未來十年除濕機模型系統新型走向

　　未來十年除濕機模型系統新型走向

　　1、神經網絡算法原理人工神經網絡（ArtificialNeuralNetworks）模型，簡稱神經網絡，是由大量與自然神經系統細胞類似的人工神經元互聯而成的網絡，大量的神經元組成龐大的神經網絡，實現對復雜信息的處理與儲存，并表現出各種優越的特性。為模擬生物神經元，一個簡化的人工神經元結構如所示。1）式中，（1，2，，）jxjn=是從其他細胞傳來的輸入信號；iθ為閥值；ijw表示從細胞j到細胞I的連接權值；（f）

　　為傳遞函數。傳遞函數可為非線性函數，或具有任意階導數的非線性函數。常用的傳遞函數有階躍函數、Sigmoid型函數和高斯型函數。

　　根據連接方式，神經網絡常分成兩大類：沒有反饋的向前神經網絡和相互結合型網絡，我們最常用的一種向前神經網絡是BP神經網絡（BackpropugationNeuralNetwork），該神經網絡是單向傳播的多層向前神經網絡，其結構如圖2所示。網絡除輸入輸出節點外，有一層或多層隱含節點，同層節點間沒有任何連接。輸入信號（1，2，，）jxjn=加載到網絡上后，輸入的信號從輸入層經隱含層單元逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元狀態。在輸出層信號與期望值進行比較，如果存在誤差，則將誤差沿原來連接路徑返回，通過修改層間各節點的連接權值，使誤差信號減少直到預先規定的范圍。

　　在網絡運行開始時，與中間層每個處理單元相連的權值都要賦以不同的值。這些權值可能是隨機產生的，也可能是已存好的訓練產生的數據。即使所有中間處理層的處理元件的傳遞函數和它們的輸入信號是完全相同的，每一個處理元件在不同初始權值作用下也將產生不同的輸出，輸出后產生神經網絡的輸出信號（1，2，，）iyin=。x12xnmy21y輸入層隱含層輸出層

　　預先設定若干組輸入和輸出值，對整個網絡節點的權值進行初始化，當網絡運行后，對應每一組輸入，均有相應的輸出，這些輸入、輸出值之間的規律是符合指導學習值規律的。不斷地對這種BP網絡進行訓練、指導學習，使網絡節點的權值調整到更接近于實際規律，從而每一組輸入所對應的輸出也更符合實際。另外，提高隱節點數目或層數可以提高網絡計算的精度。總之，樣本數據越多，隱節點層數和每層節點數越合理，網絡計算的精度就越高。

　　2、除濕機負荷的神經網絡模型實際工程設計中影響除濕機負荷的因數有很多，對于任意一個負荷計算的房間來說，有房間用途、房間溫度，房間相對濕度，房屋面積，房屋相對濕度等等，而對于設計人員來說，最后要得到的最基本數據只有三個，房間冷負荷，房間熱負荷和房間濕負荷。根據這些輸入輸出參數的特點建立的BP神經網絡結構如所示。

　　在所示除濕機負荷BP神經網絡中，設計了一個輸入層、一個輸出層和兩個隱含層，每層節點數可以根據實際情況選定。用戶在輸入層輸入需要的參數以后，網絡的隱層自動根據它對樣本數據總結出的規律和函數關系式產生一定的輸出。這個過程并不是對樣本數據進行簡單的插值運算或擬合運算，也不是得到一組微分方程后進行的解析運算，它是一種類似大腦思維的復雜過程的智能運算。隱層的功能就是這個運算過程，只是這個運算過程是由計算機通過神經網絡自動完成的，不是編程人員預先設置的算法規則。

　　除濕機負荷神經網絡要完成非常復雜的計算過程，網絡中各層節點的權值是非常重要的，但這些權值是通過學習訓練才能確定。為了進行學習訓練，需要采集大量樣本數據，然后通過學習訓練，神經網絡自動總結出了輸入與輸出數據之間的某種復雜關系，并將這種關系用權值表示出來，這樣，輸入與輸出樣本數據之間的復雜關系就能應用于非樣本數據了，此時，除濕機負荷神經計算BP網絡就真正建立起來。由此可見，神經網絡舍棄了線性系統和傳遞函數的概念，強調從實際中總結經驗。對于暖通除濕機設計人員來說，是一種全新的方法。這種方法放棄了種種復雜的微分方程、計算公式、主觀因素等，它本身的原理盡管非常復雜，但經過大量實踐論證是正確的。

　　以上的網絡模型和學習訓練方法可以同過Matlab6.x軟件的神經網絡工具箱實現。

　　3、除濕機負荷的神經網絡模型的輸入輸出參數選擇與采集根據神經網絡的特點，除濕機負荷神經計算網絡中的輸入參數是用戶可以很方便地確定、不帶主觀因素的實際值，這樣就不必像傳統的計算方法那樣要求輸入包括一時無法確定的各種參數，如窗墻的結構、面積等。同樣，除濕機負荷神經計算網絡中的輸出參數應該是容易測量的客觀參數，在房間設計負荷計算網絡中，只適宜以最終的能直接用來選擇冷凍機組、風機盤管等設備的負荷容量作為輸出參數。通常，結構或參數上略有差別的大樓所選設備的容量可能是一樣的，同樣，即使同一類房間的圍護結構有某些差別，所得到的除濕機設計負荷可能是相同的。因此，上述房間負荷計算網絡中的輸入參數中沒有提到圍護結構材料等，事實上，這些參數在方案設計階段是無法準確得到的，即使設計時準確定義為某一類圍護結構，在施工過程中也可能會由于各種原因而改變其導熱特性。理論上，這是不正確的，但在工程上是允許的，它能夠滿足工程設計要求。神經網絡并不是萬能的，除濕機負荷神經計算法也不能解決除濕機負荷計算中的所有問題，但它作為一種新思路解決工程設計中的實際問題是完全可行的。

　　除濕機負荷神經計算網絡中輸入輸出樣本數據的采集是一項重要而艱巨的任務。如圖3所示的神經網絡的樣本一般都是成千上萬的。通常可以通過實測獲取樣本數據。對建筑物的室內外參數進行現場實測，得到各除濕機房間的溫度、相對濕度、人員密度、房間和圍護結構的幾何尺寸及室外氣象資料等輸入參數；同時，相應于各組輸入參數，測量各房間的送風量并計算出實際運行所需要的設備負荷，或者直接測量冷熱源機組、除濕機機組（風機盤管）等設備的容量得到相應的設計負荷等輸出參數。也可以從各大設計院提取除濕機設計原始資料和負荷計算結果，并根據工程建成后使用者的反應的好壞來取舍某些數據，必要時到現場實測一些數。

　　4、結論除濕機負荷神經網絡模型算法是一種全新的除濕機負荷計算方法，在理論上是可行的，并克服了傳統計算方法的缺陷，優勢明顯。其主要優勢是：當房間和建筑物參數無法獲得或確定時，傳統計算方法就無法處理或處理不合理，而神經網絡模型算法則可以忽略掉這些參數，得到一個與實際非常接近的滿足工程設計要求的最終結果，從而指導工程設計；輸入參數與輸出參數相對應，計算過程簡單，使用方便。除濕機負荷神經計算法也有它的局限性，主要表現在輸入輸出參數太多時，大樣本數據采集比較困難，因此不宜用來計算動態負荷。而且這種方法引的計算精度也不是百分之百，實際情況也會有一定的偏差。，盡管如此，除濕機負荷神經計算法的精度仍然要高于傳統的除濕機負荷計算方法，而且它本身有一套學習訓練過程，可以將計算精度不斷提高。