CN117784852B - 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 - Google Patents
一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 Download PDFInfo
- Publication number
- CN117784852B CN117784852B CN202410216841.XA CN202410216841A CN117784852B CN 117784852 B CN117784852 B CN 117784852B CN 202410216841 A CN202410216841 A CN 202410216841A CN 117784852 B CN117784852 B CN 117784852B
- Authority
- CN
- China
- Prior art keywords
- temperature
- sensor
- mode
- data
- optimization algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000011217 control strategy Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000004927 fusion Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 5
- 229910052697 platinum Inorganic materials 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明属于传感器温度控制技术领域，具体涉及一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，步骤包括在多传感器系统中，通过热敏电阻采集温度数据，建立每个传感器的温度数据集合；对采集的传感器温度数据进行融合；建立温度控制数学模型；构建多模态系统；将温度控制数学模型应用于多模态系统中，获得多模态传感器温度控制系统；建立鱼鳞仿生优化算法；将鱼鳞仿生优化算法引入多模态传感器温度控制系统中，根据生成的控制策略实时监测各个传感器的温度，动态调整传感器工作状态，实现多模态传感器温度控制。本发明通过模拟鱼鳞的温度感知原理实现优化控制的效果，具有更好的适应性和鲁棒性，且能够更迅速的响应温度变化。
Description
技术领域
本发明属于传感器温度控制技术领域，具体涉及一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法。
背景技术
传感器温度控制作为一项关键温控技术，应用广泛。传感器的温度控制不仅仅是为了确保其正常工作，更是为了提高其灵敏度、稳定性以及延长其使用寿命，从而更好地适应各种复杂环境和工作任务。随着机器人应用领域的不断拓展，对于传感器高效、精准的温度控制需求日益凸显。在传统机器人系统中，多模态传感器的应用逐渐成为提高机器人感知能力的关键手段。基于多模态传感器的多传感器系统能够从不同角度获取丰富的信息，但这也使得温度控制变得更加复杂。不同传感器在不同工作环境下的温度波动会导致性能不稳定，甚至影响整个机器人系统的正常运行。因此，针对多传感器系统的温度控制问题，寻找一种高效、智能的控制方法成为当前研究的热点之一。
目前，学者们提出了多种传感器温度控制方法，其中包括了PID控制、模糊逻辑控制、神经网络控制、模型预测控制（MPC）等。关于这些控制方法具体介绍以下：
（1）PID控制。该方法通过比例、积分和微分的组合，对传感器实际温度与设定值之间的误差进行调节。比例项通过当前误差的大小进行控制，积分项累积历史误差，微分项反映误差变化趋势，这三个部分综合作用，产生最终的控制输出，用于调整冷却或加热设备，使传感器温度趋近设定值。PID控制是基于线性模型的，对于非线性系统的适应性较差。在传感器工作过程中，系统常常表现出非线性特性，导致PID控制效果不理想，还需要设定合适的比例、积分和微分参数。而这些参数通常需要通过手动调整来确定，增加了工作量。
（2）模糊逻辑控制。一种灵活而强大的温度控制方法，通过定义一系列模糊规则来处理传感器当前温度误差与设定值之间的关系，从而实现对传感器温度的准确控制。这一方法的核心思想是将传感器温度误差进行模糊化处理，通过一系列设定的规则进行推理，最终得到模糊的控制输出。为了获得具体的调节信号，需要进行去模糊化处理，将模糊输出转换为清晰的控制信号，以应用于传感器的温度调节。尽管模糊逻辑控制在处理非线性、不确定性系统方面具有一定的优势，但其应用也面临一些挑战。首先，该方法需要设计一系列模糊规则，这依赖于领域专家的经验和知识，因此在不同应用场景下需要进行大量的规则调整和优化，这使得模糊逻辑控制在应对复杂系统时表现不如预期。另外，模糊逻辑控制的计算成本相对较高，特别是在处理大规模传感器网络时，大规模系统中存在大量的输入和输出变量，需要耗费更多的计算资源来进行模糊规则的推理和去模糊化处理，这限制了该方法在实际大规模传感器网络中的应用。
