CN116182471B - 智能化的节能冷库制冷系统及方法 - Google Patents
智能化的节能冷库制冷系统及方法 Download PDFInfo
- Publication number
- CN116182471B CN116182471B CN202310444044.2A CN202310444044A CN116182471B CN 116182471 B CN116182471 B CN 116182471B CN 202310444044 A CN202310444044 A CN 202310444044A CN 116182471 B CN116182471 B CN 116182471B
- Authority
- CN
- China
- Prior art keywords
- humidity
- training
- classification
- input
- freezer
- 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
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 169
- 238000012549 training Methods 0.000 claims description 153
- 230000008859 change Effects 0.000 claims description 127
- 239000011159 matrix material Substances 0.000 claims description 116
- 238000013527 convolutional neural network Methods 0.000 claims description 47
- 238000010586 diagram Methods 0.000 claims description 41
- 230000007246 mechanism Effects 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000012512 characterization method Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 239000002699 waste material Substances 0.000 description 8
- 230000002708 enhancing effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D13/00—Stationary devices, e.g. cold-rooms
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D17/00—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces
- F25D17/04—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection
- F25D17/042—Air treating means within refrigerated spaces
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/005—Mounting of control devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2317/00—Details or arrangements for circulating cooling fluids; Details or arrangements for circulating gas, e.g. air, within refrigerated spaces, not provided for in other groups of this subclass
- F25D2317/04—Treating air flowing to refrigeration compartments
- F25D2317/041—Treating air flowing to refrigeration compartments by purification
- F25D2317/0411—Treating air flowing to refrigeration compartments by purification by dehumidification
- F25D2317/04111—Control means therefor
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及智能控制领域,其具体地公开了一种智能化的节能冷库制冷系统及方法,其通过采用基于深度学习的人工智能检测技术挖掘出冷库湿度输入值和湿度变化值的隐含特征,进一步基于两者之间的空间关联特征来对除湿器进行自适应的控制,通过这样的方式来优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。
Description
技术领域
本发明涉及智能控制领域,且更为具体地,涉及一种智能化的节能冷库制冷系统及方法。
背景技术
冷库是一种专门用于冷藏和储存食品、药品、化学品等物品的设施。它通常由保温材料构成,同时还配备了制冷设备以维持低温环境。
在冷库运行过程中,适时地开启除湿器对冷库内进行除湿,以使得冷风机主蒸发器翅片上不结霜或少结霜,以及维持冷库库温,避免冷库库温波动。但是,何时开启除湿器是个重要的技术问题,如果除湿器一直处于开启状态,库内的湿度可能会过低,且是一种额外的能源损耗,如果除湿器开启过晚,则冷风机主蒸发器翅片上可能会发生结霜,且导致冷库库温发生波动。
因此,期待一种优化的节能冷库制冷方案。
发明内容
为了解决上述技术问题,提出了本发明。本发明的实施例提供了一种智能化的节能冷库制冷系统及方法,其通过采用基于深度学习的人工智能检测技术挖掘出冷库湿度输入值和湿度变化值的隐含特征,进一步基于两者之间的空间关联特征来对除湿器进行自适应的控制,通过这样的方式来优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。
根据本发明的一个方面,提供了一种智能化的节能冷库制冷系统,其包括:
湿度采集单元,用于获取预定时间段内多个预定时间点的冷库湿度值;
排列单元,用于将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;
变化表征单元,用于计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;
数据增强单元,用于基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;
多通道融合单元,用于融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;
特征提取单元,用于将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;以及
控制结果生成单元,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。
