【技术实现步骤摘要】
本专利技术涉及到直膨式空调湿度检测，尤其涉及到一种基于ann模型直膨式空调相对湿度的预测系统及方法。
技术介绍
1、对于dx(直膨式)空调系统，过高或过低的湿度都会给人体造成不适，控制室内湿度对于塑造合适的室内热舒适环境以及降低空调能耗都是至关重要的。但就目前来看，室内空气湿度的测量有一定局限性。目前的室内空气湿度的测量方法主要有测量空气的露点温度、相对湿度和湿球温度三种。
2、测量空气露点温度，是测量湿空气达到饱和时的温度，尽管这种测量方法的精度高和测量范围宽，但它对测试环境有非常严格的要求，并且成本高昂，使其主要适用于比较验证，而不是实际的现场测量。
3、测量空气的相对湿度，目前最常用的测量湿度的传感器是电子式湿度传感器，包括电阻式和电容式，利用湿敏材料吸水后阻抗、介质常数发生变化制成。这类湿度传感器不含机械部件，体积小，与电子设备兼容性好，成本低，因此被广泛应用。然而，这些传感器也存在明显的限制，如距离限制，暴露于某些化学气体或污染物时过早失效，以及测量值有长时间漂移的趋势，需要频繁校准。其次，利用空气湿度对感湿材料特性的影响制成的湿度传感器，通常在刚使用时精度很高，投入使用时间一长，由于灰尘及有害气体等的影响，传感器发生老化，导致湿度测量精度降低。近年来，基于折射率变化的光纤相对湿度传感器引起了广泛的关注。该传感器的优点在于尺寸紧凑、设计灵活和非金属导电介质。然而，它们也存在一些固有的限制，包括在低湿度水平下的低灵敏度，可能在测试过程中受到振动或压力的破坏，高成本和制造困难。
4、测量
5、也就是说，现有的室内空气湿度的三种测量方法：测量空气的露点温度、相对湿度和湿球温度都存在相应的缺陷，都无法满足直膨式空调相对湿度的测量需求，三种方法都不能实现精确易实施的最佳测量方案，急需寻求一种更加便捷、精准以及成本较低的方法来测量直膨式空调的相对湿度。
技术实现思路
1、本专利技术所要解决的技术问题是：提供一种基于ann模型直膨式空调相对湿度的预测系统及方法，通过建立ann(人工神经网络)模型，测量七个较易获得的参数并进行模型计算，通过训练具有相关参数的人工神经网络，实现对空调系统空气相对湿度的高精度预测，从而提高空调的运行效率。
2、本专利技术为解决技术问题所采取的技术方案如下：
3、一种基于ann模型直膨式空调相对湿度的预测方法，包括以下步骤：
4、(s101)建立用于获取实验数据的直膨式空调相对湿度的预测平台；
5、(s102)采集所需要的7个数据参数；
6、(s103)采用多层感知结构建立人工神经网络模型；
7、(s104)利用人工神经网络模型针对数据集进行处理；
8、(s105)输出直膨式空调系统的空气相对湿度。
9、在所述步骤(s101)中，所述直膨式空调相对湿度的预测平台包括空气侧单元、制冷剂侧单元、数据采集单元以及分布在所述预测平台各处的多个传感器，其中通过放置于所述制冷剂侧单元的传感器采集所需要的7个数据参数，获得代表直膨式空调系统运行参数的数据集。
10、在所述步骤(s102)中，多个高精度传感器采集所需要的7个参数包括蒸发器的进、出风干球温度t1、t2，制冷剂进、出冷凝器的温度t3、t4，制冷剂进、出蒸发器的温度t5、t6及通过安装在空气管道系统中的空气流量测量装置来测量空气流量q1，并通过压缩机和送风机在不同进风状态下的变速运行，获得由7个参数组成的多组数据。
11、所述人工神经网络模型包括输入层、隐藏层、归一算法层和输出层，其中所述输入层包括7个神经元，需要输入7个数据参数，所述输出层为单神经元，输出空气相对湿度，所述归一算法层被设置于所述输入层和所述隐藏层之间，其中模型中每一层的神经元通过偏差和权重与前一层的神经元相互连接，并经激活函数非线性处理后与下一层神经元连接。
12、所述步骤(s104)包括以下步骤：
13、(s1041)给定0.01的学习速率，神经元激励函数采用sigmoid函数，算法采用adam算法；
14、(s1042)通过所述输入层输入数据集，所述归一算法层将数据经过归一化处理后，向前传递给所述隐藏层；
