CN116577995B - 热泵烘干机组参数智能控制方法及系统 - Google Patents
热泵烘干机组参数智能控制方法及系统 Download PDFInfo
- Publication number
- CN116577995B CN116577995B CN202310813067.6A CN202310813067A CN116577995B CN 116577995 B CN116577995 B CN 116577995B CN 202310813067 A CN202310813067 A CN 202310813067A CN 116577995 B CN116577995 B CN 116577995B
- Authority
- CN
- China
- Prior art keywords
- result
- articles
- drying
- dried
- control
- 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
- 238000001035 drying Methods 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012795 verification Methods 0.000 claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims description 87
- 238000011156 evaluation Methods 0.000 claims description 50
- 238000013507 mapping Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000009499 grossing Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 230000008859 change Effects 0.000 description 11
- 238000010438 heat treatment Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B30/00—Heat pumps
- F25B30/06—Heat pumps characterised by the source of low potential heat
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F26—DRYING
- F26B—DRYING SOLID MATERIALS OR OBJECTS BY REMOVING LIQUID THEREFROM
- F26B25/00—Details of general application not covered by group F26B21/00 or F26B23/00
- F26B25/009—Alarm systems; Safety sytems, e.g. preventing fire and explosions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Thermal Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本发明公开了热泵烘干机组参数智能控制方法及系统,涉及人工智能领域,其中,所述方法包括:配置N级烘干状态周期;生成聚类标识;将N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;基于拟合控制曲线对物品聚类后的待烘干物品的烘干控制,基于数据模糊采集结果和拟合结果标识进行初始寻优;通过数据采集结果和拟合结果标识进行校正寻优;根据初始寻优结果和校正寻优结果进行待烘干物品的烘干智能控制。解决了现有技术中针对热泵烘干机组的参数控制精准度低,导致热泵烘干机组的烘干效果不佳的技术问题。达到了提高热泵烘干机组的参数控制精准度,从而提升热泵烘干机组的烘干质量的技术效果。
Description
技术领域
本发明涉及人工智能领域,具体地,涉及热泵烘干机组参数智能控制方法及系统。
背景技术
随着热泵烘干机组的市场需求量的不断增大,热泵烘干机组的参数控制受到广泛关注。现有技术中,存在针对热泵烘干机组的参数控制精准度低,导致热泵烘干机组的烘干效果不佳的技术问题。
发明内容
本申请提供了热泵烘干机组参数智能控制方法及系统。解决了现有技术中针对热泵烘干机组的参数控制精准度低,导致热泵烘干机组的烘干效果不佳的技术问题。达到了提高热泵烘干机组的参数控制精准度,从而提升热泵烘干机组的烘干质量的技术效果。
鉴于上述问题,本申请提供了热泵烘干机组参数智能控制方法及系统。
第一方面,本申请提供了一种热泵烘干机组参数智能控制方法,其中,所述方法应用于一种热泵烘干机组参数智能控制系统,所述方法包括:交互待烘干物品的物品基础属性,基于所述物品基础属性配置N级烘干状态周期;对所述待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行所述待烘干物品的物品聚类,并生成聚类标识;将所述N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;将所述聚类标识作为基础数据,构建拟合控制曲线,其中,所述拟合控制曲线具有拟合结果标识;基于所述拟合控制曲线对物品聚类后的所述待烘干物品的烘干控制,并在所述模糊验证节点进行所述待烘干物品的数据模糊采集;基于数据模糊采集结果和所述拟合结果标识进行初始寻优;在所述N级关键节点进行所述待烘干物品的数据采集;通过数据采集结果和所述拟合结果标识进行校正寻优;根据初始寻优结果和校正寻优结果进行所述待烘干物品的烘干智能控制。
第二方面,本申请还提供了一种热泵烘干机组参数智能控制系统,其中,所述系统包括:烘干状态周期配置模块,所述烘干状态周期配置模块用于交互待烘干物品的物品基础属性,基于所述物品基础属性配置N级烘干状态周期;聚类标识生成模块,所述聚类标识生成模块用于对所述待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行所述待烘干物品的物品聚类,并生成聚类标识;模糊验证节点配置模块,所述模糊验证节点配置模块用于将所述N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;曲线构建模块,所述曲线构建模块用于将所述聚类标识作为基础数据,构建拟合控制曲线,其中,所述拟合控制曲线具有拟合结果标识;数据模糊采集模块,所述数据模糊采集模块用于基于所述拟合控制曲线对物品聚类后的所述待烘干物品的烘干控制,并在所述模糊验证节点进行所述待烘干物品的数据模糊采集;初始寻优模块,所述初始寻优模块用于基于数据模糊采集结果和所述拟合结果标识进行初始寻优;物品数据采集模块,所述物品数据采集模块用于在所述N级关键节点进行所述待烘干物品的数据采集;校正寻优模块,所述校正寻优模块用于通过数据采集结果和所述拟合结果标识进行校正寻优;烘干智能控制模块,所述烘干智能控制模块用于根据初始寻优结果和校正寻优结果进行所述待烘干物品的烘干智能控制。