在上述智能化的节能冷库制冷系统中,所述数据增强单元,包括:高斯密度图构造子单元,用于构造所述冷库湿度输入向量和所述湿度变化输入向量的高斯密度图以得到第一高斯密度图和第二高斯密度图。其中,所述第一高斯密度图的均值向量为所述冷库湿度输入向量,所述第二高斯密度图的均值向量为所述湿度变化输入向量,所述第一高斯密度图的协方差矩阵为所述冷库湿度输入向量中相应两个位置的特征值之间的方差,所述第二高斯密度图的协方差矩阵为所述湿度变化输入向量中相应两个位置的特征值之间的方差;以及,高斯离散化子单元,用于对所述第一高斯密度图和所述第二高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述冷库湿度输入矩阵和所述湿度变化输入矩阵。
在上述智能化的节能冷库制冷系统中,所述多通道融合单元,用于:以如下级联公式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;其中,所述公式为:
;
其中,表示所述冷库湿度输入矩阵,/>表示所述湿度变化输入矩阵,表示级联函数,/>表示所述湿度多通道输入张量。
在上述智能化的节能冷库制冷系统中,所述特征提取单元,包括:深度卷积编码子单元,用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述湿度多通道输入张量进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;以及,空间注意力子单元,用于将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述分类特征图。
在上述智能化的节能冷库制冷系统中,所述控制结果生成单元,包括:展开子单元,用于将所述分类特征图基于行向量或列向量展开为分类特征向量;全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在上述智能化的节能冷库制冷系统中,还包括用于对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练冷库湿度值,以及,是否开启除湿器的真实值;训练排列单元,用于将所述多个预定时间点的训练冷库湿度值按照时间维度排列为训练冷库湿度输入向量;训练变化表征单元,用于计算所述训练冷库湿度输入向量中每相邻两个位置的训练冷库湿度值之间的差值以得到训练湿度变化输入向量;训练数据增强单元,用于基于高斯密度图对所述训练冷库湿度输入向量和所述训练湿度变化输入向量进行数据增强以得到训练冷库湿度输入矩阵和训练湿度变化输入矩阵;训练多通道融合单元,用于融合所述训练冷库湿度输入矩阵和所述训练湿度变化输入矩阵以得到训练湿度多通道输入张量;训练特征提取单元,用于将所述训练湿度多通道输入张量通过所述使用空间注意力机制的卷积神经网络模型以得到训练分类特征图;优化单元,用于对于所述训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图;分类损失单元,用于将所述优化分类特征图通过所述分类器以得到分类损失函数值;以及,训练单元,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练。
在上述智能化的节能冷库制冷系统中,所述优化单元,用于:以如下优化公式对所述训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图;其中,所述公式为:
;
其中,是所述训练分类特征图,/>是所述训练分类特征图的第/>位置的特征值,/>和/>分别是所述训练分类特征图/>的高度、宽度和通道数,且/>和/>为用于尺度调节的超参数,/>表示指数运算。
根据本发明的另一方面,提供了一种智能化的节能冷库制冷方法,其包括:
获取预定时间段内多个预定时间点的冷库湿度值;
将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;
计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;
基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;
融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;
将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。
根据本发明的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能化的节能冷库制冷方法。
根据本发明的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能化的节能冷库制冷方法。
与现有技术相比,本发明提供的一种智能化的节能冷库制冷系统及方法,其通过采用基于深度学习的人工智能检测技术挖掘出冷库湿度输入值和湿度变化值的隐含特征,进一步基于两者之间的空间关联特征来对除湿器进行自适应的控制,通过这样的方式来优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本发明实施例的智能化的节能冷库制冷系统的场景示意图;
图2为根据本发明实施例的智能化的节能冷库制冷系统的框图;
图3为根据本发明实施例的智能化的节能冷库制冷系统中训练模块的框图;
图4为根据本发明实施例的智能化的节能冷库制冷系统中推断模块的系统架构图;
图5为根据本发明实施例的智能化的节能冷库制冷系统中训练模块的系统架构图;
图6为根据本发明实施例的智能化的节能冷库制冷系统中数据增强单元的框图;
图7为根据本发明实施例的智能化的节能冷库制冷系统中特征提取单元的框图;
图8为根据本发明实施例的智能化的节能冷库制冷系统中控制结果生成单元的框图;
图9为根据本发明实施例的智能化的节能冷库制冷方法的流程图;
图10为根据本发明实施例的电子设备的框图。
其中,101、湿度传感器,310、湿度采集单元,320、排列单元,330、变化表征单元,340、数据增强单元,341、高斯密度图构造子单元,342、高斯离散化子单元,350、多通道融合单元,360、特征提取单元,361、深度卷积编码子单元,362、空间注意力子单元,370、控制结果生成单元,371、展开子单元,372、全连接编码子单元,373、分类结果生成子单元,410、训练数据获取单元,420、训练排列单元,430、训练变化表征单元,440、训练数据增强单元,450、训练多通道融合单元,460、训练特征提取单元,470、优化单元,480、分类损失单元,490、训练单元,11、处理器,12、存储器,13、输入装置,14、输出装置。
具体实施方式
下面,将参考附图详细地描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
场景概述
针对上述技术问题,本发明的技术构思为:采用深度学习和人工智能技术,对预定时间段内多个预定时间点的冷库湿度值进行处理和分析来优化冷库制冷方案,实现节能运行,避免出现湿度过低或过高导致的质量问题和能源浪费问题。
具体地,在本技术方案中,首先,获取预定时间段内多个预定时间点的冷库湿度值。冷库内的湿度会随着时间和环境因素的变化而发生变化,例如外界天气、贮藏物品的性质等。通过获取冷库内多个预定时间点的湿度数据可以为后续的分析提供数据来源。
接着,将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量以将数据更好的进行整合。这里,通过按照时间维度排列,可以将不同时间点的数据按照先后顺序组织起来,形成一个有序的向量,这有利于捕捉和分析湿度随时间的变化趋势。
