CN115343967A - 用于对空压站进行仿真控制的方法、设备和介质 - Google Patents
用于对空压站进行仿真控制的方法、设备和介质 Download PDFInfo
- Publication number
- CN115343967A CN115343967A CN202211279432.1A CN202211279432A CN115343967A CN 115343967 A CN115343967 A CN 115343967A CN 202211279432 A CN202211279432 A CN 202211279432A CN 115343967 A CN115343967 A CN 115343967A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- air
- sample data
- compression station
- simulation model
- 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.)
- Granted
Links
- 230000006835 compression Effects 0.000 title claims abstract description 104
- 238000007906 compression Methods 0.000 title claims abstract description 104
- 238000004088 simulation Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000820057 Ithone Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
- F04B49/065—Control using electricity and making use of computers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本公开的实施例涉及用于对空压站进行仿真控制的方法、设备和介质。根据该方法,在云端服务器处,获取在第一历史时间段内采集到的关于空压站的多个第一样本数据集合;对多个第一样本数据集合进行处理,以得到分别与第一历史时间段的多个步长相关联的多个第二样本数据集合;基于多个第二样本数据集合训练预先构建的空压站仿真模型;以及将经训练的空压站仿真模型发送给边缘服务器,以供边缘服务器在当前步长处,基于经训练的空压站仿真模型为空压站确定下一步长的最佳空压机开机组合。由此,能够更容易地实现对空压站的仿真,进而有助于更准确高效地对空压站中的空压机进行控制。
Description
技术领域
本公开的实施例总体涉及控制领域,并且更具体地涉及一种用于对空压站进行仿真控制的方法、设备和介质。
背景技术
空压站用于通过其中包括的多个空压机来生产气体(例如,压缩空气),并通过输气管道(包括母管)将所生产的气体传输到相应的用气车间。空压站仿真用于对空压站的产气性能进行仿真。目前,空压站仿真大多都是基于空气动力学或者热力学机理来实现的,因此母管压力趋势预测的准确性难以得到保证。尤其地,基于热力学机理来实现空压站仿真的方式需要获取空压站的基础属性,而这样的基础属性获取难度非常大,进而使得相应的空压站仿真难以很好的实现。
因此,有必要提供一种用于对空压站进行仿真控制的技术,使得能够更容易地实现对空压站的仿真,进而有助于更准确高效地对空压站中的空压机进行控制。
发明内容
针对上述问题,本公开提供了一种用于对空压站进行仿真控制的方法、设备和介质,能够更方便而精确地实现对空压站的仿真,进而有助于更准确而高效地对空压站中的空压机进行控制。
根据本公开的第一方面,提供了一种用于对空压站进行仿真控制的方法,包括:在云端服务器处,获取在第一历史时间段内采集到的关于空压站的多个第一样本数据集合;对所述多个第一样本数据集合进行处理,以得到分别与所述第一历史时间段的多个步长相关联的多个第二样本数据集合;基于所述多个第二样本数据集合训练预先构建的空压站仿真模型;以及将经训练的空压站仿真模型发送给边缘服务器,以供所述边缘服务器在当前步长处,基于所述经训练的空压站仿真模型为所述空压站确定下一步长的最佳空压机开机组合。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行本公开的第一方面的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于对空压站进行仿真控制的方法的系统100的示意图。
图2示出了云端服务器200的架构示意图。
图3示出了根据本公开的实施例的用于对空压站进行仿真控制的方法300的流程图。
图4示出了根据本公开的实施例的示例性空压站仿真模型400的结构示意图。
图5示出了根据本公开的实施例的用于基于经训练的空压站仿真模型为空压站中的一个或多个空压机选择类型的方法500的流程图。
图6示出了根据本公开的实施例的用于对多个第一样本数据集合进行处理以得到多个第二样本数据集合的方法600的流程图。
