一种精确控温制冷系统技术方案

本发明专利技术提供了一种精确控温制冷系统，包括工作热量预测模块，用于预测降温对象在未来各个工作阶段的发热效率；制冷数据采集模块，用于采集温度信息以及制冷机器的工作参数并发送至数据处理与控制模块；数据处理与控制模块，用于根据所述温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。通过本发明专利技术实现了利用温度与运行功率对制冷机器进行双闭环控制，并且通过引入预测结果来对控制量进行影响，从而解决传热延迟的问题，并且利用预测结果进行对于输出功率的定量计算使制冷机器的输出功率更为精准，从而达到了准确控温的目的。的。的。

【技术实现步骤摘要】
一种精确控温制冷系统


[0001]本专利技术涉及自动控制
，特别涉及本专利技术提供的一种精确控温制冷系统。

技术介绍

[0002]随着社会的不断发展，大生产厂家对生产技术要求的不断提高，对机械设备的制冷温控系统的要求也在不断的提高，对机械设备的制冷温控进行得更准确，则机械设备出现故障的概率就会越低，并生产产品的次品率也会得到降低，同时提高产品的质量让厂家在同行业竞争中取得更大的优势。
[0003]现有温控制冷系统仍然使用老式的温度采集反馈调节方式，对机械设备的温度进行降温，在生产产品要求不严格的情况下能够继续进行使用，但对于要求更为严格、要求生产参数更为精确的生产作业线来说精确程度已然不够，因此需要一种更为精确的控温制冷系统。

