CN117592767A - 基于opc的新能源汽车工厂信息融合方法及系统 - Google Patents
基于opc的新能源汽车工厂信息融合方法及系统 Download PDFInfo
- Publication number
- CN117592767A CN117592767A CN202410078747.2A CN202410078747A CN117592767A CN 117592767 A CN117592767 A CN 117592767A CN 202410078747 A CN202410078747 A CN 202410078747A CN 117592767 A CN117592767 A CN 117592767A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- data
- ventilation
- fan
- ventilation area
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 27
- 238000009423 ventilation Methods 0.000 claims abstract description 182
- 230000007613 environmental effect Effects 0.000 claims abstract description 114
- 230000001105 regulatory effect Effects 0.000 claims abstract description 20
- 238000005192 partition Methods 0.000 claims abstract description 16
- 230000001276 controlling effect Effects 0.000 claims abstract description 9
- 238000009434 installation Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 28
- 238000013461 design Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Ventilation (AREA)
Abstract
本发明公开了基于OPC的新能源汽车工厂信息融合方法及系统,涉及风机自动控制技术领域,通过为工厂安装分区控制风机系统,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据,训练预测预期风速的风速预测模型,对于每个通风区域,使用聚类算法生成K个环境聚类簇,对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇,在需要调节风速时,自动生成预期风速的预测值,综合智能分析出不同的通风区域对风速的需求,实现风机风速调整的自动化和智能化。
Description
技术领域
本发明涉及风机自动控制技术领域,具体是基于OPC的新能源汽车工厂信息融合方法及系统。
背景技术
在新能源汽车工厂内,风机系统扮演着至关重要的角色,为生产流程和工作环境提供必要的通风和空气质量控制。这些风机系统不仅用于确保员工的健康和安全,还用于提高生产效率和质量,以满足不断增长的新能源汽车市场需求。
而因为在生产的过程中,不同的生产状态所产生的温度、湿度、灰尘量、废气量均有所不同,因此在不同时刻,生产区域对风机的风速需求是不同的,目前对风机风速的调整主要是手动的,即在工作人员觉察到风速不适的时候才进行手动调节,而当工作人员觉察到不适的时间往往是具有滞后性的,从而为生产和人员健康带来了威胁;
申请公开号为CN116624968A的中国专利公开了空气净化器的控制方法、控制装置及计算机可读存储介质,获取用户的状态信息;根据状态信息调节风机的风速以及气味出口的开关状态。该空气净化器可以根据用户的状态信息调节风机的风速以及气味出口的开关状态,当气味出口处于打开状态时,而风机的风速增大时,气味可以快速的扩散到空气中;当气味出口处于打开状态时,而风机的风速减小时,气味可以缓慢的扩散到空气中;然而该方法未能提供具体的风速调节手段;
为此,本发明提出基于OPC的新能源汽车工厂信息融合方法及系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于OPC的新能源汽车工厂信息融合方法及系统,通过融合多个传感器的数据,综合智能分析出不同的通风区域对风速的需求,实现风机风速调整的自动化和智能化。
为实现上述目的,根据本发明的实施例1提出基于OPC的新能源汽车工厂信息融合方法,包括以下步骤:
步骤一:预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据;
步骤二:基于通风需求数据,为工厂生成风机系统设计数据;
步骤三:基于风机系统设计数据,为工厂安装分区控制风机系统;
步骤四:在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据;
步骤五:基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型;
步骤六:对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;K为预设的环境聚类簇数量;
步骤七:对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇;
步骤八:基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值;若不需要调节风速,则不做处理;
所述预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据的方式为:
预先收集在新能源汽车工厂内的各个通风区域的位置和区域范围;所有通风区域的位置和区域范围作为通风区域集合;
收集各个通风区域内需要的预期风速范围;所有通风区域内需要的预期风速范围组成通风需求数据;
所述为工厂生成风机系统设计数据的方式为:
对于所有通风区域,将通风区域划分为n个相近区域集合;
在每个相近区域集合中的通风区域满足的条件为:在每个相近区域集合中,任意两个通风区域的预期风速范围的重叠范围不小于预设的重叠范围阈值;
n为划分后的相近区域集合的数量;
所有相近区域集合组成风机系统设计数据;
所述每隔单位时间收集一次环境特征数据的方式为:
在每个通风区域内,各安装c种类型的物理特征传感器;c为安装的物理特征传感器的类型数量;
各个所述物理特征传感器通过电气方式与对应通风区域的风机控制系统连接,且与风机控制系统采用OPC通信协议进行通信;
在每个通风区域内,每个单位时间收集一次各个物理特征传感器的读数,并将各个物理特征传感器的读数所组成的集合作为环境特征数据;
所述在人员手动控制风机风速时收集风机控制习惯数据的方式为:
各台风机控制系统实时接收由对应通风区域的工作人员发送的风速控制指令,并将风速控制指令发送的时刻所在的单位时间标记为手动控制时间;
对于各个通风区域,将所有手动控制时间,工作人员设置的风机风速作为风速标签,所有风速标签组成风机控制习惯数据;
所述训练预测预期风速的风速预测模型的方式为:
从历史环境数据中获取每一个手动控制时间对应的环境特征数据组成环境特征向量;
对于每个通风区域:
将每个手动控制时间的环境特征向量作为风速预测模型的输入,所述风速预测模型以对每个手动控制时间对应的预期风速的预测值作为输出,以各个手动控制时间对应的风速标签作为预测目标,以预期风速的预测值和风速标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对风速预测模型进行训练,直至预测误差之和达到收敛时停止训练;
所述使用聚类算法生成K个环境聚类簇的方式为:
对于每个通风区域:
所述风速调节周期时长为预设的一个单位时间的整数倍;
每隔风速调节周期,获取一次该通风区域的环境特征数据,将该环境特征数据作为聚类特征向量;
将该通风区域对应的所有聚类特征向量作为一个数据点;
对该通风区域的所有数据点使用聚类算法分为K个聚类簇,每个聚类簇作为环境聚类簇;
所述获得所属聚类簇的方式为:
对于每个通风区域,在每个风速调节周期:
将该风速调节周期对应的单位时间的环境特征数据作为一个目标数据点,计算目标数据点与K个环境聚类簇中心点位置的欧式距离,并将欧式距离最小的环境聚类簇作为当前风速调节周期的所属聚类簇;
所述判断是否需要调节风速的方式为:
若当前的风速调节周期的所属聚类簇与上一风速调节周期的所属聚类簇不一致,则判断为需要调节风速;
所述生成预期风速的预测值的方式为:
对于每个通风区域,将当期风速调节周期所在的单位时间的环境特征数据输入至该通风区域的风速预测模型,获得输出的对预期风速的预测值。
根据本发明的实施例2提出基于OPC的新能源汽车工厂信息融合系统,包括风机分区控制模块、经验数据收集模块、模型训练模块以及风机自动控制模块;其中,各个模块之间通过电性方式连接;
风机分区控制模块,用于预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据,基于通风需求数据,为工厂生成风机系统设计数据,基于风机系统设计数据,为工厂安装分区控制风机系统;
经验数据收集模块,用于在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据,并将历史环境数据、历史风机控制数据发送至模型训练模块;
模型训练模块,用于基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型,对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;并将风速预测模型和K个环境聚类簇发送至风机自动控制模块;
风机自动控制模块,用于对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇,基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值。
根据本发明的实施例3提出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的基于OPC的新能源汽车工厂信息融合方法。
根据本发明的实施例4提出的一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的基于OPC的新能源汽车工厂信息融合方法。
与现有技术相比,本发明的有益效果是:
本发明通过预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据,基于通风需求数据,为工厂生成风机系统设计数据,基于风机系统设计数据,为工厂安装分区控制风机系统,在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据,基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型,对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;K为预设的环境聚类簇数量,对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇,基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值;一方面通过使用OPC服务器使用OPC通信协议与各个传感器通信,保证了各个传感器生成的数据的可读性和时效性,一方面实现了根据新能源汽车工厂内的各个通风区域的环境变化情况,实现对风机风速的自适应调整,通过融合多个传感器的数据,综合智能分析出不同的通风区域对风速的需求,实现风机风速调整的自动化和智能化。
