CN113738662A - 用于操作风机***的方法和具有后弯式离心风机的风机*** - Google Patents
用于操作风机***的方法和具有后弯式离心风机的风机*** Download PDFInfo
- Publication number
- CN113738662A CN113738662A CN202110593165.4A CN202110593165A CN113738662A CN 113738662 A CN113738662 A CN 113738662A CN 202110593165 A CN202110593165 A CN 202110593165A CN 113738662 A CN113738662 A CN 113738662A
- Authority
- CN
- China
- Prior art keywords
- actual
- akt
- neural network
- value
- fan
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 230000036962 time dependent Effects 0.000 claims abstract description 28
- 210000002569 neuron Anatomy 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 19
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000005452 bending Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 39
- 230000006870 function Effects 0.000 description 18
- 230000006399 behavior Effects 0.000 description 12
- 230000004069 differentiation Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000011247 coating layer Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D25/00—Pumping installations or systems
- F04D25/02—Units comprising pumps and their driving means
- F04D25/08—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D17/00—Radial-flow pumps, e.g. centrifugal pumps; Helico-centrifugal pumps
- F04D17/08—Centrifugal pumps
- F04D17/16—Centrifugal pumps for displacing without appreciable compression
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/002—Details, component parts, or accessories especially adapted for elastic fluid pumps
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/26—Rotors specially for elastic fluids
- F04D29/28—Rotors specially for elastic fluids for centrifugal or helico-centrifugal pumps for radial-flow or helico-centrifugal pumps
- F04D29/281—Rotors specially for elastic fluids for centrifugal or helico-centrifugal pumps for radial-flow or helico-centrifugal pumps for fans or blowers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/709—Type of control algorithm with neural networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/75—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity for maintaining constant air flow rate or air velocity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明涉及用于操作风机***的方法和具有后弯式离心风机的风机***。本发明涉及用于操作风机***的方法及这样的风机***。该风机***具有控制装置,其具有人工神经网络。该控制装置控制后弯式离心风机的电动马达。该离心风机产生气流,其由实际流动值、特别是体积流率的实际值表征。该实际流动值不通过传感器装置检测,而是借助人工神经网络根据输入变量确定,且基于此电动马达借助控制装置来开环或闭环控制。马达电流和马达电压及其时间相关行为被提供给人工神经网络输入层,该行为可为时间微分(例如一阶梯度)或可为先前时间点的至少一先前值。特别有利的是人工神经网络确定内部或外部反馈的输出压力的实际值,从而形成输入层的输入变量。
Description
技术领域
本发明涉及一种用于操作风机***的方法以及这样的风机***。该风机***具有控制装置和后弯式离心风机。在该后弯式离心风机中,布置有弯曲的风机叶片,这些风机叶片相对径向平面与旋转方向相反地倾斜地从径向向内侧延伸到径向向外侧。
背景技术
该离心风机具有带有风机叶片的转子以及构造成用于驱动转子的马达。
离心风机的开环或闭环控制将产生气流,特别是空气流。该流由至少一个流动参数表征,该流动参数可由一个或多个实际流动值来描述,例如压力或体积流率。在许多情况下,期望以开环或闭环的方式来控制由离心风机产生的气流的体积流率。
如果不存在用于测量体积流率的传感器,则后弯式离心通风机存在问题,即在每个操作点离心风机的马达的马达电流与所产生的体积流率之间的相关性是不明确的。因此,无法轻易地从离心风机的马达电流和其他操作参数推断出所产生的体积流率。另外,由于大量的外部影响和干扰变量,在没有通过传感器装置检测体积流实际值的情况下,体积流率的闭环控制是困难的。
