給出了室內干、濕球溫度的變化，圖7(b)顯示了對應壓縮機和風機轉速的變化。穩(wěn)定運行660 s后，LGU輸出顯、潛熱量從4.33 kW和1.89 kW分別降低到3.65 kW和1.66 kW，室內空氣干、濕球溫度開始降低，降低到23.5 ℃和16.6 ℃需要約650 s，在1 310 s時，控制器立即響應，開始同時調節(jié)壓縮機和風機轉速(圖7(b))。在1 900 s時，室內干、濕球溫度上升到設定值，并在之后的實驗過程中保持穩(wěn)定，波動不超過±0.2 ℃，表明控制器在室內負荷受到干擾，造成室內空氣狀態(tài)改變時，可以有效、動態(tài)地將空氣干、濕球溫度維持在設定值，具有較好的抗干擾調節(jié)能力。另外，實驗中為了探究新型控制器的靈敏度，控制器的動作溫差設置為0.5 ℃，結果表明：該新型控制器可以對0.5 ℃的溫差做出靈敏反應，進行負荷干擾控制。在將來的實際應用中，室內空調的溫度傳感器精度通常為1 ℃，控制器的實際使用效果將會體現為使用稍長的調控時間使溫濕度恢復到設定值。由圖7(b)可知，當干濕球溫度低于設定值0.5 ℃，控制器作出響應時，系統(tǒng)的輸出并未降至最低，所以即使響應溫差變?yōu)? ℃，控制器響應時會根據溫差更大地改變輸出冷量，控制器將干濕球溫度控制回到原設定值的時間也只會增加，不會過多影響控制器的靈敏度。另一方面，本文的目的是使用DX A/C系統(tǒng)實現溫濕度的同時精確控制，因此，想要最大限度發(fā)揮新型控制算法的優(yōu)勢，需要盡量提高室內空氣溫度傳感器的測量精度，使控制過程中的計算值更加準確。

由于建立系統(tǒng)動態(tài)ANN模型需要更大量的訓練數據，所以采用動態(tài)ANN模型會增加控制器開發(fā)成本，并且過于復雜的系統(tǒng)模型也會降低控制器的靈敏度。綜合考慮控制器建立難度及控制性能，使用穩(wěn)態(tài)ANN模型結合模糊PD控制來建立室內空氣溫濕度同時控制方法。對比上述兩組控制性能實驗，得出基于DX A/C系統(tǒng)穩(wěn)態(tài)ANN模型的新型溫濕度同時控制方法具有良好的動態(tài)性能。

3 結論

本文建立了基于ANN輔助和PD控制的模糊邏輯控制器。此新型控制器由PFC，ANN模型和逆ANN模型3個部分組成。在PFC的建立中，使用PD取代PID控制，并對模糊子集的語義變量賦予權重，從概念和結構兩方面簡化了控制算法。

為了檢驗新型控制器的控制性能，在干球溫度為24 ℃，濕球溫度為17.1 ℃(相對濕度50%)的初始穩(wěn)態(tài)工況條件下分別進行了命令跟隨實驗和負荷干擾實驗兩種控制性能實驗。結果表明：在命令跟蹤測試中，控制器對于設定值的變化能夠迅速響應，通過同時調節(jié)壓縮機和風機轉速，在720 s內分別跟蹤室內干球溫度和濕球溫度的變化，并將它們控制在新的設定值。在負荷干擾測試中，引入室內冷負荷干擾后，當溫度變化量達到0.5 ℃時，控制器迅速響應，通過改變壓縮機和風機轉速，在700 s內將溫度控制到設定值。因此，此新型控制器可以實現使用DX A/C系統(tǒng)對室內空氣溫濕度進行同時控制。

[1] LI Zheng, DENG Shiming. An experimental study on the inherent operational characteristics of a direct expansion (DX) air conditioning (A/C) unit[J]. Building and Environment, 2007, 42(1): 1-10.

[2] XU Xiangguo, XIA Liang, CHAN Mingyin, et al. Inherent correlate on between the total output cooling capacity and equipment sensible heat ratio of a direct expansion air conditioning system under variable-speed operation[J]. Applied Thermal Engineering, 2010, 30(13): 1601-1607.

[3] LI Zheng, DENG Shiming. A DDC-based capacity controller of a direct expansion (DX) air conditioning (A/C) unit for simultaneously indoor temperature and humidity control-part I: control algorithms and preliminary controllability tests[J]. International Journal of Refrigeration,2007,30(1):113-123.

[4] LI Zheng, DENG Shiming. A DDC-based capacity controller of a direct expansion (DX) air conditioning (A/C) unit for simultaneously indoor temperature and humidity control- part II: further development of the controller to improve control sensitivity[J]. International Journal of Refrigeration, 2007, 30(1):124-133.

[5] QI Qi, DENG Shiming. Multivariable control-oriented modeling of a direct expansion (DX) air conditioning (A/C) system[J]. International Journal of Refrigeration, 2008, 31(5): 841-849.

