CN117057254B - 基于多冷却装置协同使用的物件冷却方法及相关设备 - Google Patents

基于多冷却装置协同使用的物件冷却方法及相关设备 Download PDF

Info

Publication number
CN117057254B
CN117057254B CN202311303529.6A CN202311303529A CN117057254B CN 117057254 B CN117057254 B CN 117057254B CN 202311303529 A CN202311303529 A CN 202311303529A CN 117057254 B CN117057254 B CN 117057254B
Authority
CN
China
Prior art keywords
cooling
determining
information
cooling device
value
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
Application number
CN202311303529.6A
Other languages
English (en)
Other versions
CN117057254A (zh
Inventor
谭勇
杨之乐
吴承科
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.)
Zhongke Hangmai CNC Software Shenzhen Co Ltd
Original Assignee
Zhongke Hangmai CNC Software Shenzhen 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 Zhongke Hangmai CNC Software Shenzhen Co Ltd filed Critical Zhongke Hangmai CNC Software Shenzhen Co Ltd
Priority to CN202311303529.6A priority Critical patent/CN117057254B/zh
Publication of CN117057254A publication Critical patent/CN117057254A/zh
Application granted granted Critical
Publication of CN117057254B publication Critical patent/CN117057254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
    • B23Q11/12—Arrangements for cooling or lubricating parts of the machine
    • B23Q11/126—Arrangements for cooling or lubricating parts of the machine for cooling only
    • B23Q11/127—Arrangements for cooling or lubricating parts of the machine for cooling only for cooling motors or spindles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • 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
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供基于多冷却装置协同使用的物件冷却方法及相关设备，涉及多装置协同控制技术领域。本发明通过温度监测装置实时监测目标物件的温度，若温度达到了预警的第一温度时，开始计算目标物件从第一温度升至第二温度的时长，该时长可以反映目标物件的升温速度/需要冷却的紧急程度，而各冷却装置的不同使用比例所产生的冷却效果是不同的，因此该时长结合各冷却装置的装置信息可以用于指导确定各冷却装置的最佳使用比例，通过动态调整各冷却装置的使用比例更好地完成目标物件的冷却、降低使用成本以及降噪，满足目标物件在不同应用场景中的冷却需求。

Description

基于多冷却装置协同使用的物件冷却方法及相关设备
技术领域
本发明涉及多装置协同控制技术领域，尤其涉及基于多冷却装置协同使用的物件冷却方法及相关设备。
背景技术
