CN114893898B - 一种易安装的智能风阀 - Google Patents

一种易安装的智能风阀 Download PDF

Info

Publication number
CN114893898B
CN114893898B CN202210822853.8A CN202210822853A CN114893898B CN 114893898 B CN114893898 B CN 114893898B CN 202210822853 A CN202210822853 A CN 202210822853A CN 114893898 B CN114893898 B CN 114893898B
Authority
CN
China
Prior art keywords
matrix
particle
position matrix
hidden layer
optimal position
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
CN202210822853.8A
Other languages
English (en)
Other versions
CN114893898A (zh
Inventor
崔璨
苏明伟
黎明
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202210822853.8A priority Critical patent/CN114893898B/zh
Publication of CN114893898A publication Critical patent/CN114893898A/zh
Application granted granted Critical
Publication of CN114893898B publication Critical patent/CN114893898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Neurology (AREA)
  • Signal Processing (AREA)
  • Fluid Mechanics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请属于风阀技术领域，具体地涉及一种易安装的智能风阀。该易安装的智能风阀用于测量和控制管道中的风量，包括：控制器、压差传感器、执行器、挡板、皮托管和软管，所述挡板和所述皮托管位于所述管道内，其中，在所述管道内的风进入的方向上，所述皮托管位于所述挡板的后方；以及，所述控制器包括极限学习机单元，用于基于所述压差传感器获得的所述管道内的空气压差和所述挡板的角度确定所述管道内的空气流速。这样，通过在风进入的方向上将挡板前移至皮托管前方将其变为影响测速准确性的主导障碍，并使用极限学习机拟合空气压差、挡板角度和空气流速之间的关系以计算空气流速，可以降低安装的难度并提高测速的准确性。

