文|時夢嫣
編輯|時夢嫣
引言
近年來，人工智能越來越受追捧，開始應用於教育、醫學、金融、製造業等多個行業，各個領域的專家學者也展開了廣泛的研究。人工神經網絡是人工智能研究的一個重要領域，它可以通過建模逐步實現製冷系統的優化。
當前各國都非常重視節能減排，也給製冷行業提出了更高的要求。然而製冷系統的能源消耗一直是研發人員特別頭疼的課題，大家都在尋找破解之道。如果成功引入人工智能，將有益於減低能耗、降低運營成本。
那麼人工神經網絡究竟是什麼？如何基於人工神經網絡進行建模？
研究簡介
能源效率和可持續性是現代社會的一些主要關注點，能源在國家和公司的發展中起着至關重要的作用，因此確保能源供應至關重要，地緣政治因素。
如國家之間的衝突，社會經濟利益或不利的環境事件突出了這種資源的稀缺性和能源優化計劃的必要性，工業在這方面發揮着重要作用，因為該行業消耗了世界總交付能源的37%左右。
近年來，各行各業非常重視能源優化，尤其是製冷行業，其消耗了世界總能源的20%，從歷史上看，工業系統是從功能角度設計的，沒有考慮能源效率或環境影響等因素。
早期的自動冷水機組控制系統基於設定值的空氣或水溫度控制，通過打開及關閉系統的壓縮機進行控制。
隨着時間的推移，更先進的控制系統被設計出來，以提高生產率並降低能耗，兩個因素推動了這一改進。
首先製造更高效的組件和機器的新技術，如電子閥或者高性能壓縮機。另一方面，過程控制技術的進步提高了製冷系統的效率，新的建模和優化方法使得表徵系統以方便其設計和控制成為可能。
製冷系統研究的主要挑戰之一是系統的建模，構成冷卻系統的元件具有非線性響應並且高度耦合。
此外這些系統是多參數的，並遵循複雜的熱力學定律，因此這些系統的建模主要使用數學方法或統計方法進行。
但是分析模型很難集成到實際生產環境中，這些模型高度依賴於所研究的系統，以及解決問題時所做的假設和前提條件。
這意味着大多數分析模型無法應用於實際生產系統，因為設計無法響應真實的環境條件。
在生產中，控制系統使用簡化的數學模型和PID控制器，然而這種控制系統的設計很複雜，需要相當多的知識和經驗。
人工神經網絡
人工神經網絡是受生物神經網絡啟發的機器學習模型，這些計算模型專門設計用於識別模式並從數據中提取關係。神經網絡由稱為神經元的子系統組成，每個神經元都有一個激活函數，將神經元的輸入與其輸出聯繫起來。
人工神經元圖
神經元可以根據方程用傳函數來描述，其中f是神經元的激活函數，w是權重向量，x是輸入向量，b表示偏差。
人工神經網絡由幾個相互連接的神經元組成，它們組織在輸入層和中間層中，中間層具有一個或多個神經元。這些神經元將輸入連接到網絡的輸出，神經元之間的連接由權重組成，這些權重考慮一個神經元的輸出與下一層神經元的輸入。
與其他ML算法一樣，神經網絡需要一個訓練過程，在此階段，網絡能夠從輸入或輸出數據集對系統進行建模，訓練包括迭代計算網絡參數，最廣泛使用的訓練方法是反向傳播算法。
為了成功應用梯度下降算法，神經元的激活函數必須是可推導的，此外這些函數必須是非線性的，以便能夠從不相關的數據中建模和提取複雜的模式。人工神經元中最常用的激活函數是整流器線性單元，雙曲正切和Softmax，除了權重、偏差或神經元數量等變量外。
另外還有一點也很重要，ANN具有影響模型性能的其他配置超參數。在實踐中，沒有確定性方法來估計神經網絡的大小，小型人工神經網絡的參數數量較少。
人工神經網絡的主要超參數
因此他們更有可能遭受擬合不足，因為他們沒有能力學習數據的複雜結構，然而雖然較大的網絡可以從數據中提取更複雜的特徵，但它們可能導致過度擬合。由於神經網絡在非線性和多參數系統建模方面具有很強的能力，近年來它們在製冷系統中的使用顯著增加。