数控机床是一种装有程序控制系统的自动化机床，可以用于复杂、精密、小批量、多品种的零件加工问题。数控机床中的机床主轴在高速旋转下容易产生大量热量，从而引起热膨胀。由于机床主轴的各零件的刚度和精度较高，负荷却不大，因此机床主轴的热膨胀很容易导致加工误差。目前一般采取强制循环油冷却的方式对机床主轴进行冷却，即将经过油冷却装置的冷却油强制性地在主轴定子外和主轴轴承外循环，带走主轴高速旋转产生的热量。然而单一的冷却方式难以满足机床主轴在不同加工场景中的冷却需求。
发明内容
本发明提供基于多冷却装置协同使用的物件冷却方法及相关设备，用以解决现有技术中单一的冷却方式难以满足机床主轴在不同加工场景中的冷却需求的缺陷。
本发明提供一种基于多冷却装置协同使用的物件冷却方法，包括：
当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例。
根据本发明提供的一种基于多冷却装置协同使用的物件冷却方法，每一所述候选冷却装置的装置信息包括冷却效率、工作噪声音量以及成本值；所述根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：
根据所述工作噪声信息，确定冷却装置组合对应的噪声约束数据；
根据所述加工精度信息，确定所述冷却装置组合对应的冷却效率约束数据；
根据所述运营成本信息，确定冷却装置组合对应的成本约束数据；
根据所述噪声约束数据、所述冷却效率约束数据、所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置。
根据本发明提供的一种基于多冷却装置协同使用的物件冷却方法，所述根据所述噪声约束数据、所述冷却效率约束数据、所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：
获取基于所述噪声约束数据、所述冷却效率约束数据以及所述成本约束数据建立的强化学习模型；
将各所述候选冷却装置的装置信息输入所述强化学习模型，得到预测冷却装置组合，根据所述预测冷却装置组合确定各所述冷却装置。
根据本发明提供的一种基于多冷却装置协同使用的物件冷却方法，所述强化学习模型用于：
根据各所述装置信息确定初始冷却装置组合，获取所述初始冷却装置组合对应的预测噪声量、预测冷却效率以及预测成本值；
根据所述预测噪声量和所述噪声约束数据，确定第一奖励值；
根据所述预测冷却效率和所述冷却效率约束数据，确定第二奖励值；
根据所述预测成本值和所述成本约束数据，确定第三奖励值；
根据所述第一奖励值、所述第二奖励值以及所述第三奖励值，确定综合奖励值；
判断所述综合奖励值是否达到预设的奖励阈值，若否，则根据所述综合奖励值进行模型参数更新，更新后重新执行所述根据各所述装置信息确定初始冷却装置组合的步骤，直至所述综合奖励值达到所述奖励阈值，将最后一轮得到的所述初始冷却装置组合作为所述预测冷却装置组合。
根据本发明提供的一种基于多冷却装置协同使用的物件冷却方法，所述根据所述第一奖励值、所述第二奖励值以及所述第三奖励值，确定综合奖励值，包括：
获取所述第一奖励值、所述第二奖励值以及所述第三奖励值的加权平均值；
根据所述加权平均值，确定所述综合奖励值。
根据本发明提供的一种基于多冷却装置协同使用的物件冷却方法，所述根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例，包括：
获取预先建立的使用比例库，其中，所述使用比例库中包括若干参考使用比例，每一所述参考使用比例具有对应的冷却效率标签；每一所述参考使用比例的查询顺序位基于所述参考使用比例的成本值确定，所述参考使用比例的成本值与所述参考使用比例的查询顺序位成正比关系；
根据所述时长，确定冷却效率下限值；
根据所述使用比例库中查询和比对所述冷却效率下限值的所述参考使用比例；
根据首个比对成功的所述参考使用比例，确定所述使用比例。
根据本发明提供的一种基于多冷却装置协同使用的物件冷却方法，所述获取所述目标物件对应的温度数据，包括：
获取所述目标物件对应的若干红外热像图，其中，各所述红外热像图分别基于不同布设位置的红外热成像仪获得；
根据各所述红外热像图，确定所述目标物件对应的若干局部温度数据；
根据各所述局部温度数据，确定所述目标物件对应的温度数据。
本发明还提供一种基于多冷却装置协同使用的物件冷却装置，所述装置包括：
温度获取模块，用于当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
温度监测模块，用于当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
信息获取模块，用于获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
比例确定模块，用于根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于多冷却装置协同使用的物件冷却方法。
本发明还提供一种非暂态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如上述任一种所述基于多冷却装置协同使用的物件冷却方法。