图7示出了根据本公开的一些实施例的加噪处理的噪音增强效果的示意图。
图8示出了根据本公开的又一些实施例的加噪处理的噪音增强效果的示意图。
图9示出了根据本公开的实施例的电子设备900的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,目前,空压站仿真大多都是基于空气动力学或者热力学机理来实现的,因此母管压力趋势预测的准确性难以得到保证。尤其地,基于热力学机理来实现空压站仿真的方式需要获取空压站的基础属性,而这样的基础属性获取难度非常大,进而使得相应的空压站仿真难以很好的实现。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于对空压站进行仿真控制的方法,包括:在云端服务器处,获取在第一历史时间段内采集到的关于空压站的多个第一样本数据集合;对所述多个第一样本数据集合进行处理,以得到分别与所述第一历史时间段的多个步长相关联的多个第二样本数据集合;基于所述多个第二样本数据集合训练预先构建的空压站仿真模型;以及将经训练的空压站仿真模型发送给边缘服务器,以供所述边缘服务器在当前步长处,基于所述经训练的空压站仿真模型为所述空压站确定下一步长的最佳空压机开机组合。通过采用以上方式,使得能够更方便而精确地实现对空压站的仿真,进而有助于更准确而高效地对空压站中的空压机进行控制。
图1示出了用于实现根据本发明的实施例的用于对空压站进行仿真控制的方法的系统100的示意图。如图1中所示,系统100包括云端服务器101、边缘服务器102和空压站103。在本公开中,空压站103可包括多个空压机(图中未示出)。每一空压机均具有相应的类型,不同类型的空压机可具有不同的额定功率。云端服务器101可与关于空压站的各种传感器(例如,空压机运行功率传感器、空压机排气温度传感器、空压机排气压力传感器、空压机运行状态传感器、母管压力传感器、母管流量传感器和母管温度传感器等)无线连接,诸如通过4G网络与这些传感器无线连接,以获取这些传感器分别采集到的关于空压站的各种状态数据,以便基于这些状态数据来对空压站进行仿真,以得到相应的空压站仿真模型(例如,如图1所示的仿真的空压站)。边缘服务器102与云端服务器101通信连接,例如也通过4G网络与云端服务器101无线连接,以便与云端服务器101进行交互通信,例如接收由云端服务器101训练得到的空压站仿真模型,或者将其控制结果发送给云端服务器101等。边缘服务器102也可与前面提到的各种传感器无线连接,诸如通过Lora网络与这些传感器连接,以获取这些传感器所采集到的各种状态数据。但是,由于边缘服务器102的运算能力和运算速度相对于云端服务器101要更弱一些,因此通常不使用边缘服务器102来对空压站仿真模型来进行训练。
在本公开中,云端服务器101可通过如图2所示的一个或多个计算设备200来实现。计算设备200可包括至少一个处理器202以及与该至少一个处理器202耦合的至少一个存储器204,存储器204中存储有可由该至少一个处理器202执行的指令,该指令在被该至少一个处理器202执行时执行如下所述的方法300、500和600。在本公开中,边缘服务器102也可由这样的一个或多个计算设备来实现。这样的计算设备的具体结构例如可以如下结合图9所述。
图3示出了根据本公开的实施例的用于对空压站进行仿真控制的方法300的流程图。方法300可由如图1所示的云端服务器101执行,也可以在图9所示的电子设备900处执行。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤302,在云端服务器101处,获取在第一历史时间段内采集到的关于空压站的多个第一样本数据集合。
在一些实施例中,步骤302中提到的多个第一样本数据集合中的每一第一样本数据集合包括在第一历史时间段的相应采样时刻采集到的各空压机的空压机运行功率数据、空压机排气温度数据、空压机排气压力数据、空压机运行状态数据以及母管压力数据、母管流量数据和母管温度数据。在本公开中,当空压机处于开机运行状态时,将该空压机的空压机运行状态数据表示为1,而当空压机处于关机运行状态时,将该空压机的空压机运行状态数据表示为-1。当然,也可使用其他数据来表示开机运行状态和关机运行状态,这可由使用者预先约定好。
随着物联网的发展,关于空压站的以上各种状态数据比基础属性更加容易获取,因此通过实时状态数据进行仿真具有更高的普适性,进而有助于提高基于这些状态数据得到的空压站仿真模型的精确性,并提高对该模型进行训练的效率。
在本公开中,第一历史时间段可以是例如但不限于,过去的一个或多个月、过去的一个或多个星期、过去的一天或多天等等。
在步骤304,对多个第一样本数据集合(即,在步骤302中获取的多个第一样本数据集合)进行处理,以得到分别与第一历史时间段的多个步长相关联的多个第二样本数据集合。
在本公开中,每一步长的时间长度可以为采样时间间隔的整数倍。例如,采样时间频率可例如为每秒钟采集一次,也就是说相应的采样时间间隔为1秒,因此步长的时间长度可以为多秒,例如仅作为示例为5秒等。
下面将结合图6对步骤304作进一步更详细的描述。
在步骤306,基于多个第二样本数据集合(即在步骤304得到的多个第二样本数据集合)训练空压站仿真模型。