Description

一种易安装的智能风阀
技术领域
本申请涉及风阀领域，更为具体地说，涉及一种易安装的智能风阀。
背景技术
智能风阀作为空气分配系统的关键设备，具有测量和控制管道中风量的作用。图1图示了现有的智能风阀的示意图。如图1所示，智能风阀主要由挡板1、皮托管2、压差传感器3、控制器4、执行器5和软管6组成。并且，挡板1和皮托管2安装在管道内，且F是风进入的方向。
智能风阀的工作原理可分为如下3步：首先，皮托管测量管道内空气压差
Figure 993756DEST_PATH_IMAGE001
，并通 过软管将其传递给压差传感器；然后，控制器读取压差传感器的测量值
Figure 442054DEST_PATH_IMAGE001
，并根据空气动 力学公式计算管道内空气流速
Figure 18529DEST_PATH_IMAGE002
；最后，控制器根据风量设计值，调节挡板角度
Figure 148159DEST_PATH_IMAGE003
， 使管道内的实测风量达到设计风量。由此可见，测速的准确性将在很大程度上影响到智能 风阀甚至整个空气分配系统的性能。
然而，上述过程中根据空气动力学公式计算空气流速
Figure 759269DEST_PATH_IMAGE002
的准确性依赖于 一定的管道条件：具体地，基于风进入的方向，智能风阀中的皮托管前方应保持至少7D的直 管道结构（D为管道直径长度）。也就是，如果其前方7D距离内存在非直管道障碍（如管道内 突起、拐角等）时，则通过
Figure 863623DEST_PATH_IMAGE002
计算得到的空气流速将与管道内实际空气流速存在一 定的偏差。在实际应用时，这不仅增加了智能风阀安装时的工程量，而有时受限于实际情 况，无法保证这一要求，更导致了测速准确性的降低，从而影响到整个空气分配系统的性 能。
因此，期望提供一种改进的易安装的智能风阀。
发明内容
本申请实施例提供了一种易安装的智能风阀，通过在风进入的方向上将挡板前移至皮托管前方将其变为影响测速准确性的主导障碍，并使用极限学习机拟合空气压差、挡板角度和空气流速之间的关系以计算空气流速，可以降低安装的难度并提高测速的准确性。
根据本申请的一方面，提供了一种易安装的智能风阀，用于测量和控制管道中的风量，包括：控制器、压差传感器、执行器、挡板、皮托管和软管，所述挡板和皮托管位于所述管道内，其中，在所述管道内的风进入的方向上，所述皮托管位于所述挡板的后方；以及，所述控制器包括极限学习机单元，用于基于所述压差传感器获得的所述管道内的空气压差和所述挡板的角度确定所述管道内的空气流速。
在上述易安装的智能风阀中，所述极限学习机包括输入层、隐含层和输出层，并且，所述输入层具有两个神经元，分别用于接收所述空气压差和所述挡板的角度，且所述输出层包括一个神经元，用于输出所述空气流速，且所述隐含层包括多个神经元。
在上述易安装的智能风阀中，所述隐含层包括一百个神经元，且以Relu激活函数激活。
在上述易安装的智能风阀中，所述极限学习机通过训练得到，且所述训练过程包括：获得以所述管道内的空气压差，所述挡板的角度为输入，所述管道内的空气流速为输出的训练数据；随机产生输入层到隐含层的权重矩阵和隐含层的偏置向量；求解出使损失函数最小化的隐含层到输出层的权重向量，其中损失函数表示为所述隐含层的输出矩阵与所述权重向量的乘积减去所述训练数据输出向量转置的二范数的平方；以及，根据求得的所述隐含层到输出层的权重向量，以及所述输入层到隐含层的权重矩阵和所述隐含层的偏置向量，确定所述极限学习机的网络参数。
在上述易安装的智能风阀中，所述极限学习机通过采用粒子群算法的训练得到，且所述训练过程包括：获得以所述管道内的空气压差，所述挡板的角度为输入，以所述管道内的空气流速为输出的训练数据集；初始化粒子群算法参数，所述参数包括种群大小，最大迭代次数，个体经验学习因子，社会经验学习因子，惯性因子和各粒子初始速度矩阵；随机产生输入层到隐含层的权重矩阵和隐含层的偏置向量，并根据权重矩阵和偏置向量编码得到每个粒子的初始位置矩阵；根据所述训练数据集，求解得到所述各粒子对应的极限学习机模型中隐含层到输出层的权重向量，所述权重向量为所述各粒子所对应的极限学习机模型中隐含层的输出矩阵的广义逆矩阵与训练数据输出向量转置的乘积；计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵；基于所述个体经验学习因子，所述社会经验学习因子，所述惯性因子，所述全局最优位置矩阵和每个粒子的历史最优位置矩阵进行每个粒子的所述速度矩阵的更新，并基于更新的速度矩阵进行所述位置矩阵的更新；判定是否满足最大迭代次数；响应于满足最大迭代次数，则解码当前全局最优位置矩阵以得到所述极限学习机的输入层到隐含层的权重矩阵和隐含层的偏置向量，并结合求解所述隐含层到输出层的权重向量的步骤，得到所述隐含层到输出层的权重向量；以及，响应于未满足最大迭代次数，返回求解所述隐含层到输出层的权重向量的步骤。
在上述易安装的智能风阀中，根据权重矩阵和偏置向量编码得到每个粒子的初始位置矩阵包括：将所述权重矩阵和所述偏置向量进行拼接以得到所述初始位置矩阵。
在上述易安装的智能风阀中，所述各粒子的适应值为各粒子对应的极限学习机模型的预测输出向量与所述训练数据输出向量之差的二范数的倒数。
在上述易安装的智能风阀中，计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵包括：找出当前种群中具有最高适应值的粒子以及所对应的位置矩阵；将所述粒子的适应值与当前全局最优位置矩阵所对应的适应值比较；响应于所述粒子的适应值大于当前全局最优位置矩阵所对应的适应值，则以所述粒子的当前位置矩阵更新全局最优位置矩阵；以及，响应于所述粒子的适应值小于或等于当前全局最优位置矩阵所对应的适应值，保持全局最优位置矩阵不变。
