CN116538127B - 轴流风机及其控制系统 - Google Patents
轴流风机及其控制系统 Download PDFInfo
- Publication number
- CN116538127B CN116538127B CN202310717886.0A CN202310717886A CN116538127B CN 116538127 B CN116538127 B CN 116538127B CN 202310717886 A CN202310717886 A CN 202310717886A CN 116538127 B CN116538127 B CN 116538127B
- Authority
- CN
- China
- Prior art keywords
- axial flow
- flow fan
- feature vector
- vector
- vectors
- 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
- 239000013598 vector Substances 0.000 claims description 234
- 238000000605 extraction Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000009423 ventilation Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 27
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000008901 benefit Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Feedback Control In General (AREA)
Abstract
一种轴流风机及其控制系统，其获取轴流风机在预定时间段内多个预定时间点的运行状态参数；利用实时获取的轴流风机的运行状态参数，并结合深度学习和人工智能技术来实现智能调节设备转速，从而满足不同的通风需求，达到降低能耗、提高通风效果。
Description
技术领域
本申请涉及智能化控制技术领域，并且更具体地，涉及一种轴流风机及其控制系统。
背景技术
轴流风机是一种广泛应用于工业、农业、建筑等领域的通风设备，它具有结构简单、运行稳定、噪音低等优点。
然而，由于传统的轴流风机控制系统缺乏对实际通风需求的感知和适应能力，导致轴流风机在运行过程中不能根据不同的场合和环境条件灵活地调节转速，从而造成能耗浪费或通风效果不理想。
因此，期待一种优化的轴流风机的控制方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种轴流风机及其控制系统，其获取轴流风机在预定时间段内多个预定时间点的运行状态参数；利用实时获取的轴流风机的运行状态参数，并结合深度学习和人工智能技术来实现智能调节设备转速，从而满足不同的通风需求，达到降低能耗、提高通风效果的目的。
第一方面，提供了一种轴流风机的控制系统，其包括：
运行状态监控模块，用于获取轴流风机在预定时间段内多个预定时间点的运行状态参数，所述运行状态参数包括电流值、电压值、转速值和温度值；
数据结构化与归一化模块，用于将所述多个预定时间点的电流值、电压值、转速值和温度值分别按照时间维度排列为输入向量后进行归一化处理以得到归一化电流输入向量、归一化电压输入向量、归一化转速输入向量和归一化温度输入向量；
上下文语义提取模块，用于将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量通过Transformer模块以得到多个参数上下文理解特征向量；
运行模式整体表征模块，用于将所述多个参数上下文理解特征向量通过双向长短期记忆神经网络模型以得到运行模式理解特征向量；
局部特征深度提取模块，用于将所述运行模式理解特征向量通过DNN以得到分类特征向量；
优化模块，用于采用类转换器空间迁移置换融合来融合所述运行模式理解特征向量和所述分类特征向量以得到优化分类特征向量；以及
控制策略生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的所述轴流风机的转速应增大、应减小还是保持不变。
第二方面，提供了一种轴流风机，其包括：所述轴流风机包括如所述的轴流风机的控制系统。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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。
图1为根据本申请实施例的轴流风机的控制系统的框图。
图2为根据本申请实施例的轴流风机的控制系统中所述上下文语义提取模块的框图。
图3为根据本申请实施例的轴流风机的控制系统中所述编码单元的框图。
图4为根据本申请实施例的轴流风机的控制系统中所述控制策略生成模块的框图。
