[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的空調(diào)機參數(shù)回歸優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 202111044715.3
• 申請日: 2021-09-07
• 公開（公告）號: CN113780405B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計）人: 楊旭
• 申請（專利權(quán)）人: 科希曼電器有限公司
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06N3/04;G06N3/08
• 代理公司: 合肥洪雷知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 34164
• 代理人: 郎海云

本發(fā)明公開了一種基于深度神經(jīng)網(wǎng)絡(luò)的空調(diào)機參數(shù)回歸優(yōu)化方法，涉及空調(diào)生產(chǎn)技術(shù)領(lǐng)域。本發(fā)明包括數(shù)據(jù)采集：通過采集鉑電阻、溫度傳感器和主控板獲得各種的樣本數(shù)據(jù)；數(shù)據(jù)預(yù)處理：對采集的數(shù)據(jù)預(yù)處理獲取訓(xùn)練樣本數(shù)據(jù)；特征選擇：引入專家知識和實踐經(jīng)驗將監(jiān)測數(shù)據(jù)抽取出來作為神經(jīng)網(wǎng)絡(luò)的輸入；模型訓(xùn)練：選擇ResNet?152作為骨干網(wǎng)絡(luò)，用二叉決策模型對骨干網(wǎng)絡(luò)提取的特征進行回歸預(yù)測；實時數(shù)據(jù)分析：輸入建立好的模型，得到一組高維的抽象特征，并將這組抽象特征做為回歸樹的輸入，回歸樹的輸出數(shù)據(jù)分析結(jié)果。本發(fā)明通過加快了空調(diào)機的測試速度，采用自學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)針對空調(diào)數(shù)據(jù)進行實時調(diào)參，可以加快機器的研發(fā)速度。

技術(shù)領(lǐng)域

本發(fā)明屬于空調(diào)生產(chǎn)技術(shù)領(lǐng)域，特別是涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的空調(diào)機參數(shù)回歸優(yōu)化方法。

背景技術(shù)

空調(diào)參數(shù)調(diào)整是暖通領(lǐng)域內(nèi)一項很有意義的研究課題，一臺剛剛制作好的空調(diào)原型機可以調(diào)整的參數(shù)有冷媒種類，冷媒加注量，主閥開度，輔閥開度，主頻率。一組適當?shù)膮?shù)可以讓機器達到或超越設(shè)計性能和設(shè)計能耗。傳統(tǒng)方法需要根據(jù)已記錄的數(shù)據(jù)來設(shè)置初始化空調(diào)參數(shù)，然后通過調(diào)節(jié)除冷媒種類，冷媒加注量之外的參數(shù)。當機器的性能和cop達到當前參數(shù)下的極限時，我們再增加冷媒的充注量，并重復(fù)上述過程，直至到增加冷媒充注量不再影響機器的性能和cop時，我們即達到了調(diào)試的終點。回顧上述的參數(shù)選擇過程，它需要大量的人力去投入到實驗中，并且對人的經(jīng)驗有一定的要求，當項目中設(shè)計的機器過多時，冗長的測試流程會對項目進度造成嚴重影響。

神經(jīng)網(wǎng)絡(luò)又稱人工神經(jīng)網(wǎng)絡(luò)，它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的學(xué)習(xí)算法模型。它由大量簡單的神經(jīng)元(處理單元)相互按照層次相互連接而成的復(fù)雜網(wǎng)絡(luò)。通過復(fù)雜的連接方式，其可以擬合任意復(fù)雜的函數(shù)用于處理各類數(shù)據(jù)分析問題。神經(jīng)網(wǎng)絡(luò)一般分為輸入層，隱藏層和輸出層。輸入層包括大量的神經(jīng)元用于接收線性或非線性的數(shù)據(jù)，隱藏層包括一層或多層神經(jīng)元，通過本層與其他層級的神經(jīng)元連接來提取數(shù)據(jù)中的抽象特征，從而達到模擬各種模型的目的。隱藏層抽取的特征進入輸出層后會得到我們想要的數(shù)據(jù)。根據(jù)隱藏層的不同，神經(jīng)網(wǎng)絡(luò)可以分為單層神經(jīng)網(wǎng)絡(luò)和多層神經(jīng)網(wǎng)絡(luò)。現(xiàn)在由于神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，我們已經(jīng)有很多已經(jīng)經(jīng)過驗證的有效的網(wǎng)絡(luò)架構(gòu)和預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。現(xiàn)代的神經(jīng)網(wǎng)絡(luò)架構(gòu)分為骨干網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)。骨干網(wǎng)絡(luò)用于提取特征，回歸網(wǎng)絡(luò)用于接受特征并進行預(yù)測。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于深度神經(jīng)網(wǎng)絡(luò)的空調(diào)機參數(shù)回歸優(yōu)化方法，通過云平臺對監(jiān)測數(shù)據(jù)進行分布式存儲和并列計算，可以同時為多臺待測試實驗機器進行調(diào)參，解決了現(xiàn)有空調(diào)機測試難、測試成本高、測試效率低的問題。

為解決上述技術(shù)問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

本發(fā)明為一種基于深度神經(jīng)網(wǎng)絡(luò)的空調(diào)機參數(shù)回歸優(yōu)化方法，包括如下步驟：

步驟S1、數(shù)據(jù)采集：通過采集鉑電阻溫度傳感器和主控板獲得各種的檢測量，得到系統(tǒng)的運行時的樣本數(shù)據(jù)；

步驟S2、數(shù)據(jù)預(yù)處理：對得到的數(shù)據(jù)依次進行去除異常數(shù)據(jù)、去噪、歸一化、降維和數(shù)據(jù)向量化處理，獲取預(yù)處理后的訓(xùn)練樣本數(shù)據(jù)；

步驟S3、特征選擇：引入專家知識和實踐經(jīng)驗將影響空調(diào)機器性能cop的監(jiān)測數(shù)據(jù)從預(yù)處理后的訓(xùn)練樣本數(shù)據(jù)中抽取出來作為神經(jīng)網(wǎng)絡(luò)的輸入；

步驟S4、模型訓(xùn)練：選擇ResNet-152的特征提取層作為骨干網(wǎng)絡(luò)，用于特征提取，用二叉決策模型對骨干網(wǎng)絡(luò)提取的特征進行回歸預(yù)測；

步驟S5、實時數(shù)據(jù)分析：實時采集數(shù)據(jù)經(jīng)過預(yù)處理和特征選擇后，輸入建立好的模型，得到一組高維的抽象特征，并將這組抽象特征作為回歸樹的輸入，回歸樹的輸出即為數(shù)據(jù)分析結(jié)果；

步驟S6、自學(xué)習(xí)：每次實時產(chǎn)生的監(jiān)測數(shù)據(jù)作為新的訓(xùn)練集幫助神經(jīng)網(wǎng)絡(luò)自我適應(yīng)和完善。