基于人工智能的净水器控制方法及系统与流程

本技术涉及人工智能，具体而言，涉及一种基于人工智能的净水器控制方法及系统。

背景技术：

1、随着人们对饮用水质量的日益关注，净水器作为家庭和企业中常见的水处理设备，其性能和控制方法的优化变得尤为重要。传统的净水器通常依赖于手动或预设的程序进行操作和控制，这些方法往往无法实时响应水源质量的变化，也无法针对不同用户的具体需求进行个性化调整。此外，这些方法往往忽视了各种水质参数之间可能存在的复杂关联性，从而限制了其处理效果和准确度。

2、在一些尝试引入智能化元素的净水器控制方法中，虽然采用了ai模型来优化控制策略，但多数还停留在单一模型的运用上，无法充分发挥ai的潜力。例如，只考虑静态的水质状态，而没有注意到水质参数随时间的动态变化，这可能导致控制策略无法适应实际环境的变化。也即，现有的人工智能净水器控制方法在处理复杂多变的水质状态时仍存在一定的局限性，如无法准确识别水质状态的变化趋势和特征，以及无法根据实时水质状态生成有效的控制策略等。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于人工智能的净水器控制方法及系统，通过确定初始净水器控制ai模型，并结合样例净水器控制学习数据进行训练，以获取水质状态的静态和动态特征。进一步地，通过更新第一水质处理网络和第二水质处理网络，生成最终的目标净水器控制ai模型，该模型能够准确识别水质状态的变化趋势和特征，并根据实时水质状态生成有效的控制策略。这种方法不仅提高了净水器的处理效果和运行效率，还降低了能耗和运行成本，为用户带来了更好的使用体验。

2、依据本技术的第一方面，提供一种基于人工智能的净水器控制方法，所述方法包括：

3、确定初始净水器控制ai模型，所述初始净水器控制ai模型包括第一水质处理网络和第二水质处理网络；

4、确定样例净水器控制学习数据，所述样例净水器控制学习数据中包括多个净水器状态点的净水器水质状态记录流，每个净水器状态点的净水器水质状态记录流中包括多个参考水质状态参数及参考水质状态参数之间的关联参数；

5、依据所述第一水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，依据所述第二水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的变化状态向量；

6、基于所述静态状态向量更新所述第一水质处理网络，及基于所述静态状态向量及变化状态向量更新所述第二水质处理网络，生成最终的目标净水器控制ai模型，所述目标净水器控制ai模型中的第一水质处理网络对水质状态检测数据中任意一个水质状态参数在多个净水器状态点获取的静态状态向量符合静态特征规则，所述目标净水器控制ai模型中的第二水质处理网络对所述水质状态检测数据中任意一个水质状态参数在不同净水器状态点获取的变化状态向量符合动态特征规则；

7、基于所述目标净水器控制ai模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略。

8、在第一方面的一种可能的实施方式中，所述基于所述静态状态向量更新所述第一水质处理网络的步骤，包括：

9、基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列；

10、基于所述静态状态向量序列计算与所述第一水质处理网络相关的第一训练代价参数；所述第一训练代价参数包括：所述任意一个参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离、不同参考水质状态参数的静态状态向量序列之间的特征距离及不同参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离；

11、基于所述第一训练代价参数更新所述第一水质处理网络中的网络参数信息。

12、在第一方面的一种可能的实施方式中，所述基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列的步骤，包括：

13、基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，分别多次获取任意一个所述参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列；

14、则所述第一训练代价参数还包括：多次生成的任意一个参考水质状态参数的静态状态向量序列之间的特征距离。

15、在第一方面的一种可能的实施方式中，所述基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列的步骤，包括：

16、将任意一个参考水质状态参数的各个净水器状态点的静态状态向量基于时序构建一序列，从所述序列中随机选择多个净水器状态点的静态状态向量构建所述任意一个参考水质状态参数基于时域窗口的静态状态向量序列；

17、对所述静态状态向量序列中多个净水器状态点的静态状态向量进行扰动得到所述扰动状态向量序列。

18、在第一方面的一种可能的实施方式中，所述基于所述静态状态向量及变化状态向量更新所述第二水质处理网络的步骤，包括：

19、基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，及相应净水器状态点的各个参考水质状态参数的变化状态向量，获取任意一个所述参考水质状态参数在各个净水器状态点的注意力状态向量；

20、基于所述参考水质状态参数在各个净水器状态点的注意力状态向量计算第二训练代价参数，所述第二训练代价参数包括：任意一个参考水质状态参数与其衔接水质状态参数的注意力状态向量之间的特征距离，及任意一个参考水质状态参数与其不衔接水质状态参数的注意力状态向量之间的特征距离；

