CN116839228A - 一种模块式全科热水机智能控制系统 - Google Patents

一种模块式全科热水机智能控制系统 Download PDF

Info

Publication number
CN116839228A
CN116839228A CN202310734696.XA CN202310734696A CN116839228A CN 116839228 A CN116839228 A CN 116839228A CN 202310734696 A CN202310734696 A CN 202310734696A CN 116839228 A CN116839228 A CN 116839228A
Authority
CN
China
Prior art keywords
module
wolves
temperature
water heater
fault
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.)
Withdrawn
Application number
CN202310734696.XA
Other languages
English (en)
Inventor
杨玉清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Bozhao Electronic Technology Co ltd
Original Assignee
Henan Bozhao Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Bozhao Electronic Technology Co ltd filed Critical Henan Bozhao Electronic Technology Co ltd
Priority to CN202310734696.XA priority Critical patent/CN116839228A/zh
Publication of CN116839228A publication Critical patent/CN116839228A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/10—Control of fluid heaters characterised by the purpose of the control
    • F24H15/104—Inspection; Diagnosis; Trial operation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/20—Control of fluid heaters characterised by control inputs
    • F24H15/212—Temperature of the water
    • F24H15/219—Temperature of the water after heating
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/30—Control of fluid heaters characterised by control outputs; characterised by the components to be controlled
    • F24H15/395—Information to users, e.g. alarms
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/40—Control of fluid heaters characterised by the type of controllers
    • F24H15/414—Control of fluid heaters characterised by the type of controllers using electronic processing, e.g. computer-based
    • F24H15/421—Control of fluid heaters characterised by the type of controllers using electronic processing, e.g. computer-based using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/40—Control of fluid heaters characterised by the type of controllers
    • F24H15/414—Control of fluid heaters characterised by the type of controllers using electronic processing, e.g. computer-based
    • F24H15/45—Control of fluid heaters characterised by the type of controllers using electronic processing, e.g. computer-based remotely accessible
    • F24H15/464—Control of fluid heaters characterised by the type of controllers using electronic processing, e.g. computer-based remotely accessible using local wireless communication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种模块式全科热水机智能控制系统，涉及智能控制技术领域，解决的问题是全科热水机的控制、调节能力差，工作监控状态不力。采用的方法是:一种模块式全科热水机智能控制系统，通过所述故障探索系统包含改进型的狼群算法模型在全局范围内探索出现异常状态的模块信息后，进一步探索出现异常的节点信息，确认异常节点的位置，通过所述控制执行模块根据异常节点信息生成具体的故障解决方案，通过温度自调节模型采用改进型蚁群算法得到最佳温度估算值，本发明能够自动调温自动检修的全科热水机工作状态，大大提高了全科热水机运行状态异常监控能力。

