一种基于ARM的空调主机机器学习控制算法的制作方法

一种基于arm的空调主机机器学习控制算法
技术领域
1.本发明涉及计算机技术领域，具体为一种基于arm的空调主机机器学习控制算法。


背景技术：

2.arm处理器是英国acorn有限公司设计的低功耗成本的第一款risc微处理器，arm处理器的应用范围十分广泛，在空调主机的控制方面同样有应用，空调主机在控制过程中需要利用算法进行控制，然而现有的空调主机控制算法在进行温度控制时，温度控制的误差较大，难以根据实际的环境参数和设备工作状态进行温度的实时调控，实用性较差，降低了设备的实用性，同时现有的空调主机控制算法在使用时，无法对未来调控的策略进行预测，并且现有的空调主机控制算法无法与时俱进，更迭速度慢。


技术实现要素：

3.本发明的目的在于提供一种基于arm的空调主机机器学习控制算法，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：一种基于arm的空调主机机器学习控制算法，包括以下步骤：步骤一，数据获取；步骤二，数据训练建立模型；步骤三，自适应控制；步骤四，预测控制；步骤五，强化学习控制；步骤六，模型更新；
5.其中在上述步骤一中，首先通过传感器获取室外环境数据和空调主机的运行参数数据，将数据进行预处理，处理完成后按照6∶4的比例建成训练数据集和验证数据集备用；
6.其中在上述步骤二中，当步骤一中的训练数据集建立完后，利用训练数据集来进行数据训练，数据训练完成后生成自适应控制的模型；
7.其中在上述步骤三中，当步骤二中的自适应控制模型建立完后，传感器将实时采集的数据传递到自适应控制的模型中，根据数据进行空调主机的自适应调节，进行温度的控制和偏差的补偿，实现空调主机的自适应控制；
8.其中在上述步骤四中，当步骤三中的自适应补偿控制完成后，使用卷曲神经网络作为特征提取层，使用全连接网络层；取用历史数据集带入模型中进行机器学习训练，并且将历史数据训练之后的模型利用加权的方式进行储存，继而利用模型来预测系统未来的行为，制定相应的控制策略，实现预测控制；
9.其中在上述步骤五中，当步骤四中的预测控制完成之后，利用强化学习算法对系统的行为策略进行学习，通过不断尝试来对行为策略进行不断的优化，完成后对控制策略进行优化；
10.其中在上述步骤六中，当步骤五中的优化完成后，根据优化策略对系统进行更新，保障arm的空调主机机器学习控制算法的先进性。
11.优选的，所述步骤一中，室外环境数据包括室外温湿度和粉尘颗粒度，空调主机的运行参数数据包括机组蒸发器冷凝器冷媒的输入输出温度，压力、流量以及冷/热负荷等参数。
12.优选的，所述步骤二中，训练数据集训练过程中，数据不断迭代，直至数据收敛为止。
13.优选的，所述步骤三中，自适应调节的算法为：
14.e(k)＝yr(k)-y(k)；
15.p(k)＝[y(k)-y(k-1)]/[u(k-1)-u(k-2)]；
[0016]
若|u(k-1)-u(k-2)|≥ε；
[0017]
p(k)＝p(k-1)，若|u(k-1)-u(k-2)|≥ε；
[0018]
um(k)＝um(k-1)+e(k)/p(k)；
[0019]
u(k)＝u0+um(k)；
[0020]
um(0)＝u(-1)＝0，u(0)＝u0；
[0021]
其中，u0是根据实际控制要求由近似模型算得的前馈控制量，yr(k)、y(k)、um(k)和u(k)分别为系统第k个控制周期时刻的期望输出值、实际输出值、补偿控制值和实际控制量。
[0022]
优选的，所述步骤四中，历史数据集包括历史空调主机机组蒸发器冷凝器冷媒的输入输出温度，压力、流量、冷/热负荷等参数、神经元数量和激活函数选择。
[0023]
优选的，所述步骤五中，强化学习算法为sarsa、时序差分算法、dqn和doubledqn其中一种。
[0024]
与现有技术相比，本发明的有益效果是：
[0025]
1.本发明通过采集空调机组外界环境数据和设备工作数据传递到模型中训练成自适应控制模型，实现了对空调机组的自适应控制，根据实时反馈来自动调整控制器参数；