21、基于所述第二训练代价参数更新所述第二水质处理网络中的网络参数信息。

22、在第一方面的一种可能的实施方式中，所述获取任意一个所述参考水质状态参数在各个净水器状态点的注意力状态向量的步骤，包括：

23、将所述任意一个参考水质状态参数在任意一个净水器状态点的静态状态向量与变化状态向量进行权重融合，生成所述任意一个参考水质状态参数在任意一个净水器状态点的注意力状态向量。

24、在第一方面的一种可能的实施方式中，所述初始净水器控制ai模型还包括训练观测单元；则所述方法还包括：

25、所述训练观测单元基于所述各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量和变化状态向量，确定任意静态状态向量和变化状态向量是否属于同一参考水质状态参数；

26、基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络。

27、在第一方面的一种可能的实施方式中，所述基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络的步骤，包括：

28、基于所述训练观测单元的观测结果计算第三训练代价参数，所述第三训练代价参数包括：所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其变化状态向量的融合信息进行观测的结果，及所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其它参考水质状态参数的变化状态向量的融合信息进行观测的结果；

29、基于所述第三训练代价参数更新所述第一水质处理网络和第二水质处理网络的网络参数信息。

30、在第一方面的一种可能的实施方式中，所述基于所述目标净水器控制ai模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略的步骤，包括：

31、将所述静态状态向量和所述变化状态向量进行融合，生成目标状态向量；

32、利用预设的情境感知策略，基于所述目标状态向量和当前的环境条件识别出当前的水质处理情境，所述环境条件包括季节条件、天气条件、用水高峰时段条件，所述水质处理情境包括常规处理情境、应急处理情境、节能模式情境或者新出现的未知模式情境；

33、根据识别出的水质处理情境，从净水器控制策略库中检索相应的自适应控制策略；

34、基于模拟仿真或历史数据对所述自适应控制策略进行评估，并基于评估结果利用遗传算法或者粒子群优化对所述自适应控制策略进行优化调整，生成优化调整后的目标自适应控制策略；

35、将所述目标自适应控制策略应用于目标净水器，并实时监控所述目标净水器的运行状态和水质状态，通过收集所述目标净水器应用所述目标自适应控制策略后的反馈数据，对所述目标自适应控制策略的实施效果进行实时评估和调整。

36、依据本技术的第二方面，提供一种基于人工智能的净水器控制系统，所述基于人工智能的净水器控制系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于人工智能的净水器控制系统实现前述的基于人工智能的净水器控制方法。

37、依据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在所述计算机可执行指令被执行时，实现前述的基于人工智能的净水器控制方法。

38、依据上述任意一个方面，本技术的技术效果在于：

39、通过确定初始净水器控制ai模型，并结合样例净水器控制学习数据进行训练，能够实现对净水器水质状态的高效、智能处理，其次，通过第一水质处理网络获取各个净水器状态点的静态状态向量，以及通过第二水质处理网络获取变化状态向量，能够全面、深入地了解水质状态的变化趋势和特征。这为后续的净水器控制策略生成提供了有力的数据支持。再次，基于静态状态向量和变化状态向量对第一水质处理网络和第二水质处理网络进行更新，生成了最终的目标净水器控制ai模型，对水质状态检测数据中的静态和动态特征具有很好的适应性，能够确保在不同净水器状态点下获取的水质状态信息准确、可靠。最后，通过目标净水器控制ai模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略，能够实现对净水器的精准控制，不仅可以提高净水器的处理效果，还可以降低能耗和运行成本，为用户带来更好的使用体验。由此，能够实现对净水器水质状态的高效、智能处理，提高净水器控制的准确性和效率，降低能耗和运行成本，为用户带来更好的使用体验。

40、也即，本技术可以精确地获取并分析各个净水器状态点的水质状态记录流，从而实现了对净水器水质状态的实时、动态监控。不仅关注单个参考水质状态参数的静态状态，而且还考虑了其变化状态，因此能够更全面、深入地理解和把握水质的实际情况。基于静态状态向量和变化状态向量更新了水质处理网络，使得最终的目标净水器控制ai模型具有更强的泛化能力和预测准确性。可以根据最终的目标净水器控制ai模型自动生成相应的净水器控制策略，大大提高了净水器的自动化和智能化程度，也更有利于保障出水质量。由此，可以显著提高净水器的使用效率，降低维护成本，并为用户提供更加健康、安全的饮用水。