Description

一种模块式全科热水机智能控制系统
技术领域
本发明涉及智能控制技术领域，且更具体地涉及一种模块式全科热水机智能控制系统。
背景技术
全科换热是一种安全卫生、节能环保的间接式水加热系统技术，是一种全面的、科学的、中西融合的、全新的热交换方式，目前科技水平高速发展，人们对生活品质的需求日益提高，人们的生活已经离不开随时随地的热水，全科热水机的应用也越来越广泛。在具体应用过程中，比如在专利号CN200720056854.7中，该专利公开了一种模块式热水机,包括压缩机,与压缩机依次连接的第一换热器,第二换热器,汽液分离器,所述第二换热器是由并联连接的第一冷凝器,第二冷凝器,与第一冷凝器,第二冷凝器出口管道连接的节流装置,与节流装置出口相连接的第一蒸发器,第二蒸发器,与节流装置出口相连接的第三蒸发器,第四蒸发器构成,第一蒸发器与第二蒸发器并联连接并与第一冷凝器设置为一体。上述现有技术虽然提高了用户的经验体验。但传统的全科热水机一方面需要管理人员现场手动调节温度阈值，在控制及调节全科热水机时，困难重新，无法远程进行温度设置，更无法实现热水机的温度自调节，另一方面在热水机出现故障时，只能管理人员手动通知维修部门，不能实现自动报修，并且需要检修人员现场检测才能确认故障节点，不能自动进行故障检测和生成故障处理方案，因此，在全科热水机运行过程中，不同功能单元发挥作用过程中，就难以实现工作过程监视或测试。
目前人们需要一种智能化程度高、控制能力强、调节力度可控的多种调温模式，以提高全科热水机智能控制系统应用能力。
发明内容
针对上述技术的不足，本发明公开一种模块式全科热水机智能控制系统，通过所述故障探索系统包含改进型的狼群算法模型在全局范围内探索出现异常状态的模块信息后，进一步探索出现异常的节点信息，确认异常节点的位置，通过所述控制执行模块根据异常节点信息生成具体的故障解决方案，通过温度自调节模型采用改进型蚁群算法得到最佳温度估算值，本发明拥有多种调温模式，是一种能够自动调温自动检修的全科热水机智能控制系统，大大提高了全科热水机智能控制系统控制能力和调节能力；
为了实现上述技术效果，本发明采用以下技术方案：
一种模块式全科热水机智能控制系统，包括数据检测模块、管理平台和报修模块；
数据检测模块用于检测热水机内的温度和热水机整机运行状态故障；
所述数据检测模块包括温度传感器和故障判定子模块，所述温度传感器用于检测热水机硬件温度、热水机出水口的水温和外部环境温度，所述故障判定子模块用于判断热水机是否正常工作，并生成故障信息，所述温度传感器的输出端与故障判定子模块的输入端连接；
报修模块用于检测并发送报修信息到管理平台和检修部门接收端，并将检修部门的检修结果返回至管理平台；
管理平台用于管理人员远程手动调节热水机的水温，观察热水机的工作状态和查询热水机的检修历史记录；
在本发明的技术方案中，所述管理平台包括登录子模块、模式选择子模块、温度设定子模块、检修记录数据库和显示子模块，所述登录子模块用于管理人员登录，进入管理界面，所述模式选择子模块用于选择热水机的水温自调节模式和水温手动调节模式，所述温度设定子模块用于管理人员设置温度阈值调节热水器水温，所述检修记录数据库用于储存热水机的历史检修次数、历史故障原因和历史检修结果，所述显示子模块用于显示热水机的出水口温度、工作模式、工作状态和检修历史记录，所述登录子模块的输出端与模式选择子模块的输入端连接，所述模式选择子模块的输出端与温度设定子模块的输入端连接，所述模式选择子模块和检修记录数据库的输出端与显示子模块的输入端连接；
在本发明的技术方案中，所述报修模块包括通信子模块，所述通信子模块采用802.11无线接口满足无线传输协议；
在本发明的技术方案中，全科热水机智能控制系统还包括异常处理模块和调温模块；
在本发明的技术方案中，异常处理模块用于热水机异常状态的信息分析；
在本发明的技术方案中，所述异常处理模块包括输入预处理模型、状态分析模块、模型预测控制模块和控制执行模块，其中所述输入预处理模将监视到的全科热水机数据信息通过属性分类处理，所述状态分析模块用于分析全科热水机运行状态中的故障判断，所述模型预测控制模块用于对输入的故障诊断数据信息进行异常预测与诊断，所述控制执行模块用于对热水机异常状态故障数据信息分配不同的控制命令， 所述控制执行模块用于生成与处理故障信息相对应的处数据信息，其中所述输入预处理模型的输出端与状态分析模块的输入端连接，所述状态分析模块的输出端与状态分析模块的输入端连接，所述状态分析模块的输出端与模型预测控制模块的输入端连接，所述模型预测控制模块的输出端与控制执行模块的输入端连接；
在本发明的技术方案中，调温模块通过PLC可编程控制器对热水机自适应调节水温；
在本发明的技术方案中，所述调温模块包括历史调温数据库、特征提取子模块和温度自调节模型，所述历史调温数据库用于存储管理人员设置的历史温度阈值和历史环境温度，所述特征提取子模块采用卷积神经网络模型提取并计算历史温度的特征信息，按时间维度将管理人员设置的历史温度阈值特征信息与历史环境温度特征信息融合，以生成历史温度的特征信息集，所述温度自调节模型用于根据历史温度的特征信息集实现热水机的温度自调节，自动生成热水机最佳温度阈值，所述历史调温数据库的输出端与特征提取子模块的输入端连接，所述特征提取子模块的输出端与温度自调节模型的输入端连接；
在本发明的技术方案中，所述数据检测模块的输出端与所述调温模块、管理平台和异常分析模块的输入端连接，所述调温模块的输出端与所述管理平台的输入端连接，所述异常分析模块的输出端与所述报修模块的输入端连接，所述报修模块的输出端与所述管理平台的输入端连接。
作为本发明进一步的技术方案，所述输入预处理模型包括故障探索系统、数据过滤系统和数据压缩系统，所述故障探索系统用于探索热水机运行状态存在故障的模块与节点，所述数据过滤系统用于过滤由于突发情况造成的误触信息，所述数据压缩系统将数据重新组织进行数据量压缩，所述故障探索系统的输出端与数据过滤系统的输入端连接，所述数据过滤系统的输出端与数据压缩系统的输入端连接。
