CN117724429B - 基于多模分析的浸麦设备智能控制方法及系统 - Google Patents
基于多模分析的浸麦设备智能控制方法及系统 Download PDFInfo
- Publication number
- CN117724429B CN117724429B CN202311857637.8A CN202311857637A CN117724429B CN 117724429 B CN117724429 B CN 117724429B CN 202311857637 A CN202311857637 A CN 202311857637A CN 117724429 B CN117724429 B CN 117724429B
- Authority
- CN
- China
- Prior art keywords
- barley
- soaking
- quality
- optimizing
- trust
- 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
Links
- 238000002791 soaking Methods 0.000 title claims abstract description 312
- 235000007340 Hordeum vulgare Nutrition 0.000 title claims abstract description 233
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 39
- 240000005979 Hordeum vulgare Species 0.000 title 1
- 241000209219 Hordeum Species 0.000 claims abstract description 232
- 230000004927 fusion Effects 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 241000209140 Triticum Species 0.000 abstract description 38
- 235000021307 Triticum Nutrition 0.000 abstract description 38
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 48
- 230000008569 process Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- GXCLVBGFBYZDAG-UHFFFAOYSA-N N-[2-(1H-indol-3-yl)ethyl]-N-methylprop-2-en-1-amine Chemical compound CN(CCC1=CNC2=C1C=CC=C2)CC=C GXCLVBGFBYZDAG-UHFFFAOYSA-N 0.000 description 5
- 230000035784 germination Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000002386 leaching Methods 0.000 description 4
- 238000001035 drying Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007598 dipping method Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供了基于多模分析的浸麦设备智能控制方法及系统,涉及智能控制技术领域,该方法包括:得到历史浸麦传感数据集;得到多模态传感置信度;建立浸麦出品质量模型;进行质量分析,得到N组出品质量空间;根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,对浸麦设备进行控制,解决了现有技术中存在的由于传感器种类繁多且传感精度不同,导致采集到的数据存在偏差,同时缺乏对于不同阶段的浸麦质量的分析,进而导致浸麦质量不佳的技术问题,通过质量分析进行多阶段的浸麦控制参数寻优,实现多阶段的控制参数优化,达到提升浸麦参数控制稳定性,提升浸麦质量和质量稳定性的技术效果。
Description
技术领域
本申请涉及智能控制技术领域,具体涉及基于多模分析的浸麦设备智能控制方法及系统。
背景技术
麦芽由大麦发芽制成,在传统的浸麦过程中,通常采用手动控制或简单的仪表监测,这种方式存在一定的操作复杂性和控制精度不高的问题,难以满足现代酿造工艺的要求,随着智能控制技术的不断发展,自动控制技术被应用到浸麦领域。浸麦过程涉及温度、湿度、氧气、二氧化碳等指标的变化,且不同阶段的需求不同,现有技术中大多通过传感器进行浸麦环境数据采集,进而进行控制调整,但是由于可使用的传感器种类繁多且传感精度不同,导致采集到的数据存在偏差,同时缺乏对于不同阶段的浸麦质量的分析,进而导致浸麦质量不佳的技术问题。
发明内容
本申请提供了基于多模分析的浸麦设备智能控制方法及系统,用以解决现有技术中存在的由于传感器种类繁多且传感精度不同,导致采集到的数据存在偏差,同时缺乏对于不同阶段的浸麦质量的分析,进而导致浸麦质量不佳的技术问题。
根据本申请的第一方面,提供了基于多模分析的浸麦设备智能控制方法,包括:连接浸麦设备的浸麦多模态传感器,根据所述浸麦多模态传感器,得到历史浸麦传感数据集;根据所述历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度;利用所述多模态传感置信度对所述历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以所述置信浸麦传感数据集建立浸麦出品质量模型,其中,所述浸麦出品质量模型包括多阶段出品质量评估网络层;根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量;根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据所述寻优控制参数对所述浸麦设备进行控制。
根据本申请的第二方面,提供了基于多模分析的浸麦设备智能控制系统,包括:历史传感数据采集单元,所述历史传感数据采集单元用于连接浸麦设备的浸麦多模态传感器,根据所述浸麦多模态传感器,得到历史浸麦传感数据集;多模态置信估计单元,所述多模态置信估计单元用于根据所述历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度;质量模型建立单元,所述质量模型建立单元用于利用所述多模态传感置信度对所述历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以所述置信浸麦传感数据集建立浸麦出品质量模型,其中,所述浸麦出品质量模型包括多阶段出品质量评估网络层;质量分析单元,所述质量分析单元用于根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量;控制参数寻优单元,所述控制参数寻优单元用于根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据所述寻优控制参数对所述浸麦设备进行控制。
根据本申请采用的一个或多个技术方案,其可达到的有益效果如下:
连接浸麦设备的浸麦多模态传感器,根据浸麦多模态传感器,得到历史浸麦传感数据集,根据历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度,利用多模态传感置信度对历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以置信浸麦传感数据集建立浸麦出品质量模型,其中,浸麦出品质量模型包括多阶段出品质量评估网络层,根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量,根据信任函数在N组出品质量空间对浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据寻优控制参数对浸麦设备进行控制。由此通过对多模态传感器进行置信估计后进行历史浸麦传感数据集的优化,以置信浸麦传感数据集构建用于多阶段浸麦质量分析的浸麦出品质量模型,进而通过质量分析进行多阶段的浸麦控制参数寻优,实现多阶段的控制参数优化,达到提升浸麦参数控制稳定性,提升浸麦质量和质量稳定性的技术效果。
附图说明
为了更清楚地说明本申请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。构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定,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的基于多模分析的浸麦设备智能控制方法的流程示意图;
图2为本申请实施例提供的基于多模分析的浸麦设备智能控制系统的结构示意图。
附图标记说明:历史传感数据采集单元11,多模态置信估计单元12,质量模型建立单元13,质量分析单元14,控制参数寻优单元15。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例,而不是限制本申请。如在说明书中所使用的,单数术语“一”“一个”和“该”旨在也包括复数形式,除非上下文另有清楚指示。当在说明书中使用时,术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在,但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义,本说明书中使用的所有术语(包括技术和科学术语)应具有与本申请所属领域的技术人员通常理解的相同含义。术语,如常用词典中定义的术语,不应以理想化或过于正式的意义来解释,除非在此明确定义。在整个说明书中,相同的附图标记表示相同的元件。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
实施例一
图1为本申请实施例提供的基于多模分析的浸麦设备智能控制方法图,所述方法包括:
连接浸麦设备的浸麦多模态传感器,根据所述浸麦多模态传感器,得到历史浸麦传感数据集;
浸麦设备是用于麦芽制造过程中执行浸麦工序的设备,包括浸麦槽、搅拌装置、温度控制装置、水分控制装置、通风装置。浸麦多模态传感器是指浸麦过程中用于进行环境参数采集的多种传感器,比如电导率传感器、温湿度传感器、二氧化碳分压传感器等。调取浸麦多模态传感器内存储的过去一段时间内的传感数据,得到历史浸麦传感数据集,历史浸麦传感数据集包含每一种传感器的历史浸麦传感数据。
根据所述历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度;
浸麦多模态传感器包含多种传感器,不同的传感器的数据传感精度不同,精度越高,其数据采集准确性越强,对应的传感置信度就越高。由此,可由本领域专业技术人员针对所述历史浸麦传感数据集建立一个准确的基准数据集,该基准数据集应该包含与所述历史浸麦传感数据集对应的已知的、可靠的真实值。这些真实值可以是通过现有技术中其他更精确的测量方法获得,或者是经过本领域专业技术人员进行验证的。
然后比对历史浸麦传感数据集中每一种传感器的历史浸麦传感数据分别与基准数据集的偏差进行数据准确度计算,得到每一种传感器的数据准确度作为多模态传感置信度。
利用所述多模态传感置信度对所述历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以所述置信浸麦传感数据集建立浸麦出品质量模型,其中,所述浸麦出品质量模型包括多阶段出品质量评估网络层;
利用所述多模态传感置信度对所述历史浸麦传感数据集进行优化,就是基于多模态传感置信度对所述历史浸麦传感数据集进行传感误差的补偿校正,提高数据准确性,以误差补偿校正后的历史浸麦传感数据集作为置信浸麦传感数据集。
再以所述置信浸麦传感数据集建立浸麦出品质量模型,其中,所述浸麦出品质量模型包括多阶段出品质量评估网络层。就是说,浸麦一般包括多个阶段,比如浸泡阶段、发芽阶段、干燥阶段等。多阶段出品质量评估网络层用于对不同阶段进行浸麦质量评价,具体地,按照浸麦阶段首先对置信浸麦传感数据集进行阶段划分,提取出各个阶段对应的置信浸麦传感数据,并由本领域专业技术人员对各个阶段对应的置信浸麦传感数据进行浸麦质量分析,比如可按照置信浸麦传感数据进行浸麦质量的检测,不同阶段质量检测要求不同,比如浸麦损失率、浸麦品质级别,浸麦阶段的吸水量、发芽阶段的发芽率等,以此获得各个阶段对应的置信浸麦传感数据对应的质量分析结果。
建立多阶段出品质量评估网络层,该网络层可以由多个神经网络层组成,每个神经网络层对应一个浸麦阶段。以置信浸麦传感数据集和对应的质量分析结果对多阶段出品质量评估网络层进行迭代训练,不断调整网络参数,将多阶段出品质量评估网络层训练至收敛作为浸麦出品质量模型,浸麦出品质量模型能够准确预测不同阶段的浸麦出品质量。
根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量;
浸麦阶段包括有多个阶段,不同阶段的处理方式不同,需要监测的数据也不同,每个阶段连接的模态传感器也不相同,比如浸泡阶段设置水分传感器、温度传感器,发芽阶段设置氧气传感器、温湿度传感器等,具体可由本领域专业技术人员结合实际确定。根据各个阶段对应连接的模态传感器,选取对应阶段的模态传感器的置信浸麦传感数据集,通过前述建立的浸麦出品质量模型进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量,N组出品质量空间用于表示N个浸麦阶段分别对应的浸麦质量,N为大于1的整数。
在一个优选实施例中,还包括:
建立阶段-传感器映射标签;根据所述阶段-传感器映射标签,选取N个阶段的置信浸麦传感数据集,再对N个阶段的分别对应的置信浸麦传感数据集进行质量分析,得到N组出品质量,其中,质量分析包括浸麦损失率、浸麦品质级别、以及所属阶段的特征质量指标;根据历史异度下的N组出品质量,得到N组出品质量空间。
具体地,得到N组出品质量空间的方法还包括:建立阶段-传感器映射标签,就是说,不同的浸麦阶段对应不同的模态传感器,将每一个浸麦阶段和对应的模态传感器建立映射关系,并通过唯一标识码进行标记,得到阶段-传感器映射标签。进一步根据所述阶段-传感器映射标签,选取N个阶段分别对应的模态传感器的置信浸麦传感数据集,再通过浸麦出品质量模型对N个阶段分别对应的置信浸麦传感数据集进行质量分析,得到N组出品质量,其中,质量分析包括浸麦损失率、浸麦品质级别、以及所属阶段的特征质量指标,所属阶段的特征质量指标是指各阶段下的浸麦质量评估指标,比如,发芽阶段的发芽率、麦芽色度、麦芽糖化酶活性,干燥阶段的含水量等。浸麦损失率则是指浸麦过程中未发芽,即浸麦失败的大麦比例;浸麦品质级别则是指浸麦结果的浸麦质量,浸麦质量越好,浸麦品质级别越高。根据历史异度下的N组出品质量,得到N组出品质量空间,就是以历史中的置信浸麦传感数据集进行浸麦质量分析,以获得的N组出品质量组成N组出品质量空间。由此实现浸麦质量,为后续的控制寻优提供支持。
根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据所述寻优控制参数对所述浸麦设备进行控制。
根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数。其中,信任函数用于对多阶段的浸麦出品质量进行质量稳定分析,控制参数寻优过程中,是对最终的浸麦出品质量进行寻优,最终的浸麦出品质量与多阶段的出品质量相关,需要对每一个阶段进行控制参数寻优,得到各个阶段的寻优控制参数,根据所述寻优控制参数对所述浸麦设备进行控制,提升浸麦出品质量。
在一个优选实施例中,还包括:
建立信任函数,其中,所述信任函数用于对所述N组出品质量空间中每个阶段的出品质量进行信任函数值分析,得到N个信任函数值;以所述N个信任函数值进行融合,得到信任融合值;将所述信任融合值输入寻优收敛决策器中,当所述信任融合值满足预设信任融合值,获取寻优收敛指令,根据所述寻优收敛指令得到满足所述预设信任融合值下各个阶段的寻优控制参数。
根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优的方法为:
建立信任函数,其中,所述信任函数用于对所述N组出品质量空间中每个阶段的出品质量进行信任函数值分析,得到N个信任函数值,就是说,每个阶段的浸麦出品质量可能不稳定,比如浸麦损失率、浸麦品质级别、以及所属阶段的特征质量指标会发生较大的波动,如果波动较大,那么该阶段的质量就不可靠,会存在偶然性的质量合格,质量输出的可靠性较差,如果后续以相同的控制参数进行浸麦控制,就会导致浸麦质量波动较大,难以有效控制浸麦质量,影响麦芽生产。因此,对所述N组出品质量空间中每个阶段的出品质量进行信任函数计算,信任函数用于进行质量稳定分析,示例性的,可对每个阶段的出品质量进行方差计算,方差越小质量越稳定,以方差倒数的计算作为信任函数,方差的倒数计算结果即为信任函数值,那么信任函数值越大,质量越稳定,可信度就越高,由此得到N个信任函数值。需要说明的是,方差计算只是计算信任函数值,进行质量稳定分析的一种方法,本领域专业技术人员还可设定其他的质量稳定分析方法作为信任函数,比如标准差等,对此不做限制。
以所述N个信任函数值进行融合,就是将N个信任函数值加权融合为一个函数值作为信任融合值。具体来说,可对N个信任函数值按照大小设定权重系数,信任函数值越大,对应的权重系数越大,保证信任函数值,得到N个信任函数值的N个权重系数,然后对N个信任函数值进行加权计算,得到信任融合值。
将所述信任融合值输入寻优收敛决策器中,寻优收敛决策器为基于现有技术得到的机器学习模型,其内部嵌有预设信任融合值,预设信任融合值由本领域专业技术人员自行设定,当所述信任融合值满足预设信任融合值,说明整个浸麦过程的质量可信度满足要求,可以结束寻优,获取寻优收敛指令,根据所述寻优收敛指令得到满足所述预设信任融合值下各个阶段的寻优控制参数,各个阶段的寻优控制参数包括各个阶段的温度、湿度、喷水量等控制参数。就是说,如果所述信任融合值不满足预设信任融合值,就通过调整各个阶段的寻优控制参数,然后再次进行信任融合值的分析,直至所述信任融合值满足预设信任融合值。由此实现质量可信度的寻优,降低浸麦质量波动,提升控制参数的可靠性。
在一个优选实施例中,还包括:
按照阶段顺序对所述N个信任函数值中相邻两个阶段的信任函数值进行误差计算,得到N-1个信任误差;根据所述N-1个信任误差,生成第一约束条件,其中,所述第一约束条件为所述N-1个信任误差中任一误差均小于预设信任误差;基于所述第一约束条件对所述浸麦设备进行控制参数约束寻优。
按照阶段顺序对所述N个信任函数值中相邻两个阶段的信任函数值进行误差计算,阶段顺序是指多个阶段的执行顺序,比如,先浸泡,然后发芽、烘干等,计算相邻两个阶段的信任函数值的偏差,得到N-1个信任误差。进一步根据所述N-1个信任误差,生成第一约束条件,其中,所述第一约束条件为所述N-1个信任误差中任一误差均小于预设信任误差,基于所述第一约束条件对所述浸麦设备进行控制参数约束寻优,就是说,前述步骤中,只需N个信任函数值的信任融合值满足预设信任融合值,获取寻优收敛指令,得到寻优控制参数,这样还是存在某一个阶段的信任函数值较小,即质量可信度较低的情况。因此添加所述第一约束条件,控制参数寻优过程中,不仅需要信任融合值满足预设信任融合值,还需保证所述N-1个信任误差中任一误差均小于预设信任误差,预设信任误差由本领域技术人员结合历史经验自行设定。由此降低相邻阶段之间的信任误差,提高控制参数寻优精度,提升浸麦质量。
在一个优选实施例中,还包括:
根据所述寻优收敛指令得到满足所述预设信任融合值下的N个寻优出品质量指标;从所述N个寻优出品质量指标中选取标识N个寻优出品质量指标,其中,所述标识N个寻优出品质量指标的指标和最大;得到所述标识N个寻优出品质量指标下的N个寻优控制参数。
具体而言,根据所述寻优收敛指令得到满足所述预设信任融合值下的N个寻优出品质量指标,就是满足所述预设信任融合值下的各个阶段的浸麦品质级别。进一步从所述N个寻优出品质量指标中选取标识N个寻优出品质量指标,其中,所述标识N个寻优出品质量指标的指标和最大,即需要保证N个阶段的浸麦品质级别之和最大,那么得到的最终的浸麦质量就最佳。就是说,满足所述预设信任融合值下的各个阶段可能会有不同的控制参数,不同的控制参数对应不同的寻优出品质量指标,随机在各个阶段选取其中一个控制参数,组成多阶段控制参数,保证多阶段控制参数对应的N个寻优出品质量指标之和最大,将其中的寻优出品质量指标作为标识N个寻优出品质量指标,得到所述标识N个寻优出品质量指标对应的各个阶段的控制参数作为N个寻优控制参数。由此实现浸麦质量的寻优,提升浸麦出品质量。
在一个优选实施例中,还包括:
获取所述浸麦设备的多个浸麦槽;基于所述多个浸麦槽的数控终端,生成多个浸麦控制子模块,根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制。
获取所述浸麦设备的多个浸麦槽,多个浸麦槽是用于放置大麦,进行浸麦的设备,其作用是使麦粒吸水均匀,发芽整齐。基于所述多个浸麦槽的数控终端,生成多个浸麦控制子模块,数控终端是用于对浸麦设备进行控制的控制终端,数控终端包括多个浸麦控制子模块,每个浸麦控制子模块用于对其中的一个或多个浸麦槽进行控制,具体需结合实际确定。多个浸麦控制子模块接收所述寻优控制参数,经过译码、运算和逻辑处理后,发出相应的指令脉冲给伺服电机,从而对多个浸麦槽按照所述寻优控制参数进行同步多阶段控制,即按照多阶段的寻优控制参数进行浸麦控制。
在一个优选实施例中,还包括:
根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制,得到所述多个浸麦槽对应的多个浸麦质量;当所述多个浸麦槽对应的多个浸麦质量中任一浸麦质量与其他浸麦质量的偏离度大于预设偏离度,获取第一提醒信息,用于提醒对应浸麦槽存在异常。
根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制,得到所述多个浸麦槽对应的多个浸麦质量,其中,多个浸麦槽对应的多个浸麦质量可通过前述的浸麦出品质量模型分析获取,即通过浸麦设备的浸麦多模态传感器对多个浸麦槽进行传感数据采集,然后按照多模态传感置信度将多个浸麦槽的传感数据进行补偿校正后输入浸麦出品质量模型,输出获得多个浸麦槽的多个浸麦质量。
进一步对多个浸麦质量进行两两的偏差计算,以偏差结果作为任意两个浸麦质量之间的偏离度,当所述多个浸麦槽对应的多个浸麦质量中任一浸麦质量与其他浸麦质量的偏离度大于预设偏离度,即任意两个浸麦质量之间的偏离度大于预设偏离度,获取第一提醒信息,用于提醒对应浸麦槽存在异常,其中,预设偏离度由本领域专业技术人员结合实际设定。就是说,如果任意两个浸麦质量之间的偏离度大于预设偏离度,说明不同的浸麦槽之间的浸麦质量存在不可忽视的偏差,此时进行异常提醒,提醒工作人员进行浸麦设备的异常检修,保证浸麦质量的稳定性。
基于上述分析可知,本申请提供的一个或多个技术方案,其可达到的有益效果如下:
连接浸麦设备的浸麦多模态传感器,根据浸麦多模态传感器,得到历史浸麦传感数据集,根据历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度,利用多模态传感置信度对历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以置信浸麦传感数据集建立浸麦出品质量模型,其中,浸麦出品质量模型包括多阶段出品质量评估网络层,根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量,根据信任函数在N组出品质量空间对浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据寻优控制参数对浸麦设备进行控制。由此通过对多模态传感器进行置信估计后进行历史浸麦传感数据集的优化,以置信浸麦传感数据集构建用于多阶段浸麦质量分析的浸麦出品质量模型,进而通过质量分析进行多阶段的浸麦控制参数寻优,实现多阶段的控制参数优化,达到提升浸麦参数控制稳定性,提升浸麦质量和质量稳定性的技术效果。
实施例二
基于与前述实施例中基于多模分析的浸麦设备智能控制方法同样的发明构思,如图2所示,本申请还提供了基于多模分析的浸麦设备智能控制系统,所述系统包括:
历史传感数据采集单元11,所述历史传感数据采集单元11用于连接浸麦设备的浸麦多模态传感器,根据所述浸麦多模态传感器,得到历史浸麦传感数据集;
多模态置信估计单元12,所述多模态置信估计单元12用于根据所述历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度;
质量模型建立单元13,所述质量模型建立单元13用于利用所述多模态传感置信度对所述历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以所述置信浸麦传感数据集建立浸麦出品质量模型,其中,所述浸麦出品质量模型包括多阶段出品质量评估网络层;
质量分析单元14,所述质量分析单元14用于根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量;
控制参数寻优单元15,所述控制参数寻优单元15用于根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据所述寻优控制参数对所述浸麦设备进行控制。
进一步而言,所述控制参数寻优单元15还包括:
建立信任函数,其中,所述信任函数用于对所述N组出品质量空间中每个阶段的出品质量进行信任函数值分析,得到N个信任函数值;
以所述N个信任函数值进行融合,得到信任融合值;
将所述信任融合值输入寻优收敛决策器中,当所述信任融合值满足预设信任融合值,获取寻优收敛指令,根据所述寻优收敛指令得到满足所述预设信任融合值下各个阶段的寻优控制参数。
进一步而言,所述控制参数寻优单元15还包括:
按照阶段顺序对所述N个信任函数值中相邻两个阶段的信任函数值进行误差计算,得到N-1个信任误差;
根据所述N-1个信任误差,生成第一约束条件,其中,所述第一约束条件为所述N-1个信任误差中任一误差均小于预设信任误差;
基于所述第一约束条件对所述浸麦设备进行控制参数约束寻优。
进一步而言,所述控制参数寻优单元15还包括:
根据所述寻优收敛指令得到满足所述预设信任融合值下的N个寻优出品质量指标;
从所述N个寻优出品质量指标中选取标识N个寻优出品质量指标,其中,所述标识N个寻优出品质量指标的指标和最大;
得到所述标识N个寻优出品质量指标下的N个寻优控制参数。
进一步而言,所述控制参数寻优单元15还包括:
获取所述浸麦设备的多个浸麦槽;
基于所述多个浸麦槽的数控终端,生成多个浸麦控制子模块,根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制。
进一步而言,所述控制参数寻优单元15还包括:
根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制,得到所述多个浸麦槽对应的多个浸麦质量;
当所述多个浸麦槽对应的多个浸麦质量中任一浸麦质量与其他浸麦质量的偏离度大于预设偏离度,获取第一提醒信息,用于提醒对应浸麦槽存在异常。
进一步而言,所述质量分析单元14还包括:
建立阶段-传感器映射标签;
根据所述阶段-传感器映射标签,选取N个阶段的置信浸麦传感数据集,再对N个阶段的分别对应的置信浸麦传感数据集进行质量分析,得到N组出品质量,其中,质量分析包括浸麦损失率、浸麦品质级别、以及所属阶段的特征质量指标;
根据历史异度下的N组出品质量,得到N组出品质量空间。
前述实施例一中的基于多模分析的浸麦设备智能控制方法具体实例同样适用于本实施例的基于多模分析的浸麦设备智能控制系统,通过前述对基于多模分析的浸麦设备智能控制方法的详细描述,本领域技术人员可以清楚地知道本实施例中基于多模分析的浸麦设备智能控制系统,所以为了说明书的简洁,在此不再详述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (3)
1.基于多模分析的浸麦设备智能控制方法,其特征在于,所述方法包括:
连接浸麦设备的浸麦多模态传感器,根据所述浸麦多模态传感器,得到历史浸麦传感数据集;
根据所述历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度;
利用所述多模态传感置信度对所述历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以所述置信浸麦传感数据集建立浸麦出品质量模型,其中,所述浸麦出品质量模型包括多阶段出品质量评估网络层;
根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量;
根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据所述寻优控制参数对所述浸麦设备进行控制;
根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,方法还包括:
建立信任函数,其中,所述信任函数用于对所述N组出品质量空间中每个阶段的出品质量进行信任函数值分析,得到N个信任函数值;
以所述N个信任函数值进行融合,得到信任融合值;
将所述信任融合值输入寻优收敛决策器中,当所述信任融合值满足预设信任融合值,获取寻优收敛指令,根据所述寻优收敛指令得到满足所述预设信任融合值下各个阶段的寻优控制参数;
得到N个信任函数值后,方法还包括:
按照阶段顺序对所述N个信任函数值中相邻两个阶段的信任函数值进行误差计算,得到N-1个信任误差;
根据所述N-1个信任误差,生成第一约束条件,其中,所述第一约束条件为所述N-1个信任误差中任一误差均小于预设信任误差;
基于所述第一约束条件对所述浸麦设备进行控制参数约束寻优;
根据所述寻优收敛指令得到满足所述预设信任融合值下各个阶段的寻优控制参数,方法包括:
根据所述寻优收敛指令得到满足所述预设信任融合值下的N个寻优出品质量指标;
从所述N个寻优出品质量指标中选取标识N个寻优出品质量指标,其中,所述标识N个寻优出品质量指标的指标和最大;
得到所述标识N个寻优出品质量指标下的N个寻优控制参数;
根据所述寻优控制参数对所述浸麦设备进行控制,方法还包括:
获取所述浸麦设备的多个浸麦槽;
基于所述多个浸麦槽的数控终端,生成多个浸麦控制子模块,根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制;
根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制后,方法还包括:
根据所述寻优控制参数对所述多个浸麦控制子模块进行同步多阶段控制,得到所述多个浸麦槽对应的多个浸麦质量;
当所述多个浸麦槽对应的多个浸麦质量中任一浸麦质量与其他浸麦质量的偏离度大于预设偏离度,获取第一提醒信息,用于提醒对应浸麦槽存在异常。
2.如权利要求1所述的方法,其特征在于,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,方法包括:
建立阶段-传感器映射标签;
根据所述阶段-传感器映射标签,选取N个阶段的置信浸麦传感数据集,再对N个阶段的分别对应的置信浸麦传感数据集进行质量分析,得到N组出品质量,其中,质量分析包括浸麦损失率、浸麦品质级别、以及所属阶段的特征质量指标;
根据历史异度下的N组出品质量,得到N组出品质量空间。
3.基于多模分析的浸麦设备智能控制系统,其特征在于,用于执行权利要求1至2任意一项所述方法的步骤,所述系统包括:
历史传感数据采集单元,所述历史传感数据采集单元用于连接浸麦设备的浸麦多模态传感器,根据所述浸麦多模态传感器,得到历史浸麦传感数据集;
多模态置信估计单元,所述多模态置信估计单元用于据所述历史浸麦传感数据集进行多模态置信估计,得到多模态传感置信度;
质量模型建立单元,所述质量模型建立单元用于利用所述多模态传感置信度对所述历史浸麦传感数据集进行优化,得到置信浸麦传感数据集,再以所述置信浸麦传感数据集建立浸麦出品质量模型,其中,所述浸麦出品质量模型包括多阶段出品质量评估网络层;
质量分析单元,所述质量分析单元用于根据各个阶段对应连接的模态传感器,选取对应阶段的置信浸麦传感数据集进行质量分析,得到N组出品质量空间,其中,N为浸麦阶段数量;
控制参数寻优单元,所述控制参数寻优单元用于根据信任函数在所述N组出品质量空间对所述浸麦设备进行控制参数寻优,得到各个阶段的寻优控制参数,根据所述寻优控制参数对所述浸麦设备进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311857637.8A CN117724429B (zh) | 2023-12-29 | 2023-12-29 | 基于多模分析的浸麦设备智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311857637.8A CN117724429B (zh) | 2023-12-29 | 2023-12-29 | 基于多模分析的浸麦设备智能控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117724429A CN117724429A (zh) | 2024-03-19 |
CN117724429B true CN117724429B (zh) | 2024-05-24 |
Family
ID=90206981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311857637.8A Active CN117724429B (zh) | 2023-12-29 | 2023-12-29 | 基于多模分析的浸麦设备智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117724429B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111256746A (zh) * | 2020-03-04 | 2020-06-09 | 成都科大胜英科技有限公司 | 一种可实时监测传感器状态的高速数据采集方法及系统 |
CN111880482A (zh) * | 2020-06-17 | 2020-11-03 | 中国人民解放军陆军军事交通学院镇江校区 | 一种高精度的传感器视轴伺服控制系统及其方法 |
CN116974230A (zh) * | 2023-06-14 | 2023-10-31 | 爱泊车科技有限公司 | 一种基于物联网的设备运行模式智能控制方法及系统 |
