CN116755477A - 流体通道的流量自动控制调节方法及系统 - Google Patents
流体通道的流量自动控制调节方法及系统 Download PDFInfo
- Publication number
- CN116755477A CN116755477A CN202311028449.4A CN202311028449A CN116755477A CN 116755477 A CN116755477 A CN 116755477A CN 202311028449 A CN202311028449 A CN 202311028449A CN 116755477 A CN116755477 A CN 116755477A
- Authority
- CN
- China
- Prior art keywords
- fluid
- flow
- parameter
- fluid channel
- time series
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000001276 controlling effect Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 21
- 230000001105 regulatory effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D7/00—Control of flow
- G05D7/06—Control of flow characterised by the use of electric means
- G05D7/0617—Control of flow characterised by the use of electric means specially adapted for fluid materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Flow Control (AREA)
- Feedback Control In General (AREA)
Abstract
本公开涉及一种流体通道的流量自动控制调节方法及系统,其中方法包括:获取流体通道内与流体相关的时间序列数据,时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量;将时间序列数据输入流量预测模型以得到距离当前时刻之后下一时刻的第二流体流量;流量预测模型是基于样本训练数据对指定机器学习模型训练得到的,样本训练数据包括流体通道的历史时间序列数据,历史时间序列数据包括历史多个时刻的流体流量;基于下一时刻的第二流体流量确定调节参数,在下一时刻到来时基于调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。本公开的方案可以提高流体通道的流量控制调节的准确性。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种流体通道的流量自动控制调节方法及系统。
背景技术
目前在流体通道中以人工方式产生并且控制流体如气流来对研究对象进行流体试验是流体动力研究中常用的方式之一。针对特定的研究对象,通常需要控制调整流体通道内的流体流量,现有技术中仅是针对流量简单控制如PID控制,针对特定的研究对象,现有方式对流体通道的流量控制调节的准确性依然较低,而目前还缺乏有效的解决方案。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开实施例提供了一种流体通道的流量自动控制调节方法及系统。
第一方面,本公开实施例提供了一种流体通道的流量自动控制调节方法,包括:
获取流体通道内与流体相关的时间序列数据,所述时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量;
将所述时间序列数据输入流量预测模型,以得到距离所述当前时刻之后的下一时刻的第二流体流量;其中所述流量预测模型是预先基于样本训练数据对指定机器学习模型训练得到的,所述样本训练数据包括所述流体通道的历史时间序列数据,所述历史时间序列数据包括历史多个时刻的流体流量;
基于所述下一时刻的第二流体流量确定调节参数,在所述当前时刻之后的下一时刻到来时,基于所述调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。
在一个实施例中,所述获取流体通道内与流体相关的时间序列数据,包括:基于预设的流体通道测试文件获取所述流体通道内待测的目标位置区域,获取所述流体通道内的所述目标位置区域与流体相关的时间序列数据。
在一个实施例中,所述样本训练数据还包括预先构建的所述流体通道的三维模型的模型参数和所述三维模型模拟得到的流体流量数据。
