CN116088609A - 一种基于模糊算法的食品挤出成型智能调控*** - Google Patents
一种基于模糊算法的食品挤出成型智能调控*** Download PDFInfo
- Publication number
- CN116088609A CN116088609A CN202310389833.0A CN202310389833A CN116088609A CN 116088609 A CN116088609 A CN 116088609A CN 202310389833 A CN202310389833 A CN 202310389833A CN 116088609 A CN116088609 A CN 116088609A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- internal
- sensor
- value
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 67
- 238000001125 extrusion Methods 0.000 title claims abstract description 60
- 230000007613 environmental effect Effects 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 81
- 238000000034 method Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010041 electrostatic spinning Methods 0.000 description 1
- 235000012438 extruded product Nutrition 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000021135 plant-based food Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及智能控制领域,具体涉及一种基于模糊算法的食品挤出成型智能调控***,包括电源电压模块、温度检测模块以及温度控制模块,其中:根据外部传感器以及内部传感器得到环境温度数据以及装置内部温度数据;根据各组分段数据的波动程度值以及趋势项得到各组分段数据的参考价值,进而得到各个传感器的第一分段数据;获取环境温度区间以及各个装置内部温度区间,得到各个内部传感器的外部影响程度,进而得到温度稳定程度;获取模糊化处理后的输入参数;根据温度稳定程度得到高斯隶属度函数,结合模糊规则以及模糊化处理后的输入参数得到PID控制器的参数,实现食品挤出成型的智能调控。本发明可以对食品挤出成型机的温度进行精准控制。
Description
技术领域
本发明涉及智能控制领域,具体涉及一种基于模糊算法的食品挤出成型智能调控***。
背景技术
近年来人们对食品的营养健康和环境友好两方面提出了更高要求,同时对未来食品蛋白的安全供应有所担忧,在此背景下以“植物肉”为代表的植物基食品引起了国内外的广泛关注。目前生产“植物肉”原料的制作技术有低水分挤压、高水分挤压、静电纺丝和剪切细胞技术等,其中高水分挤压技术因制作的产品具有类似动物肉的纤维结构和软弹韧口感而备受关注,已被行业内认为是最具商业化应用前景的技术之一。其中食品挤出成型机是高水分挤压产品的主要生产设备之一,对其温度的精准控制直接影响食品的质量和效率,是生产具有类似动物肉的纤维结构和软弹韧口感的产品必需条件。
现有的食品挤出成型机的温度控制多采用模糊算法和PID控制器相结合的模糊PID控制器方法,然而由于食品挤出成型机在食品生产过程中会受到外界环境的影响,食品挤出成型机装置的内部温度变化不均匀,进而影响装置内部温度传感器的精度,导致通过模糊PID控制器得到的参数出现较大的误差,影响温度控制精度,从而对食品的质量和效率产生影响,因此亟待一种综合考虑环境温度变化的自适应模糊PID控制***对食品挤出成型机进行温度的智能控制。
发明内容
本发明提供一种基于模糊算法的食品挤出成型智能调控***,以解决现有的问题。
本发明的一种基于模糊算法的食品挤出成型智能调控***采用如下技术方案:
本发明一个实施例提供了一种基于模糊算法的食品挤出成型智能调控***,该***包括以下模块:
电源电压模块,为其他模块提供电能;
温度检测模块,使用外部传感器以及多个内部传感器分别采集环境温度数据以及不同位置上的装置内部温度数据;
温度控制模块,包括以下子模块,其中:
温度参数分析子模块,根据环境温度数据的趋势项得到环境温度数据的各个时间段;根据环境温度数据的各个时间段得到不同传感器对应的各组分段数据;根据各组分段数据中的所有数据点得到各组分段数据的波动程度值,结合各组分段数据的趋势项得到各组分段数据的参考价值;将各个传感器对应的参考价值最大的分段数据称为各个传感器的第一分段数据,根据各个传感器的第一分段数据得到环境温度区间以及各个内部传感器对应的装置内部温度区间;根据环境温度区间以及各个装置内部温度区间得到各个内部传感器的外部影响程度;将各个内部传感器除了第一分段数据以外,剩余的所有分段数据称为各个内部传感器的第二分段数据;根据各个内部传感器的外部影响程度以及所有第二分段数据中的装置内部温度数据得到温度稳定程度;
输入参数模糊化子模块,根据所有内部传感器采集的装置内部温度数据以及设定温度值得到输入参数,对输入参数进行模糊化,得到模糊化处理后的输入参数;
