CN117168080A - 一种节能用的螺旋速冻机状态控制方法 - Google Patents
一种节能用的螺旋速冻机状态控制方法 Download PDFInfo
- Publication number
- CN117168080A CN117168080A CN202311420567.XA CN202311420567A CN117168080A CN 117168080 A CN117168080 A CN 117168080A CN 202311420567 A CN202311420567 A CN 202311420567A CN 117168080 A CN117168080 A CN 117168080A
- Authority
- CN
- China
- Prior art keywords
- quick
- freezing
- frozen
- spiral
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000007710 freezing Methods 0.000 claims abstract description 578
- 238000002360 preparation method Methods 0.000 claims abstract description 35
- 238000013508 migration Methods 0.000 claims abstract description 32
- 230000005012 migration Effects 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 49
- 230000008014 freezing Effects 0.000 claims description 47
- 238000005265 energy consumption Methods 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 19
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000001816 cooling Methods 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 description 34
- 230000006870 function Effects 0.000 description 33
- 239000013078 crystal Substances 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002425 crystallisation Methods 0.000 description 4
- 230000008025 crystallization Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 244000005700 microbiome Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 239000003925 fat Substances 0.000 description 2
- 235000013611 frozen food Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000004278 EU approved seasoning Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model 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
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请提供了一种节能用的螺旋速冻机状态控制方法,涉及节能控制技术领域,所述方法包括:根据冻品的特征信息构建速冻状态迁移模型,获取理想速冻节点状态,基于孪生网络分析理想和实际的相似度,获取下一预期节点状态,以此构建速冻控制函数,根据历史数据构建速冻预备库,采用初始步长和速冻控制函数对下一层进行优化。本申请主要解决了整体上智能化程度还不够高,难以实现全面的智能化控制和管理,能源利用效率较低,维护成本较高,设备的可靠性和稳定性低等问题。通过孪生分析每层速冻度相似度,马尔科夫链,多层速冻结点根据冷却度制定下一层的速冻策略,达到了提高设备的能源利用效率和智能化程度,降低维护成本的技术效果。
Description
技术领域
本发明涉及节能控制的技术领域,具体涉及一种节能用的螺旋速冻机状态控制方法。
背景技术
速冻是利用急速低温加工出来的食品,以保持其新鲜度和品质。速冻可以有效地杀灭微生物和寄生虫,保留食品的营养和风味,同时延长食品的保质期。使用空气速冻、接触速冻、喷雾速冻、浸泡速冻都不能适应所有产品,之后使用螺旋速冻机进行产品速冻,但机器的能耗是一个问题。
例如现有技术是通过控制冷却水流量和温度,可以将冷冻机的温度稳定地控制在设定范围内,从而减少能源的消耗。
现有技术还存在整体上智能化程度还不够高,难以实现全面的智能化控制和管理,其能耗仍然比较高,或者出现节能控制后速冻质量得不到保证的情况,存在能源利用效率较低,设备的可靠性和稳定性低等问题。
发明内容
本申请主要解决了设备整体上智能化程度还不够高,难以实现全面的智能化控制和管理,其能耗仍然比较高,能源利用效率较低,设备的可靠性和稳定性低等问题。
鉴于上述问题,本申请实施例提供了一种节能用的螺旋速冻机状态控制方法,第一方面,本申请实施例提供了一种节能用的螺旋速冻机状态控制方法,所述方法包括:采集待进行速冻的冻品的特征信息,以及在速冻后需要达到的速冻状态信息,根据冻品特征信息和速冻状态信息,结合螺旋速冻机的设计信息,以降低螺旋速冻机能耗为目的,构建对冻品进行速冻的速冻状态迁移模型,在冻品采用螺旋速冻机进行速冻的过程中,采集冻品的速冻的层数信息和速冻温度,将速冻温度作为实际速冻节点状态,将层数信息输入速冻状态迁移模型内,获取理想速冻节点状态,基于孪生网络,分析所述实际速冻节点状态和理想速冻节点状态的相似度,获得相似度信息,根据所述相似度信息,获取对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,以及获取下一层数的预期速冻节点状态,构建速冻控制函数,获取螺旋速冻机下一层的速冻参数历史数据,构建速冻参数域和速冻参数预备库,采用所述初始步长和速冻控制函数,对下一层的速冻参数进行优化,获得最优速冻控制参数,控制螺旋速冻机在下一层对冻品进行速冻。
