CN109695944B - 一种基于多模型深度学习的涂装新风空调的控制方法 - Google Patents

Abstract

本发明公开基于多模型深度学习的涂装新风空调的控制方法，包括步骤：采集空调机组的多个模段的切面的温湿度数据上传到云服务器的时序数据库中，分别利用该温湿度数据对多个模段的深度学习模型进行训练，在训练完成将多个深度学习模型集成在一起形成一个深度学习控制预测模型；控制时，实时采集多个模段的切面的温湿度数据，输入到深度学习控制预测模型中；深度学习控制预测模型根据输入的实时温湿度数据，在多个可选择控制项中，选择与目标温湿度值最接接的控制结果输出，并将控制结果所对应的控制设定值输出到空调控制器中，对执行机构调节控制。本发明可有效地减低生产中的能源消耗，对涂装车间的运营成本及车身质量都具有非常有意义的作用。

Description

一种基于多模型深度学习的涂装新风空调的控制方法

技术领域

本发明涉及涂装空调控制技术领域，特别是涉及一种基于多模型深度学习的涂装新风空调的控制方法。

背景技术

涂装车间空调控制系统大多数情况下仍然采用经典PID控制器来执行相关的控制，经典PID控制器的精髓就是“以误差反馈来消除误差”，但是这种直接取目标与实际行为之间的误差并不完全合理，因为系统输出存在一定的惯性，不可能发生跳变，而目标值是系统外部给定的，可以跳变，直接采用它们之间的误差来消除误差，就意味着让不可能跳变的量来跟踪可以跳变的量，这显然是不尽合理的。这种“直接取目标与实际行为之间的误差来消除误差”的方式常常会造成初始控制力太大而使系统行为出现超调，这也是PID控制在闭环系统中产生“快速性”和“超调”之间矛盾的主要原因。

在工业系统中，IoT技术以及传感器技术、数据传输、数据管理等不断发展，为智能化技术实施提供了可靠的感知基础。近年来已经开始有能源类型的企业数据中心，通过大数据及人工智能手段完成能耗的缩减及流程调优，为企业节省了大量成本。

因此，借助现有技术的发展，提供一种涂装新风空调的控制方法，以提高控制系统的精度及稳定性，减低生产中的能源消耗，具有一定的意义。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于多模型深度学习的涂装新风空调的控制方法。

为实现本发明的目的所采用的技术方案是：

一种基于多模型深度学习的涂装新风空调的控制方法，包括步骤：

采集空调机组的多个模段的切面的温湿度数据上传到云服务器的时序数据库中，分别利用该温湿度数据对多个模段的深度学习模型进行训练，在训练完成将多个深度学习模型集成在一起形成一个深度学习控制预测模型；

控制时，实时采集多个模段的切面的温湿度数据，输入到所述的深度学习控制预测模型中；

所述深度学习控制预测模型根据输入的实时温湿度数据，根据不同控制目标输出多个温湿度预测值以及对应的控制设定值，然后将温湿度预测值与目标温湿度值比较，选择两者绝对值之和最小一组作为最终控制结果输出，并将最终控制结果所对应的控制设定值输出到空调控制器中，对执行机构调节控制。

多个模段的切面的温湿度数据包括多个定模段的进风侧温湿度数据以及出风侧温湿度数据。

所述深度学习模型包括温度相关的燃气加热物理模型，温度相关的喷淋降温物理模型，温度相关的热水加热物理模型，湿度相关的喷淋加湿物理模型，湿度相关的表冷除湿物理模型以及出口风速相关物理模型。

所述深度学习模型采用DBN模型。

本发明种基于多模型深度学习的涂装车间新风空调的控制方法，基于物联网、大数据技术及DBN训练方法构建出，通过人工智能、数据化的方法来提高控制系统的精度及稳定性，可以有效地减低生产中的能源消耗，对涂装车间的运营成本及车身质量都具有非常有意义的作用。

本发明利用深度信念网络(Deep Belief Network,DBN)，根据采集数据及物理过程的模型拆分，可以完成多模型深度学习的智能控制，对空调系统进行实时的预测及执行系统控制，可以减少到达目标区域温湿度的时间，有效降低工业新风空调的能耗，提升控制精度和控制稳定性。

