CN116430923B - 一种温度的智能控制调节方法及装置 - Google Patents
一种温度的智能控制调节方法及装置 Download PDFInfo
- Publication number
- CN116430923B CN116430923B CN202310684340.XA CN202310684340A CN116430923B CN 116430923 B CN116430923 B CN 116430923B CN 202310684340 A CN202310684340 A CN 202310684340A CN 116430923 B CN116430923 B CN 116430923B
- Authority
- CN
- China
- Prior art keywords
- temperature
- real
- time
- target
- refrigeration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005057 refrigeration Methods 0.000 claims abstract description 141
- 230000008014 freezing Effects 0.000 claims abstract description 100
- 238000007710 freezing Methods 0.000 claims abstract description 100
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 25
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004927 fusion Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种温度的智能控制调节方法及装置,涉及温度控制领域,其中,所述方法包括:分别获取冷藏区的冷藏货品高度和冷冻区的冷冻货品高度;基于多个布设层,依次匹配冷藏货品高度的第一布设层和冷冻货品高度的第二布设层;分别监测冷藏区的实时冷藏温度、冷冻区的实时冷冻温度,并结合目标冷藏车的实时外环境温度计算实时温差;根据实时温差对预定温度进行校正,得到目标预定温度;并结合目标预定温度生成实时温控方案。解决了现有技术中针对冷藏车的温度控制调节精确性不足、时效度低,继而造成冷藏车的温控效果不佳的技术问题。达到了提升冷藏车的温控效果的技术效果。
Description
技术领域
本发明涉及温度控制领域,具体地,涉及一种温度的智能控制调节方法及装置。
背景技术
温度控制是冷藏车运营管理的核心环节。随着冷藏车的货物运输类型的多样化,对于冷藏车的温度控制提出了更高层次的要求。现有技术中,存在针对冷藏车的温度控制调节精确性不足、时效度低,继而造成冷藏车的温控效果不佳的技术问题。
发明内容
本申请提供了一种温度的智能控制调节方法及装置。解决了现有技术中针对冷藏车的温度控制调节精确性不足、时效度低,继而造成冷藏车的温控效果不佳的技术问题。达到了提高冷藏车的温度控制调节的精确性、时效度、适应性,提升冷藏车的温控效果的技术效果。
鉴于上述问题,本申请提供了一种温度的智能控制调节方法及装置。
第一方面,本申请提供了一种温度的智能控制调节方法,其中,所述方法应用于一种温度的智能控制调节装置,所述装置包括多个温度控制口,所述方法包括:将所述多个温度控制口分别布设于目标冷藏车,得到目标布设结果,其中,所述目标布设结果包括多个布设层,且所述多个布设层对应多个高度;所述目标冷藏车包括冷藏区和冷冻区,分别获取所述冷藏区的冷藏货品高度和所述冷冻区的冷冻货品高度;基于所述多个布设层,依次匹配所述冷藏货品高度的第一布设层和所述冷冻货品高度的第二布设层,并对所述第一布设层与所述第二布设层的温度控制口进行开启;分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,其中,所述实时温差包括第一温差、第二温差和第三温差;读取预定温度,其中,所述预定温度包括预定冷藏温度和预定冷冻温度,并根据所述实时温差对所述预定温度进行校正,得到目标预定温度,其中,所述目标预定温度包括目标预定冷藏温度和目标预定冷冻温度;读取实时货品高度,其中,所述实时货品高度包括实时冷藏货品高度和实时冷冻货品高度,并结合所述目标预定温度生成实时温控方案,其中,所述实时温控方案包括实时冷藏温控方案和实时冷冻温控方案;其中,所述实时温控方案用于对所述多个温度控制口进行动态控制调节。
优选的,所述分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,包括:
将所述实时冷藏温度与所述实时冷冻温度之间的温差记作第一温差;
将所述实时冷藏温度与所述实时外环境温度之间的温差记作第二温差;
将所述实时冷冻温度与所述实时外环境温度之间的温差记作第三温差;
所述第一温差、所述第二温差和所述第三温差共同组成所述实时温差。
优选的,所述根据所述实时温差对所述预定温度进行校正,得到目标预定温度,包括:
基于历史温度控制记录中的数据组建构建数据,并根据所述构建数据构建温度校正模型;
通过所述温度校正模型对所述第一温差、所述第二温差和所述第三温差进行分析,得到温度偏差信息;
对所述温度偏差信息与所述预定冷藏温度进行加和,得到所述目标预定冷藏温度;
对所述温度偏差信息与所述预定冷冻温度进行加和,得到所述目标预定冷冻温度;
所述目标预定冷藏温度和所述目标预定冷冻温度共同组成所述目标预定温度。
优选的,所述基于历史温度控制记录中的数据组建构建数据,并根据所述构建数据构建温度校正模型,包括:
提取第一历史记录,其中,所述第一历史记录包括第一历史实时温度、第一历史温度偏差信息;
其中,所述第一历史实时温度包括第一历史实时冷藏温度、第一历史实时冷冻温度、第一历史实时外环境温度;
根据所述第一历史实时冷藏温度、所述第一历史实时冷冻温度和所述第一历史实时外环境温度计算得到第一历史温差;
所述第一历史温差与所述第一历史温度偏差信息组成所述构建数据。
优选的,所述第一历史温差与所述第一历史温度偏差信息组成所述构建数据,包括:
将所述构建数据划分为训练数据组、验证数据组;
根据所述训练数据组依次进行模型训练,分别得到第一模型、第二模型和第三模型;
将所述第一模型、所述第二模型和所述第三模型进行集成融合,得到多个目标模型;
通过所述验证数据组对所述多个目标模型进行测试验证,并根据验证结果得到目标模型;
