CN112966399B - 一种基于机器学习的脉管制冷机工况预测方法及*** - Google Patents
一种基于机器学习的脉管制冷机工况预测方法及*** Download PDFInfo
- Publication number
- CN112966399B CN112966399B CN202110407253.0A CN202110407253A CN112966399B CN 112966399 B CN112966399 B CN 112966399B CN 202110407253 A CN202110407253 A CN 202110407253A CN 112966399 B CN112966399 B CN 112966399B
- Authority
- CN
- China
- Prior art keywords
- working condition
- condition prediction
- data
- prediction model
- pulse tube
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005057 refrigeration Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于机器学习的脉管制冷机工况预测方法及***,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;***包括:数据采集模块、学习训练模块、检验模块。本发明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。
Description
技术领域
本发明涉及脉管制冷机智能工况监控技术领域,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***。
背景技术
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。
发明内容
为此,本发明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***,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,本发明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。
在本发明的一个实施例中,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。
在本发明的一个实施例中,所述训练数据和检验数据的分配比例为3:1。
在本发明的一个实施例中,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)。
在本发明的一个实施例中,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。
在本发明的一个实施例中,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)。
在本发明的一个实施例中,所述损失函数L(θ)为均方误差。
在本发明的一个实施例中,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。
在本发明的一个实施例中,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,本发明还提供了一种基于机器学习的脉管制冷机工况预测***,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。
本发明的上述技术方案相比现有技术具有以下优点:
本发明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。
本发明所述的基于机器学习的脉管制冷机工况预测***,包括数据采集模块、学习训练模块、检验模块,该***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
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明基于机器学习的脉管制冷机工况预测方法的流程图;
图2是本发明工况预测模型的搭建和训练的原理图;
图3是本发明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是本发明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发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
参照图1所示,本发明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):
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。
工况预测模型搭建完成后,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),本实施例中,所述损失函数L(θ)为均方误差,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。
其中,梯度可依据链式法则求得,即:
bj和也依照同样的方法迭代,即:
bj=bj-ηΔbj
通过上述迭代方法,整个模型的预测精度将不断提高并最终达到预期。通过输入大量不同的数据,模型最终可使训练集中的所有数据在同一权重矩阵下都得到较高的输出结果。这可看作是机器学习模型找到了此类数据输入与输出间的规律。因而,将训练集外的数据也输入权重矩阵时,也可以得到精确的预测结果。
具体地,本实施例中,采用LM优化的反向传播算法搭建工况预测模型,在反向传播算法中引入了基于非线性最小二乘法的LM(Levenberg-Marquarelt列文伯格-马夸尔特算法)最优算法,寻找最佳网络连接权值,提高反向传播算法的学习效率及稳定性。
在验证阶段,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,本实施例中设置复合精度要求的阈值为0.001,因此当均方误差<0.001时,代表工况预测模型的预测精度复合要求。
具体地,本实施例中,为了验证该方法的准确性,还进行了对比实验,对一种用于120K-200K深度制冷温区范围内的脉管制冷机进行了模型训练和工况预测。
首先对其进行预实验,共收集了80组工况数据,其中60组工况数据将用于模型的训练,20组工况数据用于模型的检验,最终模型对于预测活塞行程和压力幅值的均方误差分别达到了0.001486和0.000507,符合模型完成训练的标准。
参照图3和图4所示,为了对模型进行预测精度检验,另外收集了15组数据,此外,本实施例还建立了联合仿真模型对同样的15组运行工况进行预测,并以此将两者进行对比,对于预测活塞行程,机器学习模型和联合仿真模型的相对误差分别为3.3%和8.15%。对于预测压力幅值,机器学习模型和联合仿真模型的相对误差分别为1.1%和4.89,可见本实施例的方法相比于现有的联合仿真模型预测的精确度更高。
实施例二
一种基于机器学习的脉管制冷机工况预测***,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。
该***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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
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,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;
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,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);
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;
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:所述训练数据和检验数据的分配比例为3:1。
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: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)。
4.根据权利要求3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:所述损失函数L(θ)为均方误差。
5.根据权利要求3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:在训练过程中,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。
6.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: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符合要求。
7.一种基于机器学习的脉管制冷机工况预测***,其特征在于: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,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;
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);
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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407253.0A CN112966399B (zh) | 2021-04-15 | 2021-04-15 | 一种基于机器学习的脉管制冷机工况预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407253.0A CN112966399B (zh) | 2021-04-15 | 2021-04-15 | 一种基于机器学习的脉管制冷机工况预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966399A CN112966399A (zh) | 2021-06-15 |