附图说明

图1为本发明的工业涂装新风空调机组的内部切面剖视图。

图中：3、切面一；4、切面二；5、切面三；6、切面四；7、切面五；8、切面六；9、切面七；10、切面八；11、入风口；12、出风口；13、燃气加热阀门；14、喷淋加湿阀门；15、二次加热阀门；16、表冷阀门。

图2为本发明的DBN学习模型的原理示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发基于多模型深度学习的涂装新风空调的控制方法，包括步骤：

采集空调机组100的多个模段的切面的温湿度数据上传到云服务器的时序数据库中，分别利用该温湿度数据对多个模段的深度学习模型进行训练，在训练完成将多个深度学习模型集成在一起形成一个深度学习控制预测模型；

控制时，实时采集多个模段的切面的温湿度数据，输入到所述的深度学习控制预测模型中；

所述深度学习控制预测模型根据输入的实时温湿度数据，根据不同控制目标输出多个温湿度预测值以及对应的控制设定值，然后将温湿度预测值与目标温湿度值比较，选择两者绝对值之和最小一组作为最终控制结果输出，并将最终控制结果所对应的控制设定值输出到空调控制器中，对执行机构调节控制。

本发明中，所述的深度学习模型可以采用DBN模型，多个所述的深度学习模型分别进行训练，训练完成后，组合一起，形成一个总的深度学习控制预测模型，这样在输入模段的相应的实时温湿度数据后，深度学习控制预测模型会输出多个可供选择的温湿度预测情况以及对应的结果输出，最终通过与目标值比较，选择最近的作为控制输出即可。

其中，多个模段的切面的温湿度数据包括多个模段的进风侧温湿度数据以及出风侧温湿度数据。多个模段指包括一次加热模段，表冷模段，加温模段，加湿模段，二次加热模段，温湿度传感器布置可以是如下方式布置，如在空调机组的一次加热模段与表冷模段间设一组传感器，在表冷模段与加温模段间设一组传感器，在加湿模段与二次加热模段间设组传感器，以及在二次加热模段与出口间设一组传感器，从而实现相应的数据的检测及采集。

具体的，多个模段的所述深度学习模型可以包括温度相关的燃气加热物理模型，温度相关的喷淋降温物理模型，温度相关的热水加热物理模型，湿度相关的喷淋加湿物理模型，湿度相关的表冷除湿物理模型以及出口风速相关物理模型，多个模型之间相互组合形成总控制模型后，可以根据温度及湿度输出多个温湿度预测情况以及对应的控制设定值，供选择使用。如以温度控制目标，会出输出多个与不同温度值相关的预测值，如以湿度控制为目标，则会输出多个与不同湿度值相关的预测值，所有预测值输出后由深度学习控制预测模型根据目标温湿度值来选择相应的温湿度预测值对应的控制设定值，形成控制指令给控制设备，以控制执行机构来执行调节的目的。

具体的，所述深度学习模型采用DBN模型。

根据深度学习的特性，需要采集大量数据，以提供给深度学习模型训练。

如需要采集每个切面的温湿度数据，切面的温湿度数据由温湿度传感器通过空调PLC来提供，切面一是燃气加热段，切面二为入风侧过滤段，切面三及切面四为表冷段，切面五及切面六为二次加热段，切面七为喷淋段，切面八为出风侧过滤段，相应的段配备有燃气加热阀门，喷淋加湿阀门，二次加热阀门，表冷阀门，由控制系统根据开度大小或启停，实现根据模型的预测调节开度，以实现对空调机组的出风温度以及湿度进行控制。

本发明中，由所述的温湿度传感器通过数据采集设备，对数据进行预处理并上传到云服务器上的时序数据库里。在进行模型训练的时候，对时序数据库内的数据进行读取并进行归一化的二次处理。

根据新风空调的系统原理图，如可以把空调机组拆分为八个切面，一个出口，一个入口。把空调机组里每个阀门控制的物理过程用两个温湿度传感器切面隔开，用监督学习方式训练拆分后的模型。

