１８制冷技术２００１年第４期黼藕Ｊ．Ｊ．毛应用手
。｝己｛・｝｛・｝＿｛・｝，：‘
基于模型的制冷空调装置智能仿真
丁国良张春路（上海交通大学制冷与低温工程研究所上海２０００３０）
【摘要】为了能够使仿真技术更好地应用于制冷空凋系统的优化设计，将人工智能引入到制冷系统仿真研究中．构建基于
数学模型与人１二智能技术相结合的制冷系统智能仿真理沦。本文介绍了上海交通大学在此方面的研究成果，提出ｒ今后进一步发展的方向。【关键词】制冷；空调；模型；仿真；人工智能
ＭＯＤＥＬ—ＢＡＳＳＥＤＩＮＴＥＬＬＩＧＥＮＴＳＩＭＵＬＡＴＩＯＮＯＦＲＥＦＲＩＧＥＲＡＴＩＯＮ
ＡＮＤＡＩＲ—ＣＯＮＤＩＴｌＯＮｌＮＧ
ＡＰＰＬｌＡＮＣＥＳ
【Ａｂｓｔｒａｃｔ】ｌｎｏｒｄｅｒｔｏａｐｌ）ｌｙｓｉｍｕｌａｔｉｏｎｔｅｃｈｉｎｑｕｅｔｏｏｐｔｉｍｉｚａｔｉｏｎｏｆｒｅｆｒｉｇｅｒａｔｉｏｎａｎｄａｉｒ—ｃｏｎｄｉｔｉ∞ｉｎｇｓｙｓｔｅｍｂｅｔｔｅｒ。ａｒｔｍｃａｉａｌ
ｉｎｔｅｌＩｉｇｃｎｃｅｉｓｉｎｔｒｏｄｕｃｅｄｔｏｃｏｎｓｔＩ‘ｕｃｔｍｏｄｅｌ—ｂａｓｃｄｉｎｔｅｌｌｉｇｅｎｔｓｉｍｕｌａｔｉｏｎｆｏｒｒｅｆｒｉｇｅｒａｔｉｏｎａｎｄａｉｒ—ｃｏｎｄｉｔｉｏｎｉｎｇｓｙｓｆｅｒＴｌ．ＴｈｅａｃｈｉｅｖｃｍｅｎｔｓｉｎＳｈａｎｇｈａｉＪｉａｏｔｏｎｇＵｎＩｖｅｒｓｉｔｙｈａｖｅｂｅｅｎｓｈｏｗｎｉｎｔｈｉｓｐａｐｅｒａｎｄＩｈｅｄｅｖｅｌｏｐｉｎｇｔｒｅｎ（ｉｉｎｔｈｉｓ“ｅｌｄｉｓａｌｓｏｇｉｖｅ．
【Ｋｅｙｗｏｒｄｓ】ｒｅｆｒｉｇｅｒａｔｉｏｎ，Ａｉｒ—ｃｏｎｄｉｔｉｏｎｉｎｇ，Ｍｏｄｅｌ。ｓｉｍｕｌａｔｉｏｎ，ＡｎｉｆｉｃｉａＩｉｎｔｅｌｌｉｇｅｎｃｅ
一、弓Ｉ言用计算机仿真优化设计代替传统的样机反复制作修改，是制冷空调装置设计方法化的必然趋势…。作者在９０年代初建立了一套相对完整的制冷装置的仿真理论，并以冰箱为对象，开发了国内第一套能够实用化的小型制冷装置仿真软件【２Ｊ。在此平台上对于其它类型的制冷空调装置的仿真得到迅速发展，使制冷空调装置的仿真理论得到完善【３Ｊ，作者还为美国开利公司、美国联合技术公司、德国利勃海尔公司、国内的春兰、海尔等著名企业定制了备类制冷空调装置的仿真设计软件。传统的仿真方法虽然取得了良好的效果，但也有令人不满意之处。由于仿真精度与传热系数等很多参数有关。如果这些参数不能准确获得，则会使得仿真结果不够准确。但如果要想对于这些参数作调整，则必须要对软件有很多的了解。这对软件使用者提出了较高的要求，从而影响软件的推广使用。因此我们希望软件具有自学习功能，一旦软件预测的结果与实际有差距，它能自动地找出差距产生的原因，并对软件进行自动调整。为达此目的，我们提出了基于模型的制冷空调装置智能仿真方法，在国家重点基础研究发展规划项目（批准号：Ｇ２００００２６３０９）支持下，经过作者及其研究生们近几年的努力，在这方面已经取得了一定的成绩Ｈ叫Ｊ。现介绍该方法如下。１．结合人工智能模块的压缩机模型压缩机的实际输气量和输入功率是制冷系统计算中的重要参数，一般采用下式计算：Ｖ。。＝Ａ・‰（１）