附图说明
图1为本发明的实施例1中基于OPC的新能源汽车工厂信息融合方法的流程图;
图2为本发明的实施例2中基于OPC的新能源汽车工厂信息融合系统的模块连接关系图;
图3为本发明实施例3中的电子设备结构示意图;
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,基于OPC的新能源汽车工厂信息融合方法,包括以下步骤:
步骤一:预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据;
步骤二:基于通风需求数据,为工厂生成风机系统设计数据;
步骤三:基于风机系统设计数据,为工厂安装分区控制风机系统;
步骤四:在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据;
步骤五:基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型;
步骤六:对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;K为预设的环境聚类簇数量;
步骤七:对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇;
步骤八:基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值;若不需要调节风速,则不做处理;
其中,所述预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据的方式为:
预先收集在新能源汽车工厂内的各个通风区域的位置和区域范围;所有通风区域的位置和区域范围作为通风区域集合;具体的,所述通风区域为需要使用风机进行通风换气的区域;可以理解的是,各个所述通风区域的划定根据新能源汽车工厂具体的规划图纸确定,例如,可以将通风区域划分出办公区、生产车间、存储区、涂装区、装配线等,显然各个通风区域的划分根据工厂图纸的具体布局来设置,且各个不同的通风区域因污染物或灰尘等含量不同,所需要的风机风力大小也不相同,对风机风速的需求存在差异;
收集各个通风区域内需要的预期风速范围;具体的,所述预期风速范围根据不同通风区域的实际功能,并对各项功能通过专家评分的方式来生成,具体的,可以使用专家打分法或AHP层次分析法来生成预期风速的最大值和最小值,从而获得预期风速范围;
所有通风区域内需要的预期风速范围组成通风需求数据;
进一步的,所述基于通风需求数据,为工厂生成风机系统设计数据的方式为:
对于所有通风区域,将通风区域划分为n个相近区域集合;
在每个相近区域集合中的通风区域满足的条件为:在每个相近区域集合中,任意两个通风区域的预期风速范围的重叠范围不小于预设的重叠范围阈值;作为该条件判断方式的一个示例,例如,办公区所需要的预期风速范围为1-2,而生产车间的预期风速范围为1.5-3,则办公区与生产车间的预期风速范围的重叠范围为,若重叠范围阈值大于0.33,则办公区与生产车间不满足该条件;
n为划分后的相近区域集合的数量;
所有相近区域集合组成风机系统设计数据;
可以理解的是,每个相近区域集合中的每个通风区域是具有相似的风速需求的,因此,可以将各个相近区域集合中的各个通风区域使用一台通用的风机控制系统进行控制,即通过n个风机控制系统,每个风机控制系统控制一个相近区域集合内的所有通风区域的风速;从而实现风机的分区控制的同时,进一步的对风机控制系统的数量进行控制,减少控制成本;
进一步需要说明的是,所述风机控制系统装载至OPC服务器中,所述OPC服务器通过OPC通信协议与各个通风区域内的各个传感器进行通信,从而保证不管这些传感器的类型、生产厂家、通信协议或数据格式,均可转化为通用的标准化数据,保证了各个传感器生成的数据的可读性和时效性;
优选的,所述每隔单位时间收集一次环境特征数据的方式为:
所述单位时间根据具体的实际需求和计算机计算能力设置,具体的,可是秒、分钟等时间单位;
在每个通风区域内,各安装c种类型的物理特征传感器;c为安装的物理特征传感器的类型数量;
具体的,所述物理特征传感器为用于测量通风区域内,各个影响人员舒适度或生产安全等因素的物理特征所对应的传感器,可以包括但不限于温度传感器、湿度传感器、Pm2.5传感器、二氧化碳浓度传感器、各种废气传感器等;所述废气可以根据实际生产中产生的废气类型确定;
各个所述物理特征传感器通过电气方式与对应通风区域的风机控制系统连接,且与风机控制系统采用OPC通信协议进行通信,保证数据的可读性;
在每个通风区域内,每个单位时间收集一次各个物理特征传感器的读数,并将各个物理特征传感器的读数所组成的集合作为环境特征数据;
进一步的,所述在人员手动控制风机风速时收集风机控制习惯数据的方式为:
各台风机控制系统实时接收由对应通风区域的工作人员发送的风速控制指令,并将风速控制指令发送的时刻所在的单位时间标记为手动控制时间;可以理解的是,对于风机机组,工作人员可以通过红外线遥控器进行远程控制,也可以通过与风机控制系统有线连接的外显的风机开关进行控制;
对于各个通风区域,将所有手动控制时间,工作人员设置的风机风速作为风速标签,所有风速标签组成风机控制习惯数据;可以理解的是,所述风速标签为工作人员设置的当前环境的理想风速;
进一步的,所述基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型的方式为:
从历史环境数据中获取每一个手动控制时间对应的环境特征数据组成环境特征向量;可以理解的是,每个手动控制时间所对应的单位时间具有一组环境特征向量和一个风速标签;
对于每个通风区域:
将每个手动控制时间的环境特征向量作为风速预测模型的输入,所述风速预测模型以对每个手动控制时间对应的预期风速的预测值作为输出,以各个手动控制时间对应的风速标签作为预测目标,以预期风速的预测值和风速标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对风速预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据各个物理特征传感器采集的环境特征向量所衡量的环境情况,输出对风机调整的预期风速的风速预测模型;所述风速预测模型是多项式回归模型或SVR模型中的任意一个;所述预测误差之和可以是均方误差;
进一步的,所述基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇的方式为:
对于每个通风区域:
所述风速调节周期时长为预设的一个单位时间的整数倍;例如,当单位时间为秒时,风速调节周期可以是600秒,即10分钟进行一次风机风速的调节;
每隔风速调节周期,获取一次该通风区域的环境特征数据,将该环境特征数据作为聚类特征向量;
将该通风区域对应的所有聚类特征向量作为一个数据点;
对该通风区域的所有数据点使用聚类算法分为K个聚类簇,每个聚类簇作为环境聚类簇;具体的,所述聚类算法可以是K-means或FCM算法;可以理解的是,每个聚类簇对应了若干个聚类特征向量,且每个聚类簇对应的聚类特征向量具有相似的性质,从而将各个通风区域内的环境条件划分为K类,每一类对应的环境条件具有相似性,显然,在环境相似的条件下,可以不进行风机风速的调控,以免影响工作人员或生产状态的运行;
进一步的,所述基于环境特征数据以及K个环境聚类簇,获得所属聚类簇的方式为:
对于每个通风区域,在每个风速调节周期:
将该风速调节周期对应的单位时间的环境特征数据作为一个目标数据点,计算目标数据点与K个环境聚类簇中心点位置的欧式距离,并将欧式距离最小的环境聚类簇作为当前风速调节周期的所属聚类簇;
进一步的,所述判断是否需要调节风速的方式为:
若当前的风速调节周期的所属聚类簇与上一风速调节周期的所属聚类簇不一致,则判断为需要调节风速,若一致,则判断为不需要调节风速;
进一步的,所述基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值的方式为:
对于每个通风区域,将当期风速调节周期所在的单位时间的环境特征数据输入至该通风区域的风速预测模型,获得输出的对预期风速的预测值;
可以理解的是,风机控制系统根据该预期风速的预测值对风机的风速进行自动控制。
实施例2
如图2所示,基于OPC的新能源汽车工厂信息融合系统,包括风机分区控制模块、经验数据收集模块、模型训练模块以及风机自动控制模块;其中,各个模块之间通过电性方式连接;
其中,所述风机分区控制模块主要用于预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据,基于通风需求数据,为工厂生成风机系统设计数据,基于风机系统设计数据,为工厂安装分区控制风机系统;
其中,所述经验数据收集模块主要用于在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据,并将历史环境数据、历史风机控制数据发送至模型训练模块;
其中,所述模型训练模块主要用于基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型,对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;并将风速预测模型和K个环境聚类簇发送至风机自动控制模块;
其中,所述风机自动控制模块主要用于对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇,基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值;若不需要调节风速,则不做处理。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示,根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的基于OPC的新能源汽车工厂信息融合方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示,电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备,例如ROM103或硬盘107可存储本申请提供的基于OPC的新能源汽车工厂信息融合方法。基于OPC的新能源汽车工厂信息融合方法可例如包括以下步骤:步骤一:预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据;步骤二:基于通风需求数据,为工厂生成风机系统设计数据;步骤三:基于风机系统设计数据,为工厂安装分区控制风机系统;步骤四:在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据;步骤五:基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型;步骤六:对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;K为预设的环境聚类簇数量;步骤七:对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇;步骤八:基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值;若不需要调节风速,则不做处理;
进一步地,电子设备100还可包括用户界面108。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示,是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的基于OPC的新能源汽车工厂信息融合方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (12)