隶属度函数自适应子模块,根据温度稳定程度得到高斯隶属度函数的标准差,根据标准差得到高斯隶属度函数;
模糊推理计算子模块,确定模糊规则;
参数解模糊子模块,根据模糊规则以及高斯隶属度函数对模糊化处理后的输入参数进行解模糊化,得到PID控制器的参数;
PID控制器子模块,将PID控制器的参数输入到PID控制器中,对食品挤出成型机的温度进行精准控制。
优选的,所述环境温度数据的各个时间段的获取步骤包括:
对于环境温度数据的趋势项中任意三个相邻的数据点,分别记为数据点1、数据点2以及数据点3,计算数据点1和数据点2之间的斜率值,然后计算数据点2与数据点3之间的斜率值,将两个斜率值之间差值的绝对值作为数据点2的划分指标;对环境温度数据的趋势项中的各个数据点进行处理,得到环境温度数据的趋势项中各个数据点的划分指标;对所有数据点的划分指标进行归一化,得到各个数据点对应的归一化结果;
以任意一个数据点为目标数据点,当目标数据点对应的归一化结果大于等于第一阈值时,目标数据点为一个时间段划分节点,否则目标数据点不为时间段划分节点;以环境温度数据的趋势项中各个数据点为目标数据点,根据各个数据点对应的归一化结果得到环境温度数据的各个时间段划分节点;
相邻两个时间段划分节点之间的所有采集时刻构成了环境温度数据的一个时间段,根据环境温度数据的所有时间段划分节点得到环境温度数据的各个时间段。
优选的,所述不同传感器对应的各组分段数据的获取步骤包括:
单个传感器在环境温度数据的任意一个时间段中包含的所有时刻所采集的数据构成了单个传感器的一组分段数据,单个传感器在环境温度数据的各个时间段包含的所有时刻所采集的数据构成了单个传感器的各组分段数据;不同传感器在环境温度数据的各个时间段包含的所有时刻中采集的数据构成了不同传感器对应的各组分段数据。
优选的,所述各组分段数据的波动程度值的获取方法为:
以任意一组分段数据为目标分段数据,将目标分段数据中的第一个数据点与最后一个数据线之间的连线称为目标分段数据的连接线;获取目标分段数据中各个数据点构成的曲线与连接线之间的距离;以各组分段数据为目标分段数据,得到各组分段数据对应的距离;
将单个传感器对应的所有分段数据对应的距离进行归一化,将单个传感器的各组分段数据对应的归一化后的距离作为对应分段数据的波动程度值;对所有传感器的所有分段数据进行处理,得到各组分段数据的波动程度值。
优选的,所述各组分段数据的参考价值的获取表达式为:
,
式中,为第j组分段数据的参考价值;表示第i个内部传感器的第j组分段数据的波动程度值;
I表示内部传感器的数量;表示第j组分段数据中包含的数据点数量;
l、
u分别表示第
l个内部传感器和第
u个内部传感器;表示第
l个内部传感器对应的第
j组分段数据中第个数据点对应的斜率值;表示第u个内部传感器对应的第j组分段数据中的第个数据点的斜率值;表示取最大值函数;表示以自然常数为底的指数函数。
优选的,所述根据各个传感器的第一分段数据得到环境温度区间以及各个内部传感器对应的装置内部温度区间的获取方法为:
将外部传感器对应的第一分段数据中的单调变化区间称为环境温度区间,将各个内部传感器对应的第一分段数据中的单调变化区间称为各个内部传感器对应的装置内部温度区间;其中单调变化区间是指从第一分段数据内的第一个数据点开始,将第一分段数据中温度一直上升或温度一直下降的温度变化区间称为第一分段数据的单调变化区间。
优选的,所述各个内部传感器的外部影响程度的获取表达式为:
,
式中,为第i个内部传感器的外部影响程度;表示第i个内部传感器的装置内部温度区间与环境温度区间中匹配点对的个数;表示第q个匹配点对中的环境温度值;示环境温度均值;表示第q个匹配点对中的装置内部温度值;表示第i个内部传感器的内部温度均值;a表示超参数。
优选的,所述温度稳定程度的获取表达式为:
,
,
式中,为温度稳定程度;为第i个内部传感器的第b组第二分段数据中第t个数据点的调整温度值;表示第i个内部传感器的外部影响程度;表示第i个内部传感器的第b组第二分段数据中第t个数据点的装置内部温度数据;表示第i个内部传感器对应的第二分段数据的组数;
I表示内部传感器的数量;表示第i个内部传感器的第b组第二分段数据中所有数据点对应调整温度值之间的方差;表示以自然常数为底的指数函数。
优选的,所述输入参数的获取步骤为:
计算所有内部传感器采集的所有装置内部温度数据的平均值,将平均值与设定温度值之间的差值称为温度差值,将温度差值与采集总时长之间的比值称为温度差值变化率;将温度差值以及温度差值变化率作为输入参数。
优选的,所述高斯隶属度函数的标准差的获取表达式为:
,
其中,为温度稳定程度;为高斯隶属度函数的标准差;表示初始设置的高斯函数隶属度函数的标准差基础值。
本发明的有益效果是:首先通过环境温度数据的变化趋势进行时间段的划分,然后根据环境温度数据的各个时间段对食品挤出成型机装置内部温度数据进行划分,得到不同传感器在各个时间段对应的分段数据;由于安装在食品挤出成型机内部的温度传感器,即内部传感器,不仅会受到环境温度变化的影响,还会受到装置内部温度不均匀的影响,因此根据同一时间段内,不同的内部传感器对应的分段数据的参考价值得到只受环境温度变化影响的分段数据,进而得到不同的内部传感器受到环境温度变化的影响程度,也就是不同内部传感器的外部影响程度;通过不同内部传感器的外部影响程度对各个内部传感器采集的装置内部温度数据进行调整,得到各个装置内部温度数据对应的调整温度值,进而获取环境温度影响下的装置内部温度数据的变化稳定程度,而后根据温度变化稳定程度来自适应隶属度函数的分辨率,即通过量化环境温度变化对食品挤出成型机装置内部温度变化的影响,来对传统的模糊PID控制方法中的隶属度函数的分辨率进行自适应调整;避免了传统的温度控制过程中,由于装置内部温度变化不稳定造成模糊PID控制器的参数出现较大的误差的现象出现,保证影响温度控制精度,进而保证食品质量和生产效率。