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:
通过待烘干物品的物品基础属性配置N级烘干状态周期;对待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行待烘干物品的物品聚类,并生成聚类标识;将N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;基于拟合控制曲线对物品聚类后的待烘干物品的烘干控制,并在模糊验证节点进行待烘干物品的数据模糊采集,获得数据模糊采集结果,结合拟合结果标识进行初始寻优;在N级关键节点进行待烘干物品的数据采集,获得数据采集结果,结合拟合结果标识进行校正寻优;根据初始寻优结果和校正寻优结果进行待烘干物品的烘干智能控制。达到了提高热泵烘干机组的参数控制精准度,从而提升热泵烘干机组的烘干质量的技术效果。
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申请实施例的技术方案,下面将对本申请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申请的一些实施例,而非对本申请的限制。
图1为本申请一种热泵烘干机组参数智能控制方法的流程示意图;
图2为本申请一种热泵烘干机组参数智能控制方法中对初始寻优进行寻优调整的流程示意图;
图3为本申请一种热泵烘干机组参数智能控制系统的结构示意图。
附图标记说明:烘干状态周期配置模块11,聚类标识生成模块12,模糊验证节点配置模块13,曲线构建模块14,数据模糊采集模块15,初始寻优模块16,物品数据采集模块17,校正寻优模块18,烘干智能控制模块19。
具体实施方式
本申请通过提供热泵烘干机组参数智能控制方法及系统。解决了现有技术中针对热泵烘干机组的参数控制精准度低,导致热泵烘干机组的烘干效果不佳的技术问题。达到了提高热泵烘干机组的参数控制精准度,从而提升热泵烘干机组的烘干质量的技术效果。
实施例一
请参阅附图1,本申请提供一种热泵烘干机组参数智能控制方法,其中,所述方法应用于一种热泵烘干机组参数智能控制系统,所述方法具体包括如下步骤:
步骤S100:交互待烘干物品的物品基础属性,基于所述物品基础属性配置N级烘干状态周期;
步骤S200:对所述待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行所述待烘干物品的物品聚类,并生成聚类标识;
步骤S300:将所述N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;
具体而言,采集待烘干物品的类型、重量、成分,获得物品基础属性,并根据物品基础属性匹配N级烘干状态周期。其中,所述待烘干物品包括使用所述一种热泵烘干机组参数智能控制系统进行智能化烘干控制的多个同类型待烘干产品。多个同类型待烘干产品可以为同类型的茶叶、同类型的药材、同类型的果蔬、同类型的衣物等。所述物品基础属性包括待烘干物品的类型参数、重量参数、成分信息。N级烘干状态周期包括N个烘干状态周期信息。且,N为大于1的正整数。每个烘干状态周期信息包括待烘干物品的一个预设烘干阶段,以及这个预设烘干阶段对应的预设烘干时间段、待烘干物品的预设水分变化信息。例如,预设烘干阶段包括物品预热阶段、物品恒速烘干阶段、物品降速烘干阶段、物品临界含水阶段等。
示例性地,在根据物品基础属性匹配N级烘干状态周期时,基于物品基础属性进行历史数据查询,获得烘干周期数据库。将物品基础属性输入烘干周期数据库,通过烘干周期数据库对物品基础属性进行烘干状态周期匹配,获得N级烘干状态周期。烘干周期数据库包括多组烘干周期数据。每组烘干周期数据包括历史物品基础属性、N级历史烘干状态周期。
进一步,对烘干前的待烘干物品进行物品数据采集,获得物品数据采集结果。所述物品数据采集结果包括烘干前的待烘干物品对应的水分含量信息、尺寸信息。继而,按照物品数据采集结果对待烘干物品进行物品聚类,即,将待烘干物品中,水分含量信息、尺寸信息相同的同类型待烘干产品归为一类,获得聚类标识。聚类标识包括多组聚类待烘干产品。每组聚类待烘干产品包括待烘干物品中,水分含量信息、尺寸信息相同的多个同类型待烘干产品。
进一步,分别将N级烘干状态周期设置为关键节点,获得N级关键节点。所述N级关键节点包括N级烘干状态周期。进而,在N级关键节点间配置模糊验证节点,即,分别对N级关键节点中的每个关键节点内的预设烘干时间段进行均匀划分,获得N级关键节点对应的N层模糊验证节点。每层模糊验证节点包括N级关键节点中的每个关键节点对应的多个模糊验证节点。多个模糊验证节点包括对N级关键节点中的每个关键节点内的预设烘干时间段进行均匀划分,获得的预设烘干时间段内的多个时间点。
达到了根据物品数据采集结果进行待烘干物品的物品聚类,生成聚类标识,并配置待烘干物品的N级关键节点、模糊验证节点,从而提高对待烘干物品进行烘干控制的全面性的技术效果。
步骤S400:将所述聚类标识作为基础数据,构建拟合控制曲线,其中,所述拟合控制曲线具有拟合结果标识;
步骤S500:基于所述拟合控制曲线对物品聚类后的所述待烘干物品的烘干控制,并在所述模糊验证节点进行所述待烘干物品的数据模糊采集;
具体而言,将聚类标识作为基础数据,按照基础数据、N级关键节点进行烘干机的历史控制参数采集,获得拟合控制曲线。继而,按照拟合控制曲线控制烘干机对物品聚类后的待烘干物品进行烘干控制,并在N层模糊验证节点中的多个模糊验证节点进行待烘干物品的数据模糊采集,获得数据模糊采集结果。其中,烘干机为现有技术中的热泵烘干机组。所述拟合控制曲线包括聚类标识对应的N级关键节点的N组控制数据。每组控制数据包括N级关键节点中的每个关键节点对应的烘干机的历史控制电压、历史控制功率、历史控制制热量、历史控制出风温度、历史控制出风风速等历史控制参数。且,拟合控制曲线中的每组控制数据具有对应的拟合结果标识。拟合结果标识包括按照每组控制数据对烘干机进行控制后,历史烘干物品的历史含水量信息、历史表面褶皱信息。所述数据模糊采集结果包括在按照拟合控制曲线控制烘干机对物品聚类后的待烘干物品进行烘干控制时,N层模糊验证节点中的每个模糊验证节点对应的待烘干物品的含水量信息、表面褶皱信息。达到了按照拟合控制曲线对物品聚类后的待烘干物品进行烘干控制,并在模糊验证节点采集待烘干物品的含水量信息,为后续对待烘干物品的烘干智能控制夯实基础的技术效果。