在一个实施例中,所述指定机器学习模型至少包括Transformer模型,所述Transformer模型在训练过程中提取所述历史时间序列数据中隐含的变化特征信息以及提取所述历史时间序列数据与所述三维模型的模型参数、所述三维模型模拟得到的流体流量数据之间的关联特征信息。
在一个实施例中,所述基于所述下一时刻的第二流体流量确定调节参数,包括:在所述第二流体流量大于预设流量值时,确定第一调节参数;在所述第二流体流量小于或等于所述预设流量值时,确定第二调节参数;其中所述第一调节参数和第二调节参数与所述流体产生设备的工作功率相关,且所述第一调节参数小于所述第二调节参数。
在一个实施例中,该方法还包括:
基于所述多个时刻的第一流体流量确定流体流速平均值;
获取所述流体通道内与流体相关的流体压力、流体温度;
基于所述流体流速平均值、所述流体压力、流体温度确定第三调节参数;
基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数;
在所述当前时刻之后的下一时刻到来时,基于所述第四调节参数或者第五调节参数控制调节所述流体产生设备的运行状态以调节所述流体通道内的流体流量。
在一个实施例中,所述基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数,包括:
获取预设的与所述第三调节参数相关的第一权重值,以及与所述第一调节参数相关的第二权重值;
基于所述第三调节参数和所述第一调节参数以及对应的第一权重值和第二权重值加权求和得到第四调节参数;其中,所述第二权重值大于第一权重值,
获取与所述第二调节参数相关的第三权重值;其中,所述第三权重值大于第一权重值;
基于所述第三调节参数和所述第二调节参数以及对应的第一权重值和第三权重值加权求和得到第五调节参数。
第二方面,本公开实施例提供一种流体通道的流量自动控制调节系统,包括:
数据获取模块,用于获取流体通道内与流体相关的时间序列数据,所述时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量;
数据预测模块,用于将所述时间序列数据输入流量预测模型,以得到距离所述当前时刻之后的下一时刻的第二流体流量;其中所述流量预测模型是预先基于样本训练数据对指定机器学习模型训练得到的,所述样本训练数据包括所述流体通道的历史时间序列数据,所述历史时间序列数据包括历史多个时刻的流体流量;
控制调节模块,用于基于所述下一时刻的第二流体流量确定调节参数,在所述当前时刻之后的下一时刻到来时,基于所述调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。
第三方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述流体通道的流量自动控制调节方法。
第四方面,本公开实施例提供一种电子设备,包括:
处理器;以及
存储器,用于存储计算机程序;
其中,所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述流体通道的流量自动控制调节方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的流体通道的流量自动控制调节方法及系统,获取流体通道内与流体相关的时间序列数据,时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量,将时间序列数据输入流量预测模型以得到距离所述当前时刻之后的下一时刻的第二流体流量;其中流量预测模型是预先基于样本训练数据对指定机器学习模型训练得到的,样本训练数据包括所述流体通道的历史时间序列数据,历史时间序列数据包括历史多个时刻的流体流量;基于下一时刻的第二流体流量确定调节参数,在当前时刻之后的下一时刻到来时,基于所述调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。这样通过将在不同时间点上收集的历史流体流量数据作为训练样本数据训练模型,基于训练的模型对实际采集的流体相关的时间序列数据进行处理准确预测得到下一时刻的流体流量,再基于下一时刻的流体流量确定调节参数以在下一时刻到来时基于调节参数控制调节流体产生设备的运行状态来调节流体通道内的流体流量,其能够挖掘流体相关的时间序列数据随时间变化规律特征信息,进而可以较准确预测未来时刻的流量,据此可以准确控制调节流体通道的流量,提高了流体通道的流量控制调节的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例流体通道的流量自动控制调节方法流程图;
图2为本公开另一实施例流体通道的流量自动控制调节方法流程图;
图3为本公开又一实施例流体通道的流量自动控制调节方法流程图;
图4为本公开实施例流体通道的流量自动控制调节系统示意图;
图5为本公开实施例的电子设备示意图。
实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
