未來(lái)十年除濕機(jī)模型系統(tǒng)新型走向

　　未來(lái)十年除濕機(jī)模型系統(tǒng)新型走向

　　1、神經(jīng)網(wǎng)絡(luò)算法原理人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks）模型，簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是由大量與自然神經(jīng)系統(tǒng)細(xì)胞類似的人工神經(jīng)元互聯(lián)而成的網(wǎng)絡(luò)，大量的神經(jīng)元組成龐大的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)復(fù)雜信息的處理與儲(chǔ)存，并表現(xiàn)出各種優(yōu)越的特性。為模擬生物神經(jīng)元，一個(gè)簡(jiǎn)化的人工神經(jīng)元結(jié)構(gòu)如所示。1）式中，（1，2，，）jxjn=是從其他細(xì)胞傳來(lái)的輸入信號(hào)；iθ為閥值；ijw表示從細(xì)胞j到細(xì)胞I的連接權(quán)值；（f）

　　為傳遞函數(shù)。傳遞函數(shù)可為非線性函數(shù)，或具有任意階導(dǎo)數(shù)的非線性函數(shù)。常用的傳遞函數(shù)有階躍函數(shù)、Sigmoid型函數(shù)和高斯型函數(shù)。

　　根據(jù)連接方式，神經(jīng)網(wǎng)絡(luò)常分成兩大類：沒(méi)有反饋的向前神經(jīng)網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)，我們最常用的一種向前神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)（BackpropugationNeuralNetwork），該神經(jīng)網(wǎng)絡(luò)是單向傳播的多層向前神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)除輸入輸出節(jié)點(diǎn)外，有一層或多層隱含節(jié)點(diǎn)，同層節(jié)點(diǎn)間沒(méi)有任何連接。輸入信號(hào)（1，2，，）jxjn=加載到網(wǎng)絡(luò)上后，輸入的信號(hào)從輸入層經(jīng)隱含層單元逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元狀態(tài)。在輸出層信號(hào)與期望值進(jìn)行比較，如果存在誤差，則將誤差沿原來(lái)連接路徑返回，通過(guò)修改層間各節(jié)點(diǎn)的連接權(quán)值，使誤差信號(hào)減少直到預(yù)先規(guī)定的范圍。

　　在網(wǎng)絡(luò)運(yùn)行開(kāi)始時(shí)，與中間層每個(gè)處理單元相連的權(quán)值都要賦以不同的值。這些權(quán)值可能是隨機(jī)產(chǎn)生的，也可能是已存好的訓(xùn)練產(chǎn)生的數(shù)據(jù)。即使所有中間處理層的處理元件的傳遞函數(shù)和它們的輸入信號(hào)是完全相同的，每一個(gè)處理元件在不同初始權(quán)值作用下也將產(chǎn)生不同的輸出，輸出后產(chǎn)生神經(jīng)網(wǎng)絡(luò)的輸出信號(hào)（1，2，，）iyin=。x12xnmy21y輸入層隱含層輸出層

　　預(yù)先設(shè)定若干組輸入和輸出值，對(duì)整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值進(jìn)行初始化，當(dāng)網(wǎng)絡(luò)運(yùn)行后，對(duì)應(yīng)每一組輸入，均有相應(yīng)的輸出，這些輸入、輸出值之間的規(guī)律是符合指導(dǎo)學(xué)習(xí)值規(guī)律的。不斷地對(duì)這種BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練、指導(dǎo)學(xué)習(xí)，使網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值調(diào)整到更接近于實(shí)際規(guī)律，從而每一組輸入所對(duì)應(yīng)的輸出也更符合實(shí)際。另外，提高隱節(jié)點(diǎn)數(shù)目或?qū)訑?shù)可以提高網(wǎng)絡(luò)計(jì)算的精度。總之，樣本數(shù)據(jù)越多，隱節(jié)點(diǎn)層數(shù)和每層節(jié)點(diǎn)數(shù)越合理，網(wǎng)絡(luò)計(jì)算的精度就越高。

　　2、除濕機(jī)負(fù)荷的神經(jīng)網(wǎng)絡(luò)模型實(shí)際工程設(shè)計(jì)中影響除濕機(jī)負(fù)荷的因數(shù)有很多，對(duì)于任意一個(gè)負(fù)荷計(jì)算的房間來(lái)說(shuō)，有房間用途、房間溫度，房間相對(duì)濕度，房屋面積，房屋相對(duì)濕度等等，而對(duì)于設(shè)計(jì)人員來(lái)說(shuō)，最后要得到的最基本數(shù)據(jù)只有三個(gè)，房間冷負(fù)荷，房間熱負(fù)荷和房間濕負(fù)荷。根據(jù)這些輸入輸出參數(shù)的特點(diǎn)建立的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如所示。

