CN114322199A - 基于数字孪生的通风系统自主优化运行调控平台及方法 - Google Patents

Abstract

本发明公开了一种基于数字孪生的通风系统自主优化运行调控平台及方法，它包括：通风设备层、通风接入层和通风自主决策层，所述通风设备层通过所述通风接入层将运行数据和状态数据发送至所述通风自主决策层，所述通风自主决策层进行集中决策后，将优化目标和控制指令再通过所述通风接入层自上而下传输至所述通风设备层的相应通风设备中进行自主优化调控。本发明提供一种基于数字孪生的通风系统自主优化调控平台及方法，对通风系统运行原理和运行过程进行分析、监测和控制的全生命周期管理，实现对通风系统的运行状态进行实时监测、预警和自主决策，使通风系统各要素之间相互协调，达到实时分析的要求。

Description

基于数字孪生的通风系统自主优化运行调控平台及方法

技术领域

本发明属于通风技术领域，具体涉及一种基于数字孪生的通风系统自主优化运行调控平台及方法。

背景技术

通风是借助换气稀释或通风排出等手段，控制空气污染物的传播与危害，实现室内外空气环境质量保障的一种建筑环境控制技术。通风系统就是实现通风这一功能，包括进风口、排风口、送风管道、风机、过滤器、控制系统以及其他附属设备在内的一整套装置。目前通风系统已经广泛应用在地下空间、洁净技术、安全通风、工业建筑通风、农业领域以及其他特殊领域。

现如今随着计算机网络技术的飞速发展，目前在通风系统的相关设备中已安装温度、压力、流量等传感器以及相应的调节设备，采用互联网、物联网、专用局域网络等通讯手段，将远程设备上采集到的运行数据信号传输到后台服务器进行解析后，实现数据的远程采集和调节阀门的远程控制，从而替代传统人工现场手抄数据与人工现场手动调节阀门的过程。

然而，通风系统由多个要素组成，各要素之间存在着有机的联系，彼此又相互影响，采用传统简单的建模分析，难以实现通风系统整体最优，各要素之间不能相互协调，达不到实时分析的要求，在做出相应的控制决策时，也不够及时准确，无法满足科学精准控制的需求，而要使其高度协调，必须对通风系统运行原理和运行过程进行分析、监测和控制的全生命周期管理，实现对通风系统的运行状态进行实时监测、预警和自主决策。

基于上述技术问题，需要设计一种新的基于数字孪生的通风系统自主优化运行调控平台及方法。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于数字孪生的通风系统自主优化运行调控平台及方法，对通风系统运行原理和运行过程进行分析、监测和控制的全生命周期管理，实现对通风系统的运行状态进行实时监测、预警和自主决策，使通风系统各要素之间相互协调，达到实时分析的要求，及时准确地做出相应的控制决策，实现科学精准控制，而要使其高度协调。

为了解决上述技术问题，本发明的技术方案是：

本发明第一方面提供了一种基于数字孪生的通风系统自主优化运行调控平台，它包括：通风设备层、通风接入层和通风自主决策层，所述通风设备层通过所述通风接入层将运行数据和状态数据发送至所述通风自主决策层，所述通风自主决策层进行集中决策后，将优化目标和控制指令再通过所述通风接入层自上而下传输至所述通风设备层的相应通风设备中进行自主优化调控；

所述通风设备层包括风机、进风结构、回风结构、通风调节部件、过滤部件、排风结构和热交换器，通风设备层中的各个设备组成了上下游衔接的通风网络，所述通风设备层通过传感器组件采集相应的运行数据和状态数据，并接收和执行通风优化目标和控制指令；

所述通风接入层包括数据采集与控制系统和数据传输系统，所述通风接入层用于采集和感知通风运行数据和状态数据，并通过数据传输系统中的传输算法和网络进行数据传输，以及接收和下发优化目标和控制指令；

所述通风自主决策层包括基础设施模块、数据中台模块、模型建立模块、智能分析模块和自主决策模块、可视化模块，所述通风自主决策层用于获取通风运行数据和状态数据，并采用机理建模和数据辨识方法建立通风系统数字孪生模型，采用智能算法建立包括通风调控、故障诊断和通风量预测的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略。

进一步，所述通风设备层中，所述进风结构包括多个进风支路；所述回风结构包括多个回风支路；所述通风调节装置用于向通风系统内部进风或外部排风；所述过滤部件包括进风端、出风端和处于进出风端之间的消毒杀菌组件；所述排风结构连接出风端进行排风；所述热交换器处于回风结构和进风结构之间进行热交换；

所述传感器组件包括测温传感器、风量传感器、风压传感器、风压风量控制传感器以及气体组分传感器，用于获知温度、风量、风压、CO含量和粉尘质量浓度参数；

所述通风设备层还包括风机变频器，所述风机变频器用于接收和执行通风优化目标和控制指令，来调整通风机中电机转子的转速，来达到增大风量、减小风量或者是增大转速、减小转速的目标。

进一步，所述通风自主决策层中，所述基础设施模块至少包括系统硬件、网络设备、系统软件、存储设备和物联网设备；所述数据中台模块至少包括通风基础数据、业务数据、用户数据、信息服务数据、信息交换数据和数据仓库；所述可视化模块至少包括三维可视化平台、异常监测与告警提示、调控方案模拟和通风日常管理；所述智能分析模块基于通风系统数字孪生模型，对通风系统总体运行情况进行分析，计算通风系统内部通风总量、内部温度、风的方向、风速、风量业务数据；对决策方案的执行效果进行评估，实时反馈方案参数；对通风系统中的关键设备的健康状况、运行性能进行分析评估；通过对比分析设备正常运行时各项参数、出现故障后设备的各项参数，来判断问题的原因，对通风系统中存在的异常故障进行快速定位与诊断。

进一步，所述通风系统数字孪生模型包括几何模型、物理模型、行为及响应模型、规则及逻辑模型；

所述几何模型为针对所述通风设备层中的各个设备，从几何维度，依据设备产品设计几何特征参数信息，构建的覆盖设备异构要素可扩展的模型；

所述物理模型为从物理维度，依据设备的材料属性、物理参数构建的模型；

所述行为及响应模型为从行为维度，基于各零部件间的行为耦合关系，构建的刻画行为特征的模型；

所述规则及逻辑模型为从规则维度，基于XML语言描述设备运行及演化规律的模型；

所述通风系统数字孪生模型的建立过程如下：

分析通风设备所包含的领域及相关机理，利用多领域统一建模语言对元模型进行数学方程化表示，从而形成面向通风系统多领域模型；

分析通风设备的空间布局关系及机械层面的联接关系，通过将构建的数字孪生基础模型和多领域模型中不同模型在同一个软件环境下进行空间层面模型组装，并添加内在关联关系，通过将动作关系、通风原理约束条件、信息流映射到模型中，形成系统级数字孪生模型；

将通风系统的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正；

其中，所述反向辨识方法包括：输入实测运行数据以及各待辨识参数的取值范围；设置自适应混沌树和种子算法的运行参数，包括树群规模、最大迭代次数和算法终止规则；运行自适应混沌树和种子算法对模型中的待辨识参数进行辨识，通过最小化目标函数，获得待辨识参数的估计值；将辨识得到的参数代入模型中，获得辨识后的数字孪生模型。

进一步，所述数字孪生模型还包括基于通风系统管网的空气动力计算模型和风机的数学模型，所述基于通风系统管网的空气动力计算模型和风机的数学模型的建立过程如下：

将通风系统管网用管段和节点表示，管段满足质量守恒，节点满足能量守恒，管网中节点与管段用集合表示为：G(V,E)，V＝{V₁,V₂,…,V_n}，E＝{e₁,e₂,…,e_m}，其中管段e₀＝(V_p,V_q)表示节点V_p和V_q之间连接的管段；将管段和节点的关系特征用数学表达为：C_fA_f ^T＝0，A_f为基本关系矩阵，C_f为基本回路矩阵；

基于通风系统管网的空气动力计算模型表示为：

其中，q为管段流量矩阵，Q为节点处净流量矩阵，ΔH为管段压降，K为管段压降损失系数矩阵，q_n为管段流量，DH为管段扬程矩阵；

风机的数学模型表示为：P_f＝a₀+a₁q_f+a₂q_f ²+a₃q_f ³；P_f为风机风压，a₀、a₁、a₂、a₃为风机特性曲线方程系数，通过风机特性曲线拟合获得，q_f为风机风量。

进一步，所述自主决策模块中的通风调控决策方案包括：

在满足通风网络各分支按需分风的前提下，以通风网络风机总功率最小为目标，并设置约束条件，建立通风调控优化模型，采用果蝇优化算法对模型求解获得最优解；

设置目标函数，表示为：

W为通风能耗，N为风机台数，H_i是第i条分支的风压，Q_i是第i条分支的风量；

设置约束条件，包括：

风量平衡：

其中，i为第i条分支，j为第j个节点，L为分支风道总支数，Q_i为分支i的风量，J为通风网络节点数；

风压平衡：

其中，Z为通风网络回路数，H_i为第i条分支的风压；

风量、风压上下限：

Q_{i min}≤Q_i≤Q_{i max}；

H_{i min}≤H_i≤H_{i max}；

其中，Q_{i min}、Q_{i max}分别是第i条分支风量调节的上、下限；H_{i min}、H_{i max}分别是第i条分支风压调节的上、下限；

采用果蝇优化算法对模型求解获得最优解，包括：

初始化群体规模和最大迭代次数，随机生成果蝇群体初始位置X_axis和Y_axis；

果蝇个体利用嗅觉在随机方向搜寻食物位置和更新自身的位置X_i和Y_i；

其中，果蝇个体的搜索距离为RandomValue_i＝α×(2×rand()-1)；rand()为随机生成的数；α为移动步长属于[-10,10]，α＝α₀p，α₀为初始步长，p为自适应系数，

n∈[0,10]，I、I_max分别为当前迭代次数和最大迭代次数；

计算各果蝇个体与坐标原点的距离D_i，将其倒数作为味道浓度判定值S_i；

将味道浓度判定值S_i代入定义的味道浓度判断函数F，计算该果蝇个体所处位置的味道浓度S_m,i＝F(S_i)；

比较个体味道浓度，根据最小浓度对应个体确定最优位置：[S_m,min,I_s,min]＝min(S_m,i)，S_m,min为味道浓度最小值，I_s,min＝(X_min,Y_min)为最小味道浓度值对应的位置坐标；

记录最优味道浓度值与对应的位置坐标，果蝇群体通过视觉飞往该位置：S_m,best＝S_m,min，X_best＝X_min，Y_best＝Y_min；

将果蝇群体的当前位置坐标(X_best,Y_best)设为新一次迭代寻优的初始位置坐标，重复上述步骤进行迭代寻优并判断是否达到终止条件，判断当前最优味道浓度是否满足要求或是否达到最大迭代次数，若满足条件，则终止循环。

进一步，所述自主决策模块中的故障诊断决策方案包括：

针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型；以及针对通风系统采集的温度、压力、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型；将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果。