在过去,已经进行了试验以在数学上或算法上解决该问题,其中后弯式离心风机通过模型来描述,并且因此可基于该模型进行控制。然而,已经表明,基于该方法的期望体积流率的调整相对不精确。
发明内容
由此,本发明的一个目的在于提供一种方法和一种风机***,其可在不测量用作开环或闭环控制变量的流动参数的情况下实施,但仍允许精确的开环或闭环控制。
本发明通过具有权利要求1的特征的方法以及具有权利要求16的特征的风机***来解决。
该风机***包括控制装置和后弯式离心风机。该离心风机具有马达和可由该马达驱动的转子。该后弯式离心风机具有带有风机叶片的转子,该风机叶片以相对于径向平面倾斜的弯曲方式从径向向内侧延伸到径向向外侧,并且由此具有与转子的旋转方向相反的延伸。因此,在旋转方向上观察,风机叶片的径向向内边缘布置在风机叶片的径向向外边缘之前。每个风机叶片的面向旋转方向的一侧是凸的,而面向旋转方向相反的朝向的一侧是凹的。
利用旋转的转子,产生气流,该气流可通过一个或多个流动参数或实际流动值(flow value)来表征。例如,体积流动实际值和/或输出压力实际值可用作该至少一个实际流动值。
该风机***的控制装置包括人工神经网络,其用于对该至少一个实际流动值的开环或闭环控制。为了对该至少一个实际流动值的开环或闭环控制,使用马达和/或离心风机的操作参数。形成校正变量的操作参数由控制装置设置。至少一个操作参数被检测,从而形成至少一个***实际变量,并且可直接感测测量或通过计算确定。该校正变量和至少一个实际***变量特别是马达的电操作参数,例如马达电流、马达电压或者马达电流或马达电压的频率。
可在操作期间连续地或以时间离散的方式确定用作实际***变量的马达的操作参数。因此,可在由时间间隔预定的时间点连续或重复地检测实际***变量。
如果例如马达电流或马达电压被修改,则风机***通过实际***变量的变化做出反应,该变化也取决于风机转速。如果马达电压被用作设置的校正变量,则马达电流可用作实际***变量。
风机转速以及因此实际***变量也取决于气流的输出压力或体积流率。因为风机转速并且特别是其时间相关变化也取决于输出压力。由于气体的可压缩性以及与之有关的压力相关的密度和惯性,风机转速的变化不仅取决于校正变量的变化,而且还取决于当前的输出压力。风机转速的压力相关变化从该至少一个实际***变量的时间相关进展是明显的。可使用此关系来训练人工神经网络或使其学习。实际***变量和实际***变量的时间相关变化以及校正变量可被传输到人工神经网络,并且可在实际***变量变化的情况下用于确定和输出修改的校正变量,使得获得气流的期望的输出压力和/或体积流率。由于考虑到实际***变量的时间相关变化,因此以足够的分辨率(resolution)考虑了实际***变量与输出压力和/或体积流率之间的相关性。
马达或支撑风机叶片的转子的转速可用作风机转速。
支撑离心风机的风机叶片的转子特别地与马达的转子以防扭的方式连接,使得马达转速对应于转子转速。
借助于人工神经网络,可确定所产生的气流或空气流的该至少一个实际流动值。该确定是基于用作校正变量和至少一个实际***变量的操作参数(特别是马达电流和马达电压),并且还基于形成实际***变量的操作参数的时间相关变化。此外,优选地,校正变量的时间相关变化也被传输到神经网络,并且在气流的开环或闭环控制期间被考虑。
由于考虑到时间相关变化,因此可确定操作点。在后弯式离心风机的每个操作点,操作参数与由此产生的体积流率之间的关系是不明确的,使得仅基于校正变量和实际***变量的实际值,不可能确定实际流动值。如果另外考虑实际***变量的时间相关变化,则明确的关联是可能的。以这种方式,在不使用流传感器、特别是输出压力传感器或体积流率传感器的情况下,对所产生的气流或空气流的开环或闭环控制是可能的。
优选地,马达电流或马达电压作为校正变量被传输到神经网络。另外,风机转速或者未用作校正变量的与风机转速相关的实际***变量(例如,马达电流的马达电压)可被传输到人工神经网络。另外,至少一个附加值被传输到人工神经网络,使得可确定实际***变量的时间相关行为。例如,该附加值至少可以是时间上在先的实际***变量的值或者实际***变量的时间微分(优选为至少一阶的时间微分)。作为选择,附加值可被传输到人工神经网络,使得可确定校正变量的时间相关行为。该附加值例如可以是校正变量的时间上在先的至少一个值或者其时间微分(优选为至少一阶的时间微分)。
基于人工神经网络,可考虑多个附加参数,这些参数会影响所产生的气流,并且可能会变化并可能影响实际***变量。这样的变化可能由于***中增加的流动阻力而产生,例如,在气体流过的上游或下游布置的过滤器越来越多地被加载并且因此堵塞的情况下。在建筑物的空调控制的情况下,流动特性可改变,例如,由于通向房间的门被打开或关闭。对于一般的和与之类似的***,通风机***的吸入体积或输出流体积的体积变化可能会引起改变的状态。附加的干扰或影响变量可能是流动通道中的泄漏、由于流动通道中的污染而造成的堵塞等。此外,周围区域中的温度变化、周围区域中的空气湿度、周围区域中的压力或周围环境区域中的其他状态也对风机***产生的气流具有影响,并且可借助于人工神经网络非常好地加以考虑。可借助于人工神经网络来非常好地映射基于该多个影响参数的复杂性。
在风机***启动之前,可基于专家知识和/或根据经验确定的数据来训练人工神经网络。在一个实施例中,如果可获得附加的训练数据,则人工神经网络还可被配置成在安装位置训练和学习。如果可获得更新的版本,则还可配置人工神经网络以进行更新。
另外,人工神经网络还能够确定并指示变化。例如,可存储表征人工神经网络的状态的比较模型,并可将其与人工神经网络的实际状态比较。由此,可确定实际状况或实际状态,例如过滤器是否堵塞,房间中的门是否打开等。因此,推断在开环或闭环控制上实际存在的外部干扰变量或影响变量也是可能的。
为了人工神经网络的学习,可使用基于梯度的学习算法。人工神经网络的大小可变化。例如,人工神经网络可具有输入层、输出层以及一个或多个隐藏层。每层中的神经元的数量可相等或不同。
有利的是,如果控制装置包括调节器,预定的期望流动值和实际流动值之间的控制偏差被传输给该调节器。例如,该期望流动值可以是期望体积流率值,并且实际流动值可以是实际体积流率值。该调节器被配置成根据该控制偏差来调整马达的一个或多个操作参数。该体积流率可用作控制变量。特别地,控制装置的开环控制或闭环控制被配置成维持恒定的体积流率。
在一个优选实施例中,人工神经网络可包括至少一个反馈,其中,人工神经网络中的一层的神经元输出值以神经元输入值的形式反馈到先前层中,特别是输入层中。该反馈可在人工神经网络的内部实现,或者可在人工神经网络的外部实现。人工神经网络可被构造为递归神经网络。例如,由人工神经网络确定的实际流动值,例如实际输出压力值和/或实际体积流率值,可被反馈到人工神经网络的先前层,例如输入层。该反馈特别是用于允许风机***的状态可维持足够稳定。另外,在这样做时,可在基于外部干扰和影响变量发生变化的情况下实现浮动平均值确定。
