CN111459022B - 设备参数调整方法、设备控制装置和计算机可读存储介质 - Google Patents

设备参数调整方法、设备控制装置和计算机可读存储介质 Download PDF

Info

Publication number
CN111459022B
CN111459022B CN202010315726.XA CN202010315726A CN111459022B CN 111459022 B CN111459022 B CN 111459022B CN 202010315726 A CN202010315726 A CN 202010315726A CN 111459022 B CN111459022 B CN 111459022B
Authority
CN
China
Prior art keywords
value
training
acquiring
neural network
influence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010315726.XA
Other languages
English (en)
Other versions
CN111459022A (zh
Inventor
石健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Invic Software Technology Co ltd
Original Assignee
Shenzhen Yingweike Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yingweike Information Technology Co ltd filed Critical Shenzhen Yingweike Information Technology Co ltd
Priority to CN202010315726.XA priority Critical patent/CN111459022B/zh
Publication of CN111459022A publication Critical patent/CN111459022A/zh
Application granted granted Critical
Publication of CN111459022B publication Critical patent/CN111459022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0295—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic and expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种设备参数调整方法，包括：获取影响因素的影响状态，转化为影响数值；获取模糊节点数值以及标准模糊控制器；对标准模糊控制器进行测试，确定模糊节点数值中的可靠经验节点数值；根据可靠经验节点数值获取训练输出量，将可靠经验节点数值对应的影响数值作为训练输入量，将训练输出量和训练输入量输入神经网络进行训练；获取当前场景中影响因素的当前状态，将影响因素的当前状态转化为当前输入量，将当前输入量输入训练后的神经网络；根据训练后的神经网络的输出获取设备的参数调整值，根据参数调整值调整设备的运行参数。本发明可以有效提升工作效率和调整的准确性和及时性。本发明还公开了设备控制装置和计算机可读存储介质。

Description

设备参数调整方法、设备控制装置和计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及设备参数调整方法、智能设备和计算机可读存储介质。
背景技术
目前很多大型设备均采用模糊控制算法，但随着应用场景中的影响因素的状态的不同，同一套参数不一定适用，需要根据实际情况进行相应调整。参数的调整始终依赖于专家经验，很难做到参数的自动匹配，从而导致工作效率低下，工作能耗增加。
发明内容
基于此，有必要针对上述问题，提出了设备参数调整方法、智能设备和计算机可读存储介质。
一种设备参数调整方法，包括：获取设备在应用场景中的影响因素的影响状态，将所述影响因素的影响状态转化为影响数值；获取既有的模糊节点数值以及标准模糊控制器；对所述标准模糊控制器进行测试，确定所述模糊节点数值中的可靠经验节点数值；根据所述可靠经验节点数值获取训练输出量，将所述可靠经验节点数值对应的影响数值作为训练输入量，将所述训练输出量和所述训练输入量成对输入神经网络进行训练，获取训练后的神经网络；获取当前场景中所述影响因素的当前状态，将所述影响因素的当前状态转化为当前输入量，将当前输入量输入所述训练后的神经网络；根据所述训练后的神经网络的输出获取所述设备的参数调整值，根据所述参数调整值调整所述设备的运行参数。