第二方面,本申请实施例提供了一种节能用的螺旋速冻机状态控制系统,所述系统包括:冻品特征采集模块,所述冻品特征采集模块用于采集待进行速冻的冻品的特征信息,以及在速冻后需要达到的速冻状态信息,速冻状态迁移模型构建模块,所述速冻状态迁移模型构建模块用于根据冻品特征信息和速冻状态信息,结合螺旋速冻机的设计信息,以降低螺旋速冻机能耗为目的,构建对冻品进行速冻的速冻状态迁移模型,理想速冻节点状态获取模块,所述理想速冻节点状态获取模块用于在冻品采用螺旋速冻机进行速冻的过程中,采集冻品的速冻的层数信息和速冻温度,将速冻温度作为实际速冻节点状态,将层数信息输入速冻状态迁移模型内,获取理想速冻节点状态,相似度信息获取模块,所述相似度信息获取模块是基于孪生网络,分析所述实际速冻节点状态和理想速冻节点状态的相似度,获得相似度信息,速冻控制函数构建模块,所述速冻控制函数构建模块用于根据所述相似度信息,获取对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,以及获取下一层数的预期速冻节点状态,构建速冻控制函数,速冻控制模块,所述速冻控制模块用于获取螺旋速冻机下一层的速冻参数历史数据,构建速冻参数域和速冻参数预备库,采用所述初始步长和速冻控制函数,对下一层的速冻参数进行优化,获得最优速冻控制参数,控制螺旋速冻机在下一层对冻品进行速冻。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了一种节能用的螺旋速冻机状态控制方法,涉及节能寻优控制技术领域,所述方法包括:根据冻品的特征信息构建速冻状态迁移模型,获取理想速冻节点状态,基于孪生网络分析理想和实际的相似度,获取下一预期节点状态,以此构建速冻控制函数,根据历史数据构建速冻预备库,采用初始步长和速冻控制函数对下一层进行优化。
本申请主要解决了整体上智能化程度还不够高,难以实现全面的智能化控制和管理,能源利用效率较低,维护成本较高,设备的可靠性和稳定性低等问题。通过孪生分析每层速冻度相似度,马尔科夫链,多层速冻结点根据冷却度制定下一层的速冻策略,达到了提高设备的能源利用效率和智能化程度,降低维护成本的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开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的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了一种节能用的螺旋速冻机状态控制方法流程示意图;
图2为本申请实施例提供了一种节能用的螺旋速冻机状态控制方法中,基于马尔科夫,构建多个预设速冻参数和多个预设速冻节点状态的映射关系,获得速冻状态迁移模型的方法流程示意图;
图3为本申请实施例提供了一种节能用的螺旋速冻机状态控制方法中,采用所述层数信息对应的相似度识别路径,对实际速冻节点状态和理想速冻节点状态进行相似度分析,获得相似度信息的方法流程示意图;
图4为本申请实施例提供了一种节能用的螺旋速冻机状态控制系统的结构示意图。
附图标记说明:冻品特征采集模块10,速冻状态迁移模型构建模块20,理想速冻节点状态获取模块30,相似度信息获取模块40,速冻控制函数构建模块50,速冻控制模块60。
具体实施方式
本申请主要解决了设备整体上智能化程度还不够高,难以实现全面的智能化控制和管理,其能耗仍然比较高,能源利用效率较低,设备的可靠性和稳定性低等问题。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示一种节能用的螺旋速冻机状态控制方法,所述方法包括:
采集待进行速冻的冻品的特征信息,以及在速冻后需要达到的速冻状态信息;
具体而言,待进行速冻的产品为不能常温保存且需要低温保存的产品,包括有冷冻蔬菜、冷冻水果、冰淇淋以及其他需要冷冻保存的食品和调料,冻品的特征信息包括,冻品的成分,冻品的成分是决定速冻效果和食品质量的重要因素之一。例如蛋白质、脂肪、碳水化合物等,以便选择合适的速冻工艺和储存方式。还有冻品的初始温度,冻品的初始温度会影响速冻的效果。初始温度越低,越容易形成冰晶,也更容易控制食品的冻结速度。因此,需要记录冻品的初始温度,以便选择合适的速冻条件。冻品的形状和尺寸,冻品的形状和尺寸也会影响速冻的效果和质量。对于不同形状和尺寸的食品,需要选择不同的速冻方式。冻品的含水量,冻品的含水量是影响速冻效果的重要因素之一。含水量越高,食品越容易形成冰晶,也更容易导致食品变质。速冻之后需要达到的状态信息包括冻结温度,速冻后的食品需要在一定的温度范围内储存,以确保食品的质量和口感。需要记录速冻后的食品的冻结温度,以便选择合适的储存方式和温度范围。速冻后的食品应该形成细小的冰晶,避免形成大的冰晶,以免破坏食品的结构和口感。含冰量,速冻后的食品含冰量过高或过低都会影响食品的质量和口感。需要检测速冻后食品的含冰量。生物活性,对于一些需要保持活性的食品,例如细胞组织、微生物等,需要在速冻后保持其生物活性。化学变化,一些食品在速冻过程中会发生化学变化,例如氧化、还原等。这些化学变化会影响食品的质量和口感。得到相应的冻品特征选择合适的方式进行速冻,以保证冻品的新鲜程度和口感。
根据冻品特征信息和速冻状态信息,结合螺旋速冻机的设计信息,以降低螺旋速冻机能耗为目的,构建对冻品进行速冻的速冻状态迁移模型;
具体而言,根据冻品的特征信息和速冻状态信息结合螺旋速冻机的设计信息,待速冻冻品的特征信息(成分、初始温度、形状和尺寸、含水量、温度敏感度)和目标速冻状态信息(冻结温度、结晶状态、含冰量、生物活性、化学变化)。构建对冻品进行速冻的速冻状态迁移模型以达到螺旋速冻机能耗的目的,对收集到的数据先进行数据清洗和处理,包括填充缺失值、异常处理和删除冗余数据,再基于深度学习算法,将冻品的特征信息和速冻状态信息作为输入,将目标速冻状态信息作为输出,通过大量冻品信息数据训练模型,使模型能够自动识别冻品的特征信息,并预测最佳的速冻工艺参数。收集大量的冻品特征信息和速冻状态信息数据,用于训练模型。将训练好的模型应用于螺旋速冻机,根据冻品的特征信息和目标速冻状态信息,自动计算最佳的速冻工艺参数,并实时监测和控制螺旋速冻机的运行状态,以达到降低能耗的目的。该速冻状态迁移模型可以通过机器学习算法自动识别冻品的特征信息并预测最佳的速冻工艺参数,从而有效降低螺旋速冻机的能耗。同时,该模型还可以根据实际应用效果进行不断优化,提高模型的预测准确性和泛化能力,进一步推动螺旋速冻机节能控制技术的发展。从而有效降低螺旋速冻机的能耗。
在冻品采用螺旋速冻机进行速冻的过程中,采集冻品的速冻的层数信息和速冻温度,将速冻温度作为实际速冻节点状态,将层数信息输入速冻状态迁移模型内,获取理想速冻节点状态;
