专利名称：监控膨胀阀的系统的制作方法
技术领域：
本发明涉及对加热或冷却系统运行情况的监控，具体地涉及对这一系统中的致冷回路系统中的膨胀阀的监控。
许多加热和/或冷却系统都采用致冷系统，该致冷回路系统或是从冷却系统的热交换器中吸收热量，或是从加热系统中的热交换器中释放出热量。这些热交换器直接或间接地向建筑物供应冷空气或热空气。此系统中的致冷回路中一膨胀阀将响应于来自加热或冷却系统控制器的命令定量地打开或关闭。偶而，这些膨胀阀也会不按照来自控制器的命令作正确的响应，当该膨胀阀停滞在某一位置时会发生这一现象。这一停滞或失灵的膨胀阀将使加热或冷却系统不能在满效率的情况下运行。这也会发生故障，例如，当液态致冷剂流过该膨胀阀并进入一压缩机时。
目前加热或冷却系统已经配备了多种警报器，以直接显示一失灵或停滞的膨胀阀。例如，当有一个膨胀阀失灵或停滞时，则在位于一个或多个系统压缩机入口侧配有警报器的致冷系统会被触发。然而，系统中发生其它问题时也会触发这些警报器。例如，冷气机致冷回路中致冷剂输送量过低时也会触发用于监控压缩机入口处的吸入压力或吸入温度的警报器。或者这些警报器也有可能在膨胀阀停滞了相当一段时间后才被触发。当警报器的阈值设定不当时可能发生这种情况，例如，用于监控压缩机入口处的吸入压力或吸入温度的警报器阈值可能被设定得太低。
本发明的一个目的在于不依赖一个或多个警报器超过单个阈值范围来监测失灵或停滞的膨胀阀。
本发明的另一个目的在于不依赖可能由于停滞膨胀阀之外的多种原因而被触发的警报器来监测失灵或停滞膨胀阀。
上述的目标和其它目标可以由一监控系统来实现，该系统具有首先对加热或冷却系统中的多种情况进行集中分析的能力。这个加热或冷却系统可用于预测至少一个膨胀阀的正确位置。该监控系统采用一神经网络去学习这些情况是如何受到膨胀阀运行情况影响的。这可通过在一个或多个膨胀阀的多种不同命令阀位置时将加热或冷却系统放在不同环境和加上一定建筑物负荷来实现。收集加热或冷却系统中传感器所产生的数据与一个或多个膨胀阀的控制命令的信息汇合在一起。
所收集的数据是按下列方式施加到监控系统的神经网络中，即对任一组采集到的数据神经网络都能学习精确地计算膨胀阀的位置。神经网络最好由多个输入节点组成，各自接收来自特定的一组明确数据的一块数据。该特定的一组数据最好包括至少一块数据，可由控制器计算，而非仅从传感器中收集。各输入节点连接到神经网络的一功能链路层的一些节点上。在一较佳实施例中，功能链路层的节点还通过加权连接方式连接到两个输出节点上。两个输出节点对两个分开的致冷回路中的两个分开的膨胀阀产生计算出来的阀位置。在仅有一个输出节点时该监控系统也将同样很好的为采用单个膨胀阀的单个致冷回路工作。
输入节点也都通过多个加权连接方式连接到神经网络的一个或多个输出节点上。这些加权连接以及功能链路层节点和输出节点之间的那些连接在数据重复应用过程中被连续地调节，直至一个或多个输出节点产生出计算出来的阀位置基本上与各个膨胀阀的控制命令相等。其后，存储最终调节好的加权连接以便监控系统在操作时的运行时间方式期间采用它们。
因而该监控系统在操作的运行时间方式中采用通过调试和测试的神经网络来分析由一功能加热或冷却系统所提供的各组实时数据。各组实时数据包括施加到神经网络的传感器数据和某些计算数据。具有多个最终调节好的加权连接的神经网络的节点处理这一数据以便产生一个或多个膨胀阀的计算出来的阀位置。该计算出来的阀位置与操作的运行时间方式过程中采集的命令阀位置数据相比。计算出来的膨胀阀位置与命令阀位置之间的任一明显的误差会立即引起注意并且显示停滞膨胀阀状态。当监控系统处理其它的实时数据时这一显示被连续更新。作出是否关闭加热或冷却系统的决定以适应停滞膨胀阀的连续所显示结果。
在本发明的一个较佳实施例中，一冷气机中的两个不同致冷回路中的两个膨胀阀的可操作性能可分别监控。该监控系统接收来自冷气机中的七个不同源的信息以及来自冷气机控制器的两块计算出来的信息。这些信息块由监控系统中的神经网络处理以产生计算出的计算膨胀阀位置。计算膨胀阀位置与实际命令膨胀阀位置进行比较，可注意到有否显著的误差并显示该误差。
将如下附图与本发明的详细描述一并阅读可进一步了解本发明之实质，其中
