(未來十年除濕機(jī)模型系統(tǒng)新型走向)
未來十年除濕機(jī)模型系統(tǒng)新型走向
1、神經(jīng)網(wǎng)絡(luò)算法原理人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks)模型,簡稱神經(jīng)網(wǎng)絡(luò),是由大量與自然神經(jīng)系統(tǒng)細(xì)胞類似的人工神經(jīng)元互聯(lián)而成的網(wǎng)絡(luò),大量的神經(jīng)元組成龐大的神經(jīng)網(wǎng)絡(luò),實現(xiàn)對復(fù)雜信息的處理與儲存,并表現(xiàn)出各種優(yōu)越的特性。為模擬生物神經(jīng)元,一個簡化的人工神經(jīng)元結(jié)構(gòu)如所示。1)式中,(1,2,,)jxjn=是從其他細(xì)胞傳來的輸入信號;iθ為閥值;ijw表示從細(xì)胞j到細(xì)胞I的連接權(quán)值;(f)
為傳遞函數(shù)。傳遞函數(shù)可為非線性函數(shù),或具有任意階導(dǎo)數(shù)的非線性函數(shù)。常用的傳遞函數(shù)有階躍函數(shù)、Sigmoid型函數(shù)和高斯型函數(shù)。
根據(jù)連接方式,神經(jīng)網(wǎng)絡(luò)常分成兩大類:沒有反饋的向前神經(jīng)網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò),我們最常用的一種向前神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)(BackpropugationNeuralNetwork),該神經(jīng)網(wǎng)絡(luò)是單向傳播的多層向前神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)除輸入輸出節(jié)點(diǎn)外,有一層或多層隱含節(jié)點(diǎn),同層節(jié)點(diǎn)間沒有任何連接。輸入信號(1,2,,)jxjn=加載到網(wǎng)絡(luò)上后,輸入的信號從輸入層經(jīng)隱含層單元逐層處理,并傳向輸出層,每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元狀態(tài)。在輸出層信號與期望值進(jìn)行比較,如果存在誤差,則將誤差沿原來連接路徑返回,通過修改層間各節(jié)點(diǎn)的連接權(quán)值,使誤差信號減少直到預(yù)先規(guī)定的范圍。
在網(wǎng)絡(luò)運(yùn)行開始時,與中間層每個處理單元相連的權(quán)值都要賦以不同的值。這些權(quán)值可能是隨機(jī)產(chǎn)生的,也可能是已存好的訓(xùn)練產(chǎn)生的數(shù)據(jù)。即使所有中間處理層的處理元件的傳遞函數(shù)和它們的輸入信號是完全相同的,每一個處理元件在不同初始權(quán)值作用下也將產(chǎn)生不同的輸出,輸出后產(chǎn)生神經(jīng)網(wǎng)絡(luò)的輸出信號(1,2,,)iyin=。x12xnmy21y輸入層隱含層輸出層
預(yù)先設(shè)定若干組輸入和輸出值,對整個網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值進(jìn)行初始化,當(dāng)網(wǎng)絡(luò)運(yùn)行后,對應(yīng)每一組輸入,均有相應(yīng)的輸出,這些輸入、輸出值之間的規(guī)律是符合指導(dǎo)學(xué)習(xí)值規(guī)律的。不斷地對這種BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練、指導(dǎo)學(xué)習(xí),使網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值調(diào)整到更接近于實際規(guī)律,從而每一組輸入所對應(yīng)的輸出也更符合實際。另外,提高隱節(jié)點(diǎn)數(shù)目或?qū)訑?shù)可以提高網(wǎng)絡(luò)計算的精度。總之,樣本數(shù)據(jù)越多,隱節(jié)點(diǎn)層數(shù)和每層節(jié)點(diǎn)數(shù)越合理,網(wǎng)絡(luò)計算的精度就越高。
