亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于神經(jīng)網(wǎng)絡(luò)模型的冷庫冷風(fēng)機(jī)除霜控制研究

        2020-05-12 09:21:00向鵬程胡開永張自強(qiáng)
        流體機(jī)械 2020年4期
        關(guān)鍵詞:除霜結(jié)霜測試數(shù)據(jù)

        偉,向鵬程,胡開永,張自強(qiáng)

        (1.天津商業(yè)大學(xué) 天津市制冷技術(shù)重點(diǎn)實(shí)驗(yàn)室,天津 300134;2.北京航天新風(fēng)機(jī)械設(shè)備有限責(zé)任公司,北京 100854)

        0 引言

        冷庫實(shí)際運(yùn)行時(shí),由于人員和貨物頻繁進(jìn)出,使得冷庫內(nèi)外熱濕交換現(xiàn)象顯著。當(dāng)冷風(fēng)機(jī)的翅片溫度同時(shí)低于濕空氣的露點(diǎn)溫度和0 ℃時(shí)就會出現(xiàn)結(jié)霜現(xiàn)象。隨著冷庫長時(shí)間的運(yùn)行

        冷風(fēng)機(jī)結(jié)霜加重,致使冷庫制冷系統(tǒng)的COP降低。因此,必須對冷風(fēng)機(jī)進(jìn)行除霜,以確保冷庫節(jié)能高效地運(yùn)行[1]。同時(shí),為確保及時(shí)有效地除霜,還需要設(shè)置合理的除霜控制。若冷風(fēng)機(jī)提前進(jìn)入除霜,這樣不僅導(dǎo)致頻繁除霜消耗更多電能,而且還會造成庫溫頻繁波動;若延遲進(jìn)入除霜,霜層會致使對流換熱惡化,從而造成庫溫的上升;若提前退出除霜,又會導(dǎo)致?lián)Q熱器霜層殘留;若延遲退出除霜,會導(dǎo)致除霜時(shí)間過長浪費(fèi)電能,還會縮短電加熱的壽命甚至可能引發(fā)火災(zāi)。目前,冷庫主要使用的是定時(shí)除霜法。這種方法初始投資少、控制和操作簡便,一般按照最惡劣的工況條件設(shè)定除霜時(shí)間。因此,設(shè)置合理的除霜起始點(diǎn)和除霜時(shí)長,對冷庫節(jié)能具有重要意義[2-4]。

        在過去的20年中,以神經(jīng)網(wǎng)絡(luò)為代表的人工智能技術(shù)在換熱器建模、換熱器相關(guān)參數(shù)的預(yù)測、制冷劑相變性質(zhì)的預(yù)測、空調(diào)系統(tǒng)的動態(tài)建模和控制、冷卻塔的性能等方面的應(yīng)用逐漸增加[5-10]。與傳統(tǒng)方法相比,人工神經(jīng)網(wǎng)絡(luò)不需要對系統(tǒng)進(jìn)行物理建模,只需要對有效的數(shù)據(jù)進(jìn)行訓(xùn)練就能建立變量間的非線性關(guān)系。

        近年來,很多學(xué)者利用神經(jīng)網(wǎng)絡(luò)模型對結(jié)霜進(jìn)行研究。Zhao等[11]提出了基于改進(jìn)遺傳算法的脊波神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。將翅片蒸發(fā)器的結(jié)霜參數(shù)作為隨機(jī)變量,將不同工況下的仿真結(jié)果作為測試樣本和訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò),對翅片蒸發(fā)器的結(jié)霜量進(jìn)行預(yù)測。Datta等[12]將機(jī)組制冷運(yùn)行時(shí)間、環(huán)境溫度、相對濕度作為神經(jīng)網(wǎng)絡(luò)的輸入變量,將除霜水重量,作為輸出變量,建立了只包含一個(gè)隱藏層的3層神經(jīng)網(wǎng)絡(luò),對超市陳列柜蒸發(fā)器結(jié)霜量進(jìn)行預(yù)測。Tahavvor等[13]在自然對流時(shí)對不同工況和圓筒冷表面溫度下得到的霜層厚度和密度輸入神經(jīng)網(wǎng)絡(luò)模型,對圓筒表面的霜層厚度和密度進(jìn)行預(yù)測。Hosseinia等[14]建立了將板溫、環(huán)溫、風(fēng)速、相對濕度、運(yùn)行時(shí)間等作為神經(jīng)網(wǎng)絡(luò)的輸入變量,建立了有SOM(Self Organizing Map)和無SOM的MLP-BR(多層感知器和貝葉斯正則化學(xué)習(xí)規(guī)則)神經(jīng)網(wǎng)絡(luò)模型,用于預(yù)測自然對流條件下垂直平板的霜層厚度。