在本公开中,训练空压站仿真模型实际上指的就是对预先构建的空压站仿真模型的模型参数进行训练,以得到所需的空压站仿真模型。
在一些实施例中,如图4所示,示出了根据本公开的实施例的示例性空压站仿真模型400的结构示意图。如图4所示,空压站仿真模型400可包括具有多个单元的长短期记忆(Long-short term memory,此后简称为LSTM)网络层、具有多个单元的门控循环单元(GateRecurrent Unit,此后简称为GRU)网络层、具有多个单元的全连接层以及输出层。其中,该空压站仿真模型的输出层用于输出为下一步长预测的各空压机运行功率以及母管压力。例如仅作为示例,空压站仿真模型400的LSTM网络层可包括32个单元,其输入为当前批次参与训练的第二样本数据集合的数量(此后简称为batch_size)*步长的数量(即,步骤304中提到的多个步长的数量,此后简称为windows)*每一第二样本数据集合中所包括的数据的数量(此后简称为features),其输出为batch_size*windows*32。相应的,GRU网络层具有32个单元,其输入为batch_size*windows*32,并且其输出为batch_size*32。全连接层具有16个单元,其输入为由GRU网络层输出的各个数据。输出层采用多输出结构,分别用于输出各个空压机的空压机运行功率以及母管压力。在一些实施例中,LSTM网络层和GRU网络层的激活函数可以为例如双曲正切函数(简称为tanh),并且全连接层的激活函数可以为例如线性整流函数(简称为relu)。
具体地,步骤306可通过以下方式来实现:即基于多个第二样本数据集合(即步骤304中得到的多个第二样本数据集合),为空压站仿真模型确定使得相关联的目标函数最小化的模型参数。在本公开中,前面提到的目标函数为第一均方根误差与第二均方根误差之间的加权和。第一均方根误差是根据基于该空压站仿真模型得到的分别与多个步长相关联的多个空压机运行功率分别与相应的真实空压机运行功率之间的误差来确定的,并且第二均方根误差是根据基于该空压站仿真模型得到的分别与该多个步长相关联的多个母管压力分别与相应的真实母管压力之间的误差来确定的。基于空压站仿真模型得到的与该多个步长中的每一相应步长相关联的空压机运行功率是通过将多个第二样本数据集合中与该相应步长之前的m个连续步长相关联的m个第二样本数据集合输入空压站仿真模型所得到的空压机运行功率,并且相应的真实空压机运行功率是该多个第二样本数据集合中与该相应步长相关联的一个第二样本数据集合中的相应空压机运行功率。基于空压站仿真模型得到的与该多个步长中的每一相应步长相关联的母管压力是通过将该多个第二样本数据集合中与该相应步长之前的m个连续步长相关联的m个第二样本数据集合输入空压站仿真模型所得到的母管压力,并且相应的真实母管压力是该多个第二样本数据集合中与该相应步长相关联的那个第二样本数据集合中的相应母管压力。前面提到的m可以大于等于2的整数,例如为100、200等等。在本公开中,m的取值越大所得到的空压站仿真模型的准确性越高。在本公开中,由于更注重母管压力的准确性,因此将与第一均方根误差相关联的权重设置为小于与第二均方根误差相关联的权重。例如仅作为示例,与第二均方根误差相关联的权重可以被设置为是与第一均方根误差相关联的权重的两倍。
以上提到的目标函数可使用以下公式(1)来表示:
目标函数=w1*第一均方根误差+w2*第二均方根误差 (1)
其中,w1为与第一均方根误差相关联的权重,w2为与第二均方根误差相关联的权重。
第一均方根误差和第二均方根误差可分别使用下面的公式(2)和(3)来表示:
其中,xi为基于空压站仿真模型得到的与多个步长中的第i个步长相关联的第i个空压机运行功率,为与第i空压机运行功率相对应的真实空压机运行功率,yi为基于空压站仿真模型得到的与该多个步长中的第i个步长相关联的第i个母管压力,为与第i母管压力相对应的真实母管压力。
在对空压站仿真模型进行训练时还可应用早停机制,例如当验证误差5步内没有提升时,即可停止模型训练,同时回调到最优模型。
在步骤308,将经训练的空压站仿真模型发送给边缘服务器,以供边缘服务器在当前步长处,基于该经训练的空压站仿真模型为空压站确定下一步长的最佳空压机开机组合。
在一些实施例中,边缘服务器可通过以下方式来确定一下步长的最佳空压机开机组合。首先,将各空压机与当前步长及紧接在当前步长之前的多个步长相关联的空压机运行功率数据、空压机排气温度数据、空压机排气压力数据和空压机运行状态数据以及与当前步长及前面提到的多个步长相关联母管压力数据、母管流量数据和母管温度数据输入经训练的空压站仿真模型,以预测各空压机与下一步长相关联的空压机运行功率以及与该下一步长相关联的母管压力。然后,基于所预测的各空压机运行功率以及母管压力,确定该下一步长的最佳空压机开机组合。基于空压机运行功率和母管要来确定最佳空压机开机组合可使用已有的或将来待开发的任何方法来实现,这里不再进行赘述。
空压站中的空压机机组在使用了一段时间之后可能会出现能源浪费较大或者空压机老旧面临报废停产的情况,如果出现了这样的情况就表示需要为空压站更换空压机了。为空压站更换空压机最主要的是需要考虑为空压站中的各个空压机选择哪个类型。在本公开中,对空压机类型的选择主要指的是对空压机额定功率的选择。因此,在本公开中,该方法还可包括基于经训练的空压站仿真模型为空压站中的各个空压机选择类型。下面将结合图5对用于基于经训练的空压站仿真模型为空压站中的多个空压机选择类型的方法500作进一步更详细的描述。
