CN1202604A - 用来监测制冷剂装料的系统 - Google Patents

Abstract

一种用于加热或冷却系统的制冷剂监测系统,它包括一用来计算所述系统的至少一个制冷回路内的制冷剂装料的神经网络。该神经网络被训练,以在推导模式运算过程中学习所述加热或冷却系统的某些特征。在运行时模式运算过程中,按此训练的神经网络定时计算制冷剂装料。在运行时模式运算过程中,可以获得有关随着额定制冷剂装料变化的计算的制冷剂装料的信息,以供评估(assessment)。

Description

用来监测制冷剂装料的系统

本发明涉及对一加热或冷却系统的工作的监测，更具体地说，涉及对存在于这种系统的制冷回路内的制冷剂装料水平的监测。

很多加热和/或冷却系统都采用了制冷回路。例如热泵采用了一制冷回路，以便从地表下方吸收热量，随后通过一换热器将这些热量发散到需要由该热泵供热的建筑物内的空气中。另一方面，诸冷却器系统可吸收流经一蒸发器的水中的热量，从而使水冷却。冷却的水最终被用来冷却建筑物内的空气，即，利用冷却的水来吸收流经一换热器的空气中的热量。重要的是，热泵和冷却器都应该具有足够或充分的冷却器装料，以便实现它们各自的功能。

还有重要的是，应当在加热或制冷系统在装料不足或装料过多的条件下工作较长时间之前，先要检测制冷剂装料的任何变化。如果变化很大，则可能对系统有害。万一制冷剂装料发生变化可归因于致制冷剂泄漏，那么，这种变化还会对大气环境有潜在的危险。

迄今为止，加热或冷却系统已配备了多种可检测到制冷剂装料不足的警报器。例如，当制冷剂装料较低时，主要配备在致冷器系统的一个或多个压缩机的入口侧的警报器会被触发而报警。然而，当系统内发生其它问题时，这些警报也可以被触发。例如，当膨胀阀阻塞或风扇失效时，在压缩机入口处用于监测吸入压力或吸入温度的警报器也可以被触发。当失去了相当多的制冷剂时，这些警报器也可以被触发。如果警报器阈值设定得不正确，那么它也可能被触发。例如，可能将用于监测压缩机入口处吸入压力或吸入温度的警报器的阈值设定得过低。

应注意的是，已经有人试图为某一被监测的制冷剂状况设定一个触发警报器的可变极限值。例如，在美国专利5,539,385中，对某一特定的载荷情况而言，一冷却器内的冷凝器单元内的制冷剂压力的极限值是可以变化的。然而，这是一个只能用于某一特定的工况的可变的极限值，与监测冷却器系统内的组合工况相反。

本发明的一个目的在于，无需超过一个或多个警报器的各阈值，即可检测到制冷剂的少量、早期的损失。

本发明的另一个目的在于，无需依靠因各种可能的原因而触发的一个或多个警报器，即可检测制冷剂装料内的增量变化。

本发明的上述和其它的目的是这样实现的，即，提供一种制冷剂检测系统，它可对至少有一个制冷回路的加热或冷却系统内检测到的多个工况进行综合地分析。该检测系统先在用于一推导模式运算(development mode operation)过程中的各种检测到的工况的多维空间内限定若干个独特的波形。这些独特的波形最好是由一神经网络来产生，所述神经网络可相对于具有已知数量的制冷剂装料的加热或冷却系统所遇到的各种变化的环境和建筑物载荷的情况而不断地调节多维空间内的波形，在一较佳实施例中，已知的制冷剂装料是用于一冷却器内的某一制冷回路的额定制冷剂装料，该制冷剂装料可以比额定制冷剂装料多30％，也可以比额定制冷剂装料少30％。最好是将各独特的波形投影到神经网络内的一簇阵列中，所述阵列的每一结点均包含存储的权值，这些权值限定了用于某一特定制冷剂装料的、多维空间内的一个波形。

在推导模式的过程中，监测系统也是工作的，以便在簇阵列的结点和一内插层的一系列结点之间形成某些特定的加权连接。该监测系统还能在推导模式的阶段于内插层的各结点和一输出结点之间形成特定的加权连接。所述输出结点可产生用于提供给监测系统的各不同训练数据组的制冷剂装料值。簇阵列结点、内插层结点和输出结点之间的加权连接可以被连续地调节，直到在输出结点处产生的制冷剂装料的值大致收敛于已知的用于所提供之训练数据的制冷剂装料值。监测系统在工作的运行时间模式的过程中，将最终调节后的加权连接值储存起来以备用。

在本发明的一较佳实施例中，一冷却器的某一制冷回路内的制冷剂装料受到监测。在工作的运行时间模式的过程中，所述监测系统可接收来自冷却器内八个传感器的一组数据。每组数据可在八维空间内产生一波形或图案。将该波形与在推导模式过程中形成的一簇阵列的各结点的八维波形作比较。较佳的是，在具有最接近所产生波形的八维波形的簇阵列内选择三个结点，用于进一步地处理它们的波形。该处理过程是在所产生波形的接近的相对赋值的基础上作出的，而这些相对赋值是对所选的三个结点内的每一个波形而言的。对所选结点波形的处理是在簇阵列结点和在推导模式的过程中学习到的内插层结点之间的加权连接的基础上，在一组内插计算中发生的。这些计算的结果将通过一输出结点而得到最终的处理，所述输出结点可以在来自于插入结点的计算结果以及在推导模式的过程中获得的输出结点和插入结点之间的加权连接的基础上计算出制冷剂装料的值。对来自八个传感器的每一组数据而言，是在输出结点产生一计算值。这些计算值将在一段预定的时间内储存起来，并求得平均数。最终获得的平均制冷剂装料作为监测系统的输出而显示出来。这样显示出来的装料可以被用来表示：对显示出来的制冷剂加入状况而言，是否应该关掉冷却器系统，以便进行合适的工作。

