开云优惠体育网页版入口

专利名称：基于机器学习的制冷机系统建：陀呕椒

专利类型：发明专利

专利申请号：CN202411154326.X

专利申请（专利权）人：无锡冠亚恒温制冷技术有限公司
权利人地址：江苏省无锡市新吴区鸿山街道鸿运路203号

专利发明（设计）人：李四祥,别传卓,宁志强,吴锡灶

专利摘要：本发明涉及数据处理领域，尤其涉及基于机器学习的制冷机系统建：陀呕椒。内容包括：获取并预处理制冷机系统的运行数据，得到预处理后的运行数据；对预处理后的运行数据使用多维空间自适应增强变换算法进行增强处理，得到增强处理后的运行数据；构建制冷机系统的运行特性模型，并采用混合自适应动力优化算法优化制冷机系统运行特性模型的模型参数，得到优化后的模型参数，进而得到优化后的制冷机系统运行特性模型；基于优化后的制冷机系统运行特性模型的预测结果，动态调整制冷机系统的运行参数。解决了数据处理时的质量和多样性不足以及对制冷机系统的建：陀呕还蛔既返募际跷侍。

主权利要求：
1.基于机器学习的制冷机系统建：陀呕椒，其特征在于，包括以下步骤：S1.获取并预处理制冷机系统的运行数据，得到预处理后的运行数据；对预处理后的运行数据使用多维空间自适应增强变换算法进行增强处理，得到增强处理后的运行数据，所述多维空间自适应增强变换算法实现过程如下：对预处理后的运行数据通过高斯混合模型进行高斯混合变换处理，得到增强数据；应用自适应非线性映射将增强数据映射到高维非线性空间中；通过在不同尺度上引入正弦和高斯扰动，得到扰动数据；对扰动数据进行频域与时域的联合变换；基于频域与时域的联合变换结果，重构运行数据的协方差矩阵，并利用多元正态分布生成新的增强数据；将新的增强数据进行逆变换，通过逆频域变换将新的增强数据从时频域信号转换回扰动空间数据，得到时域信号；去除扰动后，将时域信号从高维非线性空间转换回原始特征空间，得到增强处理后的运行数据；
S2.构建制冷机系统的运行特性模型，并采用混合自适应动力优化算法优化制冷机系统运行特性模型的模型参数，得到优化后的模型参数，进而得到优化后的制冷机系统运行特性模型，在混合自适应动力优化算法实现过程中，定义适应度函数；适应度函数计算公式如下：，
其中， 是适应度函数； 是制冷机系统的运行特性模型参数组成的向量； 是第个样本的实际值； 是第 个样本的预测值； 是样本数；是制冷机系统的运行特性模型的模型参数的个数； 是第 个制冷机系统的运行特性模型的模型参数；
基于制冷机系统运行特性模型的模型参数生成初始参数向量，每个参数向量表示一个模型参数；在每个迭代过程中，通过适应度函数的值，选择下一代参数向量，不断迭代至满足终止条件，对参数向量实施局部和全局搜索，更新参数向量，得到优化后的制冷机系统运行特性模型的模型参数；更新模型参数值的公式如下：，
其中， 是第 个参数向量在第 次更新的值； 是第 个参数向量在第 次更新的值； 是第 个参数向量在 次更新的速度；
基于优化后的制冷机系统运行特性模型的预测结果，动态调整制冷机系统的运行参数。
2.根据权利要求1所述的基于机器学习的制冷机系统建：陀呕椒，其特征在于，所述S1，具体包括：在多维空间自适应增强变换算法实现过程中，应用自适应非线性映射将增强数据映射到高维非线性空间中，映射公式为：，
其中，为映射数据， 是基于高斯混合模型生成的具有多种分布特征的增强数据， 、、 为权重矩阵，、、为偏置向量，为激活函数， 为双曲正切函数，和为缩放系数。
3.根据权利要求2所述的基于机器学习的制冷机系统建：陀呕椒，其特征在于，所述S1，具体包括：在多维空间自适应增强变换算法实现过程中，在映射后的高维非线性空间中生成多尺度扰动；通过在不同尺度上引入正弦和高斯扰动，得到扰动数据，扰动生成公式为：，
其中， 为第 个正弦扰动的幅度， 为第 个正弦扰动的频率，为时间， 为第 个正弦扰动的相位偏移， 、 、 分别为第 个高斯扰动的幅度、均值和标准差，为扰动的总数量，为生成的扰动数据。