Ｎ。ｔ＝ｘ・Ｎ啦ｈ矗０∞其中，Ｖ山和Ｎｔｈ分别为压缩机的理论输气量和理论输入功；Ａ是压缩机容积效率，叩。ｌ是压缩机电效率。在传统的压缩机热力模型中，容积效率和电效率的确定都是根据大量实验数据进行经验拟合，但是拟合的效果有时不够理想，而且适用范围较小。我们将容积效率和电效率的计算归结为人工神经网络，对于滚动转子式压缩机的输入功率作仿真计算，计算效果非常好‘６｜。在人工智能模块的选用上，也可以采用模糊逻辑等技术。、我们用复合模糊模型、单纯模糊模型对于一个汽车空调用的可变转速压缩机以及房间空调器用的滚动转子式压缩机进行计算，结果表明学习样本的典型性对于模型的精度和泛化能力非常重要，与理论模型相结合，可提高模糊模型的学习效率［７］。２．结合人工智能模块的毛细管模型对绝热毛细管内一维定常绝热流动，视沿程摩阻
万方数据２００１年第４期制冷技术１９
系数厂沿管程的变化很小，不同的流动区域均可取作该流动区域的进出口摩阻系数的算术平均值，可以得到如下方程Ｐｌ＿即Ｇ２（旷¨＋等蛆监尝型‰（３）Ｐｌ、Ｐ２、口Ｉ、口２分别是此控制容积的进出口压力和比容，口。。为平均比容。对于过冷区，比容可以作为常数处理。对于两相区，平均比容ｕＴＰ．ｎ、表示成进、出口比容的加权形式。砂ＴＰ．ｍ＝（１一ｃ）ｕＴｐ．１＋ｆｕＴＰ．２（４）式中，口ＴＰ。。、ｕＴＰ．２是两相区进出口的比容，ｃ是一个待确定的量。如图１所示。ｐ。、户２是两相区进出口压力，臼ｌ、秒２是两相区进出口比容，ｚＴＰ、ｄｊ是毛细管两相区的长度和直径。训练人工神经网络所需的学习样本和检验样本由分布参数模型给出。以后毛细管计算时，则根据该网络求平均比容，并进而快速求出毛细管的其它参数。采用该种方法，计算速度上比分布参数模型快了一个数量级，除个别点外，精度没有明显的差异旧Ｊ。弧｛ｐ、ｖ１／ｖ２１００西／ｂＣ图１毛细雷的人上神经ｌ嘲络结构不恿图３．结合人工智能模型的换热器模型结合人工神经网络的换热器模型可分为两大部分：一部分为基本模型，反映换热器工作机理；另一部分为神经网络，用于自适应地补偿基本模型与实验数据之间的差距。基本模型保证通用性，可采用适当简化的模型，以使计算简易；神经网络通过对少量实验数据的学习，可提高模型与实际物理过程的吻合程度。下面将以空调器中广泛应用的翅片管式冷凝器与蒸发器为例加以说明。（１）模型结合方式图２所示为复合型换热器模型中神经网络与换热器基本模型的结合方式。
幽２神经Ｉ“Ｊ络０换热器基本模型结合示意图对于翅片管式换热器，可以将管内制冷剂的流动与外侧空气的流动均作为一维均相流动处理。修正参数和工况、结构参数有关，采用多层前向神经网络来辩识这种非线性关系。利用少量实验数据样本训练人工神经网络，可以建立起修正参数与可能变化的工况、结构参数之间的非线性映射关系。神经网络包含输入层、输出层和一个隐层。输出层的神经元个数，对应修正参数的个数。输入层神经元个数由输入参数的个数决定。原则选取的空调用翅片管式换热器输入参数如表１所示。表１换热器神经网络输人参数
变量定义说明
Ｒｅ“。ｄ。／ｕ空气侧雷诺数，“。为最窄面风
速，ｖ为空气进口动力精度，ｄ。为换热管外径。
Ｓａｓ㈨ｎｓ为翅片间距。ｌ，ｄｆｆ／ｄｏｚ，为沿空气流动方向的翅片长度Ｔ。（Ｔｆ—Ｔ。，）／Ｔ。，丁，为冷凝或蒸发温度，丁。。为空
气入口干球温度。
ｍ”＇ｎ
Ｔ｝１ｎ＆
％为制冷剂流量，棚。为空气流量
Ｄｉｖｎｕｍ分路数
（２）凝冷器模型为改进模型精度，将导致模型与实验值不一致的原因包容在总的换热系数Ｕ内。修正后的总换热系数Ｕ可以表示为Ｕ７＝是Ｌ，（５）式中，Ｕ为基本模型中的总换热系数，是为总换热系数的修正系数。
表２冷凝器基本模型与组合模型的计算效果基本模型组合模型换热量误差（％）过冷度误差（℃）换热量误差（％）过冷度误差（℃）最大值平均值最大值平均值最大值平均值最大值平均值１１．８４２．３６６．１４２．１７２．１５０．７７３．０９１．１３