[6] QI Qi, DENG Shiming. Multivariable control of indoor air temperature and humidity in a direct expansion (DX) air conditioning (A/C) system[J]. Building of Environment, 2009,44(8): 1659-1667.

[7] 王曉非. 面向室內溫濕度同時控制的直膨式空調系統(tǒng)混合建模[D].浙江：浙江大學，2017.(WANG Xiaofei. A hybrid model of a direct expansion air conditioning system for the simultaneous control of indoor air temperature and humidity[D]. Zhejiang：Zhejiang University，2017.)

[8] 黃小清，徐象國，晉欣橋，等. 直膨式空調系統(tǒng)的混合建模研究[J].制冷技術, 2017, 37(1): 33-37. (HUANG Xiaoqing, XU Xiangguo, JIN Xinqiao, et al[J]. Chinese Journal of Refrigeration Technology, 2017, 37(1): 33-37.)

[9] 李玉云,王永驥.人工神經網絡在暖通空調領域的應用研究發(fā)展[J].暖通空調,2001, 31(1): 38-41.(LI Yuyun,WANG Yongji. Application and development of artificial neural network in HVAC field[J].Journal of HV & AC,2001, 31(1): 38-41.)

[10] 朱能，史學宇，劉俊杰，等. 人工神經網絡對空調負荷預測過程的優(yōu)化研究[J]. 制冷學報，2002, 23(2): 35-38. (ZHU Neng, SHI Xueyu, LIU Junjie, et al. The optimum study of neural network control in air conditioning system load prediction[J]. Journal of Refrigeration, 2002, 23(2): 35-38.)

[11] 吳杰, 陳光明, 張紹志. 用人工神經網絡預測冰蓄冷系統(tǒng)蓄冰時間[J]. 制冷學報, 2001, 22(4): 25-28. (WU Jie, CHEN Guangming, ZHANG Shaozhi. Predicting ice store time using artificial neural network[J]. Journal of Refrigeration, 2001, 22(4): 25-28.)

[12] 周天泰, 林章, 宋春玲, 等. 運用神經網絡辨識直燃式溴化鋰系統(tǒng)模型[J]. 制冷學報, 2001, 22(1): 35-42. (ZHOU Tiantai, LIN Zhang, SONG Chunling, et al. Artificial neural network used in the direct-fired absorption chiller system identification[J]. Journal of Refrigeration, 2001, 22(1): 35-42.)

[13] 丁國良, 張春路, 李灝. 神經網絡在空調器仿真中的應用研究[J]. 制冷學報, 1999, 20(2): 31-37. (DING Guoliang, ZHANG Chunlu, LI Hao. Application of artificial neural networks in simulation of air conditioners[J]. Journal of Refrigeration, 1999, 20(2): 31-37.)

[14] 丁國良, 張春路, 李灝, 等. 制冷空調裝置智能仿真方法研究初探[J]. 制冷學報, 1998, 19(2): 10-14. (DING Guoliang, ZHANG Chunlu, LI Hao, et al. Intelligent simulation methodologies of refrigeration and air-conditioning appliances[J]. Journal of Refrigeration, 1998, 19(2): 10-14.)

[15] 鮑士雄, 陳麗萍.制冷系統(tǒng)故障診斷若干方法研究[J].制冷學報, 1997, 18(4): 28-32. (BAO Shixiong, CHEN Liping. The study of several methods in refrigeration system troubleshooting[J]. Journal of Refrigeration, 1997, 18(4): 28-32.)

[16] 姜益強, 姚楊, 馬最良.空氣源熱泵冷熱水機組的故障診斷[J]. 制冷學報, 2002, 23(3): 57. (JIANG Yiqiang, YAO Yang, MA Zuiliang. Fault diagnosis for air source heat pump water heater/chillers[J]. Journal of Refrigeration, 2002, 23(3): 57.)

[17] 石書彪, 陳煥新, 李冠男, 等. 基于改進BP網絡的冷水機組故障診斷[J]. 制冷學報, 2015, 36(6): 34-39. (SHI Shubiao, CHEN Huanxin, LI Guannan, et al. Research on fault diagnosis of chillers based on improved BP network[J]. Journal of Refrigeration, 2015, 36(6): 34-39.)

[18] 李中領, 金寧, 朱巖. 人工神經網絡應用于空調系統(tǒng)故障診斷的研究[J]. 制冷與空調(北京), 2005, 5(1): 50-53. (LI Zhongling, JIN Ning, ZHU Yan. The study on application of ANN in fault diagnosis of air conditioning system[J]. Refrigeration and Air-conditioning, 2005, 5(1): 50-53.)

[19] 李釗,鄧仕明.變速直膨式空調系統(tǒng)運行特性的穩(wěn)態(tài)ANN模型[J].制冷學報, 2017, 38(1): 54-60.(LI Zhao, DENG Shiming. A steady state ANN model for the operational characteristics of a variable speed (VS) direct expansion (DX) air conditioning (A/C) system[J].Journal of Refrigeration,2017,38(1):54-60.)