4.根据权利要求3所述的基于机器学习的制冷机系统建：陀呕椒，其特征在于，所述S1，具体包括：在多维空间自适应增强变换算法实现过程中，对扰动数据进行频域与时域的联合变换，具体变换公式为：，
其中， 为信号 在频率 和时间 上的频域与时域的联合变换结果， 为扰动后的时域信号，为频率，为虚数单位，为时间， 为时域高斯窗口的标准差，是积分变量；
基于频域与时域的联合变换结果，重构运行数据的协方差矩阵，协方差矩阵重构公式为：，
其中， 为重构后的协方差矩阵， 为样本数量， 为第 个样本在时频域中的表示，为时频域数据的均值向量，为正则化参数，为单位矩阵，为增强因子， 为高斯混合模型中生成的第 个多分布数据， 为高斯混合模型中生成的多分布数据的均值向量；是转置；表示高斯混合模型中生成的多分布数据的样本数量。
5.根据权利要求4所述的基于机器学习的制冷机系统建：陀呕椒，其特征在于，所述S1，具体包括：在多维空间自适应增强变换算法实现过程中，基于重构后的协方差矩阵，利用多元正态分布生成新的增强数据，生成公式为：，
其中， 是从标准正态分布中采样的随机向量，是通过对重构后的协方差矩阵 进行Cholesky分解得到的矩阵，使得 ，表示矩阵的转置， 为新的增强数据。 说明书 : 基于机器学习的制冷机系统建：陀呕椒际趿煊騕0001] 本发明涉及数据处理领域，尤其涉及基于机器学习的制冷机系统建：陀呕椒。背景技术[0002] 在新能源电池测试和半导体生产等工业场景中，制冷机系统的性能和效率对生产过程的稳定性和产品质量有着至关重要的影响。制冷机系统在这些应用中负责维持特定的温度条件，以确保生产环境的最佳状态。例如，在新能源电池测试中，温度控制直接影响电池性能的评估结果；而在半导体生产中，精确的温度控制是确保产品质量和良品率的重要因素。然而，制冷机系统通常依赖传统控制方法，这些方法包括基于固定规则的控制策略、PID控制和简单的反馈控制等。虽然这些方法在一定程度上可以维持制冷机系统的稳定运行，但在面对复杂多变的工况时，其表现往往不够理想。[0003] 随着机器学习技术的进步，利用数据驱动的方法对制冷机系统进行建：陀呕晌赡。数据驱动的方法依靠大量的历史运行数据，通过机器学习算法自动学习制冷机系统的动态特性和复杂的非线性关系，从而实现更加精确的建：涂刂。[0004] 但上述技术至少存在如下技术问题：数据处理时的质量和多样性不足以及对制冷机系统的建：陀呕还蛔既返募际跷侍。发明内容[0005] 本发明提供基于机器学习的制冷机系统建：陀呕椒，解决了数据处理时的质量和多样性不足以及对制冷机系统的建：陀呕还蛔既返募际跷侍。[0006] 本发明的基于机器学习的制冷机系统建：陀呕椒，具体包括以下技术方案：[0007] 基于机器学习的制冷机系统建：陀呕椒，包括以下步骤：[0008] S1.获取并预处理制冷机系统的运行数据，得到预处理后的运行数据；对预处理后的运行数据使用多维空间自适应增强变换算法进行增强处理，得到增强处理后的运行数据，所述多维空间自适应增强变换算法实现过程如下：[0009] 对预处理后的运行数据通过高斯混合模型进行高斯混合变换处理，得到增强数据；应用自适应非线性映射将增强数据映射到高维非线性空间中；通过在不同尺度上引入正弦和高斯扰动，得到扰动数据；对扰动数据进行频域与时域的联合变换；基于频域与时域的联合变换结果，重构运行数据的协方差矩阵，并利用多元正态分布生成新的增强数据；将新的增强数据进行逆变换，通过逆频域变换将新的增强数据从时频域信号转换回扰动空间数据，得到时域信号；去除扰动后，将时域信号从高维非线性空间转换回原始特征空间，得到增强处理后的运行数据；[0010] S2.构建制冷机系统的运行特性模型，并采用混合自适应动力优化算法优化制冷机系统运行特性模型的模型参数，得到优化后的模型参数，进而得到优化后的制冷机系统运行特性模型；基于优化后的制冷机系统运行特性模型的预测结果，动态调整制冷机系统的运行参数。