一种鲁棒的自适应大规模气力输送控制方法技术

本申请提供一种鲁棒的自适应大规模气力输送控制方法，包括：接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据；所述检测数据输送到深度学习网络中，经过所述深度学习网络的运算输出状态参数；对所述状态参数，以及决策变量和优化目标进行采样，并通过进化算法获得完整种群数据；基于所述完整种群数据，通过蒙特卡洛树搜索算法计算获得控制参数。本申请在气力输送系统中部署多个传感器，并使用神经网络分析传感器参数，从而得到管道本身状态，基于管道的状态，将群体优化算法中的种群作为节点构建蒙特卡洛树，保证在大规模的决策空间中搜索高质量的解，从而在保证气力输送系统能根据自身实时状态优化目标的同时，提高了解的鲁棒性。提高了解的鲁棒性。提高了解的鲁棒性。

【技术实现步骤摘要】
一种鲁棒的自适应大规模气力输送控制方法


[0001]本申请请求保护一种数据处理技术，尤其涉及一种鲁棒的自适应大规模气力输送控制方法。

技术介绍

[0002]气力输送是一种利用气流在密闭管道内输送物料的技术，在物料输送领域应用极为广泛。气力输送的优点在于输送距离长、输送量大同时输送速度较高，但另一方面，也面临着气量大导致的能耗高，用气量波动高导致的输送压力大，管道频繁开关导致的系统安全性等问题。智能化的控制是解决此类问题的有效手段。
[0003]当前，气力输送系统的研究已经取得了较多进展，尤其随着智能制造的推进，诸如智能阀门等一系列新型方法和手段出现，使得气力输送系统的智能控制成为可能。但目前的气力输送系统尚未解决以下关键问题：首先是如何高效地检测输送系统的状态并据此计算优化气力输送系统的方案，其次是如何提升调度方案的鲁棒性，即保证多次解的稳健型。
[0004]气力输送系统的核心是如何保持管道内的最佳压力，过高和过低的压力要么导致能耗过高，物料和管道磨损过大；要么导致管道堵塞。然而如何保持最佳压力涉及两方面的问题：1.如何判断管道内的状态，即管道内部是“气相”还是“固相”；2.如何依据管道内部的状态来设计算法，综合考虑多方面因素来高效调整压力。
[0005]现有技术中，通过不同的传感器，例如压力、温度和湿度，结合深度学习算法可以提取出管道内部状态的特征，从而预测当前情况下管道内部的状态
–
处于“气相”还是“固相”。在此基础上，可以将高效的压力调整看作为一个多目标优化问题，从而到达多因素的统筹考虑，实现节能、安全生产和完成生产任务等多个目标。
[0006]基于群体智能的多目标优化算法是主流的解决方案。然而，气力输送问题的结构导致了搜索空间的巨大，使用群体智能多目标优化算法解决气力输送系统调度的存在一个主要问题，即群体智能算法作为启发式算法在优化过程中的随机性导致每次运行解的质量存在波动，即算法的鲁棒性较低。
[0007]不难发现，现有的技术存在的问题包括：
[0008]1.难以准确预测管道内部的状态。
[0009]2.难以求解大规模管道控制问题。
[0010]3.算法结果波动性大等问题。
[0011]对此，需要一种能在实际工业生产中投入使用的具有高响应性和高鲁棒性的气力输送系统控制的求解方法。

