An ejector performance prediction method of radial basis function artificial neural network linear direct method based on the injector for collecting the relevant parameters given; determine the neural network structure, the establishment of neurons in the input layer to the output layer neurons directly connected with the ejector; fluid pressure, fluid pressure as the input of the neural network; shoot the coefficient into the output of the neural network, the outlet pressure calculation; artificial neural network hidden layer nodes of the input value and the output value to the output node according to the values of the input vector, using Kmeans algorithm to obtain the basis function center C, according to iterate the neural network weights and bias gradient descent method; DLCRBF neural network prediction the neural network is trained to establish the performance of the ejector; given the actual state of the input variables, through the injector performance prediction D LCRBF neural network is used to obtain predictive parameters. The invention has the advantages of high prediction accuracy and short time consuming.
【技术实现步骤摘要】
基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法
本专利技术涉及一种喷射器性能预测方法,尤其是一种基于线性直连法的径向基函数(DLCRBF)人工神经元网络的喷射器性能的预测方法。
技术介绍
喷射器可以利用工业余压、余热、废热、太阳能热、地热等低品位能源作为驱动,用于提升流体的压力,即实现压缩的效果,已广泛应用于化工、热能、制冷、暖通等领域。由于结构简单、维护便利、造价低廉,且无需消耗电力,具有良好的节能减排效果,在能源环境问题日渐严重的当下,喷射器得到了越来越多的应用与研究。喷射器最关键的性能参数是临界工作状态下的引射系数(ε)与出口背压(pc)。但由于喷射器内部流动非常复杂,包括两次壅塞、超音速流动、各类激波、扇形扩散等现象,采用一维物理模型模拟得到的参数精度较低,效果较差,如文献1(W.Chenetal.Theoreticalanalysisofejectorrefrigerationsystemperformanceunderoverallmodes.Appliedenergy,185-2:2074-2084,2016,即W.Chen等.全工况下喷射制冷系统性能的理论分析.应用能源,185-2:2074-2084,2016.)以及文献2(JM.Cardemiletal.Ageneralmodelforevaluationofvaporejectorsperformanceforapplicationinrefrigeration.EnergyConversionandManagement,64:79-86,2012,即JM.Cardem ...
【技术保护点】
一种基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法,其特征在于:包括以下步骤:步骤一,数据的采集与处理:对于给定的喷射器收集,根据建立人工神经网络的需要,收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数ε,对引射流体压力、工作流体压力与出口背压进行归一化处理,使其到[0,1]之间,公式如下:
【技术特征摘要】
1.一种基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法,其特征在于:包括以下步骤:步骤一,数据的采集与处理:对于给定的喷射器收集,根据建立人工神经网络的需要,收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数ε,对引射流体压力、工作流体压力与出口背压进行归一化处理,使其到[0,1]之间,公式如下:其中,k为归一化后的数据,x为被归一化数据,xmin为被归一化数据中的最小值,xmax为被归一化数据中最大值;步骤二,RBF神经网络的构建与训练:根据输入输出参数,确定神经网络的输入输出层结点数,隐含层数为一层,其神经元个数为输入样本数,此外再建立输入层神经元到输出层神经元的直接的全连接;其中引射流体压力、工作流体压力为该神经网络的输入;出口背压、引射系数为该神经网络的输出;根据输入向量计算人工神经网络隐含层结点的输入值和输出值再到输出层结点的输出值,采用Kmeans算法得到基函数中心c,再根据梯度下降法进行迭代得到神经网络的权值和偏置,用于神经网络的建立;该训练完成的神经网络即为建立的喷射器性能预测DLCRBF神经网络;步骤三,在工程实际应用中,用DLCRBF神经网络对喷射器性能进行预测,给定实际状态下的输入变量,输入变量为引射流体压力pe和工作流体压力pp,通过喷射器性能预测DLCRBF神经网络得到预测参数,预测参数为出口背压pc和引射系数ε,将pc进行反归一化得到预测出口背压pc的实际值。2.如权利要求1所述的一种基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法,其特征在于:所述步骤二中,DLCRBF神经网络的构建与训练过程如下:2.1)确定神经网络的结构:由输入向量与输出向量确定神经网络输入层与输出层结点数为l个与n个,隐含层结点数的个数为输入样本数;DLCRBF神经网络中输入层至隐含层之间的连接权值为1;ωjk为隐含层到输出层之间的连接权值,初始化值随...
【专利技术属性】
技术研发人员:蒋宁,潘凡,徐英杰,高增梁,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江,33
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。