图1是包括各自具有一膨胀阀的两个致冷回路的冷气机的示意图；图2是图1所示冷气机的控制器加上含有一神经网络软件的处理器以检查各膨胀阀的运行状态的方框图；图3是多个神经网络软件层中节点之间的连接的示意图；图4是向图3中第一层节点输入数据的方框示意图；图5是由图2所示处理器在操作调试方式期间进行的神经网络处理的流程图6是由图2所示处理器采用图3所示节点在操作的运行时间方式期间进行的神经网络处理的流程图。
参见图1，可见一冷气机包括两个单独的致冷回路“A”和“B”，其各自具有一冷凝器10或12。通过各个致冷回路中的致冷部件处理致冷剂以产生冷水。此时，致冷气体在回路A的一对压缩机14和16被压缩成高压和高温。借助一组风扇18可使该致冷剂流过冷凝器10时冷凝成液体而向空气散发出热量。该冷凝器最好能使液态致冷剂进一步冷却成过冷液体。这种过冷液体在进入与致冷回路B公用的蒸发器22之前穿过一膨胀阀20。致冷剂通过吸收蒸发器22中从一个输入口24到一个输出口26的水回路流中的热量而在蒸发器中蒸发。蒸发器中的水向致冷剂散发热量并变冷。冷水或冷却水最终向建筑物提供冷气。向建筑物提供冷气经常还可通过一热交换器(未示)来实现，其中回路空气向冷却水或冷水散发热量。将可注意到在致冷回路B中通过一组压缩机28和30也将致冷剂压缩成高压和高温。此致冷剂其后在具有一组风扇32的冷凝器12中冷凝成液体，其中风扇可使空气流过冷凝器。离开冷凝器12的致冷剂在进入蒸发器22之前流过膨胀阀34。膨胀阀34的阀位置由步进电机35决定，而膨胀阀20的阀位置由步进电机36决定。
参见图2，控制器40将阀位置命令送到用于步进电机35的马达控制装置37和用于步进电机36的马达控制装置38中。送到用于控制步进电机35和36的马达控制装置37和38中的该命令位置的变化是在一完全关闭位置和百分之百完全打开的位置之间。根据所关注的当前阀位置和命令阀位置，马达控制装置将命令膨胀阀位置转换成各个步进电机的移动量。步进电机就增加或下降到各个命令阀位置。不难预见控制器40也通过了继电开关(未示)控制风扇组18和32，从而确定了经过冷凝器10和12的空气回路量。控制器还有选择地通过继电开关(未示)控制压缩机14、16、28和30，从而决定压缩机的启动和关闭状态。前述的对用于风扇组和压缩机的膨胀阀和继电开关的控制是通过一输入输出总线(IObus)42进行的，该输入输出总线42将来自控制器的信息提供给冷气系统中的各控制点。控制器还接收冷气系统中的某些情况的读出测量情况。这些包括安装在蒸发器22的水入口点和水出口点的传感器46和48。传感器46测量进入蒸发器时的水温，传感器48测量离开时的水温。在下文中，进入时水温将称为EWT，离开时水温将称为LWT。传感器50感应进入冷凝器10的空气温度。在下文中冷凝器的进入空气温度将称为CEAT。传感器组52和54测量回路A和B中致冷剂的各个过冷温度。在下文中将回路A致冷剂的过冷温度称为SUBCA，回路B中的致冷剂过冷温度称为SUBCB。控制器还接收各致冷剂回路中的压缩机14和28的读出压缩机吸入温度和吸入压力。压缩机14的吸入温度和吸入压力由此压缩机入口侧的传感器56和58读出。在下文中，由传感器56读出的压缩机吸入温度称为ST_A，而压缩机吸入压力称为SP_A。压缩机28的吸入温度和吸入压力由安装于此压缩机入口的传感器60和62读出。压缩机28的吸入温度在下文中称为ST_B，而由传感器62读出的吸入压力在下文中称为SP_B。
如下文中所详细介绍的，处理器44经过输入输出总线42接收来自控制器40的对于EWT、LWT、CEAT、ST_A、SUBCA和ST_B的读出测量情况。处理器将在控制器每次从各传感器读出它们时接收这些值。最好是每三分钟进行一次。处理器44也将接收膨胀阀20和34的命令阀位置。处理器还在上述的测量值提供时接收压缩机14和压缩机28的计算出来的过热温度。这些过热温度已经作为各压缩机的吸入温度和吸入压力的函数由控制器40计算出来。在致冷回路A中用于压缩机14过热温度的控制器的计算最好通过从吸入温度值ST_A中减去极限吸入温度值而获得。极限吸入温度值已经由压缩机入口处的具有关注吸入压力SP_A的控制器40推导出，并且根据用于具体致冷剂的极限吸入温度与吸入压力的表将其转换成极限吸入温度值。压缩机28的过热同样由控制器40计算。