具体而言,在螺旋速冻机内部安装分层传感器,当冻品通过螺旋速冻机时,分层传感器会实时监测冻品的分层情况,并将分层信息传输到控制系统中。在螺旋速冻机的不同位置安装温度传感器,以监测冻品在不同位置的实时温度。控制系统的数据处理模块可以实时接收温度传感器的数据,并将温度信息传输到速冻状态迁移模型中。在速冻过程中,控制系统将实际测量的温度信息作为实际速冻节点状态,输入到速冻状态迁移模型中。这将为模型提供有关实际速冻过程的信息,以便进行状态迁移和预测。将采集的冻品分层信息输入到速冻状态迁移模型中。模型将根据实际的分层信息对冻品的速冻过程进行更精确的状态预测和迁移。通过将实际速冻节点状态和分层信息输入速冻状态迁移模型中,模型将输出理想的速冻节点状态。控制系统将根据理想速冻节点状态对螺旋速冻机的运行参数进行调整,以实现更精确的速冻控制和降低能耗。
基于孪生网络,分析所述实际速冻节点状态和理想速冻节点状态的相似度,获得相似度信息;
具体而言,孪生网络是一种用于计算两个输入之间相似度的神经网络模型。定义一个孪生网络,其输入为实际速冻节点状态和理想速冻节点状态,输出为它们之间的相似度值。先准备一组实际的速冻节点状态和理想速冻节点状态的数据对,以及它们之间的相似度标签。这些数据对可以实际生产数据获得。使用准备好的训练数据对孪生网络进行训练,使其能够准确地计算实际速冻节点状态和理想速冻节点状态之间的相似度。在速冻过程中,当我们获得实际速冻节点状态和理想速冻节点状态时,可以将它们作为输入传递给训练好的孪生网络,从而获得它们之间的相似度值。
根据所述相似度信息,获取对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,以及获取下一层数的预期速冻节点状态,构建速冻控制函数;
具体而言,控制系统将根据孪生网络输出的相似度值,判断实际速冻节点状态和理想速冻节点状态之间的差异。如果相似度高,说明实际速冻过程与理想状态接近,无需进行过多调整,如果相似度低,则需要采取相应的控制措施来调整螺旋速冻机的运行参数,以实现更精确的速冻控制和降低能耗,通过速冻状态迁移模型,我们可以获得下一层数的预期速冻节点状态。这将作为构建速冻控制函数的目标状态,确定对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,基于初始步长和预期速冻节点状态,我们可以构建速冻控制函数。可以使用PID控制器、模糊控制器来构建函数。在构建函数时需要考虑螺旋速冻机的特性、冻品的特征信息以及节能控制目标等。该函数将根据相似度信息,自动调整螺旋速冻机的运行参数,以实现更精确的速冻控制和降低能耗。有助于提高螺旋速冻机的控制精度和降低能耗。
获取螺旋速冻机下一层的速冻参数历史数据,构建速冻参数域和速冻参数预备库,采用所述初始步长和速冻控制函数,对下一层的速冻参数进行优化,获得最优速冻控制参数,控制螺旋速冻机在下一层对冻品进行速冻。
具体而言,通过收集和分析历史数据,我们可以了解螺旋速冻机在不同条件下的速冻效果和能耗情况。这些历史数据可以包括冻品的特征信息、速冻温度、送风方式、冷却水流量等参数。将获取到的速冻参数历史数据整理成数据库,并按照不同的参数组合进行分类和归档。这些归档的参数组合构成了速冻参数域。同时,利用这些历史数据训练一个机器学习模型,生成一个速冻参数预备库,根据前面步骤获得的初始步长和预期速冻节点状态,采用速冻控制函数对下一层的速冻参数进行优化。从速冻参数预备库中选取一些候选参数组合,并利用速冻控制函数计算每个候选参数组合的预期效果。然后,根据相似度信息和优化目标,选择最优的速冻控制参数。在选择最优的速冻控制参数后,将它们输入到螺旋速冻机的控制系统,调整螺旋速冻机的运行参数。控制系统可以根据这些参数调整送风方式、冷却水流量等,以实现更精确的速冻控制和降低能耗。通过这种方式,我们可以获取螺旋速冻机下一层的速冻参数历史数据,构建速冻参数域和速冻参数预备库,采用初始步长和速冻控制函数对下一层的速冻参数进行优化,以获得最优速冻控制参数。这些优化后的参数可以用来控制螺旋速冻机在下一层对冻品进行速冻,从而实现更精确的速冻控制和降低能耗。同时,通过不断优化速冻控制函数和收集更多的历史数据,可以进一步提高优化效果和控制精度,为螺旋速冻机的节能控制提供更有效的支持。
进一步而言,本申请方法还包括:
采集待进行速冻的冻品的材质信息、含水率信息、温度信息、含脂量信息,作为冻品的特征信息;
采集冻品速冻后的需要达到的温度,作为速冻状态信息。
具体而言,采集冻品的信息,冻品的特征信息包括,冻品的成分,冻品的成分是决定速冻效果和食品质量的重要因素之一。例如蛋白质、脂肪、碳水化合物等,以便选择合适的速冻工艺和储存方式。还有冻品的初始温度,冻品的初始温度会影响速冻的效果。初始温度越低,越容易形成冰晶,也更容易控制食品的冻结速度。因此,需要记录冻品的初始温度,以便选择合适的速冻条件。冻品的形状和尺寸,冻品的形状和尺寸也会影响速冻的效果和质量。对于不同形状和尺寸的食品,需要选择不同的速冻方式。冻品的含水量,冻品的含水量是影响速冻效果的重要因素之一。含水量越高,食品越容易形成冰晶,也更容易导致食品变质。速冻之后需要达到的状态信息包括冻结温度,速冻后的食品需要在一定的温度范围内储存,以确保食品的质量和口感。需要记录速冻后的食品的冻结温度,以便选择合适的储存方式和温度范围。速冻后的食品应该形成细小的冰晶,避免形成大的冰晶,以免破坏食品的结构和口感。含冰量,速冻后的食品含冰量过高或过低都会影响食品的质量和口感。需要检测速冻后食品的含冰量。生物活性,对于一些需要保持活性的食品,例如细胞组织、微生物等,需要在速冻后保持其生物活性。化学变化,一些食品在速冻过程中会发生化学变化,例如氧化、还原等。这些化学变化会影响食品的质量和口感。得到相应的冻品特征选择合适的方式进行速冻,以保证冻品的新鲜程度和口感。
进一步而言,如图2所示,本申请方法还包括:
获取所述螺旋速冻机的螺旋层数,作为设计信息;
根据所述特征信息和速冻状态信息,对所述螺旋速冻机的速冻策略进行优化,以降低螺旋速冻机能耗为目的,获得最优速冻策略,其中,所述速冻策略包括在螺旋速冻机内每层速冻的预设速冻参数和速冻后达到的多个预设速冻节点状态,每个预设速冻节点状态包括一预设速冻温度;
具体而言,在螺旋速冻机设计和运行过程中,螺旋层数是一项重要的参数。从控制系统或设备维护记录中获取螺旋速冻机的螺旋层数信息。螺旋层数作为重要的设计信息,可以影响速冻过程的传热和传质效果。因此,在优化速冻策略时,需要考虑螺旋层数对能耗和速冻效果的影响。利用采集到的冻品特征信息和速冻状态信息,构建一个模型来预测最优速冻策略。此模型可以是一个神经网络模型,通过训练这个模型,我们可以得到最优速冻策略。利用历史数据来训练模型,然后使用这个模型来预测未来的最优速冻策略。此外,我们还可以实时监测速冻过程的状态信息,根据这些信息来调整速冻策略。在优化速冻策略时,我们需要将降低能耗作为一个重要的目标。我们可以通过选择合适的送风方式、控制冷却水流量、优化速冻时间等方式来降低能耗。通过训练模型和实时监测,我们可以获得最优的速冻策略。这个策略可以根据不同的冻品特征信息和速冻状态信息来调整速冻参数,从而实现更精确的速冻控制和降低能耗。在实际操作中,我们可以将这个最优速冻策略编程到螺旋速冻机的控制系统中,以便在运行过程中自动调整速冻参数。
