一种基于深度学习的冷水机房控制方法与流程

本发明涉及一种基于深度学习的冷水机房控制方法。

背景技术：

当前机器学习方法取得了快速的发展，在图像、语音识别等领域广泛应用。在冷水机房中，控制系统需要采集温度、流量、压力、设备状态、变频器频率、故障报警等成百上千个数据点。当前冷水机房控制系统通常采用pid算法进行控制，pid算法只针对其所需要的控制对象选取上千个数据点的某几个进行控制，这种算法只考虑了被控制对象的效率最优，而没有考虑该控制对象的运行状态对整个冷水机房运行能效的影响。

控制系统采用冷水机组能耗模型进行控制，其缺点在于该控制系统只考虑模型中确定的输入数据点，而无法对模型没有考虑的数据点进行反应。冷水机房中的设备都是互相关联，某一个温度或者流量的变化会对冷水系统的运行带来明显的变化。采用能耗模型的控制系统无法对意外情况进行反应，并且无法进行自我学习，找到其他数据点对能耗模型的影响。

技术实现要素：

本发明的目的在于克服现有技术中存在的上述不足，而提供一种可以适应更加复杂的控制场景的基于深度学习的冷水机房控制方法。

本发明解决上述问题所采用的技术方案是：

一种基于深度学习的冷水机房控制方法，其特征在于：

步骤1，就地控制器获取机房发出的机房数据；

步骤2，就地控制器发送机房数据至机器学习控制器；

步骤3，机器学习控制器发送机房数据至云服务器，并且机器学习控制器通过深度学习模型进行计算得出用于对机房的设备进行控制的控制指令，

其中，云服务器通过对大数据的处理，对云服务器内的深度学习模型进行训练，并将训练后的深度学习模型发送给机器学习控制器进行替换。

比当前基于pid或者能耗模型的控制系统，本发明冷水机房控制方法基于机器学习，通过对大数据分析，以及深度学习的算法找到更多节能的措施，对冷水机房节能带来新的方法，从而可以适应更加复杂的控制场景。

进一步，作为优选，所述就地控制器实时监控每一台机房设备的运行状态，若某一机房设备出现故障，将立即报警。

进一步，作为优选，所述就地控制器内置安全边界监控系统，当冷水机房系统的运行超过设置的安全边界，将强制切换到安全运行模式，自动调整到安全边界内的参数运行。

进一步，作为优选，所述就地控制器的控制程序根据情况在pid控制算法、深度学习算法和人工操作控制模式之间进行切换,人工操作控制模式优先级最高、其次是深度学习算法和pid控制算法。

进一步，作为优选，就地控制器的控制系统内置基本冷水机房pid控制逻辑、冷水机房中设备开启/关闭的顺序控制逻辑以及安全保护控制逻辑。

进一步，作为优选，所述就地控制器安装有软件和硬件双重强制人工指令接口，当人工指令接口接收到强制人工指令的命令后，就地控制器的控制系统立即进入人工控制优先模式，所有自动控制算法均停止运行。

进一步，作为优选，所述机房数据包括机房设备数据以及环境传感器数据。

进一步，作为优选，步骤2中，就地控制器先读取的机房数据进行去除异常值操作后，将数据实时传输到机器学习控制器。

进一步，作为优选，所述机器学习控制器在遇到故障时，机器学习控制器先尝试自动纠错或重启机器学习控制器的控制系统。

进一步，作为优选，所述云服务器通过网络连接至用于访问数据的远程终端。远程终端获取到冷水机房实时的信息，对冷水机房以及整个控制系统的运行状况进行远程监控。

进一步，作为优选，机房数据依次传输至就地控制器、机器学习控制器、云服务器过程中，机房数据通过就地控制器、机器学习控制器、云服务器各自的安全验证模块进行进行数据分析，若读取的机房数据超过预先设定的安全规则立即显示报警信息，

具体而言：

步骤1中，就地控制器对数据使用第三层安全验证模块进行数据分析，若读取的数据超过预先设定的安全规则立即显示报警信息，并将报警信息上传到机器学习控制器。

步骤2中，机器学习控制器接收到就地控制器的数据后，使用第二层安全验证模块对数据筛选，若接收的数据超过安全规则立即显示报警信息，并将报警信息传输给就地控制器和云服务器，若接收的数据在安全规则内，则将数据传输到云服务器。

