一种基于混合驱动模型的香菇热泵干燥系统性能优化方法

本发明涉及热泵干燥领域，尤其涉及一种基于混合驱动模型的香菇热泵干燥系统性能优化方法。

背景技术：

1、为了防止香菇出现腐烂、褐变等问题，采后的香菇需通过干燥以延长其保质期。热泵干燥技术具有能源消耗和环境污染小、温湿度可调节范围广、不易受天气影响等优势，已经被广泛应用于香菇干燥单元操作中。

2、在实际香菇干制品的生产过程中，常采用堆积多层香菇的厢式干燥器。由于香菇具有多孔性、热敏性和生物学特性，其干燥过程涉及流体流动、传热、水蒸气传输等多物理场的耦合，导致干燥器内部干燥条件分布不均匀、热湿负荷动态变化大和非线性程度高。因此，多层香菇的干燥过程难以通过单一干燥条件的干燥动力学模型描述，而计算流体力学(cfd)数值方法的计算成本则过高。使用基于数据驱动的模型作为香菇干燥器cfd模型的代理模型，可实现多层香菇干燥器热湿负荷的快速仿真，同时又不失cfd数值模型的鲁棒性。

3、香菇热泵干燥系统性能优化需要耦合多层香菇干燥器的进出口干燥介质状态参数，以实现干燥器侧的能量需求与热泵侧的能量供应的动态匹配，从而提高香菇的干燥品质和热泵干燥系统的能效。通过准确快速的仿真模型，可以对干燥系统在不同干燥工艺下的性能进行低成本的预测，从而最终实现性能优化。但是，物理模型的高计算成本极大地限制了它们在热泵干燥系统优化中的应用。使用数据驱动的代理模型可以有效降低模型计算成本，从而克服上述难题，实现热泵干燥系统的低成本性能优化。

技术实现思路

1、本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于混合驱动模型的香菇热泵干燥系统性能优化方法。

2、本发明所采用的具体技术方案如下：

3、本发明提供了一种基于混合驱动模型的香菇热泵干燥系统性能优化方法，具体如下：

4、步骤1：构建数据驱动的多层香菇干燥器代理模型；

5、步骤2：建立热泵系统的物理模型；

6、步骤3：根据步骤1所述多层香菇干燥器代理模型以及步骤2所述物理模型构建知识和数据混合驱动的香菇热泵干燥系统模型，随后使用遗传算法对所述香菇热泵干燥系统模型的性能进行优化。

7、作为优选，所述步骤1具体如下：

8、步骤1-1：构建多层香菇干燥器cfd数值模型；

9、步骤1-2：基于所述多层香菇干燥器cfd数值模型，采用正交设计抽样方法确定样本集；

10、步骤1-3：基于所述样本集，构建基于lstm深度循环神经网络的多层香菇干燥器出口参数预测模型，即多层香菇干燥器代理模型。

11、进一步的，所述步骤1-1中，具体方法为构建多层香菇干燥器的cfd仿真多物理场耦合多孔介质多相模型。多层香菇干燥器cfd数值模型的输入变量包括：入口干燥温度，troom,in,℃；入口干燥相对湿度，rhroom,in,％；入口风速，vroom,in,m/s；物料均摊密度，load,m2/kg；托盘层数，tray；初始温度，t0,℃；初始湿基含水率，m0,wb,％；干燥时间，t,h；多层香菇干燥器cfd数值模型的输出变量包括：出口空气温度，troom,out,℃；出口空气相对湿度，rhroom,out,％；出口风速，vroom,out,m/s；实时湿基含水率，mt,wb,％；

12、所述多层香菇干燥器cfd数值模型的构建方法具体如下：

13、首先，根据实际多层香菇干燥箱建立几何模型；

14、然后，基于建立的所述几何模型，根据式(1)所示的单个香菇的干燥动力学模型和式(2)所示的收缩动力学模型确定香菇干燥过程的水分比和体积收缩率，利用式(3)确定多层香菇干燥器内部多孔介质域的液态水蒸发速率，利用式(4)确定多层香菇干燥器内部多孔介质域的孔隙率；

