CN117434979A - 一种温控箱控制和温度测量方法 - Google Patents
一种温控箱控制和温度测量方法 Download PDFInfo
- Publication number
- CN117434979A CN117434979A CN202311656818.4A CN202311656818A CN117434979A CN 117434979 A CN117434979 A CN 117434979A CN 202311656818 A CN202311656818 A CN 202311656818A CN 117434979 A CN117434979 A CN 117434979A
- Authority
- CN
- China
- Prior art keywords
- overshoot
- temperature
- temperature control
- sensor
- adjustment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 230000008859 change Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004321 preservation Methods 0.000 abstract description 5
- 238000010438 heat treatment Methods 0.000 description 13
- 238000001816 cooling Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G05D23/1927—Control of temperature characterised by the use of electric means using a plurality of sensors
- G05D23/193—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Control Of Temperature (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种温控箱控制和温度测量方法,涉及温度控制技术领域,该方法包括:获取目标温控箱的空间区域内多个温度传感器的位置;通过温度控制正向过冲和反向过冲分析,获取对多个传感器位置的调整幅值,获得多个最优传感器位置;获取目标温度,并在温度控制过程中采集多个温度变化率信息,结合目标温度和多个最优传感器位置预测过冲量,对目标温度进行调整优化,获得最优补偿目标温度,进行温度控制。本发明解决了现有技术中温控箱启动或升温降温时易出现过冲温度,导致温度过调,影响保温效果的技术问题,基于过冲预测进行传感器位置优化和温控补偿,达到了提高温控箱的温度控制精准度的技术效果。
Description
技术领域
本发明涉及温度控制技术领域,具体涉及一种温控箱控制和温度测量方法。
背景技术
温控箱是一种温度控制设备,其工作原理是通过传感器进行温度检测,然后通过加热或制冷设备进行制热或制冷,从而达到控制温度的目的。可应用在实验室、医院、工厂等多种场合,通过温度控制,保护样品或产品的质量和稳定性。但在温度控制过程中,由于传感器检测误差,容易出现过冲温度,导致温度过调,影响样本保存质量。
发明内容
本申请提供了一种温控箱控制和温度测量方法,用于解决现有技术中温控箱启动或升温降温时易出现过冲温度,导致温度过调,影响保温效果的技术问题。
本申请的第一个方面,提供了一种温控箱控制和温度测量方法,所述方法包括:获取目标温控箱的空间区域,并获取所述空间区域内多个温度传感器的多个传感器位置;基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,获得初始过冲量,在所述初始过冲量大于过冲量阈值时,根据所述初始过冲量,获取对所述多个传感器位置进行调整的调整幅值;按照所述调整幅值,在所述空间区域内,根据传感器位置约束,对所述多个传感器位置进行调整优化,获得多个最优传感器位置,对所述多个温度传感器进行位置调整,进行温度测量,其中,在调整优化过程中,基于降低过冲量进行优化;获取进行温度控制的目标温度,通过所述目标温控箱内的温度控制单元按照预设温度控制方案进行温度控制,并通过所述多个温度传感器采集多个温度变化率信息;基于所述多个温度变化率信息、目标温度和多个最优传感器位置,进行所述目标温度控制过冲量的预测,获得预测过冲量;根据所述预测过冲量,对所述目标温度进行调整优化,直到达到温度控制收敛条件,获得最优补偿目标温度,进行温度控制。
