基于模型的制冷空调装置智能仿真

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—ＣＯＮＤＩＴｌＯＮｌＮＧＡＰＰＬｌＡＮＣＥＳ

【Ａｂｓｔｒａｃｔ】ｌｎｏｒｄｅｒｔｏａｐｌ）ｌｙｓｉｍｕｌａｔｉｏｎｔｅｃｈｉｎｑｕｅｔｏｏｐｔｉｍｉｚａｔｉｏｎｏｆｒｅｆｒｉｇｅｒａｔｉｏｎａｎｄａｉｒ—ｃｏｎｄｉｔｉ∞ｉｎｇｓｙｓｔｅｍｂｅｔｔｅｒ。ａｒｔｍｃａｉａｌｉｎｔｅｌＩｉｇｃｎｃｅｉｓｉｎｔｒｏｄｕｃｅｄｔｏｃｏｎｓｔＩ‘ｕｃｔ

ｍｏｄｅｌ—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

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／ｖ２

１００西／ｂ

Ｃ

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”＇ｎＴ｝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