步骤S600:基于数据模糊采集结果和所述拟合结果标识进行初始寻优;
步骤S700:在所述N级关键节点进行所述待烘干物品的数据采集;
步骤S800:通过数据采集结果和所述拟合结果标识进行校正寻优;
步骤S900:根据初始寻优结果和校正寻优结果进行所述待烘干物品的烘干智能控制。
具体而言,根据数据模糊采集结果和拟合结果标识进行初始寻优,获得初始寻优结果。进一步,在按照拟合控制曲线控制烘干机对物品聚类后的待烘干物品进行烘干控制时,按照N级关键节点进行待烘干物品的数据采集,获得数据采集结果。继而,根据数据采集结果和拟合结果标识进行校正寻优,获得校正寻优结果,并按照初始寻优结果和校正寻优结果对待烘干物品进行烘干智能控制。从而提高待烘干物品的烘干控制精准性。其中,所述初始寻优结果包括N层模糊验证节点中的每个模糊验证节点对应的烘干机的调整控制电压、调整控制功率、调整控制制热量、调整控制出风温度、调整控制出风风速等调整控制参数。数据采集结果包括在按照拟合控制曲线控制烘干机对物品聚类后的待烘干物品进行烘干控制时,N级关键节点对应的待烘干物品的含水量信息、表面褶皱信息。所述校正寻优结果包括N级关键节点对应的烘干机的调整控制电压、调整控制功率、调整控制制热量、调整控制出风温度、调整控制出风风速等调整控制参数。
优选地,在根据数据模糊采集结果和拟合结果标识进行初始寻优时,基于数据模糊采集结果和拟合结果标识进行大数据查询,获得多个初始寻优数据集。每个初始寻优数据集包括历史数据模糊采集结果、历史拟合结果标识、历史初始寻优结果。继而,将多个初始寻优数据集中随机的70%的数据信息划分为训练数据集。将多个初始寻优数据集中随机的30%的数据信息划分为测试数据集。基于BP神经网络对训练数据集进行交叉监督训练,获得初始寻优模型。将测试数据集作为输入信息,输入初始寻优模型,通过测试数据集对初始寻优模型进行参数更新。进而,将数据模糊采集结果和拟合结果标识作为输入信息,输入初始寻优模型,初始寻优模型按照拟合结果标识、数据模糊采集结果对数据模糊采集结果中的模糊验证节点进行调整控制参数匹配,获得初始寻优结果。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。初始寻优模型包括输入层、隐含层、输出层。此外,根据数据采集结果和拟合结果标识进行校正寻优,与根据数据模糊采集结果和拟合结果标识进行初始寻优的方式相同,为了说明书的简洁,在此不再赘述。
进一步的,如附图2所示,本申请步骤S600还包括:
步骤S610:获得所述N级烘干状态周期中每一级烘干状态周期对应的宽容认证阈值;
步骤S620:通过所述宽容认证阈值对所述N级关键节点位置的数据采集结果进行状态认证;
步骤S630:若状态认证结果为异常认证结果时,根据异常认证值匹配补偿系数,根据所述补偿系数对当前关键节点位置的下一簇模糊验证节点进行宽容扩充;
步骤S640:根据宽容扩充结果对所述初始寻优进行寻优调整。
具体而言,连接所述一种热泵烘干机组参数智能控制系统,对所述一种热泵烘干机组参数智能控制系统进行宽容认证阈值采集,获得N级烘干状态周期对应的N个宽容认证阈值。每个宽容认证阈值包括N级烘干状态周期中每一级烘干状态周期对应的待烘干物品的含水量范围信息。继而,按照N个宽容认证阈值,分别对数据采集结果中N级关键节点对应的待烘干物品进行状态认证,获得N级关键节点中的每个关键节点对应的状态认证结果。状态认证结果包括正常认证结果/异常认证结果。示例性地,在按照N个宽容认证阈值分别对数据采集结果中N级关键节点对应的待烘干物品进行状态认证时,当数据采集结果中,关键节点的待烘干物品的含水量信息满足对应的宽容认证阈值时,则,这个关键节点的状态认证结果为异常认证结果。否则,这个关键节点的状态认证结果为异常认证结果。
进一步,当状态认证结果为异常认证结果时,将异常认证结果对应的关键节点的待烘干物品的含水量信息与对应的宽容认证阈值之间的差值信息设置为异常认证值。继而,根据异常认证值匹配补偿系数,并根据补偿系数对当前关键节点位置的下一簇模糊验证节点进行宽容扩充,获得宽容扩充结果。根据宽容扩充结果对初始寻优进行寻优调整,即,将宽容扩充结果添加至初始寻优结果中,从而提高初始寻优的全面性。其中,所述补偿系数包括异常认证值对应的烘干机的补偿控制电压、补偿控制功率、补偿控制制热量、补偿控制出风温度、补偿控制出风风速等补偿控制参数。“当前关键节点位置的下一簇模糊验证节点”包括N级关键节点中,异常认证结果对应的关键节点之后的多个关键节点。所述宽容扩充结果包括补偿系数,以及补偿系数对应的调整宽容认证阈值。
示例性地,在根据异常认证值匹配补偿系数时,将异常认证值输入补偿系数匹配数据库,通过补偿系数匹配数据库对异常认证值进行补偿控制参数匹配,获得补偿系数。
进一步的,本申请步骤S900之后,还包括:
步骤S1010:在进行所述待烘干物品的烘干智能控制过程中,对烘干机进行控制反馈监测,构建反馈监测参数集合;
步骤S1020:通过所述反馈监测参数集合对映射控制参数进行参数执行比对,基于比对结果生成所述烘干机的设备偏移特征;
具体而言,在按照初始寻优结果和校正寻优结果对待烘干物品进行烘干智能控制的过程中,对烘干机进行控制反馈监测,构建反馈监测参数集合。继而,将反馈监测参数集合与映射控制参数进行比对,获得比对结果,并从比对结果中提取出设备偏移特征。其中,反馈监测参数集合包括在按照初始寻优结果和校正寻优结果对待烘干物品进行烘干智能控制的过程中,烘干机的实际控制电压、实际控制功率、实际控制制热量、实际控制出风温度、实际控制出风风速等实际控制参数。映射控制参数包括初始寻优结果和校正寻优结果。比对结果包括反馈监测参数集合与对应的映射控制参数是否一致。当反馈监测参数集合与对应的映射控制参数不一致时,比对结果还包括反馈监测参数集合与对应的映射控制参数之间的差值信息。所述设备偏移特征包括反馈监测参数集合与对应的映射控制参数之间的差值信息。
步骤S1030:将所述设备偏移特征记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
进一步的,本申请步骤S1030还包括:
步骤S1031:根据所述初始寻优结果和所述校正寻优结果进行寻优控制的控制稳定性评价,获得控制稳定性评价结果;
步骤S1032:基于所述设备偏移特征和所述控制稳定性评价结果执行所述待烘干物品的物品稳定性分析,获得关联物品稳定性分析结果;