CN112966399B true CN112966399B (zh) | 2023-08-22 |
Family
ID=76280532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407253.0A Active CN112966399B (zh) | 2021-04-15 | 2021-04-15 | 一种基于机器学习的脉管制冷机工况预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966399B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238579A (zh) * | 2022-07-21 | 2022-10-25 | 中国核动力研究设计院 | 基于物理指引下机器学习算法的本构模型构建方法及装置 |
CN114970375B (zh) * | 2022-07-29 | 2022-11-04 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105526729A (zh) * | 2015-12-01 | 2016-04-27 | 中国科学院上海技术物理研究所 | 基于cfd技术的轻量微型同轴脉冲管制冷机的模拟分析方法 |
CN106347069A (zh) * | 2015-07-16 | 2017-01-25 | 福特环球技术公司 | 用于车辆空气调节***的方法和*** |
CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调***制冷主机的能效比预测方法及装置 |
CN108363870A (zh) * | 2018-02-11 | 2018-08-03 | 宁波大学 | 一种基于深度学习的数控机床主轴热误差建模方法 |
CN109654763A (zh) * | 2019-01-10 | 2019-04-19 | 中国科学院上海技术物理研究所 | 一种获得脉管冷指与惯性管气库调相最佳匹配***及方法 |
EP3557357A1 (de) * | 2018-04-18 | 2019-10-23 | Robert Bosch GmbH | Betriebsüberwachungsverfahren |
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风*** |
CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
CN111859667A (zh) * | 2020-07-20 | 2020-10-30 | 重庆工业职业技术学院 | 一种预测汽车空调冷凝器性能的建模方法 |
CN111981635A (zh) * | 2020-07-21 | 2020-11-24 | 沈阳安新自动化控制有限公司 | 一种双智能算法的中央空调故障预测与诊断方法 |
CN112329338A (zh) * | 2020-10-26 | 2021-02-05 | ***通信集团内蒙古有限公司 | 基于鱼群优化bp神经网络的冷源***控制方法及装置 |
CN112560193A (zh) * | 2020-12-08 | 2021-03-26 | 宋印东 | 一种基于神经网络算法的压缩机组运行控制方法 |
-
2021
- 2021-04-15 CN CN202110407253.0A patent/CN112966399B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106347069A (zh) * | 2015-07-16 | 2017-01-25 | 福特环球技术公司 | 用于车辆空气调节***的方法和*** |
CN105526729A (zh) * | 2015-12-01 | 2016-04-27 | 中国科学院上海技术物理研究所 | 基于cfd技术的轻量微型同轴脉冲管制冷机的模拟分析方法 |
CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调***制冷主机的能效比预测方法及装置 |
CN108363870A (zh) * | 2018-02-11 | 2018-08-03 | 宁波大学 | 一种基于深度学习的数控机床主轴热误差建模方法 |
EP3557357A1 (de) * | 2018-04-18 | 2019-10-23 | Robert Bosch GmbH | Betriebsüberwachungsverfahren |
CN109654763A (zh) * | 2019-01-10 | 2019-04-19 | 中国科学院上海技术物理研究所 | 一种获得脉管冷指与惯性管气库调相最佳匹配***及方法 |
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风*** |
CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
CN111859667A (zh) * | 2020-07-20 | 2020-10-30 | 重庆工业职业技术学院 | 一种预测汽车空调冷凝器性能的建模方法 |
CN111981635A (zh) * | 2020-07-21 | 2020-11-24 | 沈阳安新自动化控制有限公司 | 一种双智能算法的中央空调故障预测与诊断方法 |
CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
CN112329338A (zh) * | 2020-10-26 | 2021-02-05 | ***通信集团内蒙古有限公司 | 基于鱼群优化bp神经网络的冷源***控制方法及装置 |
CN112560193A (zh) * | 2020-12-08 | 2021-03-26 | 宋印东 | 一种基于神经网络算法的压缩机组运行控制方法 |
Non-Patent Citations (1)
Title |
---|
Deng,WF等.A work-recovery pulse tube refrigerator for natural gas liquefaction.CRYOGENICS.2020,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112966399A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | An improved Thevenin model of lithium-ion battery with high accuracy for electric vehicles | |
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
CN112966399B (zh) | 一种基于机器学习的脉管制冷机工况预测方法及*** | |
US20220155733A1 (en) | Method of performing a process and optimizing control signals used in the process | |
CN109991542A (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN109993270A (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN103970965B (zh) | 燃气涡轮发动机加速寿命试验试车方法 | |
CN111142027A (zh) | 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法 | |
CN105260786A (zh) | 一种电力推进***仿真可信度评估模型综合优化方法 | |
CN107644297B (zh) | 一种电机***节能量计算和验证方法 | |
CN105223241A (zh) | 一种湿度传感器的补偿方法 | |
CN106677763A (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN114137417A (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
CN105676637A (zh) | 基于预测函数控制的分子量输出pdf控制方法 | |
Wu et al. | Prediction of CO2 Solubility in Polymers by Radial Basis Function Artificial Neural Network Based on Chaotic Self‐adaptive Particle Swarm Optimization and Fuzzy Clustering Method | |
CN117748481A (zh) | 基于实时动态分区的电力***惯量在线评估方法及装置 | |
Zhu et al. | Application of machine learning and its improvement technology in modeling of total energy consumption of air conditioning water system | |
CN107061032A (zh) | 一种发动机运行状态的预测方法及预测*** | |
CN111242266A (zh) | 一种运行数据管理*** | |
CN105574264A (zh) | 一种水泥分解炉窑尾分解率svr软测量方法 | |
CN115932704A (zh) | 一种基于模型和数据双驱动的cvt误差测量方法及*** | |
CN101794118A (zh) | 基于***解耦和序优化遗传算法的励磁***参数辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |