CN115169245A - 烘干降温时长的预测方法、装置、计算机设备及存储介质 - Google Patents

烘干降温时长的预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115169245A
CN115169245A CN202210910155.3A CN202210910155A CN115169245A CN 115169245 A CN115169245 A CN 115169245A CN 202210910155 A CN202210910155 A CN 202210910155A CN 115169245 A CN115169245 A CN 115169245A
Authority
CN
China
Prior art keywords
target
drying
temperature
duration
drying equipment
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
Application number
CN202210910155.3A
Other languages
English (en)
Inventor
蔡谷奇
陈梓雯
周政
唐琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202210910155.3A priority Critical patent/CN115169245A/zh
Publication of CN115169245A publication Critical patent/CN115169245A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Drying Of Solid Materials (AREA)

Abstract

本发明实施例公开了一种烘干降温时长的预测方法、装置、计算机设备及存储介质。方法包括：检测目标烘干设备的烘干程序是否结束；若结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；然后将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。本方案结合了目标烘干设备的环境温度、被烘干物重量、大气压强以及降温器的电机电流以及电机功率进行降温时长的预测，预测结果受环境、烘干设备工况等因素影响较小，提高了降温时长预测的准确率。

Description

烘干降温时长的预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种烘干降温时长的预测方法、装置、计算机设备及存储介质。
背景技术
具有烘干衣物功能的洗衣机以及干衣机(后续统称为烘干设备)越来越普及，因烘干需要高温进行，在烘干结束后，整机需要一个降温流程，以保证用户使用安全。
目前在烘干设备的烘干程序中，只有当桶内温度降低到满足开门条件时才会开门，部分烘干设备由于判断降温时间不准确，会出现多次时间跳变或者时间不变的情况；比如烘干设备降温阶段从剩余时间t1(t1>1)运行到剩余1分钟时，假如此时桶内温度过高不满足开门，则将剩余时间跳变为t2(t2>1)重新倒计时或者一直停留在显示1分钟直至烘干降温阶段结束满足开门条件才开门，这种不确定时间的做法会让用户长时间等待无果，带来很差的用户体验，现亟需一种方法可以更准确地预测烘干设备的降温时长。
发明内容
本发明实施例提供了一种烘干降温时长的预测方法、装置、计算机设备及存储介质，可以提高烘干设备降温时长预测的准确率。
第一方面，本发明实施例提供了一种烘干降温时长的预测方法，其包括：
检测目标烘干设备的烘干程序是否结束；
若所述烘干程序结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
第二方面，本发明实施例还提供了一种烘干降温时长的预测装置，其包括：获取单元以及处理单元，其中：
所述处理单元，用于检测目标烘干设备的烘干程序是否结束；
所述获取单元，用于当所述烘干程序结束时，获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；
所述处理单元，还用于将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长；显示所述目标降温时长。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。
本发明实施例提供了一种烘干降温时长的预测方法、装置、计算机设备及存储介质。其中，所述方法包括：检测目标烘干设备的烘干程序是否结束；若所述烘干程序结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；然后将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。本方案结合了目标烘干设备的环境温度、被烘干物重量、大气压强以及降温器的电机电流以及电机功率进行降温时长的预测，预测结果受环境、烘干设备工况等因素影响较小，提高了降温时长预测的准确率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的烘干降温时长的预测方法的应用场景示意图；