本发明提供的基于多冷却装置协同使用的物件冷却方法及相关设备，通过温度监测装置实时监测目标物件的温度，若温度达到了预警的第一温度时，开始计算目标物件从第一温度升至第二温度的时长，该时长可以反映目标物件的升温速度/需要冷却的紧急程度，而各冷却装置的不同使用比例所产生的冷却效果是不同的，因此该时长结合各冷却装置的装置信息可以用于指导确定各冷却装置的最佳使用比例，通过动态调整各冷却装置的使用比例更好地完成目标物件的冷却、降低使用成本以及降噪，满足目标物件在不同应用场景中的冷却需求。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于多冷却装置协同使用的物件冷却方法的流程示意图；
图2是本发明提供的基于多冷却装置协同使用的物件冷却装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
下面结合图1描述本发明的基于多冷却装置协同使用的物件冷却方法，如图1所示，所述方法包括步骤：
S100、当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
S200、当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
S300、获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
S400、根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例。
具体地，本实施例中的目标物件可以为数控机床中的机床主轴，也可以为其他需要冷却的零部件/设备/工具。为了满足目标物件在不同工作场景中的冷却需求，本实施例预先为目标物件配置了多种冷却装置，配置时需要参考目标物件工作噪声信息、加工精度信息以及运营成本信息，从多个候选冷却装置中挑选出适合的冷却装置组合。在实际应用场景中，当目标物件处于工作状态时，其自身可能会产生较高的热量，从而导致热膨胀。因此本实施例预先在目标物体上或者目标物体周围设置了温度监测装置，通过温度监测装置实时监测工作中的目标物件的温度，若温度达到了预警的第一温度时，可以调整温度监测装置的监测频率，并启动计时器计算目标物件从第一温度升至第二温度的时长，该时长可以反映目标物件的升温速度/需要冷却的紧急程度，而各冷却装置的不同使用比例所产生的冷却效果是不同的，因此该时长结合各冷却装置的装置信息可以用于指导确定各冷却装置的最佳使用比例，通过动态调整各冷却装置的使用比例更好地完成目标物件的冷却、降低使用成本以及降噪。
在一种实现方式中，每一所述候选冷却装置的装置信息包括冷却效率、工作噪声音量以及成本值；所述根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：
根据所述工作噪声信息，确定冷却装置组合对应的噪声约束数据；
根据所述加工精度信息，确定所述冷却装置组合对应的冷却效率约束数据；
根据所述运营成本信息，确定冷却装置组合对应的成本约束数据；
根据所述噪声约束数据、所述冷却效率约束数据、所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置。
具体地，各候选冷却装置分别代表不同的冷却方法，因此各候选冷却装置的冷却效率、工作噪声音量、成本值（包括配置成本、使用成本以及维护成本）都存在差异。目标物件的工作噪声信息是基于目标物件在不同加工场景中采集的历史声音数据确定的，因此工作噪声信息可以反映目标物件在工作状态下的噪声音量范围，根据噪声音量范围设定为目标物件配置的冷却装置组合需要满足的噪声约束条件，即得到噪声约束数据。目标物件的加工精度信息是基于目标物件的加工任务/要求确定的，因此加工精度信息可以反映目标物件的加工误差范围，目标物件的热膨胀会导致加工误差，冷却效率会影响热膨胀，因此可以基于加工误差范围设定为目标物件配置的冷却装置组合需要满足的冷却效率约束条件，即得到冷却效率约束数据。目标物件的运营成本信息可以反映针对目标物件的冷却任务所能投入的最高资金，因此可以基于运营成本信息设定为目标物件配置的冷却装置组合需要满足的成本约束条件，即得到成本约束数据。通过参照这三种约束数据和各候选冷却装置的装置信息，为目标物件配置合适的多个冷却装置。
在一种实现方式中，所述根据所述工作噪声信息，确定冷却装置组合对应的噪声约束数据，包括：
根据所述工作噪声信息，确定所述机床主轴对应的噪音音量区间；
根据所述噪音音量区间，确定所述噪声约束数据。
在一种实现方式中，所述根据所述加工精度信息，确定所述冷却装置组合对应的冷却效率约束数据，包括：
根据所述加工精度信息，确定所述机床主轴对应的加工误差区间；
根据所述加工误差区间，确定热膨胀系数区间；