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为本发明的一种基于模糊算法的食品挤出成型智能调控***的结构框图;
图2为本发明的一种基于模糊算法的食品挤出成型智能调控***的的模糊规则示意图;
图3为本发明的一种基于模糊算法的食品挤出成型智能调控***的的模糊规则示意图;
图4为本发明的一种基于模糊算法的食品挤出成型智能调控***的的模糊规则示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于模糊算法的食品挤出成型智能调控***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于模糊算法的食品挤出成型智能调控***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于模糊算法的食品挤出成型智能调控***的结构框图,该***包括以下模块:
S001:电源电压模块,通过连接外部电源,为其他模块提供电能,以便实时地对食品挤出成型机进行智能控制。
S002:温度检测模块,主要通过布置温度传感器来采集预设时间内的温度数据,其中“预设时间”可由实施者自行设定,如将“预设时间”设置为1天;采集的温度数据包括外界的环境温度数据以及食品挤出成型机的装置内部温度数据。环境温度数据通过布置在食品挤出成型机周围的温度传感器进行采集,食品挤出成型机的装置内部温度数据使用同样的温度传感器进行采集,本实施例将安装在食品挤出成型机外部的温度传感器称为“外部传感器”,将安装在食品挤出成型机内部的温度传感器称为“内部传感器”,外部传感器与内部传感器的采样频率相同,本实施例对温度传感器的型号不作限定,可根据实施者具体实施情况而定。
需要说明的是,由于食品挤出成型机中不同位置的温度可能存在分布不均匀的问题,从而影响产品的质量和效率,需要在食品挤出成型机内部安装多个温度传感器来共同采集不同位置的温度数据。
S003:温度控制模块,根据温度检测模块实时采集的温度数据与设定的装置工作温度之间的差值以及对应的差异变化率作为输入数据,输入到自适应模糊PID控制器中,获取PID控制器的输出值,也就是温度调控值,从而对食品挤出成型机的温度进行智能调控。该模块中主要包括以下六个子模块:温度参数分析子模块、输入参数模糊化子模块、隶属度函数自适应子模块、模糊推理计算子模块、参数解模糊子模块以及PID控制器子模块,其中:
S101、温度参数分析子模块,该模块主要对实时获取的环境温度数据和装置内部温度数据进行分析,获取隶属度函数自适应子模块中所需参数。该子模块的输入数据为环境温度数据和装置内部温度数据,输出数据为温度变化稳定程度。
由于食品挤出成型机在食品生产过程中会受到外界环境的影响,装置内部温度变化不均匀,进而影响内部传感器的精度,导致通过模糊PID控制器得到的调整参数出现较大的误差,影响温度控制精度,从而对食品的质量和效率产生影响。而模糊PID控制过程中隶属度函数的内积对控制效果影响较大,内积过大,虽然会使控制模型比较健壮但分辨率也会较低,而食品挤出成型机对温度控制的精度要求较高,因此当装置内部温度变化较为稳定时,需要适当的增加隶属度函数的分辨率来满足控制精度要求,而装置内部温度变化的稳定程度与环境温度的变化有关,因此需要考虑环境温度变化对装置内部温度变化的影响程度,则在温度参数分析子模块中,获取温度变化稳定程度的具体过程如下:
1)根据环境温度数据的趋势项得到环境温度数据的各个时间段;根据环境温度数据的各个时间段得到不同传感器对应的各组分段数据;根据各组分段数据中的所有数据点得到各组分段数据的波动程度值。
由于温度属于滞后性特征,即温度的变化是随着时间的积累变化得到的,因此在分析温度变化时需要考虑一段时间内的温度变化;且本实施例需要分析的环境温度变化对食品挤出成型机的装置内部温度变化的影响,因根据获取的环境温度数据进行时间段的划分,并根据划分结果对装置内部温度变化的时间段进行划分,并量化装置内部温度在不同时间段的波动程度。
对本实施例中采集的所有环境温度数据进行分析时,需要获取划分时间段的时间段节点,也就是时间段划分节点,本实施例首先采用STL时间序列分割算法来对所有环境温度数据以及对应的采集时刻进行处理,得到环境温度数据对应的趋势项,然后获取环境温度数据对应趋势项中各个数据点的斜率值,本实施例中环境温度数据对应趋势项中各个数据点的横坐标为采集时刻,纵坐标为环境温度数据,则对于所得趋势项中任意三个相邻的数据点,根据这三个相邻数据点中相邻两个数据点的坐标得到对应的斜率值,然后计算这两个斜率值之间差值的绝对值,将所得绝对值作为中间数据点的划分指标,也就是将所得绝对值作为中间数据点是否为时间段划分节点的判断指标;
例如,对于三个相邻的数据点,分别记为数据点1、数据点2以及数据点3,首先计算数据点1和数据点2之间的斜率值,然后计算数据点2与数据点3之间的斜率值,将这两个斜率值之间差值的绝对值作为中间数据点是否为划分时间段节点的依据条件,即将该绝对值作为数据点2的划分指标;
需要说明的是,本实施例中不需要获取环境温度数据的趋势项中第一个数据点与最后一个数据点的划分指标。
