CN116755343A - 一种基于自学习模糊控制节电器 - Google Patents
一种基于自学习模糊控制节电器 Download PDFInfo
- Publication number
- CN116755343A CN116755343A CN202311040065.4A CN202311040065A CN116755343A CN 116755343 A CN116755343 A CN 116755343A CN 202311040065 A CN202311040065 A CN 202311040065A CN 116755343 A CN116755343 A CN 116755343A
- Authority
- CN
- China
- Prior art keywords
- production equipment
- condition
- target
- heat dissipation
- operation intensity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 234
- 230000017525 heat dissipation Effects 0.000 claims abstract description 66
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000004888 barrier function Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 abstract description 11
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003574 free electron Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003466 welding 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于自学习模糊控制节电器，本发明涉及节能技术领域，特别涉及一种基于自学习模糊控制节电器。不仅通过温度传感器采集当前环境温度，还通过摄像头拍摄的车间环境画面确定各个生产设备的散热条件；控制器通过模糊控制算法对当前环境温度和散热条件进行模糊化分级，再进行模糊推理判断出每个生产设备的目标运行强度参数。本发明通过模糊控制方法，对多元的传感输入因素进行分析，使得每个生产设备都运行在最合理的节能范围内，可以应对更多场景的智能化逻辑设计。
Description
技术领域
本发明涉及节能技术领域，特别涉及一种基于自学习模糊控制节电器。
背景技术
随着工业发展的进步，现代工厂内的各个车间都配备了大量的生产设备，如切割机、分拣机等，这些设备在工艺上发挥着关键作用。为了确保这些生产设备的有效运行和最大化的节能效率，需要对车间内的生产设备运行强度参数和环境参数进行合理的控制和监测。
然而，目前许多工厂在生产过程中仍然存在一些问题。一些生产设备可能被设置在高负荷的非节能区间运行，这导致了不必要的能源浪费和运行成本的增加。而且，一些生产设备可能由于长时间的高强度运行或恶劣的环境参数而损坏，这不仅影响了生产进度，还增加了设备维修和更换的费用。
发明内容
本发明的目的在于提供一种基于自学习模糊控制节电器，其能够改善上述问题。
本发明的实施例是这样实现的：
本发明提供一种基于自学习模糊控制节电器，设置于目标车间内，所述目标车间内配置有至少一个生产设备，该基于自学习模糊控制节电器包括：控制器以及与所述控制器连接的温度传感器和摄像头；
所述温度传感器，用于获取所述目标车间内的当前环境温度值；
所述摄像头设置于所述目标车间顶部，用于实时拍摄包含所述目标车间内所有所述生产设备的车间环境画面；
所述控制器，用于执行基于自学习模糊控制的生产设备控制方法，所述基于自学习模糊控制的生产设备控制方法包括以下步骤：
S1：获取所述当前环境温度值，根据所述当前环境温度值判断当前温度区间；
S2：根据所述当前温度区间，确定所述目标车间内每个所述生产设备的运行强度等级；
S3：获取所述车间环境画面，通过图像处理方式判断各个所述生产设备的散热条件；
S4：根据所述散热条件，确定对应的所述生产设备的实际运行比值；
S5：根据所述运行强度等级和所述实际运行比值，向对应的所述生产设备发送目标运行强度参数。
其中,S1、S2等仅为步骤标识，方法的执行顺序并不一定按照数字由小到大的顺序进行，比如可以是先执行步骤S2再执行步骤S1，本发明不做限制。
在本发明实施例中，所述目标运行强度参数包括运行功率、运行速度、运行转速、运行负载中的至少一项。
可以理解，本发明公开了一种基于自学习模糊控制节电器，不仅通过温度传感器采集当前环境温度，还通过摄像头拍摄的车间环境画面确定各个生产设备的散热条件；控制器通过模糊控制算法对当前环境温度和散热条件进行模糊化分级，再进行模糊推理判断出每个生产设备的目标运行强度参数。本发明通过模糊控制方法，对多元的传感输入因素进行分析，使得每个生产设备都运行在最合理的节能范围内，可以应对更多场景的智能化逻辑设计。
在本发明可选的实施例中，所述步骤S1包括：
S11：获取所述当前环境温度值；