用于压缩机14和28的计算出的过热值在下文中分别称为用于压缩机14的过热温度SH_A和用于压缩机28的过热温度SH_B。这些过热值以及传感器信息值和命令阀位置都将作为一组数据存储在存储器64中。
处理器还连接到一显示屏68上，该显示屏可以是用于整个冷气机的控制面板的一部分。显示屏由处理器44利用以在处理器44中的神经网络软件操作的运行时间方式中提供与膨胀阀20和34有关运行状态的信息。任何一个观看冷气机控制面板的人都可得到此显示信息。
神经网络先经过训练、然后由处理器44以一运行时间方式利用，该神经网络是如图3中互连节点70、72和74的大规模平行、动态系统。这些节点组成层，如输入层76、功能链路层78和由输出节点74和第二输出节点80构成的输出层。输入层76较佳地由九个输入节点组成，其中每一个接收来自传感器46、48、50、52、54、56或60中的一个传感器中的读出值或计算出的过热值SH_A和SH_B中的一个。功能链路层78最好包括三十六个节点。值得注意的是，仅有两个输入节点可连接到功能链路层中的任一给定节点上。例如，仅是输入节点70和82连接到功能链节点72上。各输入节点也连接到输出节点74和80的各节点上。输出节点74和80还可连接到功能链路层78中的一个节点上。输入节点和输出节点之间的连接具有权值，它们是在操作的调试方式中形成的。这些加权值都用于计算在输出节点上的值。在输出节点74和80计算出的值将分别是膨胀阀20和34的阀位置。这些计算出的膨胀阀位置应当基本上与操作运行时间方式中由控制器40提供的各膨胀阀的命令位置相匹配。
参见图4，图中示出了输入层76的多个输入值。这些输入值是七个相应的传感器测量值EWT、LWT、CEAT、ST_A、SUBCA、ST_B和SUBCB。这些输入值也包括计算出的过热值SH_A和SH_B。各输入值成为一个输入节点、如输入节点70的值。
现参见图5，图中示出了在操作的调试方式中执行神经网络训练软件的处理器44的流程图。处理器开始时在步骤90中对连接权值“Wpk”和“Wpm”赋予初始值。应注意到下标“p”为两个输出节点之一，下标“k”为三十六个功能链路层节点中的一个，下标“m”为九个输入节点之一。处理器在步骤92中对偏差值“bp”赋予始初值。这些偏差值用于计算输出节点74和80的各个值。这些偏差值的初始值都是0至1之间的分数。处理器对与步骤92中输入节点计算有关的变量Θp赋予初始值。这些初始值最好都是更接近0的小于1的十进制数。在调试方式中还将为bp和Θp计算其它值。处理器接下来前进到步骤94，并且对学习速率赋予初始值。学习速率是如下文中将介绍的用于计算过程中的。学习速率Γ的初始值是大于0小于1的十进制数。
处理器前进到步骤96，并且从存储器64中读出一组训练数据。这组训练数据将包括先前由控制器从七个传感器46、48、50、52、54、56和60之一获得的七个值和由控制器计算出的过热值。训练数据组最好还包括控制器在读出传感器信息并存储在存储器中时提供的命令膨胀阀位置，当冷气机受到的具体的周围环境和某种特定负荷的影响时，在一个数据收集过程中，这组训练数据已经提供给处理器44。
如前所述的，当图1所示的冷气机正受到多种周围环境影响和建筑物负荷情况时，处理器44已经将大量的训练数据信息下载到存储器64上。一般在三小时到二十小时的操作时间范围收集训练数据。在冷气机受到不同负荷情况时，热水可通过蒸发器22回路以模拟多种建筑物负荷情况。为多种建筑物负荷和周围环境负荷情况所采集的数据将作为数据组存储在存储器64中。各组采集数据将由前述的读出值和计算出的过热值组成，并且还包括用于各膨胀阀的步进电机35和36的电机控制装置37和38的命令阀位置。处理器将前进到步骤96，将EWL、LWT、CEAT、ST_A、SUBCA、ST_B、SUBCB、SH_A和SH_B存储在输入层的各输入节点中。这些输入值将作为值“Xm”在步骤98中存储，其中“m”为1至9并且标识出输入层的各个输入节点中存储的值。