CN112344535A - 新风控制方法、计算机装置以及计算机可读存储介质 - Google Patents

新风控制方法、计算机装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN112344535A
CN112344535A CN202011293442.1A CN202011293442A CN112344535A CN 112344535 A CN112344535 A CN 112344535A CN 202011293442 A CN202011293442 A CN 202011293442A CN 112344535 A CN112344535 A CN 112344535A
Authority
CN
China
Prior art keywords
fresh air
control method
air volume
fitness
concentration
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.)
Pending
Application number
CN202011293442.1A
Other languages
English (en)
Inventor
侯强
王念
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202011293442.1A priority Critical patent/CN112344535A/zh
Publication of CN112344535A publication Critical patent/CN112344535A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fluid Mechanics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供一种新风控制方法、计算机装置以及计算机可读存储介质，该方法包括：实时获取室内污染物浓度，根据室内污染物浓度确定目标新风量；获取实时新风量，根据目标新风量与实时新风量进行PID处理，获得控制风阀的开度，其中，PID参数通过遗传算法获得。该计算机装置包括控制器，控制器用于执行存储器中存储的计算机程序时实现上述新风控制方法。该计算机可读存储介质，其上存储有计算机程序，计算机程序被控制器执行时实现上述新风控制方法。本发明的新风控制方法可以提高控制精度，减少超调量。

