一种制冷设备压缩机配管方案的智能筛选方法

本发明涉及的是一种制冷设备压缩机配管方案的智能筛选方法，用于实现压缩机配管布置方案的筛选。

背景技术：

1、制冷设备压缩机配管工作在压缩机特定频率的激励下，如果不进行一定的减振构型设计及易出现泄露和断管等失效问题。当前的一些管路规划方法虽然解决了制冷设备压缩机配管的布置问题，但压缩机减振构型要求是定性的经验化的，当前的规划方法给出的方案必需经过筛选才能满足要求。另外，压缩机的管路构型复杂多样，不同的优秀的方案间的特征差异也较大，当前一些方法难以兼容多个类型的方案，容易造成漏选或错选。

技术实现思路

1、本发明的目的在于解决压缩机管路方案的筛选问题，提供一种制冷设备压缩机配管方案的智能筛选方法，以期能快速高效准确地筛选出满足构型要求的管路方案，从而为压缩机配管提供更合理的管路方案，并能提高管路设计工作的效率。

2、为解决上述技术问题采用如下技术方案

3、本发明一种制冷设备压缩机的管路布置方案筛选方法的特点在于，包括以下步骤：

4、步骤1：获取压缩机舱模型及各管路起止点的数据，从而随机生成j个不同管路的布置方案b＝[b1,b2,…,bj,…,bj]，其中，bj表示第j个管路的布置方案，且pj,1表示第j个管路的起点，pj,i表示第j个管路的第i个拐点，nj表示第j个管路的终点序号；pj,i＝[xi,yi,zi]t，xi,yi,zi表示第j个管路的点pj,i在笛卡尔坐标系中的三维坐标；j为布置方案总数；

5、步骤2：抽取第j个管路的布置方案bj的特征序列tj，从而得到特征集合t＝[t1,t2,…,tj,…,tj]t并进行归一化处理后，得到归一化后的特征集合s，其中，sj表示第j个归一化后的特征序列；

6、步骤3：将归一化后的特征集合s分为训练样本和测试样本并对训练样本给定分值集合其中，表示训练样本中第j1个特征序列，且表示中第p个特征，表示对应的分值，表示测试样本中第j2个特征样本，j1＝1,2,…,j1，j2＝1,2,…,j2，j1表示训练样本中的特征序列数，j2表示测试样本中的特征样本数，且j1+j2＝j；

7、步骤4：设置类别总数为n，并对训练样本进行聚类，从而将训练样本分为n个类别集合[a1,a2,…,an,…,an]及其对应的聚类中心[c1,c2,…,cn,…,cn]，其中，an表示第n个类别集合，且表示an中第l个特征序列，l＝1,2,…,ln，ln表示an中特征序列总数，cn表示第n个类别集合an的聚类中心，且cn＝[μn,1,μn,2,…,μn,p,…,μn,p]，μn,p表示cn的第p个特征，n＝1,2,…,n；

8、步骤5：从n个聚类中心[c1,c2,…,cn,…,cn]中选取k个合格的聚类中心，并分别作为k个rbf神经网络[r1,r2,…,rk,…,rk]的中心，再将k个rbf神经网络[r1,r2,…,rk,…,rk]组合为一个神经网络模型r；从而利用n个类别集合[a1,a2,…,an,…,an]对所述神经网络模型r进行训练，得到训练后的神经网络模型r′；其中，rk表示第k个rbf神经网络；

9、步骤6：将测试样本输入训练后的神经网络模型r中进行处理，筛选出优秀特征样本集合则第q个优秀特征样本对应的管路方案为从而得到满足压缩机减振构型要求管路的集合为

10、本发明所述的一种制冷设备压缩机配管方案的智能筛选方法的特点也在于，所述步骤5中的神经网络模型r是按如下步骤进行训练：

11、步骤5.1：根据an中第l个特征序列的分值yn,l判断是否满足减振构型的要求，从而得到an中所有满足减振构型要求的特征序列数，并与an中总的特征序列数之间比值作为第n个类别集合an的合格率ηn；

