基于支持向量机的结霜过程特性参数预测模型

    冷壁面结霜是制冷、冷冻设备中不可避免的,霜的存在削弱了传热,堵塞了空气流通,导致系统运行的效率降低,甚至会造成设备的损坏.准确地预测结霜过程中特性参数的变化,制定合理、有效的除霜策略,对保证系统稳定运行具有现实的意义.

    结霜过程的非线性和时变性特征非常明显且测试数据受噪声干扰较大,如何建立一个可靠、精确的霜层特性参数预测模型,一直是国内外一个研究热点.近年来,许多学者对冷壁面结霜过程中特性参数的预测进行了大量研究,其研究的手段可基本划分为两大类:一类是在实验基础上建立相应的实验关联式[1-4],它们不仅具有良好的统计特性,而且大多显式,实际应用较方便.然而,由于关联式的结构形式多样化,故不同的拟合形式得到的结果相差很大,拟合的效果往往达不到预期的要求.此外,所建立的关联式都有其特定的使用范围,泛化性能较差.另一类是建立在实验关联式基础上的解析模型和数值模型[4-7],模型的物理意义非常明确,但建模的过程极其复杂,且模型的预测精度受所使用的实验关联式性能的制约.

    支持向量机(SVM)是由统计学习理论发展起来的一种新的数据挖掘方法,有着严格的理论和数学基础,能有效地解决非线性、高维数、局部极小等问题,具有抗噪声能力和推广能力等优点,已在模式识别、信号处理、回归估计等领域得到了应用[8].

    本文在现有研究成果基础上[1],采用SVM的理论及算法,建立了基于SVM的结霜过程中特性参数预测模型,利用实验数据[1]对模型进行了验证和评估,并就SVM与LS的预测模型[1]处理非线性、时变性及抗噪声干扰等方面的能力进行了对比分析,结果证明了将SVM运用于结霜过程中特性参数预测的可行性和有效性.

    1 基于SVM的预测模型

    1.1 模型描述

    冷壁面结霜过程十分复杂,受到影响的因素很多.但一般认为,霜层的生长主要与冷壁面温度、结霜时间、来流空气的流速、温度、湿度以及其在冷壁面的位置等因素有关[9],即结霜过程中的特性参数

f(x) = f(r,Ta,W,v,Ts,t) (1)

    式中:r为空间矢量坐标;Ta、W、v分别为来流空气的温度、绝对湿度及流速;Ts为冷壁面温度;t为结霜时间.这些量构成了预测模型的特征向量.

    1.2 基于SVM的预测模型

    SVM回归的基本思想为:对于给定的l个样本数据

    其中:xi和yi分别为样本的输入和输出.利用非线性映射Φ(•)将输入数据映射到高维特征空间,在此空间中采用结构风险最小化原则[8]构造最优决策函数,使得在低维空间中的非线性问题转化为高维特征空间中的线性问题.计算时,利用原空间的核函数代替高维特征空间中点积运算,使复杂的计算过程得到简化.