处理器还将命令阀位置的读数存储为“Yp”，其中“p”等于1或2，并且标出究竟哪个命令阀位置与哪个输出节点有关。这里，“Y1”将是与输出节点74有关的膨胀阀20的命令阀位置，下标“p”的值为1。“Y2”将是与输出节点80有关的膨胀阀34的命令阀位置，下标“p”的值为2。将训练输出节点74以计算膨胀阀20的命令位置，同时训练输出节点80以计算膨胀阀34的位置。处理器将前进到步骤102并且保持步骤96中已读取的且步骤98和100中已存储的指定数量的训练数据组。在步骤104中处理器将计算功能链路层中的各节点的节点值。各功能链路层Zk的值最好具体输入节点的值并加上下一个连续输入节点的值而算出。这一般可表达为Zk＝Xm·Xm+1其中，k＝1至8，m＝1，m+1＝2至9k＝9至15，m＝2，m+1＝3至9k＝16至21，m＝3，m+1＝4至9k＝22至26，m＝4，m+1＝5至9k＝27至30，m＝5，m+1＝6至9k＝31至33，m＝6，m+1＝7至9k＝34至35，m＝7，m+1＝8和9k＝36，m＝8，m+1＝9以上将得出发生在特定功能链节点处的以下功能链节点计算值Z1＝X1·X2Z9＝X2·X3Z16＝X3·X4Z22＝X4·X5Z27＝X5·X6Z31＝X6·X7Z34＝X7·X8Z36＝X8·X9处理器将从步骤104前进到步骤106，并且计算各输出节点74和80的值。输出节点值最好计算为节点74变量“t”的双曲线正切函数或节点80变量“u”的双曲线正切函数。
Y1＝(et-et)/(et+et)其中t=Σk=136W1kZk+Σm=19W1mXm+b1]]>Y2＝(eu-eu)/(eu+eu)其中u=Σk=136W2kZk+Σm=19W2mXm+b2]]>其中，Zk＝功能链节点值，k＝1，2，……36；W1k＝第1输出节点连接到第k功能链节点的权值；W2k＝第2输出节点连接到第k功能链节点的权值；
Xm＝第m个输入节点值；W1m＝第1个输出节点连接到第m个输入节点的权值；W2m＝第2个输出节点连接到第m个输入节点的权值；b1＝输出节点74的偏差值；b2＝输出节点80的偏差值；处理器前进到步骤108并且计算输出层内各节点的局部误差ΘpΘ1＝(y1-Y1)·(1+y1)·(1-y1)Θ2＝(y2-Y2)·(1+y2)·(1-y2)处理器将从步骤108前进到步骤110，并且更新与功能链节点有关的构成输出节点连接的数值“Wpk”以及修改与输入层节点有关的构成输出节点连接的连接数值“Wpm”Wpk新＝Wpk，旧+ΔWpk，旧，Wpk，新＝ΓΘp，新Zk.
Wpm，新＝Wpk，旧+ΔWpk，旧，Wpk，旧＝ΓΘp，新Xm.
其中“P”为1，指输出节点74；“P”为2，指输出节点80；Γ是在步骤94中赋予初始值的学习速率参数，或在进一步处理训练数据后赋值的学习速率参数；Θp，新是Θ1，新或，Θ2，新，在步骤108中计算出用于各输出节点；Zk是步骤104中第K个节点的功能链节点计算值；Xm是第m个输入点的输入值。
处理器前进到步骤112，更新各个输出节点的偏差值值bp。这些偏差值值根据以下算出b1，新＝b1，旧+ΓΘ1，新b2，新＝b2，旧+ΓΘ1，新处理处理器从步骤112前进到步骤114，并且将各输出节点的计算值y1和y2存储为“y1n”和“y2n”。处理器还将将相应的命令阀位置值存储为“Y1n”和“Y2n”。其中“n”表示与步骤96中读出的数据组数量有关的保持在步骤102中的指定数量。
处理器从步骤114前进到步骤116，并且询问“N”组训练数据是否已经被处理过。这是检查在步骤102中建立的已读出的训练数据组的指示数。在还有训练数据组需要处理的情况下，处理器再回到步骤96并且从存储器64中读出下一组训练数据。所读出的指示数的训练数据将在步骤102中递增。可以知道，处理器将重复执行步骤96至114，直至“N”组训练数据都已被处理。可以知道，本文所提及的“N”都是存储在存储器64中的训练数据存储组。这些“N”组训练数据将适当地存储在可编址的存储单元中，这样以后每当遇到第96步时，就可以进行访问。当所有“N”组训练数据都已处理过，处理器将在步骤118中重新设定训练数据的读出组的指定数量。处理器随后将前进到步骤120，并且计算各输出节点处的RMS误差。各输出节点的RMS误差可通过以下算出