        然而,以上學(xué)者并未涉及結(jié)霜后除霜時(shí)長的預(yù)測。本文通過將濕空氣物性參數(shù)、機(jī)組運(yùn)行時(shí)間作為神經(jīng)網(wǎng)絡(luò)輸入變量,建立基于BP算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)的結(jié)霜量和除霜時(shí)長預(yù)測模型,來確定除霜起始點(diǎn)和除霜時(shí)長,實(shí)現(xiàn)合理的除霜自動控制。

        1 試驗(yàn)裝置及方法

        1.1 試驗(yàn)裝置

        低溫風(fēng)洞試驗(yàn)臺如圖1所示。試驗(yàn)臺主要由閉口回流單試驗(yàn)段風(fēng)洞、空氣處理系統(tǒng)、變頻風(fēng)機(jī)、被測機(jī)組、溫濕度控制裝置、數(shù)據(jù)采集裝置組成。其中試驗(yàn)段可模擬低溫冷庫工況條件。

        風(fēng)洞試驗(yàn)段翅片管換熱器前后的溫度采用PT100(精度±0.1 ℃)鉑電阻測得,相對濕度采用HMT120(精度±3%)測得。風(fēng)速、風(fēng)量采用KIMO皮托管(系數(shù)0.84)搭配EJX110A差壓計(jì)(精度±0.04%)測量風(fēng)洞試驗(yàn)段內(nèi)空氣流動的動壓后計(jì)算而得。大氣壓采用CP116(精度±2 hPa)測得。

        圖1 低溫風(fēng)洞試驗(yàn)臺原理

        1.2 試驗(yàn)方法

        當(dāng)進(jìn)行翅片管換熱器結(jié)霜試驗(yàn)時(shí),打開空氣處理系統(tǒng)設(shè)定試驗(yàn)溫度、相對濕度、風(fēng)速。開啟被測機(jī)組,壓縮機(jī)吸入氣液分離器中的低溫低壓的制冷劑氣體,被壓縮成高溫高壓的氣體,經(jīng)過油分離器、殼管冷凝器冷凝成高壓中溫的液體,隨后依次經(jīng)過水冷式過冷器、視液鏡、質(zhì)量流量計(jì)、電子膨脹閥節(jié)流降壓后,進(jìn)入翅片管換熱器吸收風(fēng)洞熱量變成低溫低壓的氣體,再次進(jìn)入氣液分離器,進(jìn)行下一次循環(huán)。

        經(jīng)過空氣處理系統(tǒng)后的濕空氣,被強(qiáng)制循環(huán)至風(fēng)洞試驗(yàn)段與翅片管換熱器進(jìn)行熱濕交換,濕空氣中的水蒸汽析出并凝結(jié)成霜。被降溫除濕后的濕空氣再次進(jìn)入空氣處理系統(tǒng),進(jìn)行下一次循環(huán)。具體試驗(yàn)工況見表1。

        表1 正交試驗(yàn)表

        1.3 試驗(yàn)數(shù)據(jù)處理

        當(dāng)試驗(yàn)段內(nèi)設(shè)定溫度、風(fēng)速穩(wěn)定時(shí),風(fēng)洞內(nèi)開始緩慢加濕同時(shí)開始計(jì)算結(jié)霜量。隨著翅片管換熱器結(jié)霜加重,風(fēng)阻加大風(fēng)速開始降低,當(dāng)降到0.5 m/s時(shí)停止結(jié)霜量試驗(yàn)。同時(shí)開啟除霜電加熱并開始計(jì)時(shí),當(dāng)翅片管換熱器底部積水盤持續(xù)30 s沒有除霜水流出時(shí),關(guān)閉電加熱并記錄除霜時(shí)長。不同工況下的結(jié)霜量通過下式計(jì)算出:

        式中 ΔMfr——結(jié)霜量,kg;

        Vτ——數(shù)據(jù)采集間隔時(shí)間,s;