技术实现思路

[0012]为了解决上述现有技术中的问题，本申请提供一种鲁棒的自适应大规模气力输送控制方法。
[0013]本申请还提供一种鲁棒的自适应大规模气力输送控制方法，包括：
[0014]检测气力输送系统中每个节点处的温度、湿度、气压和空气流量的检测数据，根据预设规则，将所述检测数据分割为多个输入数据集；
[0015]将所述输入数据集输入到到深度学习网络中，采用杂交算法对所述输入数据进行迭代，获得所述气力输送系统的状态参数；
[0016]对所述状态参数，以及决策变量和优化目标进行采样，并通过进化算法获得完整种群数据；
[0017]基于所述完整种群数据，通过蒙特卡洛树搜索算法计算获得控制参数。
[0018]可选的，所述杂交算法的步骤包括：
[0019]步骤一：初始化种群；
[0020]步骤二：对种群进行快速非支配排序，得到每个个体的层数F
i
；
[0021]步骤三：从第一层开始选择个体，直到放入第F
i+1
层时个体数量恰好大于N,则只放入F1到F
i
层的个体，记此时个体数量为n；
[0022]步骤四：对第F
i+1
层的个体计算拥挤度距离，选择前N
‑
n个F
i+1
层个体放入种群，此时种群大小为N；
[0023]步骤五：选择、交叉、变异生成子代种群；
[0024]步骤六：是否满足优化停止条件，若否转到步骤二。
[0025]可选的，还包括对数据进行抽样处理，包括：
[0026]给定一个节点N，有n个解的种群P，每个解有d个决策变量，对于N的每个子节点，算法从d个决策变量中抽取d
n
个决策变量进行优化，其他未被采样决策变量保持不变以生成此子节点。
[0027]可选的，所述通过蒙特卡洛树搜索算法计算获得控制参数包括：
[0028]构建搜索树；
[0029]基于所述搜索树，采用Tree优化算法Policy阶段和Default优化算法Policy阶段进行数据的迭代；
[0030]采用蒙特卡洛树搜索提高所述气力输送系统控制的鲁棒性算法。
[0031]可选的，所述所述鲁棒性算法包括：
[0032]步骤一：初始化种群为根节点，根节点的评价Δ设为0。
[0033]步骤二：如果父节点有k个子节点，则选择具有最评估的节点，直到节点N的子节点数小于k。
[0034]步骤三：使用决策变量抽样进行优化构造一个新节点优化算法Nl。
[0035]步骤四：估计子节点优化算法Nl优化算法的超体积值作为评估优化算法Δ，然后反向传播优化算法Δ优化算法并更新优化算法UCB优化算法值。
[0036]步骤五：如果子节点优化算法Nl优化算法的超容量优于归档节点，则用新节点更新归档节点。
[0037]步骤六：重复步骤优化算法二，直到计算资源耗尽。
[0038]可选的，所述气力输送系统中，每个管道的控制时间包括：启动和停止时间和和和满足约束且和
[0039]可选的，所述控制时间与最小化系统压力峰值和最小化压力峰值谷值产的表达式：
[0040][0041][0042]其中表示第i根管道在j时刻的调度方案，1表示运行，0表示停止；表示生产周期T内的峰值，需要最小化该峰值，表示生产周期T内的峰值，需要最小化该峰值，表示气力输送系统压力峰值谷值差。
[0043]本申请提供一种鲁棒的自适应大规模气力输送控制设备，包括：
[0044]显示器；
[0045]存储器；
[0046]处理器，从存储器中调取鲁棒的自适应大规模气力输送控制方法的程序，执行如下步骤：接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据；所述检测数据输送到深度学习网络中，经过所述深度学习网络的运算输出状态参数；对所述状态参数，以及决策变量和优化目标进行采样，并通过进化算法获得完整种群数据；基于所述完整种群数据，通过蒙特卡洛树搜索算法计算获得控制参数。
[0047]可选的，还包括：算法库，用于存储所述蒙特卡洛树搜索算法。
[0048]本申请还提供一种鲁棒的自适应大规模气力输送控制装置，包括：
[0049]数据模块，用于接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据；
[0050]分析模块，用于将所述检测数据输送到深度学习网络中，并经过所述深度学习网络的运算输出状态参数；
[0051]优化模块，用于对所述状态参数，以及决策变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种鲁棒的自适应大规模气力输送控制方法，其特征在于，检测气力输送系统中每个节点处的温度、湿度、气压和空气流量的检测数据，根据预设规则，将所述检测数据分割为多个输入数据集；将所述输入数据集输入到到深度学习网络中，采用杂交算法对所述输入数据进行迭代，获得所述气力输送系统的状态参数；对所述状态参数，以及决策变量和优化目标进行采样，并通过进化算法获得完整种群数据；基于所述完整种群数据，通过蒙特卡洛树搜索算法计算获得控制参数。2.根据权利要求1所述鲁棒的自适应大规模气力输送控制方法，其特征在于，所述杂交算法的步骤包括：步骤一：初始化种群；步骤二：对种群进行快速非支配排序，得到每个个体的层数F
i
；步骤三：从第一层开始选择个体，直到放入第F
i+1
层时个体数量恰好大于N,则只放入F1到F
i
层的个体，记此时个体数量为n；步骤四：对第F
i+1
层的个体计算拥挤度距离，选择前N
‑
n个F
i+1
层个体放入种群，此时种群大小为N；步骤五：选择、交叉、变异生成子代种群；步骤六：是否满足优化停止条件，若否转到步骤二。3.根据权利要求2所述鲁棒的自适应大规模气力输送控制方法，其特征在于，还包括对数据进行抽样处理，包括：给定一个节点N，有n个解的种群P，每个解有d个决策变量，对于N的每个子节点，算法从d个决策变量中抽取d
n
个决策变量进行优化，其他未被采样决策变量保持不变以生成此子节点。4.根据权利要求1所述鲁棒的自适应大规模气力输送控制方法，其特征在于，所述通过蒙特卡洛树搜索算法计算获得控制参数包括：构建搜索树；基于所述搜索树，采用Tree优化算法Policy阶段和Default优化算法Policy阶段进行数据的迭代；采用蒙特卡洛树搜索提高所述气力输送系统控制的鲁棒性算法。5.根据权利要求3所述鲁棒的自适应大规模气力输送控制方法，其特征在于，所述所述鲁棒性算法包括：步骤一：初始化种群为根节点，根节点的评价Δ设为0。步骤二：如果父节点有k个子节点，则选择具有最...

【专利技术属性】
技术研发人员：江敏，洪浩恺，徐姜琴，
申请(专利权)人：厦门闽江智慧科技有限公司，
类型：发明
国别省市：