　　在所示除濕機(jī)負(fù)荷BP神經(jīng)網(wǎng)絡(luò)中，設(shè)計(jì)了一個(gè)輸入層、一個(gè)輸出層和兩個(gè)隱含層，每層節(jié)點(diǎn)數(shù)可以根據(jù)實(shí)際情況選定。用戶在輸入層輸入需要的參數(shù)以后，網(wǎng)絡(luò)的隱層自動(dòng)根據(jù)它對(duì)樣本數(shù)據(jù)總結(jié)出的規(guī)律和函數(shù)關(guān)系式產(chǎn)生一定的輸出。這個(gè)過(guò)程并不是對(duì)樣本數(shù)據(jù)進(jìn)行簡(jiǎn)單的插值運(yùn)算或擬合運(yùn)算，也不是得到一組微分方程后進(jìn)行的解析運(yùn)算，它是一種類似大腦思維的復(fù)雜過(guò)程的智能運(yùn)算。隱層的功能就是這個(gè)運(yùn)算過(guò)程，只是這個(gè)運(yùn)算過(guò)程是由計(jì)算機(jī)通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)完成的，不是編程人員預(yù)先設(shè)置的算法規(guī)則。

　　除濕機(jī)負(fù)荷神經(jīng)網(wǎng)絡(luò)要完成非常復(fù)雜的計(jì)算過(guò)程，網(wǎng)絡(luò)中各層節(jié)點(diǎn)的權(quán)值是非常重要的，但這些權(quán)值是通過(guò)學(xué)習(xí)訓(xùn)練才能確定。為了進(jìn)行學(xué)習(xí)訓(xùn)練，需要采集大量樣本數(shù)據(jù)，然后通過(guò)學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)自動(dòng)總結(jié)出了輸入與輸出數(shù)據(jù)之間的某種復(fù)雜關(guān)系，并將這種關(guān)系用權(quán)值表示出來(lái)，這樣，輸入與輸出樣本數(shù)據(jù)之間的復(fù)雜關(guān)系就能應(yīng)用于非樣本數(shù)據(jù)了，此時(shí)，除濕機(jī)負(fù)荷神經(jīng)計(jì)算BP網(wǎng)絡(luò)就真正建立起來(lái)。由此可見(jiàn)，神經(jīng)網(wǎng)絡(luò)舍棄了線性系統(tǒng)和傳遞函數(shù)的概念，強(qiáng)調(diào)從實(shí)際中總結(jié)經(jīng)驗(yàn)。對(duì)于暖通除濕機(jī)設(shè)計(jì)人員來(lái)說(shuō)，是一種全新的方法。這種方法放棄了種種復(fù)雜的微分方程、計(jì)算公式、主觀因素等，它本身的原理盡管非常復(fù)雜，但經(jīng)過(guò)大量實(shí)踐論證是正確的。

　　以上的網(wǎng)絡(luò)模型和學(xué)習(xí)訓(xùn)練方法可以同過(guò)Matlab6.x軟件的神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)。

　　3、除濕機(jī)負(fù)荷的神經(jīng)網(wǎng)絡(luò)模型的輸入輸出參數(shù)選擇與采集根據(jù)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，除濕機(jī)負(fù)荷神經(jīng)計(jì)算網(wǎng)絡(luò)中的輸入?yún)?shù)是用戶可以很方便地確定、不帶主觀因素的實(shí)際值，這樣就不必像傳統(tǒng)的計(jì)算方法那樣要求輸入包括一時(shí)無(wú)法確定的各種參數(shù)，如窗墻的結(jié)構(gòu)、面積等。同樣，除濕機(jī)負(fù)荷神經(jīng)計(jì)算網(wǎng)絡(luò)中的輸出參數(shù)應(yīng)該是容易測(cè)量的客觀參數(shù)，在房間設(shè)計(jì)負(fù)荷計(jì)算網(wǎng)絡(luò)中，只適宜以最終的能直接用來(lái)選擇冷凍機(jī)組、風(fēng)機(jī)盤(pán)管等設(shè)備的負(fù)荷容量作為輸出參數(shù)。通常，結(jié)構(gòu)或參數(shù)上略有差別的大樓所選設(shè)備的容量可能是一樣的，同樣，即使同一類房間的圍護(hù)結(jié)構(gòu)有某些差別，所得到的除濕機(jī)設(shè)計(jì)負(fù)荷可能是相同的。因此，上述房間負(fù)荷計(jì)算網(wǎng)絡(luò)中的輸入?yún)?shù)中沒(méi)有提到圍護(hù)結(jié)構(gòu)材料等，事實(shí)上，這些參數(shù)在方案設(shè)計(jì)階段是無(wú)法準(zhǔn)確得到的，即使設(shè)計(jì)時(shí)準(zhǔn)確定義為某一類圍護(hù)結(jié)構(gòu)，在施工過(guò)程中也可能會(huì)由于各種原因而改變其導(dǎo)熱特性。理論上，這是不正確的，但在工程上是允許的，它能夠滿足工程設(shè)計(jì)要求。神經(jīng)網(wǎng)絡(luò)并不是萬(wàn)能的，除濕機(jī)負(fù)荷神經(jīng)計(jì)算法也不能解決除濕機(jī)負(fù)荷計(jì)算中的所有問(wèn)題，但它作為一種新思路解決工程設(shè)計(jì)中的實(shí)際問(wèn)題是完全可行的。