Description

新风控制方法、计算机装置以及计算机可读存储介质
技术领域
本发明涉及新风控制技术领域，具体的，涉及一种新风控制方法，还涉及应用该新风控制方法的计算机装置，还涉及应用该新风控制方法的计算机可读存储介质。
背景技术
随着生活水平的提高，人们对空气质量的要求也越来越高，目前市场上有传统新风机和采用传统PID控制的新风机，传统新风机采用直接控制方法调整新风量，精度极低且不智能，传统PID控制的新风机有响应慢、PID参数整定费时且难以满足控制要求、系统超调量大等问题。
因此，需要研发一种提高控制精度的新风控制方法，提高用户的体验度。
发明内容
本发明的第一目的是提供一种可以提高控制精度，减少超调量的新风控制方法。
本发明的第二目的是提供一种可以提高控制精度，减少超调量的计算机装置。
本发明的第三目的是提供一种可以提高控制精度，减少超调量的计算机可读存储介质。
为了实现上述第一目的，本发明提供的新风控制方法包括：实时获取室内污染物浓度，根据室内污染物浓度确定目标新风量；获取实时新风量，根据目标新风量与实时新风量进行PID处理，获得控制风阀的开度，其中，PID参数通过遗传算法获得。
由上述方案可见，本发明的新风控制方法采用遗传算法优化PID参数整定，提高了新风机的响应速度，并减少了超调量，可以提高风阀开度的精准控制，从而提高用户的体验度，另外，减少了超调量，还具有一定的节能效果。
进一步的方案中，实时获取室内污染物浓度，根据室内污染物浓度确定目标新风量的步骤包括：实时获取多种室内污染物浓度；根据多种室内污染物浓度、室内空间体积、每一种污染物对应的室外污染物浓度、每一种污染物的权重系数以及每一种污染物的危害系数获得目标新风量。
由此可见，通过多种室内污染物浓度以及室内空间体积计算目标新风量，可更好提高新风的控制精度，提高系统对工作环境的适应性，提高用户体验。
进一步的方案中，目标新风量由以下公式获得：
Figure BDA0002784521310000021
其中，Ei为每一种污染物的权重系数，Wi为每一种污染物的危害系数，V为室内空间体积，Di,in为室内污染物浓度，Di,out室外污染物浓度，i为污染物编号，n为污染物种数。
由此可见，通过每一种污染物的权重系数和危害系数，可更好的获得目标新风量，提高系统的精确度。
进一步的方案中，PID参数通过遗传算法获得的步骤包括：将比例系数Kp、积分系数Ki、微分系数Kd进行二进制编码获得遗传算法的个体，并产生初始种群；获取适应度函数，根据适应度函数获得个体的适应度值；根据适应度值确认种群中个体的适应度概率，产生下一代种群；以预设交叉概率对下一代种群中的个体进行交叉运算，并以预设变异概率对下一代种群中的个体进行变异运算；进行迭代操作，迭代完成时，输出适应度值最大的个体作为PID参数。
进一步的方案中，适应度函数为：
Figure BDA0002784521310000022
其中，目标函数
Figure BDA0002784521310000023
w1、w2、w3均为权值，tu为调节时间，e(t)为目标新风量与实时新风量的误差，u(t)为风阀的开度。
进一步的方案中，种群中个体的适应度概率由以下公式获得：
Figure BDA0002784521310000024
其中，Fcn为某一代某一个体的适应度值，F∑为该代所有个体的适应度值之和。
进一步的方案中，预设交叉概率由以下公式获得：
Figure BDA0002784521310000031
其中，Pz1和Pz2均为预设概率值，F'为该个体的适应度值，Favg为该代群体适应度值平均值，Fmax为该代群体最大适应度值。
由此可见，通过遗传算法计算出适应度最大的个体作为PID参数，提高PID参数的精确度，从而提高风阀开度控制的精确度。
进一步的方案中，风阀的开度由以下公式获得：
Figure BDA0002784521310000032
其中，Kp为比例系数，Ki为积分系数，Kd为微分系数，e(t)为目标新风量与实时新风量的误差。
为了实现本发明的第二目的，本发明提供计算机装置包括处理器以及存储器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述的新风控制方法的步骤。
为了实现本发明的第三目的，本发明提供的计算机可读存储介质，其上存储有计算机程序，计算机程序被控制器执行时实现上述的新风控制方法的步骤。
附图说明
图1是本发明新风控制方法实施例的流程图。
图2是本发明新风控制方法实施例中PID参数通过遗传算法获得步骤的流程图。
以下结合附图及实施例对本发明作进一步说明。
具体实施方式
本发明的新风控制方法是应用在新风机、空调等新风设备中的应用程序，用于实现对新风量的控制。本发明还提供一种计算机装置，该计算机装置包括控制器，控制器用于执行存储器中存储的计算机程序时实现上述的新风控制方法的步骤。本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被控制器执行时实现上述的新风控制方法的步骤。
新风控制方法实施例：
如图1所示，本发明的新风控制方法在工作时，首先执行步骤S1，实时获取室内污染物浓度，根据室内污染物浓度确定目标新风量。新风设备在获取新风工作指令时，进入新风工作状态，进行新风的送风控制。为了能够精确的控制新风量，需通过室内污染物浓度来确定目标新风量。室内污染物浓度包括PM2.5浓度、一氧化碳浓度、二氧化碳浓度、甲醛浓度、二氧化硫浓度和二氧化氮浓度中的至少一种。室内污染物浓度可通过对应设置的传感器获得。
本实施例中，实时获取室内污染物浓度，根据室内污染物浓度确定目标新风量的步骤包括：实时获取多种室内污染物浓度；根据多种室内污染物浓度、室内空间体积、每一种污染物对应的室外污染物浓度、每一种污染物的权重系数以及每一种污染物的危害系数获得目标新风量。目标新风量由以下公式获得：
Figure BDA0002784521310000041
其中，Ei为每一种污染物的权重系数，Wi为每一种污染物的危害系数，V为室内空间体积，可通过用户手动设置，Di,in为室内污染物浓度，Di,out室外污染物浓度，i为污染物编号，n为污染物种数。不同污染物的危害系数、权重系数不同，Ei取值范围为1至10，Wi取值范围为：1×103至1×104。通过多种室内污染物浓度以及室内空间体积计算目标新风量，可更好提高新风的控制精度，提高系统对工作环境的适应性。
可选的实施例中，实时获取室内污染物浓度，根据室内污染物浓度确定目标新风量的步骤包括：对多种室内污染物浓度进行平均值获取，获取平均值对应设置的新风量作为目标新风量；或者，获取一种室内污染物浓度，根据室内污染物浓度获取对应设置的新风量作为目标新风量。
