买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北核技术研究所申请的专利基于机器学习的除湿机融霜控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116499075B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310490368.X，技术领域涉及：F24F11/41；该发明授权基于机器学习的除湿机融霜控制方法是由付良瑞;邓金球;楼淼;代佳凯;朱宝良;潘荣敏设计研发完成，并于2023-05-04向国家知识产权局提交的专利申请。

本基于机器学习的除湿机融霜控制方法在说明书摘要公布了：本发明公开了基于机器学习的除湿机融霜控制方法，涉及除湿机低温工作环境下融霜控制技术领域，方法包括除湿机历史除湿量与融霜特征数据采集、除湿机工况数据获取、数据预处理、搭建XGBoost模型、调节参数，训练并优化XGBoost模型和结果预测与评估，本发明基于机器学习的方法，能够更加综合全面的根据除湿机工况，预测出直接反应进风翅片结霜状况的融霜排水量，进而指导融霜时机，相比传统方法，对环境数据的利用更加合理有效，算法可根据实际工况，选择合适的数据集，灵活产生对应模型，减小压缩机因融霜间隔时间设定不恰当引起压缩机寿命受损的风险,本发明中XGBoost模型运用鬣狗优化算法对超参数进行优化配置，提高了模型的回归性能。

本发明授权基于机器学习的除湿机融霜控制方法在权利要求书中公布了：1.一种基于机器学习的除湿机融霜控制方法，其特征在于：包括如下方法步骤： S1、除湿机历史除湿量与融霜特征数据采集，在低温工况下，除湿机正常工作大于20分钟，设置不同的工作时长：融霜间隔时间，融霜时间统一设为5分钟，对应于不同的工作时长，分别记录启动融霜时除湿机排水量：冷凝出水量，记录融霜结束后的总排水量，则融霜出水量＝该时段总排水量-该时段冷凝出水量，该融霜出水量作为样本的实际值； S2、除湿机工况数据获取，记录融霜启动时除湿机的工况数据：进风口温度，进风口湿度，出风口温度，出风口湿度，压缩机温度，压缩机实时功率，压缩机吸气压力，压缩机出气压力，出风口风速，进风口风速，风机功率，将它们作为样本的特征值，其中，温湿度数据利用相应位置的温湿度传感器获取，压缩机温度利用红外温枪获取，功率数据利用回路中的电力监测仪获取，压缩机进出气口压力有管道压力传感器获取，风速由相应位置的风速仪获取； S3、数据预处理，获取除湿机工况数据，识别并利用均值填充数据缺失值，剔除异常值，进行消噪归一化处理，将时间戳维度从时间格式转化成序列格式，使用概率统计中的皮尔逊相关系数公式，计算出两两特征之间的相关性，相关性的取值绝对值在[0,1]之间，本申请所采用的数据中，删除了相关性绝对值大于等于0.9的特征，经过筛选，最终选定进风口温度，进风口湿度，出风口温度，出风口湿度，压缩机温度，压缩机吸气压力，压缩机出气压力，进风口风速作为样本的特征值； S4、搭建XGBoost模型，XGBoost遵循Boosting算法的基本流程进行建模，依据上一个弱评估器fxk-1的结果，计算损失函数L，并使用L自适应地影响下一个弱评估器fxk的构建，该构建过程实质是目标函数迭代优化，使整体损失越来越小的过程，而集成模型输出的结果，受到了所有弱评估器fx0～fxk的影响，该评估器选择CART树； 目标函数定义，XGBoost中目标函数是针对一棵树的目标函数，包括三大部分：损失函数L、叶子数量T以及正则项，设单一树fk的目标函数为Ok，总共有T片叶子，每片叶子上的所属样本的输出值-叶子权重为wj，该树上任意i号样本的损失函数为Lyi,Hxi，其中Hxi是i号样本在集成模型上的预测结果，设树上总共有M个样本，目标函数中使用L2正则化，λ不为0，Δ为0，并且γ不为0，则该树的目标函数为： 其中：Hkxi＝Hk-1xi+fkxiLk＝Lyi,Hk-1xi+fkxi 目标函数变换，针对目标函数Ok进行求导，找到极小值；该函数中有多个自变量，如T、wj、fkxi，要找到使目标函数最小的单一自变量，需对Ok进行变形如下： yi为第i号样本的实际值，为已知量，则Ok中的第一项损失函数L写作以Hk-1xi+fkxi为变量的函数LHk-1xi+fkxi，对该函数进行泰勒展开： 