获取环境温度数据的趋势项中各个数据点对应的划分指标,然后对所有数据点对应的划分指标进行线性归一化,得到环境温度数据的趋势项中各个数据点对应的归一化结果;
设置第一阈值T1=0.60,该值可由实施者具体实施情况而定,此处给出的为经验参考值,以任意一个数据点为目标数据点,当目标数据点对应的归一化结果大于等于第一阈值时,目标数据点为一个时间段划分节点,否则目标数据点不为时间段划分节点;同理,以环境温度数据的趋势项中各个数据点为目标数据点,根据环境温度数据的趋势项中各个数据点对应的归一化结果得到环境温度数据的各个时间段划分节点;
根据所有划分时间段节点进行分段,即相邻两个时间段划分节点之间的所有采集时刻构成了一个时间段,该时间段内的所有环境温度数据构成了一组分段数据,其中分段数据中的每个数据点的横坐标为采集时刻,纵坐标坐标为环境温度数据的大小,由此得到环境温度数据对应的各组分段数据;
然后根据环境温度数据对应的各个时间段对不同的内部传感器采集的装置内部温度数据进行划分,由此得到不同传感器对应的各组分段数据,此时环境温度数据与装置内部温度数据对应的序号相同的分段数据为同一时间段内采集的,例如,环境温度数据的第j组分段数据与装置内部温度数据的第j组分段数据对应同一时间段,这两组分段数据的序号均为j。
对不同的内部传感器采集到的装置内部温度数据对应的各组分段数据进行量化,得到装置内部温度数据的波动程度。其中对于每组分段数据,连接每组分段数据中的第一个数据点与最后一个数据点,得到每组分段数据对应的连接线;然后通过计算由每组分段数据中各个数据点构成的曲线与对应的连接线之间弗朗明歇距离(Frechet distance)的来表征每组分段数据的波动程度,并将单个温度传感器采集的所有装置内部温度中,所有分段数据对应的弗朗明歇距离进行线性归一化,将线性归一化后的结果作为对应分段数据的波动程度值;对所有传感器的所有分段数据进行处理,得到各组分段数据的波动程度值。
2)结合各组分段数据的趋势项得到各组分段数据的参考价值;将各个传感器对应的参考价值最大的分段数据称为各个传感器的第一分段数据,根据各个传感器的第一分段数据得到环境温度区间以及各个内部传感器对应的装置内部温度区间;根据环境温度区间以及各个装置内部温度区间得到各个内部传感器的外部影响程度。
对于内部传感器而言,不同分段数据的波动程度不同,波动程度较大的分段数据受到外界环境温度变化的同时,还会受到由于装置内部温度不均匀的影响,因此根据波动程度较大的分段数据来量化环境温度变化对装置内部温度变化的影响时会出现较大的误差;而波动程度较小的分段数据,主要受到环境温度的影响,此时可以将环境温度变化对装置内部温度变化的影响视为一种噪声的影响,且这类影响较为规律,此时不同分段数据的影响因素存在差异,因此在根据每组分段数据的波动程度来量化环境温度变化对装置内部温度变化的影响时,不同的分段数据的参考价值也会存在差异。
而外界环境温度作用于所有内部传感器,对所有内部传感器都会产生影响,因此在计算不同分段数据的参考价值时,需要考虑不同的内部传感器在同一个时间段内温度数据的变化情况,本实施例根据不同内部传感器在同一时间段内的分段数据得到对应分段数据的参考价值,则第j组分段数据的参考价值的计算表达式为:
,
式中,为第j组分段数据的参考价值;表示第i个内部传感器的第j组分段数据的波动程度值;
I表示内部传感器的数量;表示第j组分段数据中包含的数据点数量,由于不同内部传感器对应的分段数据都是根据环境温度数据的时间段进行划分的,因此不同内部传感器对应的第j组分段数据中包含的数据点数量是相同的;
l、
u分别表示第
l个内部传感器和第
u个内部传感器;表示第
l个内部传感器对应的第j组分段数据中第个数据点对应的斜率值;表示第u个内部传感器对应的第j组分段数据中的第个数据点的斜率值;表示取最大值函数;表示以自然常数为底的指数函数。
表征第j组分段数据的可靠程度,即当第j组分段数据所处时间段在不同内部传感器对应的波动程度值越小,表明不同内部传感器对应的第j组分段数据的温度波动变化较小,而本实施例期望对主要受环境温度变化影响的分段数据设置较大的参考价值;因此当不同内部传感器的第j组分段数据的波动程度值越小,第j组分段数据的参考价值越大,反之则第j组分段数据的参考价值越小;
表示第
l个内部传感器与第
u个内部传感器对应的第j组分段数据中第个时刻采集的数据点之间的斜率差值;表示任意两个内部传感器对应的第j组分段数据中第个时刻采集的数据点之间斜率差值的最大值;
由于不同的内部传感器在同一时间段对应分段数据的基准温度值可能不同,因此本实施例通过温度的变化趋势来比较不同的内部传感器采集的温度数据之间的差异,即首先根据单个内部传感器在不同时刻采集的所有装置内部温度数据的趋势项,然后获取装置内部温度数据对应趋势项中各个数据点的斜率值,本实施例通过不同的内部传感器在同一时刻对应的斜率值之间的差值来表征该时刻内的温度变化趋势的差异;
考虑环境温度对不同的内部传感器均有影响,而参考价值越高,表示该分段数据只受环境温度干扰的可能性较大,因此具有较高参考价值的分段数据在不同内部传感器的同一时刻对应的数据点之间的斜率差值应当较小,而任意两个内部传感器在同一时刻都会得到一个差值,因此本实施例通过最大差值来表示各个时刻的温度差异。
将各个温度传感器对应的参考价值最大的分段数据称为各个温度传感器的第一分段数据,然后获取外部传感器对应第一分段数据的单调变化区间,其中单调变化区间是指从第一分段数据内的第一个数据点开始,将第一分段数据中温度一直上升或温度一直下降的温度变化区间称为第一分段数据的单调变化区间;同理获取不同的内部传感器对应第一分段数据中的单调变化区间,这些单调变化区间中的温度变化即为由环境温度单调变化而引起的装置内部温度的单调变化,本实施例将外部传感器对应的第一分段数据中的单调变化区间称为环境温度区间,将各个内部传感器对应的第一分段数据中的单调变化区间称为各个内部传感器对应的装置内部温度区间。
