文|时梦嫣
编辑|时梦嫣
引言
近年来，人工智能越来越受追捧，开始应用于教育、医学、金融、制造业等多个行业，各个领域的专家学者也展开了广泛的研究。人工神经网络是人工智能研究的一个重要领域，它可以通过建模逐步实现制冷系统的优化。
当前各国都非常重视节能减排，也给制冷行业提出了更高的要求。然而制冷系统的能源消耗一直是研发人员特别头疼的课题，大家都在寻找破解之道。如果成功引入人工智能，将有益于减低能耗、降低运营成本。
那么人工神经网络究竟是什么？如何基于人工神经网络进行建模？
研究简介
能源效率和可持续性是现代社会的一些主要关注点，能源在国家和公司的发展中起着至关重要的作用，因此确保能源供应至关重要，地缘政治因素。
如国家之间的冲突，社会经济利益或不利的环境事件突出了这种资源的稀缺性和能源优化计划的必要性，工业在这方面发挥着重要作用，因为该行业消耗了世界总交付能源的37%左右。
近年来，各行各业非常重视能源优化，尤其是制冷行业，其消耗了世界总能源的20%，从历史上看，工业系统是从功能角度设计的，没有考虑能源效率或环境影响等因素。
早期的自动冷水机组控制系统基于设定值的空气或水温度控制，通过打开及关闭系统的压缩机进行控制。
随着时间的推移，更先进的控制系统被设计出来，以提高生产率并降低能耗，两个因素推动了这一改进。
首先制造更高效的组件和机器的新技术，如电子阀或者高性能压缩机。另一方面，过程控制技术的进步提高了制冷系统的效率，新的建模和优化方法使得表征系统以方便其设计和控制成为可能。
制冷系统研究的主要挑战之一是系统的建模，构成冷却系统的元件具有非线性响应并且高度耦合。
此外这些系统是多参数的，并遵循复杂的热力学定律，因此这些系统的建模主要使用数学方法或统计方法进行。
但是分析模型很难集成到实际生产环境中，这些模型高度依赖于所研究的系统，以及解决问题时所做的假设和前提条件。
这意味着大多数分析模型无法应用于实际生产系统，因为设计无法响应真实的环境条件。
在生产中，控制系统使用简化的数学模型和PID控制器，然而这种控制系统的设计很复杂，需要相当多的知识和经验。
人工神经网络
人工神经网络是受生物神经网络启发的机器学习模型，这些计算模型专门设计用于识别模式并从数据中提取关系。神经网络由称为神经元的子系统组成，每个神经元都有一个激活函数，将神经元的输入与其输出联系起来。
人工神经元图
神经元可以根据方程用传函数来描述，其中f是神经元的激活函数，w是权重向量，x是输入向量，b表示偏差。
人工神经网络由几个相互连接的神经元组成，它们组织在输入层和中间层中，中间层具有一个或多个神经元。这些神经元将输入连接到网络的输出，神经元之间的连接由权重组成，这些权重考虑一个神经元的输出与下一层神经元的输入。
与其他ML算法一样，神经网络需要一个训练过程，在此阶段，网络能够从输入或输出数据集对系统进行建模，训练包括迭代计算网络参数，最广泛使用的训练方法是反向传播算法。
为了成功应用梯度下降算法，神经元的激活函数必须是可推导的，此外这些函数必须是非线性的，以便能够从不相关的数据中建模和提取复杂的模式。人工神经元中最常用的激活函数是整流器线性单元，双曲正切和Softmax，除了权重、偏差或神经元数量等变量外。
另外还有一点也很重要，ANN具有影响模型性能的其他配置超参数。在实践中，没有确定性方法来估计神经网络的大小，小型人工神经网络的参数数量较少。
人工神经网络的主要超参数
因此他们更有可能遭受拟合不足，因为他们没有能力学习数据的复杂结构，然而虽然较大的网络可以从数据中提取更复杂的特征，但它们可能导致过度拟合。由于神经网络在非线性和多参数系统建模方面具有很强的能力，近年来它们在制冷系统中的使用显著增加。