获得目标新风量后，执行步骤S2，获取实时新风量，根据目标新风量与实时新风量进行PID处理，获得控制风阀的开度。其中，PID参数通过遗传算法获得。为了能够实时动态的调整新风量，采用PID控制方式对目标新风量与实时新风量进行处理，增强新风调节系统的鲁棒性。实时新风量通过以下公式获得：S*＝Y·L·t，其中，Y为当前风阀开度，取值范围为0至1，L为新风机每小时最大新风量，t为送风时长。根据目标新风量与实时新风量进行PID处理时，风阀的开度由以下公式获得：
Figure BDA0002784521310000051
其中，Kp为比例系数，Ki为积分系数，Kd为微分系数，e(t)为目标新风量与实时新风量的误差。
本实施例中，在进行PID控制新风量时，利用遗传算法对PID控制器的比例系数Kp、积分系数Ki和微分系数Kd三个参数进行优化整定，从而寻找合适的控制参数，使给定的性能指标达到最优，精确控制新风量达到系统的最佳需求。遗传算法为本领域技术人员所公知的技术，在此不再赘述，本实施例利用遗传算法对PID参数进行优化整定，用以提高风阀开度的精准控制。
参见图2，本实施例中，在通过遗传算法获得PID参数时，首先执行步骤S21，将比例系数Kp、积分系数Ki和微分系数Kd进行二进制编码获得遗传算法的个体，并产生初始种群。将比例系数Kp、积分系数Ki和微分系数Kd三个参数组合成一个三维向量：P＝[Kp,Ki,Kd]，该三维向量即为遗传算法的个体。优选的，PID参数优化整定过程中，Kp取值范围为[0,20]，Ki取值范围为[0,1]，Kd取值范围为[0,1]，初始种群数量取值为30。
接着执行步骤S22，获取适应度函数，根据适应度函数获得个体适应度值。适应度函数是用来区分种群中个体的适应程度，适应度越高，个体往下遗传的概率就越高。本实施例中，适应度函数为：
Figure BDA0002784521310000052
其中，J为目标函数。目标函数可根据实际需要进行设置，本实施例中，目标函数为：
Figure BDA0002784521310000053
其中，w1、w2、w3均为权值，tu为调节时间，即PID控制器一个控制周期的时间，e(t)为目标新风量与实时新风量的误差，u(t)为风阀的开度。优选的，w1取0.999，w2取0.001，w3取2.0。适应度函数为非负值，由目标函数获得。目标函数的值越小，适应度函数的值越大，个体的适应度越高。
获得适应度后，执行步骤S23，根据适应度值确认种群中个体的适应度概率，产生下一代种群。个体的适应度在总体适应度中的占比则为适应度概率，适应度概率即为个体被遗传到下一代的概率，选择复制适应度概率较大的个体，从而产生下一代种群。本实施例中，种群中个体的适应度概率由以下公式获得：
Figure BDA0002784521310000061
其中，Fcn为某一代某一个体的适应度值，F∑为该代所有个体的适应度值之和。
产生下一代种群后，执行步骤S24，以预设交叉概率对下一代种群中的个体进行交叉运算，并以预设变异概率对下一代种群中的个体进行变异运算。适应度概率确定后，需要对下一代种群中的个体进行交叉、变异处理，从而增加种群基因的多样性。交叉运算是以某一交叉概率互相交换在一代群体中某两个个体之间的部分染色体的操作，此为公知技术，在此不再赘述。本实施例中，预设交叉概率由以下公式获得：
Figure BDA0002784521310000062
其中，Pz1和Pz2均为预设概率值，F'为该个体的适应度值，Favg为该代群体适应度值平均值，Fmax为该代群体最大适应度值。Pz1和Pz2的具体数值根据种群数量及迭代次数进行设置，个体的适应度值小于平均适应度值时则需要较高的交叉概率，因此，Pz1需要比Pz2大，优选的，Pz1＝0.9，Pz2＝0.6。变异运算是对个体的某一个或某一些基因座上的基因值按某一变异概率进行改变的操作，此为公知技术，在此不再赘述。预设变异概率取值范围为0.0001至0.1，本实施例中，预设变异概率为0.01。
进行交叉、变异处理后，执行步骤S25，判断是否迭代完成。本实施例中，迭代次数为200次。若判断迭代未完成，则重复执行步骤S22、步骤S23和步骤S24。若判断迭代完成，则执行步骤S26，输出适应度值最大的个体作为PID参数。得到适应度值最大的个体后，可通过解码获得PID参数，从而获得风阀的开度，并对风阀进行控制。
计算机装置实施例：
本实施例的计算机装置包括控制器，控制器执行计算机程序时实现上述新风控制方法实施例中的步骤。
例如，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由控制器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
计算机装置可包括，但不仅限于，控制器、存储器。本领域技术人员可以理解，计算机装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机装置还可以包括输入输出设备、网络接入设备、总线等。
例如，控制器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用控制器、数字信号控制器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用控制器可以是微控制器或者该控制器也可以是任何常规的控制器等。控制器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，控制器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。例如，存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音接收功能、声音转换成文字功能等)等；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、文本数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
计算机可读存储介质实施例：
上述实施例的计算机装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，实现上述新风控制方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被控制器执行时，可实现上述新风控制方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
由上述可知，本发明的新风控制方法采用遗传算法优化PID参数整定，提高了新风机的响应速度，并减少了超调量，可以提高风阀开度的精准控制，从而提高用户的体验度，另外，减少了超调量，还具有一定的节能效果。
需要说明的是，以上仅为本发明的优选实施例，但发明的设计构思并不局限于此，凡利用此构思对本发明做出的非实质性修改，也均落入本发明的保护范围之内。

