翁俊杰

（威凱檢測技術(shù)有限公司 廣州 510000）

引言

隨著科技的不斷進步，人工智能已經(jīng)逐漸應(yīng)用到社會分工的各個領(lǐng)域，在現(xiàn)代檢測檢驗活動中的應(yīng)用也越來越廣泛。采用人工神經(jīng)網(wǎng)絡(luò)的軟測量技術(shù)對家用房間空調(diào)器制冷量進行測量為這一領(lǐng)域的技術(shù)發(fā)展提供了一種新的思路和方向。

1 家用房間空調(diào)器系統(tǒng)軟測量物理模型構(gòu)建

根據(jù)國家標準GB/T 17758-2010中對于空調(diào)器制冷量測試的要求，測量家用房間空調(diào)器制冷量可以采用多種方法，其中采用室內(nèi)側(cè)空氣焓差法和制冷劑流量計法都是針對空調(diào)器室內(nèi)側(cè)狀態(tài)參數(shù)進行測量的方法，其區(qū)別如表1所示。

表1 制冷量測試方法差異表

而室內(nèi)側(cè)空氣焓差法因其具有測試設(shè)備投入較少，設(shè)備維護方便，測量過程時間較短等特點，被行業(yè)中多數(shù)企業(yè)和檢測機構(gòu)所采用。這種方法主要是通過測定空調(diào)室內(nèi)機進風口、出風口的空氣焓值，以及空氣流量確定制冷量的?？諝忪手涤质峭ㄟ^測定空氣干球溫度、濕球溫度計算得出的。制冷量φtci按以下公式計算[1]。

采用制冷劑流量計法測量空調(diào)系統(tǒng)制冷量，φtci制冷量是通過測定室內(nèi)側(cè)熱交換器中的進口制冷劑焓值、出口制冷劑焓值、以及制冷劑流量確定的。

通常把焓表示為以下公式

式中，u為內(nèi)能，

所以工質(zhì)的焓值可以由對應(yīng)的溫度和壓力得到[2]。表達式如下：

在采用制冷劑流量計法進行測量的時候，由于進行檢測的空調(diào)器多數(shù)都是成品機，在空調(diào)系統(tǒng)中接入流量計和壓力表測量制冷劑流量和壓力將破壞其原有系統(tǒng)，所以直接測得其制冷劑流量和壓力難以實現(xiàn)。

通過對空調(diào)系統(tǒng)及其組件進行分析可以知道，空調(diào)系統(tǒng)由四大關(guān)鍵組件構(gòu)成，分別為壓縮機、蒸發(fā)器、冷凝器、節(jié)流裝置，普通家用房間空調(diào)器多為一拖一空調(diào)系統(tǒng)，其系統(tǒng)示意圖如圖1和圖2所示。

根據(jù)標準CAN/ANSI/AHRI 540，壓縮機制冷劑流量可以表示為以下公式[3]：

圖1 一拖一單冷式空調(diào)系統(tǒng)

圖2 一拖一冷暖式空調(diào)系統(tǒng)

即壓縮機中制冷劑流量可以由C1～C10十個系數(shù)以及吸氣口溫度TS和排氣口溫度表示TD，C1～C10十個系數(shù)與壓縮機轉(zhuǎn)速n有關(guān)。

空調(diào)器室內(nèi)側(cè)換熱器在進行制冷運行時其作用為蒸發(fā)器，由于標準中要求，測量需在各參數(shù)穩(wěn)定時進行，所以蒸發(fā)器采用穩(wěn)態(tài)集中參數(shù)模型[4]進行分析，穩(wěn)態(tài)集中參數(shù)模型忽略了蒸發(fā)器內(nèi)的流動壓降而不考慮動量方程，穩(wěn)定的流動使制冷劑質(zhì)量方程也得到滿足，因此模型只需要考慮空氣側(cè)流動換熱和制冷劑側(cè)流動換熱的能量方程[5]。

對于蒸發(fā)器制冷劑側(cè)，有流動換熱方程：

為了提高蒸發(fā)器過熱度的仿真精度，采用過熱區(qū)換熱量加倍的改進方法，同時為保證計算迭代的收斂性，制冷劑平均定性溫度Trm取制冷劑進口溫度hr，in。

過熱區(qū)換熱量QSH為：

當nSH=1時就退化為傳統(tǒng)定義。

所以公式3可以轉(zhuǎn)化為：

目前，對于一拖一家用空調(diào)系統(tǒng)而言各生產(chǎn)制造企業(yè)一般將蒸發(fā)器飽和氣體點設(shè)計在蒸發(fā)器中間處，蒸發(fā)器中間處制冷劑焓值用表示hg，溫度用表示Tg，壓力用pg表示。