从以下结合附图所作的具体描述中，本发明将变得更为清楚，其中：

图1是一冷却器的示意图，所述冷却器包括两个独立的制冷回路；

图2是一用于图1所示冷却器的控制器加上一装有神经网络软件的处理器的方框图，所述软件可用来计算在冷却器的一个制冷回路中的制冷剂的装料；

图3是说明神经网络软件各层中各结点之间连接情况的示意图；

图4是说明图3所示各结点的某些阵列的方框图；

图5是在推导模式运行过程中、由图2所示的处理器执行的神经网络处理的流程图；

图6是在推导模式运行过程中、由图2所示的处理器执行的另一种神经网络处理的流程图；以及

图7是在运行时模式过程中、利用图4所示的阵列、由图2所示的处理器执行的神经网络处理的流程图。

请参阅图1，可以看到一冷却器，它包括两个独立的制冷回路“A”和“B”，每一制冷回路都具有各自的冷凝器10或12。为了能制得冷水，对制冷剂进行处理使它通过每一制冷回路内的冷却器构件。为此，在回路A中的一对压缩机14和16中将制冷剂气体压缩成高压和高温状态。借助一组风扇18可以将制冷剂冷凝成液体，从而可以将热量释放给正流过冷凝器10的空气。冷凝器最好可以将液体制冷剂进一步冷却而使它变成过冷却液体。这种过冷却的液体在流入一与制冷回路B共同享用的蒸发器22之前先流过一膨胀阀20。制冷剂在蒸发器22内蒸发，并从由入口4循环流过蒸发器22至出口26的水中吸收热量。蒸发器中的水向制冷剂释放热量并变冷。冷的或经冷却的水最终可以为一建筑物提供冷却作用。建筑物的冷却通常是利用另一个热交换器(未示)来完成的，其中循环空气向经冷却的或冷水释放热量。应予注意的是，制冷剂也在制冷回路B中被一组压缩机28和30压缩成高压高温状态。这种制冷剂随后在具有一组与之相连的风扇32的冷凝器12内被冷凝成液体。冷凝器12最好可以使液体制冷剂进一步冷却，以变成过冷却液体。这种过冷却液体制冷剂通过膨胀阀34而流至蒸发器22。

现请参阅图2，一控制器40控制膨胀阀20和22，以及风扇组18和32，以控制循环通过冷凝器10和12的空气的量。所述控制器可以使压缩机14、16、28和30通电或断电，以根据具体要求对流过蒸发器22的水进行冷却。一组设置在图1所示冷却器内部适当位置的传感器可以通过一I/O总线为控制器40提供信息。也可以使用八个这样的传感器，以便为一与I/O总线42相连的处理器44提供信息。具体地说，一传感器46检测进入制冷回路A内部的冷凝器10的空气的温度。一传感器48检测离开该冷凝器的空气的温度。在下文中，将把这些温度称为进入冷凝器空气温度“CEAT”，以及离开冷凝器空气温度“CLAT”。处理器44还可以接收由位于压缩机14的入口侧的传感器50所检测到的压缩机抽吸温度。处理器44还可以接收借助一位于该压缩机排放出口侧的传感器54所检测到的用于该压缩机的压缩机排放温度。在下文中，将把由传感器50检测到的压缩机抽吸温度称为“ST_A”，而将由传感器54检测到的压缩机排放温度称为“DT_A”。所述处理器还可以接收来自于一位于膨胀阀20上方的传感器56的过冷却制冷剂温度。在下文中，将把这种特殊的温度称为“SUBCA”。

处理器44还可以接收来自制冷回路B的某些检测值。为此，将来自一位于膨胀阀34上游的传感器58的过冷却制冷剂温度提供给处理器44。在下文中这将被称为“SUBCB”。由传感器60测得的压缩机28的压缩机排放温度以及由传感器62测得的该压缩机的压缩机抽吸温度也被提供给处理器44。在下文中，将把由传感器60测得的压缩机28的压缩机排放温度称为“DT_B”。在下文中，将把由传感器62测得的压缩机60的压缩机抽吸温度称为“ST_B”。

在图2中可以看到，处理器44与一显示器64相连，所述显示器可以是一用于总冷却器的控制面板的一部分。所述显示器由处理器44进行使用，以便为任何一个观看图1所示冷却器控制面板的人提供制冷剂装料的信息。

处理器44还与一键盘输入装置66和一硬盘存储装置68直接相连。所述键盘输入装置可以用来使训练数据进入所述处理器以存储在存储装置68内。正如将在下文中解释的那样，训练数据也可以从控制器40直接下载到处理器以便存储在存储装置68内。然后，在推导模式运转过程中、藉助驻留在处理器44内部的神经网络软件对这种训练数据进行处理。

由处理器44执行的神经网络软件是一个具有诸如图3中70所示的互连结点的大规模并行动态系统。各结点被组织成各层，诸如一输入层72、一个或多个诸如74的隐藏层、一内插层76，以及一由一输出结点组成的输出层78。各结点在连续的各层之间是全部连接或随机连接的。这些连接具有在推导模式运行过程中确定的加权值。

现请参阅图4，图中示出了特别被处理器44用来计算制冷剂装料的神经网络结构。从图中可以看出这种结构是由两个独立的模块组成的，其中第一模块称为一簇查找模块(cluster seeking module)80，第二模块称为一内插模块(interpolation module)82。簇查找模块80包括输入层72，所述输入层包括1×8的结点阵列，它表示八个来自于传感器46至62的传感器检测值。这些检测值是CEAT、CLAT、ST_A、DT_A、SUBCA、SUBCB、DT_B和ST_B。簇查找模块80内部的第二阵列或层称为簇阵列84。它是一个4×16的阵列，它具有三个隐藏行，并且每行具有16个结点。可接收来自于簇查找模块的输出的内插模块是由内插层76组成的，所述内插层是一具有16个结点的1×16的阵列。内插模块82的最后一层是输出层78，该输出层是一包括一个结点的1×1的阵列。

正如下文具体描述的那样，处理器44在推导模式运行过程中是工作的，以便首先适应然后修正与簇阵列84各结点相关的权值。它是这样完成的，即：对通过模块80的训练数据进行迭代处理，并调节所述簇阵列各结点的权值。在对所述簇阵列内的各结点都作了调节之后，所述处理器将执行模块82的训练过程。在这种情况下，该处理器工作，以适应并随后修正簇阵列各结点和内插层76各结点之间的加权连接。所述处理器还进一步工作，以适应并随后修正内插层各结点和位于输出层78处的单个结点之间的加权连接。模块82的这种训练过程是藉助对通过模块80和82的训练数据进行迭代处理而实现的。一旦构成了这样的神经网络，它将被存储，以便在运行时模式工作过程中使用。