本申请的第二个方面,提供了一种温控箱控制和温度测量***,所述***包括:传感器位置获取模块,所述传感器位置获取模块用于获取目标温控箱的空间区域,并获取所述空间区域内多个温度传感器的多个传感器位置;传感器位置调整幅值获取模块,所述传感器位置调整幅值获取模块用于基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,获得初始过冲量,在所述初始过冲量大于过冲量阈值时,根据所述初始过冲量,获取对所述多个传感器位置进行调整的调整幅值;传感器位置调整优化模块,所述传感器位置调整优化模块用于按照所述调整幅值,在所述空间区域内,根据传感器位置约束,对所述多个传感器位置进行调整优化,获得多个最优传感器位置,对所述多个温度传感器进行位置调整,进行温度测量,其中,在调整优化过程中,基于降低过冲量进行优化;温度变化率信息采集模块,所述温度变化率信息采集模块用于获取进行温度控制的目标温度,通过所述目标温控箱内的温度控制单元按照预设温度控制方案进行温度控制,并通过所述多个温度传感器采集多个温度变化率信息;预测过冲量获取模块,所述预测过冲量获取模块用于基于所述多个温度变化率信息、目标温度和多个最优传感器位置,进行所述目标温度控制过冲量的预测,获得预测过冲量;温度控制模块,所述温度控制模块用于根据所述预测过冲量,对所述目标温度进行调整优化,直到达到温度控制收敛条件,获得最优补偿目标温度,进行温度控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种温控箱控制和温度测量方法,涉及温度控制技术领域,通过温度控制正向过冲和反向过冲分析,获取对多个传感器位置的调整幅值,获得多个最优传感器位置,并在温度控制过程中采集多个温度变化率信息,结合目标温度和多个最优传感器位置进行过冲量预测,对目标温度进行调整优化获得最优补偿目标温度,进行温度控制,解决了现有技术中温控箱启动或升温降温时易出现过冲温度,导致温度过调,影响保温效果的技术问题,基于过冲预测进行传感器位置优化和温控补偿,实现了提高温控箱的温度控制精准度的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,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为本申请实施例提供的一种温控箱控制和温度测量方法流程示意图。
图2为本申请实施例提供的一种温控箱控制和温度测量方法中获得初始过冲量的流程示意图。
图3为本申请实施例提供的一种温控箱控制和温度测量方法中获得最优补偿目标温度的流程示意图。
图4为本申请实施例提供的一种温控箱控制和温度测量***结构示意图。
附图标记说明:传感器位置获取模块11,传感器位置调整幅值获取模块12,传感器位置调整优化模块13,温度变化率信息采集模块14,预测过冲量获取模块15,温度控制模块16。
具体实施方式
本申请提供了一种温控箱控制和温度测量方法,用于解决现有技术中温控箱启动或升温降温时易出现过冲温度,导致温度过调,影响保温效果的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种温控箱控制和温度测量方法,所述方法包括:
T10:获取目标温控箱的空间区域,并获取所述空间区域内多个温度传感器的多个传感器位置;
示例性的,通过目标温控箱的设计参数,获取目标温控箱的空间区域,包括箱体内部空间尺寸、功能区域分布等,并以目标温控箱的箱体为参考系建立三维空间坐标系,并基于三维空间坐标系设定所述空间区域内多个温度传感器的三维坐标,作为多个传感器位置,也就是多个温度传感器的初始位置,可用来作为初始位置参考。
T20:基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,获得初始过冲量,在所述初始过冲量大于过冲量阈值时,根据所述初始过冲量,获取对所述多个传感器位置进行调整的调整幅值;
进一步的,如图2所示,本申请实施例步骤T20还包括:
T21:采用第一预设测试温度,对所述目标温控箱按照预设温度控制方案进行温度控制,测试获得多个正向初始温度过冲量,并计算获得正向初始过冲量;
T22:采用第二预设测试温度,对所述目标温控箱按照预设温度控制方案进行温度控制,测试获得多个反向初始温度过冲量,并计算获得反向初始过冲量,其中,第一预设测试温度大于第二预设测试温度;
T23:根据所述正向初始过冲量和反向初始过冲量,计算获得初始过冲量;
T24:获取样本初始过冲量集合,并处理获取样本调整幅值集合;
T25:构建所述样本初始过冲量集合和样本调整幅值集合的映射关系,基于所述初始过冲量进行映射关联,获得所述调整幅值。
应当理解的是,基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,也就是进行正向过冲和反向过冲温度差值计算,所述正向过冲是指最终温度超出目标制热温度,所述反向过冲是指最终温度低于目标制冷温度。具体的,预设一个升温温度作为第一预设测试温度,采用第一预设测试温度,对所述目标温控箱按照预设温度控制方案进行升温控制,所述预设温度控制方案包括制热设备的制热温度和制热时长等,并经过多次升温控制测试后,采集多个最终温度并计算获得多个正向初始温度过冲量,也就是多个过热温度差,所述正向初始温度过冲量可以是正值或负值,并对多个正向初始温度过冲量进行均值计算获得正向初始过冲量。
进一步的,预设一个降温温度作为第二预设测试温度,并且所述第一预设测试温度大于第二预设测试温度,采用第二预设测试温度,对所述目标温控箱按照预设温度控制方案进行降温控制,经过多次降温控制测试后,采集多个最终温度并计算获得多个反向初始温度过冲量,也就是多个过冷温度差,所述反向初始温度过冲量也可以是正值或负值,对多个反向初始温度过冲量进行均值计算获得反向初始过冲量。进一步的,将所述正向初始过冲量和反向初始过冲量进行均值计算,获得初始过冲量。
