基于机器学习的除湿机融霜控制方法技术

本发明专利技术公开了基于机器学习的除湿机融霜控制方法，涉及除湿机低温工作环境下融霜控制技术领域，方法包括除湿机历史除湿量与融霜特征数据采集、除湿机工况数据获取、数据预处理、搭建XGBoost模型、调节参数，训练并优化XGBoost模型和结果预测与评估，本发明专利技术基于机器学习的方法，能够更加综合全面的根据除湿机工况，预测出直接反应进风翅片结霜状况的融霜排水量，进而指导融霜时机，相比传统方法，对环境数据的利用更加合理有效，算法可根据实际工况，选择合适的数据集，灵活产生对应模型，减小压缩机因融霜间隔时间设定不恰当引起压缩机寿命受损的风险,本发明专利技术中XGBoost模型运用鬣狗优化算法对超参数进行优化配置，提高了模型的回归性能。的回归性能。的回归性能。

【技术实现步骤摘要】
基于机器学习的除湿机融霜控制方法


[0001]本专利技术涉及除湿机低温工作环境下融霜控制
，具体是基于机器学习的除湿机融霜控制方法。

技术介绍

[0002]在低温工况下，某一时段除湿机的总除湿量(排水量)，包含冷凝出水量和融霜出水量两个部分，冷凝出水量是除湿机及时冷凝排出的液态水量，融霜出水量是除湿机经过融霜排出的水量，融霜出水量相较冷凝出水量占总除湿量的更大比重，除湿机一般要以正常除湿和融霜两个工作状态为周期，交替运行。
[0003]融霜的目的是及时清除除湿机低温环境工作时进风翅片上形成的霜层，防止因霜层减小翅片进风面积而导致进风量不足，进而影响整体除湿效率，在针对低温条件下除湿机的融霜控制应用中，现有的融霜控制策略主要有：温度阈值法、压力阈值法、定时融霜法等。
[0004]温度阈值法是通过温度传感器采集除湿机进风翅片表面温度(该温度能一定程度反应翅片结霜情况)，与温度阈值相比较来选择融霜时机，温度传感器数据往往与布放位置有关，通常只能反映翅片温度传感器附近位置的温度(结霜)，而翅片的结霜位置相对随机，故温度传感器无法反映翅片整体的结霜状况，压力阈值法是通过压力传感器采集除湿机压缩机的进气口压力，与压力阈值相比较来选择融霜时机，但压力数据受环境温度影响很大，往往需要修改压力阈值来适应实际工作环境温度的改变，不恰当的阈值会造成融霜动作过于频繁或融霜不及时，都会导致除湿效率降低，上述两种方法本质相同，都是利用现场数据直观反映除湿机进风翅片结霜状况，通过设置阈值来完成融霜时机的判断和融霜控制，此类方法信息来源较为单一，现场信息利用率和准确性低，复杂环境下鲁棒性不强。
[0005]定时融霜法需预先设定融霜间隔与融霜时间，实现除湿机的周期性融霜，融霜间隔过长会导致融霜不彻底，影响除湿效率；融霜间隔过短会缩短压缩机使用寿命，该方法没有实时利用现场环境参数，无法适应工作环境的变化，缺乏理论依据和数据支撑，往往达不到最佳的融霜效果。

