[发明专利]基于深度神经网络的空调机参数回归优化方法

说明书

本发明公开了一种基于深度神经网络的空调机参数回归优化方法，涉及空调生产技术领域。本发明包括数据采集：通过采集铂电阻、温度传感器和主控板获得各种的样本数据；数据预处理：对采集的数据预处理获取训练样本数据；特征选择：引入专家知识和实践经验将监测数据抽取出来作为神经网络的输入；模型训练：选择ResNet‑152作为骨干网络，用二叉决策模型对骨干网络提取的特征进行回归预测；实时数据分析：输入建立好的模型，得到一组高维的抽象特征，并将这组抽象特征做为回归树的输入，回归树的输出数据分析结果。本发明通过加快了空调机的测试速度，采用自学习的神经网络针对空调数据进行实时调参，可以加快机器的研发速度。

技术领域

本发明属于空调生产技术领域，特别是涉及一种基于深度神经网络的空调机参数回归优化方法。

背景技术

空调参数调整是暖通领域内一项很有意义的研究课题，一台刚刚制作好的空调原型机可以调整的参数有冷媒种类，冷媒加注量，主阀开度，辅阀开度，主频率。一组适当的参数可以让机器达到或超越设计性能和设计能耗。传统方法需要根据已记录的数据来设置初始化空调参数，然后通过调节除冷媒种类，冷媒加注量之外的参数。当机器的性能和cop达到当前参数下的极限时，我们再增加冷媒的充注量，并重复上述过程，直至到增加冷媒充注量不再影响机器的性能和cop时，我们即达到了调试的终点。回顾上述的参数选择过程，它需要大量的人力去投入到实验中，并且对人的经验有一定的要求，当项目中设计的机器过多时，冗长的测试流程会对项目进度造成严重影响。

神经网络又称人工神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的学习算法模型。它由大量简单的神经元(处理单元)相互按照层次相互连接而成的复杂网络。通过复杂的连接方式，其可以拟合任意复杂的函数用于处理各类数据分析问题。神经网络一般分为输入层，隐藏层和输出层。输入层包括大量的神经元用于接收线性或非线性的数据，隐藏层包括一层或多层神经元，通过本层与其他层级的神经元连接来提取数据中的抽象特征，从而达到模拟各种模型的目的。隐藏层抽取的特征进入输出层后会得到我们想要的数据。根据隐藏层的不同，神经网络可以分为单层神经网络和多层神经网络。现在由于神经网络的快速发展，我们已经有很多已经经过验证的有效的网络架构和预训练神经网络。现代的神经网络架构分为骨干网络和回归网络。骨干网络用于提取特征，回归网络用于接受特征并进行预测。

发明内容

本发明的目的在于提供一种基于深度神经网络的空调机参数回归优化方法，通过云平台对监测数据进行分布式存储和并列计算，可以同时为多台待测试实验机器进行调参，解决了现有空调机测试难、测试成本高、测试效率低的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于深度神经网络的空调机参数回归优化方法，包括如下步骤：

步骤S1、数据采集：通过采集铂电阻温度传感器和主控板获得各种的检测量，得到系统的运行时的样本数据；

步骤S2、数据预处理：对得到的数据依次进行去除异常数据、去噪、归一化、降维和数据向量化处理，获取预处理后的训练样本数据；

步骤S3、特征选择：引入专家知识和实践经验将影响空调机器性能cop的监测数据从预处理后的训练样本数据中抽取出来作为神经网络的输入；

步骤S4、模型训练：选择ResNet-152的特征提取层作为骨干网络，用于特征提取，用二叉决策模型对骨干网络提取的特征进行回归预测；

步骤S5、实时数据分析：实时采集数据经过预处理和特征选择后，输入建立好的模型，得到一组高维的抽象特征，并将这组抽象特征作为回归树的输入，回归树的输出即为数据分析结果；

步骤S6、自学习：每次实时产生的监测数据作为新的训练集帮助神经网络自我适应和完善。