应当理解,在下文中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。
图1为本公开实施例的一种流体通道的流量自动控制调节方法流程图,该方法可以由计算机设备执行,具体可以包括以下步骤:
步骤S101:获取流体通道内与流体相关的时间序列数据,所述时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量。
示例性的,流体通道可以是管道状流体实验设备,该流体可以是气流,但不限于此。时间序列数据(time series data){Xi}表示采样的1、2、......、i时刻共i个流体流量数据。时间序列数据反映了流体通道内的流体随时间的变化状态或程度,据此可揭示其隐藏规律性,以对其进行有效预测。具体的,可以通过在流体通道相应位置设置流量传感器或流量计来获取流体流量数据,从而得到多个时刻的时间序列数据。
在一个示例中,时间序列数据中的第一流体流量的数量大于或等于第一数值,而小于第二数值。例如第一数值是10,第二数值是100个,其可以根据需要设置。时间序列数据中的多个时刻的第一流体流量的数量太少不足以挖掘到随时间变化规律隐藏特征信息,太多又会影响计算处理效率。因此在一个实施例中可以设置时间序列数据中的第一流体流量的数量,以便于既可以挖掘到时间序列数据中随时间变化规律隐藏特征信息,从而使得后续的流量控制调节的准确性提高,又可以提高整体的计算处理效率。
步骤S102:将所述时间序列数据输入流量预测模型,以得到距离所述当前时刻之后的下一时刻的第二流体流量;其中所述流量预测模型是预先基于样本训练数据对指定机器学习模型训练得到的,所述样本训练数据包括所述流体通道的历史时间序列数据,所述历史时间序列数据包括历史多个时刻的流体流量。
示例性的,本实施例中,通过将在不同时间点上收集流体通道的历史流体流量数据形成历史时间序列数据,将其作为样本训练数据预先对指定机器学习模型如深度卷积神经网络模型训练得到流量预测模型。训练结束后,具体应用时将步骤S101中获取的时间序列数据输入该流量预测模型,预测得到距离当前时刻T1之后的下一时刻T2的第二流体流量X2。其中当前时刻T1与下一时刻T2之间的时间差值可以根据需要设置,对此不作特殊限制。
步骤S103:基于所述下一时刻的第二流体流量确定调节参数,在所述当前时刻之后的下一时刻到来时,基于所述调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。
示例性的,模型预测得到距离当前时刻T1之后的下一时刻T2的第二流体流量X2之后,就可以基于下一时刻T2的第二流体流量X2确定调节参数Y即流体产生设备相关的调节参数,在当前时刻T1之后的下一时刻T2到来时,基于调节参数Y控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。
本公开实施例的上述方案,通过将在不同时间点上收集流体通道的历史流体流量数据作为训练样本数据训练模型,基于训练的模型对实际采集的流体通道的流体相关的时间序列数据进行处理准确预测得到下一时刻的流体流量,再基于下一时刻的流体流量确定调节参数以在下一时刻到来时基于调节参数控制调节流体产生设备的运行状态来调节流体通道内的流体流量,其能够挖掘流体相关的时间序列数据随时间变化规律隐藏特征信息,进而可以较准确预测未来时刻的流量,据此可以准确控制调节流体通道的流量,提高了流体通道的流量控制调节的准确性。
在一个实施例中,步骤S101中获取流体通道内与流体相关的时间序列数据,具体可以包括:基于预设的流体通道测试文件获取所述流体通道内待测的目标位置区域,获取所述流体通道内的所述目标位置区域与流体相关的时间序列数据。
示例性的,一个流体通道在对不同的测试对象测试时,针对某个测试对象可预先设置其对应的流体通道测试文件,不同的测试对象对应的流体通道测试文件可以不同。流体通道测试文件可以记录某个测试对象在流体通道内测试时所处的待测的目标位置区域信息、所需流体压力、流体温度、流体流速、流体流量等信息。因此基于流体通道测试文件可以获取目标测试对象在流体通道内待测的目标位置区域,然后获取流体通道内的该目标位置区域与流体相关的时间序列数据即当前时刻之前T1的多个时刻的第一流体流量。通过这种方式,可以简单快速地获取目标测试对象的时间序列数据,提高整体的流量控制调节的计算处理效率。由于计算处理效率会非常敏感地影响流体流量控制调节的准确性,例如计算处理过程过长,则流体流量控制调节的结果会差别很大,因此本实施例中需要提高整体的流量控制调节的计算处理效率。
在一个实施例中,所述样本训练数据还可以包括预先构建的所述流体通道的三维(3D)模型的模型参数和所述三维模型模拟得到的流体流量数据。示例性的,例如可基于流体通道的设计参数如尺寸、力学性能等预先建立流体通道的3D模型,模型参数可以包括该3D模型所示的流体通道的长度、宽度、高度、力学性能等参数。3D模型模拟得到的流体流量数据可以包括基于流体通道的3D模型针对目标测试对象模拟得到的时间序列数据。进一步的,在一个实施例中,如图2所示,所述指定机器学习模型至少包括Transformer模型,所述Transformer模型在训练过程中提取所述历史时间序列数据中隐含的变化特征信息以及提取所述历史时间序列数据与所述三维模型的模型参数、所述三维模型模拟得到的流体流量数据之间的关联特征信息。