应注意的是“y1n”值和“Y1n”以及“y2n和“Y2n”值在步骤114都被存储。
处理器将从计算各个RMS误差前进到步骤122，其中可算出一总RMS误差总RMS误差＝RMS误差1+RMS误差2处理器前进到步骤124，并询问总RMS误差是否小于较佳的冷却阈值。当总RMS误差不小于该特定阈值时，处理器将前进到步骤124并且降低学习速率Γ。此值最好将以以前赋值的十分之一为增量进行降低。
处理器前进到再次处理“N”组数据，进行步骤96至122的计算。处理器将在步骤124中再次询问，新计算的总RMS误差是否小于阈值。可以知道在某些点，计算出的总RMS误差将小于此阈值。这将促进处理器前进到步骤128并且存储所有的连接权值“Wpk”和“Wpm”。处理器也将存储所有的最终偏差值值“bp”。以现在所介绍的，这些存储值都将在操作运行时间方式中被处理器采用以计算两个单独的膨胀阀20和32的膨胀阀位置。
参见图6，处理器44的操作运行时间方式在步骤130开始，其中可读出一组运行时间数据。运行时间数据组将由来自传感器46、48、50、52、54、56和60的读出值组成。这还包括计算的过热值，SH_A和SH_B。最后，数据组还包括各膨胀阀20和34的命令位置。传感器数据和过热值的读出组在步骤132中将作为运行时间数据输入“Xi”存储起来。膨胀阀20的命令膨胀阀位置存储为“Y1”，膨胀阀34的命令膨胀阀位置存储为“Y2”。处理器将前进到步骤136并且计算功能链路层中的三十六个节点的节点值。如前根据操作的训练方式所述的，功能链路层节点的各节点的输出值是两个输入节点的交叉乘积，其中任一个这样的交叉乘积不能包括这些输入节点值的前面的交叉乘积。这可以概括为Zk＝Xm·Xm+1处理器从计算功能链路层的节点的节点值前进到步骤138，其中算出输出节点74和80的输出值。这些值都计算为各变量“t”和“u”的双曲线正切函数，表达为y1＝(et-et)/(et+et)y2＝(eu-eu)/(eu+eu)其中t=Σk=136W1kZk+Σm=19W1mXm+b1]]>其中u=Σk=136W2kZk+Σm=19W2mXm+b2]]>其中，Zk＝功能链节点值，k＝1，2，……36；W1k＝连接到第k功能链节点的输出节点74的权值；W2k＝连接到第k功能链节点的输出节点80的权值；Xm＝第m个输入节点值；W1m＝连接到第m个输入节点的输出节点74的权值；W2m＝连接到第m个输入节点的输出节点80的权值；b1＝输出节点74的偏差值；b2＝输出节点80的偏差值；处理器前进到步骤140，并且计算出输出节点74和80之间的命令膨胀阀位置和计算膨胀阀位置之间的的任何误差。这些误差通过以下公式计算E1＝Y1-y1E2＝Y2-y2处理器从步骤140前进到步骤142，并且询问回路A中的膨胀阀74的计算误差是否小于或等于误差“T1U”或大于或等于误差Tk。可以知道，上、下误差可以通过引导运行时间软件的几个测试，而不是各个情况下的误差，然后可形成误差E1的标准偏差和平均值。然后上限T1U可设定为平均值加三倍的标准偏差。下限Tk可设定成平均值减三倍的标准偏差。
当误差不在T1U和TL的容差范围中时，处理器可沿否(no)路径前进到步骤144并且显示回路A的“停滞膨胀阀信息”。处理器将直接从步骤142前进或在执行步骤144后前进并且询问是否膨胀阀84的计算出来的误差“E2”小于或等于误差“T2U”或大于或等于T2L。可以知道，T2U和T2L可设定成以T2U和T2L所举例讨论的。当计算出来的误差“E2”不在T2U和TL的容差范围中时，处理器将前进到步骤148，也显示出回路B中的“停滞膨胀阀信息”。处理器然后将再返回到步骤130并且询问另一组运行时间数据是否可从控制器40获得。当信号表示正在使用运行时间数据时，处理器将前进以读出下一组数，最好是每三分钟进行一次直至读出最后一组运行时间数据。