S12：在所述当前环境温度值小于第一温度阈值的情况下，判断当前温度区间为低温区间；
S13：在所述当前环境温度值大于或等于所述第一温度阈值且小于第二温度阈值的情况下，判断当前温度区间为适中温区间；
S14：在所述当前环境温度值大于或等于所述第二温度阈值的情况下，判断当前温度区间为高温区间。
可以理解，本发明通过将温度传感器采集的当前环境温度值进行模糊化处理，简单地分为低温区间、适中温区间和高温区间，以便于后续根据当前温度区间确定目标车间内每个生产设备的运行强度等级。
在本发明可选的实施例中，所述步骤S2包括以下至少一项：
在所述当前温度区间为低温区间的情况下，确定所述目标车间内每个所述生产设备的运行强度等级为高强度等级；
在所述当前温度区间为适中温区间的情况下，确定所述目标车间内每个所述生产设备的运行强度等级为中强度等级；
在所述当前温度区间为高温区间的情况下，确定所述目标车间内每个所述生产设备的运行强度等级为低强度等级。
可以理解，与传统的精确数学模型和控制方法不同，模糊控制算法允许在控制过程中使用模糊的、非精确的信息和规则。控制器使用模糊规则集来描述输入和输出之间的关系。这些规则是基于专家知识和经验构建的，而不需要准确的数学模型。在本发明中，根据经验可以建议步骤S2的判断模型，即低温区间的环境下生产设备的运行强度可适当提高，高温区间的环境下生产设备的运行强度需要适当调低。
在本发明可选的实施例中，所述步骤S3包括以下至少一项：
S31：获取所述车间环境画面，通过YOLO模型识别出所述车间环境画面中的生产设备预测区域；
S32：逐一将所述车间环境画面中的所述生产设备预测区域作为目标区域；
S33：计算所述目标区域与相邻的其他生产设备预测区域的直线距离，若所述直线距离小于预设距离值，则将对应的所述其他生产设备预测区域作为障碍物区域；
S34：统计所述目标区域对应的障碍物区域个数；
S35：根据所述障碍物区域个数，判断所述目标区域对应的所述生产设备的散热条件。
可以理解，温度传感器只能宏观地反馈整个目标车间的环境温度，无法针对每一个生产设备的具体情况进行考虑。在目标车间中，由于具体生产需求的需要，有的生产设备可能会密集排布，有的生产设备可能零散排布，密集排布的生产设备的散热条件较差，也需要适当降低运行强度。本发明不仅通过温度传感器反馈整个目标车间的环境温度，还通过对车间环境画面的图像分析，判断每个生产设备的散热条件，为单独调整每个生产设备的运行强度提供依据。
可选地，所述步骤S35包括以下至少一项：
在障碍物区域个数小于第一数量阈值的情况下，判断所述目标区域对应的所述生产设备的散热条件为优等散热条件；
在障碍物区域个数大于或等于所述第一数量阈值且小于第二数量阈值的情况下，判断所述目标区域对应的所述生产设备的散热条件为中等散热条件；
在障碍物区域个数大于或等于所述第二数量阈值的情况下，判断所述目标区域对应的所述生产设备的散热条件为低等散热条件。
可以理解，车间环境画面中，与目标生产设备距离过小的其他生产设备数量过多，则说明该目标生产设备的散热条件较差；反之，车间环境画面中，与目标生产设备距离过小的其他生产设备数量较少，则说明该目标生产设备的散热条件较优。
可选地，所述步骤S4包括以下至少一项：
在所述散热条件为优等散热条件的情况下，确定对应的所述生产设备的实际运行比值为第一比值；
在所述散热条件为中等散热条件的情况下，确定对应的所述生产设备的实际运行比值为第二比值，所述第二比值低于所述第一比值；
在所述散热条件为低等散热条件的情况下，确定对应的所述生产设备的实际运行比值为第三比值，所述第三比值低于所述第二比值。
在本发明可选的实施例中，所述步骤S5包括：
S51:根据所述运行强度等级确定所述生产设备的运行强度参数范围；
S52:将所述运行强度参数范围的最大值和最小值分别乘以所述实际运行比值，更新所述运行强度参数范围；
S53：在更新后的所述运行强度参数范围中，选取最接近所述生产设备的初始运行强度参数的目标值作为所述目标运行强度参数；
S54：向对应的所述生产设备发送目标运行强度参数。
上述初始运行强度参数可以是启动生产设备时向该生产设备发出的运行强度参数，即生产设备最初执行的运行强度参数。
可以理解，本发明不仅通过温度传感器采集到的当前环境温度模糊推理出生产设备的运行强度参数范围，还通过车间环境画面中目标生产设备的“障碍物”模糊推理出目标生产设备的实际运行比值；通过模糊控制方法，对多元的传感输入因素进行分析，使得目标设备运行在最合理的节能范围内，可以应对更多场景的智能化逻辑设计。
可选地，所述步骤S51包括：
在所述运行强度等级为高强度等级的情况下，取所述生产设备的额定运行强度参数范围的第一区间，作为所述生产设备的运行强度参数范围；
在所述运行强度等级为中强度等级的情况下，取所述生产设备的额定运行强度参数范围的第二区间，作为所述生产设备的运行强度参数范围，所述第二区间的最大值小于所述第一区间的最小值；
在所述运行强度等级为低强度等级的情况下，取所述生产设备的额定运行强度参数范围的第三区间，作为所述生产设备的运行强度参数范围，所述第三区间的最大值小于所述第二区间的最小值。
在本发明可选的实施例中，所述控制器包括相互连接的处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述任一项所述基于自学习模糊控制的照明控制方法。
有益效果