万方数据２０制冷技术２００１年第４期是和工况、结构参数的关系用多层前向神经网络辨识，该网络输出层只有一个神经元，对应修正系数是，另有６个输入神经元（对应表１）、４个隐层神经元。对于实验用冷凝器的５８组实验数据，取其中２６组数据作为学习样本。神经网络学习的收敛精度为０．０１２。表２列出基本模型与组合模型的计算效果。（３）蒸发器模型对蒸发器，由于同时存在加速压降和摩阻压降，整个流程的压降较大，另外空气侧的析湿对蒸发器的换热影响很大，因此在蒸发器组合模型中，不能象冷凝器一样只选用一个修正参数，而选用３个修正量是。、是，、足，，分别修正制冷剂侧换热系数口，，析湿系数ｅ，和制冷剂侧压降ｃ炉。修正后的制冷剂侧换热系数口，’，可以表示为口，７＝是ｌ口，（６）对空气侧同样进行是。倍的修正。修正后的析湿系数手７可以表示为ｅ７＝是２｛（７）修正后的制冷剂侧压降ｄＰ’可以表示为卯’＝是３卯（８）是ｌ、是２、是，和工况、结构参数有关，采用多层前向神经网络来辨识这种非线性关系。神经网络结构定为：６个输入神经元（对应表１）、６个隐层神经元和３个输出层神经元（对应足ｌ、是２、是３）。利用复合型模型计算９１组蒸发器实验数据，结果如下。由于蒸发器比冷凝器复杂，因此在精度上有所下降，但仍有良好的效果。表３蒸发器组合模型的计算效果制冷剂侧换热量误差（％）过热度误差（℃）最大值平均值最大值平均值１０．５１．２９．７３．５４．系统仿真系统层次的偏差纠正，首先需要通过分析，确定～组需要关心精度的输出参数（如制冷量，蒸发压力，冷凝压力，ＣＯｐ），在此称为特征参数，还要确定一组对于特征参数有重要影响，而且在部件中又无法准确得到的修正因子。其次，根据特征参数计算结果与实验值的偏差，通过调整这些参数，以提高精度。由于改变修正因子中的任何一个，均会引起所有计算结果的相应变化和整个制冷系统状态的偏移，因此用人工进行调节，难以取得较好效果。比较好的方法是将所有修正因子作为一个向量，采用神经网络在整个系统特性空间中进行辨识和寻优。比较实用的两种神经网络辨识方法为直接调整和偏差调整法。每种方法都分为两步：神经网络的学习和修正因子的调整计算。下面介绍直接调整法。图２是直接调整法的基本原理。其中，卢。为修正因子向量，卢。为经神经网络调整后的修正因子向量；ｙ，ｙＮ分别为实际系统的实验样本和对应的仿真值。神经网络的学习方式如图２（ａ）所示：任意取一修正因子∥ｏ，计算出该修正因子所决定的参数，并将其作为仿真模型的已知参数，仿真计算出相对应的一组参数ｙＮ，作为神经网络的一组学习样本；再随机改变修正因子，同样可得出另一组参数，经仿真模型计算出新的学习样本，……，如此循环反复，可以得到若干组随机给出的参数修正因子及其相对应的参数结果，这些参数修正因子和仿真结果构成了一个反映系统特性的数据库。以该数据库内的结果作为神经网络的输入，以相应的结果参数作为神经网络即可用于实际系统仿真模型的构建（图２（ｂ））：根据已有的实际系统特征参数样本ｙ，由神经网络辨识出相应的修正因子。辨识出的定量参数即可作为该实际系统的固有特性，直接用于对该系统的仿真计算，而不再需要神经网络的学习过程，仿真计算速度仍取决于系统数据模型的复杂程度。
（ａ）神经网络的学习方式（ｂ）定量参数的调整计算图２直接调整法的基本原理如果要考虑动态过程，则需要计入冷凝器时间常定义开机过渡过程制冷剂压力的稳定时间ｒ：数和蒸发器时间常数的影响。｛ｒｒ＝ｆ，，ｉｆｆ≥￡，，ＩＰｆ—ＰｏＩ≤△Ｐ｝（９）
万方数据