基于机器学习的制冷机系统建模和优化方法与流程

本发明涉及数据处理领域，尤其涉及基于机器学习的制冷机系统建模和优化方法。

背景技术：

1、在新能源电池测试和半导体生产等工业场景中，制冷机系统的性能和效率对生产过程的稳定性和产品质量有着至关重要的影响。制冷机系统在这些应用中负责维持特定的温度条件，以确保生产环境的最佳状态。例如，在新能源电池测试中，温度控制直接影响电池性能的评估结果；而在半导体生产中，精确的温度控制是确保产品质量和良品率的重要因素。然而，制冷机系统通常依赖传统控制方法，这些方法包括基于固定规则的控制策略、pid控制和简单的反馈控制等。虽然这些方法在一定程度上可以维持制冷机系统的稳定运行，但在面对复杂多变的工况时，其表现往往不够理想。

2、随着机器学习技术的进步，利用数据驱动的方法对制冷机系统进行建模和优化成为可能。数据驱动的方法依靠大量的历史运行数据，通过机器学习算法自动学习制冷机系统的动态特性和复杂的非线性关系，从而实现更加精确的建模和控制。

3、但上述技术至少存在如下技术问题：数据处理时的质量和多样性不足以及对制冷机系统的建模和优化不够准确的技术问题。

技术实现思路

1、本发明提供基于机器学习的制冷机系统建模和优化方法，解决了数据处理时的质量和多样性不足以及对制冷机系统的建模和优化不够准确的技术问题。

2、本发明的基于机器学习的制冷机系统建模和优化方法，具体包括以下技术方案：

3、基于机器学习的制冷机系统建模和优化方法，包括以下步骤：

4、s1. 获取并预处理制冷机系统的运行数据，得到预处理后的运行数据；对预处理后的运行数据使用多维空间自适应增强变换算法进行增强处理，得到增强处理后的运行数据，所述多维空间自适应增强变换算法实现过程如下：

5、对预处理后的运行数据通过高斯混合模型进行高斯混合变换处理，得到增强数据；应用自适应非线性映射将增强数据映射到高维非线性空间中；通过在不同尺度上引入正弦和高斯扰动，得到扰动数据；对扰动数据进行频域与时域的联合变换；基于频域与时域的联合变换结果，重构运行数据的协方差矩阵，并利用多元正态分布生成新的增强数据；将新的增强数据进行逆变换，通过逆频域变换将新的增强数据从时频域信号转换回扰动空间数据，得到时域信号；去除扰动后，将时域信号从高维非线性空间转换回原始特征空间，得到增强处理后的运行数据；

6、s2. 构建制冷机系统的运行特性模型，并采用混合自适应动力优化算法优化制冷机系统运行特性模型的模型参数，得到优化后的模型参数，进而得到优化后的制冷机系统运行特性模型；基于优化后的制冷机系统运行特性模型的预测结果，动态调整制冷机系统的运行参数。

7、优选的，所述s1，具体包括：

8、在多维空间自适应增强变换算法实现过程中，应用自适应非线性映射将增强数据映射到高维非线性空间中，映射公式为：

9、，

10、其中，为映射数据，是基于高斯混合模型生成的具有两种及以上分布特征的增强数据，、、为权重矩阵，、、为偏置向量，为激活函数，为双曲正切函数，和为缩放系数。

11、优选的，所述s1，具体包括：

12、在多维空间自适应增强变换算法实现过程中，在映射后的高维非线性空间中生成多尺度扰动；通过在不同尺度上引入正弦和高斯扰动，得到扰动数据，扰动生成公式为：

13、，

14、其中，为第个正弦扰动的幅度，为第个正弦扰动的频率，为时间，为第个正弦扰动的相位偏移，、、分别为第个高斯扰动的幅度、均值和标准差，为扰动的总数量；为生成的扰动数据。