本发明公开了一种基于自学习模糊控制节电器，不仅通过温度传感器采集当前环境温度，还通过摄像头拍摄的车间环境画面确定各个生产设备的散热条件；控制器通过模糊控制算法对当前环境温度和散热条件进行模糊化分级，再进行模糊推理判断出每个生产设备的目标运行强度参数。本发明通过模糊控制方法，对多元的传感输入因素进行分析，使得每个生产设备都运行在最合理的节能范围内，可以应对更多场景的智能化逻辑设计。
温度传感器只能宏观地反馈整个目标车间的环境温度，无法针对每一个生产设备的具体情况进行考虑。在目标车间中，由于具体生产需求的需要，有的生产设备可能会密集排布，有的生产设备可能零散排布，密集排布的生产设备的散热条件较差，也需要适当降低运行强度。本发明不仅通过温度传感器反馈整个目标车间的环境温度，还通过对车间环境画面的图像分析，判断每个生产设备的散热条件，为单独调整每个生产设备的运行强度提供依据。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举可选实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明提供的一种基于自学习模糊控制节电器的结构示意图；
图2是图1的摄像头所拍摄的一种车间环境画面；
图3是通过YOLO模型识别出车间环境画面中的生产设备预测区域的示意图；
图4是判断第一生产设备的散热条件的原理示意图；
图5是判断第三生产设备的散热条件的原理示意图；
图6是判断第五生产设备的散热条件的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着工业发展的进步，现代工厂内的各个车间都配备了大量的生产设备，如切割机、分拣机等，这些设备在工艺上发挥着关键作用。比如，汽车生产厂内设置有车身冲压车间、车身焊接车间、涂装车间、组装车间、发动机制造车间、变速箱制造车间、底盘制造车间等等，每个车间都配备有对应的生产设备，为了确保这些生产设备的有效运行和最大化的节能效率，需要对车间内的生产设备运行强度参数和环境参数进行合理的控制和监测。
然而，目前许多工厂在生产过程中仍然存在一些问题。一些生产设备可能被设置在高负荷的非节能区间运行，这导致了不必要的能源浪费和运行成本的增加。而且，一些生产设备可能由于长时间的高强度运行或恶劣的环境参数而损坏，这不仅影响了生产进度，还增加了设备维修和更换的费用。
本发明提供一种基于自学习模糊控制节电器，设置于目标车间内，该目标车间内配置有至少一个生产设备，如图1和图2所示的目标车间内包含第一流水线101和第二流水线102，一共配置有8个生产设备。如图1所示，基于自学习模糊控制节电器包括：控制器10以及与控制器10连接的温度传感器20和摄像头30。控制器10还与八个生产设备连接，即第一生产设备41至第八生产设备48。
上述温度传感器20，用于获取目标车间内的当前环境温度值。
上述摄像头30设置于目标车间顶部，用于实时拍摄包含目标车间内所有生产设备的车间环境画面，如图2所示。
控制器10用于执行基于自学习模糊控制的生产设备控制方法，模糊控制算法是一种基于模糊逻辑原理的控制方法，允许在控制过程中使用模糊的、非精确的信息和规则。在模糊控制算法中，控制器使用模糊规则集来描述输入和输出之间的关系。这些规则是基于专家知识和经验构建的，而不需要准确的数学模型。模糊控制算法的优势在于它能够处理复杂的、非线性的系统，并且对噪声和不确定性有较强的鲁棒性。
模糊控制算法的基本步骤包括：
模糊化（Fuzzification）：将输入变量映射到模糊集合上，将其转换为模糊的概念。
模糊推理（Fuzzy Inference）：基于模糊规则集和模糊化的输入，通过模糊推理来确定输出的模糊集合。
解模糊化（Defuzzification）：将模糊输出转换为具体的、非模糊的控制指令或值，以供实际控制使用。
上述基于自学习模糊控制的生产设备控制方法包括以下步骤：
S1：获取当前环境温度值，根据当前环境温度值判断当前温度区间。
在本发明可选的实施例中，步骤S1包括：
S11：获取当前环境温度值；
S12：在当前环境温度值小于第一温度阈值的情况下，判断当前温度区间为低温区间；
S13：在当前环境温度值大于或等于第一温度阈值且小于第二温度阈值的情况下，判断当前温度区间为适中温区间；
S14：在当前环境温度值大于或等于第二温度阈值的情况下，判断当前温度区间为高温区间。
可以理解，本发明通过将温度传感器20采集的当前环境温度值进行模糊化处理，简单地分为低温区间、适中温区间和高温区间，以便于后续根据当前温度区间确定目标车间内每个生产设备的运行强度等级。
S2：根据当前温度区间，确定目标车间内每个生产设备的运行强度等级。
在本发明可选的实施例中，步骤S2包括以下至少一项：
在当前温度区间为低温区间的情况下，确定目标车间内每个生产设备的运行强度等级为高强度等级；
在当前温度区间为适中温区间的情况下，确定目标车间内每个生产设备的运行强度等级为中强度等级；
在当前温度区间为高温区间的情况下，确定目标车间内每个生产设备的运行强度等级为低强度等级。
可以理解，与传统的精确数学模型和控制方法不同，模糊控制算法允许在控制过程中使用模糊的、非精确的信息和规则。控制器10使用模糊规则集来描述输入和输出之间的关系。这些规则是基于专家知识和经验构建的，而不需要准确的数学模型。在本发明中，根据经验可以建议步骤S2的判断模型，即低温区间的环境下生产设备的运行强度可适当提高，高温区间的环境下生产设备的运行强度需要适当调低。
