论文部分内容阅读
冷库运行过程中库门频繁开关使得大量外界热湿空气得以进入库内。入库货物在降温和保存过程中也存在着大量热湿交换。湿空气携带的水汽在经过风机和翅片管表面时会凝结成霜。随着霜层的积累,换热器的换热性能逐渐下降,这意味着达到相同温度,系统需要运行更长时间,消耗更多能源。为了防止这种运行现象的出现,最常采用的办法是定时融霜。对于运营管理水平较先进的冷库,在一些情况下本不需要融霜,却因为这种定时执行的机制而停机融霜,这变相增加了冷库的能耗。因此,为了实现“按需除霜”,对除霜起始点和除霜持续时长的研究就显得尤为重要。本文针对翅片管换热器除霜的控制策略问题进行实验和建模研究。由于实验时间较短时难以通过称取融霜水的重量来准确测量结霜量问题的存在,决定采用析湿量累加的方法来近似计算结霜量。首先,利用“微元法”的思想,将结霜过程转化为以分钟为单位时间的、湿空气析出水分过程的叠加。当累计析湿量达到预设值时,系统可发出化霜信号,执行一次化霜操作。接着,利用能量守恒定律和质量守恒定律建立了翅片管换热器结霜过程的集中参数模型,包括换热模型和霜层生长模型两部分。在特定工况下,通过对数平均温差法和二分法,计算了湿空气通过控制单元时换热量。根据进口空气参数,可进一步计算出湿空气在单位时间内的析湿量,并给出了在一段时间内析湿量累加的结果。同时,介绍了BP神经网络的基本原理与实现流程、数学表达及其在制冷系统领域的应用情况。针对本文涉及到的除霜起始点和化霜持续时长两个问题,分别建立结霜量预测模型和化霜时长预测模型,并以流程图的形式展示了模型的训练过程,提出了模型的评价指标及必要的优化措施。其次,介绍了低温风洞实验台的相关情况,包括温湿度控制系统、被试机系统、数据采集系统等,并对实验用的换热器进行了校核计算。随后,实验研究了在不同的空气温度、相对湿度和风速的情况下,在不同的制冷系统工况下,翅片管换热器的结霜过程。实验过程中主要采集了湿空气的温度、相对湿度、风量、进出口含湿量等参数,也记录了实验持续的时长和化霜持续的时长,为训练神经网络模型做准备。最后,利用清洗后的实验数据确定网络隐藏层节点数并分别训练、测试两个模型。通过训练过程性能曲线图、回归分析、数据统计、测试数据结果对比等手段分析了网络的性能,并给出了在最优解情况下,神经网络的权值矩阵。针对两个网络的特点,分别提出了优化方向。本文神经网络模型训练部分得到以下结论:(1)随着训练过程的进行,两个神经网络模型的性能曲线呈下降趋势,表明模型在逐渐收敛。结霜量预测模型在第25385次训练后收敛,此时的均方误差值为0.00070588,小于训练设定值0.01。该数据反归一化后为5.138,表示神经网络的计算值与实测值之间的均方误差值为5.138克。其标准差占实测平均析湿量的百分比约为11.21%。化霜时长预测模型在第139次训练后收敛,此时的均方误差值为0.0011469,小于训练设定值0.005。该数据反归一化后为3.992,表示神经网络的计算值与实测值之间的均方误差值为3.992分钟。(2)结霜量预测模型中,在训练数据集、验证数据集和测试数据集上,实测值与神经网络计算值之间的回归系数R分别为0.96125、0.97197、0.96443,均超过96%。在用于测试的1062组数据中,误差在10%以内的数据为758组,占71.37%;误差在20%以内的数据有979组,占比92.18%;所有测试数据的平均误差为10.1061%。化霜时长预测模型中,在训练数据集、验证数据集、测试数据集和全体数据上,实测值与神经网络计算值之间的回归系数R分别为0.99158、0.99783、0.98618、0.99077,均超过98%。用于测试的4组数据的误差值分别为0.0047%、-3.59%、-7%和-4.21%,均在可接受范围内。综合以上数据,可以得出结论:本文提出的两个神经网络模型的预测精度均在可接受范围内,可以用来预测结霜量和化霜时长。