进一步的,参考上述方法,从历史温度控制数据中选取多组样本温度控制数据,并分别计算获得样本初始过冲量集合,进一步的,根据样本初始过冲量集合中各样本初始过冲量的数值大小和正负,进行所述多个传感器位置的样本调整幅值计算,获得多个传感器位置的样本调整幅值,也就是调整距离,示例性的,若样本初始过冲量为正值,即最终温度过高,说明传感器距离中心样品太近,距离制热设备太远,导致制热时长过长造成最终温度过高,则将传感器调整到离制热设备更近的位置。由多个传感器位置的样本调整幅值组成样本调整幅值集合,并构建所述样本初始过冲量集合和样本调整幅值集合的映射关系,进而基于所述初始过冲量进行样本调整幅值映射匹配,将匹配到的样本调整幅值作为所述调整幅值。
T30:按照所述调整幅值,在所述空间区域内,根据传感器位置约束,对所述多个传感器位置进行调整优化,获得多个最优传感器位置,对所述多个温度传感器进行位置调整,进行温度测量,其中,在调整优化过程中,基于降低过冲量进行优化;
进一步的,本申请实施例步骤T30还包括:
T31:获取所述空间区域内所述多个温度传感器可进行设置的位置区域,作为传感器位置约束;
T32:基于所述传感器位置约束和空间区域,随机生成多个第一传感器位置;
T33:分别在所述多个第一传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第一调整过冲量;
T34:基于多个第一调整过冲量,将多个第一传感器位置划分为多个第一引导传感器位置和多个第一随从传感器位置;
T35:分别以多个第一引导传感器位置作为中心位置,对多个第一随从传感器位置进行聚类,获得多个位置簇,每个位置簇内传感器位置的数量为所述多个温度传感器的数量;
T36:在多个位置簇内,进行传感器位置的调整优化,直到达到预设优化次数,获得多个收敛位置簇;
T37:将具有最小调整过冲量总和的收敛位置簇内的多个收敛传感器位置输出,获得所述多个最优传感器位置。
应当理解的是,按照所述调整幅值,在所述空间区域内,根据传感器位置约束对所述多个传感器位置进行调整优化。首先,采集所述空间区域内可进行温度传感器设置的所有位置区域,作为传感器位置约束,进一步的,基于所述传感器位置约束,在空间区域内随机生成多个第一传感器位置,并分别在所述多个第一传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第一调整过冲量。
进一步的,根据多个第一调整过冲量的大小,将调整过冲量较小的多个第一传感器位置划分为第一引导传感器位置,也就是较好的传感器位置,调整过冲量较大的划分为第一随从传感器位置,也就是较差的传感器位置。进一步的,分别以多个第一引导传感器位置作为中心位置,也就是聚类中心,对多个第一随从传感器位置进行聚类,也就是将传感器位置接近中心位置的第一随从传感器位置与相应的第一引导传感器位置放入同一个簇中,获得多个位置簇,并且每个位置簇内传感器位置的数量为所述多个温度传感器的数量。
进一步的,在多个位置簇内,进行传感器位置的调整优化,也就是参照每个位置簇内的第一引导传感器位置,对多个第一随从传感器位置进行调整优化,直到达到预设优化次数,获得多个收敛位置簇,筛选出具有最小调整过冲量总和的收敛位置簇,并获取该簇内的多个收敛传感器位置,作为所述多个最优传感器位置进行输出。
进一步的,本申请实施例步骤T36还包括:
T36-1:分别在多个位置簇内,以靠近第一引导传感器位置为方向,按照所述调整幅值,对多个第一随从传感器位置进行调整,获得多个第二随从传感器位置;
T36-2:分别在所述多个第二随从传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第二调整过冲量,判断是否存在任意一个第二调整过冲量小于第一引导传感器位置的第一调整过冲量,若是,则对引导传感器位置进行更新,若否,则不进行更新;
T36-3:判断每个第二随从传感器位置的第二调整过冲量是否小于对应的第一随从传感器位置的第一调整过冲量,对多个随从传感器位置进行更新;
T36-4:基于更新后的多个位置簇,继续进行传感器位置的调整优化,直到达到预设优化次数,获得多个收敛位置簇。
可选的,分别在多个位置簇内,以靠近第一引导传感器位置为调整方向,按照所述调整幅值,对多个第一随从传感器位置进行调整,获得多个第二随从传感器位置,并分别根据所述多个第二随从传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第二调整过冲量,判断是否存在任意一个第二调整过冲量小于第一引导传感器位置的第一调整过冲量,若存在,则通过较小的第二调整过冲量对引导传感器位置进行更新,若不存在,则不进行更新,同理,判断每个第二随从传感器位置的第二调整过冲量是否小于对应的第一随从传感器位置的第一调整过冲量,并使用过冲量更小的第二随从传感器位置对多个随从传感器位置进行更新。
以此类推,基于更新后的多个位置簇,继续进行各个位置簇内的传感器位置的调整优化,直到达到预设优化次数,将最后异常更新得到的多个位置簇作为多个收敛位置簇。
T40:获取进行温度控制的目标温度,通过所述目标温控箱内的温度控制单元按照预设温度控制方案进行温度控制,并通过所述多个温度传感器采集多个温度变化率信息;
在本申请一种可能的实施例中,采集当前进行温度控制的目标温度,例如目标降温温度或目标升温温度,参照目标温度,使用所述目标温控箱内的温度控制单元,执行预设温度控制方案进行温度控制,并在温度控制过程中,使用所述多个温度传感器进行过程温度数据采集,根据过程温度数据进行温度变化分析,得到多个温度变化率信息,可以表征温度控制过程中各个时间点的温度变化情况。
T50:基于所述多个温度变化率信息、目标温度和多个最优传感器位置,进行所述目标温度控制过冲量的预测,获得预测过冲量;
进一步的,本申请实施例步骤T50还包括:
T51:基于所述多个最优传感器位置对多个温度传感器进行位置调整后的温控数据,获取多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合;
T52:构建温控过冲量预测器,其中,所述温控过冲量预测器包括与多个温度传感器对应的多个温控过冲量预测分支;
T53:分别采用所述多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合,对多个温控过冲量预测分支进行监督训练,直到准确率均收敛;
T54:分别将所述多个温度变化率信息和所述目标温度结合,通过温控过冲量预测器进行预测,获得多个分支预测过冲量;
T55:对所述多个分支预测过冲量加权计算,获得所述预测过冲量。
示例性的,基于所述多个最优传感器位置对多个温度传感器进行位置调整,并按照最优传感器位置进行温控测试,获得多组温控数据,进而将多组温控数据作为样本数据,从中提取多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合。
进一步的,参照机器学习原理,构建温控过冲量预测器,所述温控过冲量预测器包括与多个温度传感器对应的多个温控过冲量预测分支,可用来进行多个温度传感器的温控过冲量预测。具体的,分别采用所述多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合作为训练数据,对多个温控过冲量预测分支进行监督训练,并根据训练结果对多个温控过冲量预测分支进行调整,直到多个温控过冲量预测分支的准确率均收敛,也就是输出的预测过冲量的准确率达到预设准确率。
进一步的,分别将所述多个温度变化率信息、所述目标温度,输入所述温控过冲量预测器进行预测,获得多个分支预测过冲量,按照预设的多个温度传感器权重,将所述多个分支预测过冲量进行加权计算,获得所述预测过冲量。
T60:根据所述预测过冲量,对所述目标温度进行调整优化,直到达到温度控制收敛条件,获得最优补偿目标温度,进行温度控制。
进一步的,如图3所示,本申请实施例步骤T60还包括:
T61:根据所述预测过冲量,对所述目标温度进行补偿计算,获得补偿目标温度范围;
T62:在所述补偿目标温度范围内,随机生成第一补偿目标温度,作为优化基础,结合所述多个温度变化速率,根据温控过冲量预测器进行温控过冲量预测,获得第一补偿温度过冲量,结合所述第一补偿目标温度,计算获得第一控制温度,结合第一控制温度和目标温度,计算获得第一温控误差;
T63:按照补偿调整步长,在补偿目标温度范围内,对第一补偿目标温度进行调整获得第二补偿目标温度,并预测计算获取第二温控误差,对第一温控误差和第二温控误差进行判别,获得优化基础;
T64:继续进行目标温度的补偿调整优化,直到温控误差小于预设温控误差或补偿调整优化达到预设补偿次数,输出获得最优补偿目标温度。
可选的,根据所述预测过冲量,对所述目标温度进行补偿计算,获得补偿目标温度范围,示例性的,当温度控制为升温,采用目标温度减去该预测过冲量,得到的补偿温度和目标温度之间的区间就是补偿目标温度范围。进一步的,在所述补偿目标温度范围内,随机选择一个温度作为第一补偿目标温度,并作为优化基础,再将第一补偿目标温度结合所述多个温度变化速率,根据温控过冲量预测器进行温控过冲量预测,获得第一补偿温度过冲量,进而计算获得第一控制温度,也就是补偿后的最终温度,最后与目标温度进行差值计算,获得第一温控误差,也就是补偿后的温度控制误差。
进一步的,按照补偿调整步长,也就是补偿温度每次的调整数值,例如1℃,在补偿目标温度范围内,对第一补偿目标温度进行调整获得第二补偿目标温度,并通过预测计算获取第二温控误差,比较第一温控误差和第二温控误差,保留数值较小的作为优化基础,以此类推继续进行补偿温度的迭代优化,直到温控误差小于预设温控误差或补偿调整优化次数达到预设的补偿次数,将最后一次迭代的补偿温度作为最优补偿目标温度进行输出。
进一步的,本申请实施例步骤T64还包括:
T64-1:判断所述第二温控误差是否小于所述第一温控误差;
T64-2:若是,则将所述第二温控误差作为优化基础,若否,则按照更新概率将所述第二温控误差作为优化基础,所述更新概率随着补偿调整优化的次数增加而减小。
其中,判断所述第二温控误差是否小于所述第一温控误差,若小于,说明第二补偿目标温度更优,则将所述第二温控误差作为优化基础,若否,则按照更新概率将所述第二温控误差作为优化基础,以避免陷入局部最优解,所述更新概率随着补偿调整优化的次数增加而减小,直至为零。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过温度控制正向过冲和反向过冲分析,获取对多个传感器位置的调整幅值,获得多个最优传感器位置,并在温度控制过程中采集多个温度变化率信息,结合目标温度和多个最优传感器位置进行过冲量预测,对目标温度进行调整优化获得最优补偿目标温度,进行温度控制。
达到了基于过冲预测进行传感器位置优化和温控补偿,提高温控箱的温度控制精准度的技术效果。
实施例二
基于与前述实施例中一种温控箱控制和温度测量方法相同的发明构思,如图4所示,本申请提供了一种温控箱控制和温度测量***,本申请实施例中的***与方法实施例基于同样的发明构思。其中,所述***包括:
传感器位置获取模块11,所述传感器位置获取模块11用于获取目标温控箱的空间区域,并获取所述空间区域内多个温度传感器的多个传感器位置;