12、步骤5.2：设定最低合格率为ηpass，找到所有合格率大于最低合格率ηpass的类别集合作为合格的类别集合[a1′,a2′,…,ak′,…,a′k]，k＝1,2,…,k，剩余的所有不合格的类别集合组成第k+1个类别集合a′k+1；其中，ak′表示第k个合格的类别集合；则第k个神经网络的输入集合定义为其中，为第k个神经网络输入集合的第m特征序列，m为的总的特征序列数；对应的分值集合记为其中，为第k个神经网络的第m个特征序列的分值；

13、步骤5.3：将合格的类别集合所对应的聚类中心[c1′,c2′,…,c′k,…,c′k]分别作为各子神经网络的中心，构建神经网络模型r中的各个rbf神经网络[r1,r2,…,rk,…,rk]，其中，c′k表示第k个合格的类别集合ak′对应的聚类中心；

14、步骤5.3.1：利用式(1)得到第k个rbf神经网络rk的第p个特征的激活函数fk：

15、

16、式(1)中，表示中第m个特征序列的第p个特征；μ′k,p表示合格类集合ak′的中心c′k的第p个特征；σk,p表示第k个rbf神经网络rk的第p个方差；

17、步骤5.3.2：利用式(2)得到第k个rbf神经网络rk的输出函数

18、

19、式(2)中，wk,p表示第k个rbf神经网络rk的第p个权值，wk,0表示第k个rbf神经网络rk的偏移值；为特征序列的估分值；

20、步骤5.3.3：利用式(3)得到第k个rbf神经网络rk的误差损失函数ek：

21、

22、步骤5.4：以第k个聚类中心c′k中第p个特征μ′k,p到其余聚类中心的第p个特征之间的最大距离作为第k个rbf神经网络rk的第p个方差σk,p；

23、步骤5.5：利用式(4)求得第k个rbf神经网络rk的权值集合wk：

24、

25、式(4)中，φk为第k个rbf神经网络rk的广义核向量，且为核向量φk的第m个核函数，且

26、

27、步骤5.6：将归一化后的特征集合s输入神经网络模型r中进行预测，并计算第j个特征序列sj到每个rbf神经网络对应的聚类中心的马氏距离，并从中选取最小距离所对应的rbf神经网络rmin作为第j个特征序列sj的预测网络，从而由预测网络rmin输出第j个特征序列sj的估分值；进而由归一化后的特征集合s中各个特征序列在神经网络模型r中所对应的预测网络输出相应的估分值；min∈[1,k]。

28、所述步骤6中是按如下步骤筛选出优秀特征样本：

29、步骤6.1：计算测试样本中第j2个特征样本分别k个聚类中心[c1′,c2′,…,c′k,…,c′k]的马氏距离，并找到最小距离所对应的聚类中心c′min；

30、步骤6.2：将第j2个特征样本输入第min个聚类中心c′min所对应的rbf神经网络rmin中进行分值预测，记估分值为

31、步骤6.3：设定及格分值为γ，若则表示第j2个特征样本满足构型要求，并作为一个优秀特征样本，否则，表示第j2个特征样本不满足构型要求；

32、步骤6.4、按照步骤6.1-步骤6.3的过程筛选出所有优秀特征样本。

33、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述智能筛选方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

34、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述智能筛选方法的步骤。

35、本发明相比现有技术具有以下优点：

36、1、本发明使用组合rbf神经网络解决了单一神经网络难以筛选出特征差异较大的优秀管路方案的问题，从而避免了优秀方案的漏选问题。

37、2、本发明使用聚类算法预先计算出神经网络的中心及方差，减小了后续神经网络训练的难度，提高了训练效率，节约了计算资源。

38、3、本发明以特定的类集合作为对应的神经网络的训练样本，减小了信息的维度，排除了非同类信息的干扰，提高了神经网络的训练速度，从而提高了管路设计工作的效率。

39、4、本发明根据样本到中心的距离选择合适的子网络进行预测，提高了预测的精确性，减少了不合格方案的误选。