根据所述热膨胀系数区间，确定温度变化区间；
根据所述温度变化区间，确定最佳冷却效率；
以所述最佳冷却效率为中间值，并以预设的区间长度，确定冷却效率区间；
根据所述冷却效率区间，确定所述冷却效率约束数据。
在一种实现方式中，所述根据所述运营成本信息，确定冷却装置组合对应的成本约束数据，包括：
根据所述运营成本信息，确定冷却成本区间；
根据所述冷却成本区间，确定所述成本约束数据。
在一种实现方式中，所述候选冷却装置的类型可以包括强迫液冷装置。
具体地，强迫液冷装置是一种通过引入冷却液体并利用强制流动的方式来降低主轴温度的装置。其工作原理是将冷却液体以一定的流量和流速引导到主轴内部，通过液体的流动带走主轴产生的热量，实现冷却效果。
强迫液冷装置通常由以下组成部分构成：
冷却液供给系统：提供冷却液体的供给，包括冷却液的储存和输送装置，例如冷却液箱、泵和管道系统。
冷却液喷射装置：将冷却液体以适当的方式引导到主轴内部，通常通过喷嘴或喷头进行喷射，确保冷却液覆盖到主轴的关键部位。
冷却液排放系统：将已经被加热的冷却液体排出主轴，通常通过回流管道和冷却液槽来回收和循环利用冷却液。
强迫液冷装置的优点是能够在短时间内有效降低主轴温度，提供较高的冷却效果。它适用于高速、高负荷加工的场景，可以减少主轴的热变形和热膨胀，提高加工精度和稳定性。
在一种实现方式中，所述候选冷却装置的类型还可以包括毛细相变传热。
具体地，毛细相变传热是一种通过利用液体在毛细孔或毛细管内的相变过程，实现传热效果的方法。
毛细相变传热的工作原理如下：
在主轴内部引入具有较高传热性能的工质，如液态制冷剂。该工质在正常工作条件下处于液态状态。
当主轴温度升高，液态制冷剂吸收热量并发生相变，从液态转变为气态。相变过程中，液态制冷剂吸收的潜热（相变热）可有效带走主轴的热量。
毛细相变传热的关键在于选择合适的工质和设计合适的结构，以实现相变过程中的高传热效果。通常使用具有较低沸点和较大潜热的液态制冷剂，例如氟利昂等。
在主轴内部，通过毛细孔或毛细管的设计，使液态制冷剂能够充分接触到主轴的关键部位，实现传热。毛细孔或毛细管的选择要考虑其尺寸、形状和分布等因素，以确保液态制冷剂能够有效地传递热量。
毛细相变传热的优点是能够利用相变过程中的潜热吸收大量热量，实现较高的传热效果。相较于传统的液体冷却方式，毛细相变传热具有更高的传热效率和热量吸收能力。
在一种实现方式中，所述根据所述噪声约束数据、所述冷却效率约束数据、所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：
获取基于所述噪声约束数据、所述冷却效率约束数据以及所述成本约束数据建立的强化学习模型；
将各所述候选冷却装置的装置信息输入所述强化学习模型，得到预测冷却装置组合，根据所述预测冷却装置组合确定各所述冷却装置。
具体地，为了快速确定出适合目标物件的冷却装置组合，本实施例预先基于三种约束数据构建了一个强化学习模型。强化学习模型的输入数据是各候选冷却装置的装置信息，输出数据是强化学习模型基于三种约束数据从各候选冷却装置中确定的合适的组合。由于强化学习模型能够自动评估输出数据的好坏，并自动进行模型参数更新，因此相较于其他类型的预测模型而言，可以有效节省训练成本。
在一种实现方式中，所述强化学习模型用于：
根据各所述装置信息确定初始冷却装置组合，获取所述初始冷却装置组合对应的预测噪声量、预测冷却效率以及预测成本值；
根据所述预测噪声量和所述噪声约束数据，确定第一奖励值；
根据所述预测冷却效率和所述冷却效率约束数据，确定第二奖励值；
根据所述预测成本值和所述成本约束数据，确定第三奖励值；
根据所述第一奖励值、所述第二奖励值以及所述第三奖励值，确定综合奖励值；
判断所述综合奖励值是否达到预设的奖励阈值，若否，则根据所述综合奖励值进行模型参数更新，更新后重新执行所述根据各所述装置信息确定初始冷却装置组合的步骤，直至所述综合奖励值达到所述奖励阈值，将最后一轮得到的所述初始冷却装置组合作为所述预测冷却装置组合。
通常来说，由于强化学习模型的训练时间/训练数据较少，因此强化学习模型在初始阶段输出的冷却装置组合并不满足三种约束条件，因此本实施例将强化学习模型基于各装置信息输出的冷却装置组合首先作为初始冷却装置组合。然后评估使用初始冷却装置组合时可能产生的噪声量、可能达到的冷却效率以及可能产生的配置成本、使用成本、维护成本，即得到预测噪声量、预测冷却效率以及预测成本值。通过这三种预测指标评估初始冷却装置组合的好坏，并以奖励值的方式量化呈现，奖励值越高，表示初始冷却装置组合越好。预先可以根据用户需求/目标物件的任务要求设定一个奖励阈值，若当前得到的初始冷却装置组合的奖励值未达到奖励阈值，表示该初始冷却装置组合还有待优化。为了输出更高质量的冷却装置组合，可以以奖励值为指导来自动进行模型参数更新，更新以后强化学习模型会再次基于各装置信息重新输出冷却装置组合。循环往复，直至强化学习模型输出达到奖励阈值的冷却装置组合，即得到预测冷却装置组合。本实施例通过评估强化学习模型每次输出的冷却装置组合的好坏，实现自动更新强化学习模型的模型参数，可以实现模型应用与训练的同步进行，在获得合适的冷却装置组合的同时有效节省训练成本。