S3：获取车间环境画面，通过图像处理方式判断各个生产设备的散热条件。
可以理解，温度传感器20只能宏观地反馈整个目标车间的环境温度，无法针对每一个生产设备的具体情况进行考虑。在目标车间中，由于具体生产需求的需要，有的生产设备可能会密集排布，有的生产设备可能零散排布，密集排布的生产设备的散热条件较差，也需要适当降低运行强度。本发明不仅通过温度传感器20反馈整个目标车间的环境温度，还通过对车间环境画面的图像分析，判断每个生产设备的散热条件，为单独调整每个生产设备的运行强度提供依据。
S4：根据散热条件，确定对应的生产设备的实际运行比值。
可选地，步骤S4包括以下至少一项：
在散热条件为优等散热条件的情况下，确定对应的生产设备的实际运行比值为第一比值；
在散热条件为中等散热条件的情况下，确定对应的生产设备的实际运行比值为第二比值，第二比值低于第一比值；
在散热条件为低等散热条件的情况下，确定对应的生产设备的实际运行比值为第三比值，第三比值低于第二比值。
S5：根据运行强度等级和实际运行比值，向对应的生产设备发送目标运行强度参数。
在本发明实施例中，目标运行强度参数包括运行功率、运行速度、运行转速、运行负载中的至少一项，具体的目标运行强度参数可根据生产设备的类型来确定。
其中,S1、S2等仅为步骤标识，方法的执行顺序并不一定按照数字由小到大的顺序进行，比如可以是先执行步骤S2再执行步骤S1，本发明不做限制。
可以理解，本发明公开了一种基于自学习模糊控制节电器，不仅通过温度传感器采集当前环境温度，还通过摄像头拍摄的车间环境画面确定各个生产设备的散热条件；控制器通过模糊控制算法对当前环境温度和散热条件进行模糊化分级，再进行模糊推理判断出每个生产设备的目标运行强度参数。本发明通过模糊控制方法，对多元的传感输入因素进行分析，使得每个生产设备都运行在最合理的节能范围内，可以应对更多场景的智能化逻辑设计。
在本发明可选的实施例中，步骤S3包括以下至少一项：
S31：获取车间环境画面，通过YOLO模型识别出车间环境画面中的生产设备预测区域。
如图2所示为摄像头所拍摄的一种车间环境画面100。
YOLO（You Only Look Once）是一种用于目标检测的深度学习模型，它能够快速而准确地在图像中识别和定位多个物体。相比传统的目标检测方法，YOLO具有更高的实时性能，因为它将目标检测任务转化为一个单一的神经网络预测问题。
YOLO模型可以包括输入层、复合隐藏层、预测层和输出层。输入层获取输入图片后，复合隐藏层的多个卷积-池化模块反复对输入图片进行卷积和池化操作，以提取输入图片的特征图像；预测层中的两个全连接层根据特征图像预测输入图片中各个元素的预测框位置信息、预测框可信度得分和类别概率表。经输出层根据预测框位置信息、预测框可信度得分和类别概率表输出预测结果。如图3所示的实车间环境画面100，经过YOLO模型可以识别出第一生产设备预测区域1、第二生产设备预测区域2、第三生产设备预测区域3、第四生产设备预测区域4、第五生产设备预测区域5、第六生产设备预测区域6、第七生产设备预测区域7、第八生产设备预测区域8。
S32：逐一将车间环境画面中的生产设备预测区域作为目标区域。
可以理解，本发明需要判断每个生产设备的散热条件，因此需要将每个生产设备预测区域依次作为目标区域，然后循环进行步骤S33至步骤S35的操作。
S33：计算目标区域与相邻的其他生产设备预测区域的直线距离，若直线距离小于预设距离值，则将对应的其他生产设备预测区域作为障碍物区域。
可以理解，上述预设距离值可根据本领域技术人员进行设定，其目的在于筛选出与目标区域距离特别近的障碍物区域，障碍物区域越多则目标区域中的目标生产设备散热条件越差。
S34：统计目标区域对应的障碍物区域个数。
举例说明，以图4为例，第一生产设备预测区域1作为目标区域时，周围存在3个相邻生产设备预测区域，即第二生产设备预测区域2、第三生产设备预测区域3和第四生产设备预测区域4，目标区域与第二生产设备预测区域2之间的距离d12、与第三生产设备预测区域3之间的距离d13、与第四生产设备预测区域4之间的距离d14均大于预设距离值，因此，第一生产设备预测区域1作为目标区域时，障碍物区域个数为0。
举例说明，以图5为例，第三生产设备预测区域3作为目标区域时，周围存在5个相邻生产设备预测区域，即第一生产设备预测区域1、第二生产设备预测区域2、第四生产设备预测区域4、第五生产设备预测区域5和第六生产设备预测区域6，目标区域与第四生产设备预测区域4之间的距离d34、与第五生产设备预测区域5之间的距离d35均小于预设距离值，因此，第三生产设备预测区域3作为目标区域时，障碍物区域个数为2。
举例说明，以图6为例，第五生产设备预测区域5作为目标区域时，周围存在5个相邻生产设备预测区域，即第三生产设备预测区域3、第四生产设备预测区域4、第六生产设备预测区域6、第七生产设备预测区域7和第八生产设备预测区域8，目标区域与第三生产设备预测区域3之间的距离d35、与第六生产设备预测区域6之间的距离d56、与第七生产设备预测区域7之间的距离d57均小于预设距离值，因此，第五生产设备预测区域5作为目标区域时，障碍物区域个数为3。
S35：根据障碍物区域个数，判断目标区域对应的生产设备的散热条件。
