[發明專利]一種基于機器學習的脈管制冷機工況預測方法及系統

有效

• 申請號: 202110407253.0
• 申請日: 2021-04-15
• 公開（公告）號: CN112966399B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 鄧偉峰;吳煒民;陳威;王曉天;冀一佳;戚晗軒;曾文靜;顧志豪;夏雨辰
• 申請（專利權）人: 蘇州大學張家港工業技術研究院;蘇州大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 楊慧林

1.一種基于機器學習的脈管制冷機工況預測方法，其特征在于：包括以下步驟：

采集脈管制冷機運行時的工況參數數據，所述工況參數數據包括輸入參數和輸出參數，所述輸入參數包括易于測量的電參數和預達到的制冷參數，所述輸出參數包括較難測量的給定脈管制冷機的活塞行程和壓力幅值；

將工況參數數據分為二個部分：訓練數據、檢驗數據；

基于訓練數據采用LM優化的反向傳播算法搭建工況預測模型，通過迭代的方法不斷提高工況預測模型的精度，所述工況預測模型包括輸入層、隱藏層和輸出層，基于訓練數據搭建工況預測模型的具體過程為：在輸入層中將輸入參數作為模型的輸入向量X＝(x₁，x₂，x_i)，根據輸入向量X＝(x₁，x₂，x_i)計算得到隱藏層中神經元的輸出值D＝(d₁，d₂，d_h)，根據神經元的輸出值D＝(d₁，d₂，d_h)計算得到輸出層的輸出向量Y＝(y₁，y₂，y_j)；

所述隱藏層中神經元的輸出值D＝(d₁，d₂，d_h)的計算公式為：

所述輸出層的輸出向量Y＝(y₁，y₂，y_j)的計算公式為：

其中，是x_i對于d_h的權重；是d_h對于y_j的權重；b_j和m_h分別是y_j和d_h的閾值；

將檢驗數據輸入到工況預測模型中，并將通過工況預測模型計算得出的預測值和實際測量的數據進行比對，驗證工況預測模型的精度。

2.根據權利要求1所述的基于機器學習的脈管制冷機工況預測方法，其特征在于：所述訓練數據和檢驗數據的分配比例為3:1。

3.根據權利要求1所述的基于機器學習的脈管制冷機工況預測方法，其特征在于：在訓練過程中，將計算得到的輸出向量Y＝(y₁，y₂，y_j)將與該輸入向量對應的實際目標值進行對比，并計算損失函數L(θ)。

4.根據權利要求3所述的基于機器學習的脈管制冷機工況預測方法，其特征在于：所述損失函數L(θ)為均方誤差。

5.根據權利要求3所述的基于機器學習的脈管制冷機工況預測方法，其特征在于：在訓練過程中，采用梯度下降法將權重和d_h按照使L(θ)向最小化的方向迭代，即其中η是模型的學習率，即迭代的步長。

6.根據權利要求1所述的基于機器學習的脈管制冷機工況預測方法，其特征在于：將檢驗數據輸入到工況預測模型中，將計算得出的預測值和實際測量的數據進行比對，計算它們的均方誤差，當均方誤差0.001時，代表工況預測模型的預測精度符合要求。

7.一種基于機器學習的脈管制冷機工況預測系統，其特征在于：包括數據采集模塊、學習訓練模塊、檢驗模塊；

所述數據采集模塊采集脈管制冷機運行時的工況參數數據，所述工況參數數據包括輸入參數和輸出參數，所述輸入參數包括易于測量的電參數和預達到的制冷參數，所述輸出參數包括較難測量的給定脈管制冷機的活塞行程和壓力幅值；

將工況參數數據分為二個部分：訓練數據、檢驗數據；

所述學習訓練模塊基于訓練數據采用LM優化的反向傳播算法搭建工況預測模型，通過迭代的方法不斷提高工況預測模型的精度；所述工況預測模型包括輸入層、隱藏層和輸出層，基于訓練數據搭建工況預測模型的具體過程為：在輸入層中將輸入參數作為模型的輸入向量X＝(x₁，x₂，x_i)，根據輸入向量X＝(x₁，x₂，x_i)計算得到隱藏層中神經元的輸出值D＝(d₁，d₂，d_h)，根據神經元的輸出值D＝(d₁，d₂，d_h)計算得到輸出層的輸出向量Y＝(y₁，y₂，y_j)；

所述隱藏層中神經元的輸出值D＝(d₁，d₂，d_h)的計算公式為：

所述輸出層的輸出向量Y＝(y₁，y₂，y_j)的計算公式為：

其中，是x_i對于d_h的權重；是d_h對于y_j的權重；b_j和m_h分別是y_j和d_h的閾值；

所述檢驗模塊將檢驗數據輸入到工況預測模型中，并將通過工況預測模型計算得出的預測值和實際測量的數據進行比對，驗證工況預測模型的精度。