（3）神经网络控制。通过训练神经网络，将传感器当前温度作为输入，网络输出相应的控制信号，神经网络具有自适应性，能够学习系统的动态特性，并调整控制策略，实现对传感器温度的高精度控制。但是神经网络需要大量的数据进行训练，以建立模型并调整权重。在传感器温度控制中，获取足够的训练数据会面临一些挑战，特别是在特殊环境或稀缺数据的情况下，训练时还有可能出现过拟合问题，这会导致神经网络在新数据上表现不佳，降低在实际传感器控制中的泛化能力。
（4）模型预测控制（MPC）。一种先进的温度控制方法，以传感器温度学模型为基础，通过预测未来温度变化趋势来选择最优的控制策略，最终实现对传感器温度的精确调控。其核心思想是在控制过程中考虑未来一段时间内的系统行为，通过优化控制输入来实现对系统的高效控制。但是，模型预测控制计算复杂度较高，这使得MPC在实时性要求严格的场景中难以实现高效控制。同时，模型预测控制对模型准确性的要求较高，传感器温度学模型的建立需要充分考虑系统的动态特性和非线性行为，而模型的不准确性会导致控制性能下降。
发明内容
根据以上现有技术中的不足，本发明提供了一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，通过模拟鱼鳞的温度感知原理实现优化控制的效果，具有更好的适应性和鲁棒性，且能够更迅速的响应温度变化。
为达到以上目的，本发明提供了一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，包括以下步骤：
S1、在多传感器系统（即为多模态传感器，包括若干不同功能的传感器，如视觉传感器、接近传感器、温度传感器、压力传感器和电磁传感器等）中，通过热敏电阻采集各个传感器在不同时刻的温度数据，建立每个传感器的温度数据集合；
S2、对采集的传感器温度数据进行融合，得到温度融合矩阵；
S3、建立引入了PID控制的温度控制数学模型；
S4、构建多模态系统，多模态系统的输入数据即为温度融合矩阵中的最终温度数据；
S5、将温度控制数学模型应用于多模态系统中，获得多模态传感器温度控制系统；
S6、建立鱼鳞仿生优化算法，建立过程包括初始化群体数据；计算温度差异；更新群体状态；适应度评估；选择、交叉和变异；迭代更新；
S7、将鱼鳞仿生优化算法引入多模态传感器温度控制系统中，根据生成的控制策略实时监测各个传感器的温度，动态调整传感器工作状态，实现多模态传感器温度控制。
热敏电阻是一种基于温度检测的电阻器件，它的电阻值随温度的变化而变化，一般热敏电阻可承受的温度检测范围为-50℃-250℃，这个范围覆盖了绝大多数传感器的变化温度，因此它成为传感器温度检测的重要元件，并且热敏电阻的价格低廉。
所述的S1中，建立每个传感器的温度数据集合的过程为：
S11、多传感器系统的传感器数量为n，并设置m个不同的时刻集合；
S12、根据采集的各个传感器在不同时刻的温度数据，建立每个传感器的温度数据集合为。
所述的S2中，对传感器温度数据进行融合并得到温度融合矩阵的步骤为：
S21、热敏电阻在测量传感器温度时，存在测量误差，定义Tu为测量温度，即为S1中采集的温度数据；Tv为真实温度；为测量误差；则：
（1）；
传感器的真实温度集合表示为：
（2）；
式中，为各个传感器的真实温度集合，为第i个传感器在tj时刻的测量误差；
S22、依据传感器的真实温度集合，传感器的温度参数矩阵表示为：
（3）；
在温度参数矩阵中，用代表第i个传感器在tj时刻的真实温度；
该矩阵反映了传感器在不同时刻的温度变化规律及关联性。它可以更方便的表示每个传感器某个时刻的真实温度。
S23、各个传感器的权重系数为，温度数据的初步融合方式表示为：
（4）；
式中，表示第tj个时刻初步融合后的温度数据；
S24、结合温度参数矩阵，获得最终的温度融合矩阵为：
（5）；
式中，即为温度融合矩阵，融合后的不同时刻的最终温度数据表示为。此处的上标T即为转置符号，表示矩阵的转置操作。式（5）中，/>分别转置后乘以A，即为获得的/>。
数据融合可以提高多传感器系统的鲁棒性和稳定性。如当某一个传感器由于环境变化或故障导致数据异常时，其他传感器可以提供冗余信息，帮助系统保持正常运行。
所述的S21中，测量误差的获取方式为：
对于某个被测传感器，使用铂电阻温度传感器，获取被测传感器的温度的真实值，记为，使用热敏电阻获取被测传感器的测试温度，记为/>，则单次的测量误差为/>，重复H次该过程，获得。para为计算过程的中间变量，用以区分每次测量误差时的对应温度。
对多传感器系统中的每个传感器都进行该过程，则可以获取到各个传感器所对应的测量误差。其中，铂电阻温度传感器虽然测量精确，但是价格过高，而热敏电阻价格低廉，每个只需0.2元左右，因此铂电阻温度传感器只用来测算测量误差/>。
