未来十年除湿机模型系统新型走向

                                  未来十年除湿机模型系统新型走向

　　1、神经网络算法原理人工神经网络（ArtificialNeuralNetworks）模型，简称神经网络，是由大量与自然神经系统细胞类似的人工神经元互联而成的网络，大量的神经元组成庞大的神经网络，实现对复杂信息的处理与储存，并表现出各种优越的特性。为模拟生物神经元，一个简化的人工神经元结构如所示。1）式中，（1，2，，）jxjn=是从其他细胞传来的输入信号；iθ为阀值；ijw表示从细胞j到细胞I的连接权值；（f）
　　为传递函数。传递函数可为非线性函数，或具有任意阶导数的非线性函数。常用的传递函数有阶跃函数、Sigmoid型函数和高斯型函数。
　　根据连接方式，神经网络常分成两大类：没有反馈的向前神经网络和相互结合型网络，我们最常用的一种向前神经网络是BP神经网络（BackpropugationNeuralNetwork），该神经网络是单向传播的多层向前神经网络，其结构如图2所示。网络除输入输出节点外，有一层或多层隐含节点，同层节点间没有任何连接。输入信号（1，2，，）jxjn=加载到网络上后，输入的信号从输入层经隐含层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元状态。在输出层信号与期望值进行比较，如果存在误差，则将误差沿原来连接路径返回，通过修改层间各节点的连接权值，使误差信号减少直到预先规定的范围。
　　在网络运行开始时，与中间层每个处理单元相连的权值都要赋以不同的值。这些权值可能是随机产生的，也可能是已存好的训练产生的数据。即使所有中间处理层的处理元件的传递函数和它们的输入信号是完全相同的，每一个处理元件在不同初始权值作用下也将产生不同的输出，输出后产生神经网络的输出信号（1，2，，）iyin=。x12xnmy21y输入层隐含层输出层
　　预先设定若干组输入和输出值，对整个网络节点的权值进行初始化，当网络运行后，对应每一组输入，均有相应的输出，这些输入、输出值之间的规律是符合指导学习值规律的。不断地对这种BP网络进行训练、指导学习，使网络节点的权值调整到更接近于实际规律，从而每一组输入所对应的输出也更符合实际。另外，提高隐节点数目或层数可以提高网络计算的精度。总之，样本数据越多，隐节点层数和每层节点数越合理，网络计算的精度就越高。
　　2、除湿机负荷的神经网络模型实际工程设计中影响除湿机负荷的因数有很多，对于任意一个负荷计算的房间来说，有房间用途、房间温度，房间相对湿度，房屋面积，房屋相对湿度等等，而对于设计人员来说，最后要得到的最基本数据只有三个，房间冷负荷，房间热负荷和房间湿负荷。根据这些输入输出参数的特点建立的BP神经网络结构如所示。
　　在所示除湿机负荷BP神经网络中，设计了一个输入层、一个输出层和两个隐含层，每层节点数可以根据实际情况选定。用户在输入层输入需要的参数以后，网络的隐层自动根据它对样本数据总结出的规律和函数关系式产生一定的输出。这个过程并不是对样本数据进行简单的插值运算或拟合运算，也不是得到一组微分方程后进行的解析运算，它是一种类似大脑思维的复杂过程的智能运算。隐层的功能就是这个运算过程，只是这个运算过程是由计算机通过神经网络自动完成的，不是编程人员预先设置的算法规则。
　　除湿机负荷神经网络要完成非常复杂的计算过程，网络中各层节点的权值是非常重要的，但这些权值是通过学习训练才能确定。为了进行学习训练，需要采集大量样本数据，然后通过学习训练，神经网络自动总结出了输入与输出数据之间的某种复杂关系，并将这种关系用权值表示出来，这样，输入与输出样本数据之间的复杂关系就能应用于非样本数据了，此时，除湿机负荷神经计算BP网络就真正建立起来。由此可见，神经网络舍弃了线性系统和传递函数的概念，强调从实际中总结经验。对于暖通除湿机设计人员来说，是一种全新的方法。这种方法放弃了种种复杂的微分方程、计算公式、主观因素等，它本身的原理尽管非常复杂，但经过大量实践论证是正确的。
　　以上的网络模型和学习训练方法可以同过Matlab6.x软件的神经网络工具箱实现。
　　3、除湿机负荷的神经网络模型的输入输出参数选择与采集根据神经网络的特点，除湿机负荷神经计算网络中的输入参数是用户可以很方便地确定、不带主观因素的实际值，这样就不必像传统的计算方法那样要求输入包括一时无法确定的各种参数，如窗墙的结构、面积等。同样，除湿机负荷神经计算网络中的输出参数应该是容易测量的客观参数，在房间设计负荷计算网络中，只适宜以最终的能直接用来选择冷冻机组、风机盘管等设备的负荷容量作为输出参数。通常，结构或参数上略有差别的大楼所选设备的容量可能是一样的，同样，即使同一类房间的围护结构有某些差别，所得到的除湿机设计负荷可能是相同的。因此，上述房间负荷计算网络中的输入参数中没有提到围护结构材料等，事实上，这些参数在方案设计阶段是无法准确得到的，即使设计时准确定义为某一类围护结构，在施工过程中也可能会由于各种原因而改变其导热特性。理论上，这是不正确的，但在工程上是允许的，它能够满足工程设计要求。神经网络并不是万能的，除湿机负荷神经计算法也不能解决除湿机负荷计算中的所有问题，但它作为一种新思路解决工程设计中的实际问题是完全可行的。
　　除湿机负荷神经计算网络中输入输出样本数据的采集是一项重要而艰巨的任务。如图3所示的神经网络的样本一般都是成千上万的。通常可以通过实测获取样本数据。对建筑物的室内外参数进行现场实测，得到各除湿机房间的温度、相对湿度、人员密度、房间和围护结构的几何尺寸及室外气象资料等输入参数；同时，相应于各组输入参数，测量各房间的送风量并计算出实际运行所需要的设备负荷，或者直接测量冷热源机组、除湿机机组（风机盘管）等设备的容量得到相应的设计负荷等输出参数。也可以从各大设计院提取除湿机设计原始资料和负荷计算结果，并根据工程建成后使用者的反应的好坏来取舍某些数据，必要时到现场实测一些数。
　　4、结论除湿机负荷神经网络模型算法是一种全新的除湿机负荷计算方法，在理论上是可行的，并克服了传统计算方法的缺陷，优势明显。其主要优势是：当房间和建筑物参数无法获得或确定时，传统计算方法就无法处理或处理不合理，而神经网络模型算法则可以忽略掉这些参数，得到一个与实际非常接近的满足工程设计要求的最终结果，从而指导工程设计；输入参数与输出参数相对应，计算过程简单，使用方便。除湿机负荷神经计算法也有它的局限性，主要表现在输入输出参数太多时，大样本数据采集比较困难，因此不宜用来计算动态负荷。而且这种方法引的计算精度也不是百分之百，实际情况也会有一定的偏差。，尽管如此，除湿机负荷神经计算法的精度仍然要高于传统的除湿机负荷计算方法，而且它本身有一套学习训练过程，可以将计算精度不断提高。