基于马尔科夫,构建多个预设速冻参数和多个预设速冻节点状态的映射关系,获得所述速冻状态迁移模型。
具体而言,马尔科夫模型是一种基于状态转移概率的随机过程模型。在这个模型中,每个状态只依赖于前一个状态,而与之前的状态无关。可以将速冻过程看作是一个马尔科夫过程,其中每个状态表示冻品在某一时刻的速冻状态。在马尔科夫模型中,先定义一个状态空间,用来表示所有可能的状态。在这个问题中,状态空间可以定义为冻品在速冻过程中的不同状态,例如冻结温度、结晶状态、含冰量、生物活性、化学变化等。再定义状态转移概率,表示从一个状态转移到另一个状态的概率。通过对历史数据进行统计分析,计算出状态转移概率。然后构建映射关系,通过定义状态空间和状态转移概率,构建多个预设速冻参数和多个预设速冻节点状态的映射关系。这个映射关系可以表示在不同的速冻参数下,冻品从一种状态转移到另一种状态的概率。通过构建映射关系,我们可以获得所述速冻状态迁移模型。这个模型可以根据当前的速冻状态和速冻参数,预测未来的速冻状态和能耗情况。
进一步而言,本申请方法还包括:
根据冻品的速冻数据记录,筛选在螺旋速冻机内多层速冻完成后达到所述速冻状态信息的多个样本速冻策略;
获取所述多个样本速冻策略的多个样本速冻能耗,进行速冻策略寻优,获得速冻能耗最小的速冻策略,作为所述最优速冻策略;
基于所述最优速冻策略内多个螺旋层的速冻参数和速冻节点状态,作为多个预设速冻参数和多个预设速冻节点状态。
具体而言,在筛选多个样本速冻策略时,根据速冻数据记录中每个样本的速冻状态信息和速冻时间来判断是否符合要求。例如,如果一个样本在多层速冻完成后达到了预期的速冻节点状态,那么这个样本的速冻策略就可以作为候选策略。在获取多个样本速冻策略的多个样本速冻能耗时,通过测量每个样本在速冻过程中的能耗数据来进行。例如,我们可以使用电能表来测量冷却水流量、送风量等能耗相关的参数。进行速冻策略寻优时,使用一个优化算法来搜索最优解。可以使用遗传算法、粒子群算法等来搜索最小化速冻能耗的速冻策略。最后,基于所述最优速冻策略内多个螺旋层的速冻参数和速冻节点状态,作为多个预设速冻参数和多个预设速冻节点状态。这些预设参数和状态可以用于螺旋速冻机的控制系统,以便在运行过程中自动调整速冻参数和预测未来的速冻状态和能耗情况。通过这种方式,我们可以根据冻品的速冻数据记录筛选出达到所述速冻状态信息的多个样本速冻策略,并获取最优的速冻策略。这个最优策略可以作为控制螺旋速冻机的参考,有助于提高控制精度和降低能耗。
进一步而言,如图3所示,本申请方法还包括:
根据冻品的速冻数据记录,获取多个螺旋速冻层的历史速冻节点状态记录;
根据多个历史速冻节点状态记录,结合多个预设速冻节点状态,分析获取多个样本相似度记录;
具体而言,我们可以从速冻数据记录中提取出每一层速冻过程中冻品的温度、结晶状态、含冰量等状态信息。这些信息可以用于了解每一层速冻过程中冻品的状态变化情况。接下来,我们可以根据多个历史速冻节点状态记录,结合多个预设速冻节点状态,分析获取多个样本相似度记录。使用相似度来衡量实际速冻节点状态和预设速冻节点状态的差异。可以基于欧氏距离、余弦相似度来获取状态差异,对于每个历史速冻节点状态记录,可以计算其与每个预设速冻节点状态之间的相似度。这样,对于每个历史状态,都可以得到一个相似度向量,其中的每个元素表示该历史状态与预设状态集中某个状态的相似度。在这个过程中,应该注意对历史速冻节点状态记录和预设速冻节点状态进行规范化处理。例如,将温度、结晶状态等特征进行归一化或者标准化,以消除特征间不同量纲对相似度计算的影响。通过比较每个历史速冻节点状态与预设速冻节点状态的相似度,我们可以得到多个样本相似度记录。这个记录可以用于后续的策略优化过程,帮助我们找到最优的速冻策略。
基于孪生网络,构建多个相似度识别路径,每个相似度识别路径内包括权值共享的两个速冻节点相似度识别通道,分别采用多个历史速冻节点状态记录和多个样本相似度记录,对多个相似度识别路径进行训练至收敛;
采用所述层数信息对应的相似度识别路径,对所述实际速冻节点状态和理想速冻节点状态进行相似度分析,获得所述相似度信息。
具体而言,我们可以使用孪生网络来构建相似度识别路径。孪生网络是一种深度学习模型,包括两个并行的网络,共享权值参数,用于从不同的角度对输入数据进行编码和解码。在这个过程中,可以使用历史速冻节点状态记录和样本相似度记录作为孪生网络的输入,训练模型至收敛,得到多个相似度识别路径。每个相似度识别路径对应于一个历史速冻节点状态与预设速冻节点状态的相似度识别通道。在训练结束后,我们可以根据实际速冻节点状态和理想速冻节点状态,选择相应的相似度识别路径进行分析。具体来说,我们可以将实际速冻节点状态和理想速冻节点状态分别输入到对应的相似度识别通道中,得到它们之间的相似度信息。这个相似度信息可以用于评估实际速冻节点状态与理想速冻节点状态的相似程度,帮助我们了解速冻过程中的效果和能耗情况。
进一步而言,本申请方法还包括:
采用1减去所述相似度信息,将差作为对螺旋速冻机下一层的速冻参数进行调整优化的初始步长;
基于所述速冻状态迁移模型,获取所述层数信息下一层的预期速冻节点状态,并构建速冻控制函数:
;
其中,为控制适应度,/>为预期速冻节点状态内的预期速冻温度,/>为在下一层采用速冻参数控制速冻后的速冻温度。
具体而言,可以采用1减去所述相似度信息,将差作为对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,基于所述速冻状态迁移模型,获取所述层数信息下一层的预期速冻节点状态,并构建速冻控制函数。如果得到相似度信息为0.8,则说明实际和理想的相似度较高,采用1减去相似度信息,将差作为对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,即1-0.8=0.2,调整0.2,如果已知层数信息为3,基于速冻状态迁移模型,通过速冻状态迁移模型,我们可以获得下一层数的预期速冻节点状态。这将作为构建速冻控制函数的目标状态,确定对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,获取层数信息下一层的预期速冻节点状态。,其中,/>为控制适应度,/>为预期速冻节点状态内的预期速冻温度,/>为在下一层采用速冻参数控制速冻后的速冻温度。
进一步而言,本申请方法还包括:
根据螺旋速冻机的速冻参数可行范围,构建所述速冻参数域,根据螺旋速冻机下一层的速冻参数历史数据,提取并构建速冻参数预备库;
