[发明专利]一种基于机器学习的脉管制冷机工况预测方法及系统

说明书

本发明涉及一种基于机器学习的脉管制冷机工况预测方法及系统，方法包括以下步骤：采集脉管制冷机运行时的工况参数数据，并将工况参数数据分为二个部分：训练数据、检验数据；基于训练数据采用LM优化的反向传播算法搭建工况预测模型，通过迭代的方法不断提高工况预测模型的精度；将检验数据输入到工况预测模型中，并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对，验证工况预测模型的精度；系统包括：数据采集模块、学习训练模块、检验模块。本发明通过采集脉管制冷机运行时的工况参数数据搭建训练学习模型，准确预测较难测量的给定PTC的活塞行程和压力幅值，该方法测量成本低于加装传感器且预测值与实际值偏差较小。

技术领域

本发明涉及脉管制冷机智能工况监控技术领域，尤其是指一种基于机器学习的脉管制冷机工况预测方法及系统。

背景技术

脉管制冷机(PTC)拥有广泛的应用前景，但其机械结构紧凑，造价较高，为防止其在运行过程中出错增加不必要的维修成本，需要一种精确高效的监控手段以推动其商业化进展。

当下应用于PTC运行工况监测的方法普遍为加装复杂热力传感器进行直接监测以及构建数值模拟模型进行间接预测。直接测量PTC的活塞行程和压力幅值对传感器的要求较高且传感器的安装会影响PTC的运行，并且配套的测量设备需要和PTC主体一起封装，既增加了产品的制造成本也会扩大产品体积，不利于PTC的商业化应用；通过构建数值模型对PTC运行工况进行预测与真实值具有较大偏差，仅能作为参考，无法实现精确测量。并且构建数值模型的过程比较复杂，不利于在不同机器上进行推广。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中对PTC运行工况监测不足的问题，提供一种基于机器学习的脉管制冷机工况预测方法及系统，通过采集脉管制冷机运行时的工况参数数据搭建训练学习模型，准确预测较难测量的给定PTC的活塞行程和压力幅值，该方法测量成本低于加装传感器且预测值与实际值偏差较小。

为解决上述技术问题，本发明提供了一种基于机器学习的脉管制冷机工况预测方法，包括以下步骤：采集脉管制冷机运行时的工况参数数据，并将工况参数数据分为二个部分：训练数据、检验数据；基于训练数据采用LM优化的反向传播算法搭建工况预测模型，通过迭代的方法不断提高工况预测模型的精度；将检验数据输入到工况预测模型中，并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对，验证工况预测模型的精度。

在本发明的一个实施例中，所述工况参数数据包括输入参数和输出参数，所述输入参数包括易于测量的电参数和预达到的制冷参数，所述输出参数包括较难测量的给定脉管制冷机的活塞行程和压力幅值。

在本发明的一个实施例中，所述训练数据和检验数据的分配比例为3:1。

在本发明的一个实施例中，所述工况预测模型包括输入层、隐藏层和输出层，基于训练数据搭建工况预测模型的具体过程为：在输入层中将输入参数作为模型的输入向量X＝(x₁，x₂，x_i)，根据输入向量X＝(x₁，x₂，x_i)计算得到隐藏层中神经元的输出值D＝(d₁，d₂，d_h)，根据神经元的输出值D＝(d₁，d₂，d_h)计算得到输出层的输出向量Y＝(y₁，y₂，y_j)。

在本发明的一个实施例中，所述隐藏层中神经元的输出值D＝(d₁，d₂，d_h)的计算公式为：

所述输出层的输出向量Y＝(y₁，y₂，y_j)的计算公式为：