示例性的,本实施例中针对时间序列数据采用Transformer模型进行训练,Transformer 模型自身使用了自注意力( Self-Attention )机制,不采用 RNN 模型的顺序结构,使得模型可以并行化训练,而且能够拥有全局信息。 Transformer 模型通常由编码器Encoder 和解码器 Decoder 两个部分组成,关于模型的组成具体可以参考现有技术理解,此处不再赘述。具有自注意力机制的Transformer模型可以挖掘历史时间序列数据中随时间变化规律隐藏特征信息即变化特征信息如特征向量1,同时可以挖掘历史时间序列数据与3D模型的模型参数、3D模型模拟得到的流体流量数据之间的关联特征信息如特征向量2,再基于特征向量1和特征向量2融合得到目标特征向量,基于目标特征向量输出预测结果以更新模型参数,模型参数符合预设参数条件时得到训练的流量预测模型。
本实施例中,从历史时间序列数据挖掘的变化特征信息以及历史时间序列数据与3D模型的模型参数、3D模型模拟得到的流体流量数据之间的关联特征信息等不同角度数据对于流量预测进行了描述,从而构成了多视图数据,其具有多描述性即多角度不同的描述信息以及多源性即来源不同,对于多视图数据进行深层次的机器学习可以尽可能全面正确的挖掘获取蕴含在多视图数据背后的特征信息,且针对历史时间序列数据,采用匹配的Transformer 模型训练,这样综合训练得到的流量预测模型的预测效果相对最优,预测结果准确性高,进而可以进一步准确预测未来时刻的流量,据此可以进一步准确控制调节流体通道的流量,进一步提高了流体通道的流量控制调节的准确性。
在一个实施例中,步骤S103中基于所述下一时刻的第二流体流量确定调节参数,具体可以包括:在所述第二流体流量X2大于预设流量值时,确定第一调节参数Y1;在所述第二流体流量X2小于或等于所述预设流量值时,确定第二调节参数Y2;其中所述第一调节参数Y1和第二调节参数Y2与所述流体产生设备的工作功率相关,且所述第一调节参数Y1小于所述第二调节参数Y2(Y1<Y2)。
示例性的,流体产生设备可以是气体产生设备,第一调节参数Y1和第二调节参数Y2可以是气体产生设备的功率调节参数,在预测的未来时刻的第二流体流量较大时,确定的第一调节参数Y1较小,而在第二流体流量较小时,确定的第二调节参数Y2较大,这样可以准确调节流体通道的流量,使该流量基本保持平衡,以满足目标测试对象的测试要求。
在一个实施例中,如图3所示,该方法还可包括以下步骤:
步骤S301:基于所述多个时刻的第一流体流量确定流体流速平均值。
示例性的,也即基于步骤S101中获取的时间序列数据确定流体流速平均值。例如,基于每个时刻的第一流体流量Q和流体通道的横截面积S可以确定每个时刻对应的流速V=Q/S,然后求所有时刻的流速的平均值即确定流体流速平均值V’。
步骤S302:获取所述流体通道内与流体相关的流体压力、流体温度。
示例性的,流体通道可以设置相应的压力和温度传感器等,以获取流体相关的流体压力P、流体温度T。
步骤S303:基于所述流体流速平均值、所述流体压力、流体温度确定第三调节参数。
示例性的,第三调节参数Y3=f(V’、P、T),其中函数f()可以预先基于试验数据拟合确定。函数f()表征不同的流体流速平均值、流体压力、流体温度和第三调节参数之间的映射关系。
步骤S304:基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数。
示例性的,第三调节参数Y3确定后,即可和第一调节参数Y1或者第二调节参数Y2分别融合确定第四调节参数Y4或者第五调节参数Y5。
步骤S305:在所述当前时刻之后的下一时刻到来时,基于所述第四调节参数或者第五调节参数控制调节所述流体产生设备的运行状态以调节所述流体通道内的流体流量。
示例性的,在所述当前时刻之后的下一时刻T2到来时,基于第四调节参数Y4或者第五调节参数Y5控制调节流体产生设备如气体产生设备的运行状态以调节所述流体通道内的流体流量。
本实施例在上述实施例的基础上,进一步结合基于确定的流体流速平均值、流体压力、流体温度三者确定的第三调节参数来与第一调节参数Y1或者第二调节参数Y2融合得到最终的调节参数,其考虑了流体通道内的流速、流体压力和温度等更多不同角度的不同数据的影响因素,结合训练的流量预测模型准确预测的未来时刻的流量,据此可以更进一步准确控制调节流体通道的流量,更进一步提高了流体通道的流量控制调节的准确性。
在上述实施例基础上,为了进一步准确控制调节流体通道的流量,更进一步提高了流体通道的流量控制调节的准确性,于一个实施例中,上述步骤S304中基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数,具体可以包括以下步骤:
获取预设的与所述第三调节参数相关的第一权重值,以及与所述第一调节参数相关的第二权重值。示例性的,第一权重值a和第二权重值b可以预先设置存储,然后读取即可。
2)基于所述第三调节参数和所述第一调节参数以及对应的第一权重值和第二权重值加权求和得到第四调节参数;其中,所述第二权重值大于第一权重值。
示例性的,由于第一调节参数是由模型预测结果确定的,模型的预测结果相对更准确,因此设置与第一调节参数相关的第二权重值大于第三调节参数相关的第一权重值(b>a),然后加权求和得到第四调节参数Y4=Y3*a+Y1*b。
3)获取与所述第二调节参数相关的第三权重值;其中,所述第三权重值大于第一权重值。
示例性的,第三权重值c也可以预先设置。由于第二调节参数也是由模型预测结果确定的,模型的预测结果相对更准确,因此也设置与第二调节参数相关的第三权重值c大于第三调节参数相关的第一权重值a(c>a)。其中,第二权重值b和第三权重值c数值大小可以相同,但也不限于此。
4)基于所述第三调节参数和所述第二调节参数以及对应的第一权重值和第三权重值加权求和得到第五调节参数。
示例性的,加权求和得到第五调节参数Y5=Y3*a+Y2*c。之后可以转入执行步骤S305。
本实施例中,在基于确定的流体流速平均值、流体压力、流体温度三者确定的第三调节参数来与第一调节参数Y1或者第二调节参数Y2融合得到最终的调节参数的过程中,考虑了根据模型预测结果确定的第一调节参数Y1或者第二调节参数Y2的权重以及第三调节参数的权重,据此加权求和得到的最终的调节参数更准确,进而使得本实施例中的该方案可以更进一步准确控制调节流体通道的流量,也即更进一步提高了流体通道的流量控制调节的准确性。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。另外,也易于理解的是,这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
如图4所示,本公开实施例提供一种流体通道的流量自动控制调节系统,包括:
数据获取模块401,用于获取流体通道内与流体相关的时间序列数据,所述时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量;
数据预测模块402,用于将所述时间序列数据输入流量预测模型,以得到距离所述当前时刻之后的下一时刻的第二流体流量;其中所述流量预测模型是预先基于样本训练数据对指定机器学习模型训练得到的,所述样本训练数据包括所述流体通道的历史时间序列数据,所述历史时间序列数据包括历史多个时刻的流体流量;
控制调节模块403,用于基于所述下一时刻的第二流体流量确定调节参数,在所述当前时刻之后的下一时刻到来时,基于所述调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。
在一个实施例中,所述数据获取模块获取流体通道内与流体相关的时间序列数据,包括:基于预设的流体通道测试文件获取所述流体通道内待测的目标位置区域,获取所述流体通道内的所述目标位置区域与流体相关的时间序列数据。
在一个实施例中,所述样本训练数据还包括预先构建的所述流体通道的三维模型的模型参数和所述三维模型模拟得到的流体流量数据。
在一个实施例中,所述指定机器学习模型至少包括Transformer模型,所述Transformer模型在训练过程中提取所述历史时间序列数据中隐含的变化特征信息以及提取所述历史时间序列数据与所述三维模型的模型参数、所述三维模型模拟得到的流体流量数据之间的关联特征信息。
在一个实施例中,所述控制调节模块基于所述下一时刻的第二流体流量确定调节参数,包括:在所述第二流体流量大于预设流量值时,确定第一调节参数;在所述第二流体流量小于或等于所述预设流量值时,确定第二调节参数;其中所述第一调节参数和第二调节参数与所述流体产生设备的工作功率相关,且所述第一调节参数小于所述第二调节参数。
在一个实施例中,控制调节模块还可用于:基于所述多个时刻的第一流体流量确定流体流速平均值;获取所述流体通道内与流体相关的流体压力、流体温度;基于所述流体流速平均值、所述流体压力、流体温度确定第三调节参数;基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数;在所述当前时刻之后的下一时刻到来时,基于所述第四调节参数或者第五调节参数控制调节所述流体产生设备的运行状态以调节所述流体通道内的流体流量。
在一个实施例中,所述控制调节模块基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数,包括:获取预设的与所述第三调节参数相关的第一权重值,以及与所述第一调节参数相关的第二权重值;基于所述第三调节参数和所述第一调节参数以及对应的第一权重值和第二权重值加权求和得到第四调节参数;其中,所述第二权重值大于第一权重值;获取与所述第二调节参数相关的第三权重值;其中,所述第三权重值大于第一权重值;基于所述第三调节参数和所述第二调节参数以及对应的第一权重值和第三权重值加权求和得到第五调节参数。