在上述易安装的智能风阀中，计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵包括：将各粒子当前的适应值与其最优位置矩阵对应的适应值比较；响应于所述当前的适应值大于其最优位置矩阵对应的适应值，则以当前位置矩阵更新历史最优位置矩阵；以及，响应于所述当前的适应值小于或等于其最优位置矩阵对应的适应值，保持历史最优位置矩阵保持不变。
在上述易安装的智能风阀中，基于所述个体经验学习因子，所述社会经验学习因子，所述惯性因子，所述全局最优位置矩阵和每个粒子的历史最优位置矩阵进行每个粒子的所述速度矩阵的更新，并基于更新的速度矩阵进行所述位置矩阵的更新包括：计算所述惯性因子与更新前的所述速度矩阵的第一乘积；计算所述个体经验学习因子、第一随机数与所述历史最优位置矩阵与所述更新前的位置矩阵之差的第二乘积；计算所述社会经验学习因子、第二随机数与所述全局最优位置矩阵与所述更新前的位置矩阵之差的第三乘积；以及，计算所述第一乘积、所述第二乘积与所述第三乘积之和以获得更新后的速度矩阵。
在上述易安装的智能风阀中，基于更新的速度矩阵进行所述位置矩阵的更新包括：计算更新前的位置矩阵与更新后的速度矩阵之和以得到更新后的位置矩阵。
本申请实施例提供的易安装的智能风阀通过在风进入的方向上将挡板前移至皮托管前方将其变为影响测速准确性的主导障碍，并使用极限学习机拟合空气压差、挡板角度和空气流速之间的关系以计算空气流速，可以降低安装的难度并提高测速的准确性。
附图说明
通过阅读下文优选的具体实施方式中的详细描述，本申请各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。显而易见地，下面描述的附图仅仅是本申请的一些实施例，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。而且在整个附图中，用相同的附图标记表示相同的部件。
图1图示了现有的智能风阀的示意图。
图2图示了根据本申请实施例的智能风阀的结构示意图。
图3图示了根据本申请实施例的用于计算空气流速的极限学习机的结构示意图。
图4图示了根据本申请实施例的极限学习机的训练过程的示意性流程图。
图5图示了根据本申请实施例的采用粒子群算法的所述极限学习机的训练过程的示意性流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上所述，在现有的智能风阀中，在风进入的方向上，所述皮托管2位于所述挡板1的前侧，且皮托管2前方应保持至少7D的直管道结构（D为管道直径长度），这增加了智能风阀安装时的工程量，且容易导致测速准确性的降低，影响整个空气分配系统的性能。
另外，有研究发现，智能风阀中位于皮托管后方的挡板对测速准确性也具有一定影响，经实验验证，对此因素进行补偿后，能够有效提高测速准确性，然而目前现有的智能风阀并没有考虑到此因素。
针对目前现有的智能风阀存在的上述两大问题并结合实际工程经验，本申请的发 明人在现有的智能风阀的基础上，将挡板对测速准确性的影响考虑在内，并对其物理结构 进行改善，同时提出基于极限学习机ELM的空气流速
Figure 865077DEST_PATH_IMAGE004
计算方法，解决了目前智能风阀使用 时安装不便以及测速不准确的问题。
图2图示了根据本申请实施例的智能风阀的结构示意图。如图2所示，本申请实施例提供了一种易安装且具有高准确性的智能风阀，用于测量和控制管道内的风量，具体由挡板1、皮托管2、压差传感器3、控制器4、执行器5和软管6组成，所述挡板1和所述皮托管2位于所述管道内，其中，在所述管道内风进入的方向F上，所述皮托管2位于所述挡板1的后方。也就是说，根据本申请实施例的智能风阀与目前的现有的智能风阀的皮托管在前、挡板在后的结构不同。
本申请的理论依据在于：当皮托管前方管道中存在多处非直管道障碍（如管道内突起、拐角）时，距离皮托管最近的非直管道碍对测速的影响起主导作用。因此，在根据本申请实施例的智能风阀中，位于皮托管前方的挡板就是对测速的影响起主导作用的非直管道障碍。
也就是，结合目前现有的智能风阀均为皮托管在前，挡板在后的物理结构，且没有针对挡板对测速的影响进行补偿的问题，并基于以上理论，本申请实施例提出的智能风阀将挡板前移至皮托管前方变为影响测速准确性的主导障碍后，再对此影响进行补偿。这样，不仅将挡板对测速的影响考虑在内，同时由于测速的准确性具有如上所述的特性，所以即使皮托管前方管道中仍然存在除挡板以外其他非直管道障碍，这些障碍对测速的影响也可忽略不计。相应地，在智能风阀安装时也无需要求其前方具有7D的直管道结构。
在这种情况下，根据本申请实施例的智能风阀的测速关键在于如何补偿挡板对测 速的影响，即如何得到
Figure 860714DEST_PATH_IMAGE005
。考虑到挡板角度
Figure 264014DEST_PATH_IMAGE003
不断变化，如果继续使用空气动力学 公式计算空气流速，将会导致诸多不便。因此，在本申请实施例中，使用极限学习机ELM来计 算空气流速。
极限学习机ELM做为一种特殊的神经网络，能在保证学习精度的前提下比普通神 经网络更快地拟合出输入输出之间的关系。图3图示了根据本申请实施例的用于计算空气 流速的极限学习机的结构示意图。如图3所示，根据本申请实施例的极限学习机包括输入层 10、隐含层20和输出层30，其中输入层具有两个神经元，分别用于接收空气压差
Figure 54115DEST_PATH_IMAGE001
和挡板 角度
Figure 339603DEST_PATH_IMAGE003
，且输出层包括一个神经元，用于输出空气流速
Figure 811036DEST_PATH_IMAGE004
。
