[发明专利]一种基于机器学习的脉管制冷机工况预测方法及系统

权利要求书

1.一种基于机器学习的脉管制冷机工况预测方法，其特征在于：包括以下步骤：

采集脉管制冷机运行时的工况参数数据，所述工况参数数据包括输入参数和输出参数，所述输入参数包括易于测量的电参数和预达到的制冷参数，所述输出参数包括较难测量的给定脉管制冷机的活塞行程和压力幅值；

将工况参数数据分为二个部分：训练数据、检验数据；

基于训练数据采用LM优化的反向传播算法搭建工况预测模型，通过迭代的方法不断提高工况预测模型的精度，所述工况预测模型包括输入层、隐藏层和输出层，基于训练数据搭建工况预测模型的具体过程为：在输入层中将输入参数作为模型的输入向量X＝(x₁，x₂，x_i)，根据输入向量X＝(x₁，x₂，x_i)计算得到隐藏层中神经元的输出值D＝(d₁，d₂，d_h)，根据神经元的输出值D＝(d₁，d₂，d_h)计算得到输出层的输出向量Y＝(y₁，y₂，y_j)；

所述隐藏层中神经元的输出值D＝(d₁，d₂，d_h)的计算公式为：

所述输出层的输出向量Y＝(y₁，y₂，y_j)的计算公式为：

其中，是x_i对于d_h的权重；是d_h对于y_j的权重；b_j和m_h分别是y_j和d_h的阈值；

将检验数据输入到工况预测模型中，并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对，验证工况预测模型的精度。

2.根据权利要求1所述的基于机器学习的脉管制冷机工况预测方法，其特征在于：所述训练数据和检验数据的分配比例为3:1。

3.根据权利要求1所述的基于机器学习的脉管制冷机工况预测方法，其特征在于：在训练过程中，将计算得到的输出向量Y＝(y₁，y₂，y_j)将与该输入向量对应的实际目标值进行对比，并计算损失函数L(θ)。

4.根据权利要求3所述的基于机器学习的脉管制冷机工况预测方法，其特征在于：所述损失函数L(θ)为均方误差。

5.根据权利要求3所述的基于机器学习的脉管制冷机工况预测方法，其特征在于：在训练过程中，采用梯度下降法将权重和d_h按照使L(θ)向最小化的方向迭代，即其中η是模型的学习率，即迭代的步长。

6.根据权利要求1所述的基于机器学习的脉管制冷机工况预测方法，其特征在于：将检验数据输入到工况预测模型中，将计算得出的预测值和实际测量的数据进行比对，计算它们的均方误差，当均方误差0.001时，代表工况预测模型的预测精度符合要求。

7.一种基于机器学习的脉管制冷机工况预测系统，其特征在于：包括数据采集模块、学习训练模块、检验模块；

所述数据采集模块采集脉管制冷机运行时的工况参数数据，所述工况参数数据包括输入参数和输出参数，所述输入参数包括易于测量的电参数和预达到的制冷参数，所述输出参数包括较难测量的给定脉管制冷机的活塞行程和压力幅值；

将工况参数数据分为二个部分：训练数据、检验数据；

所述学习训练模块基于训练数据采用LM优化的反向传播算法搭建工况预测模型，通过迭代的方法不断提高工况预测模型的精度；所述工况预测模型包括输入层、隐藏层和输出层，基于训练数据搭建工况预测模型的具体过程为：在输入层中将输入参数作为模型的输入向量X＝(x₁，x₂，x_i)，根据输入向量X＝(x₁，x₂，x_i)计算得到隐藏层中神经元的输出值D＝(d₁，d₂，d_h)，根据神经元的输出值D＝(d₁，d₂，d_h)计算得到输出层的输出向量Y＝(y₁，y₂，y_j)；

所述隐藏层中神经元的输出值D＝(d₁，d₂，d_h)的计算公式为：

所述输出层的输出向量Y＝(y₁，y₂，y_j)的计算公式为：

其中，是x_i对于d_h的权重；是d_h对于y_j的权重；b_j和m_h分别是y_j和d_h的阈值；

所述检验模块将检验数据输入到工况预测模型中，并将通过工况预测模型计算得出的预测值和实际测量的数据进行比对，验证工况预测模型的精度。