举例说明，第一生产设备预测区域1作为目标区域时，障碍物区域个数为0；第三生产设备预测区域3作为目标区域时，障碍物区域个数为2；第五生产设备预测区域5作为目标区域时，障碍物区域个数为3；因此，第一生产设备预测区域1对应的生产设备的散热条件最好，第五生产设备预测区域5对应的生产设备的散热条件最差。
可选地，步骤S35包括以下至少一项：
在障碍物区域个数小于第一数量阈值的情况下，判断目标区域对应的生产设备的散热条件为优等散热条件；
在障碍物区域个数大于或等于第一数量阈值且小于第二数量阈值的情况下，判断目标区域对应的生产设备的散热条件为中等散热条件；
在障碍物区域个数大于或等于第二数量阈值的情况下，判断目标区域对应的生产设备的散热条件为低等散热条件。
可以理解，车间环境画面中，与目标生产设备距离过小的其他生产设备数量过多，则说明该目标生产设备的散热条件较差；反之，车间环境画面中，与目标生产设备距离过小的其他生产设备数量较少，则说明该目标生产设备的散热条件较优。
在本发明可选的实施例中，步骤S5包括：
S51:根据运行强度等级确定生产设备的运行强度参数范围；
S52:将运行强度参数范围的最大值和最小值分别乘以实际运行比值，更新运行强度参数范围；
S53：在更新后的运行强度参数范围中，选取最接近生产设备的初始运行强度参数的目标值作为目标运行强度参数；
S54：向对应的生产设备发送目标运行强度参数。
上述初始运行强度参数可以是启动生产设备时向该生产设备发出的运行强度参数，即生产设备最初执行的运行强度参数。
可以理解，本发明不仅通过温度传感器20采集到的当前环境温度模糊推理出生产设备的运行强度参数范围，还通过车间环境画面中目标生产设备的“障碍物”模糊推理出目标生产设备的实际运行比值；通过模糊控制方法，对多元的传感输入因素进行分析，使得目标设备运行在最合理的节能范围内，可以应对更多场景的智能化逻辑设计。
可选地，步骤S51包括：
在运行强度等级为高强度等级的情况下，取生产设备的额定运行强度参数范围的第一区间，作为生产设备的运行强度参数范围；
在运行强度等级为中强度等级的情况下，取生产设备的额定运行强度参数范围的第二区间，作为生产设备的运行强度参数范围，第二区间的最大值小于第一区间的最小值；
在运行强度等级为低强度等级的情况下，取生产设备的额定运行强度参数范围的第三区间，作为生产设备的运行强度参数范围，第三区间的最大值小于第二区间的最小值。
如图1所示，上述控制器包括一个或多个处理器11和存储器12。存储器12用于存储计算机程序，该计算机程序包括程序指令，处理器11用于执行存储器12存储的程序指令。其中，处理器11被配置用于调用该程序指令执行上述任一方法的操作。
应当理解，在本发明实施例中，所称处理器11可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器12可以包括只读存储器和随机存取存储器，并向处理器11提供指令和数据。存储器12的一部分还可以包括非易失性随机存取存储器。例如，存储器12还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器11可执行上述任一方法所描述的实现方式，也可执行本发明实施例所描述的终端设备的实现方式，在此不再赘述。
此外，本节电器还包括电感型器件，该电感型器件呈矩形体，包括相对设置的输入面和输出面，以及连接输入面和输出面的工作面；工作面上排布有蜂巢式凹槽的阵列，蜂巢式凹槽内填充有反常霍尔材料。输入面上设置有输入端，输出面上设置有输出端，在输入端和输出端上施加电压时，工作面上形成霍尔效应。本节电器的核心元件是由特殊磁电复合材料填充蜂巢式谐振腔体构成。使用上，方便简单，采用单端单相并接，无回路无电源连接，不对原用电系统做任何改动，安全性高。 设备接入线路后，通电状态下以其固有的表面电磁场为激励，进一步激活内部材料，合成材料持续释放光量子波，减弱自由电子的无序性“碰撞”，增强自由电子的有序性，减少系统线路和设备的电阻抗，减少谐波和浪涌的产生，改善用电系统的电质量，减少用电设备的热、噪音、震动等能耗，延长设备的使用寿命和提高运行效率，具有保护设备和节电的双重功效。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例中方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
以上描述仅为本发明的可选实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
以上所述仅为本发明的可选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于自学习模糊控制节电器，设置于目标车间内，所述目标车间内配置有至少一个生产设备，其特征在于，包括：控制器以及与所述控制器连接的温度传感器和摄像头；
所述温度传感器，用于获取所述目标车间内的当前环境温度值；
所述摄像头设置于所述目标车间顶部，用于实时拍摄包含所述目标车间内所有所述生产设备的车间环境画面；
所述控制器，用于执行基于自学习模糊控制的生产设备控制方法，所述基于自学习模糊控制的生产设备控制方法包括以下步骤：
S1：获取所述当前环境温度值，根据所述当前环境温度值判断当前温度区间；
S2：根据所述当前温度区间，确定所述目标车间内每个所述生产设备的运行强度等级；
S3：获取所述车间环境画面，通过图像处理方式判断各个所述生产设备的散热条件；