进一步，所述针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型，具体包括：

针对通风系统采集的振动信号进行时域特征和频域特征提取，并对采集到的振动信号进行小波包分解，获得小波能量特征，将时域特征、频域特征和小波能量特征构成特征集；

采用数据融合技术将特征集中的各特征进行融合；

将融合后的特征输入至粒子群优化的支持向量机进行训练生成第一故障诊断模型，通过第一故障诊断模型对故障类型进行分类识别出通风故障类型；

所述针对通风系统采集的温度、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型，具体包括：

针对通风系统采集的温度、风机转速和风机流量信号参数进行时域特征和频域特征提取，并对采集到的温度、风机转速和风机信号进行小波包分解，获得小波能量特征，将时域特征、频域特征和小波能量特征构成特征集；

采用数据融合技术将特征集中的各特征进行融合；

将融合后的特征输入至粒子群优化的支持向量机进行训练生成第二故障诊断模型，通过第二故障诊断模型对故障类型进行分类识别出通风故障类型；

其中，所述时域统计学特征包括：

有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度；

无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标；

所述频域特征提取包括：应用快速傅里叶变换时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；

所述对采集到的信号进行小波分解：将采集到的信号进行4层小波包分解，提取第4层从低频到高频的前8维能量作为特征向量；对小波分解系数进行重构，提取各频带范围的信号；计算各层重构信号序列的能量，将各层重构序列的能量构成向量，进行归一化处理，表征故障状态特征；

所述将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果，具体包括：

依据通风系统不同运行状态建立通风系统识别框架：

将所述第一故障诊断模型输出的结果进行归一化处理后作为D-S证据理论合成规则的第一证据体A，将所述第二故障诊断模型输出的结果进行归一化处理后作为D-S证据理论合成规则的第二证据体B；

计算出每个证据体的基本概率赋值函数，；

通过已经确定的D-S合成规则计算出所有证据联合的基本概率赋值函数和信任函数，根据建立的相应决策规则，得出决策结论；

其中,D-S证据理论合成规则表示为：

进一步，所述自主决策模块中的通风量预测决策方案包括：

获取在通风系统运行过程中影响通风量的历史关键影响因素并构造成样本数据，至少包括温度、风机流量、风机转速、历史通风量、CO含量和粉尘质量浓度；

对样本数据进行预处理分割成训练集和测试集，将训练集输入至已构建的改进的BP神经网络模型中形成通风量预测模型，再利用测试集对通风量预测模型进行测试；

将当前时刻获取的通风系统运行数据输入至通风量预测模型中获得通风量预测值，依据通风量预测值下发相应的控制指令；

其中，改进的神经网络模型包括：在原有BP神经网络算法的基础上采用附加动量法、自适应调整学习速率法进行改进；

附加动量法表示为：W(k+1)＝w(k)+a[(1-η)D(k)+ηD(k-1)]，D(k)为k时刻的负梯度，D(k-1)为k-1时刻的负梯度，a为学习率，η为动量因子；

自适应调整学习速率法表示为：

本发明第二方面还提供了一种基于数字孪生的通风系统自主优化运行调控方法，它包括：

建立通风设备层、通风接入层和通风自主决策层，所述通风设备层通过所述通风接入层将运行数据和状态数据发送至所述通风自主决策层，所述通风自主决策层进行集中决策后，将优化目标和控制指令再通过所述通风接入层自上而下传输至所述通风设备层的相应通风设备中进行自主优化调控；

其中，所述通风设备层包括风机、进风结构、回风结构、通风调节部件、过滤部件、排风结构和热交换器，所述通风设备层通过传感器组件采集相应的运行数据和状态数据，并接收和执行通风优化目标和控制指令；

所述通风接入层包括数据采集与控制系统和数据传输系统，所述通风接入层用于采集和感知通风运行数据和状态数据，并通过数据传输系统中的传输算法和网络进行数据传输，以及接收和下发优化目标和控制指令；

所述通风自主决策层包括基础设施模块、数据中台模块、模型建立模块、智能分析模块和自主决策模块、可视化模块，所述通风自主决策层用于获取通风运行数据和状态数据，并采用机理建模和数据辨识方法建立通风系统数字孪生模型，采用智能算法建立包括通风系统能耗、故障诊断和通风调控的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略。

本发明的有益效果是：

(1)本发明通过建立包括通风设备层、通风接入层和通风自主决策层，能够对下层设备的数据进行采集和传输，基于建立的通风系统数字孪生模型，采用智能算法建立包括通风系统能耗、故障诊断和通风调控的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略，实现通风系统的自主决策，保障通风系统运行的有效性、安全性和节能性；

(2)本发明通过采用机理建模和数据辨识方法建立通风系统数字孪生模型，对实际通风系统进行虚拟仿真映射，并输入实测数据进行辨识和修正，提高模型的精度，为后续自主决策的生成提供基础，实现基于模型做预测，基于预测做决策；

(3)本发明在满足通风网络各分支按需分风的前提下，以通风网络风机总功率最小为目标，并设置约束条件，建立通风调控优化模型，采用果蝇优化算法对模型求解获得最优解，实现了通风能耗的最小化，对各分支的风阻和风量进行优化调控；

(4)本发明针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型；以及针对通风系统采集的温度、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型；将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果，多个采集信号之间的融合使得对通风运行状态的判断更加全面、准确，对判断、分析通风运行的故障类型提供了更加准确的条件，可以及时的预测和判断通风运行的故障类型，减少因维护通风所浪费的财力、人力以及时间，提高了维修的效率，降低维修成本，提高经济效益；

(5)本发明通过改进的BP神经网络算法对通风量进行预测，通过通风量下发控制指令，实现对通风系统的精确调控，保障通风系统的有效运行。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明一种基于数字孪生的通风系统自主优化运行调控平台结构示意图；