然后,计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量。这里,所述湿度变化输入向量描述了冷库湿度在一个时间段内的变化趋势,也就是说,通过计算湿度值之间的差值,可以获得湿度的增加或减少的信息。同时,做差值处理还可以减小湿度数据中的噪声和随机波动的影响,提高数据的可靠性和稳定性。
继而,基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵。这里,基于高斯密度图对冷库湿度输入向量和湿度变化输入向量进行数据增强,是一种数据预处理的方法,在神经网络建模中常用来提高模型的泛化能力和预测精度。通过将输入数据转换为高斯密度图形式,可以使得数据更加光滑、连续,并且保留了数据的局部特征。在冷库制冷方案优化中,基于高斯密度图对冷库湿度输入向量和湿度变化输入向量进行数据增强,可以更好地描述冷库湿度随时间的变化趋势,并且避免数据噪声和异常值的影响,提高模型的稳定性和准确性。
为了挖掘湿度值在时间维度上的隐含变化特征信息,在本技术方案中,首先融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以充分利用输入数据中的信息避免损失有用的信息,从而得到湿度多通道输入张量。这里,每个通道对应不同的特征描述,也就是,将湿度值和湿度变化趋势分别编码成不同的通道,可以更全面地描述湿度的变化规律。然后,将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图。这里,使用空间注意力机制的卷积神经网络模型是一种深度学习模型,其能够自动学习数据的特征表示,并能够自适应地抑制或强化不同空间位置的特征,使得所述分类特征图具有相对更加的空间可鉴别性。
在得到所述分类特征图后,将其通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。在冷库制冷方案优化中,分类结果用于指示当前时刻是否需要开启除湿器,从而实现优化的节能运行。也就是,在本发明的技术方案中,所述分类器的标签包括开启除湿器(第一标签),以及,不开启除湿器(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。通过这样的方式来优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。
这里,在将所述湿度多通道输入矩阵通过使用空间注意力机制的卷积神经网络模型得到所述分类特征图时,由于所述卷积神经网络模型在特征矩阵的宽度维度、高度维度和卷积神经网络的通道维度这三个维度上进行特征提取的同时,在特征矩阵的宽度维度和高度维度应用空间注意力机制给予了局部空间位置的特征值更高权重,因此为了提升所述分类特征图整体的表达效果,期望能够提升所述卷积神经网络模型在三个维度上的整体特征学习关联度,这样,就可以提升所述分类特征图通过分类器得到的分类结果的准确性。
基于此,在训练过程中,对于所述使用空间注意力机制的卷积神经网络模型得到的所述分类特征图进行类傅里叶尺度域概率修正,具体表示为:
;
其中,是所述分类特征图/>的第/>位置的特征值,/>和/>分别是所述分类特征图/>的高度、宽度和通道数,且/>和/>为用于尺度调节的超参数。
这里,所述类傅里叶尺度域概率修正考虑到高维特征分布与其所在的尺度域的同源性,可以通过尺度空间的类傅里叶稀疏低秩变换,来基于尺度空间的低秩约束捕获同源空间下的潜在分布关联,从而在所述使用空间注意力机制的卷积神经网络模型的训练过程中,在获得特征值的空间强化的局部关联表示的同时,实现具有特征整体的尺度相干性的联合空间特征学习,以通过提高使用空间注意力机制的卷积神经网络模型在整体空间尺度下的学习关联度,来提升所获得的分类特征图在整体三个维度上的表达效果,以提升所述分类特征图通过分类器得到的分类结果的准确性。
基于此,本发明提出了一种智能化的节能冷库制冷系统,其包括:湿度采集单元,用于获取预定时间段内多个预定时间点的冷库湿度值;排列单元,用于将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;变化表征单元,用于计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;数据增强单元,用于基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;多通道融合单元,用于融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;特征提取单元,用于将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;以及,控制结果生成单元,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。
图1为根据本发明实施例的智能化的节能冷库制冷系统的场景示意图。如图1所示,在该应用场景中,首先,通过湿度传感器101获取预定时间段内多个预定时间点的冷库湿度值。然后,将上述数据输入至部署有用于智能化的节能冷库制冷算法的服务器中,其中,所述服务器能够以所述智能化的节能冷库制冷算法对上述输入的数据进行处理,以生成用于表示是否开启除湿器的分类结果。
在介绍了本发明的基本原理之后,下面将参考附图来具体介绍本发明的各种非限制性实施例。
示例性系统
图2为根据本发明实施例的智能化的节能冷库制冷系统的框图。如图2所示,根据本发明实施例的智能化的节能冷库制冷系统包括推断模块,其中,所述推断模块包括:湿度采集单元310;排列单元320;变化表征单元330;数据增强单元340;多通道融合单元350;特征提取单元360;以及,控制结果生成单元370。
其中,所述湿度采集单元310,用于获取预定时间段内多个预定时间点的冷库湿度值;所述排列单元320,用于将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;所述变化表征单元330,用于计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;所述数据增强单元340,用于基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;所述多通道融合单元350,用于融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;所述特征提取单元360,用于将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;以及,所述控制结果生成单元370,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。
图4为根据本发明实施例的智能化的节能冷库制冷系统中推断模块的系统架构图。如图4所示,所述智能化的节能冷库制冷系统的系统架构中,在推断过程中,首先通过所述湿度采集单元310获取预定时间段内多个预定时间点的冷库湿度值;所述排列单元320将所述湿度采集单元310获取的多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;接着,所述变化表征单元330计算所述排列单元320得到的冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;所述数据增强单元340基于高斯密度图对所述排列单元320得到的冷库湿度输入向量和所述变化表征单元330计算所得的湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;然后,所述多通道融合单元350融合所述数据增强单元340得到的冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;所述特征提取单元360将所述多通道融合单元350融合所得的湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;进而,所述控制结果生成单元370将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。