一种设备控制装置，包括：获取模块，用于获取设备在应用场景中的影响因素的影响状态，将所述影响因素的影响状态转化为影响数值；模糊模块，用于获取既有的模糊节点数值以及标准模糊控制器；测试模块，用于对所述标准模糊控制器进行测试，确定所述模糊节点数值中的可靠经验节点数值；训练模块，用于根据所述可靠经验节点数值获取训练输出量，将所述可靠经验节点数值对应的影响数值作为训练输入量，将所述训练输出量和所述训练输入量成对输入神经网络进行训练，获取训练后的神经网络；输入模块，用于获取当前场景中所述影响因素的当前状态，将所述影响因素的当前状态转化为当前输入量，将当前输入量输入所述训练后的神经网络；调整模块，用于根据所述训练后的神经网络的输出获取所述设备的参数调整值，根据所述参数调整值调整所述设备的运行参数。
一种设备控制装置，包括：处理器和存储器，所述处理器耦接所述存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序以实现如上所述的方法。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序能够被处理器执行以实现如上所述的方法。
采用本发明实施例，至少具有如下有益效果：
通过获取模糊节点数值设计标准模糊控制器从而获取专家经验，通过将测试标准模糊控制器获得的可靠经验节点数值和对应的训练输入量输入神经网络进行训练，可以实现神经网络对专家经验的自动学习，向训练后的神经网络输入对应于影响因素的当前状态的当前输入量可以获取对应当前状态的参数调整值，从而实现对参数的自动调整，减少了参数调整过程中对人工的依赖，能有效提升工作效率和调整的准确性和及时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1是本发明提供的设备参数调整方法的第一实施例的流程示意图；
图2是本发明提供的设备参数调整方法的第二实施例的流程示意图；
图3是本发明提供的设备参数调整方法中温度偏差隶属度函数的示意图；
图4是本发明提供的设备参数调整方法中的温度偏差变化率的隶属度函数的示意图；
图5是本发明提供的设备参数调整方法中的输出量隶属度函数的示意图；
图6是本发明提供的设备参数调整方法中神经网络的结构示意图；
图7是本发明提供的设备控制装置的第一实施例的结构示意图；
图8是本发明提供的设备控制装置的第二实施例的结构示意图；
图9是本发明提供的计算机可读存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前很多大型设备均采用模糊控制算法，参数的调整始终依赖于专家经验，很难做到参数的自动匹配，从而导致工作效率低下，工作能耗增加。
在本实施例中，为了解决上述问题，提供了一种设备参数调整方法，能够实现对设备参数的自动调整，有效提升了工作效率。
请参阅图1，图1是本发明提供的设备参数调整方法的第一实施例的流程示意图。本发明提供的设备参数调整方法包括如下步骤：
S101：获取设备在应用场景中的影响因素的影响状态，将影响因素的影响状态转化为影响数值。
在一个具体的实施场景中，获取待调整参数的设备在应用场景中的影响因素的影响状态。影响因素是在模糊控制情况下对参数产生影响的各个实际因素。例如，待调整参数的设备为空调，则在应用场景中的影响因素包括环境温度、负载大小、热惯性大小、负载波动情况等等。在其他实施场景中，若空调用于调整 CO2浓度，则影响因素还包括当地海拔。获取影响因素的影响状态，例如环境温度为37°、负载大小为75％、热惯性较大、负载波动较稳定。将影响因素的影响状态转化为影响数值。例如环境温度可以即为37，负载大小可以记为75。对于不能用具体数值表示的影响状态，例如稳定或不稳定，则可以将其量化为数值。例如，负载波动稳定时记为0，不稳定时记为1，热惯性较大时记为7，热惯性极大时记为10。具体的数值可以根据用户的使用需求和使用习惯设置，在此不做限定。
S102：获取既有的模糊节点数值以及标准模糊控制器。
在本实施场景中，获取模糊节点数值和标准模糊控制器，其中，模糊节点数值是用户根据专家的经验值提供的，以及标准模糊控制器是用户根据专家经验设计的。标准模糊控制器主要包括模糊化模块、知识库模块、模糊推理模块和清晰化模块。具体地说，模糊化模块用于获取模糊节点数值及其对应的模糊输出值，例如，模糊节点数值A对应的模糊输出值为B，A和B均不是一精确数值，可以是一个取值区间。A和B也不一定是对应实际数值，例如温度、湿度等，可以是量化的数值。