因此，根据本申请实施例的智能风阀的控制器包括极限学习机单元，所述极限学习机单元用于基于所述压差传感器获得的空气压差和所述挡板的角度确定空气流速。
并且，在上述根据本申请实施例的智能风阀中，所述极限学习机包括输入层、隐含层和输出层，并且，所述输入层具有两个神经元，分别用于接收所述空气压差和所述挡板的角度，且所述输出层包括一个神经元，用于输出所述空气流速，且所述隐含层包括多个神经元。
这里，根据本申请实施例的极限学习机的隐含层的神经元数目可以按照需要设置，例如，在一个实施例中，所述隐含层具有100个神经元，并且，以Relu激活函数进行激活。
也就是，在上述根据本申请实施例的智能风阀中，所述隐含层包括一百个神经元，且以Relu激活函数激活。
并且，所述极限学习机ELM做为一种特殊的神经网络，需要通过训练确定其网络参 数。也就是，获得以管道内的空气压差
Figure 881891DEST_PATH_IMAGE001
，所述挡板的角度
Figure 842894DEST_PATH_IMAGE003
为输入，以空气流速
Figure 818940DEST_PATH_IMAGE004
为输 出的训练数据；随机产生输入层到隐含层的权重矩阵
Figure 890801DEST_PATH_IMAGE006
和隐含层的偏置向量
Figure 268693DEST_PATH_IMAGE007
；求解出使 损失函数最小化的隐含层到输出层的权重向量
Figure 400597DEST_PATH_IMAGE008
，损失函数为
Figure 863940DEST_PATH_IMAGE009
，其中
Figure 224645DEST_PATH_IMAGE010
为隐 含层的输出矩阵，
Figure 519360DEST_PATH_IMAGE011
为训练数据目标输出向量
Figure 25428DEST_PATH_IMAGE012
的转置；根据求得的输出层的权重向量
Figure 772804DEST_PATH_IMAGE008
， 以及输入层的权重矩阵
Figure 389730DEST_PATH_IMAGE006
和隐含层的偏置向量
Figure 538952DEST_PATH_IMAGE007
，确定极限学习机的网络参数。
也就是，获得以管道内的空气压差
Figure 215921DEST_PATH_IMAGE001
，所述挡板的角度
Figure 935746DEST_PATH_IMAGE003
为输入，以空气流速
Figure 153101DEST_PATH_IMAGE004
为 输出的训练数据集，则输入矩阵为：
Figure 360091DEST_PATH_IMAGE013
，输出向量
Figure 270278DEST_PATH_IMAGE014
，其中
Figure 929930DEST_PATH_IMAGE015
为数据集 大小。
接下来，随机产生输入层到隐含层的权重矩阵
Figure 685396DEST_PATH_IMAGE016
，和隐含层偏置 向
Figure 294363DEST_PATH_IMAGE017
，其中，l为隐含层神经元个数，
Figure 313135DEST_PATH_IMAGE018
为输入层第i个神经元与隐藏层第j个神经元 间的连接权重，
Figure 522399DEST_PATH_IMAGE019
为隐含层第i个神经元的偏置；
计算隐含层输出矩阵
Figure 284819DEST_PATH_IMAGE020
，其中
Figure 997560DEST_PATH_IMAGE021
，
Figure 983971DEST_PATH_IMAGE022
，
Figure 159825DEST_PATH_IMAGE023
为激活函数；
最小化损失函数
Figure 257094DEST_PATH_IMAGE024
，根据极限学习机理论，则隐含层到输出层的权 重向量
Figure 293183DEST_PATH_IMAGE025
，其中
Figure 450495DEST_PATH_IMAGE026
为隐含层的输出矩阵
Figure 368772DEST_PATH_IMAGE010
的Moore - Penrose广义逆，
Figure 472995DEST_PATH_IMAGE027
为
Figure 911060DEST_PATH_IMAGE012
的转 置。
然后，根据
Figure 239273DEST_PATH_IMAGE006
，
Figure 582530DEST_PATH_IMAGE007
，
Figure 552760DEST_PATH_IMAGE028
，就可以确定极限学习机模型的参数。
图4图示了根据本申请实施例的极限学习机的训练过程的示意性流程图。如图4所示，根据本申请实施例的极限学习机的训练过程包括：步骤S110，获得以所述管道内的空气压差，所述挡板的角度为输入，所述管道内的空气流速为输出的训练数据；步骤S120，随机产生输入层到隐含层的权重矩阵和隐含层的偏置向量；步骤S130，求解出使损失函数最小化的隐含层到输出层的权重向量，其中损失函数表示为所述隐含层的输出矩阵与所述权重向量的乘积减去所述训练数据输出向量转置的二范数的平方；以及，步骤S140，根据求得的所述隐含层到输出层的权重向量，以及所述输入层到隐含层的权重矩阵和所述隐含层的偏置向量，确定所述极限学习机的网络参数。
由于在极限学习机中，输入层的权重向量W和隐含层的偏置向量b的随机选取会导致拟合性能的不稳定。针对此问题，在根据本申请实施例的智能风阀中，优选地在极限学习机的训练过程中，对极限学习机的训练过程进行优化。例如，在一个实施例中，可以采用粒子群算法对极限学习机的训练过程进行优化，以提升网络拟合的稳定性。
具体地，在本申请实施例中，采用粒子群算法的所述极限学习机的训练过程包括如下步骤。