步骤S1033:根据所述聚类标识进行所述待烘干物品的数据稳定性分析,获得物品数据稳定性分析结果;
步骤S1034:将所述关联物品稳定性分析结果和所述物品数据稳定性分析结果构建相对映射关系;
具体而言,对初始寻优结果和校正寻优结果进行寻优控制的控制稳定性评价,获得控制稳定性评价结果。控制稳定性评价结果包括初始寻优结果和校正寻优结果对应的控制稳定性评价系数。控制稳定性评价系数是用于表征初始寻优结果和校正寻优结果的控制稳定性的数据信息。初始寻优结果和校正寻优结果的控制稳定性越高,对应的控制稳定性评价系数越高。示例性地,在对初始寻优结果和校正寻优结果进行寻优控制的控制稳定性评价时,按照初始寻优结果和校正寻优结果进行历史数据查询,获得多个历史初始寻优结果、多个历史校正寻优结果、多个历史反馈监测参数集合、多个历史控制稳定性评价系数。将多个历史初始寻优结果、多个历史校正寻优结果、多个历史反馈监测参数集合、多个历史控制稳定性评价系数进行不断的自我训练学习至收敛状态,即可获得控制稳定性评价模型,将初始寻优结果、校正寻优结果、反馈监测参数集合输入控制稳定性评价模型,获得控制稳定性评价结果。控制稳定性评价模型包括输入层、隐含层、输出层。
进一步,根据设备偏移特征和控制稳定性评价结果对待烘干物品进行物品稳定性分析,获得关联物品稳定性分析结果。继而,按照聚类标识,对在进行待烘干物品的烘干智能控制过程中,待烘干物品对应的含水量信息、表面褶皱信息进行数据稳定性分析,获得物品数据稳定性分析结果,结合关联物品稳定性分析结果,获得相对映射关系。其中,所述关联物品稳定性分析结果包括设备偏移特征和控制稳定性评价结果对应的待烘干物品的烘干控制稳定性分析系数。所述物品数据稳定性分析结果包括聚类标识对应的待烘干物品的含水量变化稳定性系数、表面褶皱变化稳定性系数。在进行待烘干物品的烘干智能控制过程中,待烘干物品的含水量变化越快,对应的含水量变化稳定性系数越小。待烘干物品的表面褶皱变化越快,对应的表面褶皱变化稳定性系数越小。所述相对映射关系包括关联物品稳定性分析结果、物品数据稳定性分析结果。关联物品稳定性分析结果、物品数据稳定性分析结果与控制稳定性评价结果的获得方式相同,为了说明书的简洁,在此不再赘述。
步骤S1035:将所述相对映射关系与所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
进一步的,本申请步骤S1035还包括:
步骤S1035-1:交互物品聚类结果,其中,所述物品聚类结果为基于物品数据采集结果进行所述待烘干物品的物品聚类的结果;
步骤S1035-2:基于所述物品聚类结果进行聚类中物品的特征分布极差数据计算,将极差数据计算结果作为第一异常影响数据;
步骤S1035-3:基于所述物品聚类结果进行聚类中物品的特征集中度计算,将集中度计算结果作为第二异常影响数据;
步骤S1035-4:将所述第一异常影响数据、所述第二异常影响数据与所述相对映射关系、所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
具体而言,将聚类标识记为物品聚类结果。物品聚类结果包括聚类标识中的多组聚类待烘干产品。继而,对物品聚类结果进行聚类中物品的特征分布极差数据进行计算,获得极差数据计算结果,并将极差数据计算结果输出为第一异常影响数据。其中,特征分布极差数据包括多组聚类待烘干产品对应的最大水分含量信息、最小水分含量信息。所述极差数据计算结果包括特征分布极差数据的最大水分含量信息、最小水分含量信息之间的水分含量差值信息。
进一步,根据物品聚类结果进行聚类中物品的特征集中度计算,获得集中度计算结果,并将集中度计算结果输出为第二异常影响数据。继而,将第一异常影响数据、第二异常影响数据、相对映射关系、设备偏移特征进行同步记录,获得记录结果,并根据记录结果进行后续待烘干物品的烘干寻优补偿。所述记录结果包括第一异常影响数据、第二异常影响数据、相对映射关系、设备偏移特征。示例性地,在根据物品聚类结果进行聚类中物品的特征集中度计算时,分别将每组聚类待烘干产品对应的水分含量信息进行均值计算,获得多组聚类待烘干产品对应的多个水分含量均值。将多个水分含量均值之和输出为总水分含量均值。分别将多个水分含量均值与总水分含量均值进行比值计算,获得多个水分含量集中度,并将多个水分含量集中度输出为集中度计算结果。
达到了按照记录结果进行后续待烘干物品的烘干寻优补偿,从而提高热泵烘干机组的参数控制精准度的技术效果。
进一步的,本申请步骤S900之后,还包括:
步骤S1110:对所述N级关键节点执行节点调整验证,获得节点调整验证结果;
步骤S1120:基于所述节点调整验证结果执行N级关键节点的节点平滑评价,生成节点平滑评价结果;
步骤S1130:通过所述节点平滑评价结果提取反馈响应数据;
步骤S1140:根据所述反馈响应数据进行后续同节点的寻优补偿。
具体而言,对数据采集结果中N级关键节点对应的待烘干物品的含水量信息进行曲线构建,获得物品含水量变化曲线。物品含水量变化曲线为数据采集结果中的含水量信息随时间的变化曲线。继而,对N级关键节点执行节点调整验证,即,按照N级关键节点对物品含水量变化曲线进行曲线截取,获得节点调整验证结果。所述节点调整验证结果包括N个节点曲线。每个节点曲线包括物品含水量变化曲线中,N级关键节点中的每个关键节点对应的部分曲线。
进一步,对节点调整验证结果执行N级关键节点的节点平滑评价,生成节点平滑评价结果。所述节点平滑评价结果包括N级关键节点对应的N个节点平滑评价系数。示例性地,在对节点调整验证结果执行N级关键节点的节点平滑评价时,对节点调整验证结果中的N个节点曲线进行斜率计算,获得N个节点曲线对应的N个曲线斜率,并将N个曲线斜率输出为N个节点平滑评价系数。继而,对按照节点平滑评价结果提取反馈响应数据,并根据反馈响应数据进行后续同节点的寻优补偿。反馈响应数据包括节点平滑评价结果中的每个节点平滑评价系数对应的烘干机的控制电压、控制功率、控制制热量、控制出风温度、控制出风风速等控制参数。示例性地,在根据反馈响应数据进行后续同节点的寻优补偿时,将节点平滑评价结果与正常的历史节点平滑评价结果进行比对,当节点平滑评价结果存在异常的节点平滑评价系数时,将该异常的节点平滑评价系数对应的控制参数设置为异常控制参数。当后续同节点的寻优补偿出现异常控制参数时,对该寻优补偿进行预警,从而提高寻优补偿的可靠性。
进一步的,本申请步骤S900之后,还包括:
步骤S1210:记录异常烘干控制结果;
步骤S1220:基于所述异常烘干控制结果进行异常共性特征提取;
步骤S1230:根据异常共性特征提取结果构建异常控制数据库;
步骤S1240:通过所述异常控制数据库执行所述待烘干物品的烘干智能控制约束。