在步骤130处理器再从控制器中读出新的一组运行时间数据。在步骤132和134中这些值将作为输入数据或命令膨胀阀位置适当地存储。步骤138中处理器将最终计算出新的膨胀阀位置。然后，处理器计算各计算出来的膨胀阀位置与已知的在步骤130和134中读出的命令阀位置之间的误差。当某一膨胀阀被认为是处于停滞位置时将作适当的显示。
从上可知，与两个膨胀阀74和80操作状态有关的显示信息将在一前进基础上作出。作为这些显示信息的结果，当膨胀阀已经发生停滞问题时，任何观察冷气系统控制面板的操作人员都可以注意到。
上面已经对本发明的一个具体实施例作了描述，显然技术领域中的熟练人员还可作出多种变化、变型和改进。例如，处理器中的神经网络可以仅测量一个特定致冷回路中的一个膨胀阀的操作状态。仅测量与单个致冷回路有关的用于计算的传感情况，并且所得出的计算结果也仅与单个致冷回路的值有关。一个致冷回路中的具体传感情况也可能随较小的或较大的用于构成神经网络的值而变化。因此，前述仅是用于举例来说明本发明，而本发明应由所附权利要求书和等同技术限定。
权利要求
1.一种用于监控加热或冷却系统中的至少一个致冷回路中的一个膨胀阀的操作情况的方法，包括以下步骤读出由多个位于加热或冷却系统内的传感器所产生的信息值；通过一神经网络处理由多个传感器产生的至少一部分读出信息值构成的数据组，以便产生加热或冷却系统中致冷回路中的膨胀阀的计算出的阀位置；将阀计算位置与加热或冷却系统中的致冷回路内的膨胀阀的阀命令位置比较；以及根据计算出的阀位置与阀命令位置之间的比较结果、有选择地传递与膨胀阀操作有关的信息。
2.如权利要求1所述的方法，其特征在于，所述神经网络包括多个输入节点，所述通过一神经网络处理由多个传感器产生的至少一部分读出值组成的一组数据的步骤包括将来自数据组的各数据块传递到神经网络中的相应输入节点上，从而各数据块留在其各自的输入节点中。
3.如权利要求2所述的方法，所述神经网络包括多个连接到输入节点上的互连节点，并且还连接到神经网络的至少一个输出节点上，其中所述通过一神经网络处理由多个传感器产生至少一部分读出值组成的数据组的步骤包括根据施加到输入节点上的一组数据的值计算互连节点的值；以及根据互连节点的计算值计算输出节点处的膨胀阀位置值。
4.如权利要求3所述的方法，其特征在于，所述神经网络还包括用于连接到输出节点上的多个互连节点之间连接的加权值，其中所述神经网络还包括用于输入节点和输出节点之间连接的加权值，所述根据互连节点的计算值计算输出节点值的步骤包括根据多个互连节点处的计算值计算输出节点处的膨胀阀位置的至少一个值，多个互连节点和输出节点之间的连接的加权值，以及输入节点和输出节点之间连接的加权值。
5.如权利要求1所述的方法，其特征在于，还包括以下步骤当读出加热或冷却系统中的多个传感器所产生的信息值时，读出将与计算出来的阀位置比较的阀命令位置。
6.如权利要求1所述的方法，其特征在于，包括以下步骤从位于加热或冷却系统中的多个传感器所产生的信息值中推导出将要施加到神经网络中的至少一个信息值。
7.如权利要求6所述的方法，其特征在于，由位于加热或冷却系统中多个传感器所产生至少一个信息值包括在含有膨胀阀的致冷回路中进入一压缩机的致冷剂的过热值。
8.如权利要求1所述的方法，其特征在于，所述读出由加热或冷却系统中多个传感器所产生的读出信息值的步骤包括读出传感含有膨胀阀的致冷回路中的一个压缩机的吸入温度的至少一个传感器的值。
9.如权利要求8所述的方法，其特征在于，所述读出由加热或冷却系统中多个传感器所产生的读出信息值的步骤还包括读出传感在含有膨胀阀的致冷回路中压缩机吸入温度的传感器的值。
10.如权利要求9所述的方法，其特征在于，还包括作为压缩机吸入温度读出值和吸入压力读出值的函数计算进入致冷回路中压缩机内的致冷剂的过热值。
11.如权利要求10所述的方法，其特征在于，所述读出在加热或冷却系统中多个传感器所产生的读出信息值的步骤包括读出用于传感致冷回路中进入膨胀阀的致冷剂的温度的传感器的值。
12.如权利要求11所述的方法，其特征在于，所述读出在加热或冷却系统中多个传感器所产生的读出信息值的步骤包括读出进入加热或冷却系统中含有膨胀阀的致冷回路中的热交换器的媒质的温度；以及读出离开热交换器的媒质的温度，从而进入和离开热交换器的媒质读出温度构成加热或冷却系统中的加热或冷却负荷。