在一种实现方式中，所述根据所述第一奖励值、所述第二奖励值以及所述第三奖励值，确定综合奖励值，包括：
获取所述第一奖励值、所述第二奖励值以及所述第三奖励值的加权平均值；
根据所述加权平均值，确定所述综合奖励值。
由于噪声约束数据、冷却效率约束数据以及成本约束数据这三种约束数据的重要程度不同，硬性的约束数据的重要度高，软性的约束数据的重要度低，因此在评估初始冷却装置组合的好坏的时候，需要结合三种约束数据预先设定的重要程度综合评估。具体地，首先分别基于三种约束数据进行单独评估，得到第一奖励值、第二奖励值以及第三奖励值，三个奖励值的高低可以分别反映初始冷却装置组合的噪声音量的达标情况、冷却效率的达标情况以及成本的达标情况。最后根据三个奖励值和三种约束数据的权重值，计算出加权平均值。加权平均值融合了各约束数据的达标情况和重要程度，因此基于加权平均值可以准确地评估初始冷却装置组合的好坏，所以通过加权平均值确定强化学习模型的奖励值。
在一种实现方式中，所述根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例，包括：
获取预先建立的使用比例库，其中，所述使用比例库中包括若干参考使用比例，每一所述参考使用比例具有对应的冷却效率标签；每一所述参考使用比例的查询顺序位基于所述参考使用比例的成本值确定，所述参考使用比例的成本值与所述参考使用比例的查询顺序位成正比关系；
根据所述时长，确定冷却效率下限值；
根据所述使用比例库中查询和比对所述冷却效率下限值的所述参考使用比例；
根据首个比对成功的所述参考使用比例，确定所述使用比例。
具体地，本实施例预先计算了各冷却装置在不同的使用比例下所能达到的冷却效率和所需要的成本值，并以此构建了一个包含查询顺序的数据库，即得到使用比例库。本实施例将使用比例库中的使用比例定义为参考使用比例。每一参考使用比例都关联有其对应的冷却效率标签，用于反映该参考使用比例可以达到的冷却效率，各参考使用比例的查询顺序位基于各自对应的成本值确定，成本值越低的参考使用比例的查询顺序位越靠前，从而保证用户可以快速查询出符合条件的最低成本的使用比例。在实际应用场景中，通过时长可以分析出目标物件当前的升温速度和需要冷却的紧急程度，从而确定出需要满足的冷却效率下限值，即在调整使用比例时，小于该冷却效率下限值的方案难以满足目标物件当前的冷却需求，不予考虑。根据冷却效率下限值依次查询和比对使用比例库中的参考使用比例的冷却效率标签。由于各参考使用比例的查询顺序是基于成本值确定的，因此成本值越低的参考使用比例会更优先被查询到，因此首个比对成功的参考使用比例即为符合条件且成本最低的方案，则根据该参考使用比例调整当前场景下各冷却装置的使用比例。本实施例通过预先构建包含查询顺序和冷却效率标签的使用比例库，可以在实际应用场景下快速确定合适且成本低的各冷却装置的使用比例。
在一种实现方式中，所述获取所述目标物件对应的温度数据，包括：
获取所述目标物件对应的若干红外热像图，其中，各所述红外热像图分别基于不同布设位置的红外热成像仪获得；
根据各所述红外热像图，确定所述目标物件对应的若干局部温度数据；
根据各所述局部温度数据，确定所述目标物件对应的温度数据。
具体地，由于红外热像技术可以灵敏地捕获到物体的温度变化情况，因此本实施例采用红外热成像仪来监测目标物件的温度。为了更准确地得到目标物体的整体温度情况，本实施例预先在目标物件的周围不同方位布设了多个红外热成像仪。以目标物件为机床主轴为例，这些红外热成像仪可以布设于机床内，也可以通过在机床的外壳的非功能区域上凿洞，将这些红外热成像仪布设于机床外正对着洞口的位置。通过各红外热成像仪分别拍摄的红外热像图，可以全面地反映出目标物件不同表面区域的温度情况。然后针对每一张红外热像图，计算一个温度值，即得到局部温度数据，例如可以通过分析红外热像图上的颜色信息来确定温度值。最后通过各局部温度数据可以准确地计算出目标物件当前的温度，即得到最终的温度数据。
在一种实现方式中，所述根据各所述局部温度数据，确定所述目标物件对应的温度数据，包括：
获取各所述红外热像图中所述目标物件对应的面积占比，根据各所述红外热像图的所述面积占比确定各所述红外热像图分别对应的权重值；
根据各所述红外热像图的所述权重值和所述局部温度数据，确定温度加权平均值；
根据所述温度加权平均值，确定所述温度数据。
下面结合图2描述本发明的基于多冷却装置协同使用的物件冷却装置，下文描述的基于多冷却装置协同使用的物件冷却装置与上文描述的基于多冷却装置协同使用的物件冷却方法可相互对应参照。如图2所示，所述装置包括：
温度获取模块210，用于当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