15、(s1043)经过激活函数计算后传递到输出层节点；
16、(s1044)所述输出层计算输出得到直膨式空调系统的空气相对湿度。
17、一种基于ann模型直膨式空调相对湿度的预测系统，包括直膨式空调相对湿度预测平台和人工神经网络模型，所述直膨式空调相对湿度预测平台包括空气侧单元、制冷剂侧单元、数据采集单元和多个传感器，所述传感器被分别设置于所述空气侧单元、所述制冷剂侧单元和所述数据采集单元，所述空气侧单元维持房间内的空气状态，所述数据采集单元采集所述制冷剂侧单元的7个数据参数并处理；所述人工神经网络模型处理所述数据采集单元采集的7个数据参数，输出所述直膨式空调的相对湿度。
18、多个传感器采集所需要的7个参数包括蒸发器的进、出风干球温度t1、t2，制冷剂进、出冷凝器的温度t3、t4，制冷剂进、出蒸发器的温度t5、t6及通过安装在空气管道系统中的空气流量测量装置来测量空气流量q1，并通过压缩机和送风机在不同进风状态下的变速运行，获得由7个参数组成的多组数据。
19、所述空气侧单元包括配风管道、变速风机和空调房间，空气经蒸发器处理后，通过所述配风管道由所述变速风机送入所述空调房间，在经过调节的房间中，负荷发生器可以提供所需的冷负荷，以维持房间内的空气状态。
20、所述人工神经网络模型包括输入层、隐藏层、输出层和归一算法层，其中所述输入层包括7个神经元，需要输入7个数据参数，所述输出层为单神经元，输出空气相对湿度，其中所述归一算法层被设置于所述输入层和所述隐藏层之间，其中模型中每一层的神经元通过偏差和权重与前一层的神经元相互连接，并经激活函数非线性处理后与下一层神经元连接。
21、所述数据采集单元包括控制器、温度检测模块以及空气流量测量模块，所述温度检测模块和所述空气流量测量模块分别用于检测所述制冷剂侧单元附近的6个温度参数和空气流量参数，并通过所述控制器进行处理。
22、本专利技术的积极有益效果如下：
23、1、本专利技术提供了一种基于ann模型直膨式空调相对湿度的预测系统及方法，通过建立ann(人工神经网络)模型，测量七个较易获得的参数并进行模型的计算，通过训练具有相关参数的人工神经网络，可以实现对空调系统空气相对湿度的高精度预测。
24、2、本专利技术充分考虑了系统多个且都易获得参数，再利用ann模型得到较准确的相对湿度，是一种针对空调的利用温度传感器代替本文档来自技高网...
【技术保护点】
1.一种基于ANN模型直膨式空调相对湿度的预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ANN模型直膨式空调相对湿度的预测方法，其特征在于：在所述步骤（S101）中，所述直膨式空调相对湿度的预测平台包括空气侧单元、制冷剂侧单元、数据采集单元以及分布在所述预测平台各处的多个传感器，其中通过放置于所述制冷剂侧单元的传感器采集所需要的7个数据参数，获得代表直膨式空调系统运行参数的数据集。
3.根据权利要求2所述的基于ANN模型直膨式空调相对湿度的预测方法，其特征在于：在所述步骤（S102）中，多个高精度传感器采集所需要的7个参数包括蒸发器的进、出风干球温度T1、T2，制冷剂进、出冷凝器的温度T3、T4，制冷剂进、出蒸发器的温度T5、T6及通过安装在空气管道系统中的空气流量测量装置来测量空气流量Q1，并通过压缩机和送风机在不同进风状态下的变速运行，获得由7个参数组成的多组数据。
4.根据权利要求1至3任一项所述的基于ANN模型直膨式空调相对湿度的预测方法，其特征在于：所述人工神经网络模型包括输入层、隐藏层、归一算法层和输出层，其中所
5.根据权利要求4所述的基于ANN模型直膨式空调相对湿度的预测方法，其特征在于：所述步骤（S104）包括以下步骤：
6.一种基于ANN模型直膨式空调相对湿度的预测系统，其特征在于：包括直膨式空调相对湿度预测平台和人工神经网络模型，所述直膨式空调相对湿度预测平台包括空气侧单元、制冷剂侧单元、数据采集单元和多个传感器，所述传感器被分别设置于所述空气侧单元、所述制冷剂侧单元和所述数据采集单元，所述空气侧单元维持房间内的空气状态，所述数据采集单元采集所述制冷剂侧单元的7个数据参数并处理；所述人工神经网络模型处理所述数据采集单元采集的7个数据参数，输出所述直膨式空调的相对湿度。
