一种制冷设备压缩机配管方案的智能筛选方法技术

本发明专利技术公开了一种制冷设备压缩机配管方案的智能筛选方法，包括以下步骤：1)给定压缩机舱模型及各管路起止点数据，并获得多个不同的管路布置方案；2)抽取每个方案的特征数据，并组成一个特性样本；3)对特征样本进行归一化；4)将训练样本输入聚类算法计算多个中心；5)将中心及样本训练不同样本类的神经网络，并将这些网络组合；6)用训练好的结果对测试方案进行筛选并输出满足要求的结果。本发明专利技术能解决要求定性、经验化且特征差异大的制冷设备压缩机管路的筛选问题，从而为压缩机配管提供更合理的管路方案，并能提高管路设计工作的效率。并能提高管路设计工作的效率。并能提高管路设计工作的效率。

【技术实现步骤摘要】
一种制冷设备压缩机配管方案的智能筛选方法


[0001]本专利技术涉及的是一种制冷设备压缩机配管方案的智能筛选方法，用于实现压缩机配管布置方案的筛选。

技术介绍

[0002]制冷设备压缩机配管工作在压缩机特定频率的激励下，如果不进行一定的减振构型设计及易出现泄露和断管等失效问题。当前的一些管路规划方法虽然解决了制冷设备压缩机配管的布置问题，但压缩机减振构型要求是定性的经验化的，当前的规划方法给出的方案必需经过筛选才能满足要求。另外，压缩机的管路构型复杂多样，不同的优秀的方案间的特征差异也较大，当前一些方法难以兼容多个类型的方案，容易造成漏选或错选。