温度监测模块220，用于当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
信息获取模块230，用于获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
比例确定模块240，用于根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于多冷却装置协同使用的物件冷却方法，该方法包括：当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例。
此外，上述的存储器330中的逻辑指令可以通过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物件（可以是个人计算机，服务器，或者网络物件等）执行本发明各个实施例所述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-Only Memory）、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。
又一方面，本发明还提供一种非暂态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以执行上述的基于多冷却装置协同使用的物件冷却方法，该方法包括：
当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例。
以上所描述的装置实施例仅仅是示意性的，其中所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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机物件（可以是个人计算机，服务器，或者网络物件等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于多冷却装置协同使用的物件冷却方法，其特征在于，包括：
当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例；
所述根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例，包括：
获取预先建立的使用比例库，其中，所述使用比例库中包括若干参考使用比例，每一所述参考使用比例具有对应的冷却效率标签；每一所述参考使用比例的查询顺序位基于所述参考使用比例的成本值确定，所述参考使用比例的成本值与所述参考使用比例的查询顺序位成正比关系；
根据所述时长，确定冷却效率下限值；
根据所述使用比例库中查询和比对所述冷却效率下限值的所述参考使用比例；
根据首个比对成功的所述参考使用比例，确定所述使用比例。
2.根据权利要求1所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，每一所述候选冷却装置的装置信息包括冷却效率、工作噪声音量以及成本值；所述根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：
根据所述工作噪声信息，确定冷却装置组合对应的噪声约束数据；
根据所述加工精度信息，确定所述冷却装置组合对应的冷却效率约束数据；
根据所述运营成本信息，确定冷却装置组合对应的成本约束数据；
根据所述噪声约束数据、所述冷却效率约束数据、所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置。
3.根据权利要求2所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，所述根据所述噪声约束数据、所述冷却效率约束数据、所述成本约束数据以及各所述候选冷却装置的装置信息，确定各所述冷却装置，包括：
获取基于所述噪声约束数据、所述冷却效率约束数据以及所述成本约束数据建立的强化学习模型；
将各所述候选冷却装置的装置信息输入所述强化学习模型，得到预测冷却装置组合，根据所述预测冷却装置组合确定各所述冷却装置。
4.根据权利要求3所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，所述强化学习模型用于：
根据各所述装置信息确定初始冷却装置组合，获取所述初始冷却装置组合对应的预测噪声量、预测冷却效率以及预测成本值；
根据所述预测噪声量和所述噪声约束数据，确定第一奖励值；
根据所述预测冷却效率和所述冷却效率约束数据，确定第二奖励值；
根据所述预测成本值和所述成本约束数据，确定第三奖励值；
根据所述第一奖励值、所述第二奖励值以及所述第三奖励值，确定综合奖励值；