人工神经网络的改进包括减少对热力学系统建模的时间和精力，以及从示例中学习的能力，因此人工神经网络已被用于制冷系统建模等应用，以实现节能、制冷剂特性提取或制冷系统中的故障诊断。
将人工神经网络应用于制冷系统的研究文章数量的演变
使用ANN的制冷系统建模
对制冷系统进行建模的目的是了解系统在某些操作条件下的行为，模型可用于确定冷却系统的最佳工作点。
ANN建模包括使用包含系统信息的数据集训练神经网络，数据集由与一个或多个输出变量相关的输入变量组成。
制冷系统ANN建模中使用的主要输入/输出变量
通过使用适当数量的训练样本，神经网络将能够学习系统的动力学，并预测系统即使在以前从未见过的条件下的行为。
ANN建模在制冷系统中的主要应用是能耗的优化，其中70%的分析研究与制冷系统的能源性能有关。
研究使用ANN对带有蒸发冷凝器的制冷系统进行了建模，它们的主要目标是通过使用蒸发器负载、空气和质量流量以及冷凝器中的空气干球和湿球温度等信息来预测系统的功耗。
根据这些信息，他们预测压缩机的功耗，对于只有四个神经元的神经网络和一个包含60个样本的数据集。
他们获得的所有模型预测的相关系数都高于0.9，大多数与制冷系统能量优化相关的研究都使用COP作为目标变量。
同样地实验制冷系统的能量性能分析通过COP分析来解决，在这项研究中，通过修改压缩机转速以及网络二次流体的温度和体积流量等变量来生成大量数据，在训练ANN之后，能够知道他们的系统在哪些操作条件下更有效。
更复杂的系统已使用ANN进行建模，如级联配置、变速制冷系统或喷射压缩机系统，通过分析蒸发器负载和水流量，提出的模型能够估计级联制冷系统的压缩机功耗和COP。
研究分析了系统的COP如何受到某些事件的影响，例如负载或蒸发器温度的增加，另一方面，提出的工作使用神经网络研究了变速制冷系统的工作频率如何影响COP。
最后该模型使用样本数量有限的数据集获得了较低的预测错误率，其他配置如喷射器制冷系统，已经用人工神经网络进行了分析。与传统的压缩机制冷系统相比，这些系统具有一定优势。如喷射器系统更简单，成本更低，几乎不需要维护，但这些系统的性能系数较低。
因此这些系统的优化对于其正确的设计和操作至关重要，此研究设计了一个ANN用于喷射器制冷系统的建模，为此根据不同的温度点和发电机压力，可以高精度地估计系统的COP。
另一方面，诸如之类的研究已经使用称为自适应神经模糊推理系统的混合策略对不同的冷却系统进行了建模，该技术由ANN和模糊逻辑这两种AI技术的组合组成。
将简单ANN的性能与ANFIS系统的性能进行了比较，尽管这两种技术都取得了出色的结果，但ANFIS的性能优于ANN。研究者解释说，这种改进是由于ANFIS网络结合了ANN的学习能力和模糊逻辑的推理能力。
大多数研究都认为，所提出的ANN模型除了用作设计工具外，还可以集成到控制器中，以降低系统的能耗。研究使用ANN来控制简单压缩制冷系统的响应，通过监测蒸发器出口处的温度和压力。
设计了一个模型来控制系统膨胀阀的打开，该模型被集成到控制系统中，控制系统作用于膨胀阀，以保持系统处于最佳工作点。
研究结果表明，基于ANN的控制器的性能与基于PI或预测的功能控制器一样。
其他基于人工神经网络的控制系统专注于作用于压缩机运行周期，以优化制冷系统中压缩机的功耗。
研究通过ANN模型预测了压缩机的工作周期，首先利用该模型计算不同工况下的最佳磁滞温度和功耗。
然后将结果集成到控制系统中，以确定最佳压缩机工作周期，所提出的控制系统可实现高达13.4%的节能，具体取决于环境温度或腔室中存储的材料等因素。
深度神经网络架构