具体地,在所述智能化的节能冷库制冷系统的运行过程中,所述湿度采集单元310,用于获取预定时间段内多个预定时间点的冷库湿度值。应可以理解,冷库内的湿度值会随着时间和环境因素的变化而发生变化,例如外界天气、贮藏物品的性质等。通过获取冷库内多个预定时间点的湿度数据可以为后续的分析提供数据来源。具体地,可通过基于冷库湿度值和湿度变化值之间的隐含特征和关联特征来对除湿器进行自适应的调节和控制,因此,在本发明的一个具体示例中,首先,可通过湿度传感器来获取预定时间段内多个预定时间点的冷库湿度值。具体地,在所述智能化的节能冷库制冷系统的运行过程中,所述排列单元320,用于将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量。也就是,在本发明的技术方案中,进一步将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量以将数据更好的进行整合。这里,通过按照时间维度排列,可以将不同时间点的数据按照先后顺序组织起来,形成一个有序的向量,这有利于捕捉和分析湿度随时间的变化趋势。
具体地,在所述智能化的节能冷库制冷系统的运行过程中,所述变化表征单元330,用于计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量。也就是,计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量。这里,所述湿度变化输入向量描述了冷库湿度在一个时间段内的变化趋势,也就是说,通过计算湿度值之间的差值,可以获得湿度的增加或减少的信息。同时,做差值处理还可以减小湿度数据中的噪声和随机波动的影响,提高数据的可靠性和稳定性。
具体地,在所述智能化的节能冷库制冷系统的运行过程中,所述数据增强单元340,用于基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵。在本发明的技术方案中,基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵。这里,基于高斯密度图对冷库湿度输入向量和湿度变化输入向量进行数据增强,是一种数据预处理的方法,在神经网络建模中常用来提高模型的泛化能力和预测精度。通过将输入数据转换为高斯密度图形式,可以使得数据更加光滑、连续,并且保留了数据的局部特征。在冷库制冷方案优化中,基于高斯密度图对冷库湿度输入向量和湿度变化输入向量进行数据增强,可以更好地描述冷库湿度随时间的变化趋势,并且避免数据噪声和异常值的影响,提高模型的稳定性和准确性。
图6为根据本发明实施例的智能化的节能冷库制冷系统中数据增强单元的框图。如图6所示,所述数据增强单元340,包括:高斯密度图构造子单元341,用于构造所述冷库湿度输入向量和所述湿度变化输入向量的高斯密度图以得到第一高斯密度图和第二高斯密度图。其中,所述第一高斯密度图的均值向量为所述冷库湿度输入向量,所述第二高斯密度图的均值向量为所述湿度变化输入向量,所述第一高斯密度图的协方差矩阵为所述冷库湿度输入向量中相应两个位置的特征值之间的方差,所述第二高斯密度图的协方差矩阵为所述湿度变化输入向量中相应两个位置的特征值之间的方差;高斯离散化子单元342,用于对所述第一高斯密度图和所述第二高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述冷库湿度输入矩阵和所述湿度变化输入矩阵。
具体地,在所述智能化的节能冷库制冷系统的运行过程中,所述多通道融合单元350,用于融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量。为了挖掘湿度值在时间维度上的隐含变化特征信息,在本技术方案中,首先融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以充分利用输入数据中的信息避免损失有用的信息,从而得到湿度多通道输入张量。这里,每个通道对应不同的特征描述,也就是,将湿度值和湿度变化趋势分别编码成不同的通道,可以更全面地描述湿度的变化规律。在本发明的一个具体示例中,可通过级联的方式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵,更具体地,以如下级联公式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;其中,所述公式为:,其中,/>表示所述冷库湿度输入矩阵,/>表示所述湿度变化输入矩阵,/>表示级联函数,表示所述湿度多通道输入张量。
具体地,在所述智能化的节能冷库制冷系统的运行过程中,所述特征提取单元360,用于将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图。也就是,将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图。这里,使用空间注意力机制的卷积神经网络模型是一种深度学习模型,其能够自动学习数据的特征表示,并能够自适应地抑制或强化不同空间位置的特征,使得所述分类特征图具有相对更加的空间可鉴别性。在一个具体示例中,所述卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述卷积神经网络的编码过程中,所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图7为根据本发明实施例的智能化的节能冷库制冷系统中特征提取单元的框图。如图7所示,所述特征提取单元360,包括:深度卷积编码子单元361,用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述湿度多通道输入张量进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;以及,空间注意力子单元362,用于将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述分类特征图。