13.如权利要求12所述的方法，其特征在于，所述读出在加热或冷却系统中多个传感器所产生的读出信息值的步骤包括读出流过含有膨胀阀的致冷回路的第二个热交换器的媒质的温度。
14.一种学习加热或冷却系统中特性的方法以预测加热或冷却系统中至少一个致冷回路中的膨胀阀的状态，所述方法包括当所述系统受到不同负荷和周围环境情况时，将来自传感器的信息所构成的多组数据存储起来，作为膨胀阀的已知状态；以及通过一神经网络重复处理所存储的数据组，以便教会神经网络精确地预测对应于各组数据的膨胀阀的已知状态，从而神经网络随后可用于根据来自加热系统中的传感器的信息所构成的一组数据计算膨胀阀的状态。
15.如权利要求14所述的方法，其特征在于，所述神经网络包括多个输入节点以接收多组存储数据，其中所述神经网络还包括至少一个输出节点以计算膨胀阀的状态，神经网络还包括多个在多个输入节点和至少一个输出节点之间的互连节点，所述重复处理多个存储数据组的步骤包括计算用于各组数据的输出节点处的膨胀阀状态；以及将各组数据的膨胀阀计算出来的状态与各组数据的膨胀阀已知状态进行比较。
16.如权利要求15所述的方法，其特征在于，所述在输出节点处计算出的膨胀阀状态是根据输出节点和多个互连节点之间的加权连接函数计算出的，并且所述重复处理多组存储数据的步骤包括当膨胀阀计算出来的状态与膨胀阀的已知状态作比较且不如已知状态时，即调节互连节点和输出节点之间的加权连接；以及重复计算输出节点处膨胀阀状态以及将膨胀阀新计算出来的状态与膨胀阀已知状态进行比较的步骤，从而新计算出的状态都是输出节点和多个互连节点之间已调节的加权连接的函数。
17.如权利要求16所述的方法，其特征在于，所述重复处理多组存储数据的步骤还包括存储输出节点和多个互连节点之间的已调节加权连接以便随后被神经网络采用，用来当新计算出的膨胀阀状态与膨胀阀的已知状态作适当比较时处理一组数据。
18.如权利要求15所述的方法，其特征在于，在输出节点处计算出的膨胀阀状态都是根据输出节点和多个输入节点之间的两个加权连接以及输出节点和输入节点之间的加权连接的函数计算出的，其中所述重复处理多组存储数据的步骤还包括当膨胀阀计算出来的状态与已知膨胀阀状态作比较且不如已知状态时，调节输出节点和多个输入节点之间的加权连接、输出节点和多个互连节点之间的加权连接；以及重复计算在输出节点处的膨胀阀状态、将新计算出的膨胀阀状态与膨胀阀已知状态作比较的步骤，从而新计算出的膨胀阀状态是输出节点和多个输入节点之间的已调节加权连接以及输出节点和多个互连节点之间的加权连接。
19.如权利要求18所述的方法，其特征在于，所述复处理多组存储数据的步骤还包括存储输出节点和输入节点之间的已调节加权连接以及输出节点和多个互连节点之间的已调节加权连接，以便随后被神经网络采用，根据已处理的数据组精确地计算膨胀阀的状态。
20.如权利要求14所述的方法，其特征在于，所述存储在加热或冷却系统中多个传感器所产生的多组数据的步骤包括读出加热或冷却系统的至少一个致冷回路中的压缩机的传感吸入温度，每次从加热或冷却系统中的传感器中读出的信息获得一组特定的数据；以及将所传感的吸入温度作为从加热或冷却系统中的传感器所读得的信息构成一特定数据组的一部分存储起来。
21.如权利要求20所述的方法，其特征在于，所述存储在加热或冷却系统中多个传感器所产生的多组数据的步骤包括读出加热或冷却系统中至少一个致冷回路中压缩机的一个传感吸入压力，每次获得特定的一组数据；根据特定数据组的读出和存储的传感吸入温度与读出吸入压力的函数计算进入压缩机的致冷剂的过热值；以及将计算出的过热值，作为从加热或冷却系统中的传感器读出的信息构成的特定数据组的一部分存储起来。
22.如权利要求21所述的方法，其特征在于，所述存储在加热或冷却系统中多个传感器所产生的多组数据的步骤包括在致冷剂进入致冷回路的膨胀阀之前读出传感的致冷剂温度，每次从加热或冷却系统中的传感器中读出的信息构成特定的一组数据；以及将传感温度作为加热或冷却系统中的传感器所读出的信息所构成的特定数据组的一部分存储起来。