现请参阅图5，图中示出了在推导模式运转过程中执行神经网络训练软件的处理器44的流程图。这种推导模式运转的第一阶段将导致对所述神经网络进行训练以学习簇阵列84内各结点的权值。这种训练是以步骤90开始的，在该步骤中，建立学习率变量的初值α。正如下文总描述的那样，该变量的初值是随着神经网络训练软件内的某些计算步骤的逐次迭代而减小的。所选择的所述初值必须大于0并小于1。

所述处理器执行步骤92，并选择八个位于簇阵列84内等距隔开的中心结点。处理器44随即执行步骤94，并选择围绕着每一所选中心结点的七个结点的邻域。所述处理器然后执行步骤96，并赋予各中心结点和围绕它们的各邻域结点随机值。应予理解的是，每一结点最好是都已被赋予了随机值，以用作八维空间的八个单独的导体尺寸(conductor dimension)。所述的八个坐标尺寸中的每一个坐标尺寸还可以被用来确定一与八个传感器值中的其中一个传感器值相对应的测定坐标值。处理器4随即执行步骤98，并从存储装置68中读取一组输入训练数据。该组输入训练数据将由八个值组成，所述的八个值是当冷却器在某一特定环境和特定载荷条件并且在制冷回路A内具有已知量的制冷剂时，预先从八个传感器46-62中的每一传感器获得的。应予注意的是，制冷回路B也具有已知量的制冷剂。该已知量最好被维系在该制冷回路的制冷剂装料的额定量。

应予理解的是，藉助使每一载荷情况下制冷回路A内具有已知量的制冷剂，可以使所述冷却器处在很多其它的环境和载荷条件下。为了使冷却剂能经受不同的载荷条件，可以使热水通过蒸发器22循环，以模拟各种建筑物载荷条件。已知量的制冷剂装料最好是制冷回路A内的额定制冷剂装料，制冷剂装料可以比额定装料多30％，也可以比额定装料少30％。选择这些可加减30％量的制冷剂是因为：它们可表示一在额定制冷剂装料左右较大范围波动的变量，所述额定制冷剂装料限定了一个可确定待监测制冷剂装料的合适范围。处理器44可接收来自于八个传感器46-72的值，这些值是环境条件、建筑物载荷条件和所述冷却器所经历的已知制冷剂装料的特定组合。这些值最好藉助控制器40而提供，当所述冷却器处于某一特定制冷剂装料下的特定环境和建筑物载荷时，所述控制器可以周期性地读取传感器。这八个值将被存储在存储装置内，作为一组训练数据的八个值。处理器44还将接收从键盘装置66以打字形式输入的已知制冷剂装料。当注意到冷却器具有已知的某一制冷剂装料时，最好是将该制冷剂装料与分别从控制器接收到的八个传感器的训练数值一起储存起来。

现请参阅步骤98，从存储装置68中读取作为一组训练数据的八个值，并在每次执行该步骤时将它们存储为用于一训练数据点“x”的八个坐标值x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈。这样，从存储装置读取的成组训练数据的变址计数将由处理器来维持。这些坐标值将被存储在处理器内存储器内部的输入层72内。处理机随即执行步骤100，以计算训练数据点“x”和各中心结点的多维权值之间的距离度量。应予理解的是，在簇阵列内部的每一个赋值中心结点“i”具有八个单独的权值，所述的八个单独权值被赋予了八维坐标，用来确定训练数据点“x”的坐标值。这些权值首先将被赋予可以定义为用于一多维权值“v_i ” 的v_i1、v_i2、v_i3、v_i4、v_i5、v_i6、v_i7、v_i8的随机值。由于最初有八个中心结点，对于这些中心结点来说，“i”的值将是1至8。该距离度量是按下述公式计算的欧几里得距离。 $d_i=\sqrt{{(x_1-v_{i1})}^2+{(x_2-v_{i2})}^2+\…+{(x_8-v_{i8})}^2}$

处理器44执行102，即：通过确定哪一个距离d_i是最小来识别离输入训练数据组最近的中心结点。

处理器随即执行步骤104，以更新得胜的中心结点和失败的中心结点的多维权值“vi”以及与它们相关的邻域结点的多维权值的权值。对于得胜的中心结点和其邻域结点来说，每一维坐标值的权值可以根据下式来调整：

v_new＝v_old+α(x-v_old)

应予注意的是，α是在步骤90中被设定为初值的训练率。不对失败中心结点和与它们相关的邻域结点的权值进行调整。

处理器随即执行步骤106，并询问是否已经对“M”组训练数据进行了处理。这也就是对在步骤98中所建立的读取组的训练数据的变址计数进行检查。万一还要对另外几组训练数据进行处理，处理器44将返回到步骤98，并重新读取一组训练数据，并将它存储作为目前的“x”坐标值。因此，所读取的该组训练数据的变址计数将增大。应予理解的是，处理器44将重复执行步骤98至106，一直到已对“M”组训练数据进行了处理。这是通过检查在步骤98中所读取的训练数据的变址计数来确定的。应予理解的是，在本文中称之为正处理的“M”组训练数据可以是所有或绝大部分的最初保存在存储装置68内的总组数的训练数据。这些“M”组训练数据将被适当地存储在所述存储装置内部的可寻址存储位置内，因此每当训练数据组的变址计数从第一计数增大到所述第M计数时，可以对下一组进行访问。

当已经对“M”组训练数据组进行了处理时，所述处理器将使已读过组数的训练数据的变址计数复位。所述处理器随后将执行步骤108，使学习率α减小其初值的1/10。所述处理器随即询问对于某一邻域尺寸来说所述学习率是否被减小。如果否，所述处理器将返回到步骤98，在该步骤中，将相对同一邻域尺寸。以数值减小了的学习率重新逐次访问所有的“M”组训练数据。

当已经对所有组的训练数据进行了处理时，所述处理器将再次减小步骤108中的学习率。由于该学习率相对某一特定邻域尺寸来说被预先减小，因此所述处理器将执行步骤110至112，并从邻域尺寸减去1。所述处理器同时还以所减小的邻域尺寸为基础，选择另一组彼此等距隔开的中心结点。

