CN117968217A - 一种车间露点控制方法、装置、设备及可读存储介质 - Google Patents
一种车间露点控制方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117968217A CN117968217A CN202410253768.3A CN202410253768A CN117968217A CN 117968217 A CN117968217 A CN 117968217A CN 202410253768 A CN202410253768 A CN 202410253768A CN 117968217 A CN117968217 A CN 117968217A
- Authority
- CN
- China
- Prior art keywords
- dew point
- target
- workshop
- regeneration temperature
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008929 regeneration Effects 0.000 claims abstract description 186
- 238000011069 regeneration method Methods 0.000 claims abstract description 186
- 230000026676 system process Effects 0.000 claims abstract description 93
- 230000001364 causal effect Effects 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000001816 cooling Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 239000007788 liquid Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种车间露点控制方法、装置、设备及可读存储介质，应用于除湿机智能控制技术领域，包括：获取配置的目标车间露点；获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度；因果关系模型为可以根据车间露点确定最优再生温度的模型；系统工艺参数为系统运行中的工艺参数；将目标再生温度发送至再生温度闭环控制系统，以根据目标再生温度对车间露点进行控制。本申请和当前人工自行设置再生温度相比，本申请可以利用因果关系模型确定目标车间露点对应的目标再生温度，由于目标再生温度是根据当前系统的参数和需求的目标车间露点确定的，从而提高实际车间露点控制的准确性。
Description
技术领域
本发明涉及除湿机智能控制技术领域，特别涉及一种车间露点控制方法、装置、设备及可读存储介质。
背景技术
当前在对转轮式除湿系统的再生温度进行设置时，需要基于PID控制器(比例-积分-导数控制器)进行设置，进行PID控制可根据测量信号与给定值的偏差进行比例(P)、积分(I)、微分(D)运算，从而输出某个适当的控制信号给执行机构，促使测量值恢复到给定值，达到自动控制的效果。由于阀门是控制流量的，如果开度是0-100是线性变化，但流量不是0-100的线性变化，开度和流量是非线性的，在非线性上，利用PID无法很好的控制再生温度的值，从而导致车间露点波动，进而影响除湿机的节能效果；或者自行根据经验设置再生温度的值，使得车间露点波动比较大。
因此，当前根据经验设置再生温度的方法，使得无法对车间露点的值进行准确设置。
发明内容
有鉴于此，本发明的目的在于提供一种车间露点控制方法、装置、设备及可读存储介质，解决了现有技术中车间露点控制准确性较低的技术问题。
为解决上述技术问题，本发明提供了一种车间露点控制方法，包括：
获取配置的目标车间露点；其中，所述目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；
获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度；其中，所述因果关系模型为可以根据车间露点确定最优再生温度的模型；所述系统工艺参数为系统运行中的工艺参数；
将所述目标再生温度发送至再生温度闭环控制系统，以根据所述目标再生温度对车间露点进行控制。
可选的，在所述获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度之前，还包括：
获取历史系统工艺参数数据、历史设置再生温度和历史车间露点数据；
将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到所述因果关系模型。
可选的，所述将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到所述因果关系模型，包括：
将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，对神经网络模型进行训练，得到所述因果关系模型。
可选的，所述系统工艺参数包括除湿机中气流的各级表冷温度、各级表冷湿度、回风温度、回风湿度、送风温度、送风湿度和阀门开度参数。
可选的，所述获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度，包括：
将所述目标车间露点和所述系统工艺参数输入至因果关系模型，结合寻优算法进行寻优，得到最优的所述目标再生温度。
可选的，获取系统工艺参数，所述根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度，包括：
