制冷系統(tǒng)部件神經網絡模型的改進研究.pdf

1、制冷系統(tǒng)的主要部件包括壓縮機、節(jié)流元件和換熱器等，本文在前人的基礎上，分別建立了制冷系統(tǒng)各個主要部件的神經網絡模型，包括蒸發(fā)器水平光滑管內制冷劑沸騰換熱系數的神經網絡（ANN）模型，絕熱毛細管和短管流量特性的通用神經網絡模型和壓縮機性能參數的神經網絡關聯模型。在本文中，所有模型均采用三層感知器神經網絡也就是BP神經網絡作為萬能函數逼近器。 制冷劑的流動沸騰換熱系數的正確預測對于蒸發(fā)器的設計是非常重要的。第三章建立了R22及其替代

2、工質R134a、R407C和 R410A在水平光滑管內的沸騰換熱系數的通用神經網絡模型。該 ANN模型的輸入參數借鑒了四種現存的通用關聯式模型，同時將Nusselt數作為輸出參數。ANN的訓練數據來自于文獻中的實驗數據，經過大量的分析比較以及網絡泛化能力分析，最終輸入參數組合借鑒了Gungor- Winterton關聯式形式，并確定三層前向神經網絡的結構。和實驗值相比，該ANN模型的平均誤差、絕對平均誤差和均方差分別為2.5％、13.0

3、％和20.3％，同時大約74％的數據點的誤差在±20％之內，明顯優(yōu)于現存的通用關聯式。 在小型制冷系統(tǒng)和空調系統(tǒng)中，毛細管和短管是常用的節(jié)流元件。在第四章中首先建立了絕熱毛細管內制冷劑流量的通用ANN模型（模型Ⅰ），該模型可以涵蓋過冷入口和兩相入口；然后建立了毛細管和短管內制冷劑流量的通用ANN模型（模型Ⅱ）。本章基于均相流模型（HEM）提出了一組新的無量綱參數組作為這兩個ANN模型的輸入參數。模型Ⅰ的模擬數據來自于HEM計算的

4、大量數據，選取R600a和R407C作為訓練數據建立的5-6-1型的ANN模型Ⅰ顯示了很好的通用性，可以很好地預測R12、R22、R134a、R290、R410A和R404A的數據。同時，模型Ⅰ對于文獻中的實驗數據的預測也很好，絕大多數數據的誤差都在±10％以內。模型Ⅱ的訓練數據來自于文獻中的大量實驗數據，包括R12、R22、 R134a、R404A、R407C、 R410A和 R600a，這些數據涵蓋毛細管和短管的結構尺寸以及過冷和兩

5、相入口工況。結果顯示5-2-1的ANN模型Ⅱ可以很好地預測毛細管和短管內制冷劑流量，包括過冷和兩相入口工況，具有更好的通用性。和實驗值相比，模型Ⅱ整體平均誤差和標準差分別為0.75％和8.27％。 壓縮機是制冷系統(tǒng)的核心部件。第五章建立了壓縮機性能參數的ANN模型，包括定頻壓縮機模型和變頻壓縮機模型。借鑒ARI模型選取了冷凝溫度和蒸發(fā)溫度作為ANN的輸入參數，選取相關的重要性能參數作為輸出參數。考慮到壓縮機性能數據之間的線性關系

6、，本章的ANN沒有直接采用MATLAB中提供的傳遞函數作為隱層傳遞函數而是單獨建立了一個簡單兩次多項式作為新的傳遞函數。經過分析驗證，三次ANN模型和ARI模型具有等價性。而本文采用兩次傳遞函數的2-3-4結構的定頻ANN、2-4-4結構的變頻ANN不僅能體現輸出參數之間的內在聯系性，而且和ARI模型數據以及實驗值相比具有很好的精度，平均誤差接近于0，而標準差也低于或接近于1％。 總而言之，本文建立的幾種制冷系統(tǒng)部件的神經網絡模