所述处理器随即执行步骤114，询问所述邻域尺寸是否小于3。如果所述邻域尺寸等于或大于3，所述处理器将返回去执行步骤98，并相对新的邻域尺寸和新的学习率来重新处理所有的“M”组训练数据，当相对某一邻域尺寸进一步调整了所述学习率时，所述处理器将重新执行步骤110、112和114。应予理解的是，在一些点，将对从7开始向下至3的所有邻域尺寸进行处理。所述学习率将被减小到其初值的1/10。此时，所有的输入训练数据就将相对簇阵列84的所有结点获得一种统一的表示。当发生这种情况时，处理器将从步骤114执行到步骤116，并存储用于簇阵列中64个结点中每一结点的最终的八坐标值。每一个最终的八坐标值将确定一用于某一结点的多维权“v_nm”，其中“n”表示列，“m”表示其中可以在所述簇阵列中找到所述结点的行。

处理器44随即将执行所述推导模式运行过程的第二阶段。在这个第二阶段中，所述神经网络将学习用于簇阵列和内插层内各结点之间的连接的特定权值。它还将学习用于内插层各结点和输出层内一个结点之间的连接的特定权值。所述处理器是通过在步骤120中将初值赋予连接权重“w_knm”和“w_k”而开始处理的。所述处理器随即执行步骤122，将初值赋予偏离量“b_k”和“b_o”。这些偏离量是在计算内插层和输出层内各结点的输出值时使用的。这些偏离量的初值是在0至1之间的分数。所述处理器还在步骤122中将一初值赋予一变量Θ。该初值最好是一十进制的小数值，诸如1/10，它比1更靠近0。其它用于b_k、b_o和Θ的值将在所述推导模式的第二阶段中计算。所述处理器随即执行步骤124，将初值赋予学习率γ和Γ。这些学习率将分别用在内插层和输出层计算中，这将在下文中进行描述。学习率的初值是大于0小于1的分数。

接下来，处理器44读取一组输入训练数据的值，并以一种与步骤98中预先读取和存储一组训练数据的方式基本相同的方式，将它们存储起来作为用于一数据点“x”的坐标值。所述处理器随即执行步骤127，计算“x”坐标值和簇阵列中某一结点的多维权重的八个存储坐标值中某一坐标值之间的距离度量“h_nm”。用于每一结点的多维权重“v_nm”的八个存储坐标值是v_nm1、v_nm2、v_nm3、v_nm4、v_nm5、v_nm6、v_nm7和v_nm8。所述距离度量是按下述方式计算的欧几里得距离： $h_{\mathrm{nm}}=\sqrt{{(x_1-v_{\mathrm{nm}1})}^2+{(x_2-v_{\mathrm{nm}2})}^2+\…+{(x_8-v_{\mathrm{nm}8})}^2}$

所述处理器随即执行步骤128，计算每一内插层76内每一结点的输出值z_k。输出值z_k最好是按照如下所示的、变量“t”的双曲正切函数来计算的：

z_k＝(e^t-e^-t)/(e^t+e^-t)其中， $t=\underset{m=1}{\overset{4}{\mathrm{\Σ}}}\underset{n=1}{\overset{16}{\mathrm{\Σ}}}{w}_{\mathrm{knm}}{h}_{\mathrm{nm}}+b_k$

其中，h_nm＝用于第m行、第n列内的簇结点的、步骤127计算距离度量；

      w_knm＝与第m行第n列内的簇阵列结点相连的第k内插层结点的连接权重；以及

      b_k＝第k内插层结点的偏离量。

所述处理器随即执行步骤130，根据下述公式计算与输出结点相连的每一内插层结点的局部误差θ_k：

θ_k＝(1+z_k)●(1-z_k)●(Θ●w_k)

其中，z_k＝用于步骤128中所计算的第k结点的内插结点值；

Θ＝步骤122的初始赋值误差，或者在对几组训练数据进行处理的过程中所计算的误差值；以及

w_k＝用于与第k内插结点相连的输出结点的连接权重。

所述处理器随即执行步骤130，按下述公式更新簇阵列结点和内插层结点之间的连接权重：

w_knm，新＝w_knm，老+Δw_knm，老，

Δw_knm，老＝γθ_k，新h_nm

其中，h_nm＝用于第m行、第n列内簇结点的、步骤127的计算距离度量；

其中，γ是标量学习率系数；

其中，θ_k，新是步骤130中所计算的带比例的局部误差；

所述处理器随即执行步骤134，按下式更新各内插结点的每一偏离量b_k：

b_k，新＝b_k，老+γθ_新、

所述处理器随即执行步骤136，以计算来自于输出层76的单个结点的输出。这种输出结点值y最好是按照如下所示的、变量“u”的双曲正切函数来计算的：

y＝(e^u-e^-u)/(e^u+e^-u)

其中， $u=\underset{n=1}{\overset{16}{\mathrm{\Σ}}}{w}_k{z}_k+b_o$

其中，z_k＝内插结点值，k＝1，2，…16；

w_k＝用于与第k内插结点相连的输出结点的连接权重；以及

b_o＝输出结点的偏离量。

将“y”的计算值存储起来，作为第“n”组处理训练数据输出结点的第“n”个计算输出。下文中，将该值称为“y_n”。应予注意的是，第“n”组训练数据的已知制冷剂值也被存储起来作为“Y_n”，因此，对于已得到处理的每一组训练数据来说，将有一计算输出值“y_n”和一已知输出“Y_n”。正如前文指出的那样，已知的制冷剂值最好是与某一组训练数据存一起存储在硬盘存储装置68内。这样，当对某一组训练数据进行处理时，可以将已知制冷剂值访问和存储成“y_n”。