根据所述目标车间露点和根据预设时间周期获取的所述系统工艺参数，利用所述因果关系模型确定动态变化的最优再生温度；其中，所述目标再生温度包括所述动态变化的最优再生温度。
本申请还提供了一种车间露点控制装置，包括：
目标车间露点获取模块，用于获取配置的目标车间露点；其中，所述目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；
目标再生温度确定模块，用于获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度；其中，所述因果关系模型为可以根据车间露点确定最优再生温度的模型；所述系统工艺参数为系统运行中的工艺参数；
利用车间露点控制模块，用于将所述目标再生温度发送至再生温度闭环控制系统，以根据所述目标再生温度对车间露点进行控制。
可选的，还包括：
历史数据获取模块，用于获取历史系统工艺参数数据、历史设置再生温度和历史车间露点数据；
模型训练模块，用于将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到所述因果关系模型。
本申请还提供了一种车间露点控制设备，还包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述的车间露点控制方法。
本申请还提供了一种可读存储介质，所述可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上述的车间露点控制方法。
可见，本发明通过获取配置的目标车间露点；其中，目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度；其中，因果关系模型为可以根据车间露点确定最优再生温度的模型；系统工艺参数为系统运行中的工艺参数；将目标再生温度发送至再生温度闭环控制系统，以根据目标再生温度对车间露点进行控制。本申请和当前人工自行设置再生温度，或者无法线性的控制再生温度，导致车间露点控制准确性较低相比，本申请可以利用因果关系模型确定目标车间露点对应的目标再生温度，由于目标再生温度是根据当前系统的参数和需求的目标车间露点确定的，故可以利用目标再生温度对车间露点进行控制，可以提高车间露点控制的准确性和智能性。
此外，本发明还提供了一种车间露点控制装置、设备及可读存储介质，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例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，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种车间露点控制方法的流程图；
图2为本发明实施例提供的一种因果关系模型训练方法的流程示例图；
图3为本发明实施例提供的一种车间露点控制方法的流程示例图；
图4为本发明实施例提供的一种车间露点整体实现方案的结构框架图
图5为本发明实施例提供的一种车间露点控制装置的结构示意图；
图6为本发明实施例提供的一种车间露点控制设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明实施例提供的一种车间露点控制方法的流程图。该方法可以包括：
S101，获取配置的目标车间露点；其中，目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度。
该实施例中的目标车间露点为根据需求设置的值。该实施例中的车间是指封闭空间，例如车间可以叫做车间、房间、办公室、厂房等等。
S102，获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度；其中，因果关系模型为可以根据车间露点确定最优再生温度的模型；系统工艺参数为系统运行中的工艺参数。
该实施例并不限定具体的系统工艺参数，只要是可以测量的参数即可。例如该实施例中的系统工艺参数可以是各级表冷和回风等温度或者该实施例中的系统工艺参数可以是湿度和阀门开度参数。或者，该实施例中的系统工艺参数还可以是前表冷温度、前表冷湿度、中表冷温度、中表冷湿度、后表冷温度、后表冷湿度、回风温度、回风湿度、送风温度、送风湿度、多个阀门的开度、转轮的转速、压差等等。该实施例中的目标再生温度，可以是除湿机一级再生温度，或者还可以是除湿机二级再生温度，无论是一级再生温度还是二级再生温度，控制的方法都一样。可以理解的是，为了提高再生温度生成的准确性，可以利用多个系统工艺参数，例如系统工艺参数为各级表冷、再生、回风等温度、湿度、阀门开度参数。该实施例并不限定确定目标再生温度的具体过程。例如，该实施例可以利用遗传算法进行寻优，确定最优再生温度；或者该实施例还可以利用粒子群算法进行工艺智能寻优，确定最优再生温度；或者该实施例可以使用差分进化算法进行寻优，确定最优再生温度。可以理解的是，在确定目标最优再生温度的过程中，每次需要固定系统工艺参数和目标车间露点，以准确的确定当前系统工艺参数对应的目标最优再生温度。
需要进一步说明的，上述系统工艺参数包括除湿机中气流的各级表冷温度、各级表冷湿度、回风温度、回风湿度、送风温度、送风湿度和阀门开度参数。该实施例中的系统工艺参数包括除湿机中气流的各级表冷温度、各级表冷湿度、回风温度、回风湿度、送风温度、送风湿度和阀门开度参数，使用多个系统工艺参数，可以提高目标再生温度确定的准确性。
需要进一步说明的是，为了提高模型训练的准确性，在上述获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度之前，还可以包括：获取历史系统工艺参数数据、历史设置再生温度和历史车间露点数据；将历史系统工艺参数数据和历史设置再生温度作为模型输入，将历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到因果关系模型。该实施例会利用历史系统工艺参数数据和历史设置再生温度作为模型输入，历史车间露点数据作为输出，不断的对机器学习模型进行训练，得到因果关系模型。该实施例并不限定具体的机器学习模型。例如，可以使用BP(BackPropagation，反向传播)神经网络进行机器学习建模；或者，可以是与SVM模(向量机)型；或者该实施例中的机器学习模型还可以是CNN(卷积神经网络)；或者该实施例中的机器学习模型还可以是LSTM(长短期记忆网络)。该实施例在确定因果关系模型后可以验证模型的精度是否达标，当模型精度达标时，将达标的模型作为最终的因果关系模型。可以理解的是，本申请实施例通过给出模型训练的具体过程，使得模型的训练更加准确。
需要进一步说明的是，为了提高因果关系模型的自适应性，上述将历史系统工艺参数数据和历史设置再生温度作为模型输入，将历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到因果关系模型，包括：将历史系统工艺参数数据和历史设置再生温度作为模型输入，将历史车间露点数据作为输出，对神经网络模型进行训练，得到因果关系模型。该实施例中使用神经网络对模型进行训练。可以理解的是，神经网络技术对完成对微弱信号的检验和对各传感器信息实时处理，具有自适应自学习功能，能自动掌握环境特征，实现自动目标识别及容错性好，抗干扰能力强等优点。即神经网络具有高度自学习和自适应的能力。故使用神经网络可以提高模型的自适应能力。
需要进一步说明的是，为了提高寻优的速度，上述获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度，可以包括：将目标车间露点和系统工艺参数输入至因果关系模型，结合寻优算法进行寻优，得到最优的目标再生温度。该实施例并不限定具体的寻优算法。例如，该实施例可以利用遗传算法进行寻优，确定最优再生温度；或者该实施例还可以利用粒子群算法进行工艺智能寻优，确定最优再生温度；或者该实施例可以使用差分进化算法进行寻优，确定最优再生温度。该实施例通过利用寻优算法进行寻优，提高了最优的目标再生温度得到的速度。
需要进一步说明的是，为了提高利用目标再生温度对车间露点控制的准确性，获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度，可以包括：根据目标车间露点和根据预设时间周期获取的系统工艺参数，利用因果关系模型确定动态变化的最优再生温度；其中，目标再生温度包括动态变化的最优再生温度。该实施例会动态的产生目标再生温度，提高了利用目标再生温度对车间露点控制的准确性。
S103，将目标再生温度发送至再生温度闭环控制系统，以根据目标再生温度对车间露点进行控制。
该实施例在得到目标再生温度时，会将目标再生温度发送至再生温度闭环控制系统，根据目标再生温度对除湿机进行控制，从而实现利用目标再生温度对车间露点进行控制。可以理解的是，该实施例可以通过目标再生温度控制除湿机，通过运行除湿机从而对车间露点进行调整。
本发明实施例提供的一种车间露点控制方法，可以包括：S101，获取配置的目标车间露点；其中，目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；S102，获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度；其中，因果关系模型为可以根据车间露点确定最优再生温度的模型；系统工艺参数为系统运行中的工艺参数；S103，将目标再生温度发送至再生温度闭环控制系统，以根据目标再生温度对车间露点进行控制。可见，和当前人工自行设置再生温度，对车间露点进行控制相比，本申请可以利用因果关系模型确定目标车间露点对应的目标再生温度，由于目标再生温度是根据当前系统的参数和需求的目标车间露点确定的，故可以提高目标再生温度设定的准确性，从而利用目标再生温度对车间露点进行控制，提高了车间露点控制的准确性和智能性。并且，使用多个系统工艺参数，提高目标再生温度确定的准确性；并且，本申请实施例通过给出模型训练的具体过程，使得模型的训练更加准确；并且，使用神经网络作为机器学习模型，提高模型的自适应能力；并且，该实施例通过利用寻优算法进行寻优，提高了最优的目标再生温度得到的速度；并且，该实施例会动态的产生目标再生温度，提高了利用目标再生温度对车间露点控制的准确性。
为了使本发明更便于理解，具体请参考图2，图2为本发明实施例提供的一种因果关系模型训练方法的流程示例图，具体可以包括：
S201，获取除湿机的历史再生温度工艺数据和历史系统工艺参数数据，及其对应的历史车间露点数据；
S202，将除湿机的历史再生温度工艺数据和历史系统工艺参数数据作为输入，历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到因果关系模型。
该实施例并不限定具体的机器学习模型。该机器学习模型可以是BP神经网络；或者还可以是循环神经网络；或者还可以是长短期记忆网络。
为了使本发明更便于理解，具体请参考图3，图3为本发明实施例提供的一种车间露点控制方法的流程示例图，具体可以包括：
S301，设置目标车间露点，并不断采集系统工艺参数。
S302，根据目标车间露点和系统工艺参数利用因果关系模型进行反向寻优，得到实时动态变化的最优二级再生温度设定值。
S303，将最优二级再生温度设定值不断发送至再生温度闭环控制系统，实现对除湿机的节能控制。
该实施例通过利用最优二级再生温度对除湿机进行控制，从而实现对车间露点的控制，提高了车间露点控制的准确性。