图5为根据本申请实施例的轴流风机的控制方法的流程图。
图6为根据本申请实施例的轴流风机的控制方法的系统架构的示意图。
图7为根据本申请实施例的轴流风机的控制系统的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图1为根据本申请实施例的轴流风机的控制系统的框图。如图1所示，根据本申请实施例的轴流风机的控制系统100，包括：运行状态监控模块110，用于获取轴流风机在预定时间段内多个预定时间点的运行状态参数，所述运行状态参数包括电流值、电压值、转速值和温度值；数据结构化与归一化模块120，用于将所述多个预定时间点的电流值、电压值、转速值和温度值分别按照时间维度排列为输入向量后进行归一化处理以得到归一化电流输入向量、归一化电压输入向量、归一化转速输入向量和归一化温度输入向量；上下文语义提取模块130，用于将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量通过Transformer模块以得到多个参数上下文理解特征向量；运行模式整体表征模块140，用于将所述多个参数上下文理解特征向量通过双向长短期记忆神经网络模型以得到运行模式理解特征向量；局部特征深度提取模块150，用于将所述运行模式理解特征向量通过DNN以得到分类特征向量；优化模块160，用于采用类转换器空间迁移置换融合来融合所述运行模式理解特征向量和所述分类特征向量以得到优化分类特征向量；以及，控制策略生成模块170，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的所述轴流风机的转速应增大、应减小还是保持不变。
应可以理解，轴流风机的控制系统是一种高效、智能的控制系统，能够对轴流风机的运行状态进行实时监控，并通过多个模块对获取的数据进行结构化、归一化和上下文语义提取，从而得到多个参数上下文理解特征向量，实现对轴流风机运行模式的整体表征和局部特征深度提取。该轴流风机的控制系统还采用类转换器空间迁移置换融合技术，将运行模式理解特征向量和分类特征向量进行融合，得到优化分类特征向量，最终通过分类器生成分类结果，用于指导轴流风机的控制策略。
进一步地，所述轴流风机的控制系统可以对轴流风机的运行状态进行实时监控，及时发现问题并采取措施；可以通过多个模块对获取的数据进行结构化、归一化和上下文语义提取，以实现智能优化，提高轴流风机的运行效率和稳定性；可以采用双向长短期记忆神经网络模型和DNN等深度学习技术，以高效准确地对轴流风机的运行模式进行理解和分类；还采用模块化设计，各个模块之间相互独立，具有灵活可扩展性，可以根据实际需要进行定制和改进。
具体地，在本申请实施例中，所述运行状态监控模块110，用于获取轴流风机在预定时间段内多个预定时间点的运行状态参数，所述运行状态参数包括电流值、电压值、转速值和温度值。针对上述技术问题，本申请的技术构思是通过利用实时获取的轴流风机的运行状态参数，并结合深度学习和人工智能技术来实现智能调节设备转速，从而满足不同的通风需求，达到降低能耗、提高通风效果的目的。
在本申请的技术方案中，首先，获取轴流风机在预定时间段内多个预定时间点的运行状态参数，所述运行状态参数包括电流值、电压值、转速值和温度值。在本申请一具体实施例中，在轴流风机上安装传感器，用于采集电流值、电压值、转速值和温度值等运行状态参数；将传感器与轴流风机控制系统进行连接，确保传感器能够将采集到的数据传输给控制系统；在轴流风机控制系统中设置监测时间段和监测时间点，以便在指定时间点对轴流风机的运行状态参数进行采集和记录；在指定时间点，轴流风机控制系统会自动对轴流风机的运行状态参数进行采集和记录，并将数据存储在数据库中；可以通过轴流风机控制系统的数据查询功能，查询指定时间段内多个预定时间点的运行状态参数，并进行分析和处理。
这些运行状态参数可以反映轴流风机在不同的工作状态下的运行情况，如电流、电压和转速等参数可以反映设备在不同负载条件下的运行状况，而温度则可以反映设备在运行过程中的热量变化等情况。通过实时获取这些参数，可以更加准确地了解设备的运行状态。
更具体地，电流值、电压值、转速值和温度值是轴流风机运行状态的主要参数，它们之间存在一定的关系。一般来说，电流值和电压值可以反映轴流风机的负载情况，转速值和电流值也存在一定的关系，而温度值则可以反映轴流风机的热量变化情况。
例如，当轴流风机的负载增加时，电流值和电压值会相应地增加，而转速值则会下降。这是因为在负载增加的情况下，轴流风机需要消耗更多的能量来保持运转，导致电流和电压的增加，同时也会减缓风机的转速。此外，当轴流风机的转速增加时，电流值也会相应地增加，这是因为风机需要消耗更多的能量来保持高速运转。而当轴流风机的温度升高时，其电流值和电压值也会相应地增加，这是因为轴流风机的电阻随着温度的升高而降低，导致电流和电压的增加。
由此可见，电流值、电压值、转速值和温度值四个参数之间存在一定的关系，可以通过对这些参数的实时监测和分析，更加准确地了解轴流风机的运行状态，从而实现对轴流风机的智能优化和有效控制。