在一个实施例中,人工神经网络包括输入层,校正变量在实际时间点的实际值、实际***变量在实际时间点的实际值以及实际***变量的至少一个先前值,以及作为选择的校正变量的至少一个先前值,可在先前时间点传输到该输入层。如果已知实际时间点的实际值和先前时间点的先前值,则可借助于微分来确定相应操作参数(实际***变量或校正变量)的时间相关变化。因此,例如,实际马达电压、实际马达电流以及马达电压和/或马达电流的至少一个先前值可被传输到神经网络的输入层,以便能够考虑时间相关的马达电压变化或马达电流变化。基于这些值,人工神经网络可确定所产生的气流的实际体积流率值和/或实际输出压力值。
在另一实施例中,除了实际时间点的校正变量的实际值和实际时间点的该至少一个实际***变量的实际值之外,该至少一个实际***变量的至少一个时间相关的微分,以及作为选择,另外的校正变量的时间相关的微分,也可被传输到人工神经网络的输入层。例如,在连续测量该至少一个实际***变量的情况下,时间求导可借助于微分器进行并且可被提供给输入层。该至少一个时间微分优选地至少包括一阶时间微分。
人工神经网络的每一层中的每个神经元优选地具有非线性激活函数。在一个优选实施例中,该激活函数可由所谓的整流器(rectifier)(简称:ReLU)形成。也可将其他激活函数用作替代,例如阈值函数或sigmoid函数。
有利的是,如果激活函数被限于最大值。在这种情况下,例如,可更好地训练或学习罕见特性。例如,激活函数的最大值可等于6。
附图说明
本发明的优选实施例可由从属权利要求、说明书和附图中得到。在下文中,基于附图来详细地解释本发明的优选实施例。附图示出了:
图1示出了具有控制装置和后弯式离心风机的风机***的高度示意性的框图,
图2示出了图1的风机***的控制装置的人工神经网络的框图,
图3示出了图1的控制装置的人工神经网络的另一实施例的框图,
图4示出了图1-3的人工神经网络的神经元的框图,
图5示出了用于图4的神经元的激活函数,
图6示出了图1的风机***的体积流率、马达电流和风机转速之间的示例性关系,其中,图示了与相等输出压力线相交的相等体积流率线,
图7示出了图1的风机***的风机转速、马达电流与马达电压的控制电平之间的示例性关系,
图8示出了图1的风机***的风机转速、体积流率和控制电平或马达电压之间的示例性关系,以及
图9示出了一组特性曲线中的特性曲线,其以示例性的方式图示了图1的风机***的体积流率与马达电流之间的关系。
具体实施方式
在图1中,基于框图高度示意性地图示了风机***10。风机***10包括控制装置11,其用于对后弯式离心风机12的开环控制或闭环控制。后弯式离心风机12具有马达,例如电动马达13,其与离心风机的转子14操作性地连接。在旋转期间,转子14产生气流G,例如空气流,其在离心风机12的下游或在风机***10的下游具有输出压力pa和体积流率Q。
后弯式离心风机12或转子14具有以弯曲的方式在径向内边缘和径向外边缘之间延伸的风机叶片15,这些风机叶片15布置成在旋转方向上均匀地分布在转子14上。在旋转方向上观察,径向内边缘布置在径向外边缘之前。每个风机叶片15的面向旋转方向的一侧具有凸形,而相反侧具有凹形。
气流G可通过至少一个流动参数来表征,例如通过输出压力pa或体积流率Q来表征。这些流动参数中的至少一个以及根据该示例的体积流率Q可以是开环或闭环控制的。气流G的流动参数的开环或闭环控制应在不借助于根据示例的传感器来检测的情况下进行,并且特别是在不使用体积流率传感器和/或压力传感器的情况下进行。
在该实施例中,应借助于控制装置11将气流G的流动参数闭环控制为由期望流动值B预设的值。该期望流动值B是期望的体积流率值,并且因此,流率值Q形成根据该示例的控制变量。实际体积流率值不是通过传感器装置检测,而是借助于使用人工神经网络19在控制装置11中确定。根据由人工神经网络19确定的实际流动值,其在当前情况下为实际体积流率值,控制偏差D可通过计算与期望流动值B之差来计算,并且可被提交给控制装置11的调节器20。调节器20随后可修改电动马达13的一个或多个操作参数,例如马达电流I或马达电压U,以便最小化控制偏差D,并且在理想情况下消除控制偏差D。
由于风机叶片15的轮廓,创建了后弯式离心风机12的特性曲线,从而描述了马达电流I和体积流率Q之间的关系,如图9中所示。进展是非线性的,并且包括最大值。在体积流率Q恒定的情况下,特性曲线随着风机转速的增加而沿马达电流I的值更高的方向移动。由于弯曲的抛物线状的进展,无法进行电动马达13的马达电流I和风机转速n(电动马达13或转子14的转速)的确定,无法进行明确地映射到所产生的气流G的体积流率Q,这是因为操作点并不明确。这种不明确的关系由图9中的虚线说明,其分别描述了各自与相关联的特性曲线具有两个交点的恒定的马达电流值。
为了进一步说明后弯式离心风机12的操作行为,图6-8中图示了另外的空间特性区域。图6示出了所产生的体积流率Q、输出压力pa、马达电流I和风机转速n之间的关系。在图6中,恒定输出压力pa的线与恒定体积流率Q的线相交。图7图示了风机转速n、马达电流I和在0%和100%之间的电动马达13的控制电平(control level)之间的关系,其中,该控制电平随着马达电压U的增加而增加。图8示出了风机转速n、气流G的体积流率Q和电动马达13的控制电平之间的关系。
为了确定风机转速n,作为选择可设置转速传感器21,然而,该转速传感器21优选地被省略。作为选择,还可设置至少一个附加的传感器22,以便检测环境条件或其他影响参数,例如空气湿度h和/或输入压力pe,该输入压力pe例如可对应于周围区域中的空气压力。代替通过传感器装置检测输入压力pe,其也可采用另一种方式来确定,例如借助于计算,该计算是根据风机***10的安装的地理位置,特别是基于海平面以上的地理高度。
离心风机12并且特别是电动马达13的操作参数被传输到人工神经网络19。操作参数中的一个形成校正变量,并且另一个操作参数形成实际***变量。马达电压U可用作校正变量,并且马达电流I可用作实际***变量,或者作为替代也可相反。该实际***值可被计算、估计或测量。借助于控制装置11输出的期望马达电压值可用作马达电压U,使得可省略实际马达电压值的测量。根据示例,例如借助于马达电流I间接地监测风机转速n或其变化。作为替代或附加地,风机转速n也可借助于转速传感器21来检测,并且可被提交给控制装置11。
作为选择,输入压力pe或空气湿度h可以是用于人工神经网络19的附加输入变量。
在控制装置11或人工神经网络19中,不仅考虑马达电压U和马达电流I的相应实际值,而且还考虑它们的时间相关行为(time-dependent behavior)或时间相关进展。为此,例如,在不同时间点检测到的马达电压U和马达电流I的多个值可作为输入变量被输入人工神经网络19中(图2)。这些值的差除以检测的时间距离是、至少近似地是表征时间相关变化的斜度值。