步骤1：获得以所述管道内的空气压差
Figure 94600DEST_PATH_IMAGE001
，所述挡板的角度
Figure 796977DEST_PATH_IMAGE003
为输入，以所述管道 内的空气流速
Figure 440579DEST_PATH_IMAGE029
为输出的训练数据集，例如，所述训练数据集的大小为
Figure 886604DEST_PATH_IMAGE030
。
步骤2：初始化粒子群算法参数，包括种群大小
Figure 548529DEST_PATH_IMAGE031
，最大迭代次数MaxNum，个体经验 学习因子
Figure 421807DEST_PATH_IMAGE032
，社会经验学习因子
Figure 801973DEST_PATH_IMAGE033
，惯性因子
Figure 582847DEST_PATH_IMAGE034
以及各粒子初始速度矩阵
Figure 302541DEST_PATH_IMAGE035
，其中
Figure 159770DEST_PATH_IMAGE036
。
步骤3：随机产生
Figure 964915DEST_PATH_IMAGE037
组输入层到隐含层的权重矩阵以及
Figure 815059DEST_PATH_IMAGE037
组隐含层的偏置向量，分 别定义为
Figure 185998DEST_PATH_IMAGE038
和
Figure 401079DEST_PATH_IMAGE039
，并根据
Figure 490257DEST_PATH_IMAGE038
和
Figure 81776DEST_PATH_IMAGE039
对第
Figure 323532DEST_PATH_IMAGE040
粒子的初始位置矩阵
Figure 709514DEST_PATH_IMAGE041
进行编码：
Figure 285989DEST_PATH_IMAGE042
，以产生初始种群。
步骤4：根据所述训练数据集，求解得到所述各粒子位置矩阵对应的极限学习机模 型中隐含层到输出层的权重向量
Figure 477936DEST_PATH_IMAGE028
，具体地，所述权重向量
Figure 761150DEST_PATH_IMAGE028
的计算公式为
Figure 645929DEST_PATH_IMAGE043
，其中，
Figure 647383DEST_PATH_IMAGE044
为所述各粒子位置矩阵所对应的极限学习机模型中隐含层的输出矩阵
Figure 393754DEST_PATH_IMAGE045
的广义逆矩 阵，且
Figure 531474DEST_PATH_IMAGE046
为输出向量
Figure 587155DEST_PATH_IMAGE047
的转置。
步骤5：计算各粒子的适应值，并更新当前全局最优位置矩阵
Figure 872642DEST_PATH_IMAGE048
和各粒子历史 最优位置矩阵
Figure 344075DEST_PATH_IMAGE049
。其中计算适应值的函数为：
Figure 664198DEST_PATH_IMAGE050
Figure 828463DEST_PATH_IMAGE051
为第
Figure 351979DEST_PATH_IMAGE052
个粒子所对应的极限学习机模型的预测输出向量。
具体地，更新当前全局最优粒子位置矩阵
Figure 423841DEST_PATH_IMAGE048
方法可以为：
首先找出当前种群中具有最高适应值的粒子以及所对应的位置矩阵，然后将其适 应值与当前全局最优位置矩阵
Figure 801732DEST_PATH_IMAGE048
所对应的适应值比较，如果该粒子的适应值更高，则用 该粒子的当前位置矩阵更新全局最优位置矩阵，否则全局最优位置矩阵
Figure 933636DEST_PATH_IMAGE048
保持不变。
并且，更新各粒子历史最优位置矩阵
Figure 396979DEST_PATH_IMAGE049
的方法可以为：
将各粒子当前的适应值与其最优位置矩阵
Figure 272531DEST_PATH_IMAGE049
对应的适应值比较，如果当前的 适应值更高，则用当前位置矩阵更新历史最优位置矩阵，否则历史最优位置矩阵
Figure 504929DEST_PATH_IMAGE049
保持 不变。
对于第一次迭代时，定义全局最优位置矩阵
Figure 292888DEST_PATH_IMAGE048
以及各粒子历史最优位置矩阵
Figure 305843DEST_PATH_IMAGE049
所对应的适应值均为0。
步骤6：进行速度更新和位置更新，其中，速度更新公式为：
Figure 922769DEST_PATH_IMAGE053
且位置更新公式为：
Figure 71991DEST_PATH_IMAGE054
其中
Figure 748960DEST_PATH_IMAGE055
，
Figure 983632DEST_PATH_IMAGE056
为随机数，取值范围
Figure 138670DEST_PATH_IMAGE057
，
Figure 152850DEST_PATH_IMAGE058
表示粒子
Figure 531879DEST_PATH_IMAGE052
在第
Figure 191530DEST_PATH_IMAGE059
迭代时的速度矩阵，
Figure 212576DEST_PATH_IMAGE060
表示粒子
Figure 274073DEST_PATH_IMAGE052
在第
Figure 355161DEST_PATH_IMAGE059
迭代时的位置矩阵。
步骤7：判断是否满足最大迭代次数，若满足，则转至步骤8，否则转至步骤4。