技术实现思路

[0003]本专利技术的目的在于解决压缩机管路方案的筛选问题，提供一种制冷设备压缩机配管方案的智能筛选方法，以期能快速高效准确地筛选出满足构型要求的管路方案，从而为压缩机配管提供更合理的管路方案，并能提高管路设计工作的效率。
[0004]为解决上述技术问题采用如下技术方案
[0005]本专利技术一种制冷设备压缩机的管路布置方案筛选方法的特点在于，包括以下步骤：
[0006]步骤1：获取压缩机舱模型及各管路起止点的数据，从而随机生成J个不同管路的布置方案B＝[b1,b2,
…
,b
j
,
…
,b
J
]，其中，b
j
表示第j个管路的布置方案，且P
j,1
表示第j个管路的起点，P
j,i
表示第j个管路的第i个拐点，n
j
表示第j个管路的终点序号；P
j,i
＝[x
i
,y
i
,z
i
]T
，x
i
,y
i
,z
i
表示第j个管路的点P
j,i
在笛卡尔坐标系中的三维坐标；J为布置方案总数；
[0007]步骤2：抽取第j个管路的布置方案b
j
的特征序列t
j
，从而得到特征集合T＝[t1,t2,
…
,t
j
,
…
,t
J
]T
并进行归一化处理后，得到归一化后的特征集合S，其中，s
j
表示第j个归一化后的特征序列；
[0008]步骤3：将归一化后的特征集合S分为训练样本和测试样本并对训练样本给定分值集合其中，表示训练样本中第j1个特征序列，且个特征序列，且表示中第p个特征，表示对应的分值，表示测试样本中第j2个特征样本，j1＝1,2,
…
,J1，j2＝1,2,
…
,J2，J1表示训练样本中的特征序列数，J2表示测试样本中的特征样本数，且J1+J2＝J；
[0009]步骤4：设置类别总数为N，并对训练样本进行聚类，从而将训练样本分为N个类别集合[A1,A2,
…
,A
n
,
…
,A
N
]及其对应的聚类中心[c1,c2,
…
,c
n
,
…
,c
N
]，其中，A
n
表示第n个
类别集合，且类别集合，且表示A
n
中第l个特征序列，l＝1,2,
…
,L
n
，L
n
表示A
n
中特征序列总数，c
n
表示第n个类别集合A
n
的聚类中心，且c
n
＝[μ
n,1
,μ
n,2
,
…
,μ
n,p
,
…
,μ
n,P
]，μ
n,p
表示c
n
的第p个特征，n＝1,2,
…
,N；
[0010]步骤5：从N个聚类中心[c1,c2,
…
,c
n
,
…
,c
N
]中选取K个合格的聚类中心，并分别作为K个RBF神经网络[R1,R2,
…
,R
k
,
…
,R
K
]的中心，再将K个RBF神经网络[R1,R2,
…
,R
k
,
…
,R
K
]组合为一个神经网络模型R；从而利用N个类别集合[A1,A2,
…
,A
n
,
…
,A
N
]对所述神经网络模型R进行训练，得到训练后的神经网络模型R
′
；其中，R
k
表示第k个RBF神经网络；
[0011]步骤6：将测试样本输入训练后的神经网络模型R中进行处理，筛选出优秀特征样本集合则第q个优秀特征样本对应的管路方案为从而得到满足压缩机减振构型要求管路的集合为
[0012]本专利技术所述的一种制冷设备压缩机配管方案的智能筛选方法的特点也在于，所述步骤5中的神经网络模型R是按如下步骤进行训练：
[0013]步骤5.1：根据A
n
中第l个特征序列的分值y
n,l
判断是否满足减振构型的要求，从而得到A
n
中所有满足减振构型要求的特征序列数，并与A
n
中总的特征序列数之间比值作为第n个类别集合A
n
的合格率η
n
；
[0014]步骤5.2：设定最低合格率为η
pass
，找到所有合格率大于最低合格率η
pass
的类别集合作为合格的类别集合[A1′
,A2′
,
…
,A
k
′
,
…
,A
′
K
]，k＝1,2,
…
,K，剩余的所有不合格的类别集合组成第K+1个类别集合A
′
K+1
；其中，A
k
′
表示第k个合格的类别集合；则第k个神经网络的输入集合定义为其中，为第k个神经网络输入集合的第m特征序列，M为的总的特征序列数；对应的分值集合记为其中，为第k个神经网络的第m个特征序列的分值；
[0015]步骤5.3：将合格的类别集合所对应的聚类中心[c1′
,c2′
,
…
,c
′
k
,
…
,c
′
K
]分别作为各子神经网络的中心，构建神经网络模型R中的各个RBF神经网络[R1,R2,
…
,R
k
,
…
,R
K
]，其中，c
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种制冷设备压缩机的管路布置方案筛选方法，其特征在于，包括以下步骤：步骤1：获取压缩机舱模型及各管路起止点的数据，从而随机生成J个不同管路的布置方案B＝[b1,b2,
…
,b
j
,
…
,b
J
]，其中，b
j
表示第j个管路的布置方案，且P
j,1
表示第j个管路的起点，P
j,i
表示第j个管路的第i个拐点，n
j
表示第j个管路的终点序号；P
j,i
＝[x
i
,y
i
,z
i
]
T
，x
i
,y
i
,z
i
表示第j个管路的点P
j,i
在笛卡尔坐标系中的三维坐标；J为布置方案总数；步骤2：抽取第j个管路的布置方案b
j
的特征序列t
j
，从而得到特征集合T＝[t1,t2,
…
,t
j
,
…
,t
J
]
T
并进行归一化处理后，得到归一化后的特征集合S，其中，s
j
表示第j个归一化后的特征序列；步骤3：将归一化后的特征集合S分为训练样本和测试样本并对训练样本给定分值集合其中，表示训练样本中第j1个特征序列，且λ
j1,k
表示中第p个特征，表示对应的分值，表示测试样本中第j2个特征样本，j1＝1,2,
…
,J1，j2＝1,2,
…
,J2，J1表示训练样本中的特征序列数，J2表示测试样本中的特征样本数，且J1+J2＝J；步骤4：设置类别总数为N，并对训练样本进行聚类，从而将训练样本分为N个类别集合[A1,A2,
…
,A
n
,
…
,A
N
]及其对应的聚类中心[c1,c2,
…
,c
n
,
…
,c
N
]，其中，A
n
表示第n个类别集合，且集合，且表示A
n
中第l个特征序列，l＝1,2,
…
,L
n
，L
n
表示A
n
中特征序列总数，c
n
表示第n个类别集合A
n
的聚类中心，且c
n
＝[μ
n,1
,μ
n,2
,
…
,μ
n,p
,
…
,μ
n,P
]，μ
n,p
表示c
n
的第p个特征，n＝1,2,
…
,N；步骤5：从N个聚类中心[c1,c2,
…
,c
n
,
…
,c
N
]中选取K个合格的聚类中心，并分别作为K个RBF神经网络[R1,R2,
…
,R
k
,
…
,R
K
]的中心，再将K个RBF神经网络[R1,R2,
…
,R
k
,
…
,R
K
]组合为一个神经网络模型R；从而利用N个类别集合[A1,A2,
…
,A
n
,
…
,A
N
]对所述神经网络模型R进行训练，得到训练后的神经网络模型R
′
；其中，R
k
表示第k个RBF神经网络；步骤6：将测试样本输入训练后的神经网络模型R中进行处理，筛选出优秀特征样本集合则第q个优秀特征样本对应的管路方案为从而得到满足压缩机减振构型要求管路的集合为2.根据权利要求1所述的一种制冷设备压缩机配管方案的智能筛选方法，其特征在于，所述步骤5中的神经网络模型R是按如下步骤进行训练：步骤5.1：根据A
n
中第l个特征序列的分值y
n,l
判断是否满足减振构型的要求，从而得到A
n
中所有满足减振构型要求的特征序列数，并与A
n
中总的特征序列数之间比值作为第n个类别集合A
n
的合格率η
n
；步骤5.2：设定最低合格率为η
pass
，找到所有合格率大于最低合格率η
pass
的类别集...

【专利技术属性】
技术研发人员：卢剑伟，任远凯，黄克，李生宸，刘逸，唐景春，刘向农，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：