具体地，在本申请实施例中，所述数据结构化与归一化模块120，用于将所述多个预定时间点的电流值、电压值、转速值和温度值分别按照时间维度排列为输入向量后进行归一化处理以得到归一化电流输入向量、归一化电压输入向量、归一化转速输入向量和归一化温度输入向量。为了提高数据处理的精度和效率，在本申请的技术方案中，将所述多个预定时间点的电流值、电压值、转速值和温度值分别按照时间维度排列为输入向量后进行归一化处理以得到归一化电流输入向量、归一化电压输入向量、归一化转速输入向量和归一化温度输入向量。
具体地，在本申请的一个实施例中，先通过将运行状态参数按照时间维度排列成输入向量的形式，这样可以更好地表达设备在不同时间点的状态变化情况。其次，通过对输入向量进行归一化处理，可以将各个运行状态参数的数值范围映射到相同的区间内，从而避免了因不同参数数值范围不同而导致的误差和不稳定性问题。同时，归一化处理还可以有效地降低模型训练的难度，提高模型的泛化能力和精度。通过这样的方式，可以更加准确地反映设备的运行状态。
在本申请的另一个实施例中，对于轴流风机控制系统中的电流值、电压值、转速值和温度值，可以分别按照时间维度排列为输入向量，然后使用最小-最大归一化或Z-score归一化进行处理，得到归一化的电流输入向量、电压输入向量、转速输入向量和温度输入向量。
其中，最小-最大归一化是将数据线性映射到[0,1]区间内，公式为：
其中，x为原始数据，xmin和xmax分别为数据的最小值和最大值。
归一化处理的主要作用是将不同量纲的数据转化为统一的标准，使得不同维度的数据可以进行比较和综合分析，以避免不同维度之间因为量纲不同导致的误差，提高数据的可解释性和可用性。同时，归一化处理还可以加速神经网络的收敛速度，提高模型的准确性和泛化能力。
具体地，在本申请实施例中，所述上下文语义提取模块130，用于将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量通过Transformer模块以得到多个参数上下文理解特征向量。考虑到在实际应用中，轴流风机的运行状态参数之间通常存在着复杂的内在联系和相互影响。例如，设备的电流和转速可能会互相影响，而设备的电压和温度也可能存在一定的关联性。
因此，对于这些运行状态参数的分析需要考虑到运行状态参数之间的关系，而仅仅单独地对每个参数进行处理，则无法全面反映设备的运行状况。在本申请的技术方案中，为了更好地理解不同参数之间的相关性和依赖关系，首先将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量通过Transformer模块以得到多个参数上下文理解特征向量。
这里，所述Transformer模块是一种基于自注意力机制的深度学习模型，能够有效地捕捉输入向量之间的长距离依赖关系，从而提高对输入向量的语义理解能力。具体而言，所述Transformer模块能够对轴流风机的运行状态参数进行上下文理解，从而生成更有代表性和区分性的特征向量。
Transformer模块主要由多头自注意力机制和神经网络组成。其中，自注意力机制可以有效地捕捉输入序列中不同位置之间的关系，而神经网络则可以对每个位置的特征进行非线性变换，从而提高模型的表达能力。具体来说，Transformer模块的输入序列首先分别经过多个不同的自注意力头进行特征提取，然后将不同头的输出进行拼接，再通过一个线性变换得到最终的自注意力输出。接着，自注意力输出经过一个神经网络进行非线性变换，最终得到Transformer模块的输出。
Transformer模块可以用于序列到序列的任务，如机器翻译、文本生成等。Transformer模块可以通过自注意力机制有效地捕捉输入序列和输出序列之间的关系，从而实现更好的翻译或生成效果。除了序列到序列任务，Transformer模块还可以应用于图像处理、语音识别等领域。例如，在图像处理中，可以将图像的像素序列作为输入序列，然后通过Transformer模块进行特征提取和变换，最终得到图像的表示。在语音识别中，可以将语音信号的频谱序列作为输入序列，然后通过Transformer模块进行特征提取和变换，最终得到语音的文本表示。图2为根据本申请实施例的轴流风机的控制系统中所述上下文语义提取模块的框图，如图2所示，所述上下文语义提取模块130，包括：序列化单元131，用于将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量排列为一维向量的序列；以及，编码单元132，用于将所述一维向量的序列通过Transformer模块以得到多个参数上下文理解特征向量。图3为根据本申请实施例的轴流风机的控制系统中所述编码单元的框图，如图3所示，所述编码单元132，包括：向量构造子单元1321，用于将所述一维向量的序列进行一维排列以得到全局特征向量；自注意子单元1322，用于计算所述全局特征向量与所述一维向量的序列中各个一维向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1323，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1324，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1325，用于分别以所述多个概率值中各个概率值作为权重对所述一维向量的序列中各个一维向量进行加权以得到所述多个参数上下文理解特征向量。
