一种基于机器学习的脉管制冷机工况预测方法及系统技术方案

技术编号:28872348 阅读:37 留言:0更新日期:2021-06-15 23:05
本发明专利技术涉及一种基于机器学习的脉管制冷机工况预测方法及系统,方法包括以下步骤:采集脉管制冷机运行时的工况参数数据,并将工况参数数据分为二个部分:训练数据、检验数据;基于训练数据采用LM优化的反向传播算法搭建工况预测模型,通过迭代的方法不断提高工况预测模型的精度;将检验数据输入到工况预测模型中,并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对,验证工况预测模型的精度;系统包括:数据采集模块、学习训练模块、检验模块。本发明专利技术通过采集脉管制冷机运行时的工况参数数据搭建训练学习模型,准确预测较难测量的给定PTC的活塞行程和压力幅值,该方法测量成本低于加装传感器且预测值与实际值偏差较小。

【技术实现步骤摘要】
一种基于机器学习的脉管制冷机工况预测方法及系统
本专利技术涉及脉管制冷机智能工况监控
,尤其是指一种基于机器学习的脉管制冷机工况预测方法及系统。
技术介绍
脉管制冷机(PTC)拥有广泛的应用前景,但其机械结构紧凑,造价较高,为防止其在运行过程中出错增加不必要的维修成本,需要一种精确高效的监控手段以推动其商业化进展。当下应用于PTC运行工况监测的方法普遍为加装复杂热力传感器进行直接监测以及构建数值模拟模型进行间接预测。直接测量PTC的活塞行程和压力幅值对传感器的要求较高且传感器的安装会影响PTC的运行,并且配套的测量设备需要和PTC主体一起封装,既增加了产品的制造成本也会扩大产品体积,不利于PTC的商业化应用;通过构建数值模型对PTC运行工况进行预测与真实值具有较大偏差,仅能作为参考,无法实现精确测量。并且构建数值模型的过程比较复杂,不利于在不同机器上进行推广。
技术实现思路
为此,本专利技术所要解决的技术问题在于克服现有技术中对PTC运行工况监测不足的问题,提供一种基于机器学习的脉管制冷机工况预测方法及系统,通过采集脉管制冷机运行时的工况参数数据搭建训练学习模型,准确预测较难测量的给定PTC的活塞行程和压力幅值,该方法测量成本低于加装传感器且预测值与实际值偏差较小。为解决上述技术问题,本专利技术提供了一种基于机器学习的脉管制冷机工况预测方法,包括以下步骤:采集脉管制冷机运行时的工况参数数据,并将工况参数数据分为二个部分:训练数据、检验数据;基于训练数据采用LM优化的反向传播算法搭建工况预测模型,通过迭代的方法不断提高工况预测模型的精度;将检验数据输入到工况预测模型中,并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对,验证工况预测模型的精度。在本专利技术的一个实施例中,所述工况参数数据包括输入参数和输出参数,所述输入参数包括易于测量的电参数和预达到的制冷参数,所述输出参数包括较难测量的给定脉管制冷机的活塞行程和压力幅值。在本专利技术的一个实施例中,所述训练数据和检验数据的分配比例为3:1。在本专利技术的一个实施例中,所述工况预测模型包括输入层、隐藏层和输出层,基于训练数据搭建工况预测模型的具体过程为:在输入层中将输入参数作为模型的输入向量X=(x1,x2,xi),根据输入向量X=(x1,x2,xi)计算得到隐藏层中神经元的输出值D=(d1,d2,dh),根据神经元的输出值D=(d1,d2,dh)计算得到输出层的输出向量Y=(y1,y2,yj)。在本专利技术的一个实施例中,所述隐藏层中神经元的输出值D=(d1,d2,dh)的计算公式为:所述输出层的输出向量Y=(y1,y2,yj)的计算公式为:其中,是xi对于dh的权重;是dh对于yj的权重;bj和mh分别是yj和dh的阈值。在本专利技术的一个实施例中,在训练过程中,将计算得到的输出向量Y=(y1,y2,yj)将与该输入向量对应的实际目标值进行对比,并计算损失函数L(θ)。在本专利技术的一个实施例中,所述损失函数L(θ)为均方误差。在本专利技术的一个实施例中,训练过程中,采用梯度下降法将权重和dh按照使L(θ)向最小化的方向迭代,即其中η是模型的学习率,即迭代的步长。在本专利技术的一个实施例中,将检验数据输入到工况预测模型中,将计算得出的预测值和实际测量的数据进行比对,计算它们的均方误差,当均方误差<0.001时,代表工况预测模型的预测精度复合要求。为解决上述技术问题,本专利技术还提供了一种基于机器学习的脉管制冷机工况预测系统,包括数据采集模块、学习训练模块、检验模块,所述数据采集模块采集脉管制冷机运行时的工况参数数据,并将工况参数数据分为二个部分:训练数据、检验数据;所述学习训练模块基于训练数据采用LM优化的反向传播算法搭建工况预测模型,通过迭代的方法不断提高工况预测模型的精度;所述检验模块将检验数据输入到工况预测模型中,并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对,验证工况预测模型的精度。本专利技术的上述技术方案相比现有技术具有以下优点:本专利技术所述的基于机器学习的脉管制冷机工况预测方法,收集少量脉管制冷机运行中的实测数据对机器学习模型进行训练,训练完成后即可通过该模型预测新状态下的运行工况;利用该模型,可以通过输入易于测量的参数和预达到的制冷参数,准确预测较难测量的给定PTC的活塞行程和压力幅值,该方法测量成本低于加装传感器且预测值与实际值偏差较小。并且,本方法采用的机器学习技术是基于LM(非线性最小二乘法算法)优化的反向传播算法的人工智能模型,它具有预测精度高,收敛速度快,模型结构简单的特点,相比于传统的数值模拟模型具有更高的精度,训练后的模型应用于客户端,算力需求降低,并且不需要用户额外操作,在提升监测精度的同时减少了开发者的学习成本和制造成本。本专利技术所述的基于机器学习的脉管制冷机工况预测系统,包括数据采集模块、学习训练模块、检验模块,该系统能够实现上述方法的运行,能够将上述方法推广到不同的机器上。附图说明为了使本专利技术的内容更容易被清楚的理解,下面根据本专利技术的具体实施例并结合附图,对本专利技术作进一步详细的说明,其中图1是本专利技术基于机器学习的脉管制冷机工况预测方法的流程图;图2是本专利技术工况预测模型的搭建和训练的原理图;图3是本专利技术预测的活塞行程与联合仿真模型及实际测得的活塞行程误差对比图;图4是本专利技术预测的压力幅值与联合仿真模型及实际测得的压力幅值误差对比图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步说明,以使本领域的技术人员可以更好地理解本专利技术并能予以实施,但所举实施例不作为对本专利技术的限定。实施例一参照图1所示,本专利技术的一种基于机器学习的脉管制冷机工况预测方法,包括以下步骤:采集脉管制冷机运行时的工况参数数据,并将工况参数数据分为二个部分:训练数据、检验数据;基于训练数据采用LM优化的反向传播算法搭建工况预测模型,通过迭代的方法不断提高工况预测模型的精度;将检验数据输入到工况预测模型中,并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对,验证工况预测模型的精度。具体地,该方法主要分为三个阶段完成:开发阶段、训练阶段、验证阶段:在开发阶段,首先对原型机PTC进行工况测量,采集脉管制冷机运行时的工况参数数据,所述工况参数数据包括输入参数和输出参数,收集其在运行时的充气压力、工作频率、输入电压、电流、制冷量、压缩机效率、冷却温度和功耗等易于测量的电参数和预达到的制冷参数,作为机器学习模型的输入参数,同时收集对应情况下的活塞行程和压力幅值作为模型的输出参数,将这些数据以3:1的比例分为用于模型训练的训练集和用于检验模型预测精度的验证集。在训练阶段,首先基于训练数据采用LM优化的反向传播算法搭建工况预测模型,工况预测模型搭建完成后,通过迭代的方法不断提高工况预测模型的精度,参照图2所示,所述工况预测模型包括输入层、隐藏本文档来自技高网...