人工神經網絡的改進包括減少對熱力學系統建模的時間和精力，以及從示例中學習的能力，因此人工神經網絡已被用於製冷系統建模等應用，以實現節能、製冷劑特性提取或製冷系統中的故障診斷。
將人工神經網絡應用於製冷系統的研究文章數量的演變
使用ANN的製冷系統建模
對製冷系統進行建模的目的是了解系統在某些操作條件下的行為，模型可用於確定冷卻系統的最佳工作點。
ANN建模包括使用包含系統信息的數據集訓練神經網絡，數據集由與一個或多個輸出變量相關的輸入變量組成。
製冷系統ANN建模中使用的主要輸入/輸出變量
通過使用適當數量的訓練樣本，神經網絡將能夠學習系統的動力學，並預測系統即使在以前從未見過的條件下的行為。
ANN建模在製冷系統中的主要應用是能耗的優化，其中70%的分析研究與製冷系統的能源性能有關。
研究使用ANN對帶有蒸發冷凝器的製冷系統進行了建模，它們的主要目標是通過使用蒸發器負載、空氣和質量流量以及冷凝器中的空氣干球和濕球溫度等信息來預測系統的功耗。
根據這些信息，他們預測壓縮機的功耗，對於只有四個神經元的神經網絡和一個包含60個樣本的數據集。
他們獲得的所有模型預測的相關係數都高於0.9，大多數與製冷系統能量優化相關的研究都使用COP作為目標變量。
同樣地實驗製冷系統的能量性能分析通過COP分析來解決，在這項研究中，通過修改壓縮機轉速以及網絡二次流體的溫度和體積流量等變量來生成大量數據，在訓練ANN之後，能夠知道他們的系統在哪些操作條件下更有效。
更複雜的系統已使用ANN進行建模，如級聯配置、變速製冷系統或噴射壓縮機系統，通過分析蒸發器負載和水流量，提出的模型能夠估計級聯製冷系統的壓縮機功耗和COP。
研究分析了系統的COP如何受到某些事件的影響，例如負載或蒸發器溫度的增加，另一方面，提出的工作使用神經網絡研究了變速製冷系統的工作頻率如何影響COP。
最後該模型使用樣本數量有限的數據集獲得了較低的預測錯誤率，其他配置如噴射器製冷系統，已經用人工神經網絡進行了分析。與傳統的壓縮機製冷系統相比，這些系統具有一定優勢。如噴射器系統更簡單，成本更低，幾乎不需要維護，但這些系統的性能係數較低。
因此這些系統的優化對於其正確的設計和操作至關重要，此研究設計了一個ANN用於噴射器製冷系統的建模，為此根據不同的溫度點和發電機壓力，可以高精度地估計系統的COP。
另一方面，諸如之類的研究已經使用稱為自適應神經模糊推理系統的混合策略對不同的冷卻系統進行了建模，該技術由ANN和模糊邏輯這兩種AI技術的組合組成。
將簡單ANN的性能與ANFIS系統的性能進行了比較，儘管這兩種技術都取得了出色的結果，但ANFIS的性能優於ANN。研究者解釋說，這種改進是由於ANFIS網絡結合了ANN的學習能力和模糊邏輯的推理能力。
大多數研究都認為，所提出的ANN模型除了用作設計工具外，還可以集成到控制器中，以降低系統的能耗。研究使用ANN來控制簡單壓縮製冷系統的響應，通過監測蒸發器出口處的溫度和壓力。
設計了一個模型來控制系統膨脹閥的打開，該模型被集成到控制系統中，控制系統作用於膨脹閥，以保持系統處於最佳工作點。
研究結果表明，基於ANN的控制器的性能與基於PI或預測的功能控制器一樣。
其他基於人工神經網絡的控制系統專註於作用於壓縮機運行周期，以優化製冷系統中壓縮機的功耗。
研究通過ANN模型預測了壓縮機的工作周期，首先利用該模型計算不同工況下的最佳磁滯溫度和功耗。
然後將結果集成到控制系統中，以確定最佳壓縮機工作周期，所提出的控制系統可實現高達13.4%的節能，具體取決於環境溫度或腔室中存儲的材料等因素。
深度神經網絡架構