所述处理器随即执行步骤138，以按下式计算输出层的局部误差Θ：

Θ＝(y-Y)●(1+y)●(1-y)，

所述处理器随即执行步骤140，按下式利用向后传播学习规则来更新与输出结点相连的内插结点的权重：

w_knm，新＝w_k，老+Δw_k，老，

Δw_k，老＝Γθ_新z_k

其中，k表示与所述内插层的第k个结点的连接；

其中，Γ＝步骤124中被初始赋值或者在对所述结点进行预处理过程中计算的学习率；

其中，θ_新是在步骤138中所计算的局部误差。

所述处理器随即执行142，按下式更新偏离量b_o：

b_0，new＝b_0，old+ΓΘ_new。

所述处理器然后执行步骤144，询问是否已经对“N”组训练数据进行了处理。组数“N”将是行将在推导模式的第二阶段内处理的、位于存储装置68内侧边的训练数据组的总组数。应予注意的是，组数“N”可以与推导模式的第一阶段内所处理的训练数据组的组数相同。如果是，则在步骤126-144中，对用于第一阶段、存储在存储装置68内的“M”组训练数据再次进行寻址和处理。另一方面，如果希望使用另一组与存储装置68不同的训练数据，则需要将该组存储在适当的可寻址存储位置内，从而可以在步骤126-144中对它们进行寻址和处理。在任何一种情况中，所述处理器都将执行步骤126至142的各种计算，一直到对“N”组训练数据进行了处理。与此同时，所述处理器将执行步骤146，计算在步骤136中所计算的制冷剂装料的存储值和对于每一个所计算的制冷剂装料来说制冷剂装料的对应已知值之间的RMS误差值。

在步骤148中，进行询问：在步骤146中所计算的计算RMS误差值是否小于一最好为0.001的阈值。当所述RMS误差不小于这个特定阈值时，所述处理器将不能沿着任何一条路径来执行步骤150，降低学习率γ和Γ的值。这些值可以用是它们初始赋值1/10的增量来减小。

所述处理器然后再次对“N”组训练数据进行处理，在再次询问最新计算的RMS完成是否小于“0.001”的阈值之前，完成步骤127至146的计算。应予理解的是，在一些点处，所计算的RMS误差将小于该阈值。这将提示所述处理器去存储用于内插层76内每一结点和输出层78内单个结点的、所有的计算连接权重和所有的最终偏离值。

现请参阅图4，用于簇阵列84和内插层76的所有结点值以及相对于所述簇阵列、内插层的各结点和输出层的单个结点而言的加权连接值将在推导模式运算之后被存储在存储装置68内，正如将予以说明的那样，这些存储值是用来在处理器运行时模式运算过程中计算制冷回路“A”内部的制冷剂装料的。

现请参阅图7，处理器44的运行时模式运算是以步骤160开始的，步骤160是将某些标量内插值初始化为0。正如下文中说明的那样，在运行时模式的运算过程中，将这些值中的一些值设定为非零值。所述处理器随即执行步骤162，以读取从传感器46至62获得的温度测量值。为此，所述处理器将等待来自冷却器的控制器40的指令，一组新的传感器值已由控制器40读取并存储起来，以供所述控制器和所述处理器使用。每当经过一段预定时间，这将作为控制器收集和存储传感器信息的结果而周期性发生。最好将所述的时间段设定为三分钟。这些传感器值将被存储起来，作为一采用八维空间的点“x”的坐标值。

所述处理器随即执行步骤164，在该步骤中，利用那些定为x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈的存储“x”坐标值来相对于所述簇阵列内的每一结点的多维权重“v_nm”来计算距离度量，所述结点由簇阵列84内的列下标“n”和行下标“m”来定位。用于每一结点的距离“h_nm”是按下式计算的： $h_{\mathrm{nm}}=\sqrt{{(x_1-v_{\mathrm{n\; m}1})}^2+{(x_2-v_{\mathrm{nm}2})}^2+\…+{(x_8-v_{\mathrm{nm}8})}^2}$

其中n＝1至16，m＝1至4，

其中，v_nm1，……v_nm8是用于第m行第n列簇阵列内的结点的多维结点权重的存储多维权值。

所述处理器随即执行步骤166，在相对每一结点计算了用于当前“x”坐标值的距离度量之后，确定具有最小距离度量的三个结点。这些结点分别用a、b和c表示，它们的距离值如下所注：

对于结点a：D1＝min(h_nm)，

对于结点b：D2＝min(h_nm)，除结点a之外的所有n、m，

对于结点c：D3＝min(h_nm)，除结点b和c之外的所有n、m。

所述处理器随即执行步骤168，确定用于所述簇阵列每一上述结点的标量内插值A_nm。结点“a”的所述A_nm值被设定为1。结点“b”的标量内插值是按照等于D1/(D1+D2)来计算的。结点“c”的标量内插值是按照等于D1/(D1+D3)来计算的。对于所有其它结点来说，A_nm的值保持为0。

所述处理器随即执行步骤170，计算内插层76内16个结点的结点值z_k。每一结点值z_k最好是按照如下所示的变量“t”的双曲正切函数来计算的：

z_k＝(e^t-e^-t)/(e^t+e^-t)

其中， $t=\underset{m=1}{\overset{4}{\mathrm{\Σ}}}\underset{n=1}{\overset{16}{\mathrm{\Σ}}}{A}_{\mathrm{nm}}{W}_{\mathrm{knm}}{h}_{\mathrm{nm}}+b_k$

其中，z_k＝所述内插层内第k结点的输出，k＝1、2、…16；

h_nm＝用于第m行第n列的簇阵列的距离度量；

w_knm＝用于与第m行第n列簇结点相连的第k内插层结点的连接权重；

b_k＝用于第k内插层结点的存储偏离量；

A_nm＝用于簇阵列第m行第n列内的结点的标量内插值。

所述处理器随即从步骤170执行至步骤172，其中，一输出结点值“y”最好是按照如下所示的双曲正切函数来计算的：

y＝(e^u-e^-u)/(e^u+e^-u)