作为本发明进一步的技术方案，所述故障探索系统包含改进型的狼群算法模型，所述改进型的狼群算法模型包括主控模块和与所述主控模块连接的粗探索单元、精探索单元、探索设置模块和位置匹配模块，所述粗探索单元用于在全局范围内探索出现异常状态的模块信息，所述精探索单元用于在出现异常状态的模块中细化所探索的异常节点信息，所述探索设置模块用于设置探索模式，所述位置匹配模块用于将搜索出的数据信息按照编码属性、位置属性或信息属性进行匹配，其中所述探索设置模块的输出端分别与粗探索单元和精探索单元的输入端连接，所述 探索设置模块的输出端与位置匹配模块的输入端连接，所述位置匹配模块的输出端分别与粗探索单元和精探索单元的输入端连接。
作为本发明进一步的技术方案，所述粗探索单元的工作方法为：
步骤一、等级分层，按照适应度值排序选取适应度系数大于1的三匹狼，把三匹狼分为两组，a组包含一匹狼，在狼群中起领导作用，b组包含两匹狼，负责接收a组狼的召唤信息，在狼群中进行群体小于3个狼群的领导，b组中的两匹狼的移动步长范围与a组狼的距离自适应变化幅值成正比，移动步长范围自适应公式为：
（1）
式（1）中，为a组狼的位置，/>为b组狼的位置，i为B组狼的标号，/>为a组狼的适应度，/>为b组狼的适应度，K为b组狼的搜索步长，S为b组狼的移动步长范围，狼群中其余狼为下位狼，每只下位狼在全局范围内根据自身搜索步长寻找最优解；
步骤二、确定故障模块，a组狼在首先辨别方位，通知b组狼带领下位狼逼近目标模块，在a组狼的位置周围搜索并确定故障模块。
步骤三、通过探索设置模块搜索到的狼群数据信息分类，将所确定的故障信息归类；并通过数据信息标签备注数据信息；
步骤四、通过位置匹配模块对搜索到的数据信息进行匹配，将标准数据中的数据信息与匹配后的数据信息进行对比，并输出对比结果；
步骤五、将输出结果误差大于10%时，则重新通过探索设置模块设置数据信息，以进一步计算狼群数据信息。作为本发明进一步的技术方案，所述精探索单元的工作方法为：
步骤（一）、狼群分组，将下位狼群平均分为三组，使下位狼中适应度系数小于1的三匹狼分别作为每组的头狼，每组的头狼用于记录各自狼群的探索结果和探索范围，并与另外两组头狼进行信息交流，三组狼群中头狼之外的狼为普通狼，普通狼根据自身搜索步长在目标模块的范围内寻找最优解；
步骤（二）、迭代搜索，一组狼群在找到一个最优解时，通报至此组头狼，由头狼通知另外两组的头狼，三组狼群在此最优解的四周随机游走，再次形成新的最优解，添加高斯扰动到新的最优解中，提高普通狼的随机性，新的最优解公式为：
（2）
式（2）中，为新的最优解，/>为上次迭代的最优解，j为迭代次数，/>为惯性偏离因子,r为维度，/>为高斯扰动，/>为均值，/>方差，/>为j次迭代时普通狼的移动步长，n为普通狼的标号，在狼群游走过程中普通狼的移动步长随着迭代次数变化，普通狼的移动步长公式为：
（3）
式（3）中，为t-1时刻普通狼的移动步长，/>为t时刻普通狼的移动步长，/>为t+1时刻普通狼的移动步长，t为时刻值；
步骤（三）、确定故障节点，在进行五次迭代之后，得到一个最优解集，在最优解集中选择匹配度最高的解，确认为故障节点。
步骤（四）、通过探索设置模块搜索到的狼群数据信息分类，将所确定的故障信息归类；并通过数据信息标签备注数据信息；
步骤（五）、通过位置匹配模块对搜索到的数据信息进行匹配，将标准数据中的数据信息与匹配后的数据信息进行对比，并输出对比结果；
步骤（六）、当输出结果误差小于10%并且大于5%时，则重新通过探索设置模块设置数据信息，以进一步计算狼群数据信息。作为本发明进一步的技术方案，所述状态分析模块包括故障分类系统和故障汇总系统，所述故障分类系统将各节点发送的故障信息按照不同的安全类型进行分类，所述故障汇总系统合并相同安全类型的故障信息，所述故障分类系统的输出端与故障汇总系统的输入端连接；所述控制执行模块包括数据库和方案生成系统，所述故障数据库为通过手动定义与自我学习生成包含各种类型故障的解决方案的故障数据库，所述方案生成系统用于根据故障数据库的方案信息生成具体的故障解决方案，所述故障数据库的输出端与方案生成系统的输入端连接。
作为本发明进一步的技术方案，所述温度自调节模型包括控制单元和补偿单元，所述控制单元采用改进型蚁群算法通过将历史温度阈值变化速度值作为蚂蚁群搜索步长的变化系数，实现搜索步长的迭代变化，得到最佳温度阈值，所述补偿单元采用Smith算法减少控制单元的输出时滞，所述控制单元的输出端与补偿单元的输入端连接。
作为本发明进一步的技术方案，控制单元的工作方法为：
步骤一、确定变化速度值，将历史温度的特征信息按照温度梯度排序，先进行微分再通过比例积分得到同一历史环境温度下不同时间的历史温度阈值变化速度值；
步骤二、确定最佳历史温度阈值，选取一个历史环境温度特征信息为中心，蚁群随机寻找对应的历史温度阈值，得到目前适应度最高的三个历史温度阈值后，再分别在此三个历史温度阈值的四周随机搜索，分别得到三个历史温度阈值，三次迭代后，选取适应度最高的历史温度阈值为最佳温度阈值，蚁群的搜索步长以历史温度阈值变化速度值为系数变化；
步骤三、消除误差，选择蚂蚁的权值为神经网络的参数，通过网络训练消除输出的最佳温度阈值输出的误差。
与现有技术相比，本发明有益的积极效果是：
区别于常规的全科热水机智能控制系统，针对上述技术的不足，本发明公开一种模块式全科热水机智能控制系统，通过所述故障探索系统包含改进型的狼群算法模型在全局范围内探索出现异常状态的模块信息后，进一步探索出现异常的节点信息，确认异常节点的位置，通过所述控制执行模块根据异常节点信息生成具体的故障解决方案，通过温度自调节模型采用改进型蚁群算法得到最佳温度估算值，本发明拥有多种调温模式，是一种能够自动调温自动检修的全科热水机智能控制系统，更加智能化和一体化。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明总体架构示意图；
图2为改进型的狼群算法模型的方法步骤示意图；
图3为本发明输入预处理模型示意图；
图4为本发明控制单元的方法步骤示意图；
图5为本发明异常处理模块示意图；
图6为本发明改进型的狼群算法模型的一种应用案例示意图。