判断所述综合奖励值是否达到预设的奖励阈值，若否，则根据所述综合奖励值进行模型参数更新，更新后重新执行所述根据各所述装置信息确定初始冷却装置组合的步骤，直至所述综合奖励值达到所述奖励阈值，将最后一轮得到的所述初始冷却装置组合作为所述预测冷却装置组合。
5.根据权利要求4所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，所述根据所述第一奖励值、所述第二奖励值以及所述第三奖励值，确定综合奖励值，包括：
获取所述第一奖励值、所述第二奖励值以及所述第三奖励值的加权平均值；
根据所述加权平均值，确定所述综合奖励值。
6.根据权利要求1所述的基于多冷却装置协同使用的物件冷却方法，其特征在于，所述获取所述目标物件对应的温度数据，包括：
获取所述目标物件对应的若干红外热像图，其中，各所述红外热像图分别基于不同布设位置的红外热成像仪获得；
根据各所述红外热像图，确定所述目标物件对应的若干局部温度数据；
根据各所述局部温度数据，确定所述目标物件对应的温度数据。
7.一种基于多冷却装置协同使用的物件冷却装置，其特征在于，所述装置包括：
温度获取模块，用于当目标物件处于工作状态时，获取所述目标物件对应的温度数据；
温度监测模块，用于当所述温度数据处达到第一温度时，监测所述温度数据从所述第一温度升至第二温度的时长；
信息获取模块，用于获取所述目标物件上配置的若干冷却装置分别对应的装置信息，其中，各所述冷却装置的选择方法包括：获取所述目标物件对应的工作噪声信息、加工精度信息以及运营成本信息；获取不同类型的若干候选冷却装置分别对应的装置信息；根据所述工作噪声信息、所述加工精度信息、所述运营成本信息以及各所述候选冷却装置的装置信息，确定各所述冷却装置；
比例确定模块，用于根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例；
所述根据所述时长和各所述冷却装置的装置信息，确定各所述冷却装置的使用比例，包括：
获取预先建立的使用比例库，其中，所述使用比例库中包括若干参考使用比例，每一所述参考使用比例具有对应的冷却效率标签；每一所述参考使用比例的查询顺序位基于所述参考使用比例的成本值确定，所述参考使用比例的成本值与所述参考使用比例的查询顺序位成正比关系；
根据所述时长，确定冷却效率下限值；
根据所述使用比例库中查询和比对所述冷却效率下限值的所述参考使用比例；
根据首个比对成功的所述参考使用比例，确定所述使用比例。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于多冷却装置协同使用的物件冷却方法。
9.一种非暂态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如权利要求1至6任一项所述基于多冷却装置协同使用的物件冷却方法。
CN202311303529.6A 2023-10-10 2023-10-10 基于多冷却装置协同使用的物件冷却方法及相关设备 Active CN117057254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311303529.6A CN117057254B (zh) 2023-10-10 2023-10-10 基于多冷却装置协同使用的物件冷却方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311303529.6A CN117057254B (zh) 2023-10-10 2023-10-10 基于多冷却装置协同使用的物件冷却方法及相关设备

Publications (2)

Publication Number Publication Date
CN117057254A CN117057254A (zh) 2023-11-14
CN117057254B true CN117057254B (zh) 2024-02-20

Family

ID=88669506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311303529.6A Active CN117057254B (zh) 2023-10-10 2023-10-10 基于多冷却装置协同使用的物件冷却方法及相关设备

Country Status (1)

Country Link
CN (1) CN117057254B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1708213A (zh) * 2004-06-03 2005-12-14 索尼计算机娱乐公司 预测并冷却电子设备温度的电子设备冷却装置及方法
KR20200119167A (ko) * 2019-04-09 2020-10-19 두산공작기계 주식회사 공작기계의 스핀들 장치
CN113297761A (zh) * 2021-05-21 2021-08-24 武汉武重机床有限公司 一种数控机床热变形测试补偿方法