所述的S3中，建立温度控制数学模型的步骤为：
S31、定义k为整数，且，通过一阶惯性元件描述传感器的测量温度响应，该响应描述了温度差值的变化，表示为：
（6）；
式中，α为温差系数，当k=m时，用代表/>与/>之间的温度差值；
S32、温度控制数学模型表示为：
（7）；
式中，kp为比例增益；ki为积分增益；kd为二重积分增益；为tk时刻的温度与tk时刻的设定值之间的温度差值，设定值即为期望温度，/>的计算为：
（8）；
式中，为tk时刻的期望温度，其温度范围为/>。该温度范围根据所需期望温度而具体设定即可。
式（7）中，引入了PID控制技术，通过PID控制实现对温度融合数据的监测和控制。其中，比例项kp通过当前测量误差的大小进行控制。积分项ki累积历史误差。而二重积分项kd反应误差变化趋势。PID控制通过综合考虑当前误差、历史误差和误差变化趋势，生成最终的控制输入，用于调整温度，实现对融合后的最终温度数据的准确监测和控制。
所述的S4中，构建多模态系统的步骤为：
S41、融合后的不同时刻的最终温度数据通过输入系统B进行处理：
（9）；
式中，为温度稳定性函数，用来衡量传感器的温度稳定性；
S42、根据输入系统B，建立关于温度稳定性的多目标函数：
（10）；
S43、定义时间状态向量为真实温度与期望温度的差值向量：
（11）；
S44、多模态系统表示为：
（12）；
式中，和/>为多目标函数/>的稳定边界；P为期望模型。期望模型为公知内容，此处的期望模型特指传感器温度监测的期望模型，是基于传感器特性和环境条件，预期的理想输出与实际温度之间的数学关系模型，根据公知内容建立即可。s.t.表示约束条件。
多模态系统整合了传感器的真实温度数据、期望温度、温度误差、多目标函数等相关信息，通过控制策略，能够提高传感器温度控制的准确性和实时性。
所述的S41中，用来衡量传感器的温度稳定性，对于融合后的不同时刻的最终温度数据/>，对其中的相邻时刻的温度数据的差值的绝对值设定阈值，对于差值超过该阈值的数据，剔除后一时刻的温度数据。只针对初始设定的时刻进行一次计算，将稳定性高的数据作为多模态系统的输入。阈值的设定可以根据需求设置。
所述的S5中，多模态传感器温度控制系统表示为：
（13）。底数e即为自然常数。
鱼鳞仿生优化算法是受鱼鳞对温度的感知效应而得到启发，所设计的一种仿生算法。在较低的水温下，鱼鳞倾向于聚集在一起（温度鳞片聚集效应），形成紧密的鳞片群体。这有助于减少散热表面积，从而减缓体表温度的下降，这种紧密聚集可以在一定程度上减少水流对鱼体的热传递，帮助鱼类维持相对较暖的体温。在较高的水温下，鱼鳞更倾向于分散排列，鱼鳞之间的空隙增加，这有助于增加散热表面积，促进体表温度的降低，以应对高温环境。松散排列的鱼鳞（温度鳞片松散效应）也能够更好的适应水流，增加热交换效率。这样，鱼体就能更好的实现自身体表温度的控制，使其稳定在适宜的温度范围。
所述的S6中，建立鱼鳞仿生优化算法的步骤为：
S61、初始化群体数据，定义温度鳞片的数量为N，表示鱼鳞的个数，等效为最终温度数据的个数，即N=m；每个温度鳞片的维度为D，表示温度解的维度，由于每个最终温度数据都包含n个传感器的融合温度数据，因此D=n；
对于每个温度鳞片，设置初始温度（即为初始温度数据），初始温度等效为；并设置期望温度的温度范围；
S62、计算温度差异，定义温度差异为，并设置/>的温度异常范围，表示为：
（14）；
通过温度鳞片差异矩阵来表示每个温度差值的状态：
（15）；
S63、更新群体状态，定义为迭代后的温度鳞片：
（16）；
式中，βx代表第x次迭代的学习率；
S64、适应度评估，定义温度差异适应度为，其满足：
（17）；
S65、选择、交叉和变异，选择两个温度鳞片作为父代鳞片，带入式（13）计算后，形成新的温度鳞片，即为子代鳞片；在式（13）中引入温度差异适应度的随机变化，模拟温度鳞片个体适应性的随机性；
S66、迭代更新，通过不断迭代的方式更新群体状态。迭代过程即为式（14）、（16）和（17）。
所述的S7中，将鱼鳞仿生优化算法引入多模态传感器温度控制系统中，获得鱼鳞仿生优化算法下的多模态传感器温度控制系统，表示为：
（18）；
式（18）中，不断调节控制/>（即为生成的控制策略），表示温度鳞片差异矩阵/>处于稳态系统/>中，为一个由范围值组成的矩阵。范围值的设定根据需求而定，即为各个传感器的正常工作温度范围。
本发明涉及的算法可以通过电子设备执行，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，通过处理器执行软件实现上述的算法。
本发明所具有的有益效果是：
本发明首先建立了关于多模态传感器的温度控制数学模型，并提出了一种基于仿生学的鱼鳞仿生优化算法，最后将鱼鳞仿生优化算法成功应用于多模态传感器的温度控制中，通过模拟鱼类天生对温度变化的敏感性，为传感器温度控制提供了一种独特而高效的解决方案。与传统方法相比，该算法更加适应多传感器系统中的复杂环境，使系统能够在不同环境和任务下实现灵活调整，从而提高温度控制的准确性。
本发明中，通过热敏电阻采集各类传感器的温度数据，完成不同传感器之间的温度数据融合，建立温度控制数学模型，该过程使本发明具备了对多种传感器数据的综合处理能力。构建的多模态系统进一步确保了实时感知各个传感器的温度数据，使温度调控具有高效性、准确性和稳定性。鱼鳞仿生优化算法通过初始化群体数据、计算温度差异、更新群体状态、适应度评估、选择操作、选择、交叉和变异、迭代更新等步骤，实现了对温度的动态调整，维持期望的温度范围。
综合而言，本发明将鱼鳞仿生思想与群体智能搜索机制成功结合，为多传感器系统中的温度管理提供了有力支持，不仅在实时性、适应性和鲁棒性上表现出色，且能够更迅速的响应温度变化，而且通过仿生算法的引入，成功弥补了传统温度控制方法在多传感器系统中的不足。为机器人等领域的传感器控制提供了一种创新性的解决方案。
附图说明
图1是本发明的流程原理图；
图2为本发明实施例的鱼鳞搜索空间示意图；
图3为本发明实施例的温度鳞片处理效果示意图，图3中的（a）为温度控制前的温度鳞片聚集示意图，图3中的（b）为温度控制前的温度鳞片松散示意图，图3中的（c）为温度控制后的正常温度鳞片示意图；
图4为本发明实施例的异常温度控制仿真图。
具体实施方式
下面结合附图对本发明的实施例做进一步描述：
如图1所示，一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，包括以下步骤：
S1、在多传感器系统中，通过热敏电阻采集各个传感器在不同时刻的温度数据，建立每个传感器的温度数据集合；
S2、对采集的传感器温度数据进行融合，得到温度融合矩阵；
S3、建立引入了PID控制的温度控制数学模型；
S4、构建多模态系统，多模态系统的输入数据即为温度融合矩阵中的最终温度数据；
S5、将温度控制数学模型应用于多模态系统中，获得多模态传感器温度控制系统；
S6、建立鱼鳞仿生优化算法，建立过程包括初始化群体数据；计算温度差异；更新群体状态；适应度评估；选择、交叉和变异；迭代更新；
S7、将鱼鳞仿生优化算法引入多模态传感器温度控制系统中，根据生成的控制策略实时监测各个传感器的温度，动态调整传感器工作状态，实现多模态传感器温度控制。
S1中，建立每个传感器的温度数据集合的过程为：
S11、多传感器系统的传感器数量为n，本实施例中n=30，设置m个不同的时刻集合，为了便于计算，m同样取值30，；
S12、根据采集的各个传感器在不同时刻的温度数据，建立每个传感器的温度数据集合为。
S2中，对传感器温度数据进行融合并得到温度融合矩阵的步骤为：
S21、热敏电阻在测量传感器温度时，存在测量误差，定义Tu为测量温度，即为S1中采集的温度数据；Tv为真实温度；为测量误差；则：
（1）；
传感器的真实温度集合表示为：
（2）；
式中，为各个传感器的真实温度集合，为第i个传感器在tj时刻的测量误差；
S22、依据传感器的真实温度集合，传感器的温度参数矩阵表示为：
（3）；
在温度参数矩阵中，用代表第i个传感器在tj时刻的真实温度；
S23、各个传感器的权重系数为，温度数据的初步融合方式表示为：
（4）；
式中，表示第tj个时刻初步融合后的温度数据；
S24、结合温度参数矩阵，获得最终的温度融合矩阵为：
（5）；
式中，即为温度融合矩阵，融合后的不同时刻的最终温度数据表示为。
S21中，测量误差的获取方式为：
对于某个被测传感器，使用铂电阻温度传感器，获取被测传感器的温度的真实值，记为，使用热敏电阻获取被测传感器的测试温度，记为/>，则单次的测量误差为/>，重复H次该过程，获得/>。本实施例中，H取值10。
S3中，建立温度控制数学模型的步骤为：
S31、定义k为整数，且，通过一阶惯性元件描述传感器的测量温度响应，该响应描述了温度差值的变化，表示为：
（6）；
式中，α为温差系数，当k=30时，用代表/>与之间的温度差值；
S32、温度控制数学模型表示为：
（7）；
式中，kp为比例增益；ki为积分增益；kd为二重积分增益；为tk时刻的温度与tk时刻的设定值之间的温度差值，设定值即为期望温度，/>的计算为：
（8）；
式中，为tk时刻的期望温度，其温度范围为/>。本实施例中，设置为/>，/>。
S4中，构建多模态系统的步骤为：
S41、融合后的不同时刻的最终温度数据通过输入系统B进行处理：
（9）；
式中，为温度稳定性函数，用来衡量传感器的温度稳定性；
S42、根据输入系统B，建立关于温度稳定性的多目标函数：
（10）；
S43、定义时间状态向量为真实温度与期望温度的差值向量：
（11）；
S44、多模态系统表示为：
（12）；
式中，和/>为多目标函数/>的稳定边界；P为期望模型。
S41中，用来衡量传感器的温度稳定性，对于融合后的不同时刻的最终温度数据/>，对其中的相邻时刻的温度数据的差值的绝对值设定阈值，对于差值超过该阈值的数据，剔除后一时刻的温度数据。/>