1.基于OPC的新能源汽车工厂信息融合方法,其特征在于,包括以下步骤:
预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据;
基于通风需求数据,为工厂生成风机系统设计数据;
基于风机系统设计数据,为工厂安装分区控制风机系统;
在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据;
基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型;
对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;K为预设的环境聚类簇数量;
对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇;
基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值。
2.根据权利要求1所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据的方式为:
预先收集在新能源汽车工厂内的各个通风区域的位置和区域范围;所有通风区域的位置和区域范围作为通风区域集合;
收集各个通风区域内需要的预期风速范围;所有通风区域内需要的预期风速范围组成通风需求数据。
3.根据权利要求2所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述为工厂生成风机系统设计数据的方式为:
对于所有通风区域,将通风区域划分为n个相近区域集合;
在每个相近区域集合中的通风区域满足的条件为:在每个相近区域集合中,任意两个通风区域的预期风速范围的重叠范围不小于预设的重叠范围阈值;
n为划分后的相近区域集合的数量;
所有相近区域集合组成风机系统设计数据。
4.根据权利要求3所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述每隔单位时间收集一次环境特征数据的方式为:
在每个通风区域内,各安装c种类型的物理特征传感器;c为安装的物理特征传感器的类型数量;
各个所述物理特征传感器通过电气方式与对应通风区域的风机控制系统连接,且与风机控制系统采用OPC通信协议进行通信;
在每个通风区域内,每个单位时间收集一次各个物理特征传感器的读数,并将各个物理特征传感器的读数所组成的集合作为环境特征数据。
5.根据权利要求4所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述在人员手动控制风机风速时收集风机控制习惯数据的方式为:
各台风机控制系统实时接收由对应通风区域的工作人员发送的风速控制指令,并将风速控制指令发送的时刻所在的单位时间标记为手动控制时间;
对于各个通风区域,将所有手动控制时间,工作人员设置的风机风速作为风速标签,所有风速标签组成风机控制习惯数据。
6.根据权利要求5所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述训练预测预期风速的风速预测模型的方式为:
从历史环境数据中获取每一个手动控制时间对应的环境特征数据组成环境特征向量;
对于每个通风区域:
将每个手动控制时间的环境特征向量作为风速预测模型的输入,所述风速预测模型以对每个手动控制时间对应的预期风速的预测值作为输出,以各个手动控制时间对应的风速标签作为预测目标,以预期风速的预测值和风速标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对风速预测模型进行训练,直至预测误差之和达到收敛时停止训练。
7.根据权利要求6所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述使用聚类算法生成K个环境聚类簇的方式为:
对于每个通风区域:
所述风速调节周期时长为预设的一个单位时间的整数倍;
每隔风速调节周期,获取一次该通风区域的环境特征数据,将该环境特征数据作为聚类特征向量;
将该通风区域对应的所有聚类特征向量作为一个数据点;
对该通风区域的所有数据点使用聚类算法分为K个聚类簇,每个聚类簇作为环境聚类簇。
8.根据权利要求7所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述获得所属聚类簇的方式为:
对于每个通风区域,在每个风速调节周期:
将该风速调节周期对应的单位时间的环境特征数据作为一个目标数据点,计算目标数据点与K个环境聚类簇中心点位置的欧式距离,并将欧式距离最小的环境聚类簇作为当前风速调节周期的所属聚类簇。
9.根据权利要求8所述的基于OPC的新能源汽车工厂信息融合方法,其特征在于,所述生成预期风速的预测值的方式为:
对于每个通风区域,将当期风速调节周期所在的单位时间的环境特征数据输入至该通风区域的风速预测模型,获得输出的对预期风速的预测值。
10.基于OPC的新能源汽车工厂信息融合系统,其基于权利要求1-9中任意一项所述的基于OPC的新能源汽车工厂信息融合方法实现,其特征在于,包括风机分区控制模块、经验数据收集模块、模型训练模块以及风机自动控制模块;其中,各个模块之间通过电性方式连接;
风机分区控制模块,用于预先收集通风区域集合,并基于通风区域集合收集各个通风区域的通风需求数据,基于通风需求数据,为工厂生成风机系统设计数据,基于风机系统设计数据,为工厂安装分区控制风机系统;
经验数据收集模块,用于在每个通风区域内,每隔单位时间收集一次环境特征数据,并在人员手动控制风机风速时收集风机控制习惯数据;将每个通风区域内的所有环境特征数据组成历史环境数据,每个通风区域内的所有风机控制习惯数据组成历史风机控制数据,并将历史环境数据、历史风机控制数据发送至模型训练模块;