步骤8：根据步骤3所定义的编码方式，解码当前全局最优位置矩阵
Figure 502109DEST_PATH_IMAGE048
，以得到 所述极限学习机的输入层到隐含层的权重矩阵W和隐含层的偏置向量b，并结合步骤4求得 的权重矩阵
Figure 546419DEST_PATH_IMAGE028
，以此确定极限学习机模型。如图5所示。这里，图5图示了根据本申请实施例 的采用粒子群算法的所述极限学习机的训练过程的示意性流程图。
因此，在根据本申请实施例的智能风阀中，采用粒子群算法的所述极限学习机的训练过程包括：获得以所述管道内的空气压差，所述挡板的角度为输入，以所述管道内的空气流速为输出的训练数据集；初始化粒子群算法参数，所述参数包括种群大小，最大迭代次数，个体经验学习因子，社会经验学习因子，惯性因子和各粒子初始速度矩阵；随机产生输入层到隐含层的权重矩阵和隐含层的偏置向量，并根据权重矩阵和偏置向量编码得到每个粒子的初始位置矩阵；根据所述训练数据集，求解得到所述各粒子对应的极限学习机模型中隐含层到输出层的权重向量，所述权重向量为所述各粒子所对应的极限学习机模型中隐含层的输出矩阵的广义逆矩阵与训练数据输出向量转置的乘积；计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵；基于所述个体经验学习因子，所述社会经验学习因子，所述惯性因子，所述全局最优位置矩阵和所述各粒子的历史最优位置矩阵进行每个粒子的所述速度矩阵的更新，并基于更新的速度矩阵进行所述位置矩阵的更新；判定是否满足最大迭代次数；响应于满足最大迭代次数，解码当前全局最优粒子位置矩阵以得到所述极限学习机的输入层到隐含层的权重矩阵和隐含层的偏置向量，并结合求解所述隐含层到输出层的权重向量的步骤，得到所述隐含层到输出层的权重向量；以及，响应于未满足最大迭代次数，返回求解所述隐含层到输出层的权重向量的步骤。
在上述采用粒子群算法得到所述极限学习机的输入层到隐含层的权重矩阵和隐含层的偏置向量的过程中，根据权重矩阵和偏置向量编码得到每个粒子的初始位置矩阵包括：将所述权重矩阵和所述偏置向量进行拼接以得到所述初始位置矩阵。
在上述采用粒子群算法得到所述极限学习机的输入层到隐含层的权重矩阵和隐含层的偏置向量的过程中，所述各粒子的适应值为各粒子对应的极限学习机模型的预测输出向量与所述训练数据集的输出向量之差的二范数的倒数。
在上述采用粒子群算法得到所述极限学习机的输入层到隐含层的权重矩阵和隐含层的偏置向量的过程中，计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵包括：找出当前种群中具有最高适应值的粒子以及所对应的位置矩阵；将所述粒子的适应值与当前全局最优位置矩阵所对应的适应值比较；响应于所述粒子的适应值大于当前全局最优位置矩阵所对应的适应值，则以所述粒子的当前位置矩阵更新全局最优位置矩阵；以及，响应于所述粒子的适应值小于或等于当前全局最优位置矩阵所对应的适应值，保持全局最优位置矩阵不变。
在上述采用粒子群算法得到所述极限学习机的输入层到隐含层的权重矩阵和隐含层的偏置向量的过程中，计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵包括：将各粒子当前的适应值与其最优位置矩阵对应的适应值比较；响应于所述当前的适应值大于其最优位置矩阵对应的适应值，则以当前位置矩阵更新历史最优位置矩阵；以及，响应于所述当前的适应值小于或等于其最优位置矩阵对应的适应值，保持历史最优位置矩阵保持不变。
在上述采用粒子群算法的所述极限学习机的训练过程中，基于所述个体经验学习因子，所述社会经验学习因子，所述惯性因子，所述全局最优位置矩阵和所述各粒子的历史最优位置矩阵进行每个粒子的所述速度矩阵的更新包括：计算所述惯性因子与更新前的所述速度矩阵的第一乘积；计算所述个体经验学习因子、第一随机数与所述历史最优位置矩阵与所述更新前的位置矩阵之差的第二乘积；计算所述社会经验学习因子、第二随机数与所述全局最优位置矩阵与所述更新前的位置矩阵之差的第三乘积；以及，计算所述第一乘积、所述第二乘积与所述第三乘积之和以获得更新后的速度矩阵。
在上述采用粒子群算法的所述极限学习机的训练过程中，基于更新的速度矩阵进行所述位置矩阵的更新包括：计算更新前的位置矩阵与更新后的速度矩阵之和以得到更新后的位置矩阵。
这样，按照上述过程训练极限学习机，就可以完成极限学习机的权值和阈值的优 化，并且，将训练好的极限学习机算法写入智能风阀中的控制器。由此，在实际使用中，控制 器通过得到的
Figure 524740DEST_PATH_IMAGE001
和
Figure 714413DEST_PATH_IMAGE003
，就可计算出对应的空气流速
Figure 410973DEST_PATH_IMAGE061
。
综上所述，根据本申请实施例的智能风阀考虑了挡板对测速准确性的影响，并对其进行了补偿，有效提高了测速的准确性。
此外，由于根据本申请实施例的智能风阀通过将挡板前移至皮托管前方将其变为影响测速准确性的主导障碍，降低了其他非直管道障碍对测速的影响，因此在使用时无需保证皮托管前方7D的直管道，降低了安装难度。
另外，基于根据本申请实施例的智能风阀的上述特定结构，根据本申请实施例的 智能风阀不是采用传统的伯努利公式计算空气流速，而是通过极限学习机拟合空气压差
Figure 711504DEST_PATH_IMAGE001
、挡板角度
Figure 544331DEST_PATH_IMAGE003
和空气流速
Figure 904905DEST_PATH_IMAGE061
之间的关系进而计算空气流速，实现了空气流速的计算方法 的创新。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (11)