S4：根据所述散热条件，确定对应的所述生产设备的实际运行比值；
S5：根据所述运行强度等级和所述实际运行比值，向对应的所述生产设备发送目标运行强度参数；
其中，所述步骤S3包括以下至少一项：
S31：获取所述车间环境画面，通过YOLO模型识别出所述车间环境画面中的生产设备预测区域；
S32：逐一将所述车间环境画面中的所述生产设备预测区域作为目标区域；
S33：计算所述目标区域与相邻的其他生产设备预测区域的直线距离，若所述直线距离小于预设距离值，则将对应的所述其他生产设备预测区域作为障碍物区域；
S34：统计所述目标区域对应的障碍物区域个数；
S35：根据所述障碍物区域个数，判断所述目标区域对应的所述生产设备的散热条件。
2.根据权利要求1所述的一种基于自学习模糊控制节电器，其特征在于，
所述步骤S1包括：
S11：获取所述当前环境温度值；
S12：在所述当前环境温度值小于第一温度阈值的情况下，判断当前温度区间为低温区间；
S13：在所述当前环境温度值大于或等于所述第一温度阈值且小于第二温度阈值的情况下，判断当前温度区间为适中温区间；
S14：在所述当前环境温度值大于或等于所述第二温度阈值的情况下，判断当前温度区间为高温区间。
3.根据权利要求2所述的一种基于自学习模糊控制节电器，其特征在于，
所述步骤S2包括以下至少一项：
在所述当前温度区间为低温区间的情况下，确定所述目标车间内每个所述生产设备的运行强度等级为高强度等级；
在所述当前温度区间为适中温区间的情况下，确定所述目标车间内每个所述生产设备的运行强度等级为中强度等级；
在所述当前温度区间为高温区间的情况下，确定所述目标车间内每个所述生产设备的运行强度等级为低强度等级。
4.根据权利要求1所述的一种基于自学习模糊控制节电器，其特征在于，
所述步骤S35包括以下至少一项：
在障碍物区域个数小于第一数量阈值的情况下，判断所述目标区域对应的所述生产设备的散热条件为优等散热条件；
在障碍物区域个数大于或等于所述第一数量阈值且小于第二数量阈值的情况下，判断所述目标区域对应的所述生产设备的散热条件为中等散热条件；
在障碍物区域个数大于或等于所述第二数量阈值的情况下，判断所述目标区域对应的所述生产设备的散热条件为低等散热条件。
5.根据权利要求4所述的一种基于自学习模糊控制节电器，其特征在于，
所述步骤S4包括以下至少一项：
在所述散热条件为优等散热条件的情况下，确定对应的所述生产设备的实际运行比值为第一比值；
在所述散热条件为中等散热条件的情况下，确定对应的所述生产设备的实际运行比值为第二比值，所述第二比值低于所述第一比值；
在所述散热条件为低等散热条件的情况下，确定对应的所述生产设备的实际运行比值为第三比值，所述第三比值低于所述第二比值。
6.根据权利要求1所述的一种基于自学习模糊控制节电器，其特征在于，
所述步骤S5包括：
S51:根据所述运行强度等级确定所述生产设备的运行强度参数范围；
S52:将所述运行强度参数范围的最大值和最小值分别乘以所述实际运行比值，更新所述运行强度参数范围；
S53：在更新后的所述运行强度参数范围中，选取最接近所述生产设备的初始运行强度参数的目标值作为所述目标运行强度参数；
S54：向对应的所述生产设备发送目标运行强度参数。
7.根据权利要求6所述的一种基于自学习模糊控制节电器，其特征在于，
所述步骤S51包括：
在所述运行强度等级为高强度等级的情况下，取所述生产设备的额定运行强度参数范围的第一区间，作为所述生产设备的运行强度参数范围；
在所述运行强度等级为中强度等级的情况下，取所述生产设备的额定运行强度参数范围的第二区间，作为所述生产设备的运行强度参数范围，所述第二区间的最大值小于所述第一区间的最小值；
在所述运行强度等级为低强度等级的情况下，取所述生产设备的额定运行强度参数范围的第三区间，作为所述生产设备的运行强度参数范围，所述第三区间的最大值小于所述第二区间的最小值。
8.根据权利要求6所述的一种基于自学习模糊控制节电器，其特征在于，
所述目标运行强度参数包括运行功率、运行速度、运行转速、运行负载中的至少一项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311040065.4A CN116755343B (zh) | 2023-08-18 | 2023-08-18 | 一种基于自学习模糊控制节电器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311040065.4A CN116755343B (zh) | 2023-08-18 | 2023-08-18 | 一种基于自学习模糊控制节电器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116755343A true CN116755343A (zh) | 2023-09-15 |
| CN116755343B CN116755343B (zh) | 2023-12-19 |
Family