将所述目标模型作为所述温度校正模型。
优选的,所述通过所述验证数据组对所述多个目标模型进行测试验证,并根据验证结果得到目标模型,包括:
提取所述多个目标模型中任意一个目标模型;
获得所述任意一个目标模型的初级学习器、元学习器;
通过所述初级学习器对所述验证数据组进行训练,得到初级校正结果;
通过所述初级学习器对所述验证数据组进行测试,得到初级测试结果;
将所述初级校正结果作为所述元学习器的训练数据,将所述初级测试结果作为所述元学习器的测试数据进行测试,得到所述任意一个目标模型的目标温度偏差信息;
对比所述目标温度偏差信息并确定所述目标模型。
优选的,所述结合所述目标预定温度生成实时温控方案,包括:
基于所述多个布设层,依次匹配所述实时冷藏货品高度的第三布设层和所述实时冷冻货品高度的第四布设层;
对比所述第三布设层与所述第一布设层得到冷藏调控区,并将所述冷藏调控区添加至所述实时冷藏温控方案;
对比所述第四布设层与所述第二布设层得到冷冻调控区,并将所述冷冻调控区添加至所述实时冷冻温控方案;
所述实时冷藏温控方案和所述实时冷冻温控方案组成所述实时温控方案。
优选的,还包括:
读取所述第三布设层的温度控制口数量,记作第一数量;
基于所述目标预定冷藏温度和所述第一数量,计算得到第一单温度控制口温度;
将所述第一单温度控制口温度添加至所述实时冷藏温控方案;
读取所述第四布设层的温度控制口数量,记作第二数量;
基于所述目标预定冷冻温度和所述第二数量,计算得到第二单温度控制口温度;
将所述第二单温度控制口温度添加至所述实时冷冻温控方案。
第二方面,本申请还提供了一种温度的智能控制调节装置,其中,所述装置包括多个温度控制口,所述装置还包括:布设模块,所述布设模块用于将所述多个温度控制口分别布设于目标冷藏车,得到目标布设结果,其中,所述目标布设结果包括多个布设层,且所述多个布设层对应多个高度;高度获取模块,所述高度获取模块用于所述目标冷藏车包括冷藏区和冷冻区,分别获取所述冷藏区的冷藏货品高度和所述冷冻区的冷冻货品高度;开启模块,所述开启模块用于基于所述多个布设层,依次匹配所述冷藏货品高度的第一布设层和所述冷冻货品高度的第二布设层,并对所述第一布设层与所述第二布设层的温度控制口进行开启;温差计算模块,所述温差计算模块用于分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,其中,所述实时温差包括第一温差、第二温差和第三温差;校正模块,所述校正模块用于读取预定温度,其中,所述预定温度包括预定冷藏温度和预定冷冻温度,并根据所述实时温差对所述预定温度进行校正,得到目标预定温度,其中,所述目标预定温度包括目标预定冷藏温度和目标预定冷冻温度;温控方案生成模块,所述温控方案生成模块用于读取实时货品高度,其中,所述实时货品高度包括实时冷藏货品高度和实时冷冻货品高度,并结合所述目标预定温度生成实时温控方案,所述实时温控方案包括实时冷藏温控方案和实时冷冻温控方案,所述实时温控方案用于对所述多个温度控制口进行动态控制调节。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过将多个温度控制口分别布设于目标冷藏车,得到多个布设层;根据多个布设层,依次匹配冷藏货品高度的第一布设层和冷冻货品高度的第二布设层,并对第一布设层与第二布设层的温度控制口进行开启;分别监测冷藏区的实时冷藏温度、冷冻区的实时冷冻温度,并结合目标冷藏车的实时外环境温度计算实时温差;根据实时温差对预定温度进行校正,得到目标预定温度,结合实时货品高度,生成实时温控方案,按照实时温控方案对冷藏车进行动态温度控制调节。达到了提高冷藏车的温度控制调节的精确性、时效度、适应性,提升冷藏车的温控效果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1为本申请一种温度的智能控制调节方法的流程示意图;
图2为本申请一种温度的智能控制调节方法中计算实时温差的流程示意图;
图3为本申请一种温度的智能控制调节装置的结构示意图。
附图标记说明:布设模块11,高度获取模块12,开启模块13,温差计算模块14,校正模块15,温控方案生成模块16。
具体实施方式
本申请通过提供一种温度的智能控制调节方法及装置。解决了现有技术中针对冷藏车的温度控制调节精确性不足、时效度低,继而造成冷藏车的温控效果不佳的技术问题。达到了提高冷藏车的温度控制调节的精确性、时效度、适应性,提升冷藏车的温控效果的技术效果。
实施例一、请参阅附图1,本申请提供一种温度的智能控制调节方法,其中,所述方法应用于一种温度的智能控制调节装置,所述智能控制调节装置包括多个温度控制口,所述方法具体包括如下步骤:
步骤S100:将所述多个温度控制口分别布设于目标冷藏车,得到目标布设结果,其中,所述目标布设结果包括多个布设层,且所述多个布设层对应多个高度;
步骤S200:所述目标冷藏车包括冷藏区和冷冻区,分别获取所述冷藏区的冷藏货品高度和所述冷冻区的冷冻货品高度;
步骤S300:基于所述多个布设层,依次匹配所述冷藏货品高度的第一布设层和所述冷冻货品高度的第二布设层,并对所述第一布设层与所述第二布设层的温度控制口进行开启;
具体而言,在目标冷藏车开始行驶之前,按照预先设置确定的多个高度,将多个温度控制口分别布设于目标冷藏车,获得目标布设结果。目标布设结果包括多个布设层,且多个布设层对应多个高度。每个布设层包括布设于目标冷藏车的温度控制口。继而,分别采集目标冷藏车内冷藏区、冷冻区的货品高度,获得冷藏货品高度、冷冻货品高度。基于多个布设层,依次匹配冷藏货品高度的第一布设层和冷冻货品高度的第二布设层,并分别对第一布设层、第二布设层的温度控制口进行开启。其中,所述目标冷藏车可以为使用所述一种温度的智能控制调节装置进行智能化温度控制的任意冷藏车。所述目标冷藏车包括冷藏区和冷冻区。多个温度控制口包括现有技术中可以对冷藏车进行温度控制的温度控制器。冷藏货品高度包括在目标冷藏车开始行驶之前,冷藏区的货品高度。冷冻货品高度包括在目标冷藏车开始行驶之前,冷冻区的货品高度。所述第一布设层包括多个布设层中,冷藏区的冷藏货品高度对应的布设层。所述第二布设层包括多个布设层中,冷冻区的冷冻货品高度对应的布设层。
步骤S400:分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,其中,所述实时温差包括第一温差、第二温差和第三温差;
进一步的,如附图2所示,本申请步骤S400还包括:
步骤S410:将所述实时冷藏温度与所述实时冷冻温度之间的温差记作第一温差;
步骤S420:将所述实时冷藏温度与所述实时外环境温度之间的温差记作第二温差;
步骤S430:将所述实时冷冻温度与所述实时外环境温度之间的温差记作第三温差;
步骤S440:所述第一温差、所述第二温差和所述第三温差共同组成所述实时温差。
具体而言,对目标冷藏车的冷藏区、冷冻区、外环境进行实时温度监测,获得冷藏区对应的实时冷藏温度、冷冻区对应的实时冷冻温度、目标冷藏车的外环境对应的实时外环境温度。继而,将实时冷藏温度与实时冷冻温度之间的温度差值设置为第一温差。将实时冷藏温度与实时外环境温度之间的温度差值设置为第二温差。将实时冷冻温度与实时外环境温度之间的温度差值设置为第三温差。基于第一温差、第二温差和第三温差,获得实时温差。其中,所述实时温差包括第一温差、第二温差和第三温差。达到了确定目标冷藏车的实时温差,为后续对目标冷藏车进行温度控制调节提供数据支持的技术效果。
步骤S500:读取预定温度,其中,所述预定温度包括预定冷藏温度和预定冷冻温度,并根据所述实时温差对所述预定温度进行校正,得到目标预定温度,其中,所述目标预定温度包括目标预定冷藏温度和目标预定冷冻温度;
进一步的,本申请步骤S500还包括:
步骤S510:基于历史温度控制记录中的数据组建构建数据,并根据所述构建数据构建温度校正模型;
进一步的,本申请步骤S510还包括:
步骤S511:提取第一历史记录,其中,所述第一历史记录包括第一历史实时温度、第一历史温度偏差信息,其中,所述第一历史实时温度包括第一历史实时冷藏温度、第一历史实时冷冻温度、第一历史实时外环境温度;
步骤S512:根据所述第一历史实时冷藏温度、所述第一历史实时冷冻温度和所述第一历史实时外环境温度计算得到第一历史温差;
具体而言,基于目标冷藏车进行历史数据查询,获得历史温度控制记录。历史温度控制记录包括多个历史记录。每个历史记录包括历史实时温度、历史温度偏差信息。
进一步,分别将历史温度控制记录中每个历史记录设置为第一历史记录。其中,第一历史记录包括第一历史实时温度、第一历史温度偏差信息。第一历史实时温度包括第一历史实时冷藏温度、第一历史实时冷冻温度、第一历史实时外环境温度。第一历史温度偏差信息包括第一历史冷藏温度偏差信息、第一历史冷冻温度偏差信息。第一历史冷藏温度偏差信息包括第一历史冷藏控制温度与第一历史实时冷藏温度之间的温度差值信息。第一历史冷藏控制温度包括第一历史实时冷藏温度对应的目标冷藏车的冷藏区的历史控制温度。同理,第一历史冷冻温度偏差信息包括第一历史冷冻控制温度与第一历史实时冷冻温度之间的温度差值信息。第一历史冷冻控制温度包括第一历史实时冷冻温度对应的目标冷藏车的冷冻区的历史控制温度。
进一步,基于第一历史实时冷藏温度、第一历史实时冷冻温度和第一历史实时外环境温度进行计算,获得第一历史温差。将第一历史温差、第一历史温度偏差信息添加至构建数据。其中,所述第一历史温差包括第一历史温差参数、第二历史温差和第三历史温差。第一历史温差参数包括第一历史实时冷藏温度与第一历史实时冷冻温度之间的温度差值。第二历史温差包括第一历史实时冷藏温度与第一历史实时外环境温度之间的温度差值。第三历史温差包括第一历史实时冷冻温度与第一历史实时外环境温度之间的温度差值。构建数据包括历史温度控制记录中的多个历史记录对应的多个第一历史温差、多个第一历史温度偏差信息。
达到了通过对历史温度控制记录中的多个历史记录进行数据整合,生成构建数据,为后续构建温度校正模型提供数据支持的技术效果。
步骤S513:所述第一历史温差与所述第一历史温度偏差信息组成所述构建数据。
进一步的,本申请步骤S513还包括:
步骤S5131:将所述构建数据划分为训练数据组、验证数据组;
步骤S5132:根据所述训练数据组依次进行模型训练,分别得到第一模型、第二模型和第三模型;
步骤S5133:将所述第一模型、所述第二模型和所述第三模型进行集成融合,得到多个目标模型;
具体而言,对构建数据进行随机数据划分,获得训练数据组、验证数据组。示例性地,将构建数据中随机的80%的数据划分为训练数据组,将构建数据中随机的20%的数据划分为验证数据组。
进一步,通过对训练数据组进行不同方式的模型训练,获得第一模型、第二模型和第三模型,并将第一模型、第二模型和第三模型进行集成融合,得到多个目标模型。示例性地,在对训练数据组进行不同方式的模型训练时,基于卷积神经网络,对训练数据组进行交叉监督训练,获得第一模型。基于BP神经网络,对训练数据组进行有监督训练,获得第二模型。基于长短期记忆神经网络,将训练数据组进行不断的自我训练学习至收敛状态,获得第三模型。其中,卷积神经网络是一类包含卷积计算,且具有深度结构的前馈神经网络。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。“能够按其阶层结构对输入信息进行平移不变分类”是卷积神经网络的重要特征之一。“能够按其阶层结构对输入信息进行平移不变分类”是指卷积神经网络利用卷积结构减小需要学习的参数量,从而提升反向传播算法的训练效率。卷积神经网络的卷积结构包括多个卷积层,每个卷积层对输入信息进行卷积操作后,将输入信息传递到后面的卷积层。通过多个卷积层对输入信息进行多次卷积操作。卷积操作是指对输入信息进行卷积特征提取。BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时,输入信息从输入层经过多层神经元逐层处理,转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向计算,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。长短期记忆神经网络是一种时间循环神经网络。集成融合是指通过多个训练集训练多个模型,这多个模型通常被称为多个弱学习器。当这多个弱学习器被正确组合时,可以得到更精确、鲁棒性更佳的模型。多个目标模型包括第一模型、第二模型和第三模型。达到了通过训练数据组,构建多个目标模型,从而提高温度校正模型的泛化性能的技术效果。
步骤S5134:通过所述验证数据组对所述多个目标模型进行测试验证,并根据验证结果得到目标模型;
进一步的,本申请步骤S5134还包括:
步骤S51341:提取所述多个目标模型中任意一个目标模型;
步骤S51342:获得所述任意一个目标模型的初级学习器、元学习器;
步骤S51343:通过所述初级学习器对所述验证数据组进行训练,得到初级校正结果;
步骤S51344:通过所述初级学习器对所述验证数据组进行测试,得到初级测试结果;
步骤S51345:将所述初级校正结果作为所述元学习器的训练数据,将所述初级测试结果作为所述元学习器的测试数据进行测试,得到所述任意一个目标模型的目标温度偏差信息;
步骤S51346:对比所述目标温度偏差信息并确定所述目标模型。
步骤S5135:将所述目标模型作为所述温度校正模型。
具体而言,将多个目标模型中的任意一个目标模型作为元学习器,将多个目标模型中剩余的两个模型作为初级学习器,获得多个第一目标模型。每个第一目标模型包括初级学习器、元学习器。示例性地,将多个目标模型中的第三模型设置为元学习器,将多个目标模型中的第一模型、第二模型设置为初级学习器,获得第一目标模型。
进一步,分别对每个第一目标模型进行偏差分析,即,遍历多个第一目标模型,通过初级学习器对验证数据组进行训练,获得初级校正结果。通过初级学习器对验证数据组进行测试,得到初级测试结果。继而,将初级校正结果作为元学习器的训练数据,将初级测试结果作为元学习器的测试数据进行测试,获得多个第一目标模型对应的目标温度偏差信息。目标温度偏差信息包括多个第一目标模型对应的多个目标温度偏差参数。将最小的目标温度偏差参数对应的第一目标模型设置为温度校正模型。其中,初级校正结果包括每个第一目标模型的初级学习器输出的温度偏差信息。初级测试结果包括每个第一目标模型的初级学习器的输出准确率。每个目标温度偏差参数包括每个第一目标模型的元学习器的输出准确率。验证结果包括温度校正模型。达到了通过对多个目标模型进行集成融合,获得高精度、泛化能力强的温度校正模型,从而提高冷藏车的温度控制调节的精确度的技术效果。
步骤S520:通过所述温度校正模型对所述第一温差、所述第二温差和所述第三温差进行分析,得到温度偏差信息;
步骤S530:对所述温度偏差信息与所述预定冷藏温度进行加和,得到所述目标预定冷藏温度;
步骤S540:对所述温度偏差信息与所述预定冷冻温度进行加和,得到所述目标预定冷冻温度;
步骤S550:所述目标预定冷藏温度和所述目标预定冷冻温度共同组成所述目标预定温度。
具体而言,基于冷藏区的冷藏货品类型、冷冻区的冷冻货品类型进行大数据查询,获得预定温度。其中,所述预定温度包括预定冷藏温度和预定冷冻温度。预定冷藏温度包括冷藏区的冷藏货品类型对应的冷藏需求温度。预定冷冻温度包括冷冻区的冷冻货品类型对应的冷冻需求温度。
进一步,将第一温差、第二温差和第三温差输入温度校正模型,获得温度偏差信息。温度偏差信息包括冷藏温度偏差信息、冷冻温度偏差信息。继而,将温度偏差信息中的冷藏温度偏差信息与预定冷藏温度进行加和计算,获得目标预定冷藏温度。将温度偏差信息中的冷冻温度偏差信息与预定冷冻温度进行加和计算,获得目标预定冷冻温度,结合目标预定冷藏温度,确定目标预定温度。目标预定温度包括目标预定冷藏温度和目标预定冷冻温度。达到了通过温度校正模型对预定温度进行适应性地校正、补偿,生成可靠、准确的目标预定温度,从而提高对冷藏车的温度控制调节的准确度的技术效果。
步骤S600:读取实时货品高度,其中,所述实时货品高度包括实时冷藏货品高度和实时冷冻货品高度,并结合所述目标预定温度生成实时温控方案,其中,所述实时温控方案包括实时冷藏温控方案和实时冷冻温控方案,所述实时温控方案用于对所述多个温度控制口进行动态控制调节。
进一步的,本申请步骤S600还包括:
步骤S610:基于所述多个布设层,依次匹配所述实时冷藏货品高度的第三布设层和所述实时冷冻货品高度的第四布设层;
步骤S620:对比所述第三布设层与所述第一布设层得到冷藏调控区,并将所述冷藏调控区添加至所述实时冷藏温控方案;
步骤S630:对比所述第四布设层与所述第二布设层得到冷冻调控区,并将所述冷冻调控区添加至所述实时冷冻温控方案;
具体而言,在目标冷藏车运输的过程中,由于受到货品卸载、道路颠簸等因素的影响,冷藏区、冷冻区内的货品高度也会发生变化。对目标冷藏车内冷藏区、冷冻区的货品高度进行实时监测,获得实时货品高度。所述实时货品高度包括实时冷藏货品高度和实时冷冻货品高度。基于多个布设层对实时冷藏货品高度、实时冷冻货品高度进行匹配,获得第三布设层、第四布设层。第三布设层包括实时冷藏货品高度对应的布设层。第四布设层包括实时冷冻货品高度对应的布设层。
进一步,将第三布设层与第一布设层进行比对,获得冷藏调控区,并将冷藏调控区添加至实时冷藏温控方案。同理,将第四布设层与第二布设层进行比对,获得冷冻调控区,并将冷冻调控区添加至实时冷冻温控方案。其中,冷藏调控区包括第三布设层与第一布设层之间的区域。实时冷藏温控方案包括将冷藏调控区中的温度控制口进行关闭。冷冻调控区包括第四布设层与第二布设层之间的区域。实时冷冻温控方案包括将冷冻调控区中的温度控制口进行关闭。
步骤S640:所述实时冷藏温控方案和所述实时冷冻温控方案组成所述实时温控方案。
进一步的,本申请步骤S640还包括:
步骤S641:读取所述第三布设层的温度控制口数量,记作第一数量;
步骤S642:基于所述目标预定冷藏温度和所述第一数量,计算得到第一单温度控制口温度;
步骤S643:将所述第一单温度控制口温度添加至所述实时冷藏温控方案;
步骤S644:读取所述第四布设层的温度控制口数量,记作第二数量;
步骤S645:基于所述目标预定冷冻温度和所述第二数量,计算得到第二单温度控制口温度;
步骤S646:将所述第二单温度控制口温度添加至所述实时冷冻温控方案。
具体而言,将第三布设层的温度控制口数量设置为第一数量。基于目标预定冷藏温度和第一数量,获得第一单温度控制口温度,并将第一单温度控制口温度添加至实时冷藏温控方案。其中,第一单温度控制口温度包括按照目标预定冷藏温度对第一数量对应的温度控制口进行温度控制。
同理,将第四布设层的温度控制口数量设置为第二数量。基于目标预定冷冻温度和第二数量,获得第二单温度控制口温度,并将第二单温度控制口温度添加至实时冷冻温控方案,结合实时冷藏温控方案,生成实时温控方案。其中,第二单温度控制口温度包括按照目标预定冷冻温度对第二数量对应的温度控制口进行温度控制。实时温控方案包括实时冷藏温控方案和实时冷冻温控方案。
达到了通过实时温控方案对目标冷藏车的多个温度控制口进行动态控制调节,提高冷藏车的温度控制调节时效性、准确性的技术效果。
综上所述,本申请所提供的一种温度的智能控制调节方法具有如下技术效果:
1.通过将多个温度控制口分别布设于目标冷藏车,得到多个布设层;根据多个布设层,依次匹配冷藏货品高度的第一布设层和冷冻货品高度的第二布设层,并对第一布设层与第二布设层的温度控制口进行开启;分别监测冷藏区的实时冷藏温度、冷冻区的实时冷冻温度,并结合目标冷藏车的实时外环境温度计算实时温差;根据实时温差对预定温度进行校正,得到目标预定温度,结合实时货品高度,生成实时温控方案,按照实时温控方案对冷藏车进行动态温度控制调节。达到了提高冷藏车的温度控制调节的精确性、时效度、适应性,提升冷藏车的温控效果的技术效果。