将不同的内部传感器对应的装置内部温度区间与外部传感器对应的环境温度区间中的各个数据点进行匹配,由于外部传感器对应的环境温度区间与内部传感器对应的装置内部温度区间中温度数据的采集时刻可能不同,因此本实施例采用DTW算法对环境温度区间与各个内部传感器对应的装置内部温度区间进行数据点之间的匹配,从而得到各个内部传感器受到的环境温度变化的影响程度,即各个内部传感器的外部影响程度,则第i个内部传感器的外部影响程度的计算表达式为:
,
式中,表示第i个内部传感器的装置内部温度区间与环境温度区间之间匹配点对的个数,该值为将环境温度区间与第i个内部传感器的装置内部温度区间进行DTW匹配后,得到的匹配点对的个数;表示第q个匹配点对中的环境温度值;表示环境温度均值,该值为环境温度区间中所有环境温度数据的均值;表示第q个匹配点对中的装置内部温度值;表示第i个内部传感器的内部温度均值,该值为第i个内部传感器的装置内部温度区间中所有温度数据的均值;a表示超参数,本实施例中,用以防止分母为0的现象出现。
对各个内部传感器进行处理,根据环境温度区间与各个内部传感器的装置内部温度区间得到各个内部传感器的外部影响程度。
3)将各个内部传感器除了第一分段数据以外,剩余的所有分段数据称为各个内部传感器的第二分段数据;根据各个内部传感器的外部影响程度以及所有第二分段数据中的装置内部温度数据得到温度稳定程度。
根据各个内部温度传感器的外部影响程度,去除各个传感器的所有分段数据中外界温度变化的影响,进而得到装置内部自身温度数据的变化稳定程度。其中,由于参考价值较小的分段数据中不仅受到环境温度的影响,还会受到装置内部温度不均匀产生的影响,因此本实施例通过量化的环境温度对不同内部传感器的外部影响程度,来获取装置内部自身温度数据的变化稳定程度。本实施例将各个内部传感器对应的所有分段数据中,除了第一分段数据外的剩余分段数据称为各个内部传感器的各组第二分段数据,对各个内部传感器对应的所有第二分段数据进行分析,从而获取内部温度数据的变化稳定程度,需要说明的是,由于每个温度传感器对应的分段数据的组数都是相同的,而每个温度传感器的第一分段数据都只有一组,因此每个温度传感器的第二分段数据的组数也是相同的,则温度稳定程度的计算表达式为:
,
,
式中,表示第i个内部传感器的外部影响程度;表示第i个内部传感器的第b组第二分段数据中第t个数据点的装置内部温度数据;表示第i个内部传感器的第b组第二分段数据中第t个数据点的调整温度值;表示第i个内部传感器对应的第二分段数据的组数;
I表示内部传感器的数量;表示第i个内部传感器的第b组第二分段数据中所有数据点对应调整温度值之间的方差;表示以自然常数为底的指数函数。
本实施例首先通过各个内部传感器的外部影响程度对各个内部传感器对应的各个数据点进行调整,得到各个内部传感器对应的每个分段数据中各个数据点对应的调整温度值,从而降低环境温度变化对内部传感器所采集温度数据的干扰;然后利用单个内部传感器的每组分段数据中包含的所有数据点的调整温度值之间的方差来表征该分段数据中温度的稳定程度,进而得到单个内部传感器对应的温度变化稳定程度,并结合在食品挤出成型机内部不同位置上的内部传感器对应温度变化稳定程度来整体表示食品挤出成型机的温度稳定程度,即通过去除环境温度变化对内部传感器温度变化的影响之后,通过不同的内部传感器采集的温度数据对应的调整温度值之间的方差来整体表征食品挤出成型机内部的温度变化稳定程度,从而得到更加可靠的温度分析结果。
S102、输入参数模糊化子模块:对输入参数进行模糊化处理,用以确定模糊PID控制的输入参数,其中计算所有内部传感器采集的所有装置内部温度数据的平均值,并计算该平均值与设定温度值之间的差值,将该差值记为温度差值E,然后将温度差值E与温度采集过程的采集总时长之间的比值作为温度差值变化率EC,温度差值E与温度变化率EC即为模糊PID控制的输入参数;其中“设定温度值”是指在食品生产过程中,需要将食品挤出成型机调节到的温度值,该值由实施者根据实际情况进行设定;而采集总时长即为温度检测模块中设置的“预设时间”。
而后对模糊PID控制的输入参数进行模糊化,模糊化过程为:将温度差值E的基本论域设置为(-30,30),温度差值变化速率的基本论域设置为(-10,10),将模糊子集设置为,其中NB为“负大”;NM为“负中”;NS为“负小”;O为“零”;PS为“正小”;PM为“正中”;PB为“正大”;并将模糊论域设置为。
S103、隶属度函数自适应子模块:用以自适应设置隶属度函数,本实施例将高斯函数作为隶属度函数,即高斯隶属度函数,根据获取的温度变化稳定程度对高斯隶属度函数的标准差进行自适应,温度变化稳定程度越小时,需要更高的分辨率的高斯隶属度函数,对应需要的高斯隶属度函数的斜率越大,此时高斯隶属度函数中的标准差越小,则高斯隶属度函数的标准差可表示为:
其中,为温度稳定程度;为高斯隶属度函数的标准差;表示初始设置的高斯函数隶属度函数的标准差基础值,本实施例中该值为3,可由实施者根据具体实施情况自行设定。
根据温度稳定程度得到高斯隶属度函数的标准差,进而得到高斯隶属度函数。
S104、模糊推理计算子模块,制定模糊规则并进行模糊推理,本实施例中根据专家和工程师确定PID控制器参数、和的模糊规则。其中、和的模糊规则分别如图2、图3以及图4所示。