S5中，多模态传感器温度控制系统表示为：
（13）。
S6中，建立鱼鳞仿生优化算法的步骤为：
S61、初始化群体数据，定义温度鳞片的数量为N，表示鱼鳞的个数，等效为最终温度数据的个数，即N=m=30；每个温度鳞片的维度为D，表示温度解的维度，由于每个最终温度数据都包含n个传感器的融合温度数据，因此D=n=30；
对于每个温度鳞片，设置初始温度，初始温度等效为；
S62、计算温度差异，定义温度差异为，并设置/>的温度异常范围，表示为：
（14）；
设置为30℃。若/>或/>则温度异常。
通过温度鳞片差异矩阵来表示每个温度差值的状态：
（15）；
S63、更新群体状态，定义为迭代后的温度鳞片：
（16）；
式中，βx代表第x次迭代的学习率；图2展示了在温度鳞片更新迭代过程中的鱼鳞搜索空间，此时迭代次数为18次。鱼鳞搜索空间就是本发明中鱼鳞仿生优化算法的迭代过程，图2中的每一个圆点相当于一个温度鳞片，即为代表温度点。
S64、适应度评估，定义温度差异适应度为，其满足：
（17）；
S65、选择、交叉和变异，选择两个温度鳞片作为父代鳞片，带入式（13）计算后，形成新的温度鳞片，即为子代鳞片；在式（13）中引入温度差异适应度的随机变化，模拟温度鳞片个体适应性的随机性；
S66、迭代更新，通过不断迭代的方式更新群体状态。
S7中，将鱼鳞仿生优化算法引入多模态传感器温度控制系统中，获得鱼鳞仿生优化算法下的多模态传感器温度控制系统，表示为：
（18）；
式（18）中，不断调节控制/>，/>表示温度鳞片差异矩阵/>处于稳态系统/>中，/>为一个由范围值组成的矩阵。
图3展示了对于本发明温度控制对于温度鳞片聚集效应（图3中的（a））和松散效应（图3中的（b））的处理效果，温度控制后的温度鳞片如图3中的（c）所示。
图4展示了对于30个不同温度鳞片，通过鱼鳞仿生优化算法迭代优化（迭代次数为30次），在本发明中实现了异常鳞片的处理。图4中的目标范围上、下限即为期望温度的温度范围30℃-40℃。
表1 初始温度数据和优化后的温度数据比较情况
表1为从这30个比较数据（即为初始温度数据和优化后的温度数据）中抽取了10个，通过表1展示具体数据的比较情况。
Claims (6)
1.一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，其特征在于包括以下步骤：
S1、在多传感器系统中，通过热敏电阻采集各个传感器在不同时刻的温度数据，建立每个传感器的温度数据集合；
S2、对采集的传感器温度数据进行融合，得到温度融合矩阵；
S3、建立引入了PID控制的温度控制数学模型；
S4、构建多模态系统，多模态系统的输入数据即为温度融合矩阵中的最终温度数据；
S5、将温度控制数学模型应用于多模态系统中，获得多模态传感器温度控制系统；
S6、建立鱼鳞仿生优化算法，建立过程包括初始化群体数据；计算温度差异；更新群体状态；适应度评估；选择、交叉和变异；迭代更新；
S7、将鱼鳞仿生优化算法引入多模态传感器温度控制系统中，根据生成的控制策略实时监测各个传感器的温度，动态调整传感器工作状态，实现多模态传感器温度控制；
所述的S3中，建立温度控制数学模型的步骤为：
S31、多传感器系统的传感器数量为n，并设置有m个不同的时刻集合，/>为融合后的不同时刻的最终温度数据；定义k为整数，且/>，通过一阶惯性元件描述传感器的测量温度响应，该响应描述了温度差值的变化，表示为：
（6）；
式中，α为温差系数，当k=m时，用代表/>与/>之间的温度差值；
S32、温度控制数学模型表示为：
（7）；
式中，kp为比例增益；ki为积分增益；kd为二重积分增益；为tk时刻的温度与tk时刻的设定值之间的温度差值，设定值即为期望温度，/>的计算为：
（8）；
式中，为tk时刻的期望温度，其温度范围为/>；
所述的S4中，构建多模态系统的步骤为：
S41、融合后的不同时刻的最终温度数据通过输入系统B进行处理：
（9）；
式中，为温度稳定性函数，用来衡量传感器的温度稳定性；
S42、根据输入系统B，建立关于温度稳定性的多目标函数：
（10）；
S43、定义时间状态向量为真实温度与期望温度的差值向量：
（11）；
S44、多模态系统表示为：
（12）；
式中，和/>为多目标函数/>的稳定边界；P为期望模型；
所述的S5中，多模态传感器温度控制系统表示为：
（13）；
所述的S6中，建立鱼鳞仿生优化算法的步骤为：
S61、初始化群体数据，定义温度鳞片的数量为N，表示鱼鳞的个数，等效为最终温度数据的个数，即N=m；每个温度鳞片的维度为D，表示温度解的维度，由于每个最终温度数据都包含n个传感器的融合温度数据，因此D=n；
对于每个温度鳞片，设置初始温度，初始温度等效为；并设置期望温度的温度范围；
S62、计算温度差异，定义温度差异为，并设置/>的温度异常范围，表示为：
（14）；
通过温度鳞片差异矩阵来表示每个温度差值的状态：
（15）；
S63、更新群体状态，定义为迭代后的温度鳞片：
（16）；
式中，βx代表第x次迭代的学习率；
S64、适应度评估，定义温度差异适应度为，其满足：
（17）；
S65、选择、交叉和变异，选择两个温度鳞片作为父代鳞片，带入式（13）计算后，形成新的温度鳞片，即为子代鳞片；在式（13）中引入温度差异适应度的随机变化，模拟温度鳞片个体适应性的随机性；
S66、迭代更新，通过不断迭代的方式更新群体状态。
2.根据权利要求1所述的一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，其特征在于：所述的S1中，建立每个传感器的温度数据集合的过程为：
S11、多传感器系统的传感器数量为n，并设置m个不同的时刻集合；
S12、根据采集的各个传感器在不同时刻的温度数据，建立每个传感器的温度数据集合为。
3.根据权利要求2所述的一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，其特征在于：所述的S2中，对传感器温度数据进行融合并得到温度融合矩阵的步骤为：
S21、热敏电阻在测量传感器温度时，存在测量误差，定义Tu为测量温度，即为S1中采集的温度数据；Tv为真实温度；为测量误差；则：
（1）；
传感器的真实温度集合表示为：
（2）；
式中，为各个传感器的真实温度集合，为第i个传感器在tj时刻的测量误差；
S22、依据传感器的真实温度集合，传感器的温度参数矩阵表示为：
（3）；
在温度参数矩阵中，用代表第i个传感器在tj时刻的真实温度；
S23、各个传感器的权重系数为，温度数据的初步融合方式表示为：
（4）；
式中，表示第tj个时刻初步融合后的温度数据；
S24、结合温度参数矩阵，获得最终的温度融合矩阵为：
（5）；
式中，即为温度融合矩阵，融合后的不同时刻的最终温度数据表示为。
4.根据权利要求3所述的一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，其特征在于：所述的S21中，测量误差的获取方式为：
对于某个被测传感器，使用铂电阻温度传感器，获取被测传感器的温度的真实值，记为，使用热敏电阻获取被测传感器的测试温度，记为/>，则单次的测量误差为，重复H次该过程，获得/>。
5.根据权利要求4所述的一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，其特征在于：所述的S41中，用来衡量传感器的温度稳定性，对于融合后的不同时刻的最终温度数据/>，对其中的相邻时刻的温度数据的差值的绝对值设定阈值，对于差值超过该阈值的数据，剔除后一时刻的温度数据。
6.根据权利要求5所述的一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法，其特征在于：所述的S7中，将鱼鳞仿生优化算法引入多模态传感器温度控制系统中，获得鱼鳞仿生优化算法下的多模态传感器温度控制系统，表示为：
（18）；
式（18）中，不断调节控制/>，/>表示温度鳞片差异矩阵/>处于稳态系统/>中，/>为一个由范围值组成的矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410216841.XA CN117784852B (zh) | 2024-02-28 | 2024-02-28 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410216841.XA CN117784852B (zh) | 2024-02-28 | 2024-02-28 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117784852A CN117784852A (zh) | 2024-03-29 |
| CN117784852B true CN117784852B (zh) | 2024-05-14 |
Family
ID=90383856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410216841.XA Active CN117784852B (zh) | 2024-02-28 | 2024-02-28 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117784852B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157154A (zh) * | 2016-07-21 | 2016-11-23 | 重庆大学 | 用于自媒体网络数据的自适应进化蝙蝠算法下的复杂网络社区发现方法 |
| CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