如训练数据为切面8的温度，切面8的湿度加湿阀门开度和切面9到切面8 的含湿量差值。经过模型训练后，获得一个温度相关的加湿模型，同样的原理获得其余的基于物理拆分的模型，如温度相关的燃气加热模型等。

不同的多个模型训练好后，即可使用该模型来进行预测控制，分别实现各个模段的风的温温度的控制。

其中，本发明中，每个模段根据情况不同，其深度学习模型可以分为是与温度相关的燃气加热物理模型，温度相关的喷淋降温物理模型，温度相关的热水加热物理模型，湿度相关的喷淋加湿物理模型，湿度相关的表冷除湿物理模型，出口风速相关物理模型，这样每个模型在预测时会输出多组控制数据，即多个可用的温度与湿度数组对应的控制指令，最后由总的学习模型根据最终的出风口的目标温度与湿度，在其中选择适用相应的所输出的温度与湿度预测数组，最终选择相应的控制方案，实现对空调机组的出风口的温度及湿度的控制。

模型在预测时，根据基于物理过程的多个的不同模型对温湿度的影响来预测温湿度的变化情况，对不同的模型之间进行不同的组合来获得出口的温湿度预测情况及对应的结果输出；然后根据不同结果输出值来预测出口温度和含湿量值，然后与目标温度和含湿量比较，取两者绝对值之和最小的一组做最佳的结果输出，然而再由设备控制模块，根据输出的所述的预测结果，下发指令对空调进行调节控制。

本发明中，利用采集数据完成所有模型的训练学习，包括：DBN模型的特征提取，DBN模型的训练数据输入，DBN模型的隐层和节点数调整，DBN模型的激活函数，若DBN模型学习所得的结果数据小于预定阈值，则完成该模型的训练学习。

本发明中，整个训练如图2所示，DBN模型训练的原理为：v(v1，v2， v3，……vi)为显层，表示输入数据；h(h1，h2，h3，……hj)为隐层，w为显层到隐层的权重。当输入vi的时候通过P(hj|vi)，而得到隐藏层hj，通过P(vi|hj) 得到显层然后通过显层的对比更新神经网络中的权重w,偏置b和偏置c。

DBN模型，是深度信念网络(Deep Belief Network,DBN)，同一般的深度神经网络类似，也是层状的结构，其是由受限玻尔兹曼机(Restricted Boltzmann Machines)堆叠组成。经网络的方法。不仅能够实现自动学习出数据特征，利用逐层训练的方法来降低训练训练难度，为后来的深度神经网络的发展奠定了坚实的基础。

本发明利用深度信念网络(Deep Belief Network,DBN)，根据采集数据及物理过程的模型拆分，可以完成多模型深度学习的智能控制，对空调系统进行实时的预测及执行系统控制，可以减少到达目标区域温湿度的时间，有效降低工业新风空调的能耗，提升控制精度和控制稳定性。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.基于多模型深度学习的涂装新风空调的控制方法，其特征在于，包括步骤：

采集空调机组的多个模段的切面的温湿度数据上传到云服务器的时序数据库中，分别利用该温湿度数据对多个模段的深度学习模型进行训练，在训练完成将多个深度学习模型集成在一起形成一个深度学习控制预测模型；

多个模段指包括一次加热模段，表冷模段，加温模段，加湿模段，二次加热模段；多个模段的切面的温湿度数据包括该多个模段的进风侧温湿度数据以及出风侧温湿度数据；

所述深度学习模型包括温度相关的燃气加热物理模型，温度相关的喷淋降温物理模型，温度相关的热水加热物理模型，湿度相关的喷淋加湿物理模型，湿度相关的表冷除湿物理模型以及出口风速相关物理模型；

控制时，实时采集多个模段的切面的温湿度数据，输入到所述的深度学习控制预测模型中；

所述深度学习控制预测模型根据输入的实时温湿度数据，根据不同控制目标输出多个温湿度预测值以及对应的控制设定值，然后将温湿度预测值与目标温湿度值比较，选择两者绝对值之和最小一组作为最终控制结果输出，并将最终控制结果所对应的控制设定值输出到空调控制器中，对执行机构调节控制。

2.如权利要求1所述基于多模型深度学习的涂装新风空调的控制方法，其特征在于，所述深度学习模型采用DBN模型。

Images