[0011] 优选的，所述S1，具体包括：[0012] 在多维空间自适应增强变换算法实现过程中，应用自适应非线性映射将增强数据映射到高维非线性空间中，映射公式为：[0013] ，[0014] 其中，为映射数据， 是基于高斯混合模型生成的具有两种及以上分布特征的增强数据， 、、 为权重矩阵，、、为偏置向量，为激活函数， 为双曲正切函数，和 为缩放系数。[0015] 优选的，所述S1，具体包括：[0016] 在多维空间自适应增强变换算法实现过程中，在映射后的高维非线性空间中生成多尺度扰动；通过在不同尺度上引入正弦和高斯扰动，得到扰动数据，扰动生成公式为：[0017] ，[0018] 其中， 为第 个正弦扰动的幅度， 为第 个正弦扰动的频率，为时间， 为第个正弦扰动的相位偏移， 、 、 分别为第 个高斯扰动的幅度、均值和标准差，为扰动的总数量；为生成的扰动数据。[0019] 优选的，所述S1，具体包括：[0020] 在多维空间自适应增强变换算法实现过程中，对扰动数据进行频域与时域的联合变换，具体变换公式为：[0021] ，[0022] 其中， 为信号 在频率 和时间 上的频域与时域的联合变换结果，为扰动后的时域信号，为频率，为虚数单位，为时间， 为时域高斯窗口的标准差，是积分变量；[0023] 基于频域与时域的联合变换结果，重构运行数据的协方差矩阵，协方差矩阵重构公式为：[0024] ，[0025] 其中， 为重构后的协方差矩阵， 为样本数量， 为第 个样本在时频域中的表示， 为时频域数据的均值向量，为正则化参数，为单位矩阵，为增强因子，为高斯混合模型中生成的第 个多分布数据， 为高斯混合模型中生成的多分布数据的均值向量；是转置；表示高斯混合模型中生成的多分布数据的样本数量。[0026] 优选的，所述S1，具体包括：[0027] 在多维空间自适应增强变换算法实现过程中，基于重构后的协方差矩阵，利用多元正态分布生成新的增强数据，生成公式为：[0028] ，[0029] 其中， 是从标准正态分布中采样的随机向量， 是通过对重构后的协方差矩阵进行 分解得到的矩阵，使得 ， 为新的增强数据。[0030] 优选的，所述S2，具体包括：[0031] 在混合自适应动力优化算法实现过程中，定义适应度函数；基于制冷机系统运行特性模型的模型参数生成初始参数向量，每个参数向量表示一个模型参数；对参数向量实施局部和全局搜索，更新参数向量。[0032] 优选的，所述S2，具体包括：[0033] 在每个迭代过程中，通过计算参数向量的适应度函数的值，选择下一代参数向量，不断迭代至满足终止条件，得到优化后的制冷机系统运行特性模型的模型参数。[0034] 本发明的技术方案的有益效果是：[0035] 1、引入多维空间自适应增强变换算法通过高斯混合变换、自适应非线性映射、多尺度扰动生成、频域与时域联合变换和协方差矩阵重构等复杂步骤，对工业制冷机系统的运行数据进行多维空间的自适应增强处理；通过重构协方差矩阵并生成新的增强数据，实现了数据的全方位增强处理，显著提高了数据的多样性和鲁棒性，为机器学习模型的训练提供了高质量的数据支持。[0036] 2、引入混合自适应动力优化算法，结合局部搜索和全局搜索策略，通过自适应调整机制，提升全局最优解的搜索效率，优化制冷机系统运行特性模型的模型参数。附图说明[0037] 图1为本发明所述的基于机器学习的制冷机系统建：陀呕椒鞒掏。具体实施方式[0038] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0039] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。[0040] 下面结合附图具体的说明本发明所提供的基于机器学习的制冷机系统建：陀呕椒ǖ木咛宸桨。[0041] 参照附图1，其示出了本发明一个实施例所提供的基于机器学习的制冷机系统建：陀呕椒鞒掏，该方法包括以下步骤：[0042] S1.