具体而言,连接所述一种热泵烘干机组参数智能控制系统,对所述一种热泵烘干机组参数智能控制系统进行异常烘干控制结果的数据提取,获得异常烘干控制结果。所述异常烘干控制结果包括多组异常烘干控制数据。每组异常烘干控制数据包括当使用烘干机对历史物品进行烘干,历史物品出现烘干状态异常时,烘干机对应的历史控制信息。继而,异常烘干控制结果进行异常共性特征提取,即,按照烘干状态异常对异常烘干控制结果进行聚类,将相同的烘干状态异常对应的异常烘干控制结果归为一类,获得异常控制数据库,并按照异常控制数据库对待烘干物品进行烘干控制约束。从而提高待烘干物品的烘干控制质量。所述异常控制数据库包括多类异常烘干控制数据。每类异常烘干控制数据包括相同的烘干状态异常对应的异常烘干控制结果的异常烘干控制数据。
综上所述,本申请所提供的一种热泵烘干机组参数智能控制方法具有如下技术效果:
1.通过待烘干物品的物品基础属性配置N级烘干状态周期;对待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行待烘干物品的物品聚类,并生成聚类标识;将N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;基于拟合控制曲线对物品聚类后的待烘干物品的烘干控制,并在模糊验证节点进行待烘干物品的数据模糊采集,获得数据模糊采集结果,结合拟合结果标识进行初始寻优;在N级关键节点进行待烘干物品的数据采集,获得数据采集结果,结合拟合结果标识进行校正寻优;根据初始寻优结果和校正寻优结果进行待烘干物品的烘干智能控制。达到了提高热泵烘干机组的参数控制精准度,从而提升热泵烘干机组的烘干质量的技术效果。
2.按照记录结果进行后续待烘干物品的烘干寻优补偿,从而提高热泵烘干机组的参数控制精准度。
实施例二
基于与前述实施例中一种热泵烘干机组参数智能控制方法,同样发明构思,本发明还提供了一种热泵烘干机组参数智能控制系统,请参阅附图3,所述系统包括:
烘干状态周期配置模块11,所述烘干状态周期配置模块11用于交互待烘干物品的物品基础属性,基于所述物品基础属性配置N级烘干状态周期;
聚类标识生成模块12,所述聚类标识生成模块12用于对所述待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行所述待烘干物品的物品聚类,并生成聚类标识;
模糊验证节点配置模块13,所述模糊验证节点配置模块13用于将所述N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;
曲线构建模块14,所述曲线构建模块14用于将所述聚类标识作为基础数据,构建拟合控制曲线,其中,所述拟合控制曲线具有拟合结果标识;
数据模糊采集模块15,所述数据模糊采集模块15用于基于所述拟合控制曲线对物品聚类后的所述待烘干物品的烘干控制,并在所述模糊验证节点进行所述待烘干物品的数据模糊采集;
初始寻优模块16,所述初始寻优模块16用于基于数据模糊采集结果和所述拟合结果标识进行初始寻优;
物品数据采集模块17,所述物品数据采集模块17用于在所述N级关键节点进行所述待烘干物品的数据采集;
校正寻优模块18,所述校正寻优模块18用于通过数据采集结果和所述拟合结果标识进行校正寻优;
烘干智能控制模块19,所述烘干智能控制模块19用于根据初始寻优结果和校正寻优结果进行所述待烘干物品的烘干智能控制。
进一步的,所述系统还包括:
宽容认证阈值获得模块,所述宽容认证阈值获得模块用于获得所述N级烘干状态周期中每一级烘干状态周期对应的宽容认证阈值;
状态认证模块,所述状态认证模块用于通过所述宽容认证阈值对所述N级关键节点位置的数据采集结果进行状态认证;
宽容扩充模块,所述宽容扩充模块用于若状态认证结果为异常认证结果时,根据异常认证值匹配补偿系数,根据所述补偿系数对当前关键节点位置的下一簇模糊验证节点进行宽容扩充;
寻优调整模块,所述寻优调整模块用于根据宽容扩充结果对所述初始寻优进行寻优调整。
进一步的,所述系统还包括:
第一执行模块,所述第一执行模块用于在进行所述待烘干物品的烘干智能控制过程中,对烘干机进行控制反馈监测,构建反馈监测参数集合;
设备偏移特征生成模块,所述设备偏移特征生成模块用于通过所述反馈监测参数集合对映射控制参数进行参数执行比对,基于比对结果生成所述烘干机的设备偏移特征;
烘干寻优补偿模块,所述烘干寻优补偿模块用于将所述设备偏移特征记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
进一步的,所述系统还包括:
控制稳定性评价模块,所述控制稳定性评价模块用于根据所述初始寻优结果和所述校正寻优结果进行寻优控制的控制稳定性评价,获得控制稳定性评价结果;
物品稳定性分析模块,所述物品稳定性分析模块用于基于所述设备偏移特征和所述控制稳定性评价结果执行所述待烘干物品的物品稳定性分析,获得关联物品稳定性分析结果;
数据稳定性分析模块,所述数据稳定性分析模块用于根据所述聚类标识进行所述待烘干物品的数据稳定性分析,获得物品数据稳定性分析结果;
相对映射关系构建模块,所述相对映射关系构建模块用于将所述关联物品稳定性分析结果和所述物品数据稳定性分析结果构建相对映射关系;
第二执行模块,所述第二执行模块用于将所述相对映射关系与所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
进一步的,所述系统还包括:
第三执行模块,所述第三执行模块用于交互物品聚类结果,其中,所述物品聚类结果为基于物品数据采集结果进行所述待烘干物品的物品聚类的结果;
第一异常影响数据获得模块,所述第一异常影响数据获得模块用于基于所述物品聚类结果进行聚类中物品的特征分布极差数据计算,将极差数据计算结果作为第一异常影响数据;
第二异常影响数据获得模块,所述第二异常影响数据获得模块用于基于所述物品聚类结果进行聚类中物品的特征集中度计算,将集中度计算结果作为第二异常影响数据;
第四执行模块,所述第四执行模块用于将所述第一异常影响数据、所述第二异常影响数据与所述相对映射关系、所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
进一步的,所述系统还包括:
节点调整验证模块,所述节点调整验证模块用于对所述N级关键节点执行节点调整验证,获得节点调整验证结果;
节点平滑评价模块,所述节点平滑评价模块用于基于所述节点调整验证结果执行N级关键节点的节点平滑评价,生成节点平滑评价结果;
反馈响应数据提取模块,所述反馈响应数据提取模块用于通过所述节点平滑评价结果提取反馈响应数据;
第五执行模块,所述第五执行模块用于根据所述反馈响应数据进行后续同节点的寻优补偿。