2.通过温度校正模型对预定温度进行适应性地校正、补偿,生成可靠、准确的目标预定温度,从而提高对冷藏车的温度控制调节的准确度。
实施列二、基于与前述实施例中一种温度的智能控制调节方法,同样发明构思,本发明还提供了一种温度的智能控制调节装置,所述装置包括多个温度控制口,请参阅附图3,所述装置包括:
布设模块11,所述布设模块11用于将所述多个温度控制口分别布设于目标冷藏车,得到目标布设结果,其中,所述目标布设结果包括多个布设层,且所述多个布设层对应多个高度;
高度获取模块12,所述高度获取模块12用于所述目标冷藏车包括冷藏区和冷冻区,分别获取所述冷藏区的冷藏货品高度和所述冷冻区的冷冻货品高度;
开启模块13,所述开启模块13用于基于所述多个布设层,依次匹配所述冷藏货品高度的第一布设层和所述冷冻货品高度的第二布设层,并对所述第一布设层与所述第二布设层的温度控制口进行开启;
温差计算模块14,所述温差计算模块14用于分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,其中,所述实时温差包括第一温差、第二温差和第三温差;
校正模块15,所述校正模块15用于读取预定温度,其中,所述预定温度包括预定冷藏温度和预定冷冻温度,并根据所述实时温差对所述预定温度进行校正,得到目标预定温度,其中,所述目标预定温度包括目标预定冷藏温度和目标预定冷冻温度;
温控方案生成模块16,所述温控方案生成模块16用于读取实时货品高度,其中,所述实时货品高度包括实时冷藏货品高度和实时冷冻货品高度,并结合所述目标预定温度生成实时温控方案,所述实时温控方案包括实时冷藏温控方案和实时冷冻温控方案,所述实时温控方案用于对所述多个温度控制口进行动态控制调节。
进一步的,所述装置还包括:
第一温差获取模块,所述第一温差获取模块用于将所述实时冷藏温度与所述实时冷冻温度之间的温差记作第一温差;
第二温差获取模块,所述第二温差获取模块用于将所述实时冷藏温度与所述实时外环境温度之间的温差记作第二温差;
第三温差获取模块,所述第三温差获取模块用于将所述实时冷冻温度与所述实时外环境温度之间的温差记作第三温差;
实时温差确定模块,所述实时温差确定模块用于所述第一温差、所述第二温差和所述第三温差共同组成所述实时温差。
进一步的,所述装置还包括:
第一执行模块,所述第一执行模块用于基于历史温度控制记录中的数据组建构建数据,并根据所述构建数据构建温度校正模型;
温度偏差获取模块,所述温度偏差获取模块用于通过所述温度校正模型对所述第一温差、所述第二温差和所述第三温差进行分析,得到温度偏差信息;
目标预定冷藏温度获取模块,所述目标预定冷藏温度获取模块用于对所述温度偏差信息与所述预定冷藏温度进行加和,得到所述目标预定冷藏温度;
目标预定冷冻温度获取模块,所述目标预定冷冻温度获取模块用于对所述温度偏差信息与所述预定冷冻温度进行加和,得到所述目标预定冷冻温度;
目标预定温度确定模块,所述目标预定温度确定模块用于所述目标预定冷藏温度和所述目标预定冷冻温度共同组成所述目标预定温度。
进一步的,所述装置还包括:
记录提取模块,所述记录提取模块用于提取第一历史记录,其中,所述第一历史记录包括第一历史实时温度、第一历史温度偏差信息,其中,所述第一历史实时温度包括第一历史实时冷藏温度、第一历史实时冷冻温度、第一历史实时外环境温度;
第一历史温差确定模块,所述第一历史温差确定模块用于根据所述第一历史实时冷藏温度、所述第一历史实时冷冻温度和所述第一历史实时外环境温度计算得到第一历史温差;
第二执行模块,所述第二执行模块用于所述第一历史温差与所述第一历史温度偏差信息组成所述构建数据。
进一步的,所述装置还包括:
数据划分模块,所述数据划分模块用于将所述构建数据划分为训练数据组、验证数据组;
训练模块,所述训练模块用于根据所述训练数据组依次进行模型训练,分别得到第一模型、第二模型和第三模型;
融合模块,所述融合模块用于将所述第一模型、所述第二模型和所述第三模型进行集成融合,得到多个目标模型;
测试验证模块,所述测试验证模块用于通过所述验证数据组对所述多个目标模型进行测试验证,并根据验证结果得到目标模型;
第三执行模块,所述第三执行模块用于将所述目标模型作为所述温度校正模型。
进一步的,所述装置还包括:
第四执行模块,所述第四执行模块用于提取所述多个目标模型中任意一个目标模型;
学习器获得模块,所述学习器获得模块用于获得所述任意一个目标模型的初级学习器、元学习器;
初级校正结果获得模块,所述初级校正结果获得模块用于通过所述初级学习器对所述验证数据组进行训练,得到初级校正结果;
初级测试结果获得模块,所述初级测试结果获得模块用于通过所述初级学习器对所述验证数据组进行测试,得到初级测试结果;
第五执行模块,所述第五执行模块用于将所述初级校正结果作为所述元学习器的训练数据,将所述初级测试结果作为所述元学习器的测试数据进行测试,得到所述任意一个目标模型的目标温度偏差信息;
第六执行模块,所述第六执行模块用于对比所述目标温度偏差信息并确定所述目标模型。
进一步的,所述装置还包括:
布设层匹配模块,所述布设层匹配模块用于基于所述多个布设层,依次匹配所述实时冷藏货品高度的第三布设层和所述实时冷冻货品高度的第四布设层;
冷藏调控区确定模块,所述冷藏调控区确定模块用于对比所述第三布设层与所述第一布设层得到冷藏调控区,并将所述冷藏调控区添加至所述实时冷藏温控方案;
冷冻调控区确定模块,所述冷冻调控区确定模块用于对比所述第四布设层与所述第二布设层得到冷冻调控区,并将所述冷冻调控区添加至所述实时冷冻温控方案;
第七执行模块,所述第七执行模块用于所述实时冷藏温控方案和所述实时冷冻温控方案组成所述实时温控方案。
进一步的,所述装置还包括:
第一数量确定模块,所述第一数量确定模块用于读取所述第三布设层的温度控制口数量,记作第一数量;
第八执行模块,所述第八执行模块用于基于所述目标预定冷藏温度和所述第一数量,计算得到第一单温度控制口温度;
添加模块,所述添加模块用于将所述第一单温度控制口温度添加至所述实时冷藏温控方案;
第二数量确定模块,所述第二数量确定模块用于读取所述第四布设层的温度控制口数量,记作第二数量;
第九执行模块,所述第九执行模块用于基于所述目标预定冷冻温度和所述第二数量,计算得到第二单温度控制口温度;