图2为本发明实施例提供的烘干降温时长的预测方法的一流程示意图；
图3为本发明实施例提供的BP神经网络模型的一结构示意图；
图4为本发明实施例提供的烘干设备运行过程中的一温度曲线示意图；
图5为本发明另一实施例提供的烘干降温时长的预测方法的流程示意图；
图6为本发明实施例提供的BP神经网络模型的一训练流程示意图；
图7为本发明实施例提供的烘干降温时长的预测装置的示意性框图；
图8为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本发明实施例提供了一种烘干降温时长的预测方法、装置、计算机设备及存储介质。
该烘干降温时长的预测方法的执行主体可以是本发明实施例提供的烘干降温时长的预测装置，或者集成了该烘干降温时长的预测装置的计算机设备，其中，该烘干降温时长的预测装置可以采用硬件或者软件的方式实现，该计算机设备可以为烘干设备(如干衣机或者具有干衣功能的洗衣机)，或者为烘干设备中的中央控制器，也可以为与烘干设备具有通信连接的终端或服务器，此时，一台终端或服务器可以为多台烘干设备提供降温时长预测的服务。
在一些实施例中，请参阅图1，图1为本发明实施例提供的烘干降温时长的预测方法的应用场景示意图。以该烘干降温时长的预测方法的执行主体是烘干设备为例，该烘干降温时长的预测方法应用于图1中的烘干设备10中，该烘干设备10检测自身的烘干程序是否结束；若所述烘干程序结束，则获取该烘干设备的环境温度、该烘干设备中的被烘干物重量、该烘干设备所处环境的大气压强、该烘干设备中降温器的电机电流以及电机功率(如图1所示，这些参数统称为影响因子)；然后将这些影响因子输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长，最后将得到的目标降温时长显示在烘干设备10的显示面板上。
以下以该烘干降温时长的预测方法的执行主体为烘干设备(实施例一)或服务器(实施例二)为例，分别对本发明提供的烘干降温时长的预测方法进行说明。
实施例一：
本实施例中烘干降温时长的预测方法的执行主体为烘干设备，此时，该烘干设备中预设有训练后的降温时长预测模型进行降温时长预测。请参阅图2，图2是本发明实施例提供的烘干降温时长的预测方法的流程示意图。如图2所示，该方法包括以下步骤S110-S140。
S110、检测目标烘干设备的烘干程序是否结束。
其中，本实施例中的目标烘干设备的烘干程序结束之后会进入降温程序，本实施例需要实时检测目标烘干设备的烘干程序是否结束，若还没结束，则继续进行烘干程序是否结束的监测，若结束，则进入步骤S120。
本实施例中的目标烘干设备为具有降温时长预测功能的烘干设备，且该烘干设备正在执行烘干程序。
需要说明的是，在本实施例中描述的烘干程序不包括烘干结束后的降温程序。
S120、若所述烘干程序结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率。
本实施例中，如果目标烘干设备的烘干程序结束，说明目标烘干设备准备进入降温阶段，此时，需要获取目标烘干设备当前的环境温度、被烘干物重量、大气压强、目标烘干设备中降温器的电机电流以及电机功率。
具体地，通过设置在目标烘干设备外部的温度传感器获取目标烘干设备当前的环境温度，通过设置在目标烘干设备烘干筒底部的重量传感器获取被烘干物重量，通过设置在目标烘干设备外部气压传感器获取目标烘干设备当前所处环境的大气压强。
本实施例目标烘干设备中降温器的电机电流以及电机功率可以为降温器预设的电机额定电流以及电机额定功率，也可以为在降温器稳定工作时测得的电机工作电流以及电机工作功率，若为电机工作电流以及电机工作功率，则此时，需要在降温器进入稳定工作状态(一般结束烘干程序，进入降温程序几秒后即可进入稳定工作状态)，再获取电机工作电流以及电机工作功率，进而进行降温时长的预测。
其中，本实施例中目标烘干设备中的降温器可以为吹风机。
S130、将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
在一些实施例中，本实施例中的降温时长预测模型为反向传播(BackPropagation，BP)神经网络模型，也可以为其他具有预测功能的神经网络，具体此处不作限定。
本实施例中的目标降温时长为目标烘干设备烘干程序结束之后，所需的降温时间，即烘干程序结束之后到距离烘干设备可以开门之间所需的时间。
其中，如图3所示，本实施例中的BP神经网络模型包括一层输入层、两层隐藏层以及一层输出层。
在本实施例中，输入层的节点个数为5，输入的参数分别对应的是环境温度(C)、被烘干物重量(W)、大气压强(K)、烘干设备中降温器的电机电流(I)以及电机功率(P)，输出层节点个数为1，输出的是预测的降温时长。