步骤3中，云服务器接收到机器学习控制器的数据后，使用第一层安全验证模块对数据筛选，若接收的数据超过安全规则立即显示报警信息，并将报警信息传输给就机器学习控制器。

进一步，作为优选，步骤3中的控制指令经由云服务器、学习控制器以及就地控制器进行安全验证，安全验证均通过后，机房设备执行控制指令。

进一步，作为优选，云服务器、机器学习控制器和就地控制器分别设置了独立的安全验证机制。控制指令只有同时满足多层安全验证机制后，安全验证通过后，控制指令发送给冷水机房中的各个设备执行，并且深度学习控制器同时将该控制指令发送给云服务器备份。

本发明与现有技术相比，具有以下优点和效果：比当前基于pid或者能耗模型的控制系统，本发明冷水机房控制方法基于机器学习，通过对大数据分析，以及深度学习的算法找到更多节能的措施，对冷水机房节能带来新的方法，从而可以适应更加复杂的控制场景。

附图说明

图1是本发明实施例冷水机房控制系统的硬件结构框图。

图2是本发明实施例冷水机房控制系统的软件功能模块构成示意图。

图3是本发明实施例冷水机房控制系统的部分控制流程示意图。

具体实施方式

下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

参见图1，本实施例冷水机房控制系统包括机房设备、传感器数据采集模块、就地控制器、机器学习控制器、云服务器以及远程终端，机房设备、传感器数据采集模块连接至就地控制器。就地控制器、机器学习控制器以及云服务器、远程终端依次连接，连接方式可以采用通讯线、网线、无线等常规通讯连接方式。

以水冷式冷水机房为例，机房设备包括冷水主机、水泵、冷却塔、变频器。传感器数据采集模块包括温度传感器、湿度传感器、流量传感器、压力传感器、风量传感器。机房设备、传感器数据采集模块通过i/o接口连接至就地控制器。就地控制器采用plc、ddc或工控机。

就地控制器的控制系统内置基本冷水机房pid控制逻辑、冷水机房中设备开启/关闭的顺序控制逻辑、安全保护控制逻辑以及安全边界监控系统，所述就地控制器安装有软件和硬件双重强制人工指令接口。

远程终端可以采用手机、电脑、平板以及其它智能终端。

参见图2，冷水机房控制系统各个组成部分的功能如下所述：

a.传感器数据采集模块(简称传感器模块)，功能在于：获得温度、湿度、流量、压力、风量等参数信息，并发送到就地控制器

b.就地控制器，功能包括：(1)通过i/o输入输出模块监测和控制冷水主机、水泵、冷却塔、变频器和传感器数据采集模块；(2)与机器学习控制器通讯，控制器内包含设备保护验证机制，当接收到机器学习控制器的控制指令后，根据保护验证机制和规则，在确保系统安全运行的情况下判断是否执行该指令。(3)可以强制切换至人工指令模式。

c.机器学习控制器，功能包括：(1)对从就地控制器读取数据进行筛选、整理和存储。(2)使用经机器学习训练好的深度学习模型，实时计算最佳冷水机房控制指令，并将该控制指令发送给就地控制器。(3)接受和发送数据给云服务器。(4)具有自动纠错和自动重启功能。(5)包含安全验证机制，以及设备运行限制条件。保证设备运行指令在安全运行范围内。

d.云服务器，功能包括：(1)接受机器学习控制器发送的数据，进行分类存储。(2)对收集的数据进行大数据分析和机器学习，不断迭代更新冷水机房深度学习模型。(3)在每一个周期内，使用迭代后的机器学习模型优化冷水机房的控制系统，并发送给机器学习控制器。机器学习控制器和云服务器的控制程序均内置深度学习模型，(4)包含安全验证机制，以及设备运行限制条件。保证设备运行指令在安全运行范围内。

e.远程终端的功能在于：连接到云服务器，从而获取到冷水机房实时的信息，对冷水机房以及整个控制系统的运行状况进行远程监控。

参见图3,冷水机房控制系统的控制过程包括如下步骤，

(1)步骤1，就地控制器获取机房发出的机房数据；

(2)步骤2，就地控制器发送机房数据至机器学习控制器；

(3)步骤3，机器学习控制器发送机房数据至云服务器，并且机器学习控制器通过深度学习模型进行计算得出用于对机房的设备进行控制的控制指令，

(4)步骤4，控制指令经由云服务器、学习控制器以及就地控制器进行安全验证，安全验证均通过后，机房设备执行控制指令。云服务器、机器学习控制器和就地控制器分别设置了第一层安全验证模块、第二层安全验证模块、第三层安全验证模块。控制指令只有同时满足多层安全验证模块的安全验证机制后，安全验证通过后，控制指令发送给冷水机房中的各个设备执行，并且深度学习控制器同时将该控制指令发送给云服务器备份。