CN115585541A (zh) * 2022-09-30 2023-01-10 北京纪新泰富机电技术股份有限公司 空调机房系统的控制方法及装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1708213A (zh) * 2004-06-03 2005-12-14 索尼计算机娱乐公司 预测并冷却电子设备温度的电子设备冷却装置及方法
KR20200119167A (ko) * 2019-04-09 2020-10-19 두산공작기계 주식회사 공작기계의 스핀들 장치
CN113297761A (zh) * 2021-05-21 2021-08-24 武汉武重机床有限公司 一种数控机床热变形测试补偿方法
CN115585541A (zh) * 2022-09-30 2023-01-10 北京纪新泰富机电技术股份有限公司 空调机房系统的控制方法及装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
数控机床的智能化及其在航空领域的应用;方辉 等;航空制造技术(第9期);第50-54、61段 *

Also Published As

Publication number Publication date
CN117057254A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
US10684598B1 (en) Building management system with efficient model generation for system identification
US20230371213A1 (en) Data-analysis-based energy-saving control method for precision air conditioner in cloud computing data center
US20190316802A1 (en) Building management system with system identification using multi-step ahead error prediction
CN102414685B (zh) 用于预测数据中心内的最大冷却器容量和机架容量的系统和方法
JP4396557B2 (ja) 空調システム
CN113039506B (zh) 基于因果学习的数据中心基础结构优化方法
JP6295867B2 (ja) 空調制御システム及び空調制御方法
US11774122B2 (en) Building control system with adaptive online system identification
US20150269293A1 (en) Diagnostic model generating apparatus and method, and abnormality diagnostic apparatus
US20110213735A1 (en) Selecting An Installation Rack For A Device In A Data Center
CN109771949A (zh) 一种游戏内动态调整渲染等级的方法和系统
CN117057254B (zh) 基于多冷却装置协同使用的物件冷却方法及相关设备
JPH0755271A (ja) チラーユニットの制御方法
JP2617274B2 (ja) チラーユニットの制御方法
CN114963683A (zh) 一种精确控温制冷系统
CN103842920A (zh) 验证制造过程的过程参数的方法
CN113204883B (zh) 汽车散热器目标进风量自动计算装置及方法
CN114326987A (zh) 制冷系统控制及模型训练方法、装置、设备及存储介质
CN108292558A (zh) 用于控制电力设备的冷却系统的方法和系统
KR102634157B1 (ko) 원자력 발전소 사고 진단 방법 및 장치
US11933513B2 (en) Building control system with setpoint injection for online system identification
CN115204658A (zh) 一种水电机组供油设备健康状态评估方法和系统
CN117197142B (zh) 丝杠的降温策略生成方法、装置、电子设备及存储介质
CN104951369B (zh) 消除热点资源竞争的方法和装置
CN113108444A (zh) 一种膨胀阀开度控制方法、装置及空调器

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