传感器位置调整幅值获取模块12,所述传感器位置调整幅值获取模块12用于基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,获得初始过冲量,在所述初始过冲量大于过冲量阈值时,根据所述初始过冲量,获取对所述多个传感器位置进行调整的调整幅值;
传感器位置调整优化模块13,所述传感器位置调整优化模块13用于按照所述调整幅值,在所述空间区域内,根据传感器位置约束,对所述多个传感器位置进行调整优化,获得多个最优传感器位置,对所述多个温度传感器进行位置调整,进行温度测量,其中,在调整优化过程中,基于降低过冲量进行优化;
温度变化率信息采集模块14,所述温度变化率信息采集模块14用于获取进行温度控制的目标温度,通过所述目标温控箱内的温度控制单元按照预设温度控制方案进行温度控制,并通过所述多个温度传感器采集多个温度变化率信息;
预测过冲量获取模块15,所述预测过冲量获取模块15用于基于所述多个温度变化率信息、目标温度和多个最优传感器位置,进行所述目标温度控制过冲量的预测,获得预测过冲量;
温度控制模块16,所述温度控制模块16用于根据所述预测过冲量,对所述目标温度进行调整优化,直到达到温度控制收敛条件,获得最优补偿目标温度,进行温度控制。
进一步的,所述传感器位置调整幅值获取模块12还用于执行以下步骤:
采用第一预设测试温度,对所述目标温控箱按照预设温度控制方案进行温度控制,测试获得多个正向初始温度过冲量,并计算获得正向初始过冲量;
采用第二预设测试温度,对所述目标温控箱按照预设温度控制方案进行温度控制,测试获得多个反向初始温度过冲量,并计算获得反向初始过冲量,其中,第一预设测试温度大于第二预设测试温度;
根据所述正向初始过冲量和反向初始过冲量,计算获得初始过冲量;
获取样本初始过冲量集合,并处理获取样本调整幅值集合;
构建所述样本初始过冲量集合和样本调整幅值集合的映射关系,基于所述初始过冲量进行映射关联,获得所述调整幅值。
进一步的,所述传感器位置调整优化模块13还用于执行以下步骤:
获取所述空间区域内所述多个温度传感器可进行设置的位置区域,作为传感器位置约束;
基于所述传感器位置约束和空间区域,随机生成多个第一传感器位置;
分别在所述多个第一传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第一调整过冲量;
基于多个第一调整过冲量,将多个第一传感器位置划分为多个第一引导传感器位置和多个第一随从传感器位置;
分别以多个第一引导传感器位置作为中心位置,对多个第一随从传感器位置进行聚类,获得多个位置簇,每个位置簇内传感器位置的数量为所述多个温度传感器的数量;
在多个位置簇内,进行传感器位置的调整优化,直到达到预设优化次数,获得多个收敛位置簇;
将具有最小调整过冲量总和的收敛位置簇内的多个收敛传感器位置输出,获得所述多个最优传感器位置。
进一步的,所述传感器位置调整优化模块13还用于执行以下步骤:
分别在多个位置簇内,以靠近第一引导传感器位置为方向,按照所述调整幅值,对多个第一随从传感器位置进行调整,获得多个第二随从传感器位置;
分别在所述多个第二随从传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第二调整过冲量,判断是否存在任意一个第二调整过冲量小于第一引导传感器位置的第一调整过冲量,若是,则对引导传感器位置进行更新,若否,则不进行更新;
判断每个第二随从传感器位置的第二调整过冲量是否小于对应的第一随从传感器位置的第一调整过冲量,对多个随从传感器位置进行更新;
基于更新后的多个位置簇,继续进行传感器位置的调整优化,直到达到预设优化次数,获得多个收敛位置簇。
进一步的,所述预测过冲量获取模块15还用于执行以下步骤:
基于所述多个最优传感器位置对多个温度传感器进行位置调整后的温控数据,获取多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合;
构建温控过冲量预测器,其中,所述温控过冲量预测器包括与多个温度传感器对应的多个温控过冲量预测分支;
分别采用所述多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合,对多个温控过冲量预测分支进行监督训练,直到准确率均收敛;
分别将所述多个温度变化率信息和所述目标温度结合,通过温控过冲量预测器进行预测,获得多个分支预测过冲量;
对所述多个分支预测过冲量加权计算,获得所述预测过冲量。
进一步的,所述温度控制模块16还用于执行以下步骤:
根据所述预测过冲量,对所述目标温度进行补偿计算,获得补偿目标温度范围;
在所述补偿目标温度范围内,随机生成第一补偿目标温度,作为优化基础,结合所述多个温度变化速率,根据温控过冲量预测器进行温控过冲量预测,获得第一补偿温度过冲量,结合所述第一补偿目标温度,计算获得第一控制温度,结合第一控制温度和目标温度,计算获得第一温控误差;
按照补偿调整步长,在补偿目标温度范围内,对第一补偿目标温度进行调整获得第二补偿目标温度,并预测计算获取第二温控误差,对第一温控误差和第二温控误差进行判别,获得优化基础;
继续进行目标温度的补偿调整优化,直到温控误差小于预设温控误差或补偿调整优化达到预设补偿次数,输出获得最优补偿目标温度。
进一步的,所述温度控制模块16还用于执行以下步骤:
判断所述第二温控误差是否小于所述第一温控误差;