其中， $u=\underset{n=1}{\overset{16}{\mathrm{\Σ}}}{w}_k{z}_k+b_o$

其中，z_k＝在步骤170中所计算的内插结点值，k＝1、2、…16；

w_k＝用于与输出结点相连的第k内插结点的连接权重；

b_o＝输出结点的存储偏离量；

所述处理器然后执行步骤174，将所述输出结点的计算值“y”存储起来，作为制冷剂装料的估计值。接下来，在步骤176中进行询问：在步骤174中是否已经存储了20个独立的制冷剂装料估计值。万一还未对制冷剂装料的这个数值进行存储，所述处理器将返回到步骤160，在读取下一组传感器值之前，重新初始化标量内插值A_nm。正如前文所指出的，在藉助控制器40进行定时读出各传感器之后，所述处理器将可以获得下一组传感器值。利用所述控制器进行的定时周期读取最好是每三分钟进行一次。这些新的传感器读数将立即被处理器44读取，然后将再次执行计算步骤164、166、168、170和172，从而可以在步骤174中使所述处理器重新存储制冷剂进料的另一估计值。应予理解的是，在某些时候，所述处理器将在步骤176中指出已经对20组独立的传感器值进行了处理。这将提示所述处理器去执行步骤178，对步骤174中所存储的所有制冷剂装料估计值的平均值进行计算。所述处理器随即执行步骤180，将所计算的平均制冷剂装料与用于图1所示冷却系统内部的特定制冷回路A的已知额定制冷剂装料进行比较。该已知额定制冷剂装料将被存储在所述处理器的存储器内，以便在运行时模式运算过程中使用。万一这个平均制冷剂装料估计值小于已知额定制冷剂装料，所述处理器将执行步骤182，显示进料不足的状态，它最好能指示所述制冷剂装料与额定值的偏差量或实际计算的装料。这种显示结果最好是显示在控制面板的显示器66上。万一所述平均估计装料等于或大于额定制冷剂装料，所述处理器将执行步骤184。在步骤184中询问：所述平均制冷剂装料是否大于额定制冷剂装料。万一询问答复为是，所述处理器将执行步骤186，并显示一种过装料状态，它可以包括制冷剂装料超过额定装料的数量，或者显示实际计算的装料。万一平均估计制冷剂装料大于额定制冷剂装料，所述处理器将执行步骤188。所述额定装料状况将被显示在显示器64上。

现请参阅显示步骤182、184或188，所述处理器将从显示其中一个所注释的制冷剂装料状况的状态退出来，并返回到步骤160。在步骤162读取新的一组传感器值之前，所述处理器将重新初始化标量内插值。当显示可以从控制器40获得时，这些值将被读入处理器44的存储器内。所述处理器最终将计算20个新的制冷剂装料估计值。这些最新计算的制冷剂估计值中的每一值将置换一位于所述处理器存储器内、已被计算出来用来预先求得存储制冷剂装料的平均值的、预先存储的制冷剂装料。所述处理器随后将从一预先计算的平均制冷剂装料计算出一个新的、在60分钟内的平均制冷剂装料。为此，所述处理器将逐次读取和处理20组新的传感器信息，每一组传感器信息是每隔三分钟来逐次读取的。最新显示的平均制冷剂装料状况将被显示在显示器66上。

从上文可以理解的是，将可以得到一以正在进行为基础的、有关图1所示冷却器系统冷却器回路A内具有多少制冷剂装料的显示结果。由此显示的制冷剂装料将正确反映所述冷却器系统冷却器回路A的任何一种制冷剂装料情况，对于该回路来说，所述的制冷剂装料在额定制冷剂装料的-30％至制冷剂装料的+30％之间。所计算和显示的制冷剂装料将被精确到所述额定制冷剂装料的5％至7％的微增量范围内。由于信息可以被可视地显示出来，因此，当制冷剂装料的水平出现问题时，冷却器系统操作人员就会注意到这种情况，并采取适当措施。

应予理解的是，至此已对本发明的一具体实施例进行了描述。对于本技术领域的那些熟练技术人员来说，可以很容易地对本发明做出各种改进和改良。例如，可以对所述处理器进行编程，以定时读取来自各传感器的数据，而不依赖于推导模式运算过程中是用来确定神经网络值，在运行时模式运算过程中是用来最终计算实时制冷剂装料。制冷回路B中的制冷剂装料也可以藉助根据每一回路内已知量制冷剂来训练的神经网络而随着制冷回路A中的制冷剂装料而变化，以得到一个用于所述两回路内总装料的制冷剂的单个结点输出。或者，可以将一第二输出结点引入所述神经网络。对所述神经网络进行训练，以获得一用于每一输出结点内各回路的独立计算量的制冷剂。因此，以上所作的描述仅仅是举例说明性的，本发明只受到所附权利要求书和其等同物的限制。

Claims (32)

1.一种用来对一加热或冷却系统的至少一个制冷回路内的制冷剂装料进行监测的方法，它包括以下步骤：

读取发生在所述加热或冷却系统内的检测状况值，其中，各值是藉助多个位于所述加热或冷却系统内部各位置的传感器来产生的；

通过一神经网络对发生在所述加热或冷却系统内的检测状况的读取值进行处理，以根据检测状况的读取值，产生一用于所述加热或冷却系统的至少一个制冷回路的计算的制冷剂装料；

将所计算的制冷剂装料与用于所述加热或冷却系统至少一个制冷回路的额定制冷剂装料相比较；以及

根据将所计算的制冷剂装料与额定制冷剂装料相比较的步骤，传送一有关所述制冷回路的至少一个制冷回路内的制冷剂装料数量的状态信息。

2.如权利要求1所述的方法，其特征在于，所述神经网络包括第一阵列结点，其中所述第一阵列中的每一结点包含已经被所述神经网络学习、用于所述加热或冷却系统的至少一个制冷回路内的特定量制冷剂装料的存储值，其中，通过一神经网络对检测状况的读取值进行处理的步骤包括以下步骤：

将发生在所述加热或冷却系统内的检测状况的读取值的邻近值(proximity)确定为所述第一阵列内每一结点的存储学习值；以及

根据被确定为各结点存储学习值的检测状况读取值，来识别离发生在所述加热或冷却系统内的检测状况的读取值最近的所述第一阵列内多个结点。

3.如权利要求2所述的方法，其特征在于，所述神经网络还包括一内插结点阵列，其中每一内插结点通过预先被神经网络学习的加权连接而与所述第一阵列内的结点相连，所述方法还包括以下步骤：

根据每一内插结点的加权连接的值，计算与所述第一阵列内所标识数的结点相连的每一内插结点的值。

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至少一个输出结点，所述的输出结点通过预先被神经网络学习的加权连接而与每一内插结点相连，所述方法还包括以下步骤：

根据与每一内插结点相连的输出结点的加权连接的值和每一内插结点的计算值，计算一输出制冷剂装料。

5.如权利要求2所述的方法，其特征在于，在至少一个制冷回路内的特定量的制冷剂装料包括至少两种数量的制冷剂装料，其中一种数量的制冷剂装料是所述加热或冷却系统的至少一个制冷回路内的额定制冷剂装料，另一种数量的制冷剂装料低于所述额定制冷剂装料。