第十执行模块,所述第十执行模块用于将所述第二单温度控制口温度添加至所述实时冷冻温控方案。
本发明实施例所提供的一种温度的智能控制调节装置可执行本发明任意实施例所提供的一种温度的智能控制调节方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种温度的智能控制调节方法,其中,所述方法应用于一种温度的智能控制调节装置,所述方法包括:通过将多个温度控制口分别布设于目标冷藏车,得到多个布设层;根据多个布设层,依次匹配冷藏货品高度的第一布设层和冷冻货品高度的第二布设层,并对第一布设层与第二布设层的温度控制口进行开启;分别监测冷藏区的实时冷藏温度、冷冻区的实时冷冻温度,并结合目标冷藏车的实时外环境温度计算实时温差;根据实时温差对预定温度进行校正,得到目标预定温度,结合实时货品高度,生成实时温控方案,按照实时温控方案对冷藏车进行动态温度控制调节。解决了现有技术中针对冷藏车的温度控制调节精确性不足、时效度低,继而造成冷藏车的温控效果不佳的技术问题。达到了提高冷藏车的温度控制调节的精确性、时效度、适应性,提升冷藏车的温控效果的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种温度的智能控制调节方法,其特征在于,所述智能控制调节方法应用于智能控制调节装置,所述智能控制调节装置包括多个温度控制口,所述智能控制调节方法包括:
将所述多个温度控制口分别布设于目标冷藏车,得到目标布设结果,其中,所述目标布设结果包括多个布设层,且所述多个布设层对应多个高度;
所述目标冷藏车包括冷藏区和冷冻区,分别获取所述冷藏区的冷藏货品高度和所述冷冻区的冷冻货品高度;
基于所述多个布设层,依次匹配所述冷藏货品高度的第一布设层和所述冷冻货品高度的第二布设层,并对所述第一布设层与所述第二布设层的温度控制口进行开启;
分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,其中,所述实时温差包括第一温差、第二温差和第三温差;
读取预定温度,其中,所述预定温度包括预定冷藏温度和预定冷冻温度,并根据所述实时温差对所述预定温度进行校正,得到目标预定温度,其中,所述目标预定温度包括目标预定冷藏温度和目标预定冷冻温度;
读取实时货品高度,其中,所述实时货品高度包括实时冷藏货品高度和实时冷冻货品高度,并结合所述目标预定温度生成实时温控方案,其中,所述实时温控方案包括实时冷藏温控方案和实时冷冻温控方案;
其中,所述实时温控方案用于对所述多个温度控制口进行动态控制调节。
2.根据权利要求1所述智能控制调节方法,其特征在于,所述分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,包括:
将所述实时冷藏温度与所述实时冷冻温度之间的温差记作第一温差;
将所述实时冷藏温度与所述实时外环境温度之间的温差记作第二温差;
将所述实时冷冻温度与所述实时外环境温度之间的温差记作第三温差;
所述第一温差、所述第二温差和所述第三温差共同组成所述实时温差。
3.根据权利要求1所述智能控制调节方法,其特征在于,所述根据所述实时温差对所述预定温度进行校正,得到目标预定温度,包括:
基于历史温度控制记录中的数据组建构建数据,并根据所述构建数据构建温度校正模型;
通过所述温度校正模型对所述第一温差、所述第二温差和所述第三温差进行分析,得到温度偏差信息;
对所述温度偏差信息与所述预定冷藏温度进行加和,得到所述目标预定冷藏温度;
对所述温度偏差信息与所述预定冷冻温度进行加和,得到所述目标预定冷冻温度;
所述目标预定冷藏温度和所述目标预定冷冻温度共同组成所述目标预定温度。
4.根据权利要求3所述智能控制调节方法,其特征在于,所述基于历史温度控制记录中的数据组建构建数据,并根据所述构建数据构建温度校正模型,包括:
提取第一历史记录,其中,所述第一历史记录包括第一历史实时温度、第一历史温度偏差信息;
其中,所述第一历史实时温度包括第一历史实时冷藏温度、第一历史实时冷冻温度、第一历史实时外环境温度;
根据所述第一历史实时冷藏温度、所述第一历史实时冷冻温度和所述第一历史实时外环境温度计算得到第一历史温差;
所述第一历史温差与所述第一历史温度偏差信息组成所述构建数据。
5.根据权利要求4所述智能控制调节方法,其特征在于,所述第一历史温差与所述第一历史温度偏差信息组成所述构建数据,包括:
将所述构建数据划分为训练数据组、验证数据组;
根据所述训练数据组依次进行模型训练,分别得到第一模型、第二模型和第三模型;
将所述第一模型、所述第二模型和所述第三模型进行集成融合,得到多个目标模型;
通过所述验证数据组对所述多个目标模型进行测试验证,并根据验证结果得到目标模型;
将所述目标模型作为所述温度校正模型。
6.根据权利要求5所述智能控制调节方法,其特征在于,所述通过所述验证数据组对所述多个目标模型进行测试验证,并根据验证结果得到目标模型,包括:
提取所述多个目标模型中任意一个目标模型;
获得所述任意一个目标模型的初级学习器、元学习器;
通过所述初级学习器对所述验证数据组进行训练,得到初级校正结果;
通过所述初级学习器对所述验证数据组进行测试,得到初级测试结果;
将所述初级校正结果作为所述元学习器的训练数据,将所述初级测试结果作为所述元学习器的测试数据进行测试,得到所述任意一个目标模型的目标温度偏差信息;
对比所述目标温度偏差信息并确定所述目标模型。
7.根据权利要求1所述智能控制调节方法,其特征在于,所述结合所述目标预定温度生成实时温控方案,包括:
基于所述多个布设层,依次匹配所述实时冷藏货品高度的第三布设层和所述实时冷冻货品高度的第四布设层;
对比所述第三布设层与所述第一布设层得到冷藏调控区,并将所述冷藏调控区添加至所述实时冷藏温控方案;
对比所述第四布设层与所述第二布设层得到冷冻调控区,并将所述冷冻调控区添加至所述实时冷冻温控方案;
所述实时冷藏温控方案和所述实时冷冻温控方案组成所述实时温控方案。
8.根据权利要求7所述智能控制调节方法,其特征在于,还包括:
读取所述第三布设层的温度控制口数量,记作第一数量;
基于所述目标预定冷藏温度和所述第一数量,计算得到第一单温度控制口温度;
将所述第一单温度控制口温度添加至所述实时冷藏温控方案;
读取所述第四布设层的温度控制口数量,记作第二数量;
基于所述目标预定冷冻温度和所述第二数量,计算得到第二单温度控制口温度;
将所述第二单温度控制口温度添加至所述实时冷冻温控方案。
9.一种温度的智能控制调节装置,其特征在于,所述智能控制调节装置用于执行权利要求1-8中任一项所述智能控制调节方法的步骤,所述智能控制调节装置包括多个温度控制口,所述智能控制调节装置还包括:
布设模块,所述布设模块用于将所述多个温度控制口分别布设于目标冷藏车,得到目标布设结果,其中,所述目标布设结果包括多个布设层,且所述多个布设层对应多个高度;
高度获取模块,所述高度获取模块用于所述目标冷藏车包括冷藏区和冷冻区,分别获取所述冷藏区的冷藏货品高度和所述冷冻区的冷冻货品高度;
开启模块,所述开启模块用于基于所述多个布设层,依次匹配所述冷藏货品高度的第一布设层和所述冷冻货品高度的第二布设层,并对所述第一布设层与所述第二布设层的温度控制口进行开启;
温差计算模块,所述温差计算模块用于分别监测所述冷藏区的实时冷藏温度、所述冷冻区的实时冷冻温度,并结合所述目标冷藏车的实时外环境温度计算实时温差,其中,所述实时温差包括第一温差、第二温差和第三温差;
校正模块,所述校正模块用于读取预定温度,其中,所述预定温度包括预定冷藏温度和预定冷冻温度,并根据所述实时温差对所述预定温度进行校正,得到目标预定温度,其中,所述目标预定温度包括目标预定冷藏温度和目标预定冷冻温度;
温控方案生成模块,所述温控方案生成模块用于读取实时货品高度,其中,所述实时货品高度包括实时冷藏货品高度和实时冷冻货品高度,并结合所述目标预定温度生成实时温控方案,所述实时温控方案包括实时冷藏温控方案和实时冷冻温控方案,所述实时温控方案用于对所述多个温度控制口进行动态控制调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684340.XA CN116430923B (zh) | 2023-06-12 | 2023-06-12 | 一种温度的智能控制调节方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684340.XA CN116430923B (zh) | 2023-06-12 | 2023-06-12 | 一种温度的智能控制调节方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116430923A CN116430923A (zh) | 2023-07-14 |
CN116430923B true CN116430923B (zh) | 2023-08-15 |
Family
ID=87085794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310684340.XA Active CN116430923B (zh) | 2023-06-12 | 2023-06-12 | 一种温度的智能控制调节方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116430923B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117146523B (zh) * | 2023-10-31 | 2024-01-26 | 南通市埃姆福制冷科技有限公司 | 螺旋速冻机的冷冻参数控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07200078A (ja) * | 1993-12-28 | 1995-08-04 | Komatsu Electron Metals Co Ltd | 温度制御装置 |
CN1987708A (zh) * | 2005-12-22 | 2007-06-27 | 财团法人工业技术研究院 | 冷藏室恒温控制的方法 |
JP2010164243A (ja) * | 2009-01-15 | 2010-07-29 | Denso Corp | 車両用冷凍装置 |
JP2015085901A (ja) * | 2013-11-01 | 2015-05-07 | 株式会社デンソー | 冷凍車冷却制御装置 |
CN105043008A (zh) * | 2015-08-19 | 2015-11-11 | 合肥美的电冰箱有限公司 | 变频冰箱及其低温补偿系统和低温补偿控制方法 |
CN205281304U (zh) * | 2016-01-15 | 2016-06-01 | 重庆大学 | 一种基于物联网的室内环境智能控制系统 |
CN109974976A (zh) * | 2017-12-28 | 2019-07-05 | 舜宇光学(浙江)研究院有限公司 | 多温度标定系统以及多温度标定方法 |
CN110986476A (zh) * | 2019-12-05 | 2020-04-10 | 合肥华凌股份有限公司 | 温度控制方法及装置、制冷设备以及计算机可读存储介质 |
CN111895719A (zh) * | 2020-07-22 | 2020-11-06 | 河南新飞制冷器具有限公司 | 风冷冰箱的温度修正控制方法 |
JP2021098494A (ja) * | 2019-12-23 | 2021-07-01 | パナソニックIpマネジメント株式会社 | 補正量設定装置、超音波式物体検出装置、補正量設定方法、及び、補正量設定プログラム |
-
2023
- 2023-06-12 CN CN202310684340.XA patent/CN116430923B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07200078A (ja) * | 1993-12-28 | 1995-08-04 | Komatsu Electron Metals Co Ltd | 温度制御装置 |
CN1987708A (zh) * | 2005-12-22 | 2007-06-27 | 财团法人工业技术研究院 | 冷藏室恒温控制的方法 |
JP2010164243A (ja) * | 2009-01-15 | 2010-07-29 | Denso Corp | 車両用冷凍装置 |
JP2015085901A (ja) * | 2013-11-01 | 2015-05-07 | 株式会社デンソー | 冷凍車冷却制御装置 |
CN105043008A (zh) * | 2015-08-19 | 2015-11-11 | 合肥美的电冰箱有限公司 | 变频冰箱及其低温补偿系统和低温补偿控制方法 |
CN205281304U (zh) * | 2016-01-15 | 2016-06-01 | 重庆大学 | 一种基于物联网的室内环境智能控制系统 |