关于上述实施例中的系统,其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述,此处将不做详细阐述说明。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或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模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项实施例所述流体通道的流量自动控制调节方法。
示例性的,该可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
本公开实施例还提供一种电子设备,包括处理器以及存储器,存储器用于存储计算机程序。其中,所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中流体通道的流量自动控制调节方法。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示方法的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述各实施例的流体通道的流量自动控制调节方法步骤。
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、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种流体通道的流量自动控制调节方法,其特征在于,包括:
获取流体通道内与流体相关的时间序列数据,所述时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量;
将所述时间序列数据输入流量预测模型,以得到距离所述当前时刻之后的下一时刻的第二流体流量;其中所述流量预测模型是预先基于样本训练数据对指定机器学习模型训练得到的,所述样本训练数据包括所述流体通道的历史时间序列数据,所述历史时间序列数据包括历史多个时刻的流体流量;
基于所述下一时刻的第二流体流量确定调节参数,在所述当前时刻之后的下一时刻到来时,基于所述调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。
2.根据权利要求1所述的流体通道的流量自动控制调节方法,其特征在于,所述获取流体通道内与流体相关的时间序列数据,包括:基于预设的流体通道测试文件获取所述流体通道内待测的目标位置区域,获取所述流体通道内的所述目标位置区域与流体相关的时间序列数据。
3.根据权利要求1或2所述的流体通道的流量自动控制调节方法,其特征在于,所述样本训练数据还包括预先构建的所述流体通道的三维模型的模型参数和所述三维模型模拟得到的流体流量数据。
4.根据权利要求3所述的流体通道的流量自动控制调节方法,其特征在于,所述指定机器学习模型至少包括Transformer模型,所述Transformer模型在训练过程中提取所述历史时间序列数据中隐含的变化特征信息以及提取所述历史时间序列数据与所述三维模型的模型参数、所述三维模型模拟得到的流体流量数据之间的关联特征信息。
5.根据权利要求4所述的流体通道的流量自动控制调节方法,其特征在于,所述基于所述下一时刻的第二流体流量确定调节参数,包括:在所述第二流体流量大于预设流量值时,确定第一调节参数;在所述第二流体流量小于或等于所述预设流量值时,确定第二调节参数;其中所述第一调节参数和第二调节参数与所述流体产生设备的工作功率相关,且所述第一调节参数小于所述第二调节参数。
6.根据权利要求5所述的流体通道的流量自动控制调节方法,其特征在于,该方法还包括:基于所述多个时刻的第一流体流量确定流体流速平均值;获取所述流体通道内与流体相关的流体压力、流体温度;基于所述流体流速平均值、所述流体压力、流体温度确定第三调节参数;基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数;在所述当前时刻之后的下一时刻到来时,基于所述第四调节参数或者第五调节参数控制调节所述流体产生设备的运行状态以调节所述流体通道内的流体流量。
7.根据权利要求6所述的流体通道的流量自动控制调节方法,其特征在于,所述基于所述第三调节参数和所述第一调节参数确定第四调节参数,基于所述第三调节参数和所述第二调节参数确定第五调节参数,包括:获取预设的与所述第三调节参数相关的第一权重值,以及与所述第一调节参数相关的第二权重值;基于所述第三调节参数和所述第一调节参数以及对应的第一权重值和第二权重值加权求和得到第四调节参数;其中所述第二权重值大于第一权重值;获取与所述第二调节参数相关的第三权重值;其中所述第三权重值大于第一权重值;基于所述第三调节参数和所述第二调节参数以及对应的第一权重值和第三权重值加权求和得到第五调节参数。
8.一种流体通道的流量自动控制调节系统,其特征在于,包括:
数据获取模块,用于获取流体通道内与流体相关的时间序列数据,所述时间序列数据包括距离当前时刻之前的多个时刻的第一流体流量;
数据预测模块,用于将所述时间序列数据输入流量预测模型,以得到距离所述当前时刻之后的下一时刻的第二流体流量;其中所述流量预测模型是预先基于样本训练数据对指定机器学习模型训练得到的,所述样本训练数据包括所述流体通道的历史时间序列数据,所述历史时间序列数据包括历史多个时刻的流体流量;
控制调节模块,用于基于所述下一时刻的第二流体流量确定调节参数,在所述当前时刻之后的下一时刻到来时,基于所述调节参数控制调节流体产生设备的运行状态以调节所述流体通道内的流体流量。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7任一项所述流体通道的流量自动控制调节方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储计算机程序;
其中,所述处理器配置为经由执行所述计算机程序来执行权利要求1~7任一项所述流体通道的流量自动控制调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028449.4A CN116755477B (zh) | 2023-08-16 | 2023-08-16 | 流体通道的流量自动控制调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028449.4A CN116755477B (zh) | 2023-08-16 | 2023-08-16 | 流体通道的流量自动控制调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116755477A true CN116755477A (zh) | 2023-09-15 |
CN116755477B CN116755477B (zh) | 2023-11-03 |
Family
ID=87949974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311028449.4A Active CN116755477B (zh) | 2023-08-16 | 2023-08-16 | 流体通道的流量自动控制调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116755477B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267747A (zh) * | 2014-09-18 | 2015-01-07 | 金永德实验室设备有限公司 | 一种流量检测装置及其数值建模方法 |
CN105247434A (zh) * | 2013-08-28 | 2016-01-13 | 株式会社堀场Stec | 流量控制装置和流量控制程序 |
CN112424715A (zh) * | 2018-08-23 | 2021-02-26 | 三菱动力株式会社 | 预测装置、预测方法及程序 |
CN112558647A (zh) * | 2020-12-30 | 2021-03-26 | 江苏绿港现代农业发展股份有限公司 | 一种流体智能测控装置及测控方法 |
CN112799328A (zh) * | 2021-01-08 | 2021-05-14 | 淮阴工学院 | 一种喷气控制系统 |
CN113074786A (zh) * | 2021-03-12 | 2021-07-06 | 中国农业大学 | 一种曲线型渠道流量测定方法及装置 |
WO2022029127A1 (en) * | 2020-08-04 | 2022-02-10 | Belimo Holding Ag | Device and method for controlling an orifice of a valve in an hvac system |
NO20201002A1 (zh) * | 2020-09-11 | 2022-03-14 |
-
2023
- 2023-08-16 CN CN202311028449.4A patent/CN116755477B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105247434A (zh) * | 2013-08-28 | 2016-01-13 | 株式会社堀场Stec | 流量控制装置和流量控制程序 |
CN104267747A (zh) * | 2014-09-18 | 2015-01-07 | 金永德实验室设备有限公司 | 一种流量检测装置及其数值建模方法 |
CN112424715A (zh) * | 2018-08-23 | 2021-02-26 | 三菱动力株式会社 | 预测装置、预测方法及程序 |