由于，隐藏层中每层隐节点数的多少对网络性能的影响较大，当隐节点数太多时，会导致网络学习时间过长，甚至不能收敛；而当隐节点数过小时，网络的容错能力差。
所以为了得到合适的隐层节点个数，避免上述问题，本实施例中的BP神经网络模型中每层所述隐藏层的节点个数根据以下公式确定：
Figure BDA0003773737150000061
其中，所述N为每层所述隐藏层的节点个数，Nx为所述输入层的节点个数，Ny为所述输出层的节点个数。
本实施例中，Nx为5，Ny为1，计算得到各层隐藏层的节点个数为3。
需要说明的是，在一些实施例中，本实施例提供的烘干设备为用户提供了开门温度阈值调节功能，用户可以在预设的开门温度阈值调节范围内对开门温度阈值进行调节，如果用户不进行调节，则使用默认的开门温度阈值。
在一些实施例中，本实施例中的烘干设备允许用户将开门温度阈值进行调节的范围为[25°，50°]，用户则可以在改范围内对烘干设备的开门温度阈值进行调整(具体地，可以相隔5°为一档进行调节)。
例如，如果默认的开门温度阈值为35°，但用户觉得开门等待时间该是太长，且用户可以接受更高一点的开门温度，此时，用户可以将开门温度阈值在开门温度阈值调节范围内向上调节，如果用于觉得开门温度还是太高，此时，用户可以将开门温度阈值在开门温度阈值调节范围内向下调节。
当用户对开门温度阈值进行了调节时，此时，烘干设备将获取到用户的开门温度阈值调整指令，其中，该指令携带以后调整后的开门温度阈值，然后根据所述开门温度阈值调整指令调整所述目标烘干设备的开门温度阈值，得到调整后的开门温度阈值。
需要说明的时，在一些实施例中，当可以对开门温度阈值进行调节时，本实施例中降温时长预测模型针对开门温度阈值调节范围内的各档开门温度阈值都进行了训练，所以将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测之后，训练后的降温时长预测模型会得到开门温度阈值调节范围内的各档开门温度阈值分别对应的预测降温时长，然后将所述调整后的开门温度阈值对应的预测降温时长确定为所述目标降温时长。
在另一些实施例中，如果烘干设备没有开门温度阈值的调整功能，则此时对应的降温时长预测模型只需要针对默认的开门温度阈值进行训练即可，输出的降温时长也为烘干筒内温度从烘干结束到达默认的开门温度阈值所需的时长，而不需要对针对开门温度阈值调节范围内的各档开门温度阈值都进行训练，减少了模型的参数，且提高模型的训练速度。
其中，由于烘干设备的烘干筒在刚结束烘干程序时，其桶内温度是比较恒定的，为热风机的出风温度，所以本实施例在降温时长预测时不需要考虑烘干程序结束时的桶内温度。
如图4所示，图4为本实施例中烘干设备运行过程中的温度曲线图，其中，横坐标为时间(单位：秒)，纵坐标为温度(单位：摄氏度)，其中，A点为烘干程序开始时对应的点，C点至B点为烘干降温曲线，C点至B点经过时间为烘干降温时长，即本实施例中需要预测的目标降温时长。
S140、显示所述目标降温时长。
具体地，在烘干设备的显示面板上显示该目标降温时长，更具体地，在该显示面板上显示该烘干时长对应的倒计时，使得用户更加直观地查看距离可以开门的时间。
需要说明的是，在一些实施例中，当所述目标降温时长的倒计时为0时，触发所述目标烘干设备的开门指令；然后根据所述开门指令打开所述目标烘干设备的门锁。
在一些实施例中，为了提醒用户可以打开烘干设备的门了，此时，烘干设备还会生成开门提醒警报，此时，烘干设备会根据该开门提醒警报，发出预设的声响，例如“滴滴”声。
综上所述，本方案结合了目标烘干设备的环境温度、被烘干物重量、大气压强以及降温器的电机电流以及电机功率进行降温时长的预测，预测结果受环境、烘干设备工况等因素影响较小，提高了降温时长预测的准确率。
实施例二：
本实施例中烘干降温时长的预测方法的执行主体为服务器，此时，该服务器可以为多个烘干设备提供降温时长预测的功能，各烘干设备与该服务器可以进行通信连接。
请参阅图5，图5是本发明实施例提供的烘干降温时长的预测方法的流程示意图。如图5所示，该方法包括以下步骤S210-S240。
S210、检测目标烘干设备的烘干程序是否结束。
在一些实施例中，目标烘干设备在烘干程序结束时会向服务器发送烘干程序结束指令，此时，S210包括，服务器会持续检测是否接收到目标烘干设备的烘干程序结束指令，当接收到该指令时，则判断目标烘干设备的烘干程序结束，否则，继续检测目标烘干设备是否结束。
S220、若所述烘干程序结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率。
具体地，在一些实施例中，当服务器接收到目标烘干设备的烘干程序结束指令时，将会向目标烘干设备发送时长影响因子获取指令，当烘干设备接收到该时长影响因子获取指令之后，将发送目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及烘干设备中降温器的电机功率这些时长影响因子至服务器中，使得服务器获取该上述时长影响因子。
