未來十年除濕機(jī)模型系統(tǒng)新型走向
作者：CEO
時(shí)間：2022-08-13
點(diǎn)擊：0
信息摘要：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(shí)現(xiàn)對復(fù)雜信息的處理與儲(chǔ)存
，并表現(xiàn)出各種優(yōu)越的特性
。為模擬生
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(shí)現(xiàn)對復(fù)雜信息的處理與儲(chǔ)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(gè)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(shí)，與中間層每個(gè)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(gè)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(gè)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(shí)際規(guī)律，從而每一組輸入所對應(yīng)的輸出也更符合實(shí)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(jì)算的精度
?div id="m50uktp" class="box-center"> ？傊瑯颖緮?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(jì)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(shí)際工程設(shè)計(jì)中影響除濕機(jī)負(fù)荷的因數(shù)有很多
，對于任意一個(gè)負(fù)荷計(jì)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(jì)人員來說
，最后要得到的最基本數(shù)據(jù)只有三個(gè)，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(jì)了一個(gè)輸入層
、一個(gè)輸出層和兩個(gè)隱含層，每層節(jié)點(diǎn)數(shù)可以根據(jù)實(shí)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(dòng)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(gè)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(gè)運(yùn)算過程
，只是這個(gè)運(yùn)算過程是由計(jì)算機(jī)通過神經(jīng)網(wǎng)絡(luò)自動(dòng)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(jì)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(dòng)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(shí)
，除濕機(jī)負(fù)荷神經(jīng)計(jì)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(shí)際中總結(jié)經(jīng)驗(yàn)。對于暖通除濕機(jī)設(shè)計(jì)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(jì)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(shí)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(shí)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(jì)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(shí)際值
，這樣就不必像傳統(tǒng)的計(jì)算方法那樣要求輸入包括一時(shí)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(jì)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(jì)負(fù)荷計(jì)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(jì)負(fù)荷可能是相同的
。因此
，上述房間負(fù)荷計(jì)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(shí)上
，這些參數(shù)在方案設(shè)計(jì)階段是無法準(zhǔn)確得到的，即使設(shè)計(jì)時(shí)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(huì)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(jì)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(jì)算法也不能解決除濕機(jī)負(fù)荷計(jì)算中的所有問題，但它作為一種新思路解決工程設(shè)計(jì)中的實(shí)際問題是完全可行的
。
除濕機(jī)負(fù)荷神經(jīng)計(jì)算網(wǎng)絡(luò)中輸入輸出樣本數(shù)據(jù)的采集是一項(xiàng)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?div id="d48novz" class="flower left">
？梢酝ㄟ^實(shí)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(shí)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(shí)，相應(yīng)于各組輸入?yún)?shù)
，測量各房間的送風(fēng)量并計(jì)算出實(shí)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(jì)負(fù)荷等輸出參數(shù)
。也可以從各大設(shè)計(jì)院提取除濕機(jī)設(shè)計(jì)原始資料和負(fù)荷計(jì)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(shí)到現(xiàn)場實(shí)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(jì)算方法
，在理論上是可行的
，并克服了傳統(tǒng)計(jì)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(shí)
，傳統(tǒng)計(jì)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(gè)與實(shí)際非常接近的滿足工程設(shè)計(jì)要求的最終結(jié)果
，從而指導(dǎo)工程設(shè)計(jì)
；輸入?yún)?shù)與輸出參數(shù)相對應(yīng)
，計(jì)算過程簡單
，使用方便。除濕機(jī)負(fù)荷神經(jīng)計(jì)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(shí)
，大樣本數(shù)據(jù)采集比較困難，因此不宜用來計(jì)算動(dòng)態(tài)負(fù)荷
。而且這種方法引的計(jì)算精度也不是百分之百，實(shí)際情況也會(huì)有一定的偏差。
，盡管如此
，除濕機(jī)負(fù)荷神經(jīng)計(jì)算法的精度仍然要高于傳統(tǒng)的除濕機(jī)負(fù)荷計(jì)算方法，而且它本身有一套學(xué)習(xí)訓(xùn)練過程
，可以將計(jì)算精度不斷提高
。
相關(guān)產(chǎn)品 / product
<
<
<
<
<
<
<
<