图2为本发明通风调控总体方法流程图；

图3为本发明通风调控果蝇优化算法流程图；

图4为本发明通风故障诊断方法原理示意图；

图5为本发明通风量预测方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。

实施例1

图1是本发明所涉及的一种基于数字孪生的通风系统自主优化运行调控平台结构示意图。

如图1所示，本实施例1提供了一种基于数字孪生的通风系统自主优化运行调控平台，它包括：通风设备层、通风接入层和通风自主决策层，通风设备层通过通风接入层将运行数据和状态数据发送至通风自主决策层，通风自主决策层进行集中决策后，将优化目标和控制指令再通过通风接入层自上而下传输至通风设备层的相应通风设备中进行自主优化调控；

通风设备层包括风机、进风结构、回风结构、通风调节部件、过滤部件、排风结构和热交换器，通风设备层中的各个设备组成了上下游衔接的通风网络，通风设备层通过传感器组件采集相应的运行数据和状态数据，并接收和执行通风优化目标和控制指令；

通风接入层包括数据采集与控制系统和数据传输系统，通风接入层用于采集和感知通风运行数据和状态数据，并通过数据传输系统中的传输算法和网络进行数据传输，以及接收和下发优化目标和控制指令；

通风自主决策层包括基础设施模块、数据中台模块、模型建立模块、智能分析模块和自主决策模块、可视化模块，通风自主决策层用于获取通风运行数据和状态数据，并采用机理建模和数据辨识方法建立通风系统数字孪生模型，采用智能算法建立包括通风调控、故障诊断和通风量预测的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略。

本实施例中，通风设备层中，进风结构包括多个进风支路；回风结构包括多个回风支路；通风调节装置用于向通风系统内部进风或外部排风；过滤部件包括进风端、出风端和处于进出风端之间的消毒杀菌组件；排风结构连接出风端进行排风；热交换器处于回风结构和进风结构之间进行热交换；

传感器组件包括测温传感器、风量传感器、风压传感器、风压风量控制传感器以及气体组分传感器，用于获知温度、风量、风压、CO含量和粉尘质量浓度参数；

通风设备层还包括风机变频器，风机变频器用于接收和执行通风优化目标和控制指令，来调整通风机中电机转子的转速，来达到增大风量、减小风量或者是增大转速、减小转速的目标。

本实施例中，通风自主决策层中，基础设施模块至少包括系统硬件、网络设备、系统软件、存储设备和物联网设备；数据中台模块至少包括通风基础数据、业务数据、用户数据、信息服务数据、信息交换数据和数据仓库；可视化模块至少包括三维可视化平台、异常监测与告警提示、调控方案模拟和通风日常管理；智能分析模块基于通风系统数字孪生模型，对通风系统总体运行情况进行分析，计算通风系统内部通风总量、内部温度、风的方向、风速、风量业务数据；对决策方案的执行效果进行评估，实时反馈方案参数；对通风系统中的关键设备的健康状况、运行性能进行分析评估；通过对比分析设备正常运行时各项参数、出现故障后设备的各项参数，来判断问题的原因，对通风系统中存在的异常故障进行快速定位与诊断。

本实施例中，通风系统数字孪生模型具体包括：

针对通风设备层中的各个设备，从几何维度，依据设备产品设计几何特征参数信息，构建覆盖设备异构要素可扩展的几何模型；

从物理维度，依据设备的材料属性、物理参数构建物理模型；

从行为维度，基于各零部件间的行为耦合关系，构建刻画行为特征的行为及响应模型；

从规则维度，基于XML语言描述设备运行及演化规律的规则及逻辑模型。

最终形成覆盖几何、物理、行为、规则多维特征的数字孪生基础模型。

通风系统数字孪生模型的建立过程如下：

分析通风设备所包含的领域及相关机理，利用多领域统一建模语言对元模型进行数学方程化表示，从而形成面向通风系统多领域模型；

分析通风设备的空间布局关系及机械层面的联接关系，通过将构建的数字孪生基础模型和多领域模型中不同模型在同一个软件环境下进行空间层面模型组装，并添加内在关联关系，通过将动作关系、通风原理约束条件、信息流映射到模型中，形成系统级数字孪生模型；

将通风系统的多工况实时运行数据接入系统级数字孪生模型，采用反向辨识方法对系统级数字孪生模型的仿真结果进行自适应辨识修正；

其中，反向辨识方法包括：输入实测运行数据以及各待辨识参数的取值范围；设置自适应混沌树和种子算法的运行参数，包括树群规模、最大迭代次数和算法终止规则；运行自适应混沌树和种子算法对模型中的待辨识参数进行辨识，通过最小化目标函数，获得待辨识参数的估计值；将辨识得到的参数代入模型中，获得辨识后的数字孪生模型。

本实施例中，数字孪生模型还包括基于通风系统管网的空气动力计算模型和风机的数学模型，基于通风系统管网的空气动力计算模型和风机的数学模型的建立过程如下：

将通风系统管网用管段和节点表示，管段满足质量守恒，节点满足能量守恒，管网中节点与管段用集合表示为：G(V,E)，V＝{V₁,V₂,…,V_n}，E＝{e₁,e₂,…,e_m}，其中管段e₀＝(V_p,V_q)表示节点V_p和V_q之间连接的管段；将管段和节点的关系特征用数学表达为：C_fA_f ^T＝0，A_f为基本关系矩阵，C_f为基本回路矩阵；

基于通风系统管网的空气动力计算模型表示为：

其中，q为管段流量矩阵，Q为节点处净流量矩阵，ΔH为管段压降，K为管段压降损失系数矩阵，q_n为管段流量，DH为管段扬程矩阵；

风机的数学模型表示为：P_f＝a₀+a₁q_f+a₂q_f ²+a₃q_f ³；P_f为风机风压，a₀、a₁、a₂、a₃为风机特性曲线方程系数，通过风机特性曲线拟合获得，q_f为风机风量。