S230、将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
当服务接收到上述时长影响因子之后，会将这些时长影响因子输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
在一些实施例中，如果用户可以对开门温度阈值进行调节，此时，还需要将目标烘干设备当前的开门温度阈值发送至服务器中，然后服务器中的降温时长预测模型根据上述时长影响因子将得到多个开门温度阈值分别对应的降温时长，此时，服务器将目标烘干设备当前设定的开门温度阈值所对应的降温时长确定为目标降温时长。
S240、将所述目标降温时长发送至所述目标烘干设备，使得所述目标烘干设备显示所述目标降温时长。
当服务器计算得到目标烘干设备对应的目标降温时长之后，将该目标降温时长发送至目标烘干设备，然后目标烘干设备动态显示所述目标降温时长对应的倒计时；当所述目标降温时长的倒计时为0时，服务器或者目标烘干设备本身触发所述目标烘干设备的开门指令；然后根据所述开门指令打开所述目标烘干设备的门锁。
综上所述，本方案中的服务器结合了目标烘干设备的环境温度、被烘干物重量、大气压强以及降温器的电机电流以及电机功率进行降温时长的预测，预测结果受环境、烘干设备工况等因素影响较小，提高了降温时长预测的准确率，并且本实施例中的服务器可以为多台烘干设备提供开门时长预测服务器，烘干设备只需要将采集到的时长影响因子等数据发送至服务器，服务器即可为烘干设备提供精准的开门时长预测服务，烘干设备的运算能力不需要太高，节省烘干设备的运算成本。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述实施例二中的烘干降温时长的预测方法的一些具体实现过程，可以参考实施例一中的相应描述，为了描述的方便和简洁，在此不再赘述。
实施例三：
以下对本发明实施例提供的降温时长预测模型的训练步骤进行详细说明，本实施例中的降温时长预测模型的训练步骤可以在本发明提供的计算机设备中执行。本实施例以降温时长预测模型为BP神经网络模型为例进行说明，请参阅图6，图6是本发明实施例提供的降温时长预测模型的训练方法的流程示意图。如图6所示，该方法包括以下步骤S310-S340。
S310、获取训练样本集。
在一些实施例中，由于在训练前期还不清楚哪些因子对降温时长存在影响，所以在执行步骤S310之前，首先需要判断哪些因子对降温时长会有影响。
具体地，在步骤S310之前，会获取多种历史样本数据；然后使用多元线性回归模型对所述历史样本数据进行筛选，得到影响因子，其中，得到的影响因子即本实施例中BP神经网络模型需要进行降温时长预测的输入参数，所述影响因子包括烘干设备的环境温度、被烘干物重量、大气压强、烘干设备中降温器的电流以及功率。
其中，多种历史样本数据除了包括上述影响因子之外，还包括环境湿度、环境亮度等参数，通过多元线性回归模型判断得到这些参数对降温时长没有什么关联，所以去除了这写参数。
可见，本实施例会对历史样本数据进行筛选，筛选得到对降温时长有影响的影响因子，可以提高模型训练的速度以及准确度。
S320、根据所述训练样本集中的训练样本对预设的BP神经网络模型进行前向传播，得到预测时长。
本实施例中的BP神经网络模型使用Sigmoid函数
Figure BDA0003773737150000101
作为激活函数逐层计算得到预测时长。
其中，本实施例中的BP神经网络模型的结构如图3所示，包括一层输入层、两层隐藏层以及一层输出层。
且输入层的节点个数为5，输入的参数分别对应的是环境温度、被烘干物重量、大气压强、烘干设备中降温器的电流以及功率，输出层节点个数为1，输出的是预测的降温时长。
由于，隐藏层中每层隐节点数的多少对网络性能的影响较大，当隐节点数太多时，会导致网络学习时间过长，甚至不能收敛；而当隐节点数过小时，网络的容错能力差。
所以为了得到合适的隐层节点个数，避免上述问题，本实施例中的BP神经网络中每层所述隐藏层的节点个数根据以下公式确定：
Figure BDA0003773737150000102
其中，所述N为每层所述隐藏层的节点个数，Nx为所述输入层的节点个数，Ny为所述输出层的节点个数。
本实施例中，Nx为5，Ny为1，计算得到各层隐藏层的节点个数为3。
S330、根据所述预测时长以及所述训练样本对应的实际时长计算时长差值。
本实施例中，每个训练样本都携带有对应的实际时长的标签，此时，当得到某一训练样本的预测时长时，将计算该预测时长与实际时长的时长差值。
S340、根据所述时长差值对所述预设的BP神经网络模型进行反向传播，得到所述训练后的BP神经网络模型。
得到时长差值之后，将会根据该时长差值反过来对输入端进行一个负反馈，从而使神经网络对权值进行调整，再根据调整后的权值重新进行训练。
需要说明的是，本实施例针对训练样本集中的每个训练样本都需要依次执行步骤S320至S340，如此通过大量历史数据反复训练，得到训练后的BP神经网络模型。