模型训练模块,用于基于历史环境数据、历史风机控制数据,训练预测预期风速的风速预测模型,对于每个通风区域,基于历史环境数据和预设的风速调节周期时长,使用聚类算法生成K个环境聚类簇;并将风速预测模型和K个环境聚类簇发送至风机自动控制模块;
风机自动控制模块,用于对于每个通风区域的每个风速调节周期,基于环境特征数据以及K个环境聚类簇,获得所属聚类簇,基于当前风速调节周期和上一的风速调节周期所属聚类簇,判断是否需要调节风速,若需要调节风速,基于当前单位时间的环境特征数据和风速预测模型,生成预期风速的预测值。
11.一种电子设备,其特征在于,包括:处理器和存储器,其中,
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在后台中执行权利要求1-9中任意一项所述的基于OPC的新能源汽车工厂信息融合方法。
12.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行在后台中执行权利要求1-9中任意一项所述的基于OPC的新能源汽车工厂信息融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078747.2A CN117592767B (zh) | 2024-01-19 | 2024-01-19 | 基于opc的新能源汽车工厂信息融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078747.2A CN117592767B (zh) | 2024-01-19 | 2024-01-19 | 基于opc的新能源汽车工厂信息融合方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592767A true CN117592767A (zh) | 2024-02-23 |
CN117592767B CN117592767B (zh) | 2024-04-05 |
Family
ID=89912020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410078747.2A Active CN117592767B (zh) | 2024-01-19 | 2024-01-19 | 基于opc的新能源汽车工厂信息融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592767B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489402A (zh) * | 2020-11-27 | 2021-03-12 | 罗普特科技集团股份有限公司 | 一种管廊的预警方法、装置、系统及存储介质 |
US20220067231A1 (en) * | 2019-01-30 | 2022-03-03 | Seoul National University R&Db Foundation | Method and system for automatically calculating artificial intelligence-based design wind speed |
CN115842408A (zh) * | 2022-11-29 | 2023-03-24 | 国网冀北张家口风光储输新能源有限公司 | 基于scada的风电场运行状态检测系统及方法 |
CN115983104A (zh) * | 2022-12-13 | 2023-04-18 | 阳光电源(上海)有限公司 | 风速预测方法、装置、存储介质和电子设备 |
CN116123028A (zh) * | 2022-12-20 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 风电场级mppt预测模型控制方法和装置 |
-
2024
- 2024-01-19 CN CN202410078747.2A patent/CN117592767B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220067231A1 (en) * | 2019-01-30 | 2022-03-03 | Seoul National University R&Db Foundation | Method and system for automatically calculating artificial intelligence-based design wind speed |
CN112489402A (zh) * | 2020-11-27 | 2021-03-12 | 罗普特科技集团股份有限公司 | 一种管廊的预警方法、装置、系统及存储介质 |
CN115842408A (zh) * | 2022-11-29 | 2023-03-24 | 国网冀北张家口风光储输新能源有限公司 | 基于scada的风电场运行状态检测系统及方法 |
CN115983104A (zh) * | 2022-12-13 | 2023-04-18 | 阳光电源(上海)有限公司 | 风速预测方法、装置、存储介质和电子设备 |
CN116123028A (zh) * | 2022-12-20 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 风电场级mppt预测模型控制方法和装置 |
Non-Patent Citations (3)
Title |
---|
CHUNLIANG, E.; ZHAO BIN; WU XIN;: "Research on communications of central monitoring system of windfarm based on OPC technique", COMPUTER MEASUREMENT & CONTROL, no. 1, 31 January 2004 (2004-01-31), pages 60 - 3 * |