S105、参数解模糊子模块,通过模糊规则以及高斯隶属度函数对模糊化处理后的输入参数进行解模糊化,得到PID控制器的参数,即采用加权平均的方法对模糊子集的隶属度值进行去模糊化,得到PID控制器的参数、和。
S106、PID控制器子模块,将获取的PID控制器的参数、和输入到PID控制器中,从而对食品挤出成型机的温度进行精准控制。
通过以上步骤,完成了对食品挤出成型机的智能调控。
本实施例首先通过环境温度数据的变化趋势进行时间段的划分,然后根据环境温度数据的各个时间段对食品挤出成型机装置内部温度数据进行划分,得到不同传感器在各个时间段对应的分段数据;由于安装在食品挤出成型机内部的温度传感器,即内部传感器,不仅会受到环境温度变化的影响,还会受到装置内部温度不均匀的影响,因此根据同一时间段内,不同的内部传感器对应的分段数据的参考价值得到只受环境温度变化影响的分段数据,进而得到不同的内部传感器受到环境温度变化的影响程度,也就是不同内部传感器的外部影响程度;通过不同内部传感器的外部影响程度对各个内部传感器采集的装置内部温度数据进行调整,得到各个装置内部温度数据对应的调整温度值,进而获取环境温度影响下的装置内部温度数据的变化稳定程度,而后根据温度变化稳定程度来自适应隶属度函数的分辨率,即通过量化环境温度变化对食品挤出成型机装置内部温度变化的影响,来对传统的模糊PID控制方法中的隶属度函数的分辨率进行自适应调整;避免了传统的温度控制过程中,由于装置内部温度变化不稳定造成模糊PID控制器的参数出现较大的误差的现象出现,保证影响温度控制精度,进而保证食品质量和生产效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于模糊算法的食品挤出成型智能调控***,其特征在于,该***包括以下模块:
电源电压模块,为其他模块提供电能;
温度检测模块,使用外部传感器以及多个内部传感器分别采集环境温度数据以及不同位置上的装置内部温度数据;
温度控制模块,包括以下子模块,其中:
温度参数分析子模块,根据环境温度数据的趋势项得到环境温度数据的各个时间段;根据环境温度数据的各个时间段得到不同传感器对应的各组分段数据;根据各组分段数据中的所有数据点得到各组分段数据的波动程度值,结合各组分段数据的趋势项得到各组分段数据的参考价值;将各个传感器对应的参考价值最大的分段数据称为各个传感器的第一分段数据,根据各个传感器的第一分段数据得到环境温度区间以及各个内部传感器对应的装置内部温度区间;根据环境温度区间以及各个装置内部温度区间得到各个内部传感器的外部影响程度;将各个内部传感器除了第一分段数据以外,剩余的所有分段数据称为各个内部传感器的第二分段数据;根据各个内部传感器的外部影响程度以及所有第二分段数据中的装置内部温度数据得到温度稳定程度;
输入参数模糊化子模块,根据所有内部传感器采集的装置内部温度数据以及设定温度值得到输入参数,对输入参数进行模糊化,得到模糊化处理后的输入参数;
隶属度函数自适应子模块,根据温度稳定程度得到高斯隶属度函数的标准差,根据标准差得到高斯隶属度函数;
模糊推理计算子模块,确定模糊规则;
参数解模糊子模块,根据模糊规则以及高斯隶属度函数对模糊化处理后的输入参数进行解模糊化,得到PID控制器的参数;
PID控制器子模块,将PID控制器的参数输入到PID控制器中,对食品挤出成型机的温度进行精准控制。
2.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述环境温度数据的各个时间段的获取步骤包括:
对于环境温度数据的趋势项中任意三个相邻的数据点,分别记为数据点1、数据点2以及数据点3,计算数据点1和数据点2之间的斜率值,然后计算数据点2与数据点3之间的斜率值,将两个斜率值之间差值的绝对值作为数据点2的划分指标;对环境温度数据的趋势项中的各个数据点进行处理,得到环境温度数据的趋势项中各个数据点的划分指标;对所有数据点的划分指标进行归一化,得到各个数据点对应的归一化结果;
以任意一个数据点为目标数据点,当目标数据点对应的归一化结果大于等于第一阈值时,目标数据点为一个时间段划分节点,否则目标数据点不为时间段划分节点;以环境温度数据的趋势项中各个数据点为目标数据点,根据各个数据点对应的归一化结果得到环境温度数据的各个时间段划分节点;
相邻两个时间段划分节点之间的所有采集时刻构成了环境温度数据的一个时间段,根据环境温度数据的所有时间段划分节点得到环境温度数据的各个时间段。
3.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述不同传感器对应的各组分段数据的获取步骤包括:
单个传感器在环境温度数据的任意一个时间段中包含的所有时刻所采集的数据构成了单个传感器的一组分段数据,单个传感器在环境温度数据的各个时间段包含的所有时刻所采集的数据构成了单个传感器的各组分段数据;不同传感器在环境温度数据的各个时间段包含的所有时刻中采集的数据构成了不同传感器对应的各组分段数据。
4.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述各组分段数据的波动程度值的获取方法为:
以任意一组分段数据为目标分段数据,将目标分段数据中的第一个数据点与最后一个数据线之间的连线称为目标分段数据的连接线;获取目标分段数据中各个数据点构成的曲线与连接线之间的距离;以各组分段数据为目标分段数据,得到各组分段数据对应的距离;
将单个传感器对应的所有分段数据对应的距离进行归一化,将单个传感器的各组分段数据对应的归一化后的距离作为对应分段数据的波动程度值;对所有传感器的所有分段数据进行处理,得到各组分段数据的波动程度值。