Transformer模块旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，Transformer模块包括：CNN(Convolutional Neural Network，卷积神经网络)、RecursiveNN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short-Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在本申请实施例中，所述运行模式整体表征模块140，用于将所述多个参数上下文理解特征向量通过双向长短期记忆神经网络模型以得到运行模式理解特征向量。接着将所述多个参数上下文理解特征向量通过双向长短期记忆神经网络模型以得到运行模式理解特征向量。其中，所述双向长短期记忆神经网络模型可以对多个参数上下文理解特征向量进行时序分析，捕捉蕴藏在所述多个参数上下文理解特征向量中的关于运行状态和运行模式的特征分布信息。
在本申请的一个实施例中，基于传统的特征提取方法和双向长短期记忆神经网络模型得到运行模式理解特征向量：首先使用传统的特征提取方法将多个参数上下文理解特征向量转换为特征向量，然后将特征向量输入到双向长短期记忆神经网络模型中进行训练和学习，以得到运行模式理解特征向量。该方法实现简单，易于理解和调试。
在本申请的另一个实施例中，基于端到端的深度学习方法得到运行模式理解特征向量：直接将多个参数上下文理解特征向量输入到深度神经网络模型中进行训练和学习，以得到运行模式理解特征向量。该方法可以自动学习特征，不需要手动设计特征提取方法，能够更好地保留重要的特征信息。本领域普通技术人员应知晓，长短期记忆神经网络(LSTM)是为了解决传统循环神经网络(RNN)的梯度消失问题而提出的，其基本单元是一种多组神经元的结构，称为细胞(cell)，分别称三个控制门f、i、o为遗忘门、输入门和输出门，对三个控制门的参数进行合理设置，就可以实现LSTM的记忆功能，核心计算公式如下所示：
ft＝σ(Wf.[ht-1,xt]+bf)
it＝σ(Wi.[ht-1,xt]+bi)
ct＝tanh(Wc.[ht-1,xt]+bc)
ct＝ft.ct-1+it.ct
Ot＝σ(W0.[ht-1,xt]+bo)
ht＝Ot.tanh(ct)
其中，f、i、o、t、o、h、c、W、b分别表示遗忘、Sigmoid激活函数、输入、时间步长、输出层、隐含层、单元状态、权重矩阵、偏差。为了满足提取信息的完整性，业内主流将细胞结构采用双向连接的形式，构成双向长短期记忆神经网络(Bi-LSTM)。
具体地，在本申请实施例中，所述局部特征深度提取模块150，用于将所述运行模式理解特征向量通过DNN以得到分类特征向量。如前所述，所述运行模式理解特征向量是由双向长短期记忆神经网络模型输出的，包含了轴流风机在不同时间点的运行状态和运行模式的时序信息和上下文信息。然而，所述运行模式理解特征向量并不一定是最适合分类任务的，因为可能包含了一些对分类无关或或冗余的信息，也可能忽略了一些对分类有用的信息。
因此，在本申请的技术方案中，将所述运行模式理解特征向量通过DNN以得到分类特征向量。其中，所述DNN由多层非线性变换组成，每一层都可以提取数据的不同层次的抽象特征。DNN可以自动发现数据中的潜在规律和结构。也就是，采用DNN来对运行模式理解特征向量进行进一步的变换和提取，以得到更适合分类任务的分类特征向量。
也就是，深度神经网络(DNN)由多个神经网络层组成，每个层都可以提取数据的不同层次的抽象特征。在深度学习中，这些层被称为隐藏层，因为不直接与输入或输出相关。每个隐藏层都由多个神经元组成，每个神经元都执行一些线性和非线性变换，然后将结果传递给下一层。这些变换可以将输入数据从原始表示转换为更高级别的特征表示，使得神经网络可以更好地理解输入数据。其中，所述DNN至少包含2个隐藏层。
在本申请的一个实施例中，使用卷积神经网络(CNN)，将运行模式理解特征向量作为输入，使用卷积神经网络进行特征提取和分类，得到分类特征向量。该方法的优点是可以自动学习特征，同时也能够处理多维数据，适合于处理图像和信号数据等。
在本申请的另一个实施例中，使用循环神经网络(RNN)，将运行模式理解特征向量作为输入，使用循环神经网络进行特征提取和分类，得到分类特征向量。该方法的优点是能够处理序列数据，适合于处理时间序列数据等。
在本申请的其他实施例中，使用深度自编码器(DAE)，将运行模式理解特征向量作为输入，使用深度自编码器进行特征提取和分类，得到分类特征向量。该方法的优点是能够自动学习特征，同时也具有一定的降维和去噪的能力。