从所述速冻参数预备库内随机选择获取第一速冻参数,并结合所述实际速冻节点状态,进行下一层的速冻模拟,获取第一模拟速冻温度,结合所述速冻控制函数,计算获得第一控制适应度;
继续进行第一预设次数的寻优,获得多个速冻参数和多个控制适应度,判断任意一个控制适应度是否满足控制适应度阈值,若是,则将最大的控制适应度对应的速冻参数输出,作为最优速冻控制参数;
若否,则在所述速冻参数域内,对所述速冻参数预备库进行更新;
在更新的速冻参数预备库内进行寻优,直到获得最优速冻控制参数。
具体而言,构建速冻参数域是优化速冻过程的重要步骤之一。速冻参数域是指允许速冻过程的各种参数的取值范围。根据螺旋速冻机的实际情况和速冻过程的要求,我们可以确定速冻参数的可行范围,例如温度、送风量、时间等。这些参数的范围可以根据经验、设备手册或其他相关文献获得。在构建速冻参数域后,我们可以根据螺旋速冻机下一层的速冻参数历史数据来提取并构建速冻参数预备库。这个预备库包含了历史上的速冻参数及其对应的速冻效果(例如能耗、制品质量等)。我们可以从这些历史数据中挑选出一些具有代表性的参数,并按照一定规则将其存储在预备库中,以供后续优化使用。在构建预备库时,考虑不同参数之间的搭配和相互作用。因此,在选择速冻参数时,需要结合速冻过程的特点和实际需要,选择具有代表性且有效的参数。同时,还需要定期更新预备库,以适应螺旋速冻机的不断变化和优化。在构建完速冻参数预备库后,我们可以从所述速冻参数预备库内随机选择获取第一速冻参数,并结合所述实际速冻节点状态进行下一层的速冻模拟。在模拟过程中,我们可以使用数学模型或者仿真软件来模拟速冻过程,并获得第一模拟速冻温度。接下来,我们可以结合速冻控制函数来计算获得第一控制适应度。速冻控制函数是指描述速冻过程控制策略的函数,可以用来计算控制效果并指导优化过程。我们可以将第一模拟速冻温度作为输入参数,将预期的速冻节点状态作为目标参数,代入控制函数中计算得到第一控制适应度。在完成第一轮寻优后,我们可以继续进行第一预设次数的寻优,以获得多个速冻参数和对应的多控制适应度。接着,判断任意一个控制适应度是否满足控制适应度阈值。如果满足,我们将最大的控制适应度对应的速冻参数输出,作为最优速冻控制参数。如果所有的控制适应度都不满足控制适应度阈值,那么我们就在所述速冻参数域内对所述速冻参数预备库进行更新。在更新的速冻参数预备库内,我们重复上述过程,进行寻优,直到获得最优速冻控制参数。这一步完成后,我们就可以将最优速冻控制参数应用于螺旋速冻机的实际控制中,以实现更精确的速冻过程和更低的能耗。
进一步而言,本申请方法还包括:
在速冻参数域内,对多个速冻参数,采用所述初始步长进行调整,获得多个调整速冻参数;
通过多个调整速冻参数,结合所述实际速冻节点状态,进行下一层的速冻模拟,获得多个调整模拟速冻温度,并计算获得多个调整控制适应度;
根据所述多个调整控制适应度和多个控制适应度的比值的倒数,分别对初始步长进行调整计算,获得多个调整步长,继续进行速冻参数的调整更新;
直到达到预设调整新次数,将调整更新过程中控制适应度最大的多个速冻参数更新至速冻参数预备库内。
具体而言,在完成第一轮寻优后,我们可以继续进行预设次数的寻优过程,以获得更多速冻参数和对应的控制适应度。可以在速冻参数域内对多个速冻参数进行调整,获得多个调整速冻参数。这些调整速冻参数可以是通过采用初始步长进行逐步调整得到的。接下来,我们使用多个调整速冻参数,结合所述实际速冻节点状态进行下一层的速冻模拟,并获得多个调整模拟速冻温度。同时,根据模拟结果计算得到多个调整控制适应度。然后,根据多个调整控制适应度和多个控制适应度的比值的倒数,来对初始步长进行调整计算,获得多个调整步长。这个过程看作是根据上一轮的寻优结果来对初始步长进行适度调整,以期望在下一轮寻优中获得更好的结果。在获得多个调整步长后,重复上述过程,继续进行速冻参数的调整更新,直到达到预设调整新次数。最后,将调整更新过程中控制适应度最大的多个速冻参数更新至速冻参数预备库内。这个更新过程可以看作是对预备库的优化,使其存储的参数更有可能接近最优解。通过这种方式,我们可以根据预设调整次数的要求和寻优结果的不断变化,动态地调整初始步长并更新预备库中的速冻参数,以实现更精确的速冻过程和更低的能耗。同时,这种方法也具有灵活性和高效性,可以根据不同的问题和设备进行适当的调整和优化。
实施例二
基于与前述实施例一种节能用的螺旋速冻机状态控制方法相同的发明构思,如图4所示,本申请提供了一种节能用的螺旋速冻机状态控制系统,所述系统包括:
冻品特征采集模块10,所述冻品特征采集模块10用于采集待进行速冻的冻品的特征信息,以及在速冻后需要达到的速冻状态信息;
速冻状态迁移模型构建模块20,所述速冻状态迁移模型构建模块20用于根据冻品特征信息和速冻状态信息,结合螺旋速冻机的设计信息,以降低螺旋速冻机能耗为目的,构建对冻品进行速冻的速冻状态迁移模型;
理想速冻节点状态获取模块30,所述理想速冻节点状态获取模块30用于在冻品采用螺旋速冻机进行速冻的过程中,采集冻品的速冻的层数信息和速冻温度,将速冻温度作为实际速冻节点状态,将层数信息输入速冻状态迁移模型内,获取理想速冻节点状态;
相似度信息获取模块40,所述相似度信息获取模块40是基于孪生网络,分析所述实际速冻节点状态和理想速冻节点状态的相似度,获得相似度信息;
速冻控制函数构建模块50,所述速冻控制函数构建模块50用于根据所述相似度信息,获取对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,以及获取下一层数的预期速冻节点状态,构建速冻控制函数;
速冻控制模块60,所述速冻控制模块60用于获取螺旋速冻机下一层的速冻参数历史数据,构建速冻参数域和速冻参数预备库,采用所述初始步长和速冻控制函数,对下一层的速冻参数进行优化,获得最优速冻控制参数,控制螺旋速冻机在下一层对冻品进行速冻。
进一步地,该系统还包括:
冻品信息采集模块,用于采集待进行速冻的冻品的材质信息、含水率信息、温度信息、含脂量信息,作为冻品的特征信息;
速冻温度采集模块,用于采集冻品速冻后的需要达到的温度,作为速冻状态信息。
进一步地,该系统还包括:
螺旋层数获取模块,用于获取所述螺旋速冻机的螺旋层数,作为设计信息;
最优速冻策略获取模块,用于根据所述特征信息和速冻状态信息,对所述螺旋速冻机的速冻策略进行优化,以降低螺旋速冻机能耗为目的,获得最优速冻策略,其中,所述速冻策略包括在螺旋速冻机内每层速冻的预设速冻参数和速冻后达到的多个预设速冻节点状态,每个预设速冻节点状态包括一预设速冻温度;
速冻状态迁移模型获取模块,是基于马尔科夫,构建多个预设速冻参数和多个预设速冻节点状态的映射关系,获得所述速冻状态迁移模型。
进一步地,该系统还包括:
样本速冻策略筛选模块,用于根据冻品的速冻数据记录,筛选在螺旋速冻机内多层速冻完成后达到所述速冻状态信息的多个样本速冻策略;