由于制冷劑相變過程具有下述特點：在一定壓力下，過程中物質(zhì)的溫度保持不變，反之亦然。此時飽和溫度與飽和壓力間存在如下一一對應(yīng)的關(guān)系[6]：

Tg=f(pg)或pg=f(Tg)

所以，

綜上所述，采用制冷劑流量計法進行測量的時候，公式2制冷量φtci可以表示為：

2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

空調(diào)系統(tǒng)是多組件構(gòu)成的系統(tǒng)，各組件的熱力學結(jié)構(gòu)復雜，組成的系統(tǒng)具有高度耦合性，采用BP神經(jīng)網(wǎng)絡(luò)結(jié)合熱力學原理進行建模將是一個較好的選擇。BP神經(jīng)網(wǎng)絡(luò)具有較強的學習能力，通過對非線性單元的復合映射，可獲得復雜的非線性處理能力，常用于預測回歸、分類、模式識別等。

BP神經(jīng)網(wǎng)絡(luò)是一個多層神經(jīng)網(wǎng)絡(luò)，從結(jié)構(gòu)上講，其具有輸入層、隱含層和輸出層，其中輸入層和輸出層為單層網(wǎng)絡(luò)，隱含層可以由單層網(wǎng)絡(luò)構(gòu)成，也可以由多層網(wǎng)絡(luò)構(gòu)成。每一層網(wǎng)絡(luò)間進行全連接，而同一層網(wǎng)絡(luò)中的神經(jīng)元無連接。BP神經(jīng)網(wǎng)絡(luò)也稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)。基本BP算法(Error Back Propagation Training)包括兩個過程：信號的正向傳播和誤差的反向傳播，即計算誤差輸出時按從輸入到輸出的方向進行，而調(diào)整權(quán)值和閾值則從輸出到輸入的方向進行。正向傳播時，輸入信號通過隱含層作用于輸出節(jié)點，經(jīng)過非線性變換，產(chǎn)生輸出信號，若實際輸出與期望輸出不相符，則轉(zhuǎn)入誤差的反向傳播過程。誤差反傳沿原來的連接通路返回，將輸出誤差通過隱含層向輸入層逐層反傳，通過修改各層所有神經(jīng)元的權(quán)值，以從各層獲得的誤差信號作為調(diào)整各單元權(quán)值的依據(jù)，使得誤差信號最小。通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度和隱層節(jié)點與輸出節(jié)點的聯(lián)接強度以及閾值，使誤差沿梯度方向下降，經(jīng)過反復學習訓練，確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓練即告停止[7]。

BP神經(jīng)網(wǎng)絡(luò)在設(shè)計時，隱含層一般使用S型（Sigmoid）函數(shù)作為激發(fā)函數(shù)，輸出層則采用線性函數(shù)。S函數(shù)又可分為Log-Sigmoid和Tan-Sigmoid函數(shù)。

采用Log-Sigmoid函數(shù)時，可記作：

圖3 log-sigmoid函數(shù)

圖4 tan-sigmoid函數(shù)

圖5 BP神經(jīng)網(wǎng)絡(luò)設(shè)計流程圖

當β趨于無窮時，S型曲線趨于階躍數(shù)，通常情況下，β取值為1。

使用S型函數(shù)時，它能夠?qū)⑤斎霃呢摕o窮到正無窮的范圍映射到輸出為（0，1）或（-1，1）區(qū)間內(nèi)，是在區(qū)間內(nèi)連續(xù)取值的單調(diào)可微函數(shù)，

BP神經(jīng)網(wǎng)絡(luò)設(shè)計流程如圖 5。

一個設(shè)計合理的BP神經(jīng)網(wǎng)絡(luò)具有能夠擬合任一非線性函數(shù)的特點，所以依照上述物理模型φtci=f(n，TS，TD，Ta，in，Ta，out，Tr，in，Tr，out，Tg) 設(shè)計 B P 神經(jīng)網(wǎng)絡(luò)有 8個輸入?yún)?shù)，一個輸出參數(shù)。BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)即輸入層、隱含層、輸出層，其中輸入層有8個神經(jīng)元節(jié)點，輸出層有一個神經(jīng)元節(jié)點，隱含層節(jié)點數(shù)量按照經(jīng)驗公式：

其中S為隱含層神經(jīng)元節(jié)點數(shù)量，n為輸入層神經(jīng)元節(jié)點數(shù)量，m為輸出層神經(jīng)元節(jié)點數(shù)量，a可以取0～10間的常數(shù)。所以可以設(shè)計隱含層神經(jīng)元節(jié)點S數(shù)量為5。綜上所述，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以設(shè)計為8-5-1。