若是,则将所述第二温控误差作为优化基础,若否,则按照更新概率将所述第二温控误差作为优化基础,所述更新概率随着补偿调整优化的次数增加而减小。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种温控箱控制和温度测量方法,其特征在于,所述方法包括:
获取目标温控箱的空间区域,并获取所述空间区域内多个温度传感器的多个传感器位置;
基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,获得初始过冲量,在所述初始过冲量大于过冲量阈值时,根据所述初始过冲量,获取对所述多个传感器位置进行调整的调整幅值;
按照所述调整幅值,在所述空间区域内,根据传感器位置约束,对所述多个传感器位置进行调整优化,获得多个最优传感器位置,对所述多个温度传感器进行位置调整,进行温度测量,其中,在调整优化过程中,基于降低过冲量进行优化;
获取进行温度控制的目标温度,通过所述目标温控箱内的温度控制单元按照预设温度控制方案进行温度控制,并通过所述多个温度传感器采集多个温度变化率信息;
基于所述多个温度变化率信息、目标温度和多个最优传感器位置,进行所述目标温度控制过冲量的预测,获得预测过冲量;
根据所述预测过冲量,对所述目标温度进行调整优化,直到达到温度控制收敛条件,获得最优补偿目标温度,进行温度控制。
2.根据权利要求1所述的方法,其特征在于,基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,获得初始过冲量,包括:
采用第一预设测试温度,对所述目标温控箱按照预设温度控制方案进行温度控制,测试获得多个正向初始温度过冲量,并计算获得正向初始过冲量;
采用第二预设测试温度,对所述目标温控箱按照预设温度控制方案进行温度控制,测试获得多个反向初始温度过冲量,并计算获得反向初始过冲量,其中,第一预设测试温度大于第二预设测试温度;
根据所述正向初始过冲量和反向初始过冲量,计算获得初始过冲量;
获取样本初始过冲量集合,并处理获取样本调整幅值集合;
构建所述样本初始过冲量集合和样本调整幅值集合的映射关系,基于所述初始过冲量进行映射关联,获得所述调整幅值。
3.根据权利要求2所述的方法,其特征在于,按照所述调整幅值,在所述空间区域内,根据传感器位置约束,对所述多个传感器位置进行调整优化,获得多个最优传感器位置,包括:
获取所述空间区域内所述多个温度传感器可进行设置的位置区域,作为传感器位置约束;
基于所述传感器位置约束和空间区域,随机生成多个第一传感器位置;
分别在所述多个第一传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第一调整过冲量;
基于多个第一调整过冲量,将多个第一传感器位置划分为多个第一引导传感器位置和多个第一随从传感器位置;
分别以多个第一引导传感器位置作为中心位置,对多个第一随从传感器位置进行聚类,获得多个位置簇,每个位置簇内传感器位置的数量为所述多个温度传感器的数量;
在多个位置簇内,进行传感器位置的调整优化,直到达到预设优化次数,获得多个收敛位置簇;
将具有最小调整过冲量总和的收敛位置簇内的多个收敛传感器位置输出,获得所述多个最优传感器位置。
4.根据权利要求3所述的方法,其特征在于,在多个位置簇内,进行传感器位置的调整优化,包括:
分别在多个位置簇内,以靠近第一引导传感器位置为方向,按照所述调整幅值,对多个第一随从传感器位置进行调整,获得多个第二随从传感器位置;
分别在所述多个第二随从传感器位置,进行温度控制正向过冲和反向过冲分析,获得多个第二调整过冲量,判断是否存在任意一个第二调整过冲量小于第一引导传感器位置的第一调整过冲量,若是,则对引导传感器位置进行更新,若否,则不进行更新;
判断每个第二随从传感器位置的第二调整过冲量是否小于对应的第一随从传感器位置的第一调整过冲量,对多个随从传感器位置进行更新;
基于更新后的多个位置簇,继续进行传感器位置的调整优化,直到达到预设优化次数,获得多个收敛位置簇。
5.根据权利要求1所述的方法,其特征在于,基于所述多个温度变化率信息、目标温度和多个最优传感器位置,进行所述目标温度控制过冲量的预测,包括:
基于所述多个最优传感器位置对多个温度传感器进行位置调整后的温控数据,获取多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合;
构建温控过冲量预测器,其中,所述温控过冲量预测器包括与多个温度传感器对应的多个温控过冲量预测分支;
分别采用所述多个样本温度变化率信息集合、样本目标温度集合和多个样本预测过冲量集合,对多个温控过冲量预测分支进行监督训练,直到准确率均收敛;
分别将所述多个温度变化率信息和所述目标温度结合,通过温控过冲量预测器进行预测,获得多个分支预测过冲量;
对所述多个分支预测过冲量加权计算,获得所述预测过冲量。
6.根据权利要求5所述的方法,其特征在于,根据所述预测过冲量,对所述目标温度进行调整优化,包括:
根据所述预测过冲量,对所述目标温度进行补偿计算,获得补偿目标温度范围;
在所述补偿目标温度范围内,随机生成第一补偿目标温度,作为优化基础,结合所述多个温度变化速率,根据温控过冲量预测器进行温控过冲量预测,获得第一补偿温度过冲量,结合所述第一补偿目标温度,计算获得第一控制温度,结合第一控制温度和目标温度,计算获得第一温控误差;
按照补偿调整步长,在补偿目标温度范围内,对第一补偿目标温度进行调整获得第二补偿目标温度,并预测计算获取第二温控误差,对第一温控误差和第二温控误差进行判别,获得优化基础;