5.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述各组分段数据的参考价值的获取表达式为:
,
式中,为第j组分段数据的参考价值;表示第i个内部传感器的第j组分段数据的波动程度值;I表示内部传感器的数量;表示第j组分段数据中包含的数据点数量;l、u分别表示第l个内部传感器和第u个内部传感器;表示第l个内部传感器对应的第j组分段数据中第个数据点对应的斜率值;表示第u个内部传感器对应的第j组分段数据中的第个数据点的斜率值;表示取最大值函数;表示以自然常数为底的指数函数。
6.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述根据各个传感器的第一分段数据得到环境温度区间以及各个内部传感器对应的装置内部温度区间的获取方法为:
将外部传感器对应的第一分段数据中的单调变化区间称为环境温度区间,将各个内部传感器对应的第一分段数据中的单调变化区间称为各个内部传感器对应的装置内部温度区间;其中单调变化区间是指从第一分段数据内的第一个数据点开始,将第一分段数据中温度一直上升或温度一直下降的温度变化区间称为第一分段数据的单调变化区间。
7.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述各个内部传感器的外部影响程度的获取表达式为:
,
式中,为第i个内部传感器的外部影响程度;表示第i个内部传感器的装置内部温度区间与环境温度区间中匹配点对的个数;表示第q个匹配点对中的环境温度值;表示环境温度均值;表示第q个匹配点对中的装置内部温度值;表示第i个内部传感器的内部温度均值;a表示超参数。
8.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述温度稳定程度的获取表达式为:
,
,
式中,为温度稳定程度;为第i个内部传感器的第b组第二分段数据中第t个数据点的调整温度值;表示第i个内部传感器的外部影响程度;表示第i个内部传感器的第b组第二分段数据中第t个数据点的装置内部温度数据;表示第i个内部传感器对应的第二分段数据的组数;I表示内部传感器的数量;表示第i个内部传感器的第b组第二分段数据中所有数据点对应调整温度值之间的方差;表示以自然常数为底的指数函数。
9.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述输入参数的获取步骤为:
计算所有内部传感器采集的所有装置内部温度数据的平均值,将平均值与设定温度值之间的差值称为温度差值,将温度差值与采集总时长之间的比值称为温度差值变化率;将温度差值以及温度差值变化率作为输入参数。
10.根据权利要求1所述的一种基于模糊算法的食品挤出成型智能调控***,其特征在于,所述高斯隶属度函数的标准差的获取表达式为:
,
其中,为温度稳定程度;为高斯隶属度函数的标准差;表示初始设置的高斯函数隶属度函数的标准差基础值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310389833.0A CN116088609B (zh) | 2023-04-13 | 2023-04-13 | 一种基于模糊算法的食品挤出成型智能调控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310389833.0A CN116088609B (zh) | 2023-04-13 | 2023-04-13 | 一种基于模糊算法的食品挤出成型智能调控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116088609A true CN116088609A (zh) | 2023-05-09 |
CN116088609B CN116088609B (zh) | 2023-07-14 |
Family
ID=86199611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310389833.0A Active CN116088609B (zh) | 2023-04-13 | 2023-04-13 | 一种基于模糊算法的食品挤出成型智能调控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116088609B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5683605A (en) * | 1994-12-27 | 1997-11-04 | Sharp Kabushiki Kaisha | Heater controlling unit using a fuzzy neural network |
CN106227034A (zh) * | 2016-09-14 | 2016-12-14 | 东南大学 | 离体器官灌注仪的温度融合与控制*** |
CN106708123A (zh) * | 2016-12-01 | 2017-05-24 | 江苏省农业科学院 | 一种基于模糊控制的大棚环境温度控制***及方法 |
CN107706932A (zh) * | 2017-09-18 | 2018-02-16 | 浙江大学 | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 |