圖6 軟測量設(shè)計思路流程圖

3 軟測量的實現(xiàn)

根據(jù)之前論述，對家用房間空調(diào)系統(tǒng)制冷量采用軟測量的方法進行測量，整體設(shè)計思路如圖6所示。

抽取一套普通家用房間空調(diào)器進行測量，空調(diào)器銘牌參數(shù)摘錄如表2所示。

采用空氣焓差法獲得空調(diào)系統(tǒng)不同工況下的制冷量、室內(nèi)側(cè)進、出風口干球溫度、濕球溫度，以及采用J型熱電隅緊貼管壁，近似獲得空調(diào)系統(tǒng)中壓縮機制冷劑吸氣口溫度、壓縮機制冷劑排氣口溫度、蒸發(fā)器進口制冷劑溫度、蒸發(fā)器出口制冷劑溫度、蒸發(fā)器管路中間制冷劑溫度。記錄并存儲后得到50組數(shù)據(jù)。從50組數(shù)據(jù)中隨機抽取40組數(shù)據(jù)作為訓練數(shù)據(jù)訓練神經(jīng)網(wǎng)絡(luò)，10組數(shù)據(jù)作為網(wǎng)絡(luò)測試數(shù)據(jù)，用訓練好的神經(jīng)網(wǎng)絡(luò)對空調(diào)系統(tǒng)的制冷量進行軟測量。采用MATLAB軟件對BP神經(jīng)網(wǎng)絡(luò)進行仿真后，訓練效果如圖7-9所示。

制冷量預測結(jié)果與實測結(jié)果比較如圖10所示。

軟測量得到的制冷量和實際制冷量誤差如圖11所示。

軟測量得到的制冷量和實際制冷量誤差百分比如圖12所示。

表2 被測空調(diào)器銘牌參數(shù)摘錄表

圖7 BP神經(jīng)網(wǎng)絡(luò)訓練效果圖

圖8 BP神經(jīng)網(wǎng)絡(luò)訓練效果圖

圖9 BP神經(jīng)網(wǎng)絡(luò)訓練效果圖

圖10 BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果與實測結(jié)果對比圖

仿真結(jié)果表明，采用BP神經(jīng)網(wǎng)絡(luò)進行軟測量，其預測結(jié)果與實測結(jié)果具體情況如表3所示。

其中最大誤差百分比為2.44 %。

根據(jù)空調(diào)系統(tǒng)制冷量表達式，其中影響制冷量的狀態(tài)參數(shù)較多，然而哪個參數(shù)對制冷量的影響更大卻無法確定。針對這一問題，本文采用平均影響值MIV(mean impact value)對BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點中的狀態(tài)參數(shù)重要性進行篩選。MIV是判斷輸入變量對輸出變量影響權(quán)重的較好指標之一，其符號代表相關(guān)方向，絕對值大小代表影響的相對重要性[8]。MIV方法的具體實現(xiàn)過程如圖13所示。

經(jīng)過采用MATLAB對BP神經(jīng)網(wǎng)絡(luò)各輸入節(jié)點重要性進行篩選之后，得到以下MIV數(shù)值，如表4所示。

圖11 BP神經(jīng)網(wǎng)絡(luò)預測誤差

圖12 BP神經(jīng)網(wǎng)絡(luò)預測誤差百分比

4 結(jié)論

采用BP神經(jīng)網(wǎng)絡(luò)對空調(diào)系統(tǒng)制冷量進行軟測量的結(jié)果表明，采用BP神經(jīng)網(wǎng)絡(luò)對空調(diào)系統(tǒng)制冷量進行軟測量能夠達到較好的效果，測量誤差在可接受的范圍之內(nèi)。并且通過MIV平均影響值對BP神經(jīng)網(wǎng)絡(luò)各輸入節(jié)點重要性進行篩選之后的結(jié)果表明，壓縮機頻率、排氣側(cè)壓力等狀態(tài)參數(shù)對制冷量預測結(jié)果的影響較其它參數(shù)更大，此結(jié)果與壓縮機在系統(tǒng)中的重要性常被喻為空調(diào)系統(tǒng)的“心臟”是較為一致的。同時從仿真的結(jié)果也發(fā)現(xiàn)，由于采用的數(shù)據(jù)組數(shù)量較小，影響了軟測量的效果，在后期研究中將采取措施進行改進。

表3 BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果與實測結(jié)果具體情況

表4 BP神經(jīng)網(wǎng)絡(luò)各輸入節(jié)點MIV數(shù)值

圖13 MIV方法對BP神經(jīng)網(wǎng)絡(luò)進行變量篩選流程圖