速冻能耗获取模块,用于获取所述多个样本速冻策略的多个样本速冻能耗,进行速冻策略寻优,获得速冻能耗最小的速冻策略,作为所述最优速冻策略;
参数和状态生成模块,是基于所述最优速冻策略内多个螺旋层的速冻参数和速冻节点状态,作为多个预设速冻参数和多个预设速冻节点状态。
进一步地,该系统还包括:
历史速冻节点获取模块,用于根据冻品的速冻数据记录,获取多个螺旋速冻层的历史速冻节点状态记录;
相似度记录获取模块,用于根据多个历史速冻节点状态记录,结合多个预设速冻节点状态,分析获取多个样本相似度记录;
相似度识别路径获取模块,是基于孪生网络,构建多个相似度识别路径,每个相似度识别路径内包括权值共享的两个速冻节点相似度识别通道,分别采用多个历史速冻节点状态记录和多个样本相似度记录,对多个相似度识别路径进行训练至收敛;
相似度信息获取模块,用于采用所述层数信息对应的相似度识别路径,对所述实际速冻节点状态和理想速冻节点状态进行相似度分析,获得所述相似度信息。
进一步地,该系统还包括:
调整优化模块,用于采用1减去所述相似度信息,将差作为对螺旋速冻机下一层的速冻参数进行调整优化的初始步长;
函数构建模块,是基于所述速冻状态迁移模型,获取所述层数信息下一层的预期速冻节点状态,并构建速冻控制函数:
;
其中,为控制适应度,/>为预期速冻节点状态内的预期速冻温度,/>为在下一层采用速冻参数控制速冻后的速冻温度。
进一步地,该系统还包括:
参数预备库提取模块,用于根据螺旋速冻机的速冻参数可行范围,构建所述速冻参数域,根据螺旋速冻机下一层的速冻参数历史数据,提取并构建速冻参数预备库;
第一控制适应度计算模块,用于从所述速冻参数预备库内随机选择获取第一速冻参数,并结合所述实际速冻节点状态,进行下一层的速冻模拟,获取第一模拟速冻温度,结合所述速冻控制函数,计算获得第一控制适应度;
最优控制参数获取模块,用于继续进行第一预设次数的寻优,获得多个速冻参数和多个控制适应度,判断任意一个控制适应度是否满足控制适应度阈值,若是,则将最大的控制适应度对应的速冻参数输出,作为最优速冻控制参数;
更新模块,是若否,则在所述速冻参数域内,对所述速冻参数预备库进行更新;
最优速冻参数获取模块,是在更新的速冻参数预备库内进行寻优,直到获得最优速冻控制参数。
进一步地,该系统还包括:
多个调整速冻参数获取模块,是在速冻参数域内,对多个速冻参数,采用所述初始步长进行调整,获得多个调整速冻参数;
多个控制适应度获取模块,用于通过多个调整速冻参数,结合所述实际速冻节点状态,进行下一层的速冻模拟,获得多个调整模拟速冻温度,并计算获得多个调整控制适应度;
步长调整模块,用于根据所述多个调整控制适应度和多个控制适应度的比值的倒数,分别对初始步长进行调整计算,获得多个调整步长,继续进行速冻参数的调整更新;
参数更新模块,用于直到达到预设调整新次数,将调整更新过程中控制适应度最大的多个速冻参数更新至速冻参数预备库内。
说明书通过前述一种节能用的螺旋速冻机状态控制方法的详细描述,本领域技术人员可以清楚地知识本实施例中一种节能用的螺旋速冻机状态控制系统,对于实施例公开的系统而言,由于其与实施例公开方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,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 (9)
1.一种节能用的螺旋速冻机状态控制方法,其特征在于,所述方法包括:
采集待进行速冻的冻品的特征信息,以及在速冻后需要达到的速冻状态信息;
根据冻品特征信息和速冻状态信息,结合螺旋速冻机的设计信息,以降低螺旋速冻机能耗为目的,构建对冻品进行速冻的速冻状态迁移模型;
在冻品采用螺旋速冻机进行速冻的过程中,采集冻品的速冻的层数信息和速冻温度,将速冻温度作为实际速冻节点状态,将层数信息输入速冻状态迁移模型内,获取理想速冻节点状态;
基于孪生网络,分析所述实际速冻节点状态和理想速冻节点状态的相似度,获得相似度信息;
根据所述相似度信息,获取对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,以及获取下一层数的预期速冻节点状态,构建速冻控制函数;
获取螺旋速冻机下一层的速冻参数历史数据,构建速冻参数域和速冻参数预备库,采用所述初始步长和速冻控制函数,对下一层的速冻参数进行优化,获得最优速冻控制参数,控制螺旋速冻机在下一层对冻品进行速冻。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
采集待进行速冻的冻品的材质信息、含水率信息、温度信息、含脂量信息,作为冻品的特征信息;
采集冻品速冻后的需要达到的温度,作为速冻状态信息。
3.根据权利要求2所述的方法,其特征在于,所述方法包括:
获取所述螺旋速冻机的螺旋层数,作为设计信息;
根据所述特征信息和速冻状态信息,对所述螺旋速冻机的速冻策略进行优化,以降低螺旋速冻机能耗为目的,获得最优速冻策略,其中,所述速冻策略包括在螺旋速冻机内每层速冻的预设速冻参数和速冻后达到的多个预设速冻节点状态,每个预设速冻节点状态包括一预设速冻温度;
基于马尔科夫,构建多个预设速冻参数和多个预设速冻节点状态的映射关系,获得所述速冻状态迁移模型。
4.根据权利要求3所述的方法,其特征在于,所述方法包括:
根据冻品的速冻数据记录,筛选在螺旋速冻机内多层速冻完成后达到所述速冻状态信息的多个样本速冻策略;
获取所述多个样本速冻策略的多个样本速冻能耗,进行速冻策略寻优,获得速冻能耗最小的速冻策略,作为所述最优速冻策略;
基于所述最优速冻策略内多个螺旋层的速冻参数和速冻节点状态,作为多个预设速冻参数和多个预设速冻节点状态。
5.根据权利要求3所述的方法,其特征在于,所述方法包括:
根据冻品的速冻数据记录,获取多个螺旋速冻层的历史速冻节点状态记录;
根据多个历史速冻节点状态记录,结合多个预设速冻节点状态,分析获取多个样本相似度记录;
基于孪生网络,构建多个相似度识别路径,每个相似度识别路径内包括权值共享的两个速冻节点相似度识别通道,分别采用多个历史速冻节点状态记录和多个样本相似度记录,对多个相似度识别路径进行训练至收敛;
采用所述层数信息对应的相似度识别路径,对所述实际速冻节点状态和理想速冻节点状态进行相似度分析,获得所述相似度信息。
6.根据权利要求1所述的方法,其特征在于,所述方法包括:
采用1减去所述相似度信息,将差作为对螺旋速冻机下一层的速冻参数进行调整优化的初始步长;
基于所述速冻状态迁移模型,获取所述层数信息下一层的预期速冻节点状态,并构建速冻控制函数:
;
其中,为控制适应度,/>为预期速冻节点状态内的预期速冻温度,/>为在下一层采用速冻参数控制速冻后的速冻温度。
7.根据权利要求6所述的方法,其特征在于,所述方法包括:
根据螺旋速冻机的速冻参数可行范围,构建所述速冻参数域,根据螺旋速冻机下一层的速冻参数历史数据,提取并构建速冻参数预备库;