Claims (10)

1.一种新风控制方法，其特征在于：包括：
实时获取室内污染物浓度，根据所述室内污染物浓度确定目标新风量；
获取实时新风量，根据所述目标新风量与所述实时新风量进行PID处理，获得控制风阀的开度，其中，PID参数通过遗传算法获得。
2.根据权利要求1所述的新风控制方法，其特征在于：
所述实时获取室内污染物浓度，根据所述室内污染物浓度确定目标新风量的步骤包括：
实时获取多种室内污染物浓度；
根据多种所述室内污染物浓度、室内空间体积、每一种污染物对应的室外污染物浓度、每一种污染物的权重系数以及每一种污染物的危害系数获得所述目标新风量。
3.根据权利要求2所述的新风控制方法，其特征在于：
所述目标新风量由以下公式获得：
Figure FDA0002784521300000011
其中，Ei为每一种污染物的权重系数，Wi为每一种污染物的危害系数，V为室内空间体积，Di,in为室内污染物浓度，Di,out室外污染物浓度，i为污染物编号，n为污染物种数。
4.根据权利要求1至3任一项所述的新风控制方法，其特征在于：
所述PID参数通过遗传算法获得的步骤包括：
将比例系数Kp、积分系数Ki、微分系数Kd进行二进制编码获得所述遗传算法的个体，并产生初始种群；
获取适应度函数，根据适应度函数获得个体的适应度值；
根据所述适应度值确认种群中个体的适应度概率，产生下一代种群；
以预设交叉概率对所述下一代种群中的个体进行交叉运算，并以预设变异概率对所述下一代种群中的个体进行变异运算；
进行迭代操作，当迭代完成时，输出适应度值最大的个体作为所述PID参数。
5.根据权利要求4所述的新风控制方法，其特征在于：
所述适应度函数为：
Figure FDA0002784521300000021
其中，目标函数为
Figure FDA0002784521300000022
w1、w2、w3均为权值，tu为调节时间，e(t)为目标新风量与实时新风量的误差，u(t)为风阀的开度。
6.根据权利要求5所述的新风控制方法，其特征在于：
种群中每一个体的所述适应度概率由以下公式获得：
Figure FDA0002784521300000023
其中，Fcn为某一代某一个体的适应度值，F∑为该代所有个体的适应度值之和。
7.根据权利要求6所述的新风控制方法，其特征在于：
所述预设交叉概率由以下公式获得：
Figure FDA0002784521300000024
其中，Pz1和Pz2均为预设概率值，F'为该个体的适应度值，Favg为该代群体适应度值平均值，Fmax为该代群体最大适应度值。
8.根据权利要求1至3任一项所述的新风控制方法，其特征在于：
所述风阀的开度由以下公式获得：
Figure FDA0002784521300000025
其中，Kp为比例系数，Ki为积分系数，Kd为微分系数，e(t)为所述目标新风量与所述实时新风量的误差。
9.一种计算机装置，包括处理器以及存储器，其特征在于：所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任意一项所述的新风控制方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被控制器执行时实现如权利要求1至8中任意一项所述的新风控制方法的步骤。
CN202011293442.1A 2020-11-18 2020-11-18 新风控制方法、计算机装置以及计算机可读存储介质 Pending CN112344535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011293442.1A CN112344535A (zh) 2020-11-18 2020-11-18 新风控制方法、计算机装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011293442.1A CN112344535A (zh) 2020-11-18 2020-11-18 新风控制方法、计算机装置以及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112344535A true CN112344535A (zh) 2021-02-09