为便于理解，请参考图4，图4为本发明实施例提供的一种车间露点整体实现方案的结构框架图，具体可以包括：
S401，将二级再生温度历史数据和其他系统工艺参数历史数据作为输入，车间露点历史数据作为输出，通过机器学习方法对机器学习模型进行训练，得到因果关系模型。
利用除湿机历史数据，建立机器学习模型，模型输入为包括二级再生温度在内的其他系统工艺参数(如各级表冷、再生、回风等温度、湿度、阀门开度参数)，模型输出为车间露点。该模型利用历史数据，建立系统工艺参数与车间露点间的因-果关系模型。模型训练完成且精度达标后，通过输入包括二级再生温度在内的系统工艺参数，可以计算得到车间露点的期望值。本专利采用BP神经网络进行机器学习建模，但不仅限于该方法，很多同类算法如SVM、CNN、LSTM都可以。
S402，确定目标车间露点和其他系统工艺参数，根据目标再生温度和其他系统工艺参数，利用因果关系模型进行反向寻优，得到最优二级再生温度。
该实施例利用第一步建立的模型进行反向寻优，求解指定的车间露点所对应的二级再生温度。既利用工艺参数与车间露点的因果关系，当模型输出(结果)为明确的目标值时，求解合适的模型输入。寻优求解时，为了确定唯一的解，需固定除二级再生温度外的其他系统工艺参数(即采用现场真实测量值)，仅对二级再生温度进行寻优，得到唯一最优解。目标最优化求解器采用元启发式算法，具体算法很多，如遗传算法、粒子群算法、差分进化算法等。本专利采用粒子群算法进行寻优，但不仅限于该方法，很多同类算法如遗传算法、模拟退火、蚁群算法、差分进化都可以。
S403，将最优二级再生温度下达给二级再生温度闭环控制系统(PID)，对二级再生温度进行闭环控制。
该实施例经过前两步完成的智能寻优，可以得到实时动态变化的最优二级再生温度设定值(初步方案每5秒进行一次优化，后续可根据实际情况调整优化频率)，再将优化后的设定值下达给二级再生温度闭环控制系统(PID)，对二级再生温度进行闭环控制。控制器参数(P、I、D)可通过离线仿真建模进行参数优化。
通过以上步骤，对二级再生温度设定值进行在线优化(相当于动态在线工艺优化)，能够将车间露点更稳定的控制在期望目标，从而达到节能效果。方案通过优化控制减少露点控制的波动性，从而优化露点设定，当车间露点波动减小至±1℃时，露点设定可以从当前的-33℃降低至30℃。
下面对本发明实施例提供的一种车间露点控制装置进行介绍，下文描述的一种车间露点控制装置与上文描述的一种车间露点控制方法可相互对应参照。
具体请参考图5，图5为本发明实施例提供的一种车间露点控制装置的结构示意图，可以包括：
目标车间露点获取模块100，用于获取配置的目标车间露点；其中，所述目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；
目标再生温度确定模块200，用于获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度；其中，所述因果关系模型为可以根据车间露点确定最优再生温度的模型；所述系统工艺参数为系统运行中的工艺参数；
利用车间露点控制模块300，用于将所述目标再生温度发送至再生温度闭环控制系统，以根据所述目标再生温度对车间露点进行控制。
进一步地，基于上述实施例，上述车间露点控制装置，还可以包括：
历史数据获取模块，用于获取历史系统工艺参数数据、历史设置再生温度和历史车间露点数据；
模型训练模块，用于将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到所述因果关系模型。
进一步地，基于上述实施例，上述模型训练模块，可以包括：
基于神经网络对模型进行训练单元，用于将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，对神经网络模型进行训练，得到所述因果关系模型。
进一步地，基于上述任意实施例，所述系统工艺参数包括除湿机中气流的各级表冷温度、各级表冷湿度、回风温度、回风湿度、送风温度、送风湿度和阀门开度参数。
进一步地，基于上述任意实施例，上述目标再生温度确定模块200，可以包括：
寻优单元，用于将所述目标车间露点和所述系统工艺参数输入至因果关系模型，结合寻优算法进行寻优，得到最优的所述目标再生温度。
进一步地，基于上述任意实施例，上述目标再生温度确定模块200，可以包括：
动态变化的最优再生温度确定单元，用于根据所述目标车间露点和根据预设时间周期获取的所述系统工艺参数，利用所述因果关系模型确定动态变化的最优再生温度；其中，所述目标再生温度包括所述动态变化的最优再生温度。
需要说明的是，上述一种车间露点控制装置中的模块以及单元在不影响逻辑的情况下，其顺序可以前后进行更改。
本发明实施例提供的一种车间露点控制装置，可以包括：目标车间露点获取模块100，用于获取配置的目标车间露点；其中，所述目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；目标再生温度确定模块200，用于获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度；其中，所述因果关系模型为可以根据车间露点确定最优再生温度的模型；所述系统工艺参数为系统运行中的工艺参数；利用车间露点控制模块300，用于将所述目标再生温度发送至再生温度闭环控制系统，以根据所述目标再生温度对车间露点进行控制。可见，和当前人工自行设置再生温度，对车间露点进行控制相比，本申请可以利用因果关系模型确定目标车间露点对应的目标再生温度，由于目标再生温度是根据当前系统的参数和需求的目标车间露点确定的，故可以提高目标再生温度设定的准确性，从而利用目标再生温度对车间露点进行控制，提高了车间露点控制的准确性和智能性。并且，使用多个系统工艺参数，提高目标再生温度确定的准确性；并且，本申请实施例通过给出模型训练的具体过程，使得模型的训练更加准确；并且，使用神经网络作为机器学习模型，提高模型的自适应能力；并且，该实施例通过利用寻优算法进行寻优，提高了最优的目标再生温度得到的速度；并且，该实施例会动态的产生目标再生温度，提高了利用目标再生温度对车间露点控制的准确性。
下面对本发明实施例提供的一种车间露点控制设备进行介绍，下文描述的一种车间露点控制设备与上文描述的一种车间露点控制方法可相互对应参照。
请参考图6，图6为本发明实施例提供的一种车间露点控制设备的结构示意图，可以包括：
存储器10，用于存储计算机程序；
处理器20，用于执行计算机程序，以实现上述的一种车间露点控制方法。
存储器10、处理器20、通信接口30均通过通信总线40完成相互间的通信。
在本发明实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本发明实施例中，存储器10中可以存储有用于实现以下功能的程序：
获取配置的目标车间露点；其中，目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；
获取系统工艺参数，根据目标车间露点和系统工艺参数利用因果关系模型确定目标车间露点对应的目标再生温度；其中，因果关系模型为可以根据车间露点确定最优再生温度的模型；系统工艺参数为系统运行中的工艺参数；
将目标再生温度发送至再生温度闭环控制系统，以根据目标再生温度对车间露点进行控制。
在一种可能的实现方式中，存储器10可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。
此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器(CentralProcessingUnit，CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口30可以为通信模块的接口，用于与其他设备或者系统连接。
当然，需要说明的是，图6所示的结构并不构成对本发明实施例中一种车间露点控制设备的限定，在实际应用中一种车间露点控制设备可以包括比图6所示的更多或更少的部件，或者组合某些部件。
下面对本发明实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的一种车间露点控制方法可相互对应参照。
本发明还提供一种可读存储介质，该可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的一种车间露点控制方法的步骤。
该可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的一种车间露点控制方法、装置、设备及可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种车间露点控制方法，其特征在于，包括：
获取配置的目标车间露点；其中，所述目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；
获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度；其中，所述因果关系模型为可以根据车间露点确定最优再生温度的模型；所述系统工艺参数为系统运行中的工艺参数；
将所述目标再生温度发送至再生温度闭环控制系统，以根据所述目标再生温度对车间露点进行控制。
2.根据权利要求1所述的车间露点控制方法，其特征在于，在所述获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度之前，还包括：
获取历史系统工艺参数数据、历史设置再生温度和历史车间露点数据；
将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到所述因果关系模型。
3.根据权利要求2所述的车间露点控制方法，其特征在于，所述将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到所述因果关系模型，包括：
将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，对神经网络模型进行训练，得到所述因果关系模型。
4.根据权利要求1所述的车间露点控制方法，其特征在于，所述系统工艺参数包括除湿机中气流的各级表冷温度、各级表冷湿度、回风温度、回风湿度、送风温度、送风湿度和阀门开度参数。
5.根据权利要求1至4任一项所述的车间露点控制方法，其特征在于，所述获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度，包括：
将所述目标车间露点和所述系统工艺参数输入至因果关系模型，结合寻优算法进行寻优，得到最优的所述目标再生温度。
6.根据权利要求1所述的车间露点控制方法，其特征在于，获取系统工艺参数，所述根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度，包括：
根据所述目标车间露点和根据预设时间周期获取的所述系统工艺参数，利用所述因果关系模型确定动态变化的最优再生温度；其中，所述目标再生温度包括所述动态变化的最优再生温度。
7.一种车间露点控制装置，其特征在于，包括：
目标车间露点获取模块，用于获取配置的目标车间露点；其中，所述目标车间露点是指在固定气压之下，空气中所含的气态水达到饱和而凝结成液态水所需要降至的目标温度；
目标再生温度确定模块，用于获取系统工艺参数，根据所述目标车间露点和所述系统工艺参数利用因果关系模型确定所述目标车间露点对应的目标再生温度；其中，所述因果关系模型为可以根据车间露点确定最优再生温度的模型；所述系统工艺参数为系统运行中的工艺参数；