在本公开中,还可将经训练的空压站仿真模型与预定条件进行比较,并在经训练的空压站仿真模型不再满足预定条件时,对空压站仿真模型进行更新。具体地,在本公开中,响应于确定经训练的空压站仿真模型不再满足预定条件,可基于在步骤304中得到的多个第二样本数据集合重新训练空压站仿真模型,或者基于分别与第二历史时间段的多个步长相关联的多个新的第二样本数据集合重新训练所述空压站仿真模型。
在一些实施例中,以上提到的预定条件可包括:在当前步长,基于经训练的空压站仿真模型得到的多个母管压力与相应的真实母管压力之间的误差大于第一误差标准差的预定倍数(例如,为2倍)。第一误差标准差为在当前步长之前的多个步长基于经训练的空压站仿真模型得到的多个母管压力分别与相应的真实母管压力之间的误差的标准差。
在一些实施例中,以上提到的预定条件可包括:在当前步长,基于经训练的空压站仿真模型得到的多个空压机运行功率与相应的真实空压机运行功率之间的误差大于第二误差标准差的预定倍数(例如,为2倍)。第二误差标准差为在当前步长之前的多个步长基于经训练的空压站仿真模型得到的多个空压机运行功率分别与相应的真实空压机运行功率之间的误差的标准差。
图5示出了根据本公开的实施例的用于基于经训练的空压站仿真模型为空压站中的多个空压机选择类型的方法500的流程图。方法500可由如图1所示的云端服务器101执行,也可以在图9所示的电子设备900处执行。应当理解的是,方法500还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤502,为空压站中的多个空压机中的每一个空压机设置初始空压机运行功率数据、初始空压机排气温度数据、初始空压机排气压力数据和初始空压机运行状态数据,并设置初始母管压力数据、初始母管流量数据和初始母管温度数据。
在步骤504,根据空压站在目标使用时间段的用气需求,构建多个第二样本数据集合。
在本公开中,该目标使用时间段可以是例如空压站的某个工作时间段。
在步骤506,对于该多个空压机的多个不同候选类型组合中的每一候选类型组合,利用经训练的空压站仿真模型,基于所构建的多个第二样本数据集合,为该候选类型组合预测在该目标使用时间段内的多个步长处每一个空压机的空压机运行功率数据以及母管压力,并基于所预测的各空压机运行功率数据和母管压力,确定在该候选类型组合下,每一空压机在所述目标使用时间段的开关机次数以及平均母管压力。
在步骤508,基于为每一候选类型组合确定的开关机次数和平均母管压力,从该多个不同候选类型组合中选择开关机次数最少并且平均母管压力最小的一个候选类型组合作为要在该目标使用时间段使用的类型组合。
通过采用上述手段,本公开能够在原有空压机机组出现较大能源浪费或者空压机老旧面临报废停产的可能而需要更换空压机的场景下,为空压站中的各个空压机选择最优的类型。
图6示出了根据本公开的实施例的用于对多个第一样本数据集合进行处理以得到多个第二样本数据集合的方法600的流程图。方法600可由如图1所示的云端服务器101执行,也可以在图9所示的电子设备900处执行。应当理解的是,方法600还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤602,分别基于各空压机的额定功率,对每一第一样本数据集合中相应的空压机运行功率数据进行归一化。
例如,对于空压站中包括的第一空压机,可将其在每一个第一样本数据集合中的相应空压机运行功率数据除以该第一空压机的额定功率来实现相应的归一化。对于第二空压机以及空压站中包括的其他空压机也可使用该方法来进行归一化。
在步骤604,对多个第一样本数据集合进行降采样,以得到分别与多个步长相关联的多个经降采样的样本数据集合。
对多个第一样本数据集合进行降采样指的是以步长为单位对这些第一样本数据集合进行降采样。如前所述,在本公开中,每一步长的时间长度可以为采样时间间隔的整数倍。例如,采样时间频率可例如为每秒钟采集一次,也就是说相应的采样时间间隔为1秒,因此步长的时间长度可以为多秒,例如仅作为示例为5秒等。例如以某个空压机的空压机排气压力数据为例,该降采样可指的是将落在一个步长中的多个第一样本数据集合中的各个空压机排气压力数据进行求平均值来得到该空压机的在该步长(即与该步长相关联)的空压机排气压力数据。其他状态数据也可以使用类似的方式来进行降采样。
在步骤606,为每一步长确定空压机排气压力斜率和母管压力斜率。
例如,对于每一步长而言,可通过将与该步长相关联的空压机排气压力数据和与在该步长之前m步的步长相关联的空压机排气压力数据做差来得到相应的空压机排气压力斜率。母管压力斜率可通过类似的方式来确定。
在步骤608,对于每一步长,将与该步长相关联的经降采样的样本数据集合与相应的空压机压力斜率和母管压力斜率组合成相应的第二样本数据集合。