需要说明的时，在一些实施例中，当可以对开门温度阈值进行调节时，本实施例中的BP神经网络模型针对开门温度阈值调节范围内的各档开门温度阈值都进行了训练，所以将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测之后，训练后的BP神经网络模型会得到各开门温度阈值调节范围内的各开门温度阈值分别对应的预测降温时长，然后将所述调整后的开门温度阈值对应的预测降温时长确定为所述目标降温时长。
在另一些实施例中，如果烘干设备没有开门温度阈值的调整功能，则此时BP神经网络模型只需要针对默认的开门温度阈值进行训练即可，输出的降温时长也为烘干筒内温度从烘干结束到达默认的开门温度阈值所需的时长，而不需要对针对多个开门温度阈值进行训练，减少了模型的参数，且提高模型的训练速度。
实施例四：
图7是本发明实施例提供的一种烘干降温时长的预测装置的示意性框图。如图7所示，对应于以上烘干降温时长的预测方法，本发明还提供一种烘干降温时长的预测装置。该烘干降温时长的预测装置包括用于执行上述烘干降温时长的预测方法的单元，该装置可以被配置于烘干机或为烘干器提供降温时长预测功能的服务器等计算机设备中。具体地，请参阅图7，该烘干降温时长的预测装置700包括获取单元701以及处理单元702，其中：
所述处理单元702，用于检测目标烘干设备的烘干程序是否结束；
所述获取单元701，用于当所述烘干程序结束时，获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；
所述处理单元702，还用于将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长；显示所述目标降温时长。
在一些实施例中，所述处理单元702在执行所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之前，还用于：
获取训练样本集；
根据所述训练样本集中的训练样本对预设的降温时长预测模型进行前向传播，得到预测时长；
根据所述预测时长以及所述训练样本对应的实际时长计算时长差值；
根据所述时长差值对所述预设的降温时长预测模型进行反向传播，得到所述训练后的降温时长预测模型。
在一些实施例中，所述处理单元702在执行所述获取训练样本集步骤之前，还用于：
获取多种历史样本数据；
使用多元线性回归模型对所述历史样本数据进行筛选，得到影响因子，所述影响因子包括烘干设备的环境温度、被烘干物重量、大气压强、烘干设备中降温器的电流以及功率；
所述获取训练样本集包括：
根据所述影响因子获取所述训练样本集。
在一些实施例中，所述降温时长预测模型包括输入层、隐藏层与输出层，每层所述隐藏层的节点个数根据以下公式确定：
Figure BDA0003773737150000121
其中，所述N为每层所述隐藏层的节点个数，Nx为所述输入层的节点个数，Ny为所述输出层的节点个数。
在一些实施例中，所述处理单元702在执行所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之前，还用于：
获取用户的开门温度阈值调整指令；
根据所述开门温度阈值调整指令调整所述目标烘干设备的开门温度阈值，得到调整后的开门温度阈值；
所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长，包括：
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到多个开门温度阈值分别对应的预测降温时长；
将所述调整后的开门温度阈值对应的预测降温时长确定为所述目标降温时长。
在一些实施例中，所述处理单元702在执行所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之后，还用于：
动态显示所述目标降温时长对应的倒计时；
当所述目标降温时长的倒计时为0时，触发所述目标烘干设备的开门指令；
根据所述开门指令打开所述目标烘干设备的门锁。
在一些实施例中，所述处理单元702在执行所述根据所述开门指令打开所述目标烘干设备的门锁步骤之后，还用于：
生成开门提醒警报。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述烘干降温时长的预测装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
实施例五：
上述烘干降温时长的预测装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本发明实施例提供的一种计算机设备的示意性框图。该计算机设备800可以是烘干设备中的控制设备，也可以是可以为烘干设备提供降温时长预测功能的服务器，其中，该服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图8，该计算机设备800包括通过***总线801连接的处理器802、存储器和网络接口805，其中，存储器可以包括非易失性存储介质803和内存储器804。
