圖1-46即為一多門冰箱的神經一模糊控制技術框圖。由圖可見，模糊控制主要是根據溫度傳感器測得的各室溫度值和算出的溫度變化，運用模糊推理確定食物溫度，控制壓縮機運轉和風門，達到最佳的運行狀態和最佳保鮮效果。神經網絡主要用于學習和記憶門開啟等運行狀態和確定最佳化霜時間等。

現以用于冰箱化霜的智能控制為例。以前，冰箱的定時化霜與冰箱門的開閉之間沒有直接關系?，F在，運用模擬神經智能控制技術將冰箱門開閉次數、開閉頻率和最佳化霜時間加以統計和分析，預置于控制程序中，讓其記憶，而后，根據冰箱的實際運行選擇在冰箱門開閉最少的時間段內進行自動化霜，使冰箱內溫度波動最小，對食品質量影響最小。

根據大量統計分析，建立了冰箱的開閉情況和化霜時間對應關系。一天24 h段，以開閉頻率來表征冰箱門的開閉狀態。不同的開閉頻率的分布，有不同的最佳化霜時間。以大量統計得到的這樣對應關系，作為輸入輸出的樣本，經學習存于神經網絡中，這就是控制的基本經驗和知識，是開發單位賦予冰箱的智能。

為了記憶冰箱門的開閉次數，將1天分割為12 h間段，對每個時間段中冰箱門的開閉次數計數，作為1天的數據記憶(一般平均而言1個時間段內冰箱門開閉約為4次)。再將8天冰箱門開閉次數的累計數據作為記憶的依據。以后平均隔24 h記憶更新一次，即經過24 h的設定點，從8天的累計數中減去1/8，再把新的1天的數據加進去，成為新一輪的累計數。

將12個時間段的門開閉次數按次數多少為序，由小到大依次轉換成門開閉頻率。門開閉次數相同的，其頻率順序也相同。上述學習方法中，學習樣本的輸入就是按此方法作成的。表I一29為一舉例。

同樣，對于壓縮機運轉特性的學習和記憶方法也是一樣，對每個時間段壓縮機構的運轉時間的數據和8天的累計數據加以記憶，以后每隔24 h更新記憶1次。

關于化霜運轉的神經網絡模型如圖1-47所示，分為輸入層((I,---I2)，中間層(M1 ~M12)和輸出層(O1 -O12 )。層間神經元各用12條神經連結成，用于權系數的模擬。開發中獲得的最佳化霜時間的經驗作成數據樣本，對網絡進行訓練，經過學習得到權系數等參數從而轉化成數據庫。

用以上記憶方法得到的實際運行的情況作成12段門開閉頻率，以此為輸入進行計算，得到相應的輸出，就可確定最佳化霜時間。.中間層的輸出(M1'M12)是用公式由輸入層的輸入I(門開閉頻率)和各權系數W,(1,1)-W,(12,12)計算得到。權系數作成表格方式，由所使用的微機運算指令，進行實際運算。

其他如預冷、低噪音運轉、除臭、速凍等等，都可按上述步驟設定權系數，進行模擬神經網絡的智能模擬運算，以獲得最佳的運算模式。

模擬冰箱壓縮機的運轉特性和使用特性，在冰箱門開閉頻率低，并且蒸發器的化霜放在必要的時間段范圍內進行，則對箱內食品溫度影響最小，食品的溫度上升約改善2.2℃。

模擬冰箱使用特性，在I天中門開閉頻率最高的時間段之前，強制冷卻冰箱內部，并進行除臭，提高食品的保存性及除臭能力.

模擬冰箱使用特性，在1天中開閉頻率低的時間段后，降低風扇電機轉速，噪音降低約1 dB。

當箱內放入大量食品或制冰時或門開閉頻繁時，自動轉換狀態，不致因門的開閉頻繁而導致影響箱內食品溫度上升。

防止冷藏室內食品的部分凍結或過冷。

當冬季不用冷藏箱時，抑制冷量，轉入節能運行，當環境溫度<11℃時，可以節電5%。