制冷剂饱和热力性质的通用简化计算模型

制冷剂热力性质的简化计算是保证制冷空调系统仿真与优化计算的稳健性与快速性的关键之一.制冷剂热力性质简化计算模型的研究目标是函数形式上的通用性和较大参数范围内的准确性.提出了一种适用于制冷剂饱和热力性质的六系数通用简化计算模型,对多种常见制冷剂进行了数据拟合.在制冷空调工况范围内,与国际标准制冷剂物性计算软件REFPROP 9.0相比,该简化计算模型对各种饱和热力性质的最大计算误差均小于±0.6%,计算速度可以提高两个数量级以上.     

21世纪制冷空调行业绿色环保制冷剂的趋势与展望

臭氧层的破坏和全球气候变化 ,是当前全球所面临的主要环境问题。由于制冷、空调、热泵行业广泛采用的ＣＦＣ与ＨＣＦＣ类物质对臭氧层有破坏作用以及产生温室效应 ,使全世界的制冷、空调与热泵行业面临严重的挑战。ＣＦＣ与ＨＣＦＣ的替代已成为当前国际性的热门话题。国际制冷学会于１９９９．９．１９～２４在澳大利亚悉尼召开的“第２０届国际制冷大会”和联合国环境规划署、美国环保局于１９９９．９．２５～２７在美国华盛顿召开的“地球技术论坛” ,均分别着重讨论了全球性环保问题对制冷空调行业的制冷剂替代物对策等问题。国际制冷…     

一种BP神经网络的改进方法及其应用

针对BP神经网络中学习因子取值小、收敛性好但训练时间长，学习因子取值大、权值变化剧烈但可能导致振荡的情况，提出了一种修正学习因子的方法，即给学习因子前加一比例因子，在网络权值调整过程中自动调整学习因子的大小，使网络训练时间短，而且收敛效果较好。仿真结果表明，在导弹指令跟踪中，改进算法比原来算法优越得多。     

基于BP神经网络的船舶号灯识别模型与仿真

建立基于误差反传神经网络的船舶号灯智能识别模型,在众多的号灯识别参数中进行优化分析,确定了能见度、号灯亮度、背景亮度和眩光4个重要输入参数;利用这4个参数,基于误差反传神经网络对船舶号灯的可识别性进行建模和仿真,比较利用Levenberg-Marquart(L-M)、动量梯度下降、变学习率动量梯度下降和弹性反向传播等学习算法建立的误差反传神经网络模型,并确定L-M算法具有最优结果.通过号灯识别的仿真结果表明,识别结果与航海专家评估的结果一致.本模型实现了复杂光环境下船舶号灯可识别性的预报和影响因素分析,对保障船舶的夜航安全有着重要意义.     

绝热毛细管中制冷剂流动特性的一阶积分模型

制冷剂在绝热毛细管内的流动因存在汽液两相流而较为复杂．本通过引入两相流区压力和比容之间的一阶近似式,获得该问题的一阶近似积分解．在常见的制冷空调工况范围内,以制冷剂CFC-12、HFC-134a和HC-600a为工质,对该模型与分布参数模型进行了对比;同时也与实验数据进行了对比．结果表明：与分布参数模型的平均偏差小于1％,与实验数据亦较好吻合;计算速度较分布参数模型提高了一个数量级以上。     

基于概率神经网络的制冷空调系统故障诊断分析

选择热力参数集组成反映制冷系统故障状态的特征向量,提出了利用概率神经网络通过模式分类来联系系统故障状态与热力参数特征向量之间的映射关系．对实际试验结果的应用尝试表明,该诊断方法可行且有效,为开发以人工神经网络为框架的制冷系统故障诊断系统提供了研究基础．     

基于BP神经网络的涉氨制冷企业风险分级模型

为缓和涉氨制冷企业风险分级状态,构建了以BP神经网络为基础的涉氨制冷企业风险分级模型。运用SPSS筛选和专家评审确定27项最终指标。通过专家打分法将南宁市11家涉氨制冷企业风险指标量化后作为BP神经网络模型训练的输入值。以此输入值为样本并从中选取10组数据作为训练样本,1组作为验证样本。验证结果表明,建立的模型对涉氨制冷企业风险进行快速分级具有一定程度的可靠性,有助于同类型企业及相关政府部门实现风险动态管理。     

神经网络理论在制冷与空调中的应用

本文简要介绍了人工神经网络的基本原理,叙述了常用的ＢＰ网络和训练算法,综述了神经网络在制冷空调中应用的研究和开发现状。最后展望了近期神经网络在空调制冷领域应用的研究和开发走向     