CN109656138A (zh) * | 2018-12-19 | 2019-04-19 | 龙口盛福达食品有限公司 | 一种基于模糊推理的白酒酿造过程温度智能控制方法 |
-
2023
- 2023-04-13 CN CN202310389833.0A patent/CN116088609B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5683605A (en) * | 1994-12-27 | 1997-11-04 | Sharp Kabushiki Kaisha | Heater controlling unit using a fuzzy neural network |
CN106227034A (zh) * | 2016-09-14 | 2016-12-14 | 东南大学 | 离体器官灌注仪的温度融合与控制*** |
CN106708123A (zh) * | 2016-12-01 | 2017-05-24 | 江苏省农业科学院 | 一种基于模糊控制的大棚环境温度控制***及方法 |
CN107706932A (zh) * | 2017-09-18 | 2018-02-16 | 浙江大学 | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 |
CN109656138A (zh) * | 2018-12-19 | 2019-04-19 | 龙口盛福达食品有限公司 | 一种基于模糊推理的白酒酿造过程温度智能控制方法 |
Non-Patent Citations (4)
Title |
---|
于静;方强;: "模糊PID控制在环境温控中的应用", 天津职业技术师范大学学报, no. 01 * |
温显超;韩震宇;: "基于温度控制***的模糊自整定PID算法设计", 铸造技术, no. 03 * |
王伟;周新志;: "ANFIS微波加热过程分段温度预测模型", 智能***学报, no. 01 * |
陈炳飞;林培杰;周海芳;: "基于模糊控制的农业大棚远程监控***的研究", 微型机与应用, no. 20 * |
Also Published As
Publication number | Publication date |
---|---|
CN116088609B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240000046A1 (en) | Predictive control system and regulatory method for temperature of livestock house | |
CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测*** | |
CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测*** | |
CN110163254B (zh) | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 | |
CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
CN110202768B (zh) | 一种注塑机料筒温度控制方法 | |
CN109472397B (zh) | 基于粘度变化的聚合工艺参数调节方法 | |
CN112130086B (zh) | 一种动力电池剩余寿命预测方法及*** | |
CN116400126B (zh) | 一种具有数据处理***的低压电力箱 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN110365053B (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
CN117073768B (zh) | 肉牛养殖管理***及其方法 | |
Petković et al. | Soft methodology selection of wind turbine parameters to large affect wind energy conversion | |
CN112749840A (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN113052271A (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
CN110991689B (zh) | 基于LSTM-Morlet模型的分布式光伏发电***短期预测方法 | |
CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
CN112200346A (zh) | 一种天气波动过程划分与匹配的短期风电功率预测方法 | |
CN114418183B (zh) | 畜禽健康体征大数据物联网检测*** | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN116088609B (zh) | 一种基于模糊算法的食品挤出成型智能调控*** |
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 |