图2是本发明所涉及的通风调控总体方法流程图。

图3是本发明所涉及的通风调控果蝇优化算法流程图。

如图2、3所示，本实施例中，自主决策模块中的通风调控决策方案包括：

在满足通风网络各分支按需分风的前提下，以通风网络风机总功率最小为目标，并设置约束条件，建立通风调控优化模型，采用果蝇优化算法对模型求解获得最优解；

设置目标函数，表示为：

W为通风能耗，N为风机台数，H_i是第i条分支的风压，Q_i是第i条分支的风量；

设置约束条件，包括：

风量平衡：

其中，i为第i条分支，j为第j个节点，L为分支风道总支数，Q_i为分支i的风量，J为通风网络节点数；

风压平衡：

其中，Z为通风网络回路数，H_i为第i条分支的风压；

风量、风压上下限：

Q_{i min}≤Q_i≤Q_{i max}；

H_{i min}≤H_i≤H_{i max}；

其中，Q_{i min}、Q_{i max}分别是第i条分支风量调节的上、下限；H_{i min}、H_{i max}分别是第i条分支风压调节的上、下限；

采用果蝇优化算法对模型求解获得最优解，包括：

初始化群体规模和最大迭代次数，随机生成果蝇群体初始位置X_axis和Y_axis；

果蝇个体利用嗅觉在随机方向搜寻食物位置和更新自身的位置X_i和Y_i；

其中，果蝇个体的搜索距离为RandomValue_i＝α×(2×rand()-1)；rand()为随机生成的数；α为移动步长属于[-10,10]，α＝α₀p，α₀为初始步长，p为自适应系数，

n∈[0,10]，I、I_max分别为当前迭代次数和最大迭代次数；

计算各果蝇个体与坐标原点的距离D_i，将其倒数作为味道浓度判定值S_i；

将味道浓度判定值S_i代入定义的味道浓度判断函数F，计算该果蝇个体所处位置的味道浓度S_m,i＝F(S_i)；

比较个体味道浓度，根据最小浓度对应个体确定最优位置：[S_m,min,I_s,min]＝min(S_m,i)，S_m,min为味道浓度最小值，I_s,min＝(X_min,Y_min)为最小味道浓度值对应的位置坐标；

记录最优味道浓度值与对应的位置坐标，果蝇群体通过视觉飞往该位置：S_m,best＝S_m,min，X_best＝X_min，Y_best＝Y_min；

将果蝇群体的当前位置坐标(X_best,Y_best)设为新一次迭代寻优的初始位置坐标，重复上述步骤进行迭代寻优并判断是否达到终止条件，判断当前最优味道浓度是否满足要求或是否达到最大迭代次数，若满足条件，则终止循环。

需要说明的是，多个通风口的通风需求可以根据环境或条件动态变化，进而对通风系统进行调控；例如当检测到某个房间的人流量较大时，可以增加通风量，以及当发生突发情况，房间的气体浓度超标时，可以增加通风量。

图4是本发明所涉及的通风故障诊断方法原理示意图。

如图4所示，本实施例中，自主决策模块中的故障诊断决策方案包括：

针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型；以及针对通风系统采集的温度、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型；将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果。

本实施例中，针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型，具体包括：

针对通风系统采集的振动信号进行时域特征和频域特征提取，并对采集到的振动信号进行小波包分解，获得小波能量特征，将时域特征、频域特征和小波能量特征构成特征集；

采用数据融合技术将特征集中的各特征进行融合；

将融合后的特征输入至粒子群优化的支持向量机进行训练生成第一故障诊断模型，通过第一故障诊断模型对故障类型进行分类识别出通风故障类型；

针对通风系统采集的温度、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型，具体包括：

针对通风系统采集的温度、风机转速和风机流量信号参数进行时域特征和频域特征提取，并对采集到的温度、风机转速和风机信号进行小波包分解，获得小波能量特征，将时域特征、频域特征和小波能量特征构成特征集；

采用数据融合技术将特征集中的各特征进行融合；

将融合后的特征输入至粒子群优化的支持向量机进行训练生成第二故障诊断模型，通过第二故障诊断模型对故障类型进行分类识别出通风故障类型；

其中，时域统计学特征包括：

有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度；

无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标；

频域特征提取包括：应用快速傅里叶变换时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；

对采集到的信号进行小波分解：将采集到的信号进行4层小波包分解，提取第4层从低频到高频的前8维能量作为特征向量；对小波分解系数进行重构，提取各频带范围的信号；计算各层重构信号序列的能量，将各层重构序列的能量构成向量，进行归一化处理，表征故障状态特征；

将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果，具体包括：

依据通风系统不同运行状态建立通风系统识别框架：

将第一故障诊断模型输出的结果进行归一化处理后作为D-S证据理论合成规则的第一证据体A，将第二故障诊断模型输出的结果进行归一化处理后作为D-S证据理论合成规则的第二证据体B；

计算出每个证据体的基本概率赋值函数，；

通过已经确定的D-S合成规则计算出所有证据联合的基本概率赋值函数和信任函数，根据建立的相应决策规则，得出决策结论；

其中，D-S证据理论合成规则表示为：

需要说明的是，D-S组合规则可对来自多个信息源的相容命题对应的基本概率函数进行融合，是一个反映多个证据体共同作用的一个法则，通过D-S组合规则可以得到对相容命题的交集命题的基本概率赋值函数。D-S组合规则采用正交和规则对多个信息源进行融合。