技术实现思路

[0004]本专利技术提供的一种精确控温制冷系统，用于解决
技术介绍
中所提到的问题。
[0005]本专利技术提供一种精确控温制冷系统，包括：
[0006]工作热量预测模块，用于预测降温对象在未来各个工作阶段的发热效率；
[0007]制冷数据采集模块，用于采集温度信息以及制冷机器的工作参数并发送至数据处理与控制模块；
[0008]数据处理与控制模块，用于根据所述温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。
[0009]优选的，所述工作热量预测模块执行以下操作：
[0010]提取降温对象在云端存储的历史工作数据；
[0011]对所述历史工作数据进行特征提取，并将其中存在的具有相同特征的循环类工作数据及该工作数据在产生时所对应的环境数据一并截取，并生成工作样本集；
[0012]在工作样本集中提取影响因子数据和发热效率数据，并对影响因子数据和发热效率数据进行基于Z
‑
Score方法的标准化处理；其中，影响因子数据的选取包括：降温对象的运行功率、外界环境温度及环境湿度；
[0013]对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合；
[0014]将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；
[0015]采集降温对象当前的实时工作数据以及环境数据并导入所述长短期记忆神经网络进行运算，得到降温对象在未来各个工作阶段的发热效率。
[0016]优选的，所述对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合包括：
[0017]基于标准化处理后的影响因子数据，构建原始影响因子样本矩阵的协方差矩阵；
[0018]计算协方差矩阵的特征值序列以及与特征值序列对应的特征向量序列；
[0019]将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前行构成矩阵；
[0020]结合已得到的样本矩阵计算降维后的数据集，降维后的数据集中的元素即为主成分特征组合。
[0021]优选的，所述将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型包括：
[0022]采用Adam训练算法对长短期记忆神经网络进行训练，选用均方差MSE作为Adam训练算法的误差计算方式，设定损失函数值最小作为优化目标，结合网络初始化的随机种植数、初始学习率以及最大迭代次数对长短期记忆神经网络进行训练，最后得到长短期记忆神经网络预测模型。
[0023]优选的，所述制冷数据采集模块包括：
[0024]第一温度采集单元，用于采集降温对象的第一温度；
[0025]第二温度采集单元，用于采集降温对象与制冷机器之间传热介质的第二温度，其中所述传热介质包括用于扩大接触面积的金属散热叶或者冷却液；
[0026]第三温度采集单元，用于采集制冷机器的第三温度；
[0027]温度信息整合单元，用于将所述第一温度、所述第二温度以及所述第三温度整合形成温度信息；
[0028]参数采集单元，用于采集制冷机器在工作时的工作参数，所述工作参数包括制冷机器的运行功率以及换热效率；
[0029]信息上传单元，用于将所述温度信息以及所述工作参数上传至数据处理与控制模块。
[0030]优选的，所述制冷机器包括：
[0031]制冷机组，用于通过蒸汽式压缩制冷或蒸汽喷射式制冷方式对降温对象进行降温工作；
[0032]回暖单元，用于利用制冷机组制冷过程中吸收过热量的循环水对降温对象进行回暖工作；其中，所述回暖单元拥有多个循环水存储装置，每个循环水存储装置存储有吸收过不同制冷阶段热量的循环水，每个循环水存储装置内还设置有温度检测装置和液位检测装置；
[0033]制冷控制器，用于根据所述数据处理与控制模块的指令对制冷机组和回暖单元进行控制。
[0034]优选的，所述蒸汽式压缩制冷方式为：
[0035]利用空气压缩机从蒸发器吸入低温低压的制冷剂蒸汽，然后在空气压缩机内进行绝热压缩形成高温高压的过热蒸汽，随后将过热蒸汽压入冷凝器进行定压冷却并向冷却介质放出热量，直到冷却为过冷液态制冷剂，并将液态制冷剂经过膨胀阀或毛细管绝热节流成为低压液态制冷剂，最后利用低压液态制冷剂对降温对象进行直接或间接降温制冷；
[0036]所述蒸汽喷射式制冷方式为：将加压后的工作蒸汽流入主喷射器，通过在拉瓦尔喷嘴中进行绝热膨胀产生高速气流，并利用高速气流从蒸发器中抽汽使蒸发器内保持低蒸
发压力，然后利用循环水经节流减压后进入蒸发器，让其中一部分循环水吸热蒸发，另一部分循环水随之温度降低，最后利用降温后的循环水对降温对象进行直接或间接降温制冷。
[0037]优选的，所述回暖单元，包括：
[0038]循环水存储子单元，包括多个循环水存储器，用于将多个制冷阶段内吸收热量的循环水进行存储，并对预设数量的循环水存储器利用保温材料进行保温；
[0039]循环水温度测量子单元，用于测量每个循环水存储器内循环水的温度；
[0040]液位测量子单元，用于测量每个循环水存储器内循环水的液位高度；
[0041]水阀控制子单元，用于对循环水存储器内循环水的流入和流出进行控制。
[0042]优选的，所述数据处理与控制模块执行以下操作：
[0043]根据所述温度信息确定降温对象的第一温度、降温对象与制冷机器之间传热介质的第二温度以及制冷机器的第三温度；
[0044]根据所述工作参数确定制冷机器当前的运行功率、换热效率；
[0045]根据制冷机器的运行功率、换热效率确定制冷机器在不同电流强度的输入情况下的吸热效率；
[0046]根据所述第一温度、所述第二温度以及所述第三温度确定降温对象与制冷机器之间的传热效率以及传热延迟时长；
[0047]根据所预测的降温对象在未来各个工作阶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种精确控温制冷系统，其特征在于，包括：工作热量预测模块，用于预测降温对象在未来各个工作阶段的发热效率；制冷数据采集模块，用于采集温度信息以及制冷机器的工作参数并发送至数据处理与控制模块；数据处理与控制模块，用于根据所述温度信息以及制冷机器的工作参数并基于降温对象在各个工作阶段的发热效率对制冷机器进行闭环控制。2.根据权利要求1所述的一种精确控温制冷系统，其特征在于，所述工作热量预测模块执行以下操作：提取降温对象在云端存储的历史工作数据；对所述历史工作数据进行特征提取，并将其中存在的具有相同特征的循环类工作数据及该工作数据在产生时所对应的环境数据一并截取，并生成工作样本集；在工作样本集中提取影响因子数据和发热效率数据，并对影响因子数据和发热效率数据进行基于Z
‑
Score方法的标准化处理；其中，影响因子数据的选取包括：降温对象的运行功率、外界环境温度及环境湿度；对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合；将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；采集降温对象当前的实时工作数据以及环境数据并导入所述长短期记忆神经网络进行运算，得到降温对象在未来各个工作阶段的发热效率。3.根据权利要求2所述的一种精确控温制冷系统，其特征在于，所述对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析，得到主成分特征组合包括：基于标准化处理后的影响因子数据，构建原始影响因子样本矩阵的协方差矩阵；计算协方差矩阵的特征值序列以及与特征值序列对应的特征向量序列；将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前行构成矩阵；结合已得到的样本矩阵计算降维后的数据集，降维后的数据集中的元素即为主成分特征组合。4.根据权利要求2所述的一种精确控温制冷系统，其特征在于，所述将得到的主成分特征组合以及标准化处理后的发热功率数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型包括：采用Adam训练算法对长短期记忆神经网络进行训练，选用均方差MSE作为Adam训练算法的误差计算方式，设定损失函数值最小作为优化目标，结合网络初始化的随机种植数、初始学习率以及最大迭代次数对长短期记忆神经网络进行训练，最后得到长短期记忆神经网络预测模型。5.根据权利要求1所述的一种精确控温制冷系统，其特征在于，所述制冷数据采集模块包括：第一温度采集单元，用于采集降温对象的第一温度；
第二温度采集单元，用于采集降温对象与制冷机器之间传热介质的第二温度，其中所述传热介质包括用于扩大接触面积的金属散热叶或者冷却液；第三温度采集单元，用于采集制冷机器的第三温度；温度信息整合单元，用于将所述第一温度、所述第二温度以及所述第三温度整合形成温度信息；参数采集单元，用于采集制冷机器在工作时的工作参数，所述工作参数包括制冷机器的运行功率以及换热效率；信息上传单元，用于将所述温度信息以及所述工作参数上传至数据处理与控制模块。6.根据权利要求1所述的一种精确控温制冷系统，其特征在于，所述制冷机器包括：制冷机组，用于通过蒸汽式压缩制冷或蒸汽喷射式制冷方式对降温对象进行降温工作；回暖单元，用于利用制冷机组制冷过程中吸收过热量的循环水对降温对象进行回暖工作；其中，所述回暖单元拥有多个循环水存储装置，每个循环水存储装置存储有吸收过不同制冷阶段热量的循环水...

【专利技术属性】
技术研发人员：郭召永，温德烙，段理峰，丁伟华，
申请(专利权)人：深圳市汉盛制冷科技有限公司，
类型：发明
国别省市：