        Vair——濕空氣質(zhì)量流量,kg/s;

        da,in——濕空氣入口含濕量,g/kg;

        da,out——濕空氣入口含濕量,g/kg。

        2 神經(jīng)網(wǎng)絡(luò)建模及性能分析

        2.1 神經(jīng)網(wǎng)絡(luò)除霜控制模型的建立

        圖2為神經(jīng)網(wǎng)絡(luò)除霜模型。左側(cè)虛線方框內(nèi)為結(jié)霜量預(yù)測模型,右側(cè)虛線方框內(nèi)為除霜時(shí)長預(yù)測模型。

        圖2 神經(jīng)網(wǎng)絡(luò)除霜模型

        結(jié)霜量預(yù)測模型是一個(gè)包含3個(gè)輸入變量,一個(gè)輸出變量的3層神經(jīng)網(wǎng)絡(luò)模型。通過空氣溫度ta、空氣相對濕度h、風(fēng)速ua為3個(gè)輸入變量,計(jì)算單位時(shí)間內(nèi)的結(jié)霜量ΔMfr。

        除霜時(shí)長預(yù)測模型是一個(gè)包含5個(gè)輸入變量,一個(gè)輸出變量的3層神經(jīng)網(wǎng)絡(luò)模型。以總運(yùn)行時(shí)長t1、累積結(jié)霜量Mfr、空氣溫度ta、空氣相對濕度h、風(fēng)速ua為輸入變量,計(jì)算除霜持續(xù)時(shí)長。

        2.2 數(shù)據(jù)預(yù)處理

        經(jīng)過試驗(yàn)及數(shù)據(jù)整理,得到結(jié)霜量預(yù)測模型數(shù)據(jù)10 628組,除霜時(shí)長預(yù)測模型數(shù)據(jù)18組。在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練原始數(shù)據(jù)計(jì)算前,需要對原始數(shù)據(jù)進(jìn)行歸一化。

        數(shù)據(jù)歸一化的目的可以避免奇異樣本數(shù)據(jù)的存在而引起訓(xùn)練時(shí)間增大,同時(shí)也可以避免訓(xùn)練結(jié)果無法收斂。常見的歸一化區(qū)間有2種:[0,1]和[-1,1]。由于結(jié)霜量試驗(yàn)的空氣溫度均為負(fù)數(shù),因此可按下式將所有數(shù)據(jù)歸一化到[-1,1]內(nèi)。

        式中 y ——?dú)w一化后的數(shù)據(jù);

        x ——原始數(shù)據(jù);

        xmin——原始數(shù)據(jù)中的最小值;

        xmax——原始數(shù)據(jù)中的最大值。

        2.3 隱藏層節(jié)點(diǎn)數(shù)的確定

        對于隱藏層包含的神經(jīng)元的數(shù)量,目前大多采用下列經(jīng)驗(yàn)公式[15-20]:

        式中 m ——神經(jīng)元的數(shù)量;

        n ——輸入變量個(gè)數(shù),分別取3和5;

        l ——輸出變量個(gè)數(shù),取l =1;

        a ——1~10之間的任意常數(shù)。

        a的取值可采用枚舉法確定,即將1至10分別輸入到結(jié)霜量和除霜時(shí)長神經(jīng)網(wǎng)絡(luò)模型中,分別計(jì)算模型均方誤差值(MSE),將MSE最小時(shí)的a值分別帶入結(jié)霜量和除霜時(shí)長神經(jīng)網(wǎng)絡(luò)模型計(jì)算隱藏層節(jié)點(diǎn)數(shù)。

        圖3示出a取不同值時(shí),2個(gè)模型MSE的變化情況。經(jīng)過多次計(jì)算取平均值,確定結(jié)霜量預(yù)測模型中的a為6,因此其隱藏層節(jié)點(diǎn)數(shù)為8。除霜時(shí)長預(yù)測模型中的a為3,因此其隱藏層節(jié)點(diǎn)數(shù)為5。

        圖3 神經(jīng)網(wǎng)絡(luò)預(yù)測模型MSE隨a的變化

        2.4 其他參數(shù)

        神經(jīng)網(wǎng)絡(luò)其他參數(shù)見表2。

        表2 神經(jīng)網(wǎng)絡(luò)運(yùn)行參數(shù)