具体实施方式
下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外，在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-图6所示，一种模块式全科热水机智能控制系统，包括数据检测模块、管理平台和报修模块；
在具体实施例中，比如在计算机中集成管理平台，其他模块与管理平台通过不同的方式数据通信，以实现数据信息的管理；
数据检测模块用于检测热水机内的温度和热水机整机运行状态故障；在具体实施例中，通过获取热水机运行中的数据信息，比如噪声、振动、湿度、工作环境等各种参数，通过获取的数据信息检测热水机整机运行状态；
所述数据检测模块包括温度传感器和故障判定子模块，所述温度传感器用于检测热水机硬件温度、热水机出水口的水温和外部环境温度，所述故障判定子模块用于判断热水机是否正常工作，并生成故障信息，所述温度传感器的输出端与故障判定子模块的输入端连接；在具体实施例中，检测到的数据信息越多越好，以全面衡量热水机的数据信息；
报修模块用于检测并发送报修信息到管理平台和检修部门接收端，并将检修部门的检修结果返回至管理平台；在具体实施例中，可以在数据检测模块上设置无线数据通信接口、蓝牙接口或者其他形式的数据信息接口，以将热水机内的温度和热水机整机运行状态数据信息传输到管理平台进行管理，以提高数据信息的交互能力和诊断能力；
管理平台用于管理人员远程手动调节热水机的水温，观察热水机的工作状态和查询热水机的检修历史记录；在具体实施例中，所述管理平台包括登录子模块、模式选择子模块、温度设定子模块、检修记录数据库和显示子模块，所述登录子模块用于管理人员登录，进入管理界面，所述模式选择子模块用于选择热水机的水温自调节模式和水温手动调节模式，所述温度设定子模块用于管理人员设置温度阈值调节热水器水温，所述检修记录数据库用于储存热水机的历史检修次数、历史故障原因和历史检修结果，所述显示子模块用于显示热水机的出水口温度、工作模式、工作状态和检修历史记录，所述登录子模块的输出端与模式选择子模块的输入端连接，所述模式选择子模块的输出端与温度设定子模块的输入端连接，所述模式选择子模块和检修记录数据库的输出端与显示子模块的输入端连接；在具体实施例中，通过在管理平台上设置不同的模块，以提高热水机在控制过程中的应用能力；
所述报修模块包括通信子模块，所述通信子模块采用802.11无线接口满足无线传输协议；
全科热水机智能控制系统还包括异常处理模块和调温模块；
异常处理模块用于热水机异常状态的信息分析；
所述异常处理模块包括输入预处理模型、状态分析模块、模型预测控制模块和控制执行模块，其中所述输入预处理模将监视到的全科热水机数据信息通过属性分类处理，所述状态分析模块用于分析全科热水机运行状态中的故障判断，所述模型预测控制模块用于对输入的故障诊断数据信息进行异常预测与诊断，所述控制执行模块用于对热水机异常状态故障数据信息分配不同的控制命令，所述控制执行模块用于生成与处理故障信息相对应的处数据信息；其中所述输入预处理模型的输出端与状态分析模块的输入端连接，所述状态分析模块的输出端与状态分析模块的输入端连接，所述状态分析模块的输出端与模型预测控制模块的输入端连接，所述模型预测控制模块的输出端与控制执行模块的输入端连接；
调温模块通过PLC可编程控制器对热水机自适应调节水温；
所述调温模块包括历史调温数据库、特征提取子模块和温度自调节模型，所述历史调温数据库用于存储管理人员设置的历史温度阈值和历史环境温度，所述特征提取子模块采用卷积神经网络模型提取并计算历史温度的特征信息，按时间维度将管理人员设置的历史温度阈值特征信息与历史环境温度特征信息融合，以生成历史温度的特征信息集，所述温度自调节模型用于根据历史温度的特征信息集实现热水机的温度自调节，自动生成热水机最佳温度阈值，所述历史调温数据库的输出端与特征提取子模块的输入端连接，所述特征提取子模块的输出端与温度自调节模型的输入端连接；
在具体实施例中，所述数据检测模块的输出端与所述调温模块、管理平台和异常分析模块的输入端连接，
所述调温模块的输出端与所述管理平台的输入端连接，所述异常分析模块的输出端与所述报修模块的输入端连接，所述报修模块的输出端与所述管理平台的输入端连接。
通过上述实施例，本发明能够自动调温自动检修的全科热水机智能控制系统，更加智能化和一体化。
在具体实施例中，所述温度设定子模块的工作原理为：出水口水温大于温度阈值时，则提升加热构件的温度，出水口水温小于温度阈值时，则降低加热构件的温度。
在具体实施例中，所述输入预处理模型包括故障探索系统、数据过滤系统和数据压缩系统，所述故障探索系统用于探索热水机运行状态存在故障的模块与节点，所述数据过滤系统用于过滤由于突发情况造成的误触信息，所述数据压缩系统将数据重新组织进行数据量压缩，所述故障探索系统的输出端与数据过滤系统的输入端连接，所述数据过滤系统的输出端与数据压缩系统的输入端连接。
在具体实施例中，所述故障探索系统包含改进型的狼群算法模型，所述改进型的狼群算法模型包括主控模块和与所述主控模块连接的粗探索单元、精探索单元、探索设置模块和位置匹配模块，所述粗探索单元用于在全局范围内探索出现异常状态的模块信息，所述精探索单元用于在出现异常状态的模块中细化所探索的异常节点信息，所述探索设置模块用于设置探索模式，所述位置匹配模块用于将搜索出的数据信息按照编码属性、位置属性或信息属性进行匹配，其中所述探索设置模块的输出端分别与粗探索单元和精探索单元的输入端连接，所述 探索设置模块的输出端与位置匹配模块的输入端连接，所述位置匹配模块的输出端分别与粗探索单元和精探索单元的输入端连接。
在具体实施例中，所述粗探索单元的工作方法为：
步骤一、等级分层，按照适应度值排序选取适应度系数大于1的三匹狼，把三匹狼分为两组，a组包含一匹狼，在狼群中起领导作用，b组包含两匹狼，负责接收a组狼的召唤信息，在狼群中进行群体小于3个狼群的领导，b组中的两匹狼的移动步长范围与a组狼的距离自适应变化幅值成正比，移动步长范围自适应公式为：
（1）