进一步的,所述系统还包括:
异常记录模块,所述异常记录模块用于记录异常烘干控制结果;
异常共性特征提取模块,所述异常共性特征提取模块用于基于所述异常烘干控制结果进行异常共性特征提取;
第六执行模块,所述第六执行模块用于根据异常共性特征提取结果构建异常控制数据库;
控制约束模块,所述控制约束模块用于通过所述异常控制数据库执行所述待烘干物品的烘干智能控制约束。
本发明实施例所提供的一种热泵烘干机组参数智能控制系统可执行本发明任意实施例所提供的一种热泵烘干机组参数智能控制方法,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。
本申请提供了一种热泵烘干机组参数智能控制方法,其中,所述方法应用于一种热泵烘干机组参数智能控制系统,所述方法包括:通过待烘干物品的物品基础属性配置N级烘干状态周期;对待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行待烘干物品的物品聚类,并生成聚类标识;将N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;基于拟合控制曲线对物品聚类后的待烘干物品的烘干控制,并在模糊验证节点进行待烘干物品的数据模糊采集,获得数据模糊采集结果,结合拟合结果标识进行初始寻优;在N级关键节点进行待烘干物品的数据采集,获得数据采集结果,结合拟合结果标识进行校正寻优;根据初始寻优结果和校正寻优结果进行待烘干物品的烘干智能控制。解决了现有技术中针对热泵烘干机组的参数控制精准度低,导致热泵烘干机组的烘干效果不佳的技术问题。达到了提高热泵烘干机组的参数控制精准度,从而提升热泵烘干机组的烘干质量的技术效果。
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 (5)
1.热泵烘干机组参数智能控制方法,其特征在于,所述方法包括:
交互待烘干物品的物品基础属性,基于所述物品基础属性配置N级烘干状态周期;
对所述待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行所述待烘干物品的物品聚类,并生成聚类标识;
将所述N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;
将所述聚类标识作为基础数据,构建拟合控制曲线,其中,所述拟合控制曲线具有拟合结果标识;
基于所述拟合控制曲线对物品聚类后的所述待烘干物品的烘干控制,并在所述模糊验证节点进行所述待烘干物品的数据模糊采集;
基于数据模糊采集结果和所述拟合结果标识进行初始寻优;
在所述N级关键节点进行所述待烘干物品的数据采集;
通过数据采集结果和所述拟合结果标识进行校正寻优;
根据初始寻优结果和校正寻优结果进行所述待烘干物品的烘干智能控制;
所述方法还包括:
在进行所述待烘干物品的烘干智能控制过程中,对烘干机进行控制反馈监测,构建反馈监测参数集合;
通过所述反馈监测参数集合对映射控制参数进行参数执行比对,基于比对结果生成所述烘干机的设备偏移特征;
将所述设备偏移特征记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿;
根据所述初始寻优结果和所述校正寻优结果进行寻优控制的控制稳定性评价,获得控制稳定性评价结果;
基于所述设备偏移特征和所述控制稳定性评价结果执行所述待烘干物品的物品稳定性分析,获得关联物品稳定性分析结果;
根据所述聚类标识进行所述待烘干物品的数据稳定性分析,获得物品数据稳定性分析结果;
将所述关联物品稳定性分析结果和所述物品数据稳定性分析结果构建相对映射关系;
将所述相对映射关系与所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿;
交互物品聚类结果,其中,所述物品聚类结果为基于物品数据采集结果进行所述待烘干物品的物品聚类的结果;
基于所述物品聚类结果进行聚类中物品的特征分布极差数据计算,将极差数据计算结果作为第一异常影响数据;
基于所述物品聚类结果进行聚类中物品的特征集中度计算,将集中度计算结果作为第二异常影响数据;
将所述第一异常影响数据、所述第二异常影响数据与所述相对映射关系、所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得所述N级烘干状态周期中每一级烘干状态周期对应的宽容认证阈值;
通过所述宽容认证阈值对所述N级关键节点位置的数据采集结果进行状态认证;
若状态认证结果为异常认证结果时,根据异常认证值匹配补偿系数,根据所述补偿系数对当前关键节点位置的下一簇模糊验证节点进行宽容扩充;
根据宽容扩充结果对所述初始寻优进行寻优调整。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述N级关键节点执行节点调整验证,获得节点调整验证结果;
基于所述节点调整验证结果执行N级关键节点的节点平滑评价,生成节点平滑评价结果;
通过所述节点平滑评价结果提取反馈响应数据;
根据所述反馈响应数据进行后续同节点的寻优补偿。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
记录异常烘干控制结果;
基于所述异常烘干控制结果进行异常共性特征提取;
根据异常共性特征提取结果构建异常控制数据库;
通过所述异常控制数据库执行所述待烘干物品的烘干智能控制约束。
5.热泵烘干机组参数智能控制系统,其特征在于,所述系统用于执行权利要求1至4中任一项所述的方法,所述系统包括:
烘干状态周期配置模块,所述烘干状态周期配置模块用于交互待烘干物品的物品基础属性,基于所述物品基础属性配置N级烘干状态周期;
聚类标识生成模块,所述聚类标识生成模块用于对所述待烘干物品进行烘干前物品数据采集,基于物品数据采集结果进行所述待烘干物品的物品聚类,并生成聚类标识;
模糊验证节点配置模块,所述模糊验证节点配置模块用于将所述N级烘干状态周期配置为关键节点,并在N级关键节点间配置模糊验证节点;
曲线构建模块,所述曲线构建模块用于将所述聚类标识作为基础数据,构建拟合控制曲线,其中,所述拟合控制曲线具有拟合结果标识;
数据模糊采集模块,所述数据模糊采集模块用于基于所述拟合控制曲线对物品聚类后的所述待烘干物品的烘干控制,并在所述模糊验证节点进行所述待烘干物品的数据模糊采集;
初始寻优模块,所述初始寻优模块用于基于数据模糊采集结果和所述拟合结果标识进行初始寻优;
物品数据采集模块,所述物品数据采集模块用于在所述N级关键节点进行所述待烘干物品的数据采集;
校正寻优模块,所述校正寻优模块用于通过数据采集结果和所述拟合结果标识进行校正寻优;