通过将运行模式理解特征向量转换为分类特征向量，可以更好地对轴流风机的运行状态进行分类和预测，从而实现对轴流风机的智能优化和故障诊断等应用。同时也能够提高轴流风机的运行效率和稳定性，降低能耗和维护成本。
具体地，在本申请实施例中，所述优化模块160，用于采用类转换器空间迁移置换融合来融合所述运行模式理解特征向量和所述分类特征向量以得到优化分类特征向量。这里，将所述多个参数上下文理解特征向量通过双向长短期记忆神经网络模型得到所述运行模式理解特征向量时，可以获得由参数上下文关联特征组成的运行模式整体表达特征，并且，进一步通过DNN进行深层局部关联特征的提取。因此，为了提高所述分类特征向量的表达效果，优选地将所述运行模式理解特征向量与其从DNN得到的深层局部关联特征进一步融合来优化所述分类特征向量。并且，考虑到所述分类特征向量是在所述运行模式理解特征向量的基础上进一步进行特征提取得到的，因此所述分类特征向量的特征分布相对于所述运行模式理解特征向量的特征分布在高维特征空间内会存在空间迁移。因此，期望提升在具有空间迁移情况下的所述运行模式理解特征向量和所述分类特征向量的融合效果。
因此，本申请的申请人采用类转换器空间迁移置换融合来融合所述运行模式理解特征向量，例如记为V1和所述分类特征向量，例如记为V2，具体表示为：采用类转换器空间以如下优化公式迁移置换融合来融合所述运行模式理解特征向量和所述分类特征向量以得到优化分类特征向；其中，所述优化公式为：
其中，V1是所述运行模式理解特征向量，V2是所述分类特征向量，V2 T是所述分类特征向量的转置向量，D(V1,V2)为所述运行模式理解特征向量和所述分类特征向量之间的距离矩阵，d(V1,V2)表示所述运行模式理解特征向量和所述分类特征向量之间的欧式距离，v1i是所述运行模式理解特征向量的第i个位置的特征值，v2j是所述分类特征向量的第j个位置的特征值，t为掩码阈值超参数，且向量均为行向量，Mask(·)是掩码函数，⊙和⊕分别表示按位置减法、点乘和加法，/>表示矩阵相乘。
这里，所述类转换器空间迁移置换融合通过以所述运行模式理解特征向量V1和所述分类特征向量V2的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了优化的分类特征向量V2′在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过优化的分类特征向量V2′相对于待融合的所述运行模式理解特征向量V1和所述分类特征向量V2在转换器机制下的全局旋转和平移不变形，实现所述运行模式理解特征向量V1和所述分类特征向量V2的特征分布的空间迁移可置换性，这样，就提升了优化的分类特征向量V2′对所述运行模式理解特征向量V1和所述分类特征向量V2的融合效果，从而提升了优化的分类特征向量V2′的表达效果，也就提升了其通过分类器得到的分类结果的准确性。
具体地，在本申请实施例中，所述控制策略生成模块170，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的所述轴流风机的转速应增大、应减小还是保持不变。进一步地，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的所述轴流风机的转速应增大、应减小还是保持不变。其中，所述分类器能够将不同的输入特征映射到不同的输出标签上，从而实现对样本的分类和识别。也就是，通过所述分类器对所述分类特征向量进行分类，可以得出当前时间点下设备应该采取的转速调节策略，以达到所需的通风效果。通过这样的方式来实现智能化的设备转速控制。
具体地，在本申请的一个实施例中，使用支持向量机(SVM)分类器，将优化后的特征向量作为输入，然后使用SVM分类器将其分类为“转速增大”、“转速减小”或“转速不变”的类别。SVM是一种二元分类器，可以将输入数据映射到一个高维空间，并在此空间中寻找一个超平面来分割不同的类别。支持向量机(SVM)分类器具有很好的泛化性能和鲁棒性，因此在许多分类任务中被广泛使用。
更具体地，在本申请的另一个实施例中，使用深度神经网络(DNN)分类器将优化后的特征向量作为输入，然后将其通过多个隐藏层传递，最终将其分类为“转速增大”、“转速减小”或“转速不变”的类别。深度神经网络(DNN)分类器可以自动学习输入数据的特征表示，并在许多任务中表现出色。
分类器的展开是指将分类器的过程转化为一系列的数学运算，这些运算可以在计算机上高效地执行。例如，在SVM分类器中，展开可以将训练过程转化为求解一个二次规划问题。在DNN分类器中，展开可以将训练过程转化为反向传播算法，该算法可以计算每个神经元的梯度，并使用梯度下降算法更新权重和偏置。
图4为根据本申请实施例的轴流风机的控制系统中所述控制策略生成模块的框图，如图4所示，所述控制策略生成模块170，包括：全连接编码单元171，用于使用所述分类器的多个全连接层对所述优化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，分类单元172，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。