式（1）中，为a组狼的位置，在具体实施例中，比如振动参数的位置，/>为b组狼的位置，比如某个其他故障参数的位置等，i为B组狼的标号，比如参数种类数据信息等，/>为a组狼的适应度，比如搜索热水机故障数据信息的能力等，/>为b组狼的适应度，K为b组狼的搜索步长，比如设置热水机工作状态参数信息检索的幅度等，S为b组狼的移动步长范围，狼群中其余狼为下位狼，每只下位狼在全局范围内根据自身搜索步长寻找最优解；也就是热水机工作状态搜索出的最佳数据信息；
在具体实施例中，通过提高热水机内的温度和热水机整机运行状态故障检测能力，进而实现热水机工作状态的快速判断，根据工作状态，以提高控制和调节能力，比如，热水机运行出现了噪声，则可能是热水机整机工作时间过长等原因造成，针对这种状态，适时对控制命令进行调整。比如热水机工作状态中出现振动，则可以评估热水机负载问题，在调节热水机工作过程中，需要减少负载，则发出的控制指令可能是停止其他多余负载的工作状态。
由于热水机工作状态出现的数据信息比较多，则通过粗探索单元对热水机工作状态产生的数据信息进行自动化分类，通过引入狼群算法，将热水机工作状态产生的多种数据信息转换为狼群数据参数，以提高热水机工作状态分析与诊断能力，将不容易分析的参数问题转换为数学分析，以提高数据信息分析能力。
步骤二、确定故障模块，a组狼在首先辨别方位，通知b组狼带领下位狼逼近目标模块，在a组狼的位置周围搜索并确定故障模块。
步骤三、通过探索设置模块搜索到的狼群数据信息分类，将所确定的故障信息归类；并通过数据信息标签备注数据信息；
步骤四、通过位置匹配模块对搜索到的数据信息进行匹配，将标准数据中的数据信息与匹配后的数据信息进行对比，并输出对比结果；
步骤五、将输出结果误差大于10%时，则重新通过探索设置模块设置数据信息，以进一步计算狼群数据信息。进一步地，所述精探索单元的工作方法为：
步骤一、狼群分组，将下位狼群平均分为三组，使下位狼中适应度系数大于1的三匹狼分别作为每组的头狼，每组的头狼用于记录各自狼群的探索结果和探索范围，并与另外两组头狼进行信息交流，三组狼群中头狼之外的狼为普通狼，普通狼根据自身搜索步长在目标模块的范围内寻找最优解；
步骤二、迭代搜索，一组狼群在找到一个最优解时，通报至此组头狼，由头狼通知另外两组的头狼，三组狼群在此最优解的四周随机游走，再次形成新的最优解，添加高斯扰动到新的最优解中，提高普通狼的随机性，新的最优解公式为：
（2）
式（2）中，为新的最优解，/>为上次迭代的最优解，j为迭代次数，/>为惯性偏离因子,r为维度，/>为高斯扰动，/>为均值，/>方差，/>为j次迭代时普通狼的移动步长，n为普通狼的标号，在狼群游走过程中普通狼的移动步长随着迭代次数变化，普通狼的移动步长公式为：
（3）
式（3）中，为t-1时刻普通狼的移动步长，/>为t时刻普通狼的移动步长，/>为t+1时刻普通狼的移动步长，t为时刻值；
步骤三、确定故障节点，在进行五次迭代之后，得到一个最优解集，在最优解集中选择匹配度最高的解，确认为故障节点。
通过上述实施例中，所述故障探索系统的工作原理为：首先对狼群进行参数初始化，狼群的搜索步长初始值为[-6，6]，狼群规模为30，最大迭代次数为1000，维度为40，然后通过式（1）对b组狼的移动步长范围进行优化，通过a组狼、b组狼和下位狼逐级探索确定故障模块，然后将下位狼群平均分为三组，每组头狼进行组间交流，通过式（2）增加普通狼搜索的随机性，然后随着迭代次数的增加，通过式（3）改变普通狼的移动步长，经过迭代之后确认模块中的故障节点，对算法优化性能的衡量指标进行分析与统计，结果如表1所示：
表1优化性能标准表
如表1所示，在Step Function基准测试函数中所述改进型狼群算法模型与标准狼群算法模型的差距较为明显，改进型狼群算法模型能得到最优解，并且稳定性较强，在Sphere基准测试函数中所述改进型蝙蝠算法模型在求解精度上相较于标准蝙蝠算法模型提高倍左右，在Schwefel基准测试函数中所述改进型蝙蝠算法模型在求解精度上相较于标准蝙蝠算法模型提高20倍左右，经实验验证，所述改进型蝠算法模型的求解精度更高，综合性效果更好。通过上述实施例，本发明具有突出的实质性特点和显著的技术进步性。
进一步地，所述状态分析模块包括故障分类系统和故障汇总系统，所述故障分类系统将各节点发送的故障信息按照不同的安全类型进行分类，所述故障汇总系统合并相同安全类型的故障信息，所述故障分类系统的输出端与故障汇总系统的输入端连接；所述控制执行模块包括数据库和方案生成系统，所述故障数据库为通过手动定义与自我学习生成包含各种类型故障的解决方案的数据库，所述方案生成系统用于根据故障数据库的方案信息生成具体的故障解决方案，所述故障数据库的输出端与方案生成系统的输入端连接。
进一步地，所述温度自调节模型包括控制单元和补偿单元，所述控制单元采用改进型蚁群算法将历史温度的特征信息集得到最佳温度估算值，所述补偿单元采用Smith算法减少控制单元的输出时滞，所述控制单元的输出端与补偿单元的输入端连接。
进一步地，控制单元的工作方法为：
步骤一、确定变化速度值，将历史温度的特征信息按照温度梯度排序，先进行微分再通过比例积分得到同一历史环境温度下不同时间的历史温度阈值变化速度值；
步骤二、确定最佳历史温度阈值，选取一个历史环境温度特征信息为中心，蚁群随机寻找对应的历史温度阈值，得到目前适应度最高的三个历史温度阈值后，再分别在此三个历史温度阈值的四周随机搜索，分别得到三个历史温度阈值，三次迭代后，选取适应度最高的历史温度阈值为最佳温度阈值，蚁群的搜索步长以历史温度阈值变化速度值为系数变化；
步骤三、消除误差，选择蚂蚁的权值为神经网络的参数，通过网络训练消除输出的最佳温度阈值输出的误差；
通过上述实施例中，神经网络结构采用三层模式，在三层网络中，首先确定隐含层为3个，输入层神经元个数为7个，输入层有3个节点，隐含层有7个节点，输出层有7个节点。于是可以计算出权值数量为24，阈值熟练各位为14，蚁群算法中需要优化的参数个数为38个。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (9)