技术实现思路

[0006]为了克服上述现有技术的不足，本公开提供了一种基于XGBoost算法的除湿机融霜控制方法，对除湿机进风翅片融霜出水量进行预测，进而判断进风翅片的结霜情况，以此确定最佳的融霜时机，整个模型充分利用了环境信息，适应性好，精度高，能够有效提高低温环境下的除湿效率，降低传统方法中人工设置参数不当对压缩机造成损伤的风险。
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于机器学习的除湿机融霜控制方法，方法步骤包括，
[0009]S1、除湿机历史除湿量与融霜特征数据采集；
[0010]S2、除湿机工况数据获取；
[0011]S3、数据预处理；
[0012]S4、搭建XGBoost模型；
[0013]S5、调节参数，训练并优化XGBoost模型；
[0014]S6、结果预测与评估。
[0015]作为本专利技术进一步的方案：所述步骤S1中在低温工况下，除湿机正常工作大于20分钟，设置不同的工作时长(融霜间隔时间)，融霜时间统一设为5分钟，对应于不同的工作时长，分别记录启动融霜时除湿机排水量(冷凝出水量)，记录融霜结束后的总排水量，则融霜出水量＝该时段总排水量
‑
该时段冷凝出水量，该融霜出水量作为样本的实际值。
[0016]作为本专利技术再进一步的方案：所述步骤S2中记录融霜启动时除湿机的工况数据：进风口温度，进风口湿度，出风口温度，出风口湿度，压缩机温度，压缩机实时功率，压缩机吸气压力，压缩机出气压力，出风口风速，进风口风速，风机功率，将它们作为样本的特征值，其中，温湿度数据利用相应位置的温湿度传感器获取，压缩机温度利用红外温枪获取，功率数据利用回路中的电力监测仪获取，压缩机进出气口压力有管道压力传感器获取，风速由相应位置的风速仪获取。
[0017]作为本专利技术再进一步的方案：所述步骤S3中获取除湿机工况数据，识别并利用均值填充数据缺失值，剔除异常值，进行消噪归一化处理，将时间戳维度从时间格式转化成序列格式，使用概率统计中的皮尔逊相关系数公式，计算出两两特征之间的相关性，相关性的取值绝对值在[0,1]之间；本申请所采用的数据中，删除了相关性绝对值大于等于0.9的特征，经过筛选，最终选定进风口温度，进风口湿度，出风口温度，出风口湿度，压缩机温度，压缩机吸气压力，压缩机出气压力，进风口风速作为样本的特征值。
[0018]作为本专利技术再进一步的方案：所述步骤S4中XGBoost遵循Boosting算法的基本流程进行建模，依据上一个弱评估器f(x)
k
‑1的结果，计算损失函数L，并使用L自适应地影响下一个弱评估器f(x)
k
的构建，该构建过程实质是目标函数迭代优化，使整体损失越来越小的过程，而集成模型输出的结果，受到了所有弱评估器f(x)0～f(x)
k
的影响，该评估器选择CART树。
[0019]作为本专利技术再进一步的方案：所述步骤S5中XGBoost回归模型算法有很多超参数，这里选择其中比较重要的6个，作为训练优化得超参数组合。
[0020]作为本专利技术再进一步的方案：所述步骤S6中结合除湿机历史除湿量、融霜特征和除湿机工况特征，利用较小的数据总量进行除湿机进风翅片结霜情况的实时精准预测，进而评估进风翅片的结霜情况，以此确定最佳的融霜时机。
[0021]与现有技术相比，本专利技术的有益效果是：
[0022]1、本专利技术基于机器学习的方法，能够更加综合全面的根据除湿机工况，预测出直接反应进风翅片结霜状况的融霜排水量，进而指导融霜时机，相比传统方法，对环境数据的利用更加合理有效，算法可根据实际工况，选择合适的数据集，灵活产生对应模型，能够提高除湿效率，减小压缩机因融霜间隔时间设定不恰当引起压缩机寿命受损的风险。
[0023]2、本专利技术中XGBoost模型运用鬣狗优化算法对超参数进行优化配置，提高了模型的回归性能。
附图说明
[0024]图1为本专利技术的方法流程图。
[0025]图2为本专利技术除湿算法验证实验布局示意图。
[0026]图3为本专利技术不同融霜控制方法的出水量对比图一。
[0027]图4为本专利技术不同融霜控制方法的出水量对比图二。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]一种基于机器学习的除湿机融霜控制方法，方法步骤包括，
[0030]S1、除湿机历史除湿量与融霜特征数据采集，在低温工况下，除湿机正常工作大于20分钟，设置不同的工作时长(融霜间隔时间)，融霜时间统一设为5分钟，对应于不同的工作时长，分别记录启动融霜时除湿机排水量(冷凝出水量)，记录融霜结束后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的除湿机融霜控制方法，其特征在于：方法步骤包括，S1、除湿机历史除湿量与融霜特征数据采集；S2、除湿机工况数据获取；S3、数据预处理；S4、搭建XGBoost模型；S5、调节参数，训练并优化XGBoost模型；S6、结果预测与评估。2.根据权利要求1所述的基于机器学习的除湿机融霜控制方法，其特征在于：所述步骤S1中在低温工况下，除湿机正常工作大于20分钟，设置不同的工作时长
‑
融霜间隔时间，融霜时间统一设为5分钟，对应于不同的工作时长，分别记录启动融霜时除湿机排水量
‑
冷凝出水量，记录融霜结束后的总排水量，则融霜出水量＝该时段总排水量
‑
该时段冷凝出水量，该融霜出水量作为样本的实际值。3.根据权利要求1所述的基于机器学习的除湿机融霜控制方法，其特征在于：所述步骤S2中记录融霜启动时除湿机的工况数据：进风口温度，进风口湿度，出风口温度，出风口湿度，压缩机温度，压缩机实时功率，压缩机吸气压力，压缩机出气压力，出风口风速，进风口风速，风机功率，将它们作为样本的特征值。4.根据权利要求1所述的基于机器学习的除湿机融霜控制方法，其特征在于：所述步骤S3中获取除湿机工况数据，识别并利用均值填充数据缺...

【专利技术属性】
技术研发人员：付良瑞，邓金球，楼淼，代佳凯，朱宝良，潘荣敏，
申请(专利权)人：西北核技术研究所，
类型：发明
国别省市：