15、(1)mr＝exp(-ktn)

16、(2)sr＝a+b×mr+c×mr2

17、(3)

18、(4)pors＝por+sr×(1-por)

19、其中，mr为香菇水分比；sr为香菇体积收缩率；t为时间，s；mevap为堆积香菇区域的液态水蒸发速率，mol/(m3·s)；pors为堆积香菇区域收缩过程中的空隙率；ρs为香菇干基密度，kg/m3；xs,0为香菇内部干基初始体积分数；xm,0为香菇初始干基含水率；mnl为水的摩尔质量，kg/mol；por为初始堆积孔隙率；k,n,a,b,c为模型系数；

20、根据质量、动量和能量守恒原理，建立湍流流体流动、局部热非平衡传热和水蒸气传输控制方程，香菇多孔介质堆积域的控制方程分别如式(5)、式(6)、式(7)所示：

21、(5)

22、

23、

24、

25、(6)

26、

27、

28、(7)

29、

30、其中，ρma为湿空气密度，kg/m3；u为速度矢量，m/s；p为压力，pa；i为单位向量；k为粘性应力张量，pa；μma为湿空气动力粘度，kg/(m·s)；κ为多孔介质堆积域的渗透率，m2；dp为单个香菇等效直径，m；cpma为湿空气定压比热容，j/(kg·k)；tma为湿空气温度，k；kma为湿空气导热系数，w/(m·k)；hsf为间隙传热系数，w/(m2·k)；tm为香菇温度，k；ρm为香菇密度，kg/m3；cpm为香菇定压比热容，j/(kg·k)；km为香菇导热系数，w/(m·k)；hevap为汽化潜热，j/kg；cv为水蒸气浓度，mol/m3；dva为水蒸气-空气二元扩散系数，m2/s；

31、运用comsol软件，采用有限单元法数值求解多层香菇干燥器的数学模型，并对其进行实验验证，得到多层香菇干燥器cfd数值模型。

32、进一步的，所述步骤1-2具体如下：

33、利用design expert软件生成正交实验表；根据步骤1-1中所述多层香菇干燥器cfd数值模型，按照所述正交实验表修改相关参数进行数值计算，得到不同干燥工况和初始条件的cfd仿真数据，即多层香菇干燥器的出口空气状态和香菇含水率，确定一组输入对应一组输出的映射集作为样本集。

34、进一步的，所述步骤1-3具体如下：

35、首先，对样本集的原始数据进行预处理，并将预处理后的样本集划分为训练集和测试集；所述预处理包括依据数据的采集时间进行数据排序、异常值的剔除和重采样和数据归一化等操作；然后，基于训练集，采用网格搜索或随机搜索等方法对lstm模型的超参数进行优化；最后，使用训练集训练具有最优超参数(包括但不限于神经元个数、输入序列长度、学习率等)的lstm模型，并在测试集上评估lstm模型的精度，从而确定输出值和目标值的误差满足规定，得到多层香菇干燥器代理模型。

36、作为优选，所述步骤2中，热泵系统的物理模型包括压缩机模型、冷凝器模型、膨胀阀模型、蒸发器模型和制冷剂充注量模型；

37、所述压缩机模型的输入变量包括蒸发温度、冷凝温度、蒸发器过热度，输出变量包括压缩机功率、排气温度、冷凝端总质量流量、排气过热度、排气焓值、冷凝饱和蒸汽焓、蒸发饱和蒸汽焓、蒸发饱和蒸汽密度、吸气过热蒸汽密度、蒸发过热蒸汽焓、吸气温度；

38、所述冷凝器模型的输入变量包括入口空气温度、空气流速、冷凝器端各支路流量之和、入口过热焓值、冷凝饱和蒸汽焓、冷凝器过冷度、冷凝温度、压缩机排气过热度、排气温度，输出变量包括冷凝器支路有效管长、各相区管长、冷凝器出口制冷剂过冷液焓值、出口空气温度、冷凝器换热量；