1.一种模块式全科热水机智能控制系统，包括管理平台和报修模块；报修模块用于检测并发送报修信息到管理平台和检修部门接收端，并将检修部门的检修结果返回至管理平台；管理平台用于管理人员远程手动调节热水机的水温，观察热水机的工作状态和查询热水机的检修历史记录；
其中所述报修模块包括通信子模块，所述通信子模块采用802.11无线接口满足无线传输协议；其特征在于：
全科热水机智能控制系统还包括数据检测模块、异常处理模块和调温模块；其中：
数据检测模块用于检测热水机内的温度和热水机整机运行状态故障；所述数据检测模块包括温度传感器和故障判定子模块，所述温度传感器用于检测热水机硬件温度、热水机出水口的水温和外部环境温度，所述故障判定子模块用于判断热水机是否正常工作，并生成故障信息，所述温度传感器的输出端与故障判定子模块的输入端连接；
异常处理模块用于热水机异常状态的信息分析；所述异常处理模块包括输入预处理模型、状态分析模块、模型预测控制模块和控制执行模块，其中所述输入预处理模将监视到的全科热水机数据信息通过属性分类处理，所述状态分析模块用于分析全科热水机运行状态中的故障判断，所述模型预测控制模块用于对输入的故障诊断数据信息进行异常预测与诊断，所述控制执行模块用于对热水机异常状态故障数据信息分配不同的控制命令，所述控制执行模块用于生成与处理故障信息相对应的处数据信息；其中所述输入预处理模型的输出端与状态分析模块的输入端连接，所述状态分析模块的输出端与状态分析模块的输入端连接，所述状态分析模块的输出端与模型预测控制模块的输入端连接，所述模型预测控制模块的输出端与控制执行模块的输入端连接；调温模块通过PLC可编程控制器对热水机自适应调节水温；
所述调温模块包括历史调温数据库、特征提取子模块和温度自调节模型，所述历史调温数据库用于存储管理人员设置的历史温度阈值和历史环境温度，所述特征提取子模块采用卷积神经网络模型提取并计算历史温度的特征信息，按时间维度将管理人员设置的历史温度阈值特征信息与历史环境温度特征信息融合，以生成历史温度的特征信息集，所述温度自调节模型用于根据历史温度的特征信息集实现热水机的温度自调节，自动生成热水机最佳温度阈值，所述历史调温数据库的输出端与特征提取子模块的输入端连接，所述特征提取子模块的输出端与温度自调节模型的输入端连接；
所述数据检测模块的输出端与所述调温模块、管理平台和异常分析模块的输入端连接，所述调温模块的输出端与所述管理平台的输入端连接，所述异常分析模块的输出端与所述报修模块的输入端连接，所述报修模块的输出端与所述管理平台的输入端连接。
2.根据权利要求1所述的一种模块式全科热水机智能控制系统，其特征在于：所述输入预处理模型包括故障探索系统、数据过滤系统和数据压缩系统，所述故障探索系统用于探索热水机运行状态存在故障的模块与节点，所述数据过滤系统用于过滤由于突发情况造成的误触信息，所述数据压缩系统将数据重新组织进行数据量压缩，所述故障探索系统的输出端与数据过滤系统的输入端连接，所述数据过滤系统的输出端与数据压缩系统的输入端连接。
3.根据权利要求2所述的一种模块式全科热水机智能控制系统，其特征在于：所述故障探索系统包含改进型的狼群算法模型，所述改进型的狼群算法模型包括主控模块和与所述主控模块连接的粗探索单元、精探索单元、探索设置模块和位置匹配模块，所述粗探索单元用于在全局范围内探索出现异常状态的模块信息，所述精探索单元用于在出现异常状态的模块中细化所探索的异常节点信息，所述探索设置模块用于设置探索模式，所述位置匹配模块用于将搜索出的数据信息按照编码属性、位置属性或信息属性进行匹配，其中所述探索设置模块的输出端分别与粗探索单元和精探索单元的输入端连接，所述探索设置模块的输出端与位置匹配模块的输入端连接，所述位置匹配模块的输出端分别与粗探索单元和精探索单元的输入端连接。
4.根据权利要求3所述的一种模块式全科热水机智能控制系统，其特征在于：所述粗探索单元的工作方法为：
步骤一、等级分层，按照适应度值排序选取适应度系数大于1的三匹狼，把三匹狼分为两组，a组包含一匹狼，在狼群中起领导作用，b组包含两匹狼，负责接收a组狼的召唤信息，在狼群中进行群体小于3个狼群的领导，b组中的两匹狼的移动步长范围与a组狼的距离自适应变化幅值成正比，移动步长范围自适应公式为：
（1）
式（1）中，为a组狼的位置，/>为b组狼的位置，i为B组狼的标号，/>为a组狼的适应度，/>为b组狼的适应度，K为b组狼的搜索步长，S为b组狼的移动步长范围，狼群中其余狼为下位狼，每只下位狼在全局范围内根据自身搜索步长寻找最优解；
步骤二、确定故障模块，a组狼在首先辨别方位，通知b组狼带领下位狼逼近目标模块，在a组狼的位置周围搜索并确定故障模块；
步骤三、通过探索设置模块搜索到的狼群数据信息分类，将所确定的故障信息归类；并通过数据信息标签备注数据信息；
步骤四、通过位置匹配模块对搜索到的数据信息进行匹配，将标准数据中的数据信息与匹配后的数据信息进行对比，并输出对比结果；
步骤五、将输出结果误差大于10%时，则重新通过探索设置模块设置数据信息，以进一步计算狼群数据信息。