综上，基于本申请实施例的轴流风机的控制系统100被阐明，其获取轴流风机在预定时间段内多个预定时间点的运行状态参数；利用实时获取的轴流风机的运行状态参数，并结合深度学习和人工智能技术来实现智能调节设备转速，从而满足不同的通风需求，达到降低能耗、提高通风效果的目的。
如上所述，根据本申请实施例的轴流风机的控制系统100可以实现在各种终端设备中，例如用于轴流风机的控制的服务器等。在一个示例中，根据本申请实施例的轴流风机的控制系统100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，该轴流风机的控制系统100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，该轴流风机的控制系统100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，该轴流风机的控制系统100与该终端设备也可以是分立的设备，并且该轴流风机的控制系统100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。
本申请还提供一种轴流风机，所述轴流风机包括如所述的轴流风机的控制系统。
在本申请的一个实施例中，图5为根据本申请实施例的轴流风机的控制方法的流程图。图6为根据本申请实施例的轴流风机的控制方法的系统架构的示意图。如图5和图6所示，根据本申请实施例的轴流风机的控制方法，其包括：210，获取轴流风机在预定时间段内多个预定时间点的运行状态参数，所述运行状态参数包括电流值、电压值、转速值和温度值；220，将所述多个预定时间点的电流值、电压值、转速值和温度值分别按照时间维度排列为输入向量后进行归一化处理以得到归一化电流输入向量、归一化电压输入向量、归一化转速输入向量和归一化温度输入向量；230，将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量通过Transformer模块以得到多个参数上下文理解特征向量；240，将所述多个参数上下文理解特征向量通过双向长短期记忆神经网络模型以得到运行模式理解特征向量；250，将所述运行模式理解特征向量通过DNN以得到分类特征向量；260，采用类转换器空间迁移置换融合来融合所述运行模式理解特征向量和所述分类特征向量以得到优化分类特征向量；以及，270，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的所述轴流风机的转速应增大、应减小还是保持不变。
本领域技术人员可以理解，上述轴流风机的控制方法中的各个步骤的具体操作已经在上面参考图1到图4的轴流风机的控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图7为根据本申请实施例的轴流风机的控制系统的应用场景图。如图7所示，在该应用场景中，首先，获取轴流风机(例如，如图7中所示意的M)在预定时间段内多个预定时间点的运行状态参数，所述运行状态参数包括电流值(例如，如图7中所示意的C1)、电压值(例如，如图7中所示意的C2)、转速值(例如，如图7中所示意的C3)和温度值(例如，如图7中所示意的C4)；然后，将获取的电流值、电压值、转速值和温度值输入至部署有轴流风机的控制算法的服务器(例如，如图7中所示意的S)中，其中所述服务器能够基于轴流风机的控制算法对所述电流值、所述电压值、所述转速值和所述温度值进行处理，以生成用于表示当前时间点的所述轴流风机的转速应增大、应减小还是保持不变的分类结果。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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 (7)
1.一种轴流风机的控制系统，其特征在于，包括：
运行状态监控模块，用于获取轴流风机在预定时间段内多个预定时间点的运行状态参数，所述运行状态参数包括电流值、电压值、转速值和温度值；
数据结构化与归一化模块，用于将所述多个预定时间点的电流值、电压值、转速值和温度值分别按照时间维度排列为输入向量后进行归一化处理以得到归一化电流输入向量、归一化电压输入向量、归一化转速输入向量和归一化温度输入向量；
上下文语义提取模块，用于将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量通过Transformer模块以得到多个参数上下文理解特征向量；
运行模式整体表征模块，用于将所述多个参数上下文理解特征向量通过双向长短期记忆神经网络模型以得到运行模式理解特征向量；
局部特征深度提取模块，用于将所述运行模式理解特征向量通过DNN以得到分类特征向量；
优化模块，用于采用类转换器空间迁移置换融合来融合所述运行模式理解特征向量和所述分类特征向量以得到优化分类特征向量；以及
控制策略生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的所述轴流风机的转速应增大、应减小还是保持不变。
