基于多路pid温度控制器的温度控制方法及系统与流程

本发明涉及自动控制，尤其涉及基于多路pid温度控制器的温度控制方法及系统。

背景技术：

1、自动控制是一门关于系统自动调节和控制的学科，涉及传感器、执行器、控制算法等多个方面。它的目标是通过对控制对象的监测和反馈，自动调节系统的状态或输出，以实现期望的目标效果。

2、在温度控制方面，基于多路pid温度控制器的方法是一种常用的温度控制技术。pid控制器是一种经典的反馈控制器，它通过计算误差的比例、积分和微分，以反馈控制的方式实现对温度的精确控制。该方法的目的是在多个温度控制点上精确控制温度，使其维持在预定的设定点上。通过多路pid温度控制器，可以同时监测和控制多个温度点，实现对整个系统的温度控制。通过对pid参数进行优化调节，系统能够快速响应、稳定性好，并实现更准确的温度控制。因此，基于多路pid温度控制器的方法在自动控制领域被广泛应用于温度控制系统。

3、在现有基于多路pid温度控制器的方法中，在传感器的部署上通常缺乏优化机制，可能导致数据获取不准确或不全面。在温度预测方面，传统方法通常基于简单的数学模型或者没有进行任何预测，这限制了其对复杂环境的适应能力。现有方法通常没有考虑模糊逻辑和复杂的控制策略，因此在面对不确定性和系统复杂性时会处理困难。大多数现有方法缺乏高级优化算法，如非支配排序遗传算法，限制了其在找到最优解方面的能力。大多现有方法还没有实现与云端平台的接入，导致其在远程控制和数据分析方面的能力十分有限。现有方法通常缺乏自主学习和优化机制，需要人工干预，这大大限制了其效率和自主性。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的基于多路pid温度控制器的温度控制方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：基于多路pid温度控制器的温度控制方法，包括以下步骤：

3、s1：利用无线传感网络在多组温度控制点上部署传感器节点，使用k-均值聚类算法对传感器位置进行优化，实现无线传感网络并优化传感器位置，获取实时温度数据；

4、s2：基于所述实时温度数据，采用循环神经网络和长短时记忆网络算法建立温度预测模型，并利用adam优化算法进行参数优化，生成未来温度预测模型；

5、s3：根据所述未来温度预测模型，应用模糊petri网理论和模糊逻辑，将多路温度控制系统建模为离散事件控制系统，采用状态转移矩阵与模糊逻辑规则进行状态转移和决策，生成基于预测的温度控制策略；

6、s4：利用所述基于预测的温度控制策略，应用非支配排序遗传算法进行求解，得到最优温度控制策略；

7、s5：将所述最优温度控制策略应用到多路pid温度控制器中，与云端平台接入，通过实时数据分析和使用卡尔曼滤波算法进行数据修正和优化，建立远程温度控制系统；

8、s6：获取所述远程温度控制系统数据，利用深度q网络算法进行反馈增强学习，自动调整pid参数，持续优化温度控制策略，生成优化后的自主控制策略。

9、作为本发明的进一步方案，利用无线传感网络在多组温度控制点上部署传感器节点，使用k-均值聚类算法对传感器位置进行优化，实现无线传感网络并优化传感器位置，获取实时温度数据的步骤具体为：

10、s101：在多组温度控制点部署无线传感器节点，进行温度实时监测和数据传输，得到初步的实时温度数据和传感器节点布局；

11、s102：基于所述初步的实时温度数据和传感器节点布局，利用k-均值聚类算法对传感器部署位置和数量进行精细化调整，得到优化后的传感器布局；

12、s103：基于所述优化后的传感器布局，实施数据清理和预处理工作，包括异常值处理和数据正则化，得到清理后的实时温度数据；

13、s104：保存所述清理后的实时温度数据和优化后的传感器布局信息，实现无线传感网络并优化传感器位置。

14、作为本发明的进一步方案，基于所述实时温度数据，采用循环神经网络和长短时记忆网络算法建立温度预测模型，并利用adam优化算法进行参数优化，生成未来温度预测模型的步骤具体为：

15、s201：导入实现无线传感网络并优化传感器位置的数据，利用循环神经网络和长短时记忆网络进行温度预测模型构建，生成初步未来温度预测模型；

16、s202：基于所述初步未来温度预测模型，采用adam优化算法进行参数调优和训练，得到参数优化后的温度预测模型；

17、s203：对所述参数优化后的温度预测模型进行模型评估和验证，得到验证后的未来温度预测模型；

18、s204：保存所述验证后的未来温度预测模型及其参数配置，基于所述实时温度数据，建立未来温度预测模型。

19、作为本发明的进一步方案，根据所述未来温度预测模型，应用模糊petri网理论和模糊逻辑，将多路温度控制系统建模为离散事件控制系统，采用状态转移矩阵与模糊逻辑规则进行状态转移和决策，生成基于预测的温度控制策略的步骤具体为：