继续进行目标温度的补偿调整优化,直到温控误差小于预设温控误差或补偿调整优化达到预设补偿次数,输出获得最优补偿目标温度。
7.根据权利要求6所述的方法,其特征在于,继续进行目标温度的补偿调整优化,对第一温控误差和第二温控误差进行判别,获得优化基础,包括:
判断所述第二温控误差是否小于所述第一温控误差;
若是,则将所述第二温控误差作为优化基础,若否,则按照更新概率将所述第二温控误差作为优化基础,所述更新概率随着补偿调整优化的次数增加而减小。
8.一种温控箱控制和温度测量***,其特征在于,所述***包括:
传感器位置获取模块,所述传感器位置获取模块用于获取目标温控箱的空间区域,并获取所述空间区域内多个温度传感器的多个传感器位置;
传感器位置调整幅值获取模块,所述传感器位置调整幅值获取模块用于基于所述多个传感器位置,进行温度控制正向过冲和反向过冲分析,获得初始过冲量,在所述初始过冲量大于过冲量阈值时,根据所述初始过冲量,获取对所述多个传感器位置进行调整的调整幅值;
传感器位置调整优化模块,所述传感器位置调整优化模块用于按照所述调整幅值,在所述空间区域内,根据传感器位置约束,对所述多个传感器位置进行调整优化,获得多个最优传感器位置,对所述多个温度传感器进行位置调整,进行温度测量,其中,在调整优化过程中,基于降低过冲量进行优化;
温度变化率信息采集模块,所述温度变化率信息采集模块用于获取进行温度控制的目标温度,通过所述目标温控箱内的温度控制单元按照预设温度控制方案进行温度控制,并通过所述多个温度传感器采集多个温度变化率信息;
预测过冲量获取模块,所述预测过冲量获取模块用于基于所述多个温度变化率信息、目标温度和多个最优传感器位置,进行所述目标温度控制过冲量的预测,获得预测过冲量;
温度控制模块,所述温度控制模块用于根据所述预测过冲量,对所述目标温度进行调整优化,直到达到温度控制收敛条件,获得最优补偿目标温度,进行温度控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656818.4A CN117434979B (zh) | 2023-12-06 | 2023-12-06 | 一种温控箱控制和温度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656818.4A CN117434979B (zh) | 2023-12-06 | 2023-12-06 | 一种温控箱控制和温度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117434979A true CN117434979A (zh) | 2024-01-23 |
CN117434979B CN117434979B (zh) | 2024-03-12 |
Family
ID=89551667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311656818.4A Active CN117434979B (zh) | 2023-12-06 | 2023-12-06 | 一种温控箱控制和温度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434979B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080144693A1 (en) * | 2006-12-18 | 2008-06-19 | Okuma Corporation | Method for detecting abnormality of temperature sensor in machine tool |
CN110081993A (zh) * | 2019-04-23 | 2019-08-02 | 西安理工大学 | 一种空间温度可视化监测***及其构建方法 |
CN110974030A (zh) * | 2019-11-08 | 2020-04-10 | 珠海优特智厨科技有限公司 | 补液方法、烹饪设备、补液装置、存储介质及计算机设备 |
CN112989529A (zh) * | 2021-02-05 | 2021-06-18 | 河北农业大学 | 一种基于遗传算法的鸡舍温度传感器布置优化方法 |
CN113591361A (zh) * | 2021-09-29 | 2021-11-02 | 成都飞机工业(集团)有限责任公司 | 一种航空烘箱控制传感器定位方法、装置、设备及介质 |
CN116771601A (zh) * | 2023-07-24 | 2023-09-19 | 山东能源盛鲁能化鄂尔多斯市新能源有限公司 | 基于温度感知的风电机组优化控制方法及*** |
CN220120274U (zh) * | 2023-07-05 | 2023-12-01 | 上海胤旭机电设备股份有限公司 | 一种自校准温度传感器装置 |
-
2023
- 2023-12-06 CN CN202311656818.4A patent/CN117434979B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080144693A1 (en) * | 2006-12-18 | 2008-06-19 | Okuma Corporation | Method for detecting abnormality of temperature sensor in machine tool |