烘干智能控制模块,所述烘干智能控制模块用于根据初始寻优结果和校正寻优结果进行所述待烘干物品的烘干智能控制;
第一执行模块,所述第一执行模块用于在进行所述待烘干物品的烘干智能控制过程中,对烘干机进行控制反馈监测,构建反馈监测参数集合;
设备偏移特征生成模块,所述设备偏移特征生成模块用于通过所述反馈监测参数集合对映射控制参数进行参数执行比对,基于比对结果生成所述烘干机的设备偏移特征;
烘干寻优补偿模块,所述烘干寻优补偿模块用于将所述设备偏移特征记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿;
控制稳定性评价模块,所述控制稳定性评价模块用于根据所述初始寻优结果和所述校正寻优结果进行寻优控制的控制稳定性评价,获得控制稳定性评价结果;
物品稳定性分析模块,所述物品稳定性分析模块用于基于所述设备偏移特征和所述控制稳定性评价结果执行所述待烘干物品的物品稳定性分析,获得关联物品稳定性分析结果;
数据稳定性分析模块,所述数据稳定性分析模块用于根据所述聚类标识进行所述待烘干物品的数据稳定性分析,获得物品数据稳定性分析结果;
相对映射关系构建模块,所述相对映射关系构建模块用于将所述关联物品稳定性分析结果和所述物品数据稳定性分析结果构建相对映射关系;
第二执行模块,所述第二执行模块用于将所述相对映射关系与所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿;
第三执行模块,所述第三执行模块用于交互物品聚类结果,其中,所述物品聚类结果为基于物品数据采集结果进行所述待烘干物品的物品聚类的结果;
第一异常影响数据获得模块,所述第一异常影响数据获得模块用于基于所述物品聚类结果进行聚类中物品的特征分布极差数据计算,将极差数据计算结果作为第一异常影响数据;
第二异常影响数据获得模块,所述第二异常影响数据获得模块用于基于所述物品聚类结果进行聚类中物品的特征集中度计算,将集中度计算结果作为第二异常影响数据;
第四执行模块,所述第四执行模块用于将所述第一异常影响数据、所述第二异常影响数据与所述相对映射关系、所述设备偏移特征同步记录,并基于记录结果进行后续待烘干物品的烘干寻优补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813067.6A CN116577995B (zh) | 2023-07-05 | 2023-07-05 | 热泵烘干机组参数智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813067.6A CN116577995B (zh) | 2023-07-05 | 2023-07-05 | 热泵烘干机组参数智能控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577995A CN116577995A (zh) | 2023-08-11 |
CN116577995B true CN116577995B (zh) | 2023-11-21 |
Family
ID=87541631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310813067.6A Active CN116577995B (zh) | 2023-07-05 | 2023-07-05 | 热泵烘干机组参数智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577995B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3618025A1 (de) * | 1986-05-28 | 1987-12-03 | Aachener Forsch Regelungstech | Vorrichtung zur bestimmung der regelguete und der stabilitaet von regelkreisen aus messwerten und kennwerten des regelkreises |
JPH11282507A (ja) * | 1998-03-31 | 1999-10-15 | Toshiba Corp | 遠隔制御システム |
JP2011141475A (ja) * | 2010-01-08 | 2011-07-21 | Mitsubishi Electric Corp | 初期値生成装置及び初期値生成方法 |
CN102759237A (zh) * | 2011-04-25 | 2012-10-31 | 珠海格力电器股份有限公司 | 热泵型空调机及其除霜控制方法和装置 |
CN109474014A (zh) * | 2018-12-13 | 2019-03-15 | 西安交通大学 | 一种对双馈风场接入电网友好性的量化评估方法 |
WO2020246531A1 (ja) * | 2019-06-07 | 2020-12-10 | いすゞ自動車株式会社 | 情報処理装置、プログラム、及び算出方法 |
CN115421465A (zh) * | 2022-10-31 | 2022-12-02 | 北京聚新工程技术有限公司 | 一种用于纺织设备的优化自适应控制方法及系统 |
CN115854706A (zh) * | 2023-02-09 | 2023-03-28 | 广州惠特节能科技有限公司 | 一种烘干机的智能控制方法及系统 |
CN116341771A (zh) * | 2023-05-30 | 2023-06-27 | 江苏鹏润电缆科技有限公司 | 一种耐低温电缆生产工艺智能优化方法及系统 |
-
2023
- 2023-07-05 CN CN202310813067.6A patent/CN116577995B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3618025A1 (de) * | 1986-05-28 | 1987-12-03 | Aachener Forsch Regelungstech | Vorrichtung zur bestimmung der regelguete und der stabilitaet von regelkreisen aus messwerten und kennwerten des regelkreises |
JPH11282507A (ja) * | 1998-03-31 | 1999-10-15 | Toshiba Corp | 遠隔制御システム |