具体地,在所述智能化的节能冷库制冷系统的运行过程中,所述控制结果生成单元370,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。也就是,在得到所述分类特征图之后,进一步将分类特征图通过分类器用于表示是否开启除湿器的分类结果,具体地,使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果,其中,所述公式为:,其中/>表示将所述分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述分类特征图投影为向量,例如,在一个具体的示例中,将所述分类特征图沿着行向量或者列向量进行展开为分类特征向量;然后,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签,在本发明的技术方案中,所述分类器的标签包括开启除湿器(第一标签),以及,不开启除湿器(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。通过这样的方式来优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。值得注意的是,这里的所述第一标签和所述第二标签并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否开启除湿器”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,其中,输出特征在所述第一标签下的概率为p1以及输出特征在所述第二标签下的概率为p2,p1和p2之和为一。因此,除湿器是否开启的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否开启除湿器”的语言文本意义。应可以理解,在本发明的技术方案中,所述分类器的分类标签为所述是否开启除湿器的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整当前时间点所述除湿器是否开启,以此优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。
图8为根据本发明实施例的智能化的节能冷库制冷系统中控制结果生成单元的框图。如图8所示,所述控制结果生成单元370,包括:展开子单元371,用于将所述分类特征图基于行向量或列向量展开为分类特征向量;全连接编码子单元372,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成子单元373,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练。也就是说,在本发明的智能化的节能冷库制冷系统中,还包括训练模块,用于对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练。深度神经网络的训练大多采用反向传播算法,反向传播算法利用链式法则通过后面一层传来的误差来对当前层参数进行更新,这在网络很深的时候会遭遇梯度消失的问题,或者更广义地称为不稳定梯度问题。
图3为根据本发明实施例的智能化的节能冷库制冷系统的框图。如图3所示,根据本发明实施例的智能化的节能冷库制冷系统,还包括训练模块,所述训练模块包括:训练数据获取单元410;训练排列单元420训练变化表征单元430;训练数据增强单元440;训练多通道融合单元450;训练特征提取单元460;优化单元470;分类损失单元480;以及,训练单元490。
其中,所述训练数据获取单元410,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练冷库湿度值,以及,是否开启除湿器的真实值;所述训练排列单元420,用于将所述多个预定时间点的训练冷库湿度值按照时间维度排列为训练冷库湿度输入向量;所述训练变化表征单元430,用于计算所述训练冷库湿度输入向量中每相邻两个位置的训练冷库湿度值之间的差值以得到训练湿度变化输入向量;所述训练数据增强单元440,用于基于高斯密度图对所述训练冷库湿度输入向量和所述训练湿度变化输入向量进行数据增强以得到训练冷库湿度输入矩阵和训练湿度变化输入矩阵;所述训练多通道融合单元450,用于融合所述训练冷库湿度输入矩阵和所述训练湿度变化输入矩阵以得到训练湿度多通道输入张量;所述训练特征提取单元460,用于将所述训练湿度多通道输入张量通过所述使用空间注意力机制的卷积神经网络模型以得到训练分类特征图;所述优化单元470,用于对于所述训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图;所述分类损失单元480,用于将所述优化分类特征图通过所述分类器以得到分类损失函数值;以及,所述训练单元490,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练。
图5为根据本发明实施例的智能化的节能冷库制冷系统中训练模块的系统架构图。如图5所示,所述智能化的节能冷库制冷系统的系统架构中,在训练模块中,首先通过所述训练数据获取单元410获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练冷库湿度值,以及,是否开启除湿器的真实值;所述训练排列单元420将所述训练数据获取单元410获取的多个预定时间点的训练冷库湿度值按照时间维度排列为训练冷库湿度输入向量;所述训练变化表征单元430计算所述训练排列单元420得到的训练冷库湿度输入向量中每相邻两个位置的训练冷库湿度值之间的差值以得到训练湿度变化输入向量;接着,所述训练数据增强单元440基于高斯密度图对所述训练排列单元420得到的训练冷库湿度输入向量和所述训练变化表征单元430计算所得的训练湿度变化输入向量进行数据增强以得到训练冷库湿度输入矩阵和训练湿度变化输入矩阵;所述训练多通道融合单元450融合所述训练数据增强单元440得到的训练冷库湿度输入矩阵和所述训练湿度变化输入矩阵以得到训练湿度多通道输入张量;然后,所述训练特征提取单元460将所述训练多通道融合单元450得到的训练湿度多通道输入张量通过所述使用空间注意力机制的卷积神经网络模型以得到训练分类特征图;所述优化单元470对于所述训练特征提取单元460得到的训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图;所述分类损失单元480将所述优化单元470得到的优化分类特征图通过所述分类器以得到分类损失函数值;进而,所述训练单元490基于所述分类损失函数值并通过梯度下降的方向传播来对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练。
在本发明的技术方案中,在将所述湿度多通道输入矩阵通过使用空间注意力机制的卷积神经网络模型得到所述分类特征图时,由于所述卷积神经网络模型在特征矩阵的宽度维度、高度维度和卷积神经网络的通道维度这三个维度上进行特征提取的同时,在特征矩阵的宽度维度和高度维度应用空间注意力机制给予了局部空间位置的特征值更高权重,因此为了提升所述分类特征图整体的表达效果,期望能够提升所述卷积神经网络模型在三个维度上的整体特征学习关联度,这样,就可以提升所述分类特征图通过分类器得到的分类结果的准确性。基于此,在训练过程中,对于所述使用空间注意力机制的卷积神经网络模型得到的所述分类特征图进行类傅里叶尺度域概率修正,具体表示为:
;
其中,是所述训练分类特征图,/>是所述训练分类特征图的第/>位置的特征值,/>和/>分别是所述训练分类特征图/>的高度、宽度和通道数,且/>和/>为用于尺度调节的超参数,/>表示指数运算。这里,所述类傅里叶尺度域概率修正考虑到高维特征分布与其所在的尺度域的同源性,可以通过尺度空间的类傅里叶稀疏低秩变换,来基于尺度空间的低秩约束捕获同源空间下的潜在分布关联,从而在所述使用空间注意力机制的卷积神经网络模型的训练过程中,在获得特征值的空间强化的局部关联表示的同时,实现具有特征整体的尺度相干性的联合空间特征学习,以通过提高使用空间注意力机制的卷积神经网络模型在整体空间尺度下的学习关联度,来提升所获得的分类特征图在整体三个维度上的表达效果,以提升所述分类特征图通过分类器得到的分类结果的准确性。
综上,根据本发明实施例的智能化的节能冷库制冷系统被阐明,其通过采用基于深度学习的人工智能检测技术挖掘出冷库湿度输入值和湿度变化值的隐含特征,进一步基于两者之间的空间关联特征来对除湿器进行自适应的控制,通过这样的方式来优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。