CN110081993A (zh) * | 2019-04-23 | 2019-08-02 | 西安理工大学 | 一种空间温度可视化监测***及其构建方法 |
CN110974030A (zh) * | 2019-11-08 | 2020-04-10 | 珠海优特智厨科技有限公司 | 补液方法、烹饪设备、补液装置、存储介质及计算机设备 |
CN112989529A (zh) * | 2021-02-05 | 2021-06-18 | 河北农业大学 | 一种基于遗传算法的鸡舍温度传感器布置优化方法 |
CN113591361A (zh) * | 2021-09-29 | 2021-11-02 | 成都飞机工业(集团)有限责任公司 | 一种航空烘箱控制传感器定位方法、装置、设备及介质 |
CN220120274U (zh) * | 2023-07-05 | 2023-12-01 | 上海胤旭机电设备股份有限公司 | 一种自校准温度传感器装置 |
CN116771601A (zh) * | 2023-07-24 | 2023-09-19 | 山东能源盛鲁能化鄂尔多斯市新能源有限公司 | 基于温度感知的风电机组优化控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117434979B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309874B (zh) | 负样本筛选模型训练方法、数据筛选方法和数据匹配方法 | |
Kremer et al. | Robust active label correction | |
US20210342244A1 (en) | Distributed architecture for fault monitoring | |
CN111178548B (zh) | 集成学习预测方法与*** | |
CN111612050B (zh) | 遥测数据异常检测的方法 | |
CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
US9189198B2 (en) | Data similarity calculation method and data similarity calculation apparatus | |
CN108983204B (zh) | 一种无钥匙进入和无钥匙启动***定位方法 | |
Kang et al. | Efficient feature selection-based on random forward search for virtual metrology modeling | |
CN111931983B (zh) | 一种降水量预测方法及*** | |
CN106156790B (zh) | 一种应用于传感器网络的分布式协作算法和数据融合机制 | |
US20150286950A1 (en) | Apparatus for forecasting water demand | |
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
CN110889091A (zh) | 基于温度敏感区间分段的机床热误差预测方法与*** | |
CN117434979B (zh) | 一种温控箱控制和温度测量方法 | |
CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
US11044178B2 (en) | Data center management method, management apparatus, and data center system | |
CN109803234B (zh) | 基于权值重要度约束的无监督融合定位方法 | |
CN116258087B (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
CN115826636B (zh) | 一种cvd设备的压力控制方法及*** | |
Yassin et al. | Comparison between NARX parameter estimation methods with Binary Particle Swarm Optimization-based structure selection method | |
CN115879039A (zh) | 一种支持向量回归结合引力搜索的元素含量定量分析方法 | |
Kim et al. | A single-pass noise covariance estimation algorithm in multiple-model adaptive kalman filtering for non-stationary systems | |
CN115426709B (zh) | 基于iForest和低秩矩阵分解的WiFi指纹定位异常数据处理方法 | |
Yan et al. | Explainable Gated Bayesian Recurrent Neural Network for Non-Markov State Estimation |
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 |