6.如权利要求2所述的方法，其特征在于，在至少一个制冷回路内的特定量的制冷剂装料包括至少两种数量的制冷剂装料，其中一个制冷剂装料是所述加热或冷却系统的至少一个制冷回路内的额定制冷剂装料，第二数量的制冷剂装料低于所述额定制冷剂装料。

7.如权利要求1所述的方法，其特征在于，读取发生在加热或冷却系统内的检测状况的值的步骤包括以下步骤：

读出有关所述加热或冷却系统的至少一个制冷回路内的至少一个压缩机的、所发生的至少一个检测状况的值；

读出有关所述加热或冷却系统的至少一个制冷回路内的热交换器的、所发生的至少一个检测状况的值；以及

读出有关所述加热或冷却系统的所述制冷回路内的所述热交换器的下游和一膨胀阀的上游的制冷剂的检测温度状况的值。

8.如权利要求7所述的方法，其特征在于，所述读取一制冷回路内至少一个压缩机内所发生的至少一个状况的值的步骤包括以下步骤：

读取所述压缩机入口的压缩机抽吸温度；以及

读取所述压缩机出口的压缩机排放温度。

9.如权利要求7所述的方法，其特征在于，所述读取有关所述加热或冷却系统的至少一个制冷回路内的至少一个热交换器内所发生的至少一个检测状况的值的步骤包括以下步骤：

读取在进入所述热交换器之前的空气温度；以及

读取离开所述热交换器的空气温度。

10.如权利要求7所述的方法，其特征在于，它还包括以下步骤：

读取有关所述加热或冷却系统的至少一第二制冷回路内的至少一个压缩机所发生的至少一个检测状况的值；以及

读取一用于所述加热或冷却系统内部所述第二制冷回路的膨胀阀的上游的第二制冷回路内的制冷剂的至少一个检测状况的值。

11.一种用来学习一加热或冷却系统的特征以预测所述加热或冷却系统的至少一个制冷回路内的制冷剂装料的方法，所述方法包括以下步骤：

当所述加热或冷却系统处于各种用于所述系统的一个或多个制冷回路内的已知量制冷剂装料的载荷和环境条件下时，将所述加热或冷却系统内部所发生的检测状况的多组数据存储起来；以及

通过一神经网络对多组存储数据进行反复处理，以便指导所述神经网络，以正确预测对于至少一个制冷回路内的特定组数据来说的已知量的制冷剂装料，从而随后可以利用神经网络来对所述加热或冷却系统内部所发生的检测状况进行处理，以产生一用于该检测组状况的至少一个制冷回路内的计算的制冷剂装料。

12.如权利要求11所述的方法，其特征在于，所述神经网络包括多个设置在第一阵列内的结点，其中每一结点具有一组被赋于的加权值，并且所述神经网络还包括多个设置在第二阵列内的内插结点，其中，位于第二阵列内的各内插点具有与所述第一阵列内各结点和一用来计算制冷剂装料的输出结点相连的加权连接，所述输出结点具有与所述第二阵列内各内插点相连的加权连接。

13.如权利要求12所述的方法，它还包括以下步骤：

根据对多组存储数据进行的反复处理，来调整第一阵列各结点和第二阵列各内插点之间的加权连接；以及

根据对递增存储数据进行的反复处理，来调整第二阵列各内插点和输出结点之间的加权连接；以及

根据所调整的加权连接，来计算新的制冷剂装料，从而使所有结点之间的经调整的加权连接最终可以产生一制冷剂计算的装料，该制冷剂计算装料收敛于制冷剂已知值，作为通过所述神经网络分别处理的数据组。

14.如权利要求11所述的方法，其特征在于，所述将加热或冷却系统内部所发生的检测监控的多组数据存储起来的步骤包括以下步骤：

存储每一组数据，作为多个可以表示所述加热或冷却系统内部各传感器所产生的检测值的值；以及

当各传感器产生检测值时，将所述加热或冷却系统内所存在的已知量的制冷剂装料存储起来。

15.如权利要求14所述的方法，其特征在于，所述通过一神经网络来处理多组存储数据以指导神经网络以预测已知量的制冷剂装料的步骤还包括以下步骤：

(a)读取一组数据，并存储该组已读数据，作为一组采用多维空间的坐标尺寸；

(b)识别第一阵列结点内具有多组加权值的多个结点，所述的加权值接近采用多维空间的该组坐标尺寸；

(c)调整第一阵列内标识结点处的加权值组，从而可以按下述方式来对调整组的数值进行调整，使之成为每一标识结点处加权值组和所读数据组坐标尺寸之间的差值的函数。

16.如权利要求15所述的方法，其特征在于，簇阵列内所标识的各结点处的加权值组是这样调整的，使之成为一学习率数值的函数，所述学习率是每一标识结点处的老加权值和所读数据组的坐标尺寸值之间的差值的几倍。

17.如权利要求15所述的方法，其特征在于，重复所述“a”、“b”和“c”步骤，一直到已经对存储在存储装置内的预定组数的数据组进行了处理为止，所述步骤还包括以下步骤：

(d)减小所述学习率的数值；以及

(e)询问所述学习率的数值是否达到预定值。

18.如权利要求17所述的方法，其特征在于，重复所述“a”、“b”、“c”、“d”和“e”步骤，一直到所述学习率已达到预定值为止，所述步骤还包括以下步骤：

当所述学习率的数值达到预定值时，将所述第一阵列内所有结点处的、经过最终调整的加权值存储起来。

19.如权利要求12所述的方法，其特征在于，它还包括以下步骤：

读取一组数据；

根据所读取的该组数据，对第一阵列各结点和第二阵列各内插点之间的、确定的多个连接进行调整；以及

根据所读取的该组数据，对第二列各内插点和输出结点之间的、确定的多个连接进行调整，从而使所有结点之间的、经调整的连接最终可以产生计算的制冷剂装料，该计算制冷剂装料收敛于制冷剂装料的已知值，用于反复处理的数据组。