在上述步骤3，机器学习控制器发送机房数据至云服务器后，云服务器通过对大数据的处理，对云服务器内的深度学习模型进行训练，并定期将训练后的深度学习模型发送给机器学习控制器进行替换。比当前基于pid或者能耗模型的控制系统，本发明冷水机房控制方法基于机器学习，通过对大数据分析，以及深度学习的算法找到更多节能的措施，对冷水机房节能带来新的方法，从而可以适应更加复杂的控制场景。

冷水机房控制系统的控制过程中，机房数据依次传输至就地控制器、机器学习控制器、云服务器过程中，机房数据通过就地控制器、机器学习控制器、云服务器各自的安全验证模块进行进行数据分析，若读取的机房数据超过预先设定的安全规则立即显示报警信息。

具体而言：

步骤1中，就地控制器对数据使用第三层安全验证模块进行数据分析，若读取的数据超过预先设定的安全规则立即显示报警信息，并将报警信息上传到机器学习控制器。

步骤2中，机器学习控制器接收到就地控制器的数据后，使用第二层安全验证模块对数据筛选，若接收的数据超过安全规则立即显示报警信息，并将报警信息传输给就地控制器和云服务器，若接收的数据在安全规则内，则将数据传输到云服务器。

步骤3中，云服务器接收到机器学习控制器的数据后，使用第一层安全验证模块对数据筛选，若接收的数据超过安全规则立即显示报警信息，并将报警信息传输给就机器学习控制器。

冷水机房控制系统工作过程中，就地控制器的进行如下工作

(1)就地控制器实时监控每一台机房设备的运行状态，若某一机房设备出现故障，将立即报警。

(2)当冷水机房系统的运行超过设置的安全边界，将强制切换到安全运行模式。

(3)所述就地控制器的控制程序根据情况在pid控制算法、深度学习算法和人工操作控制模式之间进行切换。

(4)当人工指令接口接收到强制人工指令的命令后，【就地控制器的】控制系统立即进入人工控制优先模式，所有自动控制算法均停止运行。

(5)步骤2中，就地控制器先读取的机房数据进行去除异常值操作后，将数据实时传输到机器学习控制器。

所述机器学习控制器在遇到不可预测的故障时，机器学习控制器先尝试自动纠错或重启；

在工业控制领域，特别是冷水机房控制系统中，控制系统的可靠性和安全性是最重要的方面。深度学习本身缺乏鲁棒性，对没有学习过的新状况难以预测行为等特性。因此将深度学习应用到冷水机房控制系统中，如何克服基于深度学习算法的控制系统鲁棒的缺点，保证控制系统安全运行是一个重要的问题。

将深度学习算法应用到冷水机房控制系统中，需要进一步优化系统，以克服机器学习本身的鲁棒性问题。本发明所述的方法采用了以下安全机制提高控制系统的鲁棒性和安全性：

1.多层验证：云服务器、机器学习控制器和就地控制器分别设置了独立的安全验证机制。控制指令只有同时满足多层安全验证机制后，才会执行；

2.实时监控：就地控制器可以实时监控每一台设备的运行状态，若某一设备出现故障，将立即报警；

3.自动纠错和重启：机器学习控制器包含了自动纠错和重启功能，当遇到不可预测的故障时，该控制器先尝试自动纠错或重启；

4.控制算法自由切换：就地控制器可以在pid控制算法、深度学习算法和人工操作等控制模式之间进行切换；

5.安全边界监控系统：就地控制器作为最后的控制指令执行设备，内置安全边界监控系统。当冷水机房系统的运行超过设置的安全边界，将强制切换到安全运行模式；

6.强制人工控制：安装有软件和硬件双重强制人工指令接口。当接收到强制人工指令的命令后，控制系统立即进入人工控制优先模式，所有自动控制算法均停止运行。

本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。