1.一种易安装的智能风阀，用于测量和控制管道中的风量，包括：
控制器、压差传感器、执行器、挡板、皮托管和软管，所述挡板和所述皮托管位于所述管道内，其中，在所述管道内的风进入的方向上，所述皮托管位于所述挡板的后方；以及，
所述控制器包括极限学习机单元，用于基于所述压差传感器获得的所述管道内的空气压差和所述挡板的角度确定所述管道内的空气流速。
2.根据权利要求1所述的易安装的智能风阀，其中，所述极限学习机包括输入层、隐含层和输出层，并且，所述输入层具有两个神经元，分别用于接收所述空气压差和所述挡板的角度，且所述输出层包括一个神经元，用于输出所述空气流速，且所述隐含层包括多个神经元。
3.根据权利要求2所述的易安装的智能风阀，其中，所述隐含层包括一百个神经元，且以Relu激活函数激活。
4.根据权利要求1所述的易安装的智能风阀，其中，所述极限学习机通过训练得到，且所述训练过程包括：
获得以所述管道内的空气压差，所述挡板的角度为输入，所述管道内的空气流速为输出的训练数据；
随机产生输入层到隐含层的权重矩阵和隐含层的偏置向量；
求解出使损失函数最小化的隐含层到输出层的权重向量，其中损失函数表示为所述隐含层的输出矩阵与所述权重向量的乘积减去所述训练数据输出向量转置的二范数的平方；以及，
根据求得的所述隐含层到输出层的权重向量，以及所述输入层到隐含层的权重矩阵和所述隐含层的偏置向量，确定所述极限学习机的网络参数。
5.根据权利要求1所述的易安装的智能风阀，其中，所述极限学习机通过采用粒子群算法的训练得到，且所述训练过程包括：
获得以所述管道内的空气压差，所述挡板的角度为输入，以所述管道内的空气流速为输出的训练数据集；
初始化粒子群算法参数，所述参数包括种群大小，最大迭代次数，个体经验学习因子，社会经验学习因子，惯性因子和各粒子初始速度矩阵；
随机产生输入层到隐含层的权重矩阵和隐含层的偏置向量，并根据权重矩阵和偏置向量编码得到每个粒子的初始位置矩阵；
根据所述训练数据集，求解得到所述各粒子对应的极限学习机模型中隐含层到输出层的权重向量，所述权重向量为所述各粒子所对应的极限学习机模型中隐含层的输出矩阵的广义逆矩阵与训练数据输出向量转置的乘积；
计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵；
基于所述个体经验学习因子，所述社会经验学习因子，所述惯性因子，所述全局最优位置矩阵和所述各粒子的历史最优位置矩阵进行每个粒子的所述速度矩阵的更新，并基于更新的速度矩阵进行所述位置矩阵的更新；
判定是否满足最大迭代次数；
响应于满足最大迭代次数，解码当前全局最优位置矩阵以得到所述极限学习机的输入层到隐含层的权重矩阵和隐含层的偏置向量，并结合求解所述隐含层到输出层的权重向量的步骤，得到所述隐含层到输出层的权重向量；以及，
响应于未满足最大迭代次数，返回求解所述隐含层到输出层的权重向量的步骤。
6.根据权利要求5所述的易安装的智能风阀，其中，根据权重矩阵和偏置向量编码得到每个粒子的初始位置矩阵包括：
将所述权重矩阵和所述偏置向量进行拼接以得到所述初始位置矩阵。
7.根据权利要求5所述的易安装的智能风阀，其中，所述各粒子的适应值为各粒子对应的极限学习机模型的预测输出向量与所述训练数据输出向量之差的二范数的倒数。
8.根据权利要求7所述的易安装的智能风阀，其中，计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵包括：
找出当前种群中具有最高适应值的粒子以及所对应的位置矩阵；
将所述粒子的适应值与当前全局最优位置矩阵所对应的适应值比较；
响应于所述粒子的适应值大于当前全局最优位置矩阵所对应的适应值，则以所述粒子的当前位置矩阵更新全局最优位置矩阵；以及，
响应于所述粒子的适应值小于或等于当前全局最优位置矩阵所对应的适应值，保持全局最优位置矩阵不变。
9.根据权利要求7所述的易安装的智能风阀，其中，计算各粒子的适应值，并基于所述适应值更新当前全局最优位置矩阵和各粒子的历史最优位置矩阵包括：
将各粒子当前的适应值与其最优位置矩阵对应的适应值比较；
响应于所述当前的适应值大于其最优位置矩阵对应的适应值，则以当前位置矩阵更新历史最优位置矩阵；以及，
响应于所述当前的适应值小于或等于其最优位置矩阵对应的适应值，保持历史最优位置矩阵保持不变。
10.根据权利要求5所述的易安装的智能风阀，其中，基于所述个体经验学习因子，所述社会经验学习因子，所述惯性因子，所述全局最优位置矩阵和所述各粒子的历史最优位置矩阵进行每个粒子的所述速度矩阵的更新，并基于更新的速度矩阵进行所述位置矩阵的更新包括：
计算所述惯性因子与更新前的所述速度矩阵的第一乘积；
计算所述个体经验学习因子、第一随机数与所述历史最优位置矩阵与所述更新前的位置矩阵之差的第二乘积；
计算所述社会经验学习因子、第二随机数与所述全局最优位置矩阵与所述更新前的位置矩阵之差的第三乘积；以及，
计算所述第一乘积、所述第二乘积与所述第三乘积之和以获得更新后的速度矩阵。
11.根据权利要求10所述的易安装的智能风阀，其中，基于更新的速度矩阵进行所述位置矩阵的更新包括：
计算更新前的位置矩阵与更新后的速度矩阵之和以得到更新后的位置矩阵。
CN202210822853.8A 2022-07-14 2022-07-14 一种易安装的智能风阀 Active CN114893898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210822853.8A CN114893898B (zh) 2022-07-14 2022-07-14 一种易安装的智能风阀