20.如权利要求11所述的方法，其特征在于，将用于所述加热或冷却系统内所发生的检测状况的多组数据存储起来的步骤还包括以下步骤：

存储每组数据，作为多个能反应所述加热或冷却系统内部的各传感器所产生的检测值的值，用于已知的制冷剂装料；以及

存储已知的制冷剂装料，当各传感器产生与各传感器所产生的各组存储检测值相关联的特定组数值时，所述的已知制冷剂装料存在于所述加热或冷却系统内的至少一个制冷回路内，从而可以使已知的制冷剂装料与各组存储的检测值相关联。

21.如权利要求20所述的方法，其特征在于，将每组数据存储起来作为能反应那些由所述加热或冷却系统内各传感器所产生的检测值的多个值的步骤还包括以下步骤：

将至少一个由一安装在所述加热或冷却系统内部的一压缩机的入口侧处的传感器产生的检测值存储起来；

将至少一个由一安装在所述压缩机出口侧处的的传感器产生的检测值存储起来；

将至少一个由一可以对进入所述加热或冷却系统内部的一热交换器的空气的温度进行测量的传感器产生的检测值存储起来；以及

将至少一个由一可以对离开所述加热或冷却系统内部的一热交换器的空气的温度进行测量的传感器产生的检测值存储起来。

22.如权利要求21所述的方法，其特征在于，存储每一组数据，作为多个能反应那些由所述加热或冷却系统内部各传感器产生的检测值的值的步骤还包括以下步骤：

将至少一个由一可以相对于所述加热或冷却系统内部的一膨胀阀进行安装的传感器所产生的制冷剂温度的检测值存储起来。

23.一种用来对一加热或冷却系统的至少一个制冷回路内所具有的制冷剂装料进行监测的方法，它包括以下步骤：

反复读取那些由位于所述加热或冷却系统内部各位置的多个传感器所产生的某些检测状况的值；

以一种预定方式存储每组读取值，从而使每一组读取值内的每一存储值可以确定一采用多维空间的坐标尺寸；

通过一神经网络对每一组存储值进行处理，从而可以在所述神经网络的输出处产生一相对于每一组存储读取值而言的计算的制冷剂装料；

将相对于每一组处理通过所述神经网络的值而言的、产生在所述神经网络输出处的每一计算的制冷剂装料存储起来；以及

在输出结点处产生了预定数值的计算的制冷剂装料之后，计算所存储的制冷剂装料的平均值。

24.如权利要求23的方法，其特征在于，它还包括以下步骤：

对于所述加热或冷却系统内部的至少一个制冷回路，将所存储的计算的制冷剂装料的计算平均值与已知的额定制冷剂装料相比较；

当存储制冷剂装料的计算平均值低于额定制冷剂装料时，产生一信息。

25.如权利要求23所述的方法，它还包括以下步骤：

对于所述加热或冷却系统内部的至少一个制冷回路，将所存储的计算的制冷剂装料的计算平均值与已知的额定制冷剂装料相比较；

当存储制冷剂装料的计算平均值超过额定制冷剂装料时，产生一信息。

26.如权利要求23所述的方法，其特征在于，它还包括以下步骤：

重复以下步骤，即：反复读取某些检测状况值，将每组读取值存储起来，并通过一神经网络对每一组所存储的读取值进行处理，从而可以为每一组经处理的读取值产生一新的计算制冷剂装料；以及

为每一组经处理的值存储每一个新的计算的制冷剂装料；以及

计算所存储的新的计算的制冷剂装料的平均值。

27.如权利要求23所述的方法，其特征在于，所述神经网络包括多个位于第一阵列内的结点，其中位于第一阵列中的每一结点都具有已被所述神经网络学习的存储值，并且通过一神经网络对各检测状况的读取值进行处理的步骤包括以下步骤：

将由所述加热或冷却系统内的多个传感器产生的检测状况的读取值和存储值的接近值确定为第一阵列内每一结点处的存储学习值；以及

根据那些被确定为这些结点的存储学习值的检测状况的读取值和存储值的接近值，来识别所述第一阵列内、离那些由所述加热或冷却系统内的多个传感器产生的检测状况的读取值和存储值最近的多个结点。

28.如权利要求27所述的方法，其特征在于，所述神经网络还包括一内插结点阵列，其中每一内插结点均通过预先被所述神经网络学习的加权连接而与第一阵列内各结点相连，所述方法还包括以下步骤：

根据与第一阵列内所标识数目的结点相连的加权连接的数值，来计算每一内插结点的值。

29.如权利要求28所述的方法，其特征在于，所述神经网络还包括至少一个输出结点，它通过已预先被所述神经网络学习的加权连接而与每一内插结点相连，所述方法还包括以下步骤：

根据与每一内插结点的加权连接值和第一阵列内每一内插结点的计算值，来计算一输出制冷剂装料数值。

30.如权利要求23所述的方法，其特征在于，所述神经网络已预先学习了用于所述加热或冷却系统内的至少一个制冷回路内的至少两个制冷剂装料的神经网络值，其中一个制冷剂装料是用于所述加热或冷却系统的至少一个制冷回路的额定制冷剂装料，另一制冷剂装料低于所述额定制冷剂装料，通过所述网络对每一组读取值进行处理的步骤还包括以下步骤：

利用所述述加热或冷却系统内检测状况的那组读取值，来内插在所获得的各神经网络值之间，以产生计算的制冷剂装料。

31.如权利要求23所述的方法，其特征在于，所述神经网络已预先学习了用于所述加热或冷却系统内的至少一个制冷回路内的至少两个制冷剂装料的神经网络值，其中一个制冷剂装料是用于所述加热或冷却系统的至少一个制冷回路的额定制冷剂装料，另一制冷剂装料超过所述额定制冷剂装料，通过所述网络对每一组读取值进行处理的步骤还包括以下步骤：

利用所述述加热或冷却系统内检测状况的那组读取值，来内插在所获得的各神经网络值之间，以产生计算的制冷剂装料。

32.如权利要求23所述的方法，其特征在于，所述神经网络已预先学习了用于所述制冷回路内的至少三个制冷剂装料的神经网络值，其中一个制冷剂装料是用于所述加热或冷却系统的至少一个制冷回路的额定制冷剂装料，另两个制冷剂装料位于所述额定制冷剂装料的两侧，通过所述网络对每一组读取值进行处理的步骤还包括以下步骤：

利用所述述加热或冷却系统内检测状况的那组读取值，来内插在所获得的各神经网络值之间，以产生计算的制冷剂装料。

Images