　　除濕機(jī)負(fù)荷神經(jīng)計(jì)算網(wǎng)絡(luò)中輸入輸出樣本數(shù)據(jù)的采集是一項(xiàng)重要而艱巨的任務(wù)。如圖3所示的神經(jīng)網(wǎng)絡(luò)的樣本一般都是成千上萬(wàn)的。通常可以通過(guò)實(shí)測(cè)獲取樣本數(shù)據(jù)。對(duì)建筑物的室內(nèi)外參數(shù)進(jìn)行現(xiàn)場(chǎng)實(shí)測(cè)，得到各除濕機(jī)房間的溫度、相對(duì)濕度、人員密度、房間和圍護(hù)結(jié)構(gòu)的幾何尺寸及室外氣象資料等輸入?yún)?shù)；同時(shí)，相應(yīng)于各組輸入?yún)?shù)，測(cè)量各房間的送風(fēng)量并計(jì)算出實(shí)際運(yùn)行所需要的設(shè)備負(fù)荷，或者直接測(cè)量冷熱源機(jī)組、除濕機(jī)機(jī)組（風(fēng)機(jī)盤(pán)管）等設(shè)備的容量得到相應(yīng)的設(shè)計(jì)負(fù)荷等輸出參數(shù)。也可以從各大設(shè)計(jì)院提取除濕機(jī)設(shè)計(jì)原始資料和負(fù)荷計(jì)算結(jié)果，并根據(jù)工程建成后使用者的反應(yīng)的好壞來(lái)取舍某些數(shù)據(jù)，必要時(shí)到現(xiàn)場(chǎng)實(shí)測(cè)一些數(shù)。

　　4、結(jié)論除濕機(jī)負(fù)荷神經(jīng)網(wǎng)絡(luò)模型算法是一種全新的除濕機(jī)負(fù)荷計(jì)算方法，在理論上是可行的，并克服了傳統(tǒng)計(jì)算方法的缺陷，優(yōu)勢(shì)明顯。其主要優(yōu)勢(shì)是：當(dāng)房間和建筑物參數(shù)無(wú)法獲得或確定時(shí)，傳統(tǒng)計(jì)算方法就無(wú)法處理或處理不合理，而神經(jīng)網(wǎng)絡(luò)模型算法則可以忽略掉這些參數(shù)，得到一個(gè)與實(shí)際非常接近的滿足工程設(shè)計(jì)要求的最終結(jié)果，從而指導(dǎo)工程設(shè)計(jì)；輸入?yún)?shù)與輸出參數(shù)相對(duì)應(yīng)，計(jì)算過(guò)程簡(jiǎn)單，使用方便。除濕機(jī)負(fù)荷神經(jīng)計(jì)算法也有它的局限性，主要表現(xiàn)在輸入輸出參數(shù)太多時(shí)，大樣本數(shù)據(jù)采集比較困難，因此不宜用來(lái)計(jì)算動(dòng)態(tài)負(fù)荷。而且這種方法引的計(jì)算精度也不是百分之百，實(shí)際情況也會(huì)有一定的偏差。，盡管如此，除濕機(jī)負(fù)荷神經(jīng)計(jì)算法的精度仍然要高于傳統(tǒng)的除濕機(jī)負(fù)荷計(jì)算方法，而且它本身有一套學(xué)習(xí)訓(xùn)練過(guò)程，可以將計(jì)算精度不斷提高。