如上所述,根据本发明实施例的智能化的节能冷库制冷系统可以实现在各种终端设备中。在一个示例中,根据本发明实施例的智能化的节能冷库制冷系统可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能化的节能冷库制冷系统可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能化的节能冷库制冷系统同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能化的节能冷库制冷系统与该终端设备也可以是分立的设备,并且该智能化的节能冷库制冷系统可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图9为根据本发明实施例的智能化的节能冷库制冷方法的流程图。如图9所示,根据本发明实施例的智能化的节能冷库制冷方法,包括步骤:S110,获取预定时间段内多个预定时间点的冷库湿度值;S120,将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;S130,计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;S140,基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;S150,融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;S160,将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;以及,S170,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器。
在一个示例中,在上述智能化的节能冷库制冷方法中,所述步骤S140,包括:构造所述冷库湿度输入向量和所述湿度变化输入向量的高斯密度图以得到第一高斯密度图和第二高斯密度图。其中,所述第一高斯密度图的均值向量为所述冷库湿度输入向量,所述第二高斯密度图的均值向量为所述湿度变化输入向量,所述第一高斯密度图的协方差矩阵为所述冷库湿度输入向量中相应两个位置的特征值之间的方差,所述第二高斯密度图的协方差矩阵为所述湿度变化输入向量中相应两个位置的特征值之间的方差;以及,对所述第一高斯密度图和所述第二高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述冷库湿度输入矩阵和所述湿度变化输入矩阵。
在一个示例中,在上述智能化的节能冷库制冷方法中,所述步骤S150,包括:以如下级联公式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;其中,所述公式为:,其中,/>表示所述冷库湿度输入矩阵,/>表示所述湿度变化输入矩阵,/>表示级联函数,/>表示所述湿度多通道输入张量。
在一个示例中,在上述智能化的节能冷库制冷方法中,所述步骤S160,包括:使用所述卷积神经网络模型的各层在层的正向传递中分别对所述湿度多通道输入张量进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;以及,将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述分类特征图。
在一个示例中,在上述智能化的节能冷库制冷方法中,所述步骤S170,包括:将所述分类特征图基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本发明实施例的智能化的节能冷库制冷方法被阐明,其通过采用基于深度学习的人工智能检测技术挖掘出冷库湿度输入值和湿度变化值的隐含特征,进一步基于两者之间的空间关联特征来对除湿器进行自适应的控制,通过这样的方式来优化冷库制冷方案,实现节能运行,避免湿度过低或过高导致的质量问题和能源浪费,提高冷库内物品的安全性和质量稳定性。
示例性电子设备
下面,参考图10来描述根据本发明实施例的电子设备。
图10图示了根据本发明实施例的电子设备的框图。
如图10所示,电子设备包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本发明的各个实施例的智能化的节能冷库制冷系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征图等各种内容。
在一个示例中,电子设备还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图10中仅示出了该电子设备中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本发明各种实施例的智能化的节能冷库制冷方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本发明各种实施例的智能化的节能冷库制冷方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明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发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、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,在本发明的装置、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发明的等效方案。
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发明。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发明的范围。因此,本发明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,此描述不意图将本发明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 (7)
1.一种智能化的节能冷库制冷系统,其特征在于,包括:
湿度采集单元,用于获取预定时间段内多个预定时间点的冷库湿度值;
排列单元,用于将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;
变化表征单元,用于计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;
数据增强单元,用于基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;
多通道融合单元,用于融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;
特征提取单元,用于将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;以及
控制结果生成单元,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器;
所述数据增强单元,包括:
高斯密度图构造子单元,用于构造所述冷库湿度输入向量和所述湿度变化输入向量的高斯密度图以得到第一高斯密度图和第二高斯密度图,其中,所述第一高斯密度图的均值向量为所述冷库湿度输入向量,所述第二高斯密度图的均值向量为所述湿度变化输入向量,所述第一高斯密度图的协方差矩阵为所述冷库湿度输入向量中相应两个位置的特征值之间的方差,所述第二高斯密度图的协方差矩阵为所述湿度变化输入向量中相应两个位置的特征值之间的方差;以及