与其他神经网络算法一样，DNN从示例中学习。因此他们需要一个先前的培训过程，然而由于其网络结构的复杂性，深度模型更难训练，隐藏层的数量越多，意味着更多的参数和更高的网络维度。
DNN需要大量的训练数据，否则模型可能会出现过度拟合的问题，当网络从训练数据集中提取特征。但无法正确概括问题时，就会出现此现象，当数据量有限时，传统方法往往比深度学习方法表现更好。
然而在数据充足的情况下，DNN在不同领域的表现优于传统的ML方法，如计算机视觉、语音识别、自然语言处理和时间序列预测等领域。
随着行业数据量的增加和更先进的冷却系统的设计，研究人员正在寻找更复杂的建模和控制技术，已经进行了多项研究，证明了DNN在制冷行业系统建模、故障检测和能源效率方面的优势。
使用DNN的制冷系统建模
与人工神经网络一样，DNN在冷却系统中的使用一直侧重于能源效率，一些研究表明，这种网络可以胜过经典的ML模型和ANN，研究设计和比较了两个AI模型。
以评估系统的性能并在冷水机中创建维护计划，比较的模型是线性回归，一个经典的ML模型和一个DNN，根据冷凝器和蒸发器中的四个水温点和两个水速测量值。
研究者预测了压缩机的功耗，使用带有R的DNN获得最佳结果等于0.97，然而线性回归模型的性能很差，因为算法无法捕获系统的非线性。
另一方面已经设计了一个模型来预测可变制冷剂流量系统的能耗，首先进行了一项研究，以确定哪些输入变量对系统的能耗影响最大。
分析后，所选变量为室外温度、室内温度和冷却负荷，研究中分析了各种网络拓扑，从简单的ANN到DNN，使用两层隐藏DNN获得最佳结果。
每个DNN中有15个神经元，所提出的模型可以准确预测所研究系统的能耗，同样地研究将ANN的性能与各种DNN配置进行了比较，以对制冷系统进行建模。
使用不同的冷冻和冷凝水温度，他们预测系统的功耗和COP，在这项研究中，比较了用于训练模型的不同参数化和网络配置，首先他们比较了神经网络中最常用的两个激活函数。
另一方面它们将模型的隐藏层数量从一个隐藏层（ANN）更改为五层DNN配置，通过四层深度网络和ReLU激活功能获得最佳性能，最后该模型用于控制实际制冷系统中的温度。
与传统控制系统相比，该型号在冷水机组中可节省高达24.7%的能源，在整个系统中可节省高达7.4%的能源，同样地其他基于DNN的冷水机组控制系统也已成功实施，节能高达17%。
在使用DNN对制冷系统进行建模的研究中，已检测到输入变量数量的显着增加，虽然分析的ANN研究中的平均输入数量约为三个，诸如之类的研究最多使用11个输入变量来训练DNN模型。
结论
研究详细评估了神经网络建模在提高制冷系统能源效率方面的最新技术，在文献修订中，展示了如何使用神经网络算法来预测、优化、控制和诊断工业制冷系统的行为。
制冷行业正在利用人工神经网络提供的有效基于数据的建模技术，这些技术正在帮助制冷行业的专家设计和控制更高效的系统。
能耗的优化一直是该领域研究的主要焦点，与传统控制方法相比，神经元模型实现了显着的节能，使用DNN获得了最佳建模结果，DNN能够从系统数据集中提取更复杂的特征。
更具体的神经网络配置已被证明可以有效解决某些制冷系统问题，CNN在设计故障检测和诊断系统或LSTM网络时表现出最佳性能，适用于对时间序列进行建模和预测制冷系统的未来行为。
神经网络提供的广泛可能性及其出色的结果使其在制冷行业中越来越受欢迎，即便如此，很明显，数据驱动的方法不能替代基于物理的模型。
了解制冷系统行为的基本物理学及其热力学特性，对于将数据驱动模型正确应用于能源性能预测至关重要。
对于这一转变，人工智能系统工程师、软件开发人员和制冷系统专家将合作设计和构建智能控制系统，以节省制冷系统的能源。
如果你也喜欢我的文章，不妨点个“关注”吧！小生在此谢过了！
END