图5是本发明所涉及的通风量预测方法流程图。

如图5所示，本实施例中，自主决策模块中的通风量预测决策方案包括：

获取在通风系统运行过程中影响通风量的历史关键影响因素并构造成样本数据，至少包括温度、风机流量、风机转速、历史通风量、CO含量和粉尘质量浓度；

对样本数据进行预处理分割成训练集和测试集，将训练集输入至已构建的改进的BP神经网络模型中形成通风量预测模型，再利用测试集对通风量预测模型进行测试；

将当前时刻获取的通风系统运行数据输入至通风量预测模型中获得通风量预测值，依据通风量预测值下发相应的控制指令；

其中，改进的神经网络模型包括：在原有BP神经网络算法的基础上采用附加动量法、自适应调整学习速率法进行改进；

附加动量法表示为：W(k+1)＝w(k)+a[(1-η)D(k)+ηD(k-1)]，D(k)为k时刻的负梯度，D(k-1)为k-1时刻的负梯度，a为学习率，η为动量因子；

自适应调整学习速率法表示为：

需要说明的是，附加动量法是在BP神经网络算法基础上发展起来的，附加动量法综合考虑误差在梯度上的作用和误差曲面上的变化来修整网络的连接权值和阈值，它在每个权值的变化和阈值的变化上加上一项正比于前次权值变化量和阈值变化量的值，然后再通过反向传播法来产生新的权值和新的阈值；附加动量法是指就相当于增加系统的阻尼，大大减少了学习过程中的震荡，加快网络的收敛速度，可以避免网络陷入局部极小点，从而改善了网络的性能。

自适应调整学习速率就是通过调整网络的学习速率来缩短网络学习的时间，因为BP网路的训练速率是固定的，对于网络的训练，有时候不是过大就是过小，但这都会影响网络的性能，因此需要对网络的学习速率进行调整。自适应调整学习速率法就是通过误差函数是否降低来调整学习速率的大小。

实施例2

本实施例2提供了一种基于数字孪生的通风系统自主优化运行调控方法，它包括：

建立通风设备层、通风接入层和通风自主决策层，通风设备层通过通风接入层将运行数据和状态数据发送至通风自主决策层，通风自主决策层进行集中决策后，将优化目标和控制指令再通过通风接入层自上而下传输至通风设备层的相应通风设备中进行自主优化调控；

其中，通风设备层包括风机、进风结构、回风结构、通风调节部件、过滤部件、排风结构和热交换器，通风设备层通过传感器组件采集相应的运行数据和状态数据，并接收和执行通风优化目标和控制指令；

通风接入层包括数据采集与控制系统和数据传输系统，通风接入层用于采集和感知通风运行数据和状态数据，并通过数据传输系统中的传输算法和网络进行数据传输，以及接收和下发优化目标和控制指令；

通风自主决策层包括基础设施模块、数据中台模块、模型建立模块、智能分析模块和自主决策模块、可视化模块，通风自主决策层用于获取通风运行数据和状态数据，并采用机理建模和数据辨识方法建立通风系统数字孪生模型，采用智能算法建立包括通风系统能耗、故障诊断和通风调控的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略。

本发明通过建立包括通风设备层、通风接入层和通风自主决策层，能够对下层设备的数据进行采集和传输，基于建立的通风系统数字孪生模型，采用智能算法建立包括通风系统能耗、故障诊断和通风调控的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略，实现通风系统的自主决策，保障通风系统运行的有效性、安全性和节能性。

本发明通过采用机理建模和数据辨识方法建立通风系统数字孪生模型，对实际通风系统进行虚拟仿真映射，并输入实测数据进行辨识和修正，提高模型的精度，为后续自主决策的生成提供基础，实现基于模型做预测，基于预测做决策。

本发明在满足通风网络各分支按需分风的前提下，以通风网络风机总功率最小为目标，并设置约束条件，建立通风调控优化模型，采用果蝇优化算法对模型求解获得最优解，实现了通风能耗的最小化，对各分支的风阻和风量进行优化调控。

本发明针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型；以及针对通风系统采集的温度、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型；将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果，多个采集信号之间的融合使得对通风运行状态的判断更加全面、准确，对判断、分析通风运行的故障类型提供了更加准确的条件，可以及时的预测和判断通风运行的故障类型，减少因维护通风所浪费的财力、人力以及时间，提高了维修的效率，降低维修成本，提高经济效益。

本发明通过改进的BP神经网络算法对通风量进行预测，通过通风量下发控制指令，实现对通风系统的精确调控，保障通风系统的有效运行。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于数字孪生的通风系统自主优化运行调控平台，其特征在于：它包括通风设备层、通风接入层和通风自主决策层，所述通风设备层通过所述通风接入层将运行数据和状态数据发送至所述通风自主决策层，所述通风自主决策层进行集中决策后，将优化目标和控制指令再通过所述通风接入层自上而下传输至所述通风设备层的相应通风设备中进行自主优化调控；

所述通风设备层包括风机、进风结构、回风结构、通风调节部件、过滤部件、排风结构和热交换器，所述通风设备层通过传感器组件采集相应的运行数据和状态数据，并接收和执行通风优化目标和控制指令；

所述通风接入层包括数据传输系统和数据采集与控制系统，所述通风接入层用于采集和感知通风运行数据和状态数据，并通过数据传输系统中的传输算法和网络进行数据传输，以及接收和下发优化目标和控制指令；

所述通风自主决策层包括基础设施模块、数据中台模块、模型建立模块、智能分析模块、自主决策模块和可视化模块，所述通风自主决策层用于获取通风运行数据和状态数据，并采用机理建模和数据辨识方法建立通风系统数字孪生模型，采用智能算法建立包括通风调控、故障诊断和通风量预测的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略。