由于在步骤302和304得到的各个第一样本数据集合和第二样本数据集合中包括的各个数据可能会受到控制规则的影响,如果直接使用这样的数据来对空压站仿真模型进行训练很可能会导致模型学习到系统规则,从而造成训练得到的模型不够准确。为了让空压站仿真模型能够学习到无干预状态下的空压站运行规律,从而使得训练得到的模型更为准确,可进一步对这些数据进行特征工程。具体地,在本公开,在得到了第二样本数据集合之后,还可对各个第二样本数据集合进行进一步的加噪处理,以使得基于此训练出的空压站仿真模型能够更接近真实的空压站。
在一些实施例中,可向各个第二样本数据集合中包括的每一数据分别添加一个噪音,该噪音为正态白噪音(其可以是正的噪音也可以是负的噪音)。例如,图7中示出了对例如各个第二样本数据集合中的空压机排气压力数据进行了此处提到的加噪处理后的示意图。
该实施例中的加噪处理可例如使用下面的公式(4)来表示:
以上公式(4)表示在向对应于第n+1个步长的第二样本数据集合中的各数据(target[sn+1])添加噪音时,向相应数据添加的噪音的数量为1个噪音(noise)。在一些实施例中,可向各个第二样本数据集合中包括的每一数据分别添加一个或多个噪音,该噪音为正态白噪音(其可以是正的噪音也可以是负的噪音),并且其中向对应于后一步长的第二样本数据集合中的相应数据添加的噪音的数量比向对应于前一步长的第二样本数据集合中的相应数据添加的噪音的数量多1,并且向对应于第一个步长的第二样本数据集合中的相应数据添加的噪音的数量为1。例如,图8中示出了例如对第二样本数据集合中的空压机排气压力数据进行了此处提到的加噪处理后的示意图。
该实施例中的加噪处理可例如使用下面的公式(5)来表示:
以上公式(5)表示在向对应于第n+1个步长的第二样本数据集合中的各数据(target[sn+1])添加噪音时,向相应数据添加的噪音的数量为n+1个噪音(noise[(n+1)*noise])。通过采用上述手段,本公开能够快速地得到更适合用于训练空压站仿真模型的训练数据集合,进而有助于训练出更准确的空压站仿真模型。
图9示出了可以用来实施本公开内容的实施例的示例电子设备900的示意性框图。例如,如图1所示的云端服务器101和边缘服务器102以及如图2所示的计算设备200均可以由电子设备900来实施。如图所示,电子设备900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随机存取存储器(RAM)903中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器903中,还可存储电子设备900操作所需的各种程序和数据。中央处理单元901、只读存储器902以及随机存取存储器903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至输入/输出接口905,包括:输入单元906,例如键盘、鼠标、麦克风等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法300、500和600,可由中央处理单元901执行。例如,在一些实施例中,方法300、500和600可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序被加载到随机存取存储器903并由中央处理单元901执行时,可以执行上文描述的方法300、500和600的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开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、程序段或指令的一部分,所述模块、程序段或指令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。在有些作为替换的实现中,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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (18)
1.一种用于对空压站进行仿真控制的方法,包括:
在云端服务器处,获取在第一历史时间段内采集到的关于空压站的多个第一样本数据集合;
对所述多个第一样本数据集合进行处理,以得到分别与所述第一历史时间段的多个步长相关联的多个第二样本数据集合;
基于所述多个第二样本数据集合训练预先构建的空压站仿真模型;以及
将经训练的空压站仿真模型发送给边缘服务器,以供所述边缘服务器在当前步长处,基于所述经训练的空压站仿真模型为所述空压站确定下一步长的最佳空压机开机组合。
2.根据权利要求1所述的方法,其中每一第一样本数据集合包括在所述第一历史时间段的相应采样时刻采集到的各空压机的空压机运行功率数据、空压机排气温度数据、空压机排气压力数据、空压机运行状态数据以及母管压力数据、母管流量数据和母管温度数据。
3.根据权利要求1所述的方法,其中,每一步长的时间长度为采样时间间隔的整数倍。
4.根据权利要求2所述的方法,还包括基于所述经训练的空压站仿真模型为所述空压站中的多个空压机选择类型,其中不同类型的空压机具有不同的额定功率。
5.根据权利要求4所述的方法,其中基于所述经训练的空压站仿真模型为所述空压站中的多个空压机选择类型包括:
为所述多个空压机中的每一个空压机设置初始空压机运行功率数据、初始空压机排气温度数据、初始空压机排气压力数据和初始空压机运行状态数据,并设置初始母管压力数据、初始母管流量数据和初始母管温度数据;