[0026]
2.本发明通过对历史数据集进行迭代机器学习，从而生成预测模型，预测系统未来的行为，制定相应的控制策略，实现预测控制；
[0027]
3.本发明通过强化学习算法对系统的行为策略进行学习，对算法进行不断优化更新，提升了设备的实用性。
附图说明
[0028]
图1为本发明的方法流程图。
具体实施方式
[0029]
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。
[0030]
请参阅图1，本发明提供的一种实施例：一种基于arm的空调主机机器学习控制算法，包括以下步骤：步骤一，数据获取；步骤二，数据训练建立模型；步骤三，自适应控制；步骤四，预测控制；步骤五，强化学习控制；步骤六，模型更新；
[0031]
其中在上述步骤一中，首先通过传感器获取室外环境数据和空调主机的运行参数数据，且室外环境数据包括室外温湿度和粉尘颗粒度，空调主机的运行参数数据包括机组蒸发器冷凝器冷媒的输入输出温度，压力、流量以及冷/热负荷等参数，将数据进行预处理，
处理完成后按照6∶4的比例建成训练数据集和验证数据集备用；
[0032]
其中在上述步骤二中，当步骤一中的训练数据集建立完后，利用训练数据集来进行数据训练，且训练数据集训练过程中，数据不断迭代，直至数据收敛为止，数据训练完成后生成自适应控制的模型；
[0033]
其中在上述步骤三中，当步骤二中的自适应控制模型建立完后，传感器将实时采集的数据传递到自适应控制的模型中，根据数据进行空调主机的自适应调节，自适应调节的算法为：
[0034]
e(k)＝yr(k)-y(k)；
[0035]
p(k)＝[y(k)-y(k-1)]/[u(k-1)-u(k-2)]；
[0036]
若|u(k-1)-u(k-2)|≥ε；
[0037]
p(k)＝p(k-1)，若|u(k-1)-u(k-2)|≥ε；
[0038]
um(k)＝um(k-1)+e(k)/p(k)；
[0039]
u(k)＝u0+um(k)；
[0040]
um(0)＝u(-1)＝0，u(0)＝u0；
[0041]
其中，u0是根据实际控制要求由近似模型算得的前馈控制量，yr(k)、y(k)、um(k)和u(k)分别为系统第k个控制周期时刻的期望输出值、实际输出值、补偿控制值和实际控制量，进行温度的控制和偏差的补偿，实现空调主机的自适应控制；
[0042]
其中在上述步骤四中，当步骤三中的自适应补偿控制完成后，使用卷曲神经网络作为特征提取层，使用全连接网络层；取用历史数据集带入模型中进行机器学习训练，且历史数据集包括历史空调主机机组蒸发器冷凝器冷媒的输入输出温度，压力、流量、冷/热负荷等参数、神经元数量和激活函数选择，并且将历史数据训练之后的模型利用加权的方式进行储存，继而利用模型来预测系统未来的行为，制定相应的控制策略，实现预测控制；
[0043]
其中在上述步骤五中，当步骤四中的预测控制完成之后，利用强化学习算法对系统的行为策略进行学习，且强化学习算法为sarsa、时序差分算法、dqn和doubledqn其中一种，通过不断尝试来对行为策略进行不断的优化，完成后对控制策略进行优化；
[0044]
其中在上述步骤六中，当步骤五中的优化完成后，根据优化策略对系统进行更新，保障arm的空调主机机器学习控制算法的先进性。
[0045]
基于上述，本发明的优点在于，该发明使用时，采用室外温湿度和粉尘颗粒度、机组蒸发器冷凝器冷媒的输入输出温度，压力、流量以及冷/热负荷等参数作为训练数据集来对模型进行训练，数据训练完成后生成自适应控制的模型，利用自适应控制的模型来对空调进行实时自适应控制，保证了空调系统较好的均衡节能和舒适度要求，同时使用卷曲神经网络作为特征提取层，使用全连接网络层，取用历史数据集带入模型中进行机器学习训练，从而预测系统未来的行为，制定相应的控制策略，实现预测控制，并且通过强化学习算法对系统的行为策略进行学习，对算法进行不断优化更新，提升了设备的实用性。