2.根据权利要求1所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于，所述进风结构包括多个进风支路；所述回风结构包括多个回风支路；所述通风调节装置用于向通风系统内部进风或外部排风；所述过滤部件包括进风端、出风端和处于进出风端之间的消毒杀菌组件；所述排风结构连接出风端进行排风；所述热交换器处于回风结构和进风结构之间进行热交换；

所述传感器组件至少包括用于获知温度的测温传感器、用于获知风量的风量传感器、用于获知风压的风压传感器、用于获知风量的风量控制传感器以及用于获知CO含量和粉尘质量浓度参数的气体组分传感器；

所述通风设备层还包括风机变频器，所述风机变频器用于接收和执行通风优化目标和控制指令，来调整通风机中电机转子的转速，来达到增大风量、减小风量或者是增大转速、减小转速的目标。

3.根据权利要求1所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于：

所述基础设施模块至少包括系统硬件、网络设备、系统软件、存储设备和物联网设备；

所述数据中台模块至少包括通风基础数据、业务数据、用户数据、信息服务数据、信息交换数据和数据仓库；

所述可视化模块至少包括三维可视化平台、异常监测与告警提示、调控方案模拟和通风日常管理；

所述智能分析模块基于通风系统数字孪生模型，对通风系统总体运行情况进行分析，计算通风系统内部通风总量、内部温度、风的方向、风速、风量业务数据，对决策方案的执行效果进行评估，实时反馈方案参数，对通风系统中的关键设备的健康状况、运行性能进行分析评估，通过对比分析设备正常运行时各项参数、出现故障后设备的各项参数，来判断问题的原因，对通风系统中存在的异常故障进行快速定位与诊断。

4.根据权利要求1所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于：所述通风系统数字孪生模型包括几何模型、物理模型、行为及响应模型、规则及逻辑模型；

所述几何模型为针对所述通风设备层中的各个设备，从几何维度，依据设备产品设计几何特征参数信息，构建的覆盖设备异构要素可扩展的模型；

所述物理模型为从物理维度，依据设备的材料属性、物理参数构建的模型；

所述行为及响应模型为从行为维度，基于各零部件间的行为耦合关系，构建的刻画行为特征的模型；

所述规则及逻辑模型为从规则维度，基于XML语言描述设备运行及演化规律的模型；

所述通风系统数字孪生模型的建立过程如下：

分析通风设备所包含的领域及相关机理，利用多领域统一建模语言对元模型进行数学方程化表示，从而形成面向通风系统多领域模型；

分析通风设备的空间布局关系及机械层面的联接关系，通过将构建的数字孪生基础模型和多领域模型中不同模型在同一个软件环境下进行空间层面模型组装，并添加内在关联关系，通过将动作关系、通风原理约束条件、信息流映射到模型中，形成系统级数字孪生模型；

将通风系统的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正。

5.根据权利要求4所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于，所述数字孪生模型还包括基于通风系统管网的空气动力计算模型和风机的数学模型，所述基于通风系统管网的空气动力计算模型和风机的数学模型的建立过程如下：

将通风系统管网用管段和节点表示，管段满足质量守恒，节点满足能量守恒，管网中节点与管段用集合表示为：

G(V,E)，V＝{V₁,V₂,…,V_n}，E＝{e₁,e₂,…,e_m}；

其中，管段e₀＝(V_p,V_q)表示节点V_p和V_q之间连接的管段；

将管段和节点的关系特征用数学表示为：

C_fA_f ^T＝0；

其中，A_f为基本关系矩阵，C_f为基本回路矩阵；

所述基于通风系统管网的空气动力计算模型表示为：

其中，q为管段流量矩阵，Q为节点处净流量矩阵，ΔH为管段压降，K为管段压降损失系数矩阵，q_n为管段流量，DH为管段扬程矩阵；

所述风机的数学模型表示为：

P_f＝a₀+a₁q_f+a₂q_f ²+a₃q_f ³；

其中，P_f为风机风压，a₀、a₁、a₂、a₃为风机特性曲线方程系数，通过风机特性曲线拟合获得，q_f为风机风量。

6.根据权利要求1所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于，所述自主决策模块中的通风调控决策方案包括：

在满足通风网络各分支按需分风的前提下，以通风网络风机总功率最小为目标，并设置约束条件，建立通风调控优化模型，采用果蝇优化算法对模型求解获得最优解；

设置目标函数，表示为：

W为通风能耗，N为风机台数，H_i是第i条分支的风压，Q_i是第i条分支的风量；

设置约束条件，包括：

风量平衡：

其中，i为第i条分支，j为第j个节点，L为分支风道总支数，Q_i为分支i的风量，J为通风网络节点数；

风压平衡：

其中，Z为通风网络回路数，H_i为第i条分支的风压；

风量、风压上下限：

Q_imin≤Q_i≤Q_imax；

H_imin≤H_i≤H_imax；

其中，Q_imin、Q_imax分别是第i条分支风量调节的上、下限；H_imin、H_imax分别是第i条分支风压调节的上、下限；

采用果蝇优化算法对模型求解获得最优解，包括：

初始化群体规模和最大迭代次数，随机生成果蝇群体初始位置X_axis和Y_axis；

果蝇个体利用嗅觉在随机方向搜寻食物位置和更新自身的位置X_i和Y_i；

其中，果蝇个体的搜索距离为RandomValue_i＝α×(2×rand()-1)；rand()为随机生成的数；α为移动步长属于[-10,10]，α＝α₀p，α₀为初始步长，p为自适应系数，

n∈[0,10]，I、I_max分别为当前迭代次数和最大迭代次数；

计算各果蝇个体与坐标原点的距离D_i，将其倒数作为味道浓度判定值S_i；

将味道浓度判定值S_i代入定义的味道浓度判断函数F，计算该果蝇个体所处位置的味道浓度S_m,i＝F(S_i)；

比较个体味道浓度，根据最小浓度对应个体确定最优位置：[S_m,min,I_s,min]＝min(S_m,i)，S_m,min为味道浓度最小值，I_s,min＝(X_min,Y_min)为最小味道浓度值对应的位置坐标；