该非易失性存储介质803可存储操作***8031和计算机程序8032。该计算机程序8032包括程序指令，该程序指令被执行时，可使得处理器802执行一种烘干降温时长的预测方法。
该处理器802用于提供计算和控制能力，以支撑整个计算机设备800的运行。
该内存储器804为非易失性存储介质803中的计算机程序8032的运行提供环境，该计算机程序8032被处理器802执行时，可使得处理器802执行一种烘干降温时长的预测方法。
该网络接口805用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备800的限定，具体的计算机设备800可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器802用于运行存储在存储器中的计算机程序8032，以实现如下步骤：
检测目标烘干设备的烘干程序是否结束；
若所述烘干程序结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
在一些实施例中，处理器802在实现所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之前，还实现如下步骤：
获取训练样本集；
根据所述训练样本集中的训练样本对预设的降温时长预测模型进行前向传播，得到预测时长；
根据所述预测时长以及所述训练样本对应的实际时长计算时长差值；
根据所述时长差值对所述预设的降温时长预测模型进行反向传播，得到所述训练后的降温时长预测模型。
在一些实施例中，处理器802在实现所述获取训练样本集步骤之前，还实现如下步骤：
获取多种历史样本数据；
使用多元线性回归模型对所述历史样本数据进行筛选，得到影响因子，所述影响因子包括烘干设备的环境温度、被烘干物重量、大气压强、烘干设备中降温器的电流以及功率；
所述获取训练样本集包括：
根据所述影响因子获取所述训练样本集。
在一些实施例中，所述降温时长预测模型包括输入层、隐藏层与输出层，每层所述隐藏层的节点个数根据以下公式确定：
Figure BDA0003773737150000151
其中，所述N为每层所述隐藏层的节点个数，Nx为所述输入层的节点个数，Ny为所述输出层的节点个数。
在一些实施例中，处理器802在实现所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之前，还实现如下步骤：
获取用户的开门温度阈值调整指令；
根据所述开门温度阈值调整指令调整所述目标烘干设备的开门温度阈值，得到调整后的开门温度阈值；
所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长，包括：
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到多个开门温度阈值分别对应的预测降温时长；
将所述调整后的开门温度阈值对应的预测降温时长确定为所述目标降温时长。
在一些实施例中，处理器802在实现所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之后，还实现如下步骤：
动态显示所述目标降温时长对应的倒计时；
当所述目标降温时长的倒计时为0时，触发所述目标烘干设备的开门指令；
根据所述开门指令打开所述目标烘干设备的门锁。
在一些实施例中，处理器802在实现所述根据所述开门指令打开所述目标烘干设备的门锁步骤之后，还实现如下步骤：
生成开门提醒警报。
应当理解，在本发明实施例中，处理器802可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器802还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
实施例六：
本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：
检测目标烘干设备的烘干程序是否结束；
若所述烘干程序结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
在一些实施例中，所述处理器在执行所述程序指令而实现所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之前，还实现如下步骤：
获取训练样本集；
根据所述训练样本集中的训练样本对预设的降温时长预测模型进行前向传播，得到预测时长；
根据所述预测时长以及所述训练样本对应的实际时长计算时长差值；
根据所述时长差值对所述预设的降温时长预测模型进行反向传播，得到所述训练后的降温时长预测模型。
在一些实施例中，所述处理器在执行所述程序指令而实现所述获取训练样本集步骤之前，还实现如下步骤：
获取多种历史样本数据；
使用多元线性回归模型对所述历史样本数据进行筛选，得到影响因子，所述影响因子包括烘干设备的环境温度、被烘干物重量、大气压强、烘干设备中降温器的电流以及功率；
所述获取训练样本集包括：
根据所述影响因子获取所述训练样本集。