2.根据权利要求1所述的轴流风机的控制系统，其特征在于，所述上下文语义提取模块，包括：
序列化单元，用于将所述归一化电流输入向量、所述归一化电压输入向量、所述归一化转速输入向量和所述归一化温度输入向量排列为一维向量的序列；以及
编码单元，用于将所述一维向量的序列通过Transformer模块以得到多个参数上下文理解特征向量。
3.根据权利要求2所述的轴流风机的控制系统，其特征在于，所述编码单元，包括：
向量构造子单元，用于将所述一维向量的序列进行一维排列以得到全局特征向量；
自注意子单元，用于计算所述全局特征向量与所述一维向量的序列中各个一维向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述一维向量的序列中各个一维向量进行加权以得到所述多个参数上下文理解特征向量。
4.根据权利要求3所述的轴流风机的控制系统，其特征在于，所述DNN至少包含2个隐藏层。
5.根据权利要求4所述的轴流风机的控制系统，其特征在于，所述优化模块，用于：采用类转换器空间以如下优化公式迁移置换融合来融合所述运行模式理解特征向量和所述分类特征向量以得到优化分类特征向；
其中，所述优化公式为：
其中，V1是所述运行模式理解特征向量，V2是所述分类特征向量，V2 T是所述分类特征向量的转置向量，D(V1,V2)为所述运行模式理解特征向量和所述分类特征向量之间的距离矩阵，d(V1,V2)表示所述运行模式理解特征向量和所述分类特征向量之间的欧式距离，v1i是所述运行模式理解特征向量的第i个位置的特征值，v2j是所述分类特征向量的第j个位置的特征值，t为掩码阈值超参数，且向量均为行向量，Mask(·)是掩码函数，⊙和/>分别表示按位置减法、点乘和加法，/>表示矩阵相乘。
6.根据权利要求5所述的轴流风机的控制系统，其特征在于，所述控制策略生成模块，包括：
全连接编码单元，用于使用所述分类器的多个全连接层对所述优化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。
7.一种轴流风机，其特征在于，所述轴流风机包括如权利要求1至6任一所述的轴流风机的控制系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310717886.0A CN116538127B (zh) | 2023-06-16 | 2023-06-16 | 轴流风机及其控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310717886.0A CN116538127B (zh) | 2023-06-16 | 2023-06-16 | 轴流风机及其控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116538127A CN116538127A (zh) | 2023-08-04 |
| CN116538127B true CN116538127B (zh) | 2023-09-29 |
Family
ID=87457960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310717886.0A Active CN116538127B (zh) | 2023-06-16 | 2023-06-16 | 轴流风机及其控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116538127B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115788793A (zh) * | 2022-11-14 | 2023-03-14 | 杭州雅深科技有限公司 | 全局监控预警方法及其系统 |
| CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
| CN116146514A (zh) * | 2022-09-27 | 2023-05-23 | 上海莘汭驱动技术有限公司 | 基于轴流风机的流体动力状态调整方法 |
| CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220345468A1 (en) * | 2021-04-21 | 2022-10-27 | General Electric Company | System and method for cyberattack detection in a wind turbine control system |
-
2023
- 2023-06-16 CN CN202310717886.0A patent/CN116538127B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN116146514A (zh) * | 2022-09-27 | 2023-05-23 | 上海莘汭驱动技术有限公司 | 基于轴流风机的流体动力状态调整方法 |
