1、文献翻译学生姓名 苟占杰 专业班级 热能与动力工程 10-02 班 学 号 541002020206 院 （系） 机电工程学院 指导教师（职称）胡楚怡（讲师） 完成时间 2014 年 3 月 20 日 MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法1MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法摘 要本文提出了一种新的方法预测开式立式冷藏陈列柜的性能。该方法就是基于开式立式冷藏陈列柜的调制传递函数（MTF）模型和自适应支持向量机（ASVM）算法。基于开式立式冷藏陈列柜建立一个调制传递函数（MTF）模型（物理模型）之后，主动支持向量机（ASVM）算法（机器学习
2、算法）也随之建立。为了验证操作过程中陈列柜性能的一个重要因素内阁漏风量，所以要建立调制传递函数（MTF）模型。在 MTF 模型输出进行训练和验证的数据后，使用 ASVM 算法来解决问题。实验中使用该预测方法所得的控制参数组合与原来陈列柜的实验结果相比，除霜水的质量和总能源消耗/总展示面积（TEC/TDA）分别减少了 39.2%和 19.3%。关键词： 陈列柜 预测 建模 空气 泄漏 模拟引言冷藏陈列柜在食物冷链中发挥着重要的作用，因为它是冷链的终端，并且在消费者购物时直接面向消费者。由于其高度的暴露于周围环境，所以陈列橱柜消耗大量的能量。根据电力研究所的统计，一个超市大约 60%的电能用于制冷
3、。开式立式冷藏陈列柜，尽管消耗大量的能源，但它却是陈列柜的常见类型，因为它能在一个小面积内展示大量的食物。因此，尽管具有永久玻璃门的陈列柜可以减少能源消耗的 50%，开式陈列柜却是超市系统中最重要的一个组成部分。此外，漏风量是影响陈列柜性能的关键因素。许多研究表明，由于冷冻负荷和周围空气之间的唯一阻碍是一个或一个以上的风幕，因而可能存在一个显著的环境湿热空气夹带，这样的操作条件也导致食品温度控制不佳。在陈列柜的蒸发器和食品表面形成露水或霜同样显著增加能量消耗。MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法2虽然对陈列柜的性能已进行了许多研究，但是大多数研究只强调完善进行实验的
4、方法或计算流体动力学模拟等几个方面。结果就是很少有论文能够就研究多个参数之间的关系进而对陈列柜的性能做出系统性预测。本文试图填补这一空白。特别是，我们对开式立式冷藏陈列性能的研究使用了 MTF 模型和主动支持向量机算法。斯伯丁 1984 年提出的两种流体（TF）模型，可以概括如下：（1）湍流是每种流体相互作用的综合运动；（2）两种流体各自占有不同的体积分数，即两种流体分别存在一定的体积；（3）两种流体分别按照他们的控制微分方程运动，前后保持连续；（4）两种流体的不同在于特性浓度，温度，流动方向或体积。最近，两种流体（TF）模型已经成为研究流体动力学的一个很好的方法，如自由射流（Ilegbusi
5、 and Spalding，1987），平板流（Ilegbusi and Spalding，1989），管道流（Ilegbusi and Spalding，1987），壁附近的流动（Ilegbusi and Spalding， 1987），Couette 流（丁，1987），分层流（Shen 等人，2003），泄露问题（盛和约翰逊，2000）和空气夹带（Yu 等人，2008；曹等人，2010）等。在上述情况下，预测结果与实验结果吻合良好。由 Vapnik 和他的小组在 AT&T 贝尔实验室开发的支持向量机（SVM）是一种很有前途的技术（Vapnik 等人，1995；Cortes 和 Vapni
6、k 等人，1995；Boser ， 1992；Burges，1996）。这种新的机器学习算法可以被视为径向基函数和多层感知器分类多项式的替代技术。不像传统的基于经验风险最小化原则（ERM ）的人工神经网络算法，支持向量机算法将结构风险最小化原则引入实验中，这种方法需要较少的试验样品却获得良好的实验效果，同时降低了实验所需的时间和成本。支持向量机（SVM）训练等同于解决一个二次线性方程，方程中变量的数量等于已知数的数量。此外，支持向量机（SVM）能够用来研究在高维特征空间中很好分离的超平面问题。相比于从包含数据矩阵的变量中估计参数系数，支持向量机（SVM ）利用观测估计参数系数。因此，一个支持向
7、量机（SVM ）的特征空间可能等效于在训练支持向量机中使用的观测数。减少估计系数的数量被称为稀疏，往往是通过优化技术实现的。它由泛化理论，即 SVM 很少过度拟合数据，MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法3通过控制平面的边缘的措施实现稀疏的。因此，运用优化理论建立支持向量机，通常用拉格朗日乘数或 karushekuhnetucker 条件，到边缘。此外，Vapnik 的 e-insensitive 损失函数和内核功能的引进扩展了支持向量机解决非线性回归估计和噪声特性问题的能力。基于统计学理论，支持向量机（SVM）是一种具有良好理论性能的新方法，最近已在暖通空调和制冷