[0046]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于arm的空调主机机器学习控制算法，包括以下步骤：步骤一，数据获取；步骤二，数据训练建立模型；步骤三，自适应控制；步骤四，预测控制；步骤五，强化学习控制；步骤六，模型更新；其特征在于：其中在上述步骤一中，首先通过传感器获取室外环境数据和空调主机的运行参数数据，将数据进行预处理，处理完成后按照6∶4的比例建成训练数据集和验证数据集备用；其中在上述步骤二中，当步骤一中的训练数据集建立完后，利用训练数据集来进行数据训练，数据训练完成后生成自适应控制的模型；其中在上述步骤三中，当步骤二中的自适应控制模型建立完后，传感器将实时采集的数据传递到自适应控制的模型中，根据数据进行空调主机的自适应调节，进行温度的控制和偏差的补偿，实现空调主机的自适应控制；其中在上述步骤四中，当步骤三中的自适应补偿控制完成后，使用卷曲神经网络作为特征提取层，使用全连接网络层；取用历史数据集带入模型中进行机器学习训练，并且将历史数据训练之后的模型利用加权的方式进行储存，继而利用模型来预测系统未来的行为，制定相应的控制策略，实现预测控制；其中在上述步骤五中，当步骤四中的预测控制完成之后，利用强化学习算法对系统的行为策略进行学习，通过不断尝试来对行为策略进行不断的优化，完成后对控制策略进行优化；其中在上述步骤六中，当步骤五中的优化完成后，根据优化策略对系统进行更新，保障arm的空调主机机器学习控制算法的先进性。2.根据权利要求1所述的一种基于arm的空调主机机器学习控制算法，其特征在于：所述步骤一中，室外环境数据包括室外温湿度和粉尘颗粒度，空调主机的运行参数数据包括机组蒸发器冷凝器冷媒的输入输出温度，压力、流量以及冷/热负荷等参数。3.根据权利要求1所述的一种基于arm的空调主机机器学习控制算法，其特征在于：所述步骤二中，训练数据集训练过程中，数据不断迭代，直至数据收敛为止。4.根据权利要求1所述的一种基于arm的空调主机机器学习控制算法，其特征在于：所述步骤三中，自适应调节的算法为：p(k)＝[y(k)-y(k-1)]/[u(k-1)-u(k-2)]；若|u(k-1)-u(k-2)|≥ε；p(k)＝p(k-1)，若|u(k-1)-u(k-2)|≥ε；u
m
(k)＝u
m
(k-1)+e(k)/p(k)；u(k)＝u0+u
m
(k)；u
m
(0)＝u(-1)＝0，u(0)＝u0；其中，u0是根据实际控制要求由近似模型算得的前馈控制量，y
r
(k)、y(k)、u
m
(k)和u(k)分别为系统第k个控制周期时刻的期望输出值、实际输出值、补偿控制值和实际控制量。5.根据权利要求1所述的一种基于arm的空调主机机器学习控制算法，其特征在于：所述步骤四中，历史数据集包括历史空调主机机组蒸发器冷凝器冷媒的输入输出温度，压力、流量、冷/热负荷等参数、神经元数量和激活函数选择。
6.根据权利要求1所述的一种基于arm的空调主机机器学习控制算法，其特征在于：所述步骤五中，强化学习算法为sarsa、时序差分算法、dqn和doubledqn其中一种。

技术总结
本发明公开了一种基于ARM的空调主机机器学习控制算法，包括以下步骤：步骤一，数据获取；步骤二，数据训练建立模型；步骤三，自适应控制；步骤四，预测控制；步骤五，强化学习控制；步骤六，模型更新；本发明通过采集空调机组外界环境数据和设备工作数据传递到模型中训练成自适应控制模型，根据自适应控制实现了对空调机组的自适应控制，根据实时反馈来自动调整控制器参数，提升了设备的自动化程度；通过对历史数据集进行迭代机器学习，从而生成预测模型，预测系统未来的行为，制定相应的控制策略，实现预测控制；通过强化学习算法对系统的行为策略进行学习，对算法进行不断优化更新，提升了设备的实用性。了设备的实用性。了设备的实用性。


技术研发人员：王峻 王奕飞 李炯
受保护的技术使用者：上海格瑞特科技实业股份有限公司
技术研发日：2023.05.16
技术公布日：2023/8/13