| CN115788793A (zh) * | 2022-11-14 | 2023-03-14 | 杭州雅深科技有限公司 | 全局监控预警方法及其系统 |
| CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
| CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116538127A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liao et al. | Fault diagnosis of power transformers using graph convolutional network | |
| Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
| Wang et al. | Correlation aware multi-step ahead wind speed forecasting with heteroscedastic multi-kernel learning | |
| CN114022311A (zh) | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| Li et al. | Automatic design of machine learning via evolutionary computation: A survey | |
| CN114255371A (zh) | 一种基于组件监督网络的小样本图像分类方法 | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
| Lyu et al. | Dynamic feature selection for solar irradiance forecasting based on deep reinforcement learning | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN116538127B (zh) | 轴流风机及其控制系统 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| Kanazawa et al. | Sample-based uncertainty quantification with a single deterministic neural network | |
| Aik et al. | Distance weighted K-Means algorithm for center selection in training radial basis function networks | |
| CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
| Jiang et al. | A massive multi-modal perception data classification method using deep learning based on internet of things | |
| El-Sharkawi | Neural networks' power | |
| Juan et al. | Utilization of artificial intelligence techniques for photovoltaic applications | |
| Li et al. | CNN-LDNF: an image feature representation approach with multi-space mapping | |
| Dani et al. | Survey on the use of CNN and Deep Learning in Image Classification | |
| Ding et al. | A Novel LSTM-1DCNN-based Deep Network for Fault Diagnosis in Chemical Process | |
| Liu et al. | Hybrid learning network: a novel architecture for fast learning | |
| CN114638555B (zh) | 基于多层正则化极限学习机的用电行为检测方法及系统 | |
| Li et al. | Failure Analysis of Photovoltaic Equipment Based on ISOMPNN |
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 |