从所述速冻参数预备库内随机选择获取第一速冻参数,并结合所述实际速冻节点状态,进行下一层的速冻模拟,获取第一模拟速冻温度,结合所述速冻控制函数,计算获得第一控制适应度;
继续进行第一预设次数的寻优,获得多个速冻参数和多个控制适应度,判断任意一个控制适应度是否满足控制适应度阈值,若是,则将最大的控制适应度对应的速冻参数输出,作为最优速冻控制参数;
若否,则在所述速冻参数域内,对所述速冻参数预备库进行更新;
在更新的速冻参数预备库内进行寻优,直到获得最优速冻控制参数。
8.根据权利要求7所述的方法,其特征在于,所述方法包括:
在速冻参数域内,对多个速冻参数,采用所述初始步长进行调整,获得多个调整速冻参数;
通过多个调整速冻参数,结合所述实际速冻节点状态,进行下一层的速冻模拟,获得多个调整模拟速冻温度,并计算获得多个调整控制适应度;
根据所述多个调整控制适应度和多个控制适应度的比值的倒数,分别对初始步长进行调整计算,获得多个调整步长,继续进行速冻参数的调整更新;
直到达到预设调整新次数,将调整更新过程中控制适应度最大的多个速冻参数更新至速冻参数预备库内。
9.一种节能用的螺旋速冻机状态控制系统,其特征在于,所述系统包括:
冻品特征采集模块,所述冻品特征采集模块用于采集待进行速冻的冻品的特征信息,以及在速冻后需要达到的速冻状态信息;
速冻状态迁移模型构建模块,所述速冻状态迁移模型构建模块用于根据冻品特征信息和速冻状态信息,结合螺旋速冻机的设计信息,以降低螺旋速冻机能耗为目的,构建对冻品进行速冻的速冻状态迁移模型;
理想速冻节点状态获取模块,所述理想速冻节点状态获取模块用于在冻品采用螺旋速冻机进行速冻的过程中,采集冻品的速冻的层数信息和速冻温度,将速冻温度作为实际速冻节点状态,将层数信息输入速冻状态迁移模型内,获取理想速冻节点状态;
相似度信息获取模块,所述相似度信息获取模块是基于孪生网络,分析所述实际速冻节点状态和理想速冻节点状态的相似度,获得相似度信息;
速冻控制函数构建模块,所述速冻控制函数构建模块用于根据所述相似度信息,获取对螺旋速冻机下一层的速冻参数进行调整优化的初始步长,以及获取下一层数的预期速冻节点状态,构建速冻控制函数;
速冻控制模块,所述速冻控制模块用于获取螺旋速冻机下一层的速冻参数历史数据,构建速冻参数域和速冻参数预备库,采用所述初始步长和速冻控制函数,对下一层的速冻参数进行优化,获得最优速冻控制参数,控制螺旋速冻机在下一层对冻品进行速冻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420567.XA CN117168080B (zh) | 2023-10-30 | 2023-10-30 | 一种节能用的螺旋速冻机状态控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420567.XA CN117168080B (zh) | 2023-10-30 | 2023-10-30 | 一种节能用的螺旋速冻机状态控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117168080A true CN117168080A (zh) | 2023-12-05 |
CN117168080B CN117168080B (zh) | 2024-02-02 |
Family
ID=88941628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311420567.XA Active CN117168080B (zh) | 2023-10-30 | 2023-10-30 | 一种节能用的螺旋速冻机状态控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117168080B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203177563U (zh) * | 2013-04-01 | 2013-09-04 | 天津市瑞尔制冷设备技术有限公司 | 实验型速冻机 |
CN104121746A (zh) * | 2014-07-11 | 2014-10-29 | 石家庄久鼎制冷空调设备有限公司 | 一种速冻制冷系统及速冻制冷方法 |
CN105851779A (zh) * | 2016-06-08 | 2016-08-17 | 南通四方冷链装备股份有限公司 | 一种螺旋式冷冻装置 |
CN111912156A (zh) * | 2020-06-16 | 2020-11-10 | 西安交通大学 | 一种多冷源协同螺旋梯级冷冻装备及其控制方法 |
CN212109143U (zh) * | 2019-12-17 | 2020-12-08 | 绍兴东龙制冷空调股份有限公司 | 一种双螺旋速冻机 |
CN112818148A (zh) * | 2021-04-16 | 2021-05-18 | 北京妙医佳健康科技集团有限公司 | 视觉检索的排序优化方法、装置、电子设备及存储介质 |
CN114322208A (zh) * | 2021-12-15 | 2022-04-12 | 合肥工业大学 | 基于深度强化学习的智能园区空调负荷调控方法和系统 |
CN114372412A (zh) * | 2022-01-05 | 2022-04-19 | 深圳联合水产发展有限公司 | 一种低温冷冻食品均衡回温智能解冻方法及系统 |
CN114739107A (zh) * | 2022-04-27 | 2022-07-12 | Tcl家用电器(合肥)有限公司 | 制冷设备控制方法、装置、制冷设备及存储介质 |
CN114877613A (zh) * | 2022-05-20 | 2022-08-09 | 珠海格力电器股份有限公司 | 制冷控制方法、装置和制冷设备 |
KR102549711B1 (ko) * | 2022-10-19 | 2023-06-30 | (재)한국건설생활환경시험연구원 | 물류 센터 에너지 고효율화를 위한 ai 기반 토탈 에너지 관리 시스템 |
-
2023
- 2023-10-30 CN CN202311420567.XA patent/CN117168080B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203177563U (zh) * | 2013-04-01 | 2013-09-04 | 天津市瑞尔制冷设备技术有限公司 | 实验型速冻机 |
CN104121746A (zh) * | 2014-07-11 | 2014-10-29 | 石家庄久鼎制冷空调设备有限公司 | 一种速冻制冷系统及速冻制冷方法 |
CN105851779A (zh) * | 2016-06-08 | 2016-08-17 | 南通四方冷链装备股份有限公司 | 一种螺旋式冷冻装置 |
CN212109143U (zh) * | 2019-12-17 | 2020-12-08 | 绍兴东龙制冷空调股份有限公司 | 一种双螺旋速冻机 |
CN111912156A (zh) * | 2020-06-16 | 2020-11-10 | 西安交通大学 | 一种多冷源协同螺旋梯级冷冻装备及其控制方法 |
CN112818148A (zh) * | 2021-04-16 | 2021-05-18 | 北京妙医佳健康科技集团有限公司 | 视觉检索的排序优化方法、装置、电子设备及存储介质 |
CN114322208A (zh) * | 2021-12-15 | 2022-04-12 | 合肥工业大学 | 基于深度强化学习的智能园区空调负荷调控方法和系统 |
CN114372412A (zh) * | 2022-01-05 | 2022-04-19 | 深圳联合水产发展有限公司 | 一种低温冷冻食品均衡回温智能解冻方法及系统 |
CN114739107A (zh) * | 2022-04-27 | 2022-07-12 | Tcl家用电器(合肥)有限公司 | 制冷设备控制方法、装置、制冷设备及存储介质 |
CN114877613A (zh) * | 2022-05-20 | 2022-08-09 | 珠海格力电器股份有限公司 | 制冷控制方法、装置和制冷设备 |
KR102549711B1 (ko) * | 2022-10-19 | 2023-06-30 | (재)한국건설생활환경시험연구원 | 물류 센터 에너지 고효율화를 위한 ai 기반 토탈 에너지 관리 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN117168080B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435593B (zh) | 基于传感器时序数据分析的制冷设备结霜预测方法 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN112857445A (zh) | 一种食品安全检测系统 | |
CN117168080B (zh) | 一种节能用的螺旋速冻机状态控制方法 | |
Ahmad et al. | Prediction of physical quality parameters of frozen shrimp (Litopenaeus vannamei): an artificial neural networks and genetic algorithm approach | |
Duan et al. | Temperature forecasting for stored grain: A deep spatiotemporal attention approach | |
CN115099512A (zh) | 一种淡水鱼养殖智能管理系统以及管理方法 | |
Zhang et al. | Information fusion enabled system for monitoring the vitality of live crabs during transportation | |
Wu et al. | Predicting daily global solar radiation in various climatic regions of China based on hybrid support vector machines with meta-heuristic algorithms | |
Morimoto et al. | Dynamic optimization using neural networks and genetic algorithms for tomato cool storage to minimize water loss | |
CN114021832A (zh) | 一种基于lstm算法的粮食霉变预测方法及系统 | |
CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及系统 | |
Idoje et al. | Comparative analysis of data using machine learning algorithms: A hydroponics system use case | |
CN115964504B (zh) | 一种食品安全风险预测方法及系统 | |
CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 | |
Zhu et al. | Prediction Model for Piggery Ammonia Concentration Based on Genetic Algorithm and Optimized BP Neural Network. | |
CN113536989A (zh) | 基于摄像视频逐帧分析的制冷机结霜监控方法及系统 | |
Setiawan et al. | Sequence to Sequence Deep Learning Architecture for Forecasting Temperature and Humidity inside Closed Space | |
Sun et al. | Weight Loss Prediction Model for Pig Carcass Based on a Genetic Algorithm Back-Propagation Neural Network | |
Biedrzycki et al. | Compressor schedule optimization for a refrigerated warehouse using metaheuristic algorithms | |
Morimoto et al. | An intelligent control technique for dynamic optimization of temperature during fruit storage process | |
CN116972913B (zh) | 一种冷链设备运行状态在线监测方法及系统 | |
CN117787510B (zh) | 基于时序预测分析的农药残留监测过程的优化方法 |
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 |