CN109974976A (zh) * | 2017-12-28 | 2019-07-05 | 舜宇光学(浙江)研究院有限公司 | 多温度标定系统以及多温度标定方法 |
CN110986476A (zh) * | 2019-12-05 | 2020-04-10 | 合肥华凌股份有限公司 | 温度控制方法及装置、制冷设备以及计算机可读存储介质 |
JP2021098494A (ja) * | 2019-12-23 | 2021-07-01 | パナソニックIpマネジメント株式会社 | 補正量設定装置、超音波式物体検出装置、補正量設定方法、及び、補正量設定プログラム |
CN111895719A (zh) * | 2020-07-22 | 2020-11-06 | 河南新飞制冷器具有限公司 | 风冷冰箱的温度修正控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116430923A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116430923B (zh) | 一种温度的智能控制调节方法及装置 | |
CN111552185B (zh) | 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法 | |
Carlone et al. | An application of Kullback-Leibler divergence to active SLAM and exploration with particle filters | |
CN111723925B (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN101441718A (zh) | 传感器信息融合装置及其方法 | |
Berrio et al. | Identifying robust landmarks in feature-based maps | |
CN114996661A (zh) | 一种冷藏车温度监控方法及系统 | |
CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
Billert et al. | A method of developing quantile convolutional neural networks for electric vehicle battery temperature prediction trained on cross-domain data | |
Li et al. | Localization for intelligent vehicles in underground car parks based on semantic information | |
Modi et al. | A system for electric vehicle’s energy-aware routing in a transportation network through real-time prediction of energy consumption | |
CN113830097A (zh) | 车辆、模型学习系统以及服务器 | |
CN116486611A (zh) | 一种城市道路车辆速度预测方法 | |
Klosa et al. | Short-term traffic flow forecast using regression analysis and graph convolutional neural networks | |
Delprat et al. | Reducing the computation effort of a hybrid vehicle predictive energy management strategy | |
Hossain et al. | Traffic flow forecasting in intelligent transportation systems prediction using machine learning | |
JPH0814627A (ja) | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 | |
Xu et al. | Machine Learning Based Optimal Energy Storage Devices Selection Assistance for Vehicle Propulsion Systems | |
CN110046855B (zh) | 一种物流追踪查询方法 | |
Sagoian et al. | Energy consumption prediction of electric vehicle air conditioning system using artificial intelligence | |
van Doorn | Fuel usage estimation and optimization in temperature-controlled vehicle routing | |
Wang et al. | Energy management strategy for HEV based on KFCM and neural network | |
Bouaziz et al. | Map management for robust long-term visual localization of an autonomous shuttle in changing conditions | |
Liu et al. | Research on ship abnormal behavior detection method based on graph neural network | |
Borchers et al. | Comparison of Production Dynamics Prediction Methods to Increase Context Awareness for Industrial Transport Systems |
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 |