知识库模块包括数据库和模糊控制规则，数据库包括各种相关的隶属度函数、尺度变换因子以及模糊空间的分级数等等。规则库则是包括一系列的控制规则，这些控制规则主要依据专家的经验进行设置。模糊推理模块用于基于模糊逻辑中的蕴含的关系及推理规则进行推理。清晰化模块用于将模糊的控制量变为实际的控制量。
S103：对标准模糊控制器进行测试，确定模糊节点数值中的可靠经验节点数值。
在本实施场景中，对标准模糊控制进行测试，由于模糊节点数值对应的是一个取值区间，该取值区间中的若干个取值为可靠经验点数值，经过测试后，可以获取模糊节点数值中的可靠经验点数值。测试的方法可以是从模糊节点数值中，选取部分数值，代入设备中进行验证，判断设备对应的输出是否为预期的输出，若是，则选取的数值为可靠经验点数值。
S104：根据可靠经验节点数值获取训练输出量，将可靠经验节点数值对应的影响数值作为训练输入量，将训练输出量和训练输入量成对输入神经网络进行训练，获取训练后的神经网络。
在本实施场景中，根据可靠经验节点数值获取训练输出量，将可靠经验节点数值对应的影响数值作为训练输入量，例如可靠经验节点数值C是在影响因素的影响状态为D的情况下获取到预期的输出的，影响状态D对应的影响数值为E，则可靠经验节点数值对应的训练输入量为E。将训练输出量与其对应的训练输入量成对输入神经网络进行训练，根据使用的需求设置训练时长或者循环训练的次数，或者输出量损失函数值小于某个给定数值，损失函数有多种形式，例如输出量偏差的平方和，可以获取训练后的神经网络。
S105：获取当前场景中影响因素的当前状态，将影响因素的当前状态转化为当前输入量，将当前输入量输入训练后的神经网络。
在本实施场景中，当有设备需要调整参数时，可以自动获取当前场景中的影响因素的当前状态，例如，设备为空调，可以自动获取影响因素的当前状态，例如环境温度为30°、负载大小为95％、热惯性较大、负载波动较稳定。将影响因素的当前状态按照与步骤S101中相同的转化规则，转化为当前输入量，将当前输入量输入训练后的神经网络。
S106：根据训练后的神经网络的输出获取设备的参数调整值，根据参数调整值调整设备的运行参数。
在一个具体的实施场景中，训练后的神经网络的输出为标准模糊控制器的参数值，根据这些参数值修正标准模糊控制器的设置，通过修正后的标准模糊控制器获取设备的参数调整值，按照该参数调整值对设备的参数进行调整，可以实现对设备参数的自动调整，无需依赖人工，有效提升了工作效率和调整的准确性和及时性。
通过上述描述可知，在本实施例中通过获取模糊节点数值设计标准模糊控制器从而获取专家经验，通过将测试标准模糊控制器获得的可靠经验节点数值和对应的训练输入量输入神经网络进行训练，可以实现神经网络对专家经验的自动学习，向训练后的神经网络输入对应于影响因素的当前状态的当前输入量可以获取对应当前状态的参数调整值，从而实现对参数的自动调整，减少了参数调整过程中对人工的依赖，能有效提升工作效率和调整的准确性和及时性。
请参阅图2，图2是本发明提供的设备参数调整方法的第二实施例的流程示意图。本发明提供的设备参数调整方法包括如下步骤：
S201：获取设备在应用场景中的影响因素的影响状态，将影响因素的影响状态转化为影响数值。
在一个具体的实施场景中，步骤S201与本发明提供的设备参数调整方法的第一实施例中的步骤S101可以基本一致，此处不再进行赘述。
S202：获取既有的模糊节点数值，获取输入偏差的隶属度函数、输入偏差变化率的隶属度函数和输出量的隶属度函数中的至少一项。
在本实施场景中，标准准模糊控制器包括输入偏差的隶属度函数表、输入偏差变化率的隶属度函数表、输出量的隶属度函数表，以及模糊规则表中的至少一项，获取输入偏差的隶属度函数、输入偏差变化率的隶属度函数和输出量的隶属度函数中的至少一项。获取用户根据专家经验提供的模糊节点数值，模糊节点数值对应于输入偏差的隶属度函数、输入偏差变化率的隶属度函数和输出量的隶属度函数的至少一个自变量。
在本实施场景中，以设备为空调为例进行描述，则模糊节点数值为空调的温度设置值，在其他实施场景中，设备为其他功能性设备，例如湿度控制设备，则模糊节点数值为湿度设置值，或者压力控制设备，则模糊节点数值为压力设置值。
请结合参阅图3～图5。图3是本发明提供的设备参数调整方法中温度偏差隶属度函数的示意图，图4是本发明提供的设备参数调整方法中的温度偏差变化率的隶属度函数的示意图，图5是本发明提供的设备参数调整方法中的输出量隶属度函数的示意图。
如图3所示，温度偏差隶属度函数中描述输入变量及输出变量的语言值的模糊子集包括{负大，负小，中，正小，正大}，温度偏差隶属度函数的模糊节点数值的模糊子集包括{me1，me2，me3，me4，me5，me6，me7}。
如图4所示，温度偏差变化率隶属度函数中描述输入变量及输出变量的语言值的模糊子集包括{负大，负小，中，正小，正大}，温度偏差变化率隶属度函数的模糊节点数值的模糊子集包括{mde1，mde2，mde3，mde4，mde5，mde6，mde7}。
如图5所示，输出量隶属度函数中描述输入变量及输出变量的语言值的模糊子集包括{负大，负中，负小，中，正小，正中，正大}，温度偏差变化率隶属度函数的模糊节点数值的模糊子集包括{mr1，mr2，mr3，mr4，mr5，mr6，mr7， mr8，mr9}。
在本实施场景中，上述三个隶属度函数以常用的三角形函数进行举例说明，但实际应用时可选用其他形式，例如钟形函数、高斯函数等。上述三个隶属度函数的语言值的模糊子集中的语言值数量可以根据实际需求设置，并非固定不变可以相等或者不等。
请结合参阅表1，表1是本发明提供的设备参数调整方法中的模糊规则表。
表1
其中，de表示温度偏差变化率隶属度，e表示温度偏差隶属度，o表示输出量。将输出量o的隶属度函数中的“负大”、“负中”、“负小”、“中”、“正小”、“正中”、“正大”分别映射至对应的数值，例如，“负大”对应1，“负中”对应2，“负小”对应3，“中”对应4，“正小”对应5，“正中”对应6以及“正大”对应7，此处取值仅为说明，不做限定，实际使用时用户可以根据自身需求自由设定，表中rij(i＝1～5，j＝1～5)的取值范围为输出量o的隶属度函数中的1～7中的任意值。
S203：对标准模糊控制器进行测试，确定模糊节点数值中的可靠经验节点数值。
在本实施场景中，对模糊控制器进行测试，最终确定的上述三个隶属度函数横坐标中的可靠经验节点me1～7、mde1～7、mr1～9的数值，以及模糊规则表中的各个rij(i＝1～5，j＝1～5)的数值。将这些数值作为可靠经验节点数值。
S204：将可靠经验节点数值映射到预设数值范围内，获取训练输出量，将可靠经验节点数值作为训练标签。
在本实施场景中，将可靠经验节点数值映射到[0，1]范围内，获取训练输出量，将可靠经验节点数值作为神经网络的标签。通过将可靠经验节点数值归一化，可以有效避免不同的隶属度函数对应的可靠经验节点的赋值标准不同带来的差异过大，且能有效避免神经网络在学习过程中出现数据溢出的现象。将可靠经验节点数值作为训练标签可以便于追踪训练进度。
在其他实施场景中，预设数值范围可以根据用户的使用需求灵活设置，例如 [1，2]、[0，10]在此不做限定。
S205：获取神经网络，将标准输出值和训练输入量输入神经网络进行训练。
在本实施场景中，神经网络为全连接神经网络，在其他实施场景中，也可能是神经网络的各层中局部连接。请结合参阅图6，图6是本发明提供的设备参数调整方法中神经网络的结构示意图。
如图6所示，假设神经网络中隐藏层有m-1层，第i层的神经元数量为n(i)，各层间采用全连接方式。其中，表示第i层中第j个神经元的输入，/>表示第i 层中第j个神经元的输出，f表示激活函数，wi表示第i层与第i-1层之间的权值，当加入下标时变为/>表示第i层中的第j个神经元与第i-1层中的第k个神经元之间的权值，bi表示第i层的偏置量。
正向运算如下：
误差反向传播过程运算如下：
首先计算第m层(即输出层)的偏差Em：
然后计算Em对wm中各项权值的梯度和偏置量bm～1梯度dbm～1：
接着，更新wm和bm～1：
bm-1＝bm-1-dbm-1
最后，为实现上一层的权值和偏置量更新，计算上一层的偏差Em-1：
同理可更新其他各层的权值和偏置量。
将训练输入值和标准输出值一一对应，输入神经网络中进行训练。
根据训练输入量和标准输出值等参数数量调试好神经网络之后，模型的层数和每层的神经元数量一般不再变化，无需根据新的数据对其重新设计。
S206：获取当前场景中影响因素的当前状态，将影响因素的当前状态转化为当前输入量，将当前输入量输入训练后的神经网络。
在本实施场景中，步骤S206与本发明提供的设备参数调整方法的第一实施例中的步骤S105可以基本一致，此处不再进行赘述。
S207：根据训练后的神经网络的输出获取标准模糊控制器的当前节点数值，根据当前节点数值获取设备的参数调整值，根据参数调整值调整设备的运行参数。
在本实施场景中，训练后的神经网络的输出为对应于当前输入量的输入偏差值、输入偏差变化率和输出量，以及模糊规则表中各数值的归一化结果。根据训练后的神经网络的输出可以对应于当前输入量的输入偏差值、输入偏差变化率和输出量，以及模糊规则表中各数值，根据这些数值相应修改标准模糊控制器中的各项参数。根据修改后的标准模糊控制器获取设备的参数调整值，根据参数调整值调整设备的运行参数。
进一步地，由于在训练神经网络之前将可靠经验节点数值映射到[0，1]范围内，获取训练输出量，因此，在获取训练后的神经网络的输出时，该输出也是位于与训练输出量相同的[0，1]范围内，在根据输出的数值相应修改标准模糊控制器中的各项参数之前，需要将输出的数值逆向映射至对应的实际数值，利用实际数值应修改标准模糊控制器中的各项参数。
通过上述描述可知，在本实施例中设计多个隶属度函数和模糊规则表，通过对标准模糊控制器进行测试获取该多个隶属度函数和模糊规则表中可靠经验节点数值，通过将靠经验节点数值归一化可以避免赋值标准不同带来的差异，将标准输出值和训练输入量成对输入全连接网络进行训练，可以在输入当前输入量时获取标准模糊控制器的调整参数值，将标准模糊控制器的相应参数进行调整后，可以获取设备的参数调整值，实现对参数的自动调整，减少了参数调整过程中对人工的依赖，能有效提升工作效率和调整的准确性和及时性。
请参阅图7，图7是本发明提供的设备控制装置的第一实施例的结构示意图。本发明提供的设备控制装置包括：获取模块11、模糊模块12、测试模块13、训练模块14、输入模块15和调整模块16。获取模块11用于获取设备在应用场景中的影响因素的影响状态，将影响因素的影响状态转化为影响数值。模糊模块12 用于获取既有的模糊节点数值以及标准模糊控制器。测试模块13用于对标准模糊控制器进行测试，确定模糊节点数值中的可靠经验节点数值。训练模块14用于根据可靠经验节点数值获取训练输出量，将可靠经验节点数值对应的影响数值作为训练输入量，将训练输出量和训练输入量成对输入神经网络进行训练，获取训练后的神经网络。输入模块15用于获取当前场景中影响因素的当前状态，将影响因素的当前状态转化为当前输入量，将当前输入量输入训练后的神经网络。调整模块16用于根据训练后的神经网络的输出获取设备的参数调整值，根据参数调整值调整设备的运行参数。
其中，标准模糊控制器包括输入偏差的隶属度函数表、输入偏差变化率的隶属度函数表、输出量的隶属度函数表，以及模糊规则表中的至少一项。
模糊模块12还用于获取输入偏差的隶属度函数、输入偏差变化率的隶属度函数和输出量的隶属度函数中的至少一项。
输入模块15还用于将可靠经验节点数值映射到预设数值范围内，获取标准输出值，将可靠经验节点数值作为训练标签。
调整模块16还用于根据训练后的神经网络的输出获取标准模糊控制器的当前节点数值，根据当前节点数值获取设备的参数调整值。
其中，设备为空调，影响因素包括环境温度、负载大小、热惯性大小、负载波动情况中的至少一项。
其中，神经网络的各层之间至少部分连接。
通过上述描述可知，在本实施例中设备控制装置设计标准模糊控制器时获取专家经验，将测试标准模糊控制器获得的可靠经验节点数值和对应的训练输入量输入神经网络进行训练，可以实现神经网络对专家经验的自动学习，可以实现对参数的自动调整，减少了参数调整过程中对人工的依赖，能有效提升工作效率和调整的准确性和及时性。
请参阅图8，图8是本发明提供的设备控制装置的第二实施例的结构示意图。设备控制装置20包括处理器21、存储器22。处理器21耦接存储器22。存储器 22中存储有计算机程序，处理器21在工作时执行该计算机程序以实现如图1～图 4所示的方法。详细的方法可参见上述，在此不再赘述。
通过上述描述可知，本实施例中在本实施例中设备控制装置设计标准模糊控制器时获取专家经验，将测试标准模糊控制器获得的可靠经验节点数值和对应的训练输入量输入神经网络进行训练，可以实现神经网络对专家经验的自动学习，可以实现对参数的自动调整，减少了参数调整过程中对人工的依赖，能有效提升工作效率和调整的准确性和及时性。
请参阅图9，图9是本发明提供的计算机可读存储介质的一实施例的结构示意图。计算机可读存储介质30中存储有至少一个计算机程序31，计算机程序31 用于被处理器执行以实现如图1～图4所示的方法，详细的方法可参见上述，在此不再赘述。在一个实施例中，计算机可读存储介质30可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具，还可以是服务器等等。
通过上述描述可知，在本实施例中计算机可读存储介质中存储的计算机程序可以用于通过设计标准模糊控制器时获取专家经验，将测试标准模糊控制器获得的可靠经验节点数值和对应的训练输入量输入神经网络进行训练，可以实现神经网络对专家经验的自动学习，可以实现对参数的自动调整，减少了参数调整过程中对人工的依赖，能有效提升工作效率和调整的准确性和及时性。
区别于现有技术，本发明通过神经网络对专家经验自动学习，可以实现对参数的自动调整，减少了参数调整过程中对人工的依赖，能有效提升工作效率和调整的准确性和及时性。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种设备参数调整方法，所述方法包括：
获取设备在应用场景中的影响因素的影响状态，将所述影响因素的影响状态转化为影响数值；
获取既有的模糊节点数值以及标准模糊控制器；
对所述标准模糊控制器进行测试，确定所述模糊节点数值中的可靠经验节点数值；其中，所述模糊节点数值为一个取值区间，所述可靠经验节点数值为取值区间中的若干个取值；
根据所述可靠经验节点数值获取训练输出量，将所述可靠经验节点数值作为训练标签，将所述可靠经验节点数值对应的影响数值作为训练输入量，将所述训练输出量和所述训练输入量成对输入神经网络进行训练，获取训练后的神经网络；其中，所述训练输出量用于调节所述标准模糊控制器的各项参数；
获取当前场景中所述影响因素的当前状态，将所述影响因素的当前状态转化为当前输入量，将当前输入量输入所述训练后的神经网络；
根据所述训练后的神经网络的输出，修正所述标准模糊控制器的设置，通过修正后的标准模糊控制器获取所述设备的参数调整值，根据所述参数调整值调整所述设备的运行参数。
2.根据权利要求1所述的设备参数调整方法，其特征在于，所述标准模糊控制器包括输入偏差的隶属度函数表、输入偏差变化率的隶属度函数表、输出量的隶属度函数表、以及模糊规则表中的至少一项。
3.根据权利要求2所述的设备参数调整方法，其特征在于，所述获取标准模糊控制器的步骤包括：
获取输入偏差的隶属度函数、输入偏差变化率的隶属度函数和输出量的隶属度函数中的至少一项。
4.根据权利要求1所述的设备参数调整方法，其特征在于，所述根据所述可靠经验节点数值获取训练输出量的步骤，包括：
将所述可靠经验节点数值映射到预设数值范围内，获取所述训练输出量。
5.根据权利要求1所述的设备参数调整方法，其特征在于，所述根据所述训练后的神经网络的输出获取所述设备的参数调整值的步骤，包括：
根据所述训练后的神经网络的输出获取所述标准模糊控制器的当前节点数值，根据所述当前节点数值获取所述设备的参数调整值。
6.根据权利要求1所述的设备参数调整方法，其特征在于，所述设备为空调，所述影响因素包括环境温度、负载大小、热惯性大小、负载波动情况中的至少一项。
7.根据权利要求1所述的设备参数调整方法，其特征在于，所述神经网络的各层之间至少部分连接。
8.一种设备控制装置，其特征在于，包括：
获取模块，用于获取设备在应用场景中的影响因素的影响状态，将所述影响因素的影响状态转化为影响数值；
模糊模块，用于获取既有的模糊节点数值以及标准模糊控制器；
测试模块，用于对所述标准模糊控制器进行测试，确定所述模糊节点数值中的可靠经验节点数值；其中，所述模糊节点数值为一个取值区间，所述可靠经验节点数值为取值区间中的若干个取值；
训练模块，用于根据所述可靠经验节点数值获取训练输出量，将所述可靠经验节点数值作为训练标签，将所述可靠经验节点数值对应的影响数值作为训练输入量，将所述训练输出量和所述训练输入量成对输入神经网络进行训练，获取训练后的神经网络；其中，所述训练输出量用于调节所述标准模糊控制器的各项参数；
输入模块，用于获取当前场景中所述影响因素的当前状态，将所述影响因素的当前状态转化为当前输入量，将当前输入量输入所述训练后的神经网络；
调整模块，用于根据所述训练后的神经网络的输出，修正所述标准模糊控制器的设置，通过修正后的标准模糊控制器获取所述设备的参数调整值，根据所述参数调整值调整所述设备的运行参数。
9.一种设备控制装置，其特征在于，包括：处理器和存储器，所述处理器耦接所述存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序以实现如权利要求1～7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被处理器执行以实现如权利要求1～7任一项所述的方法。
CN202010315726.XA 2020-04-21 2020-04-21 设备参数调整方法、设备控制装置和计算机可读存储介质 Active CN111459022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010315726.XA CN111459022B (zh) 2020-04-21 2020-04-21 设备参数调整方法、设备控制装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010315726.XA CN111459022B (zh) 2020-04-21 2020-04-21 设备参数调整方法、设备控制装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111459022A CN111459022A (zh) 2020-07-28
CN111459022B true CN111459022B (zh) 2023-10-20

Family

ID=71677497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010315726.XA Active CN111459022B (zh) 2020-04-21 2020-04-21 设备参数调整方法、设备控制装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111459022B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112612316B (zh) * 2020-12-18 2022-05-20 北京首钢自动化信息技术有限公司 一种暖通设备控制方法及装置
CN114970654B (zh) * 2021-05-21 2023-04-18 华为技术有限公司 数据处理方法、装置和终端
CN113777921B (zh) * 2021-08-27 2024-09-06 深圳市英维克信息技术有限公司 目标设备的控制方法、系统、存储介质及计算机设备
CN114107935A (zh) * 2021-11-29 2022-03-01 重庆忽米网络科技有限公司 一种基于ai算法的pvd镀膜厚度自动调节方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1482409A (zh) * 2003-06-13 2004-03-17 ���ݻ�ͨ����¥��Ƽ����޹�˾ 中央空调节能模糊控制方法及模糊控制器
CN101078913A (zh) * 2007-06-28 2007-11-28 北京工业大学 后验控制与多传感器融合方法及中央空调节能控制装置
CN102032640A (zh) * 2009-09-25 2011-04-27 西安西翼智能科技有限公司 工业环境高精度空调的模糊pid控制方法及装置
CN105117770A (zh) * 2015-08-24 2015-12-02 河海大学常州校区 基于改进型模糊神经网络的表冷器控制方法
CN109344788A (zh) * 2018-10-15 2019-02-15 徐妍 一种辅助搬运的可穿戴智能设备控制方法
CN110186156A (zh) * 2019-06-03 2019-08-30 西安锦威电子科技有限公司 制冷站模糊控制系统
CN110244559A (zh) * 2019-05-21 2019-09-17 中国农业大学 一种基于农业节气经验数据的温室智能调控方法
CN110726218A (zh) * 2019-10-29 2020-01-24 珠海格力电器股份有限公司 空调器及其控制方法、装置、存储介质和处理器
CN110726214A (zh) * 2019-10-29 2020-01-24 珠海格力电器股份有限公司 控制空调器的方法及装置
CN110966714A (zh) * 2019-11-07 2020-04-07 珠海格力电器股份有限公司 一种空调智能控制方法、计算机可读存储介质及空调

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1482409A (zh) * 2003-06-13 2004-03-17 ���ݻ�ͨ����¥��Ƽ����޹�˾ 中央空调节能模糊控制方法及模糊控制器
CN101078913A (zh) * 2007-06-28 2007-11-28 北京工业大学 后验控制与多传感器融合方法及中央空调节能控制装置
CN102032640A (zh) * 2009-09-25 2011-04-27 西安西翼智能科技有限公司 工业环境高精度空调的模糊pid控制方法及装置
CN105117770A (zh) * 2015-08-24 2015-12-02 河海大学常州校区 基于改进型模糊神经网络的表冷器控制方法
CN109344788A (zh) * 2018-10-15 2019-02-15 徐妍 一种辅助搬运的可穿戴智能设备控制方法
CN110244559A (zh) * 2019-05-21 2019-09-17 中国农业大学 一种基于农业节气经验数据的温室智能调控方法
CN110186156A (zh) * 2019-06-03 2019-08-30 西安锦威电子科技有限公司 制冷站模糊控制系统
CN110726218A (zh) * 2019-10-29 2020-01-24 珠海格力电器股份有限公司 空调器及其控制方法、装置、存储介质和处理器
CN110726214A (zh) * 2019-10-29 2020-01-24 珠海格力电器股份有限公司 控制空调器的方法及装置