| CN110030843A (zh) * | 2019-04-12 | 2019-07-19 | 广西大学 | 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法 |
| CN110119558A (zh) * | 2019-04-30 | 2019-08-13 | 广州大学 | 一种基于差分优化算法的电路参数优化方法 |
| CN110530551A (zh) * | 2019-08-27 | 2019-12-03 | 西南交通大学 | 基于优化支持向量机的botda的温度提取方法 |
| CN115966267A (zh) * | 2023-01-13 | 2023-04-14 | 杭州电子科技大学 | 一种基于lstm-pid的溶菌酶发酵温度控制方法 |
| CN116520909A (zh) * | 2023-05-05 | 2023-08-01 | 合肥工业大学 | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 |
| CN116610029A (zh) * | 2023-05-15 | 2023-08-18 | 杭州电子科技大学 | 基于鲸鱼算法的模糊pid控制的逆变器控制方法 |
| CN116804879A (zh) * | 2023-07-25 | 2023-09-26 | 东北大学秦皇岛分校 | 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1672569A1 (en) * | 2004-12-20 | 2006-06-21 | STMicroelectronics S.r.l. | A method of performing a quantum algorithm for simulating a genetic algorithm |
-
2024
- 2024-02-28 CN CN202410216841.XA patent/CN117784852B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157154A (zh) * | 2016-07-21 | 2016-11-23 | 重庆大学 | 用于自媒体网络数据的自适应进化蝙蝠算法下的复杂网络社区发现方法 |
| CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
| CN110030843A (zh) * | 2019-04-12 | 2019-07-19 | 广西大学 | 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法 |
| CN110119558A (zh) * | 2019-04-30 | 2019-08-13 | 广州大学 | 一种基于差分优化算法的电路参数优化方法 |
| CN110530551A (zh) * | 2019-08-27 | 2019-12-03 | 西南交通大学 | 基于优化支持向量机的botda的温度提取方法 |
| CN115966267A (zh) * | 2023-01-13 | 2023-04-14 | 杭州电子科技大学 | 一种基于lstm-pid的溶菌酶发酵温度控制方法 |
| CN116520909A (zh) * | 2023-05-05 | 2023-08-01 | 合肥工业大学 | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 |
| CN116610029A (zh) * | 2023-05-15 | 2023-08-18 | 杭州电子科技大学 | 基于鲸鱼算法的模糊pid控制的逆变器控制方法 |
| CN116804879A (zh) * | 2023-07-25 | 2023-09-26 | 东北大学秦皇岛分校 | 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于k-临近算法的手写识别系统的研究与实现;辛英;《电子设计工程》;20180430;第27-30页 * |
| 董翠英 ; 曹晓月 ; .一种改进的粒子群算法研究.唐山学院学报.2018,第10-13+42页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117784852A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhong et al. | Optimal control for unknown discrete-time nonlinear Markov jump systems using adaptive dynamic programming | |
| Sumar et al. | Computational intelligence approach to PID controller design using the universal model | |
| JPH03164804A (ja) | プロセス制御システム及び発電プラントプロセス制御システム | |
| Li et al. | A three-dimensional fuzzy control methodology for a class of distributed parameter systems | |
| WO2022121944A1 (zh) | 工业过程运行指标智能预报方法、装置、设备及存储介质 | |
| Kang et al. | Tracking of uncertain robotic manipulators using event-triggered model predictive control with learning terminal cost | |
| Krishnapura et al. | A neural adaptive controller | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| Jia et al. | Just-in-time learning based integrated MPC-ILC control for batch processes | |
| Yao et al. | Controller design based on echo state network with delay output for nonlinear system | |
| CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
| CN113589862A (zh) | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 | |
| CN113009832A (zh) | 一种基于数据驱动的液态介质熔铝炉模型预测控制方法 | |
| Wang et al. | Model-based predictive control for spatially-distributed systems using dimensional reduction models | |
| Li et al. | The research of temperature compensation for thermopile sensor based on improved PSO-BP algorithm | |
| Zhou et al. | A robust controller design method based on parameter variation rate of RBF-ARX model | |
| CN113703311A (zh) | 一种燃煤机组自组织协同预测控制方法 | |
| Tian | Predictive control of coke oven flue temperature based on orthogonal neural network | |
| Li et al. | Neuro-fuzzy-based dynamic quadratic criterion-iterative learning control for batch process | |
| Costa et al. | Self-tuning robust fuzzy controller design based on multi-objective particle swarm optimization adaptation mechanism | |
| Lu et al. | A model-free self-organizing fuzzy logic control system using a dynamic performance index table | |
| Yang et al. | Dynamic fuzzy temperature control with quasi-Newtonian particle swarm optimization for precise air conditioning | |
| CN113568309B (zh) | 用于温度场的在线时空控制方法 | |
| Huaguang et al. | Multivariable fuzzy generalized predictive control | |
| Wu et al. | Intelligent optimization and control for reheating furnaces |
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 |