7.根据权利要求6所述的基于ANN模型直膨式空调相对湿度的预测系统，其特征在于：多个传感器采集所需要的7个参数包括蒸发器的进、出风干球温度T1、T2，制冷剂进、出冷凝器的温度T3、T4，制冷剂进、出蒸发器的温度T5、T6及通过安装在空气管道系统中的空气流量测量装置来测量空气流量Q1，并通过压缩机和送风机在不同进风状态下的变速运行，获得由7个参数组成的多组数据。
8.根据权利要求7所述的基于ANN模型直膨式空调相对湿度的预测系统，其特征在于：所述空气侧单元包括配风管道、变速风机和空调房间，空气经蒸发器处理后，通过所述配风管道由所述变速风机送入所述空调房间，在经过调节的房间中，负荷发生器可以提供所需的冷负荷，以维持房间内的空气状态。
9.根据权利要求6至8任一项所述的基于ANN模型直膨式空调相对湿度的预测系统，其特征在于：所述人工神经网络模型包括输入层、隐藏层、输出层和归一算法层，其中所述输入层包括7个神经元，需要输入7个数据参数，所述输出层为单神经元，输出空气相对湿度，其中所述归一算法层被设置于所述输入层和所述隐藏层之间，其中模型中每一层的神经元通过偏差和权重与前一层的神经元相互连接，并经激活函数非线性处理后与下一层神经元连接。
10.根据权利要求9所述的基于ANN模型直膨式空调相对湿度的预测系统，其特征在于：所述数据采集单元包括控制器、温度检测模块以及空气流量测量模块，所述温度检测模块和所述空气流量测量模块分别用于检测所述制冷剂侧单元附近的6个温度参数和空气流量参数，并通过所述控制器进行处理。
...【技术特征摘要】
1.一种基于ann模型直膨式空调相对湿度的预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ann模型直膨式空调相对湿度的预测方法，其特征在于：在所述步骤（s101）中，所述直膨式空调相对湿度的预测平台包括空气侧单元、制冷剂侧单元、数据采集单元以及分布在所述预测平台各处的多个传感器，其中通过放置于所述制冷剂侧单元的传感器采集所需要的7个数据参数，获得代表直膨式空调系统运行参数的数据集。
3.根据权利要求2所述的基于ann模型直膨式空调相对湿度的预测方法，其特征在于：在所述步骤（s102）中，多个高精度传感器采集所需要的7个参数包括蒸发器的进、出风干球温度t1、t2，制冷剂进、出冷凝器的温度t3、t4，制冷剂进、出蒸发器的温度t5、t6及通过安装在空气管道系统中的空气流量测量装置来测量空气流量q1，并通过压缩机和送风机在不同进风状态下的变速运行，获得由7个参数组成的多组数据。
4.根据权利要求1至3任一项所述的基于ann模型直膨式空调相对湿度的预测方法，其特征在于：所述人工神经网络模型包括输入层、隐藏层、归一算法层和输出层，其中所述输入层包括7个神经元，需要输入7个数据参数，所述输出层为单神经元，输出空气相对湿度，所述归一算法层被设置于所述输入层和所述隐藏层之间，其中模型中每一层的神经元通过偏差和权重与前一层的神经元相互连接，并经激活函数非线性处理后与下一层神经元连接。
5.根据权利要求4所述的基于ann模型直膨式空调相对湿度的预测方法，其特征在于：所述步骤（s104）包括以下步骤：
6.一种基于ann模型直膨式空调相对湿度的预测系统，其特征在于：包括直膨式空调相对湿度预测平台和人工神经网络模型，所述直膨式空调相对湿度预测平台包括空气侧单元、制冷剂侧单元、数据采集单元和多个传感器，所述传感器被分别设置于...
【专利技术属性】
技术研发人员：杨柳，张倩倩，王军，陈雁，陈曦，刘杨，毕文峰，刘恺，王海霞，赵晴，李皖皖，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：
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。