根据所述空压站在目标使用时间段的用气需求,构建多个第二样本数据集合;
对于所述多个空压机的多个不同候选类型组合中的每一候选类型组合,利用所述经训练的空压站仿真模型,基于所构建的多个第二样本数据集合,为该候选类型组合预测在所述目标使用时间段内的多个步长处每一个空压机的空压机运行功率数据以及母管压力,并基于所预测的各空压机运行功率数据和母管压力,确定在该候选类型组合下,每一空压机在所述目标使用时间段的开关机次数以及平均母管压力;
基于为每一候选类型组合确定的开关机次数和平均母管压力,从所述多个不同候选类型组合中选择开关机次数最少并且平均母管压力最小的一个候选类型组合作为要在该目标使用时间段使用的类型组合。
6.根据权利要求1所述的方法,其中基于所述经训练的空压站仿真模型为所述空压站确定下一步长的最佳空压机开机组合包括:
将各空压机与当前步长及紧接在当前步长之前的多个步长相关联的空压机运行功率数据、空压机排气温度数据、空压机排气压力数据和空压机运行状态数据以及与所述当前步长及所述多个步长相关联母管压力数据、母管流量数据和母管温度数据输入所述经训练的空压站仿真模型,以预测各空压机与下一步长相关联的空压机运行功率以及与所述下一步长相关联的母管压力;以及
基于所预测的各空压机运行功率以及母管压力,确定所述下一步长的最佳空压机开机组合。
7.根据权利要求2所述的方法,对所述多个第一样本数据集合进行处理,以得到分别与多个步长相关联的多个第二样本数据集合包括:
分别基于各空压机的额定功率,对每一第一样本数据集合中相应的空压机运行功率数据进行归一化;
在归一化之后,对所述多个第一样本数据集合进行降采样,以得到分别与多个步长相关联的多个经降采样的样本数据集合;
为每一步长确定空压机排气压力斜率和母管压力斜率;
对于每一步长,将与该步长相关联的经降采样的样本数据集合与相应的空压机压力斜率和母管压力斜率组合成相应的第二样本数据集合。
8.根据权利要求7所述的方法,还包括:
向各个第二样本数据集合中包括的每一数据分别添加一个噪音,所述噪音为正态白噪音。
9.根据权利要求7所述的方法,还包括:
向各个第二样本数据集合中包括的每一数据分别添加一个或多个噪音,所述噪音为正态白噪音,并且其中向对应于后一步长的第二样本数据集合中的相应数据添加的噪音的数量比向对应于前一步长的第二样本数据集合中的相应数据添加的噪音的数量多1,并且向对应于第一个步长的第二样本数据集合中的相应数据添加的噪音的数量为1。
10.根据权利要求7所述的方法,其中所述空压站仿真模型包括具有多个单元的长短期记忆网络层、具有多个单元的门控循环单元网络层、具有多个单元的全连接层以及输出层,所述输出层用于输出为下一步长预测的各空压机运行功率以及母管压力。
11.根据权利要求2所述的方法,其中基于所述多个第二样本数据集合训练空压站仿真模型包括:
基于所述多个第二样本数据集合,为所述空压站仿真模型确定使得相关联的目标函数最小化的模型参数,所述目标函数为第一均方根误差与第二均方根误差之间的加权和,
所述第一均方根误差是根据基于所述空压站仿真模型得到的分别与多个步长相关联的多个空压机运行功率分别与相应的真实空压机运行功率之间的误差来确定的,
所述第二均方根误差是根据基于所述空压站仿真模型得到的分别与该多个步长相关联的多个母管压力分别与相应的真实母管压力之间的误差来确定的,
其中基于所述空压站仿真模型得到的与该多个步长中的每一相应步长相关联的空压机运行功率是通过将所述多个第二样本数据集合中与该相应步长之前的m个连续步长相关联的m个第二样本数据集合输入所述空压站仿真模型所得到的空压机运行功率,并且相应的真实空压机运行功率是所述多个第二样本数据集合中与该相应步长相关联的一个第二样本数据集合中的空压机运行功率,
基于所述空压站仿真模型得到的与该多个步长中的每一相应步长相关联的母管压力是通过将所述多个第二样本数据集合中与该相应步长之前的m个连续步长相关联的m个输入所述空压站仿真模型所得到的母管压力,并且相应的真实母管压力是所述多个第二样本数据集合中与该相应步长相关联的第二样本数据集合中的相应母管压力,其中所述m为大于等于2的整数。
12.根据权利要求11所述的方法,其中与所述第一均方根误差相关联的权重小于与所述第二均方根误差相关联的权重。
13.根据权利要求2所述的方法,还包括:
响应于确定经训练的空压站仿真模型不再满足预定条件,基于所述多个第二样本数据集合重新训练所述空压站仿真模型,或者基于分别与第二历史时间段的多个步长相关联的多个新的第二样本数据集合重新训练所述空压站仿真模型。
14.根据权利要求13所述的方法,其中所述预定条件包括:在当前步长,基于经训练的空压站仿真模型得到的多个母管压力与相应的真实母管压力之间的误差大于第一误差标准差的预定倍数,所述第一误差标准差为在当前步长之前的多个步长基于经训练的空压站仿真模型得到的多个母管压力分别与相应的真实母管压力之间的误差的标准差。
15.根据权利要求13所述的方法,其中所述预定条件包括:在当前步长,基于所述经训练的空压站仿真模型得到的多个空压机运行功率与相应的真实空压机运行功率之间的误差大于第二误差标准差的预定倍数,所述第二误差标准差为在当前步长之前的多个步长基于所述经训练的空压站仿真模型得到的多个空压机运行功率分别与相应的真实空压机运行功率之间的误差的标准差。