8、领域广泛的发展与应用。为了预测冷藏展示柜的性能，根据开式立式冷藏陈列柜建立一个传递函数（MTF）模型（物理模型），然后自适应支持向量机（ASVM）（机器学习算法）随之建立了。3 方法3.1 实验设施/展示柜本次研究的对象是拥有单层冷空气幕的开式立式冷藏陈列单元（图 1）。陈列柜长 2.5 米，高 2 米，深 1.1 米，陈列窗高 1.65 米。该陈列柜系统包括三个循环：制冷剂循环，冷凝式空气循环和蒸发空气幕循环。制冷剂回路是一个单级蒸汽压缩装置，使用 R22 作为工质，基本组件为：往复式压缩机，翅片管式蒸发器，热力膨胀阀和翅片管冷凝器。如图 6 所示，该实验在一个长 8 米，高 3.5 米，深
9、 6 米的风洞试验室中进行。特别要强调的是，在试验室中空气沿风洞纵向轴匀速移动，速度为 0.1m/s 至 0.2m/s。风洞试验室要有特殊的空调系统（包括加湿器）。根据 EN ISO23953-2，试验室应供应方向平行纵向轴线，速度 0.1m/s 至 0.2m/s 的空气，从而确保整个风洞中的空气均达到试验要求。分别用精度为 0.1的 T 型热电偶和满量程范围内精度为 0.1%的压电式压力计测量温度和压力。T 型热电偶安装在带有试验包的陈列柜上，其中有一些是 M 包。由 HMAM25203 实验室数据采集系统在 12 小时中每隔 60 秒收集一次测量数据。此外，除霜水的质量由一个测量范围 01
10、00 公斤，满量程范围精度为 0.015%的计量表进行测量。MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法4图 1 开式立式冷藏陈列柜图 6 冷藏展示柜测试实验装置3.2 实验设计根据 EN ISO 23953-2（2005）标准，空气泄漏量是通过测量除霜水质量获得的。显著影响除霜水质量的因素如下：送风温度 Ts，回风温度 Tr，环境温度Ta，饱和蒸发温度 Tse，蒸发器出口温度 Teo，送风口的角度 ，蜂窝结构的送尾管回风支架蒸发器后格栅空气源过滤网气流 1 气流 2立式开式陈列柜气流T 型热电偶M 包 帷幕除霜控制器MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能
11、的新方法5风口网孔直径 D 和环境相对湿度 ha。许多试验者根据 Rigot 的方法（Rigot，1990）定义一个“入渗率”，入渗率描述了漏风量，同时遵循 Ts、Ta 、Tr 之间一个简单的能量平衡关系。参数 Ts，Ta 和 Tr 可直接测量，在这里选择是为了简化计算。从发展低温陈列柜工质的过程中得出的经验以及从陈列柜实验的实际情况分析出设计范围内上面提到的参数值如下：参照 M1 标准（陈列柜内的温度在-15之间）随机选取 60 组控制参数作为空气泄露试验的试验操作条件，该实验在环境温度为 25的实验室中进行。由于环境温度保持在 25左右，因而要求送风温度在-611，回风温度在 321。进行
12、一段除霜测试后，将上夜帘（图 6）拉下从而使陈列柜内的空气与外部环境隔离。然后设置除霜控制器（除霜周期，除霜时间分别设置为 4 小时和 35 分钟），并在一个除霜周期结束后测定除霜水的质量。此外每次测量持续 3 个除霜周期。然后将实验测定的除霜水质量与模型预测结果比较，从而确定 MTF 模型的精度。4 结果与讨论4.1 调制传递函数（ MTF）模型结果和讨论本节总结了使用 MTF 模型模拟陈列柜的性能得到的结果。这项工作的目的是验证使用 MTF 模型在预测陈列柜性能方面的有效性。为了做到这一点，我们将使用 MTF 得到的结果与使用 YU 模型得到的结果进行比较。如图 7 所示，我们可以清楚地看
13、出使用 MTF 模型预测的精度好于使用 YU模型预测的精确度。一般来说，在 95%的置信区间，由 MTF 模型预测的融霜水质量和实验结果相比误差低于 8%。相比之下使用 YU 模型误差在15%。此外，实验测试所需的 12 小时内 MTF 模型每个测量周期，只需 0.5 小时，在要实验测定 Mc 值（kg）MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法6求得到高精度结果的前提下，该模型节省实验时间和实验成本。图 7 MTF 模型和 Yu 模型的预测精度4.2 主动支持向量机算法（ASVM）的结果与讨论从 MTF 模型得到的共 120 个除霜水的质量和控制参数的数据集被随机选择作