15、优选的，所述s1，具体包括：

16、在多维空间自适应增强变换算法实现过程中，对扰动数据进行频域与时域的联合变换，具体变换公式为：

17、，

18、其中，为信号在频率和时间上的频域与时域的联合变换结果，为扰动后的时域信号，为频率，为虚数单位，为时间，为时域高斯窗口的标准差，是积分变量；

19、基于频域与时域的联合变换结果，重构运行数据的协方差矩阵，协方差矩阵重构公式为：

20、，

21、其中，为重构后的协方差矩阵，为样本数量，为第个样本在时频域中的表示，为时频域数据的均值向量，为正则化参数，为单位矩阵，为增强因子，为高斯混合模型中生成的第个多分布数据，为高斯混合模型中生成的多分布数据的均值向量；是转置；表示高斯混合模型中生成的多分布数据的样本数量。

22、优选的，所述s1，具体包括：

23、在多维空间自适应增强变换算法实现过程中，基于重构后的协方差矩阵，利用多元正态分布生成新的增强数据，生成公式为：

24、，

25、其中，是从标准正态分布中采样的随机向量，是通过对重构后的协方差矩阵进行分解得到的矩阵，使得，为新的增强数据。

26、优选的，所述s2，具体包括：

27、在混合自适应动力优化算法实现过程中，定义适应度函数；基于制冷机系统运行特性模型的模型参数生成初始参数向量，每个参数向量表示一个模型参数；对参数向量实施局部和全局搜索，更新参数向量。

28、优选的，所述s2，具体包括：

29、在每个迭代过程中，通过计算参数向量的适应度函数的值，选择下一代参数向量，不断迭代至满足终止条件，得到优化后的制冷机系统运行特性模型的模型参数。

30、本发明的技术方案的有益效果是：

31、1、引入多维空间自适应增强变换算法通过高斯混合变换、自适应非线性映射、多尺度扰动生成、频域与时域联合变换和协方差矩阵重构等复杂步骤，对工业制冷机系统的运行数据进行多维空间的自适应增强处理；通过重构协方差矩阵并生成新的增强数据，实现了数据的全方位增强处理，显著提高了数据的多样性和鲁棒性，为机器学习模型的训练提供了高质量的数据支持。

32、2、引入混合自适应动力优化算法，结合局部搜索和全局搜索策略，通过自适应调整机制，提升全局最优解的搜索效率，优化制冷机系统运行特性模型的模型参数。

技术特征：

1.基于机器学习的制冷机系统建模和优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于机器学习的制冷机系统建模和优化方法，其特征在于，所述s1，具体包括：

3.根据权利要求2所述的基于机器学习的制冷机系统建模和优化方法，其特征在于，所述s1，具体包括：

4.根据权利要求3所述的基于机器学习的制冷机系统建模和优化方法，其特征在于，所述s1，具体包括：

5.根据权利要求4所述的基于机器学习的制冷机系统建模和优化方法，其特征在于，所述s1，具体包括：

6.根据权利要求1所述的基于机器学习的制冷机系统建模和优化方法，其特征在于，所述s2，具体包括：

7.根据权利要求6所述的基于机器学习的制冷机系统建模和优化方法，其特征在于，所述s2，具体包括：

技术总结
本发明涉及数据处理领域，尤其涉及基于机器学习的制冷机系统建模和优化方法。内容包括：获取并预处理制冷机系统的运行数据，得到预处理后的运行数据；对预处理后的运行数据使用多维空间自适应增强变换算法进行增强处理，得到增强处理后的运行数据；构建制冷机系统的运行特性模型，并采用混合自适应动力优化算法优化制冷机系统运行特性模型的模型参数，得到优化后的模型参数，进而得到优化后的制冷机系统运行特性模型；基于优化后的制冷机系统运行特性模型的预测结果，动态调整制冷机系统的运行参数。解决了数据处理时的质量和多样性不足以及对制冷机系统的建模和优化不够准确的技术问题。

技术研发人员：李四祥,别传卓,宁志强,吴锡灶
受保护的技术使用者：无锡冠亚恒温制冷技术有限公司
技术研发日：
技术公布日：2024/9/23