2、除濕機(jī)負(fù)荷的神經(jīng)網(wǎng)絡(luò)模型實際工程設(shè)計中影響除濕機(jī)負(fù)荷的因數(shù)有很多,對于任意一個負(fù)荷計算的房間來說,有房間用途、房間溫度,房間相對濕度,房屋面積,房屋相對濕度等等,而對于設(shè)計人員來說,最后要得到的最基本數(shù)據(jù)只有三個,房間冷負(fù)荷,房間熱負(fù)荷和房間濕負(fù)荷。根據(jù)這些輸入輸出參數(shù)的特點(diǎn)建立的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如所示。
在所示除濕機(jī)負(fù)荷BP神經(jīng)網(wǎng)絡(luò)中,設(shè)計了一個輸入層、一個輸出層和兩個隱含層,每層節(jié)點(diǎn)數(shù)可以根據(jù)實際情況選定。用戶在輸入層輸入需要的參數(shù)以后,網(wǎng)絡(luò)的隱層自動根據(jù)它對樣本數(shù)據(jù)總結(jié)出的規(guī)律和函數(shù)關(guān)系式產(chǎn)生一定的輸出。這個過程并不是對樣本數(shù)據(jù)進(jìn)行簡單的插值運(yùn)算或擬合運(yùn)算,也不是得到一組微分方程后進(jìn)行的解析運(yùn)算,它是一種類似大腦思維的復(fù)雜過程的智能運(yùn)算。隱層的功能就是這個運(yùn)算過程,只是這個運(yùn)算過程是由計算機(jī)通過神經(jīng)網(wǎng)絡(luò)自動完成的,不是編程人員預(yù)先設(shè)置的算法規(guī)則。
除濕機(jī)負(fù)荷神經(jīng)網(wǎng)絡(luò)要完成非常復(fù)雜的計算過程,網(wǎng)絡(luò)中各層節(jié)點(diǎn)的權(quán)值是非常重要的,但這些權(quán)值是通過學(xué)習(xí)訓(xùn)練才能確定。為了進(jìn)行學(xué)習(xí)訓(xùn)練,需要采集大量樣本數(shù)據(jù),然后通過學(xué)習(xí)訓(xùn)練,神經(jīng)網(wǎng)絡(luò)自動總結(jié)出了輸入與輸出數(shù)據(jù)之間的某種復(fù)雜關(guān)系,并將這種關(guān)系用權(quán)值表示出來,這樣,輸入與輸出樣本數(shù)據(jù)之間的復(fù)雜關(guān)系就能應(yīng)用于非樣本數(shù)據(jù)了,此時,除濕機(jī)負(fù)荷神經(jīng)計算BP網(wǎng)絡(luò)就真正建立起來。由此可見,神經(jīng)網(wǎng)絡(luò)舍棄了線性系統(tǒng)和傳遞函數(shù)的概念,強(qiáng)調(diào)從實際中總結(jié)經(jīng)驗。對于暖通除濕機(jī)設(shè)計人員來說,是一種全新的方法。這種方法放棄了種種復(fù)雜的微分方程、計算公式、主觀因素等,它本身的原理盡管非常復(fù)雜,但經(jīng)過大量實踐論證是正確的。
以上的網(wǎng)絡(luò)模型和學(xué)習(xí)訓(xùn)練方法可以同過Matlab6.x軟件的神經(jīng)網(wǎng)絡(luò)工具箱實現(xiàn)。