ID=87951830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311040065.4A Active CN116755343B (zh) | 2023-08-18 | 2023-08-18 | 一种基于自学习模糊控制节电器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116755343B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4331752A1 (de) * | 1993-09-18 | 1995-03-23 | Lks Luft Und Klimaservice Chri | Verfahren und Anordnung zur Kühlung aufgeheizter Räume |
| CN1811641A (zh) * | 2006-02-17 | 2006-08-02 | 李钢 | 节能型钢铁工业能效跟踪控制管理装置及其节能控制方法 |
| CN104281057A (zh) * | 2014-09-22 | 2015-01-14 | 国家电网公司 | 一种应用于变压器冷却系统的复合pid模糊控制方法 |
| CN106708123A (zh) * | 2016-12-01 | 2017-05-24 | 江苏省农业科学院 | 一种基于模糊控制的大棚环境温度控制系统及方法 |
| CN106839275A (zh) * | 2016-12-28 | 2017-06-13 | 杭州裕达自动化科技有限公司 | 中央空调监控系统中冷冻泵智能节电控制方法 |
| CN206877098U (zh) * | 2017-07-03 | 2018-01-12 | 国网辽宁省电力有限公司葫芦岛供电公司 | 用户用电设备的监测控制装置 |
| CN109827292A (zh) * | 2019-01-16 | 2019-05-31 | 珠海格力电器股份有限公司 | 家电自适应节能控制模型的构建方法、控制方法、家电 |
| CN110658900A (zh) * | 2018-06-28 | 2020-01-07 | 英特尔公司 | 具有强化学习代理的热自学习 |
| CN111473480A (zh) * | 2020-04-21 | 2020-07-31 | 数方节能科技(烟台)有限公司 | 一种基于决策树分类的中央空调节能控制方法 |
| CN112231812A (zh) * | 2020-10-15 | 2021-01-15 | 乌江渡发电厂 | 一种水电站地下厂房的通风智能控制方法及系统 |
| CN113885324A (zh) * | 2021-10-09 | 2022-01-04 | 国网山东综合能源服务有限公司 | 一种建筑智能用电控制方法及系统 |
| CN113888132A (zh) * | 2021-10-11 | 2022-01-04 | 国网综合能源服务集团有限公司 | 一种大型工业企业的能源管理系统 |
| CN114688650A (zh) * | 2022-03-31 | 2022-07-01 | 西安建筑科技大学 | 一种基于计算机视觉技术的喷雾降温风扇控制系统及方法 |
| WO2023028842A1 (zh) * | 2021-08-31 | 2023-03-09 | 西门子股份公司 | 工厂运营的预测方法、装置及计算机可读存储介质 |
| CN116215322A (zh) * | 2022-12-14 | 2023-06-06 | 深圳禄华科技有限公司 | 一种新能源汽车的辅助温控方法、系统、设备及介质 |
-
2023
- 2023-08-18 CN CN202311040065.4A patent/CN116755343B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4331752A1 (de) * | 1993-09-18 | 1995-03-23 | Lks Luft Und Klimaservice Chri | Verfahren und Anordnung zur Kühlung aufgeheizter Räume |
| CN1811641A (zh) * | 2006-02-17 | 2006-08-02 | 李钢 | 节能型钢铁工业能效跟踪控制管理装置及其节能控制方法 |
| CN104281057A (zh) * | 2014-09-22 | 2015-01-14 | 国家电网公司 | 一种应用于变压器冷却系统的复合pid模糊控制方法 |
| CN106708123A (zh) * | 2016-12-01 | 2017-05-24 | 江苏省农业科学院 | 一种基于模糊控制的大棚环境温度控制系统及方法 |
| CN106839275A (zh) * | 2016-12-28 | 2017-06-13 | 杭州裕达自动化科技有限公司 | 中央空调监控系统中冷冻泵智能节电控制方法 |
| CN206877098U (zh) * | 2017-07-03 | 2018-01-12 | 国网辽宁省电力有限公司葫芦岛供电公司 | 用户用电设备的监测控制装置 |
| CN110658900A (zh) * | 2018-06-28 | 2020-01-07 | 英特尔公司 | 具有强化学习代理的热自学习 |
| CN109827292A (zh) * | 2019-01-16 | 2019-05-31 | 珠海格力电器股份有限公司 | 家电自适应节能控制模型的构建方法、控制方法、家电 |