與其他神經網絡算法一樣，DNN從示例中學習。因此他們需要一個先前的培訓過程，然而由於其網絡結構的複雜性，深度模型更難訓練，隱藏層的數量越多，意味着更多的參數和更高的網絡維度。
DNN需要大量的訓練數據，否則模型可能會出現過度擬合的問題，當網絡從訓練數據集中提取特徵。但無法正確概括問題時，就會出現此現象，當數據量有限時，傳統方法往往比深度學習方法表現更好。
然而在數據充足的情況下，DNN在不同領域的表現優於傳統的ML方法，如計算機視覺、語音識別、自然語言處理和時間序列預測等領域。
隨着行業數據量的增加和更先進的冷卻系統的設計，研究人員正在尋找更複雜的建模和控制技術，已經進行了多項研究，證明了DNN在製冷行業系統建模、故障檢測和能源效率方面的優勢。
使用DNN的製冷系統建模
與人工神經網絡一樣，DNN在冷卻系統中的使用一直側重於能源效率，一些研究表明，這種網絡可以勝過經典的ML模型和ANN，研究設計和比較了兩個AI模型。
以評估系統的性能並在冷水機中創建維護計劃，比較的模型是線性回歸，一個經典的ML模型和一個DNN，根據冷凝器和蒸發器中的四個水溫點和兩個水速測量值。
研究者預測了壓縮機的功耗，使用帶有R的DNN獲得最佳結果等於0.97，然而線性回歸模型的性能很差，因為算法無法捕獲系統的非線性。
另一方面已經設計了一個模型來預測可變製冷劑流量系統的能耗，首先進行了一項研究，以確定哪些輸入變量對系統的能耗影響最大。
分析後，所選變量為室外溫度、室內溫度和冷卻負荷，研究中分析了各種網絡拓撲，從簡單的ANN到DNN，使用兩層隱藏DNN獲得最佳結果。
每個DNN中有15個神經元，所提出的模型可以準確預測所研究系統的能耗，同樣地研究將ANN的性能與各種DNN配置進行了比較，以對製冷系統進行建模。
使用不同的冷凍和冷凝水溫度，他們預測系統的功耗和COP，在這項研究中，比較了用於訓練模型的不同參數化和網絡配置，首先他們比較了神經網絡中最常用的兩個激活函數。
另一方面它們將模型的隱藏層數量從一個隱藏層（ANN）更改為五層DNN配置，通過四層深度網絡和ReLU激活功能獲得最佳性能，最後該模型用於控制實際製冷系統中的溫度。
與傳統控制系統相比，該型號在冷水機組中可節省高達24.7%的能源，在整個系統中可節省高達7.4%的能源，同樣地其他基於DNN的冷水機組控制系統也已成功實施，節能高達17%。
在使用DNN對製冷系統進行建模的研究中，已檢測到輸入變量數量的顯着增加，雖然分析的ANN研究中的平均輸入數量約為三個，諸如之類的研究最多使用11個輸入變量來訓練DNN模型。
結論
研究詳細評估了神經網絡建模在提高製冷系統能源效率方面的最新技術，在文獻修訂中，展示了如何使用神經網絡算法來預測、優化、控制和診斷工業製冷系統的行為。
製冷行業正在利用人工神經網絡提供的有效基於數據的建模技術，這些技術正在幫助製冷行業的專家設計和控制更高效的系統。
能耗的優化一直是該領域研究的主要焦點，與傳統控制方法相比，神經元模型實現了顯着的節能，使用DNN獲得了最佳建模結果，DNN能夠從系統數據集中提取更複雜的特徵。
更具體的神經網絡配置已被證明可以有效解決某些製冷系統問題，CNN在設計故障檢測和診斷系統或LSTM網絡時表現出最佳性能，適用於對時間序列進行建模和預測製冷系統的未來行為。
神經網絡提供的廣泛可能性及其出色的結果使其在製冷行業中越來越受歡迎，即便如此，很明顯，數據驅動的方法不能替代基於物理的模型。
了解製冷系統行為的基本物理學及其熱力學特性，對於將數據驅動模型正確應用於能源性能預測至關重要。
對於這一轉變，人工智能系統工程師、軟件開發人員和製冷系統專家將合作設計和構建智能控制系統，以節省製冷系統的能源。
如果你也喜歡我的文章，不妨點個「關注」吧！小生在此謝過了！
END