JP2011141475A (ja) * | 2010-01-08 | 2011-07-21 | Mitsubishi Electric Corp | 初期値生成装置及び初期値生成方法 |
CN102759237A (zh) * | 2011-04-25 | 2012-10-31 | 珠海格力电器股份有限公司 | 热泵型空调机及其除霜控制方法和装置 |
CN109474014A (zh) * | 2018-12-13 | 2019-03-15 | 西安交通大学 | 一种对双馈风场接入电网友好性的量化评估方法 |
WO2020246531A1 (ja) * | 2019-06-07 | 2020-12-10 | いすゞ自動車株式会社 | 情報処理装置、プログラム、及び算出方法 |
CN115421465A (zh) * | 2022-10-31 | 2022-12-02 | 北京聚新工程技术有限公司 | 一种用于纺织设备的优化自适应控制方法及系统 |
CN115854706A (zh) * | 2023-02-09 | 2023-03-28 | 广州惠特节能科技有限公司 | 一种烘干机的智能控制方法及系统 |
CN116341771A (zh) * | 2023-05-30 | 2023-06-27 | 江苏鹏润电缆科技有限公司 | 一种耐低温电缆生产工艺智能优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116577995A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wong et al. | A hybrid clustering and gradient descent approach for fuzzy modeling | |
Khuntia et al. | A comparative study of PI, IP, fuzzy and neuro-fuzzy controllers for speed control of DC motor drive | |
Wong et al. | Optimal PID controller design for AVR system | |
Song | Robust initialization of a Jordan network with recurrent constrained learning | |
CN116577995B (zh) | 热泵烘干机组参数智能控制方法及系统 | |
CN111539486A (zh) | 一种基于Dropout深度置信网络的变压器故障诊断方法 | |
CN109272058A (zh) | 一种集成电力负荷曲线聚类方法 | |
CN113675863A (zh) | 一种基于数字孪生的微电网频率二次协同控制方法 | |
Li et al. | Adaptive assessment of power system transient stability based on active transfer learning with deep belief network | |
Pham et al. | Self-organizing neural-network-based pattern clustering method with fuzzy outputs | |
CN110661264B (zh) | 基于带惯性权重粒子群算法的安全约束最优潮流计算方法 | |
Wu et al. | A double weighted KNN algorithm and its application in the music genre classification | |
CN116090624A (zh) | 一种细粒度负荷分段预测方法 | |
Jahan et al. | Power Quality Parameters Forecasting Based on SOM Maps with KNN Algorithm and Decision Tree | |
CN115085260A (zh) | 新能源场站聚合模型的振荡模式保真度评价方法 | |
Fatehi et al. | ERRATUM:" FLEXIBLE STRUCTURE MULTIPLE MODELING USING IRREGULAR SELF-ORGANIZING MAPS NEURAL NETWORK" | |
Ali et al. | Data incremental learning for fault detection and classification in photovoltaic arrays | |
Ali et al. | Clonal evolutionary particle swarm optimization for congestion management and compensation scheme in power system | |
CN111798037A (zh) | 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法 | |
CN112670976A (zh) | 可控负荷被攻击下的电-气耦合系统多能流计算与分析 | |
Ramirez-Gonzalez et al. | Power System Inertia Estimation Using A Residual Neural Network Based Approach | |
Bänfer et al. | Polynomial model tree (POLYMOT)—A new training algorithm for local model networks with higher degree polynomials | |
CN112765148A (zh) | 一种基于改进svm多分类的网络入侵检测方法 | |
Fravolini et al. | Comparison of different growing radial basis functions algorithms for control systems applications | |
Chakrabarti et al. | A review on various artificial intelligence techniques used for transmission line fault location |
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 |