记录最优味道浓度值与对应的位置坐标，果蝇群体通过视觉飞往该位置：S_m,best＝S_m,min，X_best＝X_min，Y_best＝Y_min；

将果蝇群体的当前位置坐标(X_best,Y_best)设为新一次迭代寻优的初始位置坐标，重复上述步骤进行迭代寻优并判断是否达到终止条件，判断当前最优味道浓度是否满足要求或是否达到最大迭代次数，若满足条件，则终止循环。

7.根据权利要求1所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于，所述自主决策模块中的故障诊断决策方案包括：

针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型；以及针对通风系统采集的温度、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型；将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果。

8.根据权利要求7所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于，所述针对通风系统采集的振动信号进行特征提取、特征层融合和建立第一故障诊断模型，具体包括：

针对通风系统采集的振动信号进行时域特征和频域特征提取，并对采集到的振动信号进行小波包分解，获得小波能量特征，将时域特征、频域特征和小波能量特征构成特征集；

采用数据融合技术将特征集中的各特征进行融合；

将融合后的特征输入至粒子群优化的支持向量机进行训练生成第一故障诊断模型，通过第一故障诊断模型对故障类型进行分类识别出通风故障类型；

所述针对通风系统采集的温度、风机转速和风机流量参数进行特征提取、特征层融合和建立第二故障诊断模型，具体包括：

针对通风系统采集的温度、风机转速和风机流量信号参数进行时域特征和频域特征提取，并对采集到的温度、风机转速和风机信号进行小波包分解，获得小波能量特征，将时域特征、频域特征和小波能量特征构成特征集；

采用数据融合技术将特征集中的各特征进行融合；

将融合后的特征输入至粒子群优化的支持向量机进行训练生成第二故障诊断模型，通过第二故障诊断模型对故障类型进行分类识别出通风故障类型；

其中，所述时域统计学特征包括：

有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度；

无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标；

所述频域特征提取包括：应用快速傅里叶变换时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；

所述对采集到的信号进行小波分解：将采集到的信号进行4层小波包分解，提取第4层从低频到高频的前8维能量作为特征向量；对小波分解系数进行重构，提取各频带范围的信号；计算各层重构信号序列的能量，将各层重构序列的能量构成向量，进行归一化处理，表征故障状态特征；

所述将第一故障诊断模型和第二故障诊断模型进行决策层融合获得最终故障诊断结果，具体包括：

依据通风系统不同运行状态建立通风系统识别框架：

将所述第一故障诊断模型输出的结果进行归一化处理后作为D-S证据理论合成规则的第一证据体A，将所述第二故障诊断模型输出的结果进行归一化处理后作为D-S证据理论合成规则的第二证据体B；

计算出每个证据体的基本概率赋值函数，；

通过已经确定的D-S合成规则计算出所有证据联合的基本概率赋值函数和信任函数，根据建立的相应决策规则，得出决策结论；

其中,D-S证据理论合成规则表示为：

9.根据权利要求1所述的基于数字孪生的通风系统自主优化运行调控平台，其特征在于，所述自主决策模块中的通风量预测决策方案包括：

获取在通风系统运行过程中影响通风量的历史关键影响因素并构造成样本数据，至少包括温度、风机流量、风机转速、历史通风量、CO含量和粉尘质量浓度；

对样本数据进行预处理分割成训练集和测试集，将训练集输入至已构建的改进的BP神经网络模型中形成通风量预测模型，再利用测试集对通风量预测模型进行测试；

将当前时刻获取的通风系统运行数据输入至通风量预测模型中获得通风量预测值，依据通风量预测值下发相应的控制指令；

其中，改进的神经网络模型包括：在原有BP神经网络算法的基础上采用附加动量法、自适应调整学习速率法进行改进；

附加动量法表示为：W(k+1)＝w(k)+a[(1-η)D(k)+ηD(k-1)]，D(k)为k时刻的负梯度，D(k-1)为k-1时刻的负梯度，a为学习率，η为动量因子；

自适应调整学习速率法表示为：

10.一种基于数字孪生的通风系统自主优化运行调控方法，其特征在于，所述通风系统自主优化运行调控方法包括：

建立通风设备层、通风接入层和通风自主决策层，所述通风设备层通过所述通风接入层将运行数据和状态数据发送至所述通风自主决策层，所述通风自主决策层进行集中决策后，将优化目标和控制指令再通过所述通风接入层自上而下传输至所述通风设备层的相应通风设备中进行自主优化调控；

其中，所述通风设备层包括风机、进风结构、回风结构、通风调节部件、过滤部件、排风结构和热交换器，所述通风设备层通过传感器组件采集相应的运行数据和状态数据，并接收和执行通风优化目标和控制指令；

所述通风接入层包括数据采集与控制系统和数据传输系统，所述通风接入层用于采集和感知通风运行数据和状态数据，并通过数据传输系统中的传输算法和网络进行数据传输，以及接收和下发优化目标和控制指令；

所述通风自主决策层包括基础设施模块、数据中台模块、模型建立模块、智能分析模块和自主决策模块、可视化模块，所述通风自主决策层用于获取通风运行数据和状态数据，并采用机理建模和数据辨识方法建立通风系统数字孪生模型，采用智能算法建立包括通风系统能耗、故障诊断和通风调控的相关决策方案，计算通风量和进行节能分析、在线监测后生成优化目标和控制指令，为通风系统提供预测性的调控策略。

Images