在一些实施例中，所述降温时长预测模型包括输入层、隐藏层与输出层，每层所述隐藏层的节点个数根据以下公式确定：
Figure BDA0003773737150000171
其中，所述N为每层所述隐藏层的节点个数，Nx为所述输入层的节点个数，Ny为所述输出层的节点个数。
在一些实施例中，所述处理器在执行所述程序指令而实现所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之前，还实现如下步骤：
获取用户的开门温度阈值调整指令；
根据所述开门温度阈值调整指令调整所述目标烘干设备的开门温度阈值，得到调整后的开门温度阈值；
所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长，包括：
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到多个开门温度阈值分别对应的预测降温时长；
将所述调整后的开门温度阈值对应的预测降温时长确定为所述目标降温时长。
在一些实施例中，所述处理器在执行所述程序指令而实现所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长步骤之后，还实现如下步骤：
动态显示所述目标降温时长对应的倒计时；
当所述目标降温时长的倒计时为0时，触发所述目标烘干设备的开门指令；
根据所述开门指令打开所述目标烘干设备的门锁。
在一些实施例中，所述处理器在执行所述程序指令而实现所述根据所述开门指令打开所述目标烘干设备的门锁步骤之后，还实现如下步骤：
生成开门提醒警报。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，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，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种烘干降温时长的预测方法，其特征在于，包括：
检测目标烘干设备的烘干程序是否结束；
若所述烘干程序结束，则获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
2.根据权利要求1所述的方法，其特征在于，所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长之前，所述方法还包括：
获取训练样本集；
根据所述训练样本集中的训练样本对预设的降温时长预测模型进行前向传播，得到预测时长；
根据所述预测时长以及所述训练样本对应的实际时长计算时长差值；
根据所述时长差值对所述预设的降温时长预测模型进行反向传播，得到所述训练后的降温时长预测模型。
3.根据权利要求2所述的方法，其特征在于，所述获取训练样本集之前，所述方法还包括：
获取多种历史样本数据；
使用多元线性回归模型对所述历史样本数据进行筛选，得到影响因子，所述影响因子包括烘干设备的环境温度、被烘干物重量、大气压强、烘干设备中降温器的电流以及功率；
所述获取训练样本集包括：
根据所述影响因子获取所述训练样本集。
4.根据权利要求2所述的方法，其特征在于，所述降温时长预测模型包括输入层、隐藏层与输出层，每层所述隐藏层的节点个数根据以下公式确定：
Figure FDA0003773737140000021
其中，所述N为每层所述隐藏层的节点个数，Nx为所述输入层的节点个数，Ny为所述输出层的节点个数。
5.根据权利要求1所述的方法，其特征在于，所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长之前，所述方法还包括：
获取用户的开门温度阈值调整指令；
根据所述开门温度阈值调整指令调整所述目标烘干设备的开门温度阈值，得到调整后的开门温度阈值；
所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长，包括：
将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到多个开门温度阈值分别对应的预测降温时长；
将所述调整后的开门温度阈值对应的预测降温时长确定为所述目标降温时长。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长之后，所述方法还包括：
动态显示所述目标降温时长对应的倒计时；
当所述目标降温时长的倒计时为0时，触发所述目标烘干设备的开门指令；
根据所述开门指令打开所述目标烘干设备的门锁。
7.根据权利要求6所述的方法，其特征在于，所述根据所述开门指令打开所述目标烘干设备的门锁之后，所述方法还包括：
生成开门提醒警报。
8.一种烘干降温时长的预测装置，其特征在于，包括获取单元以及处理单元，其中：
所述处理单元，用于检测目标烘干设备的烘干程序是否结束；
所述获取单元，用于当所述烘干程序结束时，获取所述目标烘干设备的环境温度、所述目标烘干设备中的被烘干物重量、所述目标烘干设备所处环境的大气压强、所述目标烘干设备中降温器的电机电流以及电机功率；