| CN111473480A (zh) * | 2020-04-21 | 2020-07-31 | 数方节能科技(烟台)有限公司 | 一种基于决策树分类的中央空调节能控制方法 |
| CN112231812A (zh) * | 2020-10-15 | 2021-01-15 | 乌江渡发电厂 | 一种水电站地下厂房的通风智能控制方法及系统 |
| WO2023028842A1 (zh) * | 2021-08-31 | 2023-03-09 | 西门子股份公司 | 工厂运营的预测方法、装置及计算机可读存储介质 |
| CN113885324A (zh) * | 2021-10-09 | 2022-01-04 | 国网山东综合能源服务有限公司 | 一种建筑智能用电控制方法及系统 |
| CN113888132A (zh) * | 2021-10-11 | 2022-01-04 | 国网综合能源服务集团有限公司 | 一种大型工业企业的能源管理系统 |
| CN114688650A (zh) * | 2022-03-31 | 2022-07-01 | 西安建筑科技大学 | 一种基于计算机视觉技术的喷雾降温风扇控制系统及方法 |
| CN116215322A (zh) * | 2022-12-14 | 2023-06-06 | 深圳禄华科技有限公司 | 一种新能源汽车的辅助温控方法、系统、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈忠仁等: "一种基于自学习模糊控制的智能饮水机节电器", 节能, no. 8, pages 62 - 66 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116755343B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275333B (zh) | 污染数据处理方法和装置 | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN112532435B (zh) | 一种运维方法、运维管理平台、设备及介质 | |
| CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN107170182A (zh) | 一种火灾探测方法、装置及设备 | |
| CN110661781B (zh) | 一种DDoS攻击检测方法、装置、电子设备和存储介质 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN112488877A (zh) | 一种用于能源服务平台的工业能耗可视化系统 | |
| CN116755343B (zh) | 一种基于自学习模糊控制节电器 | |
| Sivakumar et al. | IoT incorporated deep learning model combined with SmartBin technology for real‐time solid waste management | |
| CN116720854B (zh) | 基于智慧巡检的设备协调控制方法及系统 | |
| CN116679579A (zh) | 一种基于数字孪生的安全控制方法、装置、设备及介质 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
| CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
| CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
| CN113671287B (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
| CN114299475A (zh) | 一种防振锤锈蚀检测方法及相关设备 | |
| Li et al. | The development of stock exchange simulation prediction modeling by a hybrid grey dynamic model | |
| CN113587362A (zh) | 异常检测方法、装置及空调系统 | |
| CN110987062A (zh) | 一种基于数据融合的智能计量箱预警方法及系统 | |
| Bariani et al. | Data mining for automated visual inspection | |
| TWI536282B (zh) | 校園節能類神經網路決策支援系統及其方法 | |
| Zeng et al. | A Meta-learning Method for Few-shot Bearing Fault Diagnosis under Variable Working Conditions | |
| CN116893297B (zh) | 旋转设备能耗的监测方法、监测系统 | |
| CN117825864A (zh) | 一种配电网线路短路容量监控诊断方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |