Kältemittelleckagen sind die Hauptursache für Energieeffizienzverluste in Kälte- und Klimaanlagen. In diesem Artikel wird innovativ ein physikalisch-informierter semi-überwachter Regressionsmodell (PG-SSR) vorgeschlagen, bei dem die durch die Energieerhaltungsgleichung berechnete Kältemittelzirkulationsmenge in ein neuronales Netzwerk als Leitinformation eingebettet wird; zudem wird ein gemeinsam basierter Mechanismus zur Erzeugung von Pseudolabels mit hoher Vertrauenswürdigkeit durch Maximum Mean Discrepancy (MMD) und MC Dropout für die Kältemittelmenge eingeführt. Dadurch werden Trainingsmengen durch umfangreiche unmarkierte Daten erweitert und verstärkt, was eine hochpräzise quantitative Vorhersage der Kältemittelmenge im Small-Sample-Szenario ermöglicht. Die Validierung erfolgte anhand experimenteller Daten einer Split-Klimaanlage mit Kältemittelleckage, die Ergebnisse zeigen, dass PG-SSR bei gleichen Small-Sample-Bedingungen den RMSE um 22,91 g (64,48%) und den MAPE um 3,86% (68,93%) gegenüber dem Basismodell reduziert, mit deutlich besserer Leistung, was den synergistischen Effekt der physikalisch-informierten Kältemittelzirkulationsmenge und der gemeinsam kalibrierten Pseudolabel-Generierung bei der Identifikation der Kältemittelmenge aufdeckt.

Kältemittelmenge; semi-überwachte Regression; physikalische Information; Pseudolabels