作为替代,可借助于微分器23来产生时间微分,例如马达电流变化dI,以及此外,作为选择的风机转速变化dn,二者相应地表示马达电流I或风机转速n的一阶时间微分(图3)。附加地或作为替代,也可检测和考虑更高阶的时间微分。如果时间连续地检测操作参数,则这些配置是特别合适的。在图3中,实际值借助于实际测量时间点takt来图示。
图2示意性地图示了分别以时间间隔T按照时间离散的方式检测操作参数的可能性。实际时间点由时间间隔kT表示。先前时间间隔由(k-1)T表征。时间相关行为针对输入变量表征。对于实际时间间隔,马达电流I以及马达电压U相应地以实际马达电流值I(kT)和以实际马达电压值U(kT)的形式传输到人工神经网络19。另外,至少一个先前马达电流I((k-1)T)和至少一个先前马达电压值U((k-1)T)被传输到人工神经网络19,以便考虑时间相关行为。
如已经说明的,还可将附加的输入变量提交给人工神经网络,如图2和图3中所示。除了传输所关注的实际值外,所有的输入变量还可关于其时间相关行为来传输,例如在于提交先前时间点的先前值(图2)或者借助于微分器23来确定时间微分(图3)。在两种情况下,关于时间相关行为的知识都存在于人工神经网络19中。
图2和图3中仅示意性地呈现了人工神经网络19。它包括输入层30、至少一个隐藏层31和输出层32。人工神经网络19的这些层30、31、32中的每一层都可包括任意数量的神经元33(图4),这取决于具体构造。在该输入层中,神经元33的数量可对应于例如传输到输入层30的输入变量的数量。在该实施例中,为输入变量的每个实际值以及为每个提交的先前值(图2)或为每个提交的时间微分(图3)设置一个神经元33,附加的神经元33被设置在输入层30中。根据该示例,在输入层30中设置至少四个或五个神经元。
以下输入变量中的至少一个被传输到输入层30中的每个神经元33:马达电流的实际值I(kT)、I(takt)和/或风机转速的实际值n(kT)、n(takt)、马达电压的实际值U(kT)、U(takt)、输出压力的实际值pa、马达电流I的先前值I((k-1)T)或时间微分dI和/或风机转速n的先前值n((k-1)T)或时间微分dn。根据该示例,还将马达电压U的先前值U((k-1)T)或时间微分dU传输到输入层30。另外,作为选择,输出压力的先前值pa((k-1)T)(图2)或输出压力pa的时间微分dpa(图3)也可被传输到输入层30。输入压力pe以及空气湿度h的提交也是可选的。
如图4中所示,另一层的至少一个值和/或所示输入变量中的至少一个在神经元输入处以神经元输入值x1至xn的形式被提交给每个神经元33。神经元输入值x1至xn借助于相应分配的权重w1至wn来加权并求和,由此获得加权和xw。该加权和被提供给神经元33的激活函数F。该激活函数F还取决于阈值S。具体来说,激活函数F的值以神经元输出值y的形式输出,这取决于加权和xw减去阈值S之差:y = xw – S。借助于阈值S来预先限定神经元33的触发。
作为将阈值S考虑为激活函数F中的输入参数的替代,还可使用所谓的有序神经元(on-neuron),其中在加权和xw的计算期间以神经元输入值x0的形式考虑阈值S。
在图5中,仅通过示例的方式图示了一种可能的激活函数F。根据该示例,整流器(ReLU)被选择作为激活函数F。还可使用优选为非线性的用于神经元33的其他已知的激活函数。在该实施例中,神经元输出值y被限于激活函数F的最大值Fmax,例如6。由于对最大值的限制,在人工神经网络19的学习期间可更好地考虑很少出现的特征。
人工神经网络19基于已知的参数和数据来训练,并且可在训练后用于开环或闭环控制。在操作期间,可以更新人工神经网络19。在风机***10的优选实施例中没有提供持续的学习,这是因为优选地没有设置传感器21、22。
至少一个确定的神经元输出值y可从后继层反馈到先前层。该反馈可在人工神经网络19的内部实现,或者也可在人工神经网络19的外部实现。例如,人工神经网络19可被构造为递归神经网络。根据该示例,至少一个实际流动值在隐藏层31中或者替代地在输出层32中确定,该实际流动值被反馈于先前层中的一个中,特别是输入层30中。在图2和图3中所示的实施例中,输出压力pa的实际值在至少一个隐藏层31中确定,并作为输入变量反馈到输入层30。
由于输出压力pa反馈到输入层30中,而且如果所提供的其他输入变量不变,则可实现闭环控制的非常好的稳定性。另外,在输出压力的重新计算期间,可通过使用所确定的实际输出压力来进行平均计算。
如果气流G的流动状态由于外部影响而改变,则风机***会通过改变风机转速n来做出反应,该风机转速n可在马达电流I(实际***变量)的变化中识别。经训练的人工神经网络19确定体积流率Q的分配的实际体积流率值。然后,调节器20调整马达电压U(校正变量),以便最小化控制偏差D,该控制偏差D又被反馈给人工神经网络19。
调节器20可被实现为软件模块和/或硬件模块。通过调节器20确定控制偏差和校正变量根据示例在人工神经网络19的外部进行,并且作为选择,也可在人工神经网络19的内部进行。
在训练期间,可调整不同的输出压力pa,例如通过将文丘里喷嘴用于压差确定,并且人工神经网络19可基于输出压力pa的值来学习,而无需测量体积流率Q的实际值。作为用于训练或学习的表征流动状态的参数,使用输出压力pa,而非体积流率Q,使得可省略体积流率传感器。如果有必要,可发生在训练期间使用体积流率传感器,以便实现更精确的训练结果。基于该训练,人工神经网络19能够以足够的精度来适配,使得在启动期间获得用于控制体积流率Q的良好控制结果。
人工神经网络19在风机***10的操作期间也对外部变化做出反应,该外部变化对操作和效果具有影响,例如,风机转速n的变化。在控制装置11中,可存储针对人工神经网络19的状态的比较模型,该比较模型被分配给已知的干扰变量或已知的环境参数。因此,通过将人工神经网络19的实际状态与比较模型进行比较,控制装置11也可确定在环境或***中是否已发生变化以及发生了何种变化。例如,可确定过滤器的负荷增加或过滤器堵塞。这样的变化相对于时间相关行为并不突然,而是与其他外部影响相比更慢。由于考虑到时间相关的变化或值的时间顺序,至少对于实际***变量以及在适当的情况下的人工神经网络19中的一个或多个附加的输入变量,可作出关于外部影响种类的结论。例如,由于风机***10的操作状态(例如,风机转速n)的突然变化,可确定吸入体积和/或输出流体积中的门或风门的打开或关闭。