高斯离散化子单元,用于对所述第一高斯密度图和所述第二高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述冷库湿度输入矩阵和所述湿度变化输入矩阵;
所述多通道融合单元,用于:以如下级联公式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;
其中,所述公式为:
,
其中,表示所述冷库湿度输入矩阵,/>表示所述湿度变化输入矩阵,/>表示级联函数,/>表示所述湿度多通道输入张量。
2.根据权利要求1所述的智能化的节能冷库制冷系统,其特征在于,所述特征提取单元,包括:
深度卷积编码子单元,用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述湿度多通道输入张量进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图;以及
空间注意力子单元,用于将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述分类特征图。
3.根据权利要求2所述的智能化的节能冷库制冷系统,其特征在于,所述控制结果生成单元,包括:
展开子单元,用于将所述分类特征图基于行向量或列向量展开为分类特征向量;
全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
4.根据权利要求3所述的智能化的节能冷库制冷系统,其特征在于,还包括用于对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练的训练模块;
其中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练冷库湿度值,以及,是否开启除湿器的真实值;
训练排列单元,用于将所述多个预定时间点的训练冷库湿度值按照时间维度排列为训练冷库湿度输入向量;
训练变化表征单元,用于计算所述训练冷库湿度输入向量中每相邻两个位置的训练冷库湿度值之间的差值以得到训练湿度变化输入向量;
训练数据增强单元,用于基于高斯密度图对所述训练冷库湿度输入向量和所述训练湿度变化输入向量进行数据增强以得到训练冷库湿度输入矩阵和训练湿度变化输入矩阵;
训练多通道融合单元,用于融合所述训练冷库湿度输入矩阵和所述训练湿度变化输入矩阵以得到训练湿度多通道输入张量;
训练特征提取单元,用于将所述训练湿度多通道输入张量通过所述使用空间注意力机制的卷积神经网络模型以得到训练分类特征图;
优化单元,用于对于所述训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图;
分类损失单元,用于将所述优化分类特征图通过所述分类器以得到分类损失函数值;以及
训练单元,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练。
5.根据权利要求4所述的智能化的节能冷库制冷系统,其特征在于,所述优化单元,用于:以如下优化公式对所述训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图;
其中,所述公式为:
,
其中,是所述训练分类特征图,/>是所述训练分类特征图的第/>位置的特征值,/>和/>分别是所述训练分类特征图/>的高度、宽度和通道数,且/>和/>为用于尺度调节的超参数,/>表示指数运算。
6.一种智能化的节能冷库制冷方法,其特征在于,包括:
获取预定时间段内多个预定时间点的冷库湿度值;
将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量;
计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量;
基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵;
融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;
将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器;
所述基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵,包括:
构造所述冷库湿度输入向量和所述湿度变化输入向量的高斯密度图以得到第一高斯密度图和第二高斯密度图,其中,所述第一高斯密度图的均值向量为所述冷库湿度输入向量,所述第二高斯密度图的均值向量为所述湿度变化输入向量,所述第一高斯密度图的协方差矩阵为所述冷库湿度输入向量中相应两个位置的特征值之间的方差,所述第二高斯密度图的协方差矩阵为所述湿度变化输入向量中相应两个位置的特征值之间的方差;以及
对所述第一高斯密度图和所述第二高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述冷库湿度输入矩阵和所述湿度变化输入矩阵;
所述融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量,包括:以如下级联公式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量;
其中,所述公式为:
,
其中,表示所述冷库湿度输入矩阵,/>表示所述湿度变化输入矩阵,/>表示级联函数,/>表示所述湿度多通道输入张量。
7.根据权利要求6所述的一种智能化的节能冷库制冷方法,其特征在于,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否开启除湿器,包括:
将所述分类特征图基于行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310444044.2A CN116182471B (zh) | 2023-04-24 | 2023-04-24 | 智能化的节能冷库制冷系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310444044.2A CN116182471B (zh) | 2023-04-24 | 2023-04-24 | 智能化的节能冷库制冷系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116182471A CN116182471A (zh) | 2023-05-30 |
CN116182471B true CN116182471B (zh) | 2023-07-18 |
Family
ID=86449246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310444044.2A Active CN116182471B (zh) | 2023-04-24 | 2023-04-24 | 智能化的节能冷库制冷系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116182471B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311005A (zh) * | 2023-05-25 | 2023-06-23 | 成都睿瞳科技有限责任公司 | 一种用于运动图像处理装置、方法及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101875489B1 (ko) * | 2018-03-23 | 2018-08-02 | 윤홍익 | 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