所述处理单元，还用于将所述环境温度、所述被烘干物重量、所述大气压强、所述电机电流以及所述电机功率输入训练后的降温时长预测模型进行降温时长预测，得到目标降温时长。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
CN202210910155.3A 2022-07-29 2022-07-29 烘干降温时长的预测方法、装置、计算机设备及存储介质 Pending CN115169245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210910155.3A CN115169245A (zh) 2022-07-29 2022-07-29 烘干降温时长的预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210910155.3A CN115169245A (zh) 2022-07-29 2022-07-29 烘干降温时长的预测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN115169245A true CN115169245A (zh) 2022-10-11

Family

ID=83477902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210910155.3A Pending CN115169245A (zh) 2022-07-29 2022-07-29 烘干降温时长的预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115169245A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115969152A (zh) * 2022-12-31 2023-04-18 云南钜盛电器科技有限公司 基于气流倍增模式的吹风设备检验控制***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115969152A (zh) * 2022-12-31 2023-04-18 云南钜盛电器科技有限公司 基于气流倍增模式的吹风设备检验控制***
CN115969152B (zh) * 2022-12-31 2023-06-30 云南钜盛电器科技有限公司 基于气流倍增模式的吹风设备检验控制***

Similar Documents

Publication Publication Date Title
WO2016000483A1 (zh) 洗衣机及其控制方法和衣物材质判别方法及装置
CN107132064B (zh) 基于多传感器的旋转机械***运行状态监测方法及***
JP6632770B1 (ja) 学習装置、学習推論装置、方法、及びプログラム
TWI754109B (zh) 劣化狀態判定裝置及劣化狀態判定方法
JP4017272B2 (ja) プラント状態推定・予測装置及び方法
TWI673228B (zh) 非定常檢測裝置、非定常檢測系統以及非定常檢測方法
KR20170078387A (ko) 센서 관리 장치 및 방법
JP6718500B2 (ja) 生産システムにおける出力効率の最適化
CN115169245A (zh) 烘干降温时长的预测方法、装置、计算机设备及存储介质
CN112671585B (zh) 智能家居设备的异常处理方法及装置、处理器、电子设备
KR20170015097A (ko) 전력 관리 방법 및 장치
CN113873074B (zh) 一种控制方法、电子设备及计算机存储介质
CN112565187A (zh) 基于逻辑回归的电网攻击检测方法、***、设备及介质
CN111258863B (zh) 数据异常检测方法、装置、服务器和计算机可读存储介质
CN114091611A (zh) 设备负载重量获取方法、装置、存储介质及电子设备
CN114741258B (zh) 一种基于大数据的计算机性能控制分析***及方法
CN113055984A (zh) 终端控制方法、装置、移动终端及存储介质
CN114091238A (zh) 设备寿命预测方法、装置、电子设备及存储介质
CN114446427A (zh) 电子设备及健康数据归属识别方法
CN113986700A (zh) 数据采集频率的优化方法、***、装置及存储介质
CN113704031A (zh) ***压力测试方法、装置、介质及设备
JP7515063B2 (ja) 提示方法、および提示システム
CN109436980B (zh) 电梯部件的状态检测方法和***
CN110181503B (zh) 异常检测方法、装置、智能设备和存储介质
CN112229435A (zh) 基于规范变量分析的船舶主机偶发性故障检测方法及***

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