由于考虑到时间相关行为,特别是马达电流I和/或风机转速n和/或马达电压U,可明确地确定操作点,并且例如,可明确地将体积流率Q的实际值分配给马达电流I。对于图9中的图示,这意味着可基于风机转速n的实际值(测量或者根据马达电流I或马达电压U计算)来从特性线组中选择特性线。基于马达电流I的变化,可确定马达电流I是增大还是减小。据此,实际操作点在特性线的增大部分中,直到马达电流I的最大值,或者在特性线的减小部分中,处于大于马达电流I的最大值所表征的体积流率值的体积流率值处。
本发明涉及一种用于操作风机***10的方法以及这样的风机***10。风机***10具有控制装置11,其具有人工神经网络19。控制装置11控制后弯式离心风机12的电动马达13。离心风机12产生气流G,其通过实际流动值、特别是体积流率Q的实际值来表征。该实际流动值不是通过传感器装置检测,而是借助于人工神经网络19根据输入变量确定,并且基于此,电动马达13借助于控制装置11来开环或闭环控制。马达电流I和马达电压U以及它们的时间相关行为被提供给人工神经网络19的输入层30,该时间相关行为可以是时间微分(例如,一阶梯度)或者可以是在先前时间点的至少一个先前值。特别有利的是,如果人工神经网络19确定在内部或外部反馈的输出压力pa的实际值,从而形成用于输入层30的输入变量。作为选择可附加地考虑附加的输入变量。
附图标记列表:
10 风机***
11 控制装置
12 离心风机
13 马达
14 转子
15 风机叶片
19 人工神经网络
20 调节器
21 转速传感器
22 传感器
23 微分器
30 输入层
31 被覆盖层
32 输出层
33 神经元
B 期望流动值
D 控制偏差
dI 马达电流变化
dU 马达电压变化
dpa 输出压力变化
F 激活函数
Fmax激活函数的最大值
G 气流
h 空气湿度
I 马达电流
kT 实际时间点(时间离散)
n 风机转速
pa 输出压力
pe 输入压力
Q 体积流率
S 阈值
takt实际时间点(时间连续)
U 马达电压
wi权重i (i=1-n)
xi 神经元输入值i (i=1-n)
xw加权和
y 神经元输出值。
Claims (16)
1.一种用于操作风机***(10)的方法,所述风机***(10)包括控制装置(11)和后弯式离心风机(12),所述后弯式离心风机(12)具有马达(13)和由所述马达(13)驱动的转子(14),其中,所述风机***(10)被构造成产生气流(G),所述气流(G)由至少一个实际流率值(pa(kT)、Q(kT);pa(takt)、Q(takt))表征,其中,所述方法包括以下步骤:
- 确定形成校正变量并表征所述离心风机(12)的所述马达(13)的操作状态的操作参数(U(kT);U(takt)),
- 以连续或时间离散的方式确定形成至少一个实际***变量并表征所述离心风机(12)的所述马达(13)的至少一种操作状态的至少一个操作参数(I(kT);I(takt)),
- 将所述校正变量(U(kT);U(takt))和所述实际***变量(I(kT);I(takt))提供给所述控制装置(11)的人工神经网络(19),
- 基于所述校正变量(U(kT);U(takt))和所述实际***变量(I(kT);I(takt))以及实际***变量(I((k-1)T);dI)的时间相关变化(I((k-1)T);dI),借助于所述人工神经网络(19),来确定至少一个实际流动值(Q(kT);Q(takt)),
- 基于至少一个确定的实际流动值(Q(kT)、Q(takt)),来检查所述校正变量(U(kT);U(takt))是否需要修改。
2.根据权利要求1所述的方法,其中,所述控制装置(11)包括调节器(20),预定的期望流动值(B)和所述实际流动值(Q(kT)、Q(takt))之间的控制偏差(D)被提交给所述调节器(20)。
3.根据权利要求1或2所述的方法,其中,由所述人工神经网络(19)确定的所述至少一个实际流动值中的实际流动值为实际体积流率值(Q(kT)、Q(takt)),并且所述期望流动值(B)为期望体积流率值。
4.根据权利要求2和3所述的方法,其中,所述期望体积流率值在操作期间保持恒定,以便获得恒定的体积流率。
5.根据前述权利要求中任一项所述的方法,其中,所述人工神经网络(19)包括输入层(30),实际时间点(kT)的所述实际***变量(I(kT);I(takt))和所述校正变量(U(kT);U(takt))的实际值以及实际***变量到先前时间点((k-1)T)的先前值(I((k-1)T))被提交给所述输入层(30)。
6.根据权利要求5所述的方法,其中,另外校正变量到先前时间点((k-1)T)的先前值(U((k-1)T))被提交给所述输入层(30)。
7.根据前述权利要求中任一项所述的方法,其中,所述人工神经网络(19)包括输入层(30),所述实际***变量的实际时间点的实际值((I(takt))以及所述实际***变量的实际时间点(takt)的时间相关变化(dI)被提交给所述输入层(30)。
8.根据权利要求7所述的方法,其中,另外校正变量的实际时间点(takt)的时间相关变化(dU)被提交给所述输入层(30)。
9.根据前述权利要求中任一项所述的方法,其中,由所述人工神经网络(19)确定的所述至少一个实际流动值中的实际流动值为实际输出压力值(pa(kT)、pa(takt))。
10.根据前述权利要求中任一项所述的方法,其中,由所述人工神经网络(19)确定的所述至少一个实际流动值(pa(kT)、pa(takt))中的实际流动值(pa(kT)、pa(takt))被反馈到所述人工神经网络(19)的输入层(30)。
11.根据权利要求9和10所述的方法,其中,所述实际输出压力值(pa(kT)、pa(takt))被反馈到所述输入层(30)。
12.根据前述权利要求中任一项所述的方法,其中,所述人工神经网络(19)包括神经元(33),并且其中,每个神经元(33)包括激活函数(F)。
13.根据权利要求12所述的方法,其中,所述激活函数(F)由整流器形成。
14.根据权利要求12或13所述的方法,其中,所述激活函数(F)被限于最大值(Fmax)。
15.根据前述权利要求中任一项所述的方法,其中,所述至少一个实际***变量中的至少一个实际***变量取决于风机转速(n)或者是所述风机转速(n),并且其中,所述风机转速(n)是间接确定的,或者是借助于转速传感器(21)直接检测的。
16.一种风机***(10),包括控制装置(11)和后弯式离心风机(12),所述后弯式离心风机(12)具有马达(13)和由所述马达(13)驱动的转子(14),其中,所述控制装置(11)被构造成执行根据前述权利要求中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020114339.7A DE102020114339A1 (de) | 2020-05-28 | 2020-05-28 | Verfahren zum Betreiben eines Ventilatorsystems und Ventilatorsystem mit einem rückwärtsgekrümmten Radialventilator |