16.根据权利要求14或15所述的方法,其中所述预定倍数为2倍。
17. 一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-16中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行权利要求1-16中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279432.1A CN115343967B (zh) | 2022-10-19 | 2022-10-19 | 用于对空压站进行仿真控制的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279432.1A CN115343967B (zh) | 2022-10-19 | 2022-10-19 | 用于对空压站进行仿真控制的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115343967A true CN115343967A (zh) | 2022-11-15 |
CN115343967B CN115343967B (zh) | 2023-01-10 |
Family
ID=83957156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211279432.1A Active CN115343967B (zh) | 2022-10-19 | 2022-10-19 | 用于对空压站进行仿真控制的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115343967B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272845A (zh) * | 2023-11-22 | 2023-12-22 | 广东蘑菇物联科技有限公司 | 空压站能耗水平评估方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100293423A1 (en) * | 2009-03-04 | 2010-11-18 | Suresh Goyal | Method and apparatus for virtual in-circuit emulation |
CN109164704A (zh) * | 2018-08-07 | 2019-01-08 | 大连理工大学 | 一种基于混合模型的空压机群组优化调度方法 |
CN113217340A (zh) * | 2021-06-07 | 2021-08-06 | 杭州海川节能科技有限公司 | 一种空压机控制方法、装置、设备及存储介质 |
CN113464415A (zh) * | 2021-09-03 | 2021-10-01 | 蘑菇物联技术(深圳)有限公司 | 控制空压站的空压机的方法、设备和计算机存储介质 |
CN113537644A (zh) * | 2021-08-23 | 2021-10-22 | 中冶赛迪技术研究中心有限公司 | 一种多空压站动态协同优化调控系统及方法 |
CN114266208A (zh) * | 2022-03-03 | 2022-04-01 | 蘑菇物联技术(深圳)有限公司 | 用于实现管道压降的动态预测的方法、设备、介质和系统 |
CN114428803A (zh) * | 2020-10-29 | 2022-05-03 | 上海浦昊节能环保科技有限公司 | 空压站运行优化方法、系统、存储介质及终端 |
CN114645844A (zh) * | 2022-05-23 | 2022-06-21 | 蘑菇物联技术(深圳)有限公司 | 确定空压站的流量状态的方法、计算设备和计算机介质 |
-
2022
- 2022-10-19 CN CN202211279432.1A patent/CN115343967B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100293423A1 (en) * | 2009-03-04 | 2010-11-18 | Suresh Goyal | Method and apparatus for virtual in-circuit emulation |
CN109164704A (zh) * | 2018-08-07 | 2019-01-08 | 大连理工大学 | 一种基于混合模型的空压机群组优化调度方法 |
CN114428803A (zh) * | 2020-10-29 | 2022-05-03 | 上海浦昊节能环保科技有限公司 | 空压站运行优化方法、系统、存储介质及终端 |
CN113217340A (zh) * | 2021-06-07 | 2021-08-06 | 杭州海川节能科技有限公司 | 一种空压机控制方法、装置、设备及存储介质 |
CN113537644A (zh) * | 2021-08-23 | 2021-10-22 | 中冶赛迪技术研究中心有限公司 | 一种多空压站动态协同优化调控系统及方法 |