20、s301：将多路温度控制系统的指标、状态和控制策略转化为离散事件和控制信号，生成初步的离散事件控制系统模型；

21、s302：基于所述未来温度预测模型预测的温度信息，输入到初步的离散事件控制系统模型中，生成初步的预测温度控制策略；

22、s303：利用所述初步的预测温度控制策略，应用模糊petri网理论和模糊逻辑，进行状态转移和决策，得到基于模糊逻辑的预测控制策略；

23、s304：保存所述基于模糊逻辑的预测控制策略，建模多路温度控制系统，并生成基于预测的温度控制策略。

24、作为本发明的进一步方案，利用所述基于预测的温度控制策略，应用非支配排序遗传算法进行求解，得到最优温度控制策略的步骤具体为：

25、s401：引入基于预测的温度控制策略，设定初步目标函数和约束条件，得到初步遗传算法模型；

26、s402：基于所述初步遗传算法模型，采用非支配排序遗传算法对模型进行优化求解，获得温度控制策略的遗传算法解集；

27、s403：对所述温度控制策略的遗传算法解集进行排序与筛选，取适应度最优解作为输出，得到优选的遗传算法解；

28、s404：基于优选的遗传算法解，构建与实际应用场景相匹配的温度控制策略，作为最优温度控制策略。

29、作为本发明的进一步方案，将所述最优温度控制策略应用到多路pid温度控制器中，与云端平台接入，通过实时数据分析和使用卡尔曼滤波算法进行数据修正和优化，建立远程温度控制系统的步骤具体为：

30、s501：引入所述最优温度控制策略，设计多路pid控制算法，得到多路pid温度控制策略；

31、s502：基于多路pid温度控制策略，与云端平台建立数据接口，实现数据传输，生成实时温度数据云端接口；

32、s503：利用所述实时温度数据云端接口获取数据，采用卡尔曼滤波算法对数据进行实时修正和优化，得到修正后的实时温度数据；

33、s504：结合所述修正后的实时温度数据，整合多路pid控制和云端接口，实现远程监控与控制，建立远程温度控制系统。

34、作为本发明的进一步方案，获取所述远程温度控制系统数据，利用深度q网络算法进行反馈增强学习，自动调整pid参数，持续优化温度控制策略，生成优化后的自主控制策略的步骤具体为：

35、s601：连接所述远程温度控制系统，实时抓取系统运行数据，得到实时运行数据集；

36、s602：基于所述实时运行数据集，应用深度q网络算法进行模型构建，生成初步的深度q网络模型；

37、s603：对所述初步的深度q网络模型进行训练，实现反馈增强学习，得到训练后的深度q网络模型；

38、s604：基于所述训练后的深度q网络模型，自动调整多路pid控制参数，生成优化的自主控制策略。

39、基于多路pid温度控制器的温度控制系统用于执行上述基于多路pid温度控制器的温度控制方法，所述基于多路pid温度控制器的温度控制系统是由传感器网络布局模块、温度预测模块、离散控制建模模块、优化控制策略模块、云端数据处理模块、实时数据校正模块、自主控制优化模块组成。

40、作为本发明的进一步方案，所述传感器网络布局模块部署无线传感器节点并采用k-均值聚类算法优化传感器位置，生成优化后的传感器网络布局；

41、所述温度预测模块基于优化后的传感器网络布局获取的实时温度数据，使用循环神经网络与长短时记忆网络算法，建立未来温度预测模型；

42、所述离散控制建模模块基于未来温度预测模型，利用模糊petri网理论和模糊逻辑建模，生成基于预测的温度控制策略；

43、所述优化控制策略模块采用非支配排序遗传算法，对基于预测的温度控制策略进行求解，得到最优温度控制策略；

44、所述云端数据处理模块将最优温度控制策略应用到多路pid温度控制器中，并与云端平台接入，生成云端数据接收节点；

45、所述实时数据校正模块对云端数据接收节点获取的实时温度数据，使用卡尔曼滤波算法进行数据校正，建立远程温度控制系统；

46、所述自主控制优化模块获取远程温度控制系统数据，使用深度q网络算法进行反馈增强学习，生成优化后的自主控制策略。

47、作为本发明的进一步方案，所述传感器网络布局模块包括节点部署子模块、数据采集子模块、位置优化子模块；

48、所述温度预测模块包括数据获取子模块、模型建立子模块、参数优化子模块；

49、所述离散控制建模模块包括petri网建模子模块、模糊逻辑应用子模块、状态决策子模块；

50、所述优化控制策略模块包括遗传算法应用子模块、策略评估子模块、最优策略选择子模块；

51、所述云端数据处理模块包括pid应用子模块、云端接入子模块、数据同步子模块；

52、所述实时数据校正模块包括数据接收子模块、卡尔曼滤波子模块、数据更新子模块；

53、所述自主控制优化模块包括数据采集子模块、深度q网络应用子模块、策略更新子模块。

54、与现有技术相比，本发明的优点和积极效果在于：

55、本发明中，采用无线传感网络与k-均值聚类算法优化传感器的位置，极大地提高了数据获取的精确性和实时性。通过循环神经网络和长短时记忆网络，不仅能更准确地预测未来温度，还能够自动地进行参数优化。模糊petri网与模糊逻辑的应用则让系统能够更好地处理不确定性和复杂性，提供了更加可靠的控制策略。非支配排序遗传算法用于最优化控制策略，增加了系统性能和可靠性。通过与云端平台的接入，实现了远程监控和实时数据修正，大大提高了系统的可扩展性和适应性。深度q网络的应用实现了自动调整和优化，进一步减少了人工干预的需要，使得整个系统更加高效和自主。