CN110966714A (zh) * 2019-11-07 2020-04-07 珠海格力电器股份有限公司 一种空调智能控制方法、计算机可读存储介质及空调

Also Published As

Publication number Publication date
CN111459022A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111459022B (zh) 设备参数调整方法、设备控制装置和计算机可读存储介质
CN108284442B (zh) 一种基于模糊神经网络的机械臂柔性关节控制方法
Cai et al. Fuzzy reasoning as a control problem
CN109214579B (zh) 基于bp神经网络的盐碱地稳定性预测方法及系统
CN104636801A (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN111416797A (zh) 改进天牛群算法优化正则化极限学习机的入侵检测方法
CN110110380B (zh) 一种压电执行器迟滞非线性建模方法及应用
CN113807040B (zh) 一种面向微波电路的优化设计方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN114511042A (zh) 一种模型的训练方法、装置、存储介质及电子装置
CN111722139A (zh) 基于可微连续映射的锂电池健康监测模型自学习方法
Narendra et al. Adaptive control of linear periodic systems using multiple models
CN115864491A (zh) 一种处于拓扑不明状态台区的电压灵敏度拟合方法
CN114755926A (zh) 一种基于强化学习的多智能体系统最优一致性的控制方法
CN113239547B (zh) 一种基于tlbo算法的核心骨干网架构建方法
CN110929835A (zh) 一种新型碳化硅基航空功率变换器故障诊断方法及系统
Matsui et al. Peak load forecasting using analyzable structured neural network
CN113885324A (zh) 一种建筑智能用电控制方法及系统
CN115511055A (zh) 一种基于神经网络模型及遗传算法的温控方法及装置
Batina et al. Stochastic disturbance rejection in model predictive control by randomized algorithms
Li et al. The application of immune genetic algorithm in PID parameter optimization for level control system
CN115800274A (zh) 一种5g配电网馈线自动化自适应方法、装置及存储介质
CN113762646A (zh) 一种光伏短期功率智能预测方法及系统
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法
Kim et al. Data-efficient active weighting algorithm for composite adaptive control systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231206

Address after: Room 301A, Building 5, Hongxin Industrial Park, No. 1303 Guangguang Road, Guanlan Street, Longhua District, Shenzhen City, Guangdong Province, 518000

Patentee after: Shenzhen Invic Software Technology Co.,Ltd.

Address before: 518000 B / F, No.9 factory building, Hongxin Industrial Park, 1303 sightseeing Road, dabuxiang community, Guanlan street, Longhua New District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN YINGWEIKE INFORMATION TECHNOLOGY Co.,Ltd.