5.根据权利要求3所述的一种模块式全科热水机智能控制系统，其特征在于：所述精探索单元的工作方法为：
步骤（一）、狼群分组，将下位狼群平均分为三组，使下位狼中适应度系数小于1的三匹狼分别作为每组的头狼，每组的头狼用于记录各自狼群的探索结果和探索范围，并与另外两组头狼进行信息交流，三组狼群中头狼之外的狼为普通狼，普通狼根据自身搜索步长在目标模块的范围内寻找最优解；
步骤（二）、迭代搜索，一组狼群在找到一个最优解时，通报至此组头狼，由头狼通知另外两组的头狼，三组狼群在此最优解的四周随机游走，再次形成新的最优解，添加高斯扰动到新的最优解中，提高普通狼的随机性，新的最优解公式为：
（2）
式（2）中，为新的最优解，/>为上次迭代的最优解，j为迭代次数，/>为惯性偏离因子,r为维度，/>为高斯扰动，/>为均值，/>方差，/>为j次迭代时普通狼的移动步长，n为普通狼的标号，在狼群游走过程中普通狼的移动步长随着迭代次数变化，普通狼的移动步长公式为：
（3）
式（3）中，为t-1时刻普通狼的移动步长，/>为t时刻普通狼的移动步长，/>为t+1时刻普通狼的移动步长，t为时刻值；
步骤（三）、确定故障节点，在进行五次迭代之后，得到一个最优解集，在最优解集中选择匹配度最高的解，确认为故障节点；
步骤（四）、通过探索设置模块搜索到的狼群数据信息分类，将所确定的故障信息归类；并通过数据信息标签备注数据信息；
步骤（五）、通过位置匹配模块对搜索到的数据信息进行匹配，将标准数据中的数据信息与匹配后的数据信息进行对比，并输出对比结果；
步骤（六）、当输出结果误差小于10%并且大于5%时，则重新通过探索设置模块设置数据信息，以进一步计算狼群数据信息。
6.根据权利要求1所述的一种模块式全科热水机智能控制系统，其特征在于：所述状态分析模块包括故障分类系统和故障汇总系统，所述故障分类系统将各节点发送的故障信息按照不同的安全类型进行分类，所述故障汇总系统合并相同安全类型的故障信息，所述故障分类系统的输出端与故障汇总系统的输入端连接；所述控制执行模块包括数据库和方案生成系统，所述故障数据库为通过手动定义与自我学习生成包含各种类型故障的解决方案的故障数据库，所述方案生成系统用于根据故障数据库的方案信息生成具体的故障解决方案，所述故障数据库的输出端与方案生成系统的输入端连接。
7.根据权利要求1所述的一种模块式全科热水机智能控制系统，其特征在于：所述温度自调节模型包括控制单元和补偿单元，所述控制单元采用改进型蚁群算法通过将历史温度阈值变化速度值作为蚂蚁群搜索步长的变化系数，实现搜索步长的迭代变化，得到最佳温度阈值，所述补偿单元采用Smith算法减少控制单元的输出时滞，所述控制单元的输出端与补偿单元的输入端连接。
8.根据权利要求7所述的一种模块式全科热水机智能控制系统，其特征在于：控制单元的工作方法为：
步骤一、确定变化速度值，将历史温度的特征信息按照温度梯度排序，先进行微分再通过比例积分得到同一历史环境温度下不同时间的历史温度阈值变化速度值；
步骤二、确定最佳历史温度阈值，选取一个历史环境温度特征信息为中心，蚁群随机寻找对应的历史温度阈值，得到目前适应度最高的三个历史温度阈值后，再分别在此三个历史温度阈值的四周随机搜索，分别得到三个历史温度阈值，三次迭代后，选取适应度最高的历史温度阈值为最佳温度阈值，蚁群的搜索步长以历史温度阈值变化速度值为系数变化；
步骤三、消除误差，选择蚂蚁的权值为神经网络的参数，通过网络训练消除输出的最佳温度阈值输出的误差。
9.根据权利要求1所述的一种模块式全科热水机智能控制系统，其特征在于：
所述管理平台包括登录子模块、模式选择子模块、温度设定子模块、检修记录数据库和显示子模块，所述登录子模块用于管理人员登录，进入管理界面，所述模式选择子模块用于选择热水机的水温自调节模式和水温手动调节模式，所述温度设定子模块用于管理人员设置温度阈值调节热水器水温，所述检修记录数据库用于储存热水机的历史检修次数、历史故障原因和历史检修结果，所述显示子模块用于显示热水机的出水口温度、工作模式、工作状态和检修历史记录，所述登录子模块的输出端与模式选择子模块的输入端连接，所述模式选择子模块的输出端与温度设定子模块的输入端连接，所述模式选择子模块和检修记录数据库的输出端与显示子模块的输入端连接。
CN202310734696.XA 2023-06-20 2023-06-20 一种模块式全科热水机智能控制系统 Withdrawn CN116839228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310734696.XA CN116839228A (zh) 2023-06-20 2023-06-20 一种模块式全科热水机智能控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310734696.XA CN116839228A (zh) 2023-06-20 2023-06-20 一种模块式全科热水机智能控制系统