何其愚;李斌;昂俊;: "基于深度学习的水电站地下厂房智能通风调控研究", 暖通空调, no. 1, 30 June 2023 (2023-06-30), pages 254 - 257 * |
林志坚;鲁迪;林锐涛;王星华;许韩斌;彭显刚;: "基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法", 智慧电力, no. 03, 20 March 2019 (2019-03-20), pages 52 - 59 * |
Also Published As
Publication number | Publication date |
---|---|
CN117592767B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11567490B2 (en) | Predictive diagnostics system with fault detector for preventative maintenance of connected equipment | |
US20190075687A1 (en) | Cooling unit energy optimization via smart supply air temperature setpoint control | |
WO2015163732A1 (en) | Operating method and apparatus of smart system for power consumption optimization | |
CN108052007B (zh) | 火电机组运行优化方法、装置、设备及计算机存储介质 | |
US7894943B2 (en) | Real-time global optimization of building setpoints and sequence of operation | |
US20190101305A1 (en) | Air conditioning control system | |
CN111237989A (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
KR102324424B1 (ko) | 냉난방공조 에너지 최적화 장치 및 방법 | |
CN105378391A (zh) | 针对hvac需求响应的在线优化方案 | |
US20200005185A1 (en) | Automatic control artificial intelligence device and method for updating a control function | |
CN116193819B (zh) | 一种数据中心机房节能控制方法、系统、装置及电子设备 | |
CN112128935B (zh) | 空调器的智能控制方法与智能控制设备 | |
Coffin | Direct digital control for building HVAC systems | |
Zhou et al. | A comprehensive review of the applications of machine learning for HVAC | |
Ebirim et al. | Leveraging project management tools for energy efficiency in hvac operations: a path to climate resilience | |
CN112128934A (zh) | 空调器的智能控制方法与智能控制设备 | |
CN115190988A (zh) | 用于控制空调系统的方法及控制系统 | |
WO2020261300A2 (en) | Method and system for performance optimization of flue gas desulphurization (fgd) unit | |
CN117592767B (zh) | 基于opc的新能源汽车工厂信息融合方法及系统 | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
CN113330469A (zh) | 用于过程技术设备的技术功能单元的模块化系统的优化方法 | |
CN116576542A (zh) | 变风量中央空调系统分布式事件触发控制方法及系统 | |
Harish et al. | Smart energy control and comfort management in buildings | |
CN117355710A (zh) | 一种用于控制制冷设备的方法和装置 | |
CN112747413A (zh) | 空调系统负荷预测方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210012 room 801-810, 8 building, 7 Ande Gate Street, Yuhuatai District, Nanjing, Jiangsu, China, 57 Patentee after: Xinlixun Technology Group Co.,Ltd. Country or region after: China Address before: 210012 room 801-810, 8 building, 7 Ande Gate Street, Yuhuatai District, Nanjing, Jiangsu, China, 57 Patentee before: New Lixun Technology Co.,Ltd. Country or region before: China |