定义： 则： 省略掉该式的常数项，则目标函数Ok可简化为： 对任意位于叶子j上的样本i，即i∈j，数值上fxi＝wj，则gikfxi＝gikwj，进一步的： 同理，则 目标函数求解：由可知，目标函数只与wj和T有关，不可能通过使叶子数最小来使目标函数最小，因为叶子数量过少将严重影响树的拟合性能，所以只能针对wj求导，针对第j片叶子，设 则 令该导数等于0，得出每片叶子上令目标函数最小的叶子权重wj： 结构增益的作用：XGBoost算法建树过程中要进行节点分裂，节点分裂的依据就是分裂后使目标函数值变小程度最大，该依据叫做结构增益，令目标函数最小的最优wj带回到μj中，一片叶子上的损失-在目标函数中的组成部分为： 要使目标函数最小，则需要每片叶子上的损失最小，且在分枝过程中，父节点的目标函数值是大于子节点的目标函数值的，因此使用父节点目标函数-子节点目标函数之和来衡量分枝的质量，则有结构增益为： 其中下标L、R、P分别代表左分支、右分支和父节点，在进行树节点分裂时，选用使当前节点结构增益最大的分裂方式； S5、调节参数，训练并优化XGBoost模型；XGBoost回归模型算法有很多超参数，这里选择其中比较重要的6个，作为训练优化得超参数组合；它们包括：通过影响建树过程而影响整体模型的参数：γ为乘在叶子数量前的系数，λ为L2正则项系数，这两个参数放大能控制过拟合；num_boost_round是弱评估器数量，为实际迭代次数K，决定整体学习能力，booster是弱评估器种类，这里测试"gbtree"、"dart"两种选项，max_depth允许弱评估器的最大深度，η是学习率，影响弱分类器结果的加权求和过程整体学习速率； 利用鬣狗算法-SpottedHyenaOptimizer，SHO对XGBoost超参数进行全局和局部寻优，建立斑鬣狗数学模型的步骤分别对应捕猎过程的搜索、包围、追捕，攻击猎物的行为； 搜索、包围猎物，斑鬣狗能够很快寻找到猎物的位置并迅速地包围猎物，包围猎物在斑鬣狗优化算法中起到全局搜索作用，认定当前最好的斑鬣狗搜索个体的最优位置为猎物的位置；斑鬣狗会随着猎物的移动而不断更新它们当前的位置，数学模型如下： Dh＝|B·Ppx-Px| Px+1＝Px-EgDh 其中，Dh为猎物和斑点鬣狗之间的距离；x表示当前迭代；B和E是系数向量，该算法用E的随机值大于1或者小于-1来表示斑鬣狗是处于扩大搜索猎物阶段，|E|1有助于斑鬣狗远离猎物，此外，通过向量B为猎物提供随机权重，不断迭代，B1有助于算法进行全局搜索，B1更利于算法的局部搜索；Pp表示猎物的位置向量；P是斑点鬣狗的位置向量；||和·分别表示取绝对值和向量相乘，向量B和E的计算如下： B＝2rd1 E＝2h·rd2-h h＝5-t5T 其中，t＝1,2,…,T；T为最大迭代次数；rd1和rd2均为[0,1]随机向量；h表示在迭代到最大迭代次数的过程中由5线性地减少到0，以利于适当地保持探索和开发之间的平衡； 追捕猎物，认定最优斑鬣狗的个体位置是猎物所在位置，其他斑鬣狗的搜寻个体构成一个群落，都朝向更好个体的位置移动，并且保留目前更新的最好值，将以上追捕猎物的过程用下面3个等式描述如下： Dh＝|B·Ph-Pk| Pk＝Ph-EgDh Ch＝Pk+Pk+1+…+Pk+N 其中，Ph为最优斑鬣狗的位置；Pk为其他斑鬣狗的位置；N为成为最优位置斑鬣狗的数量，计算方法如下： N＝countnosPh,Ph+1,Ph+2,…,Ph+M 其中，M是[0.5,1]中的随机向量；countnos为加上M后最优集群内部位置的数量；Ch为N个最优解的群组； 攻击猎物，攻击猎物在斑鬣狗优化算法中，一群斑鬣狗向猎物攻击，其行为的数学描述为： 其中，Px+1为优化算法最终输出的最佳解，为最优解群组位置的平均值； S6、结果预测与评估，结合除湿机历史除湿量、融霜特征和除湿机工况特征，利用较小的数据总量进行除湿机进风翅片结霜情况的实时精准预测，进而评估进风翅片的结霜情况，以此确定最佳的融霜时机。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北核技术研究所，其通讯地址为：710024 陕西省西安市灞桥区平峪路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。