技术：制冷系统蒸发温度与冷凝温度该如何优化调试？

一般来说，提高蒸发温度、降低冷凝温度有利于减小压缩比，提升压缩机效率，进而改善系统 COP 。但另一方面，过高的蒸发温度会导致蒸发器结霜，影响传热和制冷效果；而过低的冷凝温度则可能引发压缩机吸气过热、排气温度过低等问题，缩短使用寿命 [1] 。

因此，如何在满足制冷需求的同时，优化调节蒸发温度和冷凝温度，实现制冷系统节能高效运行，成为一个值得深入研究的课题。

（一）蒸发温度    
蒸发温度是指制冷剂在蒸发器中吸热汽化时的温度，它决定了制冷剂从被冷却介质中吸收热量的能力。对于压缩式制冷循环，蒸发温度 t_0 还与蒸发压力 P_0 唯一对应。根据 Clapeyron 方程，有 [2] ：
lnP_0=-ΔH_v/(RT_0 )+C  （ 1 ）
式中， ΔH_v 为制冷剂的汽化潜热， R 为气体常数， C 为常数。  

由式（ 1 ）可知，蒸发温度越低，蒸发压力越小，压缩机压比越大，单位质量制冷剂的制冷量越大。但蒸发温度并非越低越好。过低的蒸发温度一方面会使压缩机功耗显著增加，另一方面可能导致蒸发器霜冻，恶化换热效果。此外，吸气比容积也会随蒸发温度的降低而增大，使得压缩机体积流量受到限制。  

（二）冷凝温度   
冷凝温度是指制冷剂在冷凝器中放热液化时的温度，它反映了制冷剂向冷却介质排放热量的能力。类似地，冷凝温度 t_k 与冷凝压力 P_k 满足如下关系：
lnP_k=-ΔH_c/(RT_k )+C  （ 2 ）
式中， ΔH_c 为制冷剂的汽化潜热。  

提高冷凝温度可减小压缩机的压比，但同时会恶化冷凝器的传热温差，使得冷凝压力升高。过高的冷凝温度还会引起压缩机排气温度过高，加剧润滑油劣化，影响压缩机使用寿命。因此，冷凝温度的选取也需兼顾多方面因素。  

综上所述，蒸发温度和冷凝温度的调节需在制冷量、 COP 、压缩机可靠性等因素之间寻求平衡。优化二者匹配关系，对于提升制冷系统性能具有重要意义。

实际制冷循环的 COP=Q_0/W_net 还取决于制冷剂性质、压缩机效率等因素。为使实际 COP 尽可能接近卡诺 COP ，需在给定工况下优化蒸发温度 t_0 和冷凝温度 t_k 。  

忽略管路和热交换器的压降损失，可得压缩机耗功 [4] ：
W_comp=m_r (h_2-h_1)/η_s  （ 4 ）
式中， m_r 为制冷剂质量流量， h 为制冷剂比焓， η_s 为压缩机等熵效率。下标 1 、 2 分别表示压缩机入口和出口状态。  

结合式（ 3 ）（ 4 ），建立实际循环 COP 的优化模型：
max ? COP=Q_0/(m_r (h_2-h_1)/η_s )  （ 5 ）
s.t. t_0≤t_0≤t_(0,max)  （ 6 ）
t_(k,min)≤t_k≤t_(k,max)  （ 7 ）  

式中， t_(0,max) 、 t_(k,min) 、 t_(k,max) 分别为蒸发温度上限、冷凝温度下限和上限。 Q_0 可由蒸发器热平衡方程求得。  

求解上述优化模型，可得最佳工况下的蒸发温度 t_0^ 和冷凝温度 t_k^ ，使得 COP 达到最大。此方法的关键在于建立精确的状态方程和压缩机模型，且需要大量热物性数据的支持。

（二）基于模糊控制的调试方法     
模糊控制通过将专家经验和控制策略转化为 IF-THEN 形式的语言规则，实现对复杂系统的有效调节。将模糊控制应用于制冷系统温度调试，可无需建立精确的数学模型，具有较强的鲁棒性和适应性。  

以蒸发温度调节为例，首先确定输入输出变量及其论域。取蒸发温度偏差 E 、偏差变化率 EC 为输入，压缩机转速 u 为输出，建立模糊控制规则表 [5] ：  

IF E is NB and EC is NB THEN u is PB
IF E is NB and EC is NM THEN u is PB
...
IF E is PB and EC is PB THEN u is NB  

然后，对 E 、 EC 和 u 进行隶属度函数定义和模糊化处理，将测量值转换为语言变量。利用 Mamdani 推理算法，通过隶属度函数合成、模糊关系运算等步骤，得到模糊控制量。最后，经过重心解模糊等方法，将模糊量转换为精确的压缩机转速控制值。  

类似地，可建立冷凝温度与冷凝风机转速的模糊控制规则。将二者结合，实现蒸发温度和冷凝温度的协同调节。  

（三）基于人工神经网络的调试方法    
人工神经网络（ ANN ）具有自学习、自适应、非线性映射等智能特性，能够从大量运行数据中提炼规律，实现参数的精确预测和优化控制。将 ANN 应用于制冷系统温度调试，可显著提高调试效率和精度。  

以 BP 神经网络为例，构建三层网络结构，输入层节点为影响蒸发温度的因素如蒸发压力、过热度、压缩机转速等，输出层节点为最佳蒸发温度，隐含层节点数可通过试错法确定。样本数据来源于制冷系统的历史运行记录或仿真模拟结果。利用梯度下降法训练网络，不断更新连接权值和阈值，直至输出误差满足要求 [6] 。  

将训练好的 ANN 嵌入制冷系统的控制器中，实时采集输入参数，输出优化的蒸发温度设定值，并结合 PID 控制等方法，调节膨胀阀开度、压缩机转速等执行机构，使实际蒸发温度快速跟踪设定值。同理，可建立冷凝温度的神经网络预测模型，实现二者的协同优化控制。

参考文献：
[1] Venkatarathnam G, Murthy S S. Refrigerants for vapour compression refrigeration systems[J]. Resonance, 2012, 17(2): 139-162.
[2] Din?er I, Kanoglu M. Refrigeration systems and applications[M]. John Wiley & Sons, 2011.
[3] Fazelpour F, Morosuk T. Exergoeconomic analysis of carbon dioxide transcritical refrigeration machines[J]. International Journal of Refrigeration, 2014, 38: 128-139.
[4]  金敏 , 徐昌晋 , 康亚非 . 压缩式制冷系统 COP 优化及节能研究进展 [J]. 制冷学报 ,2016(4):1-10.
[5] Belman-Flores J M, Ledesma S, Barroso-Maldonado J M, et al. A comparison between the modeling of a reciprocating compressor using artificial neural network and physical model[J]. International Journal of Refrigeration, 2015, 59: 144-156.
[6] Li H, Jeong S K. Feedforward backpropagation neural network modelling for model based optimal control of a refrigeration system[J]. IFAC Proceedings Volumes, 2009, 42(12): 63-68.