（未來十年除濕機模型系統(tǒng)新型走向）

　　未來十年除濕機模型系統(tǒng)新型走向

　　1、神經(jīng)網(wǎng)絡算法原理人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetworks）模型，簡稱神經(jīng)網(wǎng)絡，是由大量與自然神經(jīng)系統(tǒng)細胞類似的人工神經(jīng)元互聯(lián)而成的網(wǎng)絡，大量的神經(jīng)元組成龐大的神經(jīng)網(wǎng)絡，實現(xiàn)對復雜信息的處理與儲存，并表現(xiàn)出各種優(yōu)越的特性。為模擬生物神經(jīng)元，一個簡化的人工神經(jīng)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(shù)。傳遞函數(shù)可為非線性函數(shù)，或具有任意階導數(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)絡常分成兩大類：沒有反饋的向前神經(jīng)網(wǎng)絡和相互結合型網(wǎng)絡，我們最常用的一種向前神經(jīng)網(wǎng)絡是BP神經(jīng)網(wǎng)絡（BackpropugationNeuralNetwork），該神經(jīng)網(wǎng)絡是單向傳播的多層向前神經(jīng)網(wǎng)絡，其結構如圖2所示。網(wǎng)絡除輸入輸出節(jié)點外，有一層或多層隱含節(jié)點，同層節(jié)點間沒有任何連接。輸入信號（1，2，，）jxjn=加載到網(wǎng)絡上后，輸入的信號從輸入層經(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(jié)點的連接權值，使誤差信號減少直到預先規(guī)定的范圍。

　　在網(wǎng)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(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(jīng)網(wǎng)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(wǎng)絡節(jié)點的權值進行初始化，當網(wǎng)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(guī)律是符合指導學習值規(guī)律的。不斷地對這種BP網(wǎng)絡進行訓練、指導學習，使網(wǎng)絡節(jié)點的權值調整到更接近于實際規(guī)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(jié)點數(shù)目或層數(shù)可以提高網(wǎng)絡計算的精度。總之，樣本數(shù)據(jù)越多，隱節(jié)點層數(shù)和每層節(jié)點數(shù)越合理，網(wǎng)絡計算的精度就越高。

　　2、除濕機負荷的神經(jīng)網(wǎng)絡模型實際工程設計中影響除濕機負荷的因數(shù)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(shù)據(jù)只有三個，房間冷負荷，房間熱負荷和房間濕負荷。根據(jù)這些輸入輸出參數(shù)的特點建立的BP神經(jīng)網(wǎng)絡結構如所示。

　　在所示除濕機負荷BP神經(jīng)網(wǎng)絡中，設計了一個輸入層、一個輸出層和兩個隱含層，每層節(jié)點數(shù)可以根據(jù)實際情況選定。用戶在輸入層輸入需要的參數(shù)以后，網(wǎng)絡的隱層自動根據(jù)它對樣本數(shù)據(jù)總結出的規(guī)律和函數(shù)關系式產生一定的輸出。這個過程并不是對樣本數(shù)據(jù)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(jīng)網(wǎng)絡自動完成的，不是編程人員預先設置的算法規(guī)則。

　　除濕機負荷神經(jīng)網(wǎng)絡要完成非常復雜的計算過程，網(wǎng)絡中各層節(jié)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(shù)據(jù)，然后通過學習訓練，神經(jīng)網(wǎng)絡自動總結出了輸入與輸出數(shù)據(jù)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(shù)據(jù)之間的復雜關系就能應用于非樣本數(shù)據(jù)了，此時，除濕機負荷神經(jīng)計算BP網(wǎng)絡就真正建立起來。由此可見，神經(jīng)網(wǎng)絡舍棄了線性系統(tǒng)和傳遞函數(shù)的概念，強調從實際中總結經(jīng)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(jīng)過大量實踐論證是正確的。

　　以上的網(wǎng)絡模型和學習訓練方法可以同過Matlab6.x軟件的神經(jīng)網(wǎng)絡工具箱實現(xiàn)。

　　3、除濕機負荷的神經(jīng)網(wǎng)絡模型的輸入輸出參數(shù)選擇與采集根據(jù)神經(jīng)網(wǎng)絡的特點，除濕機負荷神經(jīng)計算網(wǎng)絡中的輸入?yún)?shù)是用戶可以很方便地確定、不帶主觀因素的實際值，這樣就不必像傳統(tǒng)的計算方法那樣要求輸入包括一時無法確定的各種參數(shù)，如窗墻的結構、面積等。同樣，除濕機負荷神經(jīng)計算網(wǎng)絡中的輸出參數(shù)應該是容易測量的客觀參數(shù)，在房間設計負荷計算網(wǎng)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(shù)。通常，結構或參數(shù)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(wǎng)絡中的輸入?yún)?shù)中沒有提到圍護結構材料等，事實上，這些參數(shù)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(jīng)網(wǎng)絡并不是萬能的，除濕機負荷神經(jīng)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(jīng)計算網(wǎng)絡中輸入輸出樣本數(shù)據(jù)的采集是一項重要而艱巨的任務。如圖3所示的神經(jīng)網(wǎng)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(shù)據(jù)。對建筑物的室內外參數(shù)進行現(xiàn)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?yún)?shù)；同時，相應于各組輸入?yún)?shù)，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(shù)。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(jù)工程建成后使用者的反應的好壞來取舍某些數(shù)據(jù)，必要時到現(xiàn)場實測一些數(shù)。

　　4、結論除濕機負荷神經(jīng)網(wǎng)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(tǒng)計算方法的缺陷，優(yōu)勢明顯。其主要優(yōu)勢是：當房間和建筑物參數(shù)無法獲得或確定時，傳統(tǒng)計算方法就無法處理或處理不合理，而神經(jīng)網(wǎng)絡模型算法則可以忽略掉這些參數(shù)，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?yún)?shù)與輸出參數(shù)相對應，計算過程簡單，使用方便。除濕機負荷神經(jīng)計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，大樣本數(shù)據(jù)采集比較困難，因此不宜用來計算動態(tài)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(jīng)計算法的精度仍然要高于傳統(tǒng)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。