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210822853.8A CN114893898B (zh) 2022-07-14 2022-07-14 一种易安装的智能风阀

Publications (2)

Publication Number Publication Date
CN114893898A CN114893898A (zh) 2022-08-12
CN114893898B true CN114893898B (zh) 2022-09-30

Family

ID=82729476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210822853.8A Active CN114893898B (zh) 2022-07-14 2022-07-14 一种易安装的智能风阀

Country Status (1)

Country Link
CN (1) CN114893898B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115743504B (zh) * 2023-01-07 2023-04-07 中国海洋大学 一种海洋平台多舱室通风多目标优化控制方法
CN117968197B (zh) * 2024-03-29 2024-05-28 中国海洋大学 基于自适应卡尔曼滤波的智能风量测控系统及测控方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2128297A (en) * 1982-10-07 1984-04-26 Vosper Hovermarine Ltd Improvements in or relating to fluid flow control systems
CN110414661A (zh) * 2019-07-26 2019-11-05 上海朗绿建筑科技股份有限公司 一种空调系统负荷的预测方法及系统
CN110803788A (zh) * 2019-10-12 2020-02-18 上海市政工程设计研究总院（集团）有限公司 一种用于污水处理厂间歇曝气池内的两档调节风阀装置
CN112254310A (zh) * 2020-10-10 2021-01-22 广州市夸特电气自动化有限公司 数字智能新风阀以及数字智能新风阀的控制方法
CN214667032U (zh) * 2021-06-01 2021-11-09 新风智联(杭州)科技有限公司 一种智能风阀

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2128297A (en) * 1982-10-07 1984-04-26 Vosper Hovermarine Ltd Improvements in or relating to fluid flow control systems
CN110414661A (zh) * 2019-07-26 2019-11-05 上海朗绿建筑科技股份有限公司 一种空调系统负荷的预测方法及系统
CN110803788A (zh) * 2019-10-12 2020-02-18 上海市政工程设计研究总院（集团）有限公司 一种用于污水处理厂间歇曝气池内的两档调节风阀装置
CN112254310A (zh) * 2020-10-10 2021-01-22 广州市夸特电气自动化有限公司 数字智能新风阀以及数字智能新风阀的控制方法
CN214667032U (zh) * 2021-06-01 2021-11-09 新风智联(杭州)科技有限公司 一种智能风阀

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
皮托静压管的流量测量及不确定度评估;曹久莹;《仪器仪表标准化与计量》;20211231;全文 *

Also Published As

Publication number Publication date
CN114893898A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114893898B (zh) 一种易安装的智能风阀
CN108319144B (zh) 一种机器人轨迹跟踪控制方法及系统
CN106249599B (zh) 一种基于神经网络预测的网络化控制系统故障检测方法
CN104950677B (zh) 基于反演滑模控制的机械臂系统饱和补偿控制方法
EP3769165B1 (en) System and method for controlling operation of air-conditioning system
CN113110504B (zh) 一种基于强化学习和视线法的无人艇路径跟踪方法
CN112873207B (zh) 一种基于未知系统动态估计器的柔性关节机械臂预设性能控制方法
CN111176284A (zh) 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统
CN110032706A (zh) 一种低阶时滞系统的两阶段参数估计方法及系统
CN108385599B (zh) 一种以耦合水位差作为被控量的输水明渠渠系运行方式
CN107490962B (zh) 一种数据驱动的伺服系统最优控制方法
CN113419424B (zh) 减少过估计的模型化强化学习机器人控制方法及系统
CN110702093A (zh) 基于粒子滤波的定位方法、装置、存储介质及机器人
CN113721634A (zh) 考虑执行器饱和的基于反步法的车队有限时间协同控制方法
CN116859713A (zh) 基于模糊pid的水下机器人的控制方法、装置、设备及介质
CN114036628B (zh) 变体飞行器翼展与控制策略协同设计方法
CN116738750A (zh) 一种金属板及金属基复合板矫直力模型的预测方法
CN114559429B (zh) 基于自适应迭代学习的柔性机械臂的神经网络控制方法
CN116755481A (zh) 一种基于神经网络的pid振动主动控制与可靠性分析方法
CN114434449B (zh) 一种新型粒子群自适应阻抗控制方法及装置
CN112894809B (zh) 一种基于强化学习的阻抗控制器设计方法和系统
Wu et al. Adaptive fuzzy finite-time event-triggered formation control for unmanned surface vehicle systems
Koshkouei Passivity‐based sliding mode control for nonlinear systems
CN111975777A (zh) 一种基于Radau伪谱的机器人关节空间自适应轨迹规划方法
CN117968197B (zh) 基于自适应卡尔曼滤波的智能风量测控系统及测控方法

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