3、除濕機(jī)負(fù)荷的神經(jīng)網(wǎng)絡(luò)模型的輸入輸出參數(shù)選擇與采集根據(jù)神經(jīng)網(wǎng)絡(luò)的特點(diǎn),除濕機(jī)負(fù)荷神經(jīng)計算網(wǎng)絡(luò)中的輸入?yún)?shù)是用戶可以很方便地確定、不帶主觀因素的實際值,這樣就不必像傳統(tǒng)的計算方法那樣要求輸入包括一時無法確定的各種參數(shù),如窗墻的結(jié)構(gòu)、面積等。同樣,除濕機(jī)負(fù)荷神經(jīng)計算網(wǎng)絡(luò)中的輸出參數(shù)應(yīng)該是容易測量的客觀參數(shù),在房間設(shè)計負(fù)荷計算網(wǎng)絡(luò)中,只適宜以最終的能直接用來選擇冷凍機(jī)組、風(fēng)機(jī)盤管等設(shè)備的負(fù)荷容量作為輸出參數(shù)。通常,結(jié)構(gòu)或參數(shù)上略有差別的大樓所選設(shè)備的容量可能是一樣的,同樣,即使同一類房間的圍護(hù)結(jié)構(gòu)有某些差別,所得到的除濕機(jī)設(shè)計負(fù)荷可能是相同的。因此,上述房間負(fù)荷計算網(wǎng)絡(luò)中的輸入?yún)?shù)中沒有提到圍護(hù)結(jié)構(gòu)材料等,事實上,這些參數(shù)在方案設(shè)計階段是無法準(zhǔn)確得到的,即使設(shè)計時準(zhǔn)確定義為某一類圍護(hù)結(jié)構(gòu),在施工過程中也可能會由于各種原因而改變其導(dǎo)熱特性。理論上,這是不正確的,但在工程上是允許的,它能夠滿足工程設(shè)計要求。神經(jīng)網(wǎng)絡(luò)并不是萬能的,除濕機(jī)負(fù)荷神經(jīng)計算法也不能解決除濕機(jī)負(fù)荷計算中的所有問題,但它作為一種新思路解決工程設(shè)計中的實際問題是完全可行的。
除濕機(jī)負(fù)荷神經(jīng)計算網(wǎng)絡(luò)中輸入輸出樣本數(shù)據(jù)的采集是一項重要而艱巨的任務(wù)。如圖3所示的神經(jīng)網(wǎng)絡(luò)的樣本一般都是成千上萬的。通??梢酝ㄟ^實測獲取樣本數(shù)據(jù)。對建筑物的室內(nèi)外參數(shù)進(jìn)行現(xiàn)場實測,得到各除濕機(jī)房間的溫度、相對濕度、人員密度、房間和圍護(hù)結(jié)構(gòu)的幾何尺寸及室外氣象資料等輸入?yún)?shù);同時,相應(yīng)于各組輸入?yún)?shù),測量各房間的送風(fēng)量并計算出實際運(yùn)行所需要的設(shè)備負(fù)荷,或者直接測量冷熱源機(jī)組、除濕機(jī)機(jī)組(風(fēng)機(jī)盤管)等設(shè)備的容量得到相應(yīng)的設(shè)計負(fù)荷等輸出參數(shù)。也可以從各大設(shè)計院提取除濕機(jī)設(shè)計原始資料和負(fù)荷計算結(jié)果,并根據(jù)工程建成后使用者的反應(yīng)的好壞來取舍某些數(shù)據(jù),必要時到現(xiàn)場實測一些數(shù)。
4、結(jié)論除濕機(jī)負(fù)荷神經(jīng)網(wǎng)絡(luò)模型算法是一種全新的除濕機(jī)負(fù)荷計算方法,在理論上是可行的,并克服了傳統(tǒng)計算方法的缺陷,優(yōu)勢明顯。其主要優(yōu)勢是:當(dāng)房間和建筑物參數(shù)無法獲得或確定時,傳統(tǒng)計算方法就無法處理或處理不合理,而神經(jīng)網(wǎng)絡(luò)模型算法則可以忽略掉這些參數(shù),得到一個與實際非常接近的滿足工程設(shè)計要求的最終結(jié)果,從而指導(dǎo)工程設(shè)計;輸入?yún)?shù)與輸出參數(shù)相對應(yīng),計算過程簡單,使用方便。除濕機(jī)負(fù)荷神經(jīng)計算法也有它的局限性,主要表現(xiàn)在輸入輸出參數(shù)太多時,大樣本數(shù)據(jù)采集比較困難,因此不宜用來計算動態(tài)負(fù)荷。而且這種方法引的計算精度也不是百分之百,實際情況也會有一定的偏差。,盡管如此,除濕機(jī)負(fù)荷神經(jīng)計算法的精度仍然要高于傳統(tǒng)的除濕機(jī)負(fù)荷計算方法,而且它本身有一套學(xué)習(xí)訓(xùn)練過程,可以將計算精度不斷提高。