获取并预处理制冷机系统的运行数据，得到预处理后的运行数据；对预处理后的运行数据使用多维空间自适应增强变换算法进行增强处理，得到增强处理后的运行数据；[0043] 通过布置在制冷机系统关键位置的传感器获取制冷机系统的运行数据，所述关键位置通过技术人员确定，如压缩机出口、蒸发器入口；所述传感器如温度传感器、压力传感器、流量传感器；[0044] 对运行数据进行如数据清洗、数据去噪、数据标准化的预处理，得到预处理后的运行数据，预处理方法为本领域技术人员熟知的技术手段，在此不做赘述。[0045] 对预处理后的运行数据使用多维空间自适应增强变换算法进行增强处理，提高数据的多样性和鲁棒性，为增强机器学习模型的泛化能力提供数据支持。具体实现过程如下：[0046] 对预处理后的运行数据进行高斯混合变换，将预处理后的运行数据通过现有的高斯混合模型进行高斯混合变换处理，生成具有多种分布特征的增强数据 。接着，基于高斯混合模型生成的增强数据 ，应用自适应非线性映射将增强数据映射到高维非线性空间中。这一步通过结合激活函数和非线性变换来实现，增强了数据的复杂性和非线性特征。映射公式为：[0047] ，[0048] 其中， 是基于高斯混合模型生成的具有多种分布特征的增强数据， 、 、为权重矩阵，、、为偏置向量，为激活函数（如ReLU）， 为双曲正切函数， 和为缩放系数。上述过程通过权重矩阵和偏置向量调整数据的非线性特征，实现数据的自适应映射。得到的映射数据 用于后续的多尺度扰动生成。[0049] 在映射后的高维非线性空间中生成多尺度扰动。通过在不同尺度上添加正弦和高斯扰动，进一步丰富数据特征并增强数据的鲁棒性。扰动生成公式为：[0050] ，[0051] 其中， 为第 个正弦扰动的幅度， 为第 个正弦扰动的频率，为时间， 为第个正弦扰动的相位偏移， 、 、 分别为第 个高斯扰动的幅度、均值和标准差，为扰动的总数量。通过在不同尺度上引入扰动，增加数据的多样性和复杂性。生成的扰动数据 将用于频域与时域的联合变换。[0052] 为了捕捉数据的复杂特征，对扰动数据 进行频域与时域的联合变换。通过对扰动后的数据进行联合变换，可以同时捕捉数据在时间和频率上的特征。具体变换公式为：[0053] ，[0054] 其中， 为信号 在频率 和时间 上的频域与时域的联合变换结果，为扰动后的时域信号，为频率，为虚数单位，为时间， 为时域高斯窗口的标准差，是积分变量，表示时间。此联合变换过程结合时间和频率信息，提取数据的全局特征。通过对所有时间和频率运算生成时频域数据 ，并用于协方差矩阵重构。[0055] 重构运行数据的协方差矩阵，以提升数据的整体结构特征。通过重构协方差矩阵，可以增强数据间的相关性和整体特性。协方差矩阵重构公式为：[0056] ，[0057] 其中， 为重构后的协方差矩阵， 为样本数量，即时频域数据的个数， 为第个样本在时频域中的表示， 为时频域数据的均值向量，为正则化参数，为单位矩阵，为增强因子， 为高斯混合模型中生成的第 个多分布数据， 为高斯混合模型中生成的多分布数据的均值向量；是转置；表示高斯混合模型中生成的多分布数据的样本数量。通过上述步骤，增强数据的整体结构特征，提高数据的质量和一致性。重构后的协方差矩阵 将用于生成新的增强数据。[0058] 通过重构后的协方差矩阵 和时频域数据的均值向量 ，利用多元正态分布生成新的增强数据 。生成公式为：[0059] ，[0060] 其中， 是从标准正态分布中采样的随机向量， 是通过对重构后的协方差矩阵进行Cholesky分解得到的矩阵，使得 ，表示矩阵的转置，生成新的增强数据。[0061] 生成的新的增强数据 需进行逆变换，即通过逆频域变换将其从时频域信号转换回扰动空间数据。去除扰动后，将映射到高维非线性空间中的数据从高维非线性空间转换回原始特征空间，实现最终的数据增强处理，得到增强处理后的运行数据 。[0062] S2.构建制冷机系统的运行特性模型，并采用混合自适应动力优化算法优化制冷机系统运行特性模型的模型参数，得到优化后的模型参数，进而得到优化后的制冷机系统运行特性模型；基于优化后的制冷机系统运行特性模型的预测结果，动态调整制冷机系统的运行参数。