车间露点控制模块，用于将所述目标再生温度发送至再生温度闭环控制系统，以根据所述目标再生温度对车间露点进行控制。
8.根据权利要求7所述的车间露点控制装置，其特征在于，还包括：
历史数据获取模块，用于获取历史系统工艺参数数据、历史设置再生温度和历史车间露点数据；
模型训练模块，用于将所述历史系统工艺参数数据和所述历史设置再生温度作为模型输入，将所述历史车间露点数据作为输出，通过机器学习方法对机器学习模型进行训练，得到所述因果关系模型。
9.一种车间露点控制设备，其特征在于，还包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的车间露点控制方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至6任一项所述的车间露点控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410253768.3A CN117968217A (zh) | 2024-03-06 | 2024-03-06 | 一种车间露点控制方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410253768.3A CN117968217A (zh) | 2024-03-06 | 2024-03-06 | 一种车间露点控制方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117968217A true CN117968217A (zh) | 2024-05-03 |
Family
ID=90851466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410253768.3A Pending CN117968217A (zh) | 2024-03-06 | 2024-03-06 | 一种车间露点控制方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117968217A (zh) |
-
2024
- 2024-03-06 CN CN202410253768.3A patent/CN117968217A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
| CN110824923A (zh) | 一种基于深度学习与云计算的污水处理控制方法及其系统 | |
| CN110781969B (zh) | 基于深度强化学习的空调风量控制方法、装置以及介质 | |
| JP2016028349A (ja) | プロセスモデルの高速同定および生成 | |
| CN114216256B (zh) | 离线预训练-在线学习的通风系统风量控制方法 | |
| CN107908113A (zh) | 基于改进tlbo算法的自抗扰控制器参数整定方法 | |
| CN106991507A (zh) | 一种SCR入口NOx浓度在线预测方法及装置 | |
| CN108489015A (zh) | 基于极点配置和帕德近似的空调系统温度控制方法 | |
| CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
| 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 | |
| CN116449779A (zh) | 基于Actor-Critic结构的汽车车身喷涂用环境数据分析方法 | |
| CN114428462A (zh) | 基于mpc算法对被控系统进行动态控制的方法、设备和介质 | |
| CN104834285B (zh) | 对角递归神经网络控制器在多平台中的实现方法 | |
| CN117968217A (zh) | 一种车间露点控制方法、装置、设备及可读存储介质 | |
| CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
| CN103197692A (zh) | 一种流量控制方法、装置及系统 | |
| CN112257278B (zh) | 机组耗差计算模型获取方法、耗差获取方法及系统 | |
| Ao et al. | The Parameter Auto-Tuning Method Based on Selflearning Algorithm | |
| Guolian et al. | Multiple-model predictive control based on fuzzy adaptive weights and its application to main-steam temperature in power plant | |
| CN113625557A (zh) | 一种在线优化模型的hvac系统模型预测控制方法 | |
| CN114265361A (zh) | 一种基于视频反馈信号强化学习的自动行车防摇控制方法 | |
| CN116300430B (zh) | Mpc控制参数寻优方法及其在并联平台的应用 | |
| CN116149262B (zh) | 一种伺服系统的跟踪控制方法及系统 | |
| Ma et al. | Systems modeling and intelligent control of meat drying process | |
| CN115877811B (zh) | 流程工艺处理方法、装置及设备 |
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 |