【技术保护点】
1.一种基于机器学习的脉管制冷机工况预测方法,其特征在于:包括以下步骤:采集脉管制冷机运行时的工况参数数据,并将工况参数数据分为二个部分:训练数据、检验数据;基于训练数据采用LM优化的反向传播算法搭建工况预测模型,通过迭代的方法不断提高工况预测模型的精度;将检验数据输入到工况预测模型中,并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对,验证工况预测模型的精度。/n

【技术特征摘要】
1.一种基于机器学习的脉管制冷机工况预测方法,其特征在于:包括以下步骤:采集脉管制冷机运行时的工况参数数据,并将工况参数数据分为二个部分:训练数据、检验数据;基于训练数据采用LM优化的反向传播算法搭建工况预测模型,通过迭代的方法不断提高工况预测模型的精度;将检验数据输入到工况预测模型中,并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对,验证工况预测模型的精度。


2.根据权利要求1所述的基于机器学习的脉管制冷机工况预测方法,其特征在于:所述工况参数数据包括输入参数和输出参数,所述输入参数包括易于测量的电参数和预达到的制冷参数,所述输出参数包括较难测量的给定脉管制冷机的活塞行程和压力幅值。


3.根据权利要求1所述的基于机器学习的脉管制冷机工况预测方法,其特征在于:所述训练数据和检验数据的分配比例为3:1。


4.根据权利要求2所述的基于机器学习的脉管制冷机工况预测方法,其特征在于:所述工况预测模型包括输入层、隐藏层和输出层,基于训练数据搭建工况预测模型的具体过程为:在输入层中将输入参数作为模型的输入向量X=(x1,x2,xi),根据输入向量X=(x1,x2,xi)计算得到隐藏层中神经元的输出值D=(d1,d2,dh),根据神经元的输出值D=(d1,d2,dh)计算得到输出层的输出向量Y=(y1,y2,yj)。


5.根据权利要求4所述的基于机器学习的脉管制冷机工况预测方法,其特征在于:所述隐藏层中神经元的输出值D=(d1,d2,dh)的计算公式为:



所述输出层的输出向量Y=(y1,y2,...

【专利技术属性】
技术研发人员:邓伟峰吴炜民陈威王晓天冀一佳戚晗轩曾文静顾志豪夏雨辰
申请(专利权)人:苏州大学张家港工业技术研究院苏州大学
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1