US11842259B1 (en) * | 2022-07-12 | 2023-12-12 | University Of Chinese Academy Of Sciences | Intelligent information parsing method based on cross-modal data fusion |
WO2023240769A1 (zh) * | 2022-06-17 | 2023-12-21 | 浙大城市学院 | 一种用于远程控制设备的监控管理系统 |
-
2023
- 2023-12-29 CN CN202311857637.8A patent/CN117724429B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111256746A (zh) * | 2020-03-04 | 2020-06-09 | 成都科大胜英科技有限公司 | 一种可实时监测传感器状态的高速数据采集方法及系统 |
CN111880482A (zh) * | 2020-06-17 | 2020-11-03 | 中国人民解放军陆军军事交通学院镇江校区 | 一种高精度的传感器视轴伺服控制系统及其方法 |
WO2023240769A1 (zh) * | 2022-06-17 | 2023-12-21 | 浙大城市学院 | 一种用于远程控制设备的监控管理系统 |
US11842259B1 (en) * | 2022-07-12 | 2023-12-12 | University Of Chinese Academy Of Sciences | Intelligent information parsing method based on cross-modal data fusion |
CN116974230A (zh) * | 2023-06-14 | 2023-10-31 | 爱泊车科技有限公司 | 一种基于物联网的设备运行模式智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117724429A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115950557B (zh) | 一种基于压力变送器的温度智能补偿方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
CN110161968B (zh) | 一种基于包裹式原理的数控机床热误差预测方法 | |
CN101887239A (zh) | 一种自适应的工业过程最优控制系统及方法 | |
CN113326618B (zh) | 连续发酵过程中估计培养基初始条件的方法 | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及系统 | |
CN115049024A (zh) | 风速预测模型的训练方法、装置、电子设备和存储介质 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN117724429B (zh) | 基于多模分析的浸麦设备智能控制方法及系统 | |
CN117094608B (zh) | 结合应用需求的钛带生产控制方法及系统 | |
CN111339719A (zh) | 一种缝洞型油藏注水数值模拟自动历史拟合的方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
KR20230064389A (ko) | 예측구간에 기반한 제조공정 파라미터의 구간 최적화 방법 및 시스템 | |
CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及系统 | |
US20230419225A1 (en) | Method and Apparatus for Process Optimization | |
CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
CN107766880A (zh) | 基于ba‑lssvm的光合细菌发酵过程关键参量的软测量方法 | |
CN116628949A (zh) | 一种数字孪生仿真模型构建方法 | |
CN113988311B (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
CN107944552A (zh) | 一种基于Elman神经网络的工业物联网参数预测方法 | |
CN112990682A (zh) | 一种基于大数据的化工装置控制参数优化方法和系统 | |
CN112275439A (zh) | 水泥生料立磨压差软测量建模方法、存储介质及系统 |
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 |