CN113464415A (zh) * | 2021-09-03 | 2021-10-01 | 蘑菇物联技术(深圳)有限公司 | 控制空压站的空压机的方法、设备和计算机存储介质 |
CN114266208A (zh) * | 2022-03-03 | 2022-04-01 | 蘑菇物联技术(深圳)有限公司 | 用于实现管道压降的动态预测的方法、设备、介质和系统 |
CN114645844A (zh) * | 2022-05-23 | 2022-06-21 | 蘑菇物联技术(深圳)有限公司 | 确定空压站的流量状态的方法、计算设备和计算机介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272845A (zh) * | 2023-11-22 | 2023-12-22 | 广东蘑菇物联科技有限公司 | 空压站能耗水平评估方法、装置及设备 |
CN117272845B (zh) * | 2023-11-22 | 2024-03-08 | 广东蘑菇物联科技有限公司 | 空压站能耗水平评估方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115343967B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10599954B2 (en) | Method and apparatus of discovering bad case based on artificial intelligence, device and storage medium | |
CN110073567B (zh) | 分布式资源电力需求预测系统和方法 | |
US11605304B2 (en) | Learning of policy for selection of associative topic in dialog system | |
CN115343967B (zh) | 用于对空压站进行仿真控制的方法、设备和介质 | |
CN114442583B (zh) | 用于对多个被控设备进行控制方法、设备和介质 | |
JP7438303B2 (ja) | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN104463381A (zh) | 基于kpca与wlssvm的建筑能耗预测方法 | |
CN115095962A (zh) | 用于控制中央空调系统的冷水机组的方法、设备和介质 | |
KR20210017342A (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN114635844A (zh) | 用于控制空压站中的空压机的方法、设备和介质 | |
CN114428462B (zh) | 基于mpc算法对被控系统进行动态控制的方法、设备和介质 | |
CN113408070A (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
US20230206084A1 (en) | Method, device, and program product for managing knowledge graphs | |
US20230095807A1 (en) | Method, electronic device, and computer program product for managing storage device | |
CN114266208B (zh) | 用于实现管道压降的动态预测的方法、设备、介质和系统 | |
CN116933189A (zh) | 一种数据检测方法和装置 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN114298389A (zh) | 一种臭氧浓度预报方法及装置 | |
CN114117778A (zh) | 控制参数确定方法、装置、电子设备和存储介质 | |
JP4141246B2 (ja) | 異種現象による短期予測システム | |
CN114382687B (zh) | 用于控制空压站中的空压机的方法、设备和介质 | |
CN115059605B (zh) | 用于对被控系统进行控制的方法、设备和介质 | |
CN116881090B (zh) | 计算装置以及控制计算装置中的计算核的能耗的方法 | |
CN117591283B (zh) | 基于跨平台数据融合的云切设备管理方法及系统 |
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 | ||
CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: China Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: China |
|
CP03 | Change of name, title or address |