CN207763321U (zh) * | 2018-01-17 | 2018-08-24 | 山西省农业科学院农产品贮藏保鲜研究所 | 一种果品冷库智能化霜控制系统 |
KR20200077133A (ko) * | 2018-12-20 | 2020-06-30 | 빈운택 | 스마트 건조 시스템 |
WO2020170073A1 (en) * | 2019-02-18 | 2020-08-27 | Università degli Studi di Salerno | Adjustment method and adjustment group for a refrigeration system |
CN113739503A (zh) * | 2021-11-08 | 2021-12-03 | 烟台永诚制冷科技有限公司 | 一种具有智能调节功能的铝排管道除霜器 |
CN115892434A (zh) * | 2023-01-03 | 2023-04-04 | 威海海洋职业学院 | 一种船舶用食品保鲜冷库、方法、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200084380A (ko) * | 2018-12-20 | 2020-07-13 | 전자부품연구원 | 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템 |
-
2023
- 2023-04-24 CN CN202310444044.2A patent/CN116182471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207763321U (zh) * | 2018-01-17 | 2018-08-24 | 山西省农业科学院农产品贮藏保鲜研究所 | 一种果品冷库智能化霜控制系统 |
KR101875489B1 (ko) * | 2018-03-23 | 2018-08-02 | 윤홍익 | 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
KR20200077133A (ko) * | 2018-12-20 | 2020-06-30 | 빈운택 | 스마트 건조 시스템 |
WO2020170073A1 (en) * | 2019-02-18 | 2020-08-27 | Università degli Studi di Salerno | Adjustment method and adjustment group for a refrigeration system |
CN113739503A (zh) * | 2021-11-08 | 2021-12-03 | 烟台永诚制冷科技有限公司 | 一种具有智能调节功能的铝排管道除霜器 |
CN115892434A (zh) * | 2023-01-03 | 2023-04-04 | 威海海洋职业学院 | 一种船舶用食品保鲜冷库、方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116182471A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Multi attention module for visual tracking | |
Yuan et al. | Robust visual tracking with correlation filters and metric learning | |
Paul et al. | Robust visual tracking by segmentation | |
CN110969020A (zh) | 基于cnn和注意力机制的中文命名实体识别方法、系统及介质 | |
CN108182260B (zh) | 一种基于语义选择的多变量时间序列分类方法 | |
CN116182471B (zh) | 智能化的节能冷库制冷系统及方法 | |
US8832006B2 (en) | Discriminant model learning device, method and program | |
CN104572786A (zh) | 随机森林分类模型的可视化优化处理方法及装置 | |
Kim et al. | Scalable variational bayesian matrix factorization with side information | |
Elakkiya et al. | An optimized generative adversarial network based continuous sign language classification | |
CN114241569B (zh) | 人脸识别攻击样本的生成方法、模型训练方法及相关设备 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN113254678B (zh) | 跨媒体检索模型的训练方法、跨媒体检索方法及其设备 | |
US20130204811A1 (en) | Optimized query generating device and method, and discriminant model learning method | |
Chen et al. | New ideas and trends in deep multimodal content understanding: A review | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
Li et al. | Multi-domain few-shot image recognition with knowledge transfer | |
CN115205788A (zh) | 食材质量监控系统 | |
CN116311005A (zh) | 一种用于运动图像处理装置、方法及存储介质 | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
Deng et al. | Boosting semi-supervised learning with Contrastive Complementary Labeling | |
Tan et al. | A novel label enhancement algorithm based on manifold learning | |
CN117033992A (zh) | 一种分类模型的训练方法及装置 | |
Meng et al. | [Retracted] Icon Art Design with Generative Adversarial Network under Deep Learning | |
Huo et al. | An improved kernel correlation filter for complex scenes target tracking |
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 |