[0063] 收集制冷机系统的历史运行数据，并对历史运行数据通过步骤S1的处理方法进行处理，得到增强后的历史运行数据，对增强处理后的历史运行数据，进行标准化处理，将数据归一化到0到1的范围内；基于标准化后的历史运行数据，选择深度神经网络作为基础模型，构建制冷机系统的运行特性模型。所述制冷机系统的运行特性模型包括输入层、特征提取层、多层全连接神经网络（层数可根据具体实施场景具体设置，在此不做限定）、隐藏层、输出层；将标准化后的历史运行数据分为训练集和验证集，通过梯度下降法进行制冷机系统的运行特性模型训练，使用交叉验证法进行验证，最终得到制冷机系统的运行特性模型。并实时获取制冷机系统运行参数，在经过预处理和增强处理后，得到增强处理后的运行参数，并通过训练好的制冷机系统的运行特性模型进行处理，实现制冷机系统的运行特性模型的应用。[0064] 为准确优化制冷机系统运行特性模型的模型参数，引入混合自适应动力优化算法，所述混合自适应动力优化算法的核心思想是结合局部搜索和全局搜索策略，通过复杂的数学模型和自适应调整机制，提高全局最优解的搜索效率。具体实现过程如下：[0065] 定义适应度函数 ：[0066] ，[0067] 其中， 是制冷机系统的运行特性模型参数组成的向量，包括所有权重和偏置；是第 个样本的实际值，所述样本为作为训练集的增强处理后的历史运行数据； 是第 个样本的预测值； 是样本数；是制冷机系统的运行特性模型的模型参数的个数，是全连接神经网络中权重和偏置的总数； 是第 个制冷机系统的运行特性模型的模型参数；是自然对数的底，为常数； 是正弦函数，用于引入非线性特征。[0068] 基于制冷机系统运行特性模型的模型参数的取值范围，使用从正态分布中抽取样本的方法生成一组初始参数向量，每个参数向量表示一个模型参数。针对所有生成的参数向量实施局部和全局搜索，在局部搜索步骤中，对每个参数向量进行局部搜索，更新模型参数值：[0069] ，[0070] 其中， 是第 个参数向量在第 次更新的值； 是学习率；是适应度函数的梯度； 是第 个参数向量在第 次更新的值。[0071] 进一步，在全局搜索步骤中，使用动量项更新参数向量：[0072] ，[0073] 其中， 是第 个参数向量在 次更新的速度； 是动量因子， 和 是学习因子， 是第 个参数向量的历史最佳数值， 是全局最佳数值。[0074] 根据适应度函数的值自适应调整动量因子和学习因子：[0075] ，[0076] ，[0077] ，[0078] 其中， 是调整因子， , , , 是学习因子的最大值和最小值。[0079] 最后，更新模型参数值：[0080] ，[0081] 其中， 是第 个参数向量在第 次更新的值。[0082] 在每个迭代过程中，计算每个参数向量的适应度函数的值，根据适应度函数的值选择下一代参数向量。整个迭代过程重复上述步骤，直至满足终止条件（如迭代次数或适应度阈值），得到优化后的模型参数，进一步得到优化后的制冷机系统运行特性模型。[0083] 利用优化后的制冷机系统运行特性模型对制冷机系统的实时运行数据进行监控，分析运行状态和性能指标。根据优化后的制冷机系统运行特性模型的预测结果，动态调整制冷机系统的运行参数（如压缩机速度、冷媒流量等），实现高效稳定运行。[0084] 综上所述，完成了基于机器学习的制冷机系统建：陀呕椒。[0085] 发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0086] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。[0087] 上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

专利地区：江苏

专利申请日期：2024-08-22

专利公开日期：2024-11-29

专利公告号：CN118670043B