Family

ID=74364263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011293442.1A Pending CN112344535A (zh) 2020-11-18 2020-11-18 新风控制方法、计算机装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112344535A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101344301A (zh) * 2008-08-22 2009-01-14 哈尔滨工业大学 城市地下空间的空调通风控制方法
KR20150120565A (ko) * 2014-04-17 2015-10-28 (주)엘지하우시스 이산화탄소 농도 측정 기능을 갖는 열교환 환기장치
CN105654236A (zh) * 2015-12-29 2016-06-08 北京师范大学 一种地下水型饮用水水源地污染风险评价方法
CN106596859A (zh) * 2016-12-13 2017-04-26 循绿生态科技（上海）有限公司 室内环境质量综合评估方法
CN106708044A (zh) * 2016-12-16 2017-05-24 哈尔滨工程大学 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法
CN107084476A (zh) * 2017-04-12 2017-08-22 深圳达实智能股份有限公司 一种医院专用空气品质监控方法及装置
CN109916800A (zh) * 2019-04-04 2019-06-21 南通大学 一种测量房间颗粒物渗透系数的方法及系统
CN110207324A (zh) * 2019-05-30 2019-09-06 浙江越芬科技有限公司 动态通风控制方法和系统
CN110543094A (zh) * 2019-08-17 2019-12-06 深圳信息职业技术学院 基于实数编码遗传算法的水厂投药pid控制参数整定方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101344301A (zh) * 2008-08-22 2009-01-14 哈尔滨工业大学 城市地下空间的空调通风控制方法
KR20150120565A (ko) * 2014-04-17 2015-10-28 (주)엘지하우시스 이산화탄소 농도 측정 기능을 갖는 열교환 환기장치
CN105654236A (zh) * 2015-12-29 2016-06-08 北京师范大学 一种地下水型饮用水水源地污染风险评价方法
CN106596859A (zh) * 2016-12-13 2017-04-26 循绿生态科技（上海）有限公司 室内环境质量综合评估方法
CN106708044A (zh) * 2016-12-16 2017-05-24 哈尔滨工程大学 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法
CN107084476A (zh) * 2017-04-12 2017-08-22 深圳达实智能股份有限公司 一种医院专用空气品质监控方法及装置
CN109916800A (zh) * 2019-04-04 2019-06-21 南通大学 一种测量房间颗粒物渗透系数的方法及系统
CN110207324A (zh) * 2019-05-30 2019-09-06 浙江越芬科技有限公司 动态通风控制方法和系统
CN110543094A (zh) * 2019-08-17 2019-12-06 深圳信息职业技术学院 基于实数编码遗传算法的水厂投药pid控制参数整定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周洪: "《智能大厦控制系统》", 30 October 2007, 中国电力出版社 *
董海鹰: "《智能控制理论及应用》", 30 September 2016, 中国铁道出版社 *

Similar Documents

Publication Publication Date Title
US20200311552A1 (en) Device and method for compressing machine learning model
CN111476422A (zh) 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN105718943A (zh) 基于粒子群优化算法的特征选择方法
CN111173573A (zh) 一种汽轮机调节系统功率对象模型的辨识方法
JPWO2019146189A1 (ja) ニューラルネットワークのランク最適化装置および最適化方法
CN114492279A (zh) 一种模拟集成电路的参数优化方法及系统
Durant et al. Efficient model fitting using a genetic algorithm: pole-zero approximations of HRTFs
CN111709535A (zh) 基于演化计算的联邦学习方法、装置、中心服务器及介质
CN106327236B (zh) 一种确定用户行动轨迹的方法及装置
CN112344535A (zh) 新风控制方法、计算机装置以及计算机可读存储介质
Rodkaew et al. Modeling leaf shapes using L-systems and genetic algorithms
CN110751400B (zh) 一种风险评估方法及装置
CN112288032B (zh) 一种基于生成对抗网络的量化模型训练的方法及装置
CN110533186B (zh) 众包定价体系的评估方法、装置、设备及可读存储介质
US20080103701A1 (en) Automatic signal processor design software system
CN112329715A (zh) 一种人脸识别方法、装置、设备及存储介质
CN111833908A (zh) 音频活性检测方法、系统、设备及存储介质
CN111428860B (zh) 一种降低时延神经网络模型功耗的方法及装置
CN116127716B (zh) 汽轮机阀门流量特性辨识方法及装置
Brest et al. Adaptation in the differential evolution
US20220165075A1 (en) Method and device for classifing densities of cells, electronic device using method, and storage medium
CN116665653A (zh) 应用于业务场景的声学模型优化方法及装置
Le et al. Large scale biomedical data analysis with tree-based automated machine learning
CN113657439A (zh) 一种基于集成算法的项目管理供应商决策分析方法
JP2001334284A (ja) 水処理プラントの運転支援装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210209