Publications (1)

Publication Number Publication Date
CN116839228A true CN116839228A (zh) 2023-10-03

Family

ID=88171795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310734696.XA Withdrawn CN116839228A (zh) 2023-06-20 2023-06-20 一种模块式全科热水机智能控制系统

Country Status (1)

Country Link
CN (1) CN116839228A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117176011A (zh) * 2023-11-02 2023-12-05 南通威尔电机有限公司 永磁同步潜水电机的参数智能调节方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117176011A (zh) * 2023-11-02 2023-12-05 南通威尔电机有限公司 永磁同步潜水电机的参数智能调节方法及系统
CN117176011B (zh) * 2023-11-02 2024-02-13 南通威尔电机有限公司 永磁同步潜水电机的参数智能调节方法及系统

Similar Documents

Publication Publication Date Title
CN105117602B (zh) 一种计量装置运行状态预警方法
CN108038300B (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN106714220B (zh) 一种基于mea-bp神经网络wsn异常检测方法
CN113570200B (zh) 一种基于多维信息的电网运行状态监测方法及系统
CN113255848A (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN110766320A (zh) 一种机场智能电网运行安全评价方法及装置
CN112464996B (zh) 基于LSTM-XGBoost的智能电网入侵检测方法
CN104598968A (zh) 变压器故障诊断方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN111199252A (zh) 一种电力通信网络智能运维系统的故障诊断方法
CN106482967A (zh) 一种代价敏感支持向量机机车车轮检测系统及方法
CN116839228A (zh) 一种模块式全科热水机智能控制系统
CN109491339B (zh) 一种基于大数据的变电站设备运行状态预警系统
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN108510180A (zh) 一种生产设备所处性能区间的计算方法
CN108764659A (zh) 一种基于模糊综合法的配电网可靠性影响因素分析方法
CN111767657B (zh) 一种核动力系统故障诊断方法和系统
CN117134507B (zh) 基于智能群体关联的全站容性设备在线监测方法及系统
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN115730228A (zh) 基于bp神经网络的中央空调能耗分析方法
CN114705177A (zh) 一种基于误差分析的光纤陀螺测姿数据处理方法
CN113884807B (zh) 基于随机森林和多层架构聚类的配电网故障预测方法
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法
CN114154305A (zh) 一种用于供水管网漏损检测与识别的传感器优化布置多准则决策分析方法
CN116259161B (zh) 一种电力故障预警系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231003

WW01 Invention patent application withdrawn after publication