DE102020114339.7 | 2020-05-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113738662A true CN113738662A (zh) | 2021-12-03 |
CN113738662B CN113738662B (zh) | 2024-05-24 |
Family
ID=76098872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110593165.4A Active CN113738662B (zh) | 2020-05-28 | 2021-05-28 | 用于操作风机***的方法和具有后弯式离心风机的风机*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US11746794B2 (zh) |
EP (1) | EP3916236B1 (zh) |
CN (1) | CN113738662B (zh) |
DE (1) | DE102020114339A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI838016B (zh) * | 2022-12-16 | 2024-04-01 | 宏碁股份有限公司 | 電子裝置與風扇轉速調整方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE29516268U1 (de) * | 1995-10-13 | 1996-02-22 | Oppermann Regelgeräte GmbH, 70567 Stuttgart | Leistungsregelung für ein Gebläse |
JPH09317544A (ja) * | 1996-05-30 | 1997-12-09 | Yamaha Motor Co Ltd | エンジンにおける制御対象の学習制御方法 |
US5736823A (en) * | 1994-05-27 | 1998-04-07 | Emerson Electric Co. | Constant air flow control apparatus and method |
DE10112160A1 (de) * | 2001-03-14 | 2002-10-02 | Powitec Intelligent Tech Gmbh | Verfahren und Vorrichtung zur Regelung eines Verbrennungsprozesses |
US6597959B1 (en) * | 1997-10-15 | 2003-07-22 | Abb Ab | Method and device for controlling an essentially continuous process |
US20040049297A1 (en) * | 2002-09-05 | 2004-03-11 | Card Jill P. | Intelligent control for process optimization and parts maintenance |
DE102009034369B3 (de) * | 2009-07-23 | 2010-08-26 | Sinitec Vertriebsgesellschaft Mbh | Verfahren zur Anpassung eines Steuersignals zur Vorgabe einer Solldrehzahl eines Lüfters in einem Computersystem sowie entsprechendes Computersystem |
CN102011745A (zh) * | 2010-12-31 | 2011-04-13 | 清华大学 | 一种磁悬浮分子泵的神经网络控制***及方法 |
US20120323343A1 (en) * | 2011-06-15 | 2012-12-20 | Caterpillar Inc. | Virtual sensor system and method |
US8672733B2 (en) * | 2007-02-06 | 2014-03-18 | Nordyne Llc | Ventilation airflow rate control |
CN105260572A (zh) * | 2015-11-10 | 2016-01-20 | 四川东方电气自动控制工程有限公司 | 一种风机叶片建模软件调用***及其调用方法 |
CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
US9903380B2 (en) * | 2010-07-08 | 2018-02-27 | Johnson Electric S.A. | Fan |
CN107762954A (zh) * | 2016-08-23 | 2018-03-06 | 依必安-派特穆尔芬根股份有限两合公司 | 通风机的体积流量控制方法 |
CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
DE102018104396A1 (de) * | 2018-02-27 | 2019-08-29 | Ebm-Papst Mulfingen Gmbh & Co. Kg | Parameterkonstanz |
CN110529419A (zh) * | 2019-09-02 | 2019-12-03 | 苏州贝舒医疗科技有限公司 | 无创呼吸机风机的压力输出控制方法 |
US20190370660A1 (en) * | 2018-05-30 | 2019-12-05 | Robert Bosch Gmbh | Method, Apparatus and Computer Program for Generating Robust Automated Learning Systems and Testing Trained Automated Learning Systems |
US20190376715A1 (en) * | 2018-06-11 | 2019-12-12 | Broan-Nutone Llc | Ventilation system with automatic flow balancing derived from a neural network and methods of use |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004114937A (ja) * | 2002-09-27 | 2004-04-15 | Denso Corp | 車両用空調装置 |