23.如权利要求22所述的方法，其特征在于，所述存储在加热或冷却系统中多个传感器所产生的多组数据的步骤包括读出进入含有膨胀阀的致冷回路的一个热交换器的媒质的传感温度；读出离开所述热交换器的媒质传感温度；以及将进入和离开热交换器的媒质的传感温度作为加热或冷却系统中传感器读得的信息构成的特定数据组的一部分存储起来。
24.如权利要求23所述的方法，其特征在于，所述将加热或冷却系统中多个传感器所产生的多组数据的存储的步骤包括读出流过含有膨胀阀的致冷回路中第二个热交换器的媒质的传感温度；以及将流过第二个热交换器的媒质的传感温度，作为加热或冷却系统中传感器所读得的信息构成的特定数据组的一部分存储起来。
25.一种监控加热或冷却系统中一个致冷回路中至少一个膨胀阀的操作情况的方法，包括以下步骤读出致冷回路中膨胀阀的命令状态；当读出膨胀阀命令状态时从加热或冷却系统中的多个传感器中读出信息；将从加热或冷却系统中的多个传感器中读出的信息导出一组将施加到一神经网络上的数据；通过一神经网络处理该组数据，以产生与膨胀阀操作状态有关的计算值；以及将与膨胀阀操作状态有关的计算值与膨胀阀的读出命令状态进行比较；以及当各膨胀阀的操作状态有关的计算值不等于膨胀阀的命令状态时，有选择地传递与膨胀阀操作状态有关的信息。
26.如权利要求25所述的方法，其特征在于，所述从位于加热或冷却系统中的多个传感器中读出信息的步骤包括读出加热或冷却系统中致冷回路中压缩机的传感吸入温度。
27.如权利要求26所述的方法，其特征在于，所述从位于加热或冷却系统中的多个传感器中读出信息的步骤包括读出加热或冷却系统的致冷回路中的压缩机的传感吸入压力；以及所述将从加热或冷却系统中的多个传感器中读出的信息导出一组将施加到一神经网络上的数据的步骤包括以压缩机的读出传感吸入温度和压缩机的读出传感吸入压力的函数计算出进入压缩机的致冷剂的过热值。
28.如权利要求27所述的方法，其特征在于，所述从位于加热或冷却系统中的多个传感器中读出信息的步骤包括在致冷剂进入致冷回路的膨胀阀之前，读出致冷回路中的致冷剂的传感温度。
29.如权利要求28所述的方法，其特征在于，所述从位于加热或冷却系统中的多个传感器中读出信息的步骤包括读出进入致冷回路的一个热交换器的一种媒质的传感温度；读出离开致冷回路的所述热交换器的一种媒质的传感温度。
30.如权利要求29所述的方法，其特征在于，所述从位于加热或冷却系统中的多个传感器中读出信息的步骤包括读出进入致冷回路的第二个热交换器的一种媒质的传感温度。
31.如权利要求30所述的方法，其特征在于，所述导出将施加到一神经网络上的一组数据的步骤包括在一组将要施加到神经网络中的数据中包括进入压缩机的致冷剂的计算过热值，压缩机的读出吸入温度、在进入膨胀阀之前的读出致冷剂温度、进入和离开热交换器的媒质的读出温度、进入第二个热交换器的媒质的读出温度。
32.如权利要求25所述的方法，其特征在于，所述神经网络包括多个用于接收一组数据的输入节点，用于计算膨胀阀操作状态的至少一个输出节点、多个在输入节点和输出节点之间的互连节点，所述处理一组数据的方法包括作为输入节点值和互连节点值的函数计算输出节点处的膨胀阀状态。
33.如权利要求25所述的方法，其特征在于，所述神经网络包括多个用于接收一组数据的输入节点、至少一个用于计算膨胀阀操作状态的输出节点和多个在输入节点和输出节点之间的互连节点，所述神经网络还包括输入节点和输出节点之间的加权连接以及互连节点和输出节点之间的加权连接，所述计算膨胀阀状态的方法包括作为输入节点值、输入节点和输出节点之间的连接加权值、互连节点值和互连节点和输出节点之间的连接加权值的函数计算在输出节点处的膨胀阀的状态。
全文摘要
一种用于加热或冷却系统的监控方法,包括用于计算系统中一个或多个膨胀阀状态的神经网络。在操作的调试方式中,训练神经网络以学习加热或冷却系统的某些特性。所训练成的神经网络在操作的运行时间方式中可即时计算一个或多个膨胀阀。在操作运行时间方式中,制作与一个或多个膨胀阀状态有关的信息以获得实时估计。
文档编号F25B1/00GK1201887SQ9810968
公开日1998年12月16日 申请日期1998年6月4日 优先权日1997年6月6日
发明者沙拉育·土布勒 申请人:运载器有限公司