二甲醚作为冰箱制冷剂的实验研究

将具有优良环保性能的二甲醚作为制冷剂应用于冰箱,对其制冷性能进行了详细的理论计算和分析,在二甲醚为灌注式的条件下,对冰箱的主要制冷性能进行了实验研究.结果表明:充灌二甲醚的冰箱与采用原制冷剂CFC12的冰箱的各项性能指标接近;实验冰箱二甲醚的最佳充灌量为54g,24h耗电量为1 087kW·h,比采用CFC12节能15.6%;在不改变原冰箱结构的条件下,用二甲醚作为制冷剂是可行的.     

制冷空调系统仿真中工质热物性计算模块设计

根据制冷空调系统仿真的特点,以状态方程法建立了制冷剂热力性质计算模块并进行了实用化的编程.程序采用V 6.0面向对象的程序设计语言,具有良好的人机界面,运行可靠,使用方便.将该模块的计算结果与制冷剂热物性标准图表进行比较,表明其精度高,能满足制冷空调系统仿真的需要.     

基于BP神经网络的河道水位推算模型研究

在分析影响河道水位因素的基础上,采用基于梯度下降算法的BP神经网络模型推算河道水位,同时采用传统的上下游水位线性相关方法进行水位推算。结果表明,在具有较长期实测资料的情况下,BP神经网络模型具有很高的精度,若要考虑更多相互独立影响因素的非线性作用,应相应增加输入样本数。文章最后提出了进一步提高模型精度的几点设想。     

基于Matlab的改进BP神经网络及其应用

讨论了BP神经网络及几种改进BP神经网络性能的算法．用Matlab编制出相应的BP神经网络算法程序，并将其用于处理紫外分光光度法同时测定Fe，Co，Ni，Cu，V的实验数据，结果表明L—M法收敛最快，精度最高．     

基于改进BP神经网络模型的地面沉降预测及分析

针对区域性地面沉降问题,用遗传算法优化BP神经网络的初始权重,建立了地面沉降预测模型．该模型克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点采用后验差检验法对模型拟合结果进行了检验,结果表明模型具有很好地拟合与泛化能力．应用该模型对地下水位影响强度进行了分析,表明地面沉降与地下水位存在一致响应趋势．     

基于BP神经网络的税收预测模型

在分析影响税收主要因素的基础上，将反向传播（BP）神经网络理论应用于税收的预测．首先对初始数据进行预处理，使其适应BP神经网络学习的要求，然后建立基于BP神经网络的税收预测模型．采用实际数据对模型进行验证，并将其与传统的统计模型相比较，证明了基于BP神经网络的税收预测模型有较高的精度和较强的实用性．     

一种基于改进的BP神经网络的入侵检测方法

针对普通BP神经网络算法学习收敛速度慢、易造成局部极小的问题,提出一种改进的BP神经网络入侵检测方法,其采用拟牛顿的方法进行学习,即对目标矩阵求二阶导数.运用该方法能够有效提高学习速度,消除局部极小.仿真结果表明,改进的BP神经网络入侵检测方法收敛速度快,比标准的BP入侵检测方法误检率低,能够很好地提高学习效率,更加有效地检测攻击行为.     

基于改进BP网络对三门峡水库泥沙冲淤量的计算

人工神经网络具有很好的分布存储和容错性，适合解决非线性问题．在分析了汛期、非汛期水库泥沙冲淤影响因子的基础上。利用改进的BP网络模型对水库泥沙冲淤量进行计算．网络训练时，非汛期采用动量法和学习律自适应调整策略，拟合误差较小，平均相对误差约为0．10；汛期采用Levenberg-Marquardt优化方法，由于非线性关系复杂及人为因素多。误差相对较大，利用该模型预测不同水库运行条件下泥沙淤积量，计算量小，使用方便．     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

基于BP网络的热力系统参数仿真

针对热力系统的传感器损坏率较高,导致有些分析软件失效的现状,提出了一种改进ＢＰ算法的人工神经网络,对一些重要的热力参数进行了仿真研究．在该方法中,网络学习过程通过同时调整学习率和动量修正因子两个参数,使得收敛速度沿着最佳方向进行．经实例计算结果表明,真实值和仿真值之间的误差在１％以内,可以满足工程应用的需要．文中最后给出的在调峰机组的寿命管理系统中的应用实例,对动力系统的热力参数在线仿真、减少传感器的维护量,尤其是提高基于参数采集的应用软件的可靠性具有较大的参考价值