14、为主动支持向量机算法的训练数据集和验证数据集。但是，在训练主动支持向量机模型时覆盖陈列柜整个预期的操作范围非常重要，所以要确保开发模型的培训数据集覆盖该模型输入和输出变量的最大值和最小值。图 8（a）的 60个验证数据集显示了主动支持向量机算法产生输出的回归精度较高。在 95%的置信区间，利用 ASVM 算法预测除霜水的质量误差是小于 5%的。此外，使用同一台计算机，ASVM 算法具有的收敛速度比同一个数量级的 MTF 模型快。研究将噪声添加到数据集后，主动算法的精确性。由于主动支持向量机方法对于一个特定的噪声分布不是特别敏感，于是选用高斯噪声。在之后的实验中，当使用噪声数据集发展预测模型时使
15、用的自由参数值（C，X ，和最初的 ）相同。如图 8（b）（d），高斯噪声带有标准偏差（）（=0.08、=0.10、=0.12 ）的目标（）被添加到验证数据集输出的每个数据预测Mc值（ kg）实验测定 Mc 值MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法7点。从图 8 可以看出，主动支持向量机算法在这项工作中，是尽可能降低高斯噪声的。标准偏差 =0.08 的噪声水平置信区间为 95%，通过主动支持向量机的预测结果与在没有噪声的情况下获得的结果相比准确度只有轻微的减少（在10%的误差带内）。结果的准确性比较时，其他统计的指标如 R-RMSE 等与预测结果也有很好的一致性。甚至
16、更高的噪音水平（=0.10，=0.12），预测的性能也还是不错的（15%至18%）。图 8 不同程度的高斯噪声对 ASVM 预测性能的影响4.3 方法验证MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法8通过输入一组参数（例如 Q，H，D，等在不等式组（36），除霜水质量的相应值可以从 AVSM 中获得。如果 MC 的值，均由受过训练的主动支持向量机的计算所得，则每一个对应于一组控制参数的值。控制参数的范围满足不等式（36），从计算结果中得到最小的 MC 值，也是用来作为设计或进一步实验验证改进条件的一个相应的参数。然而，不等式组的各控制参数的最小间隔（36）设置应根据温度和湿
17、度的测量精度（根据 EN ISO 23953-2，环境温度的测量精度要求为 1，环境相对湿度的测量精度为 5%），同时最小的加工尺寸 和 D 等的设置也是如此。另外 MC 的值是没有任何实际意义的结果。在这里（Teo-Tse）、（ Ta-Ts）、（Ta-Tr）、D 以及 ha 的最小间隔分别是0.1（Teo ，Tse 的测量精度均为 0.1）、1.0、1.0、1.0、1.0、5。在最低的除霜水质量相应参数组被用来改善陈列柜性能之后，使用 M1 标准在 25环境温度下进行验证除霜水的质量和能源消耗的测试。根据 EN ISO 23953-2（2005）标准，陈列柜的性能通过陈列柜每平方米的日能量消
18、耗进行评估，依据的公式如下：TEC 代表每天能源消费总量，单位为千瓦每小时；TDA 代表总展示面积；REC是制冷电器每天的能源消耗，单位为千瓦每小时；DEC 代表每天直接能源消耗（包括风扇，照明和热水器，等），单位为千瓦每小时。如表 1 所示，目前的陈列柜实验空气泄漏量低于原先的陈列柜。当下列控制参数被应用（送风温度 2和回风温度 5）时，可以看到，除霜水的数量和现有陈列柜 TEC/TDA 达到 11.40 千克和 9.97 千瓦时每平方米每天，这两项数据分别减少了 39.2%和 19.3%。此外，当在现有陈列柜的基础上，将相对湿度定为 60%，除霜水的质量和 TEC/TDA 将达到 15.8
19、8 公斤和 10.78 千瓦时每平方米每天。因为主动支持向量机训练集是从 MTF 模型中获得的，由于 MTF (8%) 和 ASVM (5%)的累积误差，除霜水的质量预测量（Mc=9.6 1 千克）和测量量（Mc=11.4 千克）的相对误差是 15.7%。如果 ASVM 利用实测数据训练，实验结果将可达到高精度，但是这将需要大量实验时间和实验资源。MTF 模型和 ASVM 算法预测开式立式冷藏陈列柜性能的新方法95 结论对于预测开式立式冷藏陈列柜的性能已经发展出了一种有效的方法。为了处理控制参数之间的非线性关系，引入调制传递函数(MTF)模型和主动支持向量机（ASVM ）算法建立关于除霜水质量
20、的目标函数。与使用传统设计方法解决这些预测问题相比，利用调制传递函数(MTF)模型和主动支持向量机（ASVM）算法被认为是一种减少大量的时间和成本要求的有效方法。预测方法的验证和评价是通过实验数据进行的。通过实验得到的结果表明，预测模型的除霜水质量和能源消耗，分别下降了 39.2%和 19.3%。这项研究还发现，预测方法使用的调制传递函数(MTF)模型和主动支持向量机（ASVM ）算法具有高度的准确性和对噪声的减弱性。结果发现，这些模型在工业制造陈列柜方面可以用于设计有效的和节能的预测方法。表 1 除霜水质量，TEC/TDA 以及控制参数前后对比参数 （T eo-Tse）(K)(Ta-Ts)(K)(Ta-Tr)(K)(0) D(mm) Ha(%) Mc(kg) TEC/TDA原始数据7 28 17 0 3 60 18.75 11.89现在数据5 27 20 7 6 40 11.40 9.97
