[发明专利]一种基于数据驱动和模型的制冷系统制冷剂泄漏探测方法

说明书

本发明公开了一种基于数据驱动和模型的制冷系统制冷剂泄漏探测方法，涉及制冷剂泄漏探测领域，包括如下步骤：(1)在制冷系统中设置温度测点；(2)分别建立换热器分区、压缩机和连接管路的制冷剂质量理论模型；(3)当制冷系统含闪发器时，建立闪发器制冷剂质量计算的局部加权线性回归模型；(4)获得温度测点数据输入换热器分区、压缩机和连接管路制冷剂质量理论模型以及闪发器制冷剂质量计算的局部加权线性回归模型，累加得到系统的制冷剂质量；(5)根据制冷系统的所述制冷剂质量与所述制冷系统的初始充注量进行比对。该方法可节省泄漏探测所需数据量，准确判断制冷系统是否发生泄漏并计算泄漏量。

技术领域

本发明涉及制冷剂泄漏探测领域，尤其涉及一种基于数据驱动和模型的制冷系统制冷剂泄漏探测方法。

背景技术

制冷系统随着产品使用年限的增加，系统内的制冷剂可能会发生泄漏。制冷剂泄漏10％，产品性能最多可下降27％。制冷剂泄漏所带来的制冷系统性能下降，会使被冷却环境或设备工作温度不断上升，最终导致被冷却设备功耗增大，可能造成系统停机等严重后果。因此为了避免因制冷剂泄漏引起的系统故障，建立精准的制冷系统制冷剂泄漏探测方法，对于制冷系统的故障监测及故障隔离具有十分重要的意义。已有的制冷系统制冷剂泄漏探测方法分为直接测量法及预测法。直接测量法主要包括肥皂水检漏、气泡检漏法、卤素仪检漏法及氦质谱仪检漏法。直接测量法存在需人工干预、测量操作影响系统性能等缺点，因此直接测量法的应用范围有限。制冷剂泄漏的预测法主要为基于数据驱动的方法，包括虚拟传感器、神经网络和支持向量机等。该类方法通过采集大量数据、提取特征值进行模型的学习，再输入数据到模型中进行整个系统内制冷剂泄漏的分类判断。仅使用数据驱动的系统探测方法往往需要较大的数据量及较好的超参数选择才能学习出误差较低的模型。而对于运行环境复杂、实际故障运行数据少、数据获取代价高的制冷系统，该特点限制了可获得的数据集大小。因此仅使用数据驱动的预测方法适用范围有限。若制冷系统中含有闪发器或储液罐，如中间补气型热泵系统、大型商用制冷系统等，在该类部件中的制冷剂以两相存在，且制冷剂液位难以测量，无法建立该部件中制冷剂质量计算的准确理论模型。因此仅基于理论模型的泄漏探测方法不适用于该类制冷系统。

本发明要解决的问题是如何利用少量运行数据建立准确的制冷系统制冷剂泄漏探测方法。

因此，本领域的技术人员致力于开发一种基于数据驱动和模型的制冷系统制冷剂泄漏探测方法。该方法可节省泄漏探测所需数据量，准确判断制冷系统是否发生泄漏并计算泄漏量。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何利用少量运行数据建立准确的制冷系统制冷剂泄漏探测方法。

为实现上述目的，本发明提供了一种基于数据驱动和模型的制冷系统制冷剂泄漏探测方法，其特征在于，包括如下步骤：

(1)在制冷系统中设置温度测点，读取实验工况数据；

(2)建立基于温度信号的换热器分区制冷剂质量理论模型、基于理论和显式表达式的压缩机制冷剂质量理论模型、基于理论和显式表达式的连接管路制冷剂质量理论模型；

(3)当制冷系统含闪发器时，建立基于数据驱动的闪发器制冷剂质量计算的局部加权线性回归模型；

(4)获得所述温度测点的数据后，输入所述基于温度信号的换热器分区制冷剂质量理论模型、所述基于理论和显式表达式的压缩机制冷剂质量理论模型、所述基于理论和显式表达式的连接管路制冷剂质量理论模型和所述基于数据驱动的闪发器制冷剂质量计算的局部加权线性回归模型中，累加得到所述制冷系统的制冷剂质量；

(5)根据所述制冷系统的所述制冷剂质量与所述制冷系统的初始充注量进行比对。

进一步地，所述步骤(1)中的所述温度测点设置在所述压缩机、所述连接管路和所述闪发器的进口、出口和所述换热器分区的沿程。