39、所述膨胀阀模型的输入变量包括冷凝端混合后制冷剂焓值，输出变量包括出口制冷剂焓值；

40、所述蒸发器模型的输入变量包括空气进口温度、迎面风速、制冷剂质量流量、蒸发温度、蒸发饱和蒸汽焓、蒸发器入口制冷剂焓值、蒸发饱和蒸汽密度、吸气过热蒸汽密度、蒸发过热蒸汽焓、吸气温度、蒸发器空气进口含湿量，输出变量包括蒸发器支路有效管长、过热区管长、蒸发器两相区管长、空气出口温度、蒸发器换热量、空气出口相对湿度、蒸发器除湿量；

41、所述制冷剂充注量模型中，

42、由于热泵系统中制冷剂主要存在于压缩机容积腔、冷凝器、蒸发器以及连接系统的制冷剂管路中，因此，系统中制冷剂充注量的估算公式如下：

43、

44、其中，m为制冷剂充注量，kg；下标tp、sh和sc分别表示两相区、过热区和过冷区；下标cond、evap和comp分别表示冷凝器、蒸发器和压缩机；ρ为制冷剂密度，kg/m3；v为腔体容积，m3；mother为除了压缩机、冷凝器和蒸发器以外的制冷剂管路中的制冷剂充注量，kg。

45、作为优选，所述步骤3中，香菇热泵干燥系统模型的输入变量包括环境温湿度、干燥温度、干燥湿度、干燥风速、装载密度、托盘层数和初始含水率，输出变量包括单位能耗除湿率和热泵cop；

46、所述香菇热泵干燥系统模型的构建方法具体如下：

47、根据各部件进出口参数的数学关系，依次连接压缩机模型、冷凝器模型、步骤1所述多层香菇干燥器代理模型、膨胀阀模型、蒸发器模型和制冷剂充注量模型，并通过迭代调整冷凝温度和蒸发温度减小换热器管长的计算误差，通过调整流量调节阀流量比和压缩机频率减小多层香菇干燥器代理模型进口空气状态参数与干燥条件的误差，通过调整过冷度减小充注量计算误差；通过多层香菇干燥器代理模型实时计算干燥器的出口空气状态，从而得到热泵在香菇干燥过程中的动态参数变化，进而构建得到知识和数据混合驱动的香菇热泵干燥系统模型。

48、作为优选，所述步骤3中，遗传算法优化过程是将香菇热泵干燥系统模型的输出作为适应度函数，确定单位能耗除湿率和热泵cop为优化目标，目标函数为2个目标最大化，将输入参数的取值范围作为约束条件。

49、进一步的，使用遗传算法对所述香菇热泵干燥系统的性能优化方法具体如下：

50、首先，根据参数的范围确定初始种群，种群中每个个体代表一种方案配置，调用所述香菇热泵干燥系统模型计算适应度值；将初始种群中的所有个体分成相等的2个子组；每个子组对应一个子目标函数，每个子目标函数在对应的子组中独立进行选择操作；然后选择适应性强的个体组成一个新的子群，并将所有新的子群合并成一个完整的种群；对该组进行交叉和变异操作以生成下一代完整种群，并不断进行“分割-并置-选择-合并”的操作；基于适应度函数过程进化搜索，最终得到帕累托最优解。

51、与现有技术相比，本发明所述的基于混合驱动模型的香菇热泵干燥系统性能优化方法具有的优势在于：

52、第一，本发明通过多层香菇干燥器的cfd数值仿真数据，构建基于lstm深度循环神经网络的多层香菇干燥器出口参数快速预测模型，可降低多层香菇干燥器模型的计算成本；

53、第二，本发明的代理模型不受干燥器内部干燥条件多变且分布不均的影响，利用干燥器进出口干燥介质状态参数的派生值来计算热泵干燥系统性能优化所需的干燥过程的热湿负荷；

54、第三，本发明利用lstm深度循环神经网络的序列依赖问题处理能力，综合考虑了干燥条件、香菇装载量等多个物理量对热泵干燥系统的动态性能影响，可利用遗传算法对随时间变化的干燥工艺进行优化，有效提高香菇热泵干燥系统的单位能耗除湿率和热泵cop。