WO2022029127A1 (en) * | 2020-08-04 | 2022-02-10 | Belimo Holding Ag | Device and method for controlling an orifice of a valve in an hvac system |
NO20201002A1 (zh) * | 2020-09-11 | 2022-03-14 | ||
CN112558647A (zh) * | 2020-12-30 | 2021-03-26 | 江苏绿港现代农业发展股份有限公司 | 一种流体智能测控装置及测控方法 |
CN112799328A (zh) * | 2021-01-08 | 2021-05-14 | 淮阴工学院 | 一种喷气控制系统 |
CN113074786A (zh) * | 2021-03-12 | 2021-07-06 | 中国农业大学 | 一种曲线型渠道流量测定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116755477B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210279583A1 (en) | Controller training based on historical data | |
KR102191444B1 (ko) | 우선순위화된 경험 메모리를 사용한 신경 네트워크의 트레이닝 | |
JP5768834B2 (ja) | プラントモデル管理装置及び方法 | |
EP3200038A1 (en) | Model evaluation device, model evaluation method, and program recording medium | |
AU2010201935A1 (en) | Fluid regulation | |
KR20030014285A (ko) | 다변수 행렬 프로세스 제어방법 및 그 장치 | |
KR101919076B1 (ko) | 시계열 데이터 예측 시스템 | |
JP6985833B2 (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
KR20210118182A (ko) | 이중 액터 크리틱 알고리즘을 통한 강화 학습 | |
EP3767560A1 (en) | Future state estimation device and future state estimation method | |
CN111279209B (zh) | 用于改进定位模型的指纹数据预处理方法 | |
US20180348013A1 (en) | Environmental monitoring systems, methods and media | |
JP6718500B2 (ja) | 生産システムにおける出力効率の最適化 | |
CN113574475A (zh) | 确定用于控制环境的因果模型 | |
KR20190017454A (ko) | 인공 신경망을 이용한 자기장 기반 위치 추정 모델 생성 장치 및 방법 | |
KR20190045038A (ko) | 음성 인식 방법 및 장치 | |
Ji et al. | Application of MHE to large-scale nonlinear processes with delayed lab measurements | |
JP2009110341A (ja) | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 | |
CN113597582A (zh) | 使用因果模型调谐pid参数 | |
CN114981825A (zh) | 基于自动学习预测及控制时间序列数据的方法及装置 | |
Kassoul et al. | Buffer allocation design for unreliable production lines using genetic algorithm and finite perturbation analysis | |
WO2019235603A1 (ja) | 関係性分析装置、関係性分析方法および記録媒体 | |
CN116755477B (zh) | 流体通道的流量自动控制调节方法及系统 | |
JP2023537697A (ja) | 等式制約を代数モデルに課すための射影方法 | |
Pankajakshan et al. | A multi-objective optimal experimental design framework for enhancing the efficiency of online model identification platforms |
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 |