KR100983800B1 (ko) * | 2008-02-19 | 2010-09-27 | (주) 리더스 | 신경회로망을 이용한 간이상수도 모니터링 제어시스템 및그 제어방법 |
CA2964196A1 (en) * | 2014-10-28 | 2016-05-06 | Panasonic Intellectual Property Management Co., Ltd. | Ventilation device |
JP6438366B2 (ja) * | 2015-08-28 | 2018-12-12 | ファナック株式会社 | 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた制御装置および電動機装置 |
DE102015012462B3 (de) * | 2015-09-29 | 2017-03-16 | LUNOS Lüftungstechnik GmbH für Raumluftsysteme | Verfahren und eine Vorrichtung zum sensorlosen Regeln eines mit einem EC-Motor betriebenen Ventilators eines Lüftungsgeräts |
JP6499710B2 (ja) * | 2017-04-20 | 2019-04-10 | ファナック株式会社 | 加減速制御装置 |
US10731889B2 (en) * | 2019-01-08 | 2020-08-04 | Regal Beloit America, Inc. | Motor controller for electric blowers |
US11526724B2 (en) * | 2019-08-21 | 2022-12-13 | GM Global Technology Operations LLC | Virtual sensor for estimating online unmeasurable variables via successive time derivatives |
CN112560338B (zh) * | 2020-12-10 | 2022-03-25 | 东北大学 | 基于自适应深度学习的复杂工业***智能预报方法、装置、设备及存储介质 |
-
2020
- 2020-05-28 DE DE102020114339.7A patent/DE102020114339A1/de active Pending
-
2021
- 2021-05-25 EP EP21175726.5A patent/EP3916236B1/de active Active
- 2021-05-26 US US17/331,271 patent/US11746794B2/en active Active
- 2021-05-28 CN CN202110593165.4A patent/CN113738662B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5736823A (en) * | 1994-05-27 | 1998-04-07 | Emerson Electric Co. | Constant air flow control apparatus and method |
DE29516268U1 (de) * | 1995-10-13 | 1996-02-22 | Oppermann Regelgeräte GmbH, 70567 Stuttgart | Leistungsregelung für ein Gebläse |
JPH09317544A (ja) * | 1996-05-30 | 1997-12-09 | Yamaha Motor Co Ltd | エンジンにおける制御対象の学習制御方法 |
US6597959B1 (en) * | 1997-10-15 | 2003-07-22 | Abb Ab | Method and device for controlling an essentially continuous process |
DE10112160A1 (de) * | 2001-03-14 | 2002-10-02 | Powitec Intelligent Tech Gmbh | Verfahren und Vorrichtung zur Regelung eines Verbrennungsprozesses |
US20040049297A1 (en) * | 2002-09-05 | 2004-03-11 | Card Jill P. | Intelligent control for process optimization and parts maintenance |
US8672733B2 (en) * | 2007-02-06 | 2014-03-18 | Nordyne Llc | Ventilation airflow rate control |
DE102009034369B3 (de) * | 2009-07-23 | 2010-08-26 | Sinitec Vertriebsgesellschaft Mbh | Verfahren zur Anpassung eines Steuersignals zur Vorgabe einer Solldrehzahl eines Lüfters in einem Computersystem sowie entsprechendes Computersystem |
US9903380B2 (en) * | 2010-07-08 | 2018-02-27 | Johnson Electric S.A. | Fan |
CN102011745A (zh) * | 2010-12-31 | 2011-04-13 | 清华大学 | 一种磁悬浮分子泵的神经网络控制***及方法 |
US20120323343A1 (en) * | 2011-06-15 | 2012-12-20 | Caterpillar Inc. | Virtual sensor system and method |
CN105260572A (zh) * | 2015-11-10 | 2016-01-20 | 四川东方电气自动控制工程有限公司 | 一种风机叶片建模软件调用***及其调用方法 |
CN107762954A (zh) * | 2016-08-23 | 2018-03-06 | 依必安-派特穆尔芬根股份有限两合公司 | 通风机的体积流量控制方法 |
CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
DE102018104396A1 (de) * | 2018-02-27 | 2019-08-29 | Ebm-Papst Mulfingen Gmbh & Co. Kg | Parameterkonstanz |
US20190370660A1 (en) * | 2018-05-30 | 2019-12-05 | Robert Bosch Gmbh | Method, Apparatus and Computer Program for Generating Robust Automated Learning Systems and Testing Trained Automated Learning Systems |
US20190376715A1 (en) * | 2018-06-11 | 2019-12-12 | Broan-Nutone Llc | Ventilation system with automatic flow balancing derived from a neural network and methods of use |
CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
CN110529419A (zh) * | 2019-09-02 | 2019-12-03 | 苏州贝舒医疗科技有限公司 | 无创呼吸机风机的压力输出控制方法 |
Non-Patent Citations (1)
Title |
---|
王剑东 , 王东风, 韩璞: "软测量技术及其在电厂热工过程中的应用", 电站***工程, no. 05, 22 September 2002 (2002-09-22), pages 51 - 53 * |
Also Published As
Publication number | Publication date |
---|---|
DE102020114339A1 (de) | 2021-12-02 |
EP3916236B1 (de) | 2023-03-01 |
CN113738662B (zh) | 2024-05-24 |
EP3916236A1 (de) | 2021-12-01 |
US11746794B2 (en) | 2023-09-05 |
US20210372417A1 (en) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0829038B1 (en) | Device in a process system for detecting events | |
US10443600B2 (en) | Gas estimation device and vacuum pumping device | |
CN107110524B (zh) | 用于控制hvac***的操作的方法 | |
CN113738662B (zh) | 用于操作风机***的方法和具有后弯式离心风机的风机*** | |
US10982653B2 (en) | Adaptive control of a wind turbine by detecting a change in performance | |
KR20080108105A (ko) | 최적화된 성능을 갖는 압력제어시스템 | |
CN108138761B (zh) | 气动***运行控制装置和控制方法 | |
KR950033889A (ko) | 프로세스 제어방법 및 장치 | |
CA3061446A1 (en) | Computing device and method for inferring an airflow of a vav appliance operating in an area of a building | |
CN110895015A (zh) | 一种基于模糊自适应的空调温度控制方法及控制*** | |
US10598401B2 (en) | Controller, method and computer program product using a neural network for adaptively controlling an environmental condition in a building | |
KR101844096B1 (ko) | 회전 속도가 조절되는 저압 원심팬을 제어하기 위한 방법 | |
KR102175280B1 (ko) | 제어 파라미터 학습 기반 제어 시스템 및 방법 | |
KR20220026508A (ko) | 스마트 온실 농업환경의 네트워크 이상 감지 시스템 및 그 방법 | |
WO2021214852A1 (ja) | 情報処理装置および空調システム | |
US20220186970A1 (en) | Method and a device for sensorless ascertaining of volume flow and pressure | |
CN115963730B (zh) | 一种喷射点胶阀腔液温度的选择性控制方法 | |
CN208920480U (zh) | 负压调节装置及调节*** | |
WO2020115609A1 (en) | Gas network and method for the simultaneous detection of leaks and obstructions in a gas network under pressure or vacuum | |
Yadarova et al. | A control system of a fan drive based on airflow Doppler ultrasonic control | |
CN115849020A (zh) | 一种基于模糊rbf神经网络的烟丝风送速度控制方法 | |
CN109838871A (zh) | 检测房间密闭性的方法和新风*** | |
EP3891432B1 (en) | Gas network and method for detecting obstructions in a gas network under pressure or under vacuum | |
JP3904506B2 (ja) | トンネル換気制御方法および装置 | |
JPH06119007A (ja) | トンネル内風速制御装置 |
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 |