        3 結(jié)果分析

        3.1 結(jié)霜量預(yù)測模型的訓(xùn)練結(jié)果

        由于有10 628組結(jié)霜量數(shù)據(jù),為充分訓(xùn)練數(shù)據(jù)、減小泛化誤差,在結(jié)霜量預(yù)測模型中引入十折交叉驗(yàn)證。即將結(jié)霜量數(shù)據(jù)集分成10份,輪流將其中9份作為訓(xùn)練數(shù)據(jù),1份作為測試數(shù)據(jù),進(jìn)行訓(xùn)練。同時(shí)為減小隨機(jī)分組引入的誤差,共進(jìn)行10次十折交叉驗(yàn)證取其中誤差最小的一組,作為最終結(jié)霜量預(yù)測模型。

        圖4示出結(jié)霜量預(yù)測模型訓(xùn)練過程。由圖4可知,隨著訓(xùn)練尋優(yōu)的進(jìn)行,訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集的MSE均呈下降趨勢,且在第25 385次訓(xùn)練后收斂。將預(yù)測數(shù)據(jù)進(jìn)行反歸一化后,計(jì)算預(yù)測值與實(shí)測值之間的MSE為5.138 g。利用均方誤差求得標(biāo)準(zhǔn)誤差約占測試數(shù)據(jù)集平均結(jié)霜量的11.21%,說明計(jì)算值與實(shí)測值之間有較小的偏差。

        圖4 結(jié)霜量預(yù)測模型訓(xùn)練過程

        圖5示出測試數(shù)據(jù)集中的誤差統(tǒng)計(jì)結(jié)果。在1062組測試數(shù)據(jù)中,誤差百分比超過100%的有13組;誤差小于10%的有758組,占總樣本的71.37%;誤差在20%以內(nèi)的數(shù)據(jù)有979組,占比92.18%。所有數(shù)據(jù)的平均誤差為10.11%。因此,該預(yù)測模型具有較好的預(yù)測性能。

        圖5 測試數(shù)據(jù)集的誤差分布統(tǒng)計(jì)

        由于有1 062組預(yù)測和實(shí)測數(shù)據(jù)的對比,在繪圖時(shí)不能很好地展現(xiàn)模型預(yù)測的精度和規(guī)律。因此按照圖5的誤差統(tǒng)計(jì)結(jié)果選取誤差百分比超過20%的數(shù)據(jù)5組;誤差小于10%的數(shù)據(jù)35組;誤差在10%~20%的數(shù)據(jù)10組;繪制如圖6所示的結(jié)霜量預(yù)測模型預(yù)測值與實(shí)測值對比。由圖6可知,大部分預(yù)測值都非常接近實(shí)測值,同時(shí)還可以看出預(yù)測值能夠很好地跟蹤實(shí)測值。表3為結(jié)霜量預(yù)測模型精度,可見:訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集、測試數(shù)據(jù)集的MSE均小于0.01,R值(預(yù)測值與實(shí)測值的相關(guān)度)都接近于1,因此結(jié)霜量模型具有較好的預(yù)測結(jié)果。

        圖6 結(jié)霜量預(yù)測值與實(shí)測值對比

        表3 結(jié)霜量預(yù)測模型精度

        3.2 除霜時(shí)長預(yù)測模型的訓(xùn)練結(jié)果

        由于除霜時(shí)長數(shù)據(jù)集樣本量較小,則無需引入十折交叉驗(yàn)證。圖7示出除霜時(shí)長預(yù)測模型的訓(xùn)練結(jié)果。隨著訓(xùn)練的進(jìn)行,訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集的MSE均呈下降趨勢,且在第139次訓(xùn)練后收斂。將預(yù)測數(shù)據(jù)進(jìn)行反歸一化后,計(jì)算預(yù)測值與實(shí)測值之間的MSE為3.992 min。利用均方誤差求得標(biāo)準(zhǔn)誤差約占測試數(shù)據(jù)集平均除霜時(shí)長的7.32%,說明計(jì)算值與實(shí)測值之間有較小的偏差。

        圖7 除霜時(shí)長預(yù)測模型訓(xùn)練過程

        由圖8可知,4組預(yù)測值都非常接近實(shí)測值,同時(shí)還可以看出預(yù)測值能夠很好的跟蹤實(shí)測值。其中,用于測試的4組數(shù)據(jù)與實(shí)測數(shù)據(jù)的誤差均小于5%。表4為結(jié)霜量預(yù)測模型精度,可見:訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集、測試數(shù)據(jù)集的MSE值均小于0.006,R值都接近于1,因此除霜時(shí)長模型具有較好的預(yù)測結(jié)果。

        圖8 除霜時(shí)長預(yù)測值與實(shí)測值對比

        表4 除霜時(shí)長預(yù)測模型精度

        4 結(jié)論

        (1)通過枚舉法和多次運(yùn)行取平均值的方法,確定了結(jié)霜量預(yù)測模型的隱藏層節(jié)點(diǎn)數(shù)為8,除霜時(shí)長預(yù)測模型的隱藏層節(jié)點(diǎn)數(shù)為5。

        (2)結(jié)霜量預(yù)測模型在第25 385次訓(xùn)練后收斂,此時(shí)反歸一化后的神經(jīng)網(wǎng)絡(luò)計(jì)算值與實(shí)測值之間的MSE為5.138 g。其中誤差在10%以內(nèi)的數(shù)據(jù)為758組,占71.37%;誤差在20%以內(nèi)的數(shù)據(jù)有979組,占比92.18%;所有測試數(shù)據(jù)的平均誤差為10.11%。在實(shí)際工程應(yīng)用中,可以較好地預(yù)測冷風(fēng)機(jī)結(jié)霜量。

        (3)除霜時(shí)長預(yù)測模型在第139次訓(xùn)練后收斂,此時(shí)反歸一化后的神經(jīng)網(wǎng)絡(luò)計(jì)算值與實(shí)測值之間的MSE為3.992 min。用于測試的4組數(shù)據(jù)與實(shí)測數(shù)據(jù)的誤差均小于5%。在實(shí)際工程應(yīng)用中,可以較好地預(yù)測冷風(fēng)機(jī)除霜時(shí)長。

        本文的工作為冷庫冷風(fēng)機(jī)除霜自動控制提供了參考。獲取更多的結(jié)霜量和除霜時(shí)長數(shù)據(jù),進(jìn)一步提高2個(gè)模型的預(yù)測精度,是下一步的工作重點(diǎn)。

        猜你喜歡
        除霜結(jié)霜測試數(shù)據(jù)
        測試數(shù)據(jù)管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        秋日見蝶
        電動汽車熱泵空調(diào)復(fù)合除霜特性的實(shí)驗(yàn)研究
        輕型客車除霜系統(tǒng)的優(yōu)化設(shè)計(jì)
        基于自適應(yīng)粒子群優(yōu)化算法的測試數(shù)據(jù)擴(kuò)增方法
        空間co-location挖掘模式在學(xué)生體能測試數(shù)據(jù)中的應(yīng)用
        體育科技(2016年2期)2016-02-28 17:06:21
        空氣源熱泵蓄能與常規(guī)除霜系統(tǒng)特性參數(shù)比較
        山西建筑(2015年25期)2015-05-05 07:30:08
        復(fù)疊式空氣源熱泵翅片管換熱器的結(jié)霜因子研究
        低溫液體平底儲槽外部結(jié)霜的原因分析與解決辦法
        河南科技(2014年18期)2014-02-27 14:14:57
        空調(diào)器結(jié)霜問題研究分析
        河南科技(2014年8期)2014-02-27 14:07:56
        人妻少妇粉嫩av专区一| 18禁无遮挡无码网站免费| 久久天天躁狠狠躁夜夜爽蜜月| 香蕉亚洲欧洲在线一区| 久久久精品国产av麻豆樱花| 国产日产精品_国产精品毛片| a级国产乱理伦片在线播放| 精品人妻VA出轨中文字幕| 国产蜜臀精品一区二区三区| 99久久99久久久精品蜜桃| 精品国产拍国产天天人 | 精品国产av 无码一区二区三区| 中出高潮了中文字幕| 开心五月激情五月天天五月五月天 | 久久久人妻精品一区bav| 国产aⅴ无码专区亚洲av| 国产色a在线观看| 久久精品国产只有精品96| 自拍偷拍韩国三级视频| 少妇做爰免费视频了| 国产色诱视频在线观看| 亚洲无码美韩综合| 国产tv不卡免费在线观看| 亚洲精品www久久久| 国产小毛片| 最新国产一区二区三区| 色综合久久蜜芽国产精品| 中出内射颜射骚妇| 亚洲一区精品中文字幕| 久久精品国产免费一区二区三区| 日韩精品久久久久久免费| 视频一区二区在线播放| 国产日韩精品视频一区二区三区| 亚洲欧美中文日韩在线v日本| 精品久久久久久久久久中文字幕| 国产成人香蕉久久久久| 国产一区二区三区口爆在线| 精品欧洲av无码一区二区14 | 国产综合精品久久久久成人| 在教室轮流澡到高潮h免费视| 岳毛多又紧做起爽|