一种超声波微纳米气泡清洗的优化方法及系统

技术领域

本申请涉及气泡清洗技术领域，具体涉及一种超声波微纳米气泡清洗的优化方法及系统。

背景技术

在超声波清洗过程中，微纳米气泡的产生和作用是此技术的重要环节。这种清洗方法可以快速高效清洗，除油，除菌等领域。然而，清洗的效果取决于多个因素，包括超声波的频率、功率、气泡的大小和分布等。对于一些复杂形状的物体清洗难以达到理想状态。通过高频震动技术，使清洗液分子产生强烈的流动性和乳化能力，从而有效的去除污垢，为了优化清洗效果，提高效率并减少能量消耗，一种超声波微纳米气泡清洗的优化方法是人们关注的。

但在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术清洗效果不稳定，对于复杂形状的物体清洗效果较差，能耗较大，不利于节能减排，对清洗过程难以精确控制的问题。

发明内容

本申请主要解决了现有技术清洗效果不稳定，对于复杂形状的物体清洗效果较差，能耗较大，不利于节能减排，对清洗过程难以精确控制的问题。

鉴于上述问题，本申请提供了一种超声波微纳米气泡清洗的优化方法及系统，第一方面，本申请提供了一种超声波微纳米气泡清洗的优化方法，所述方法包括：建立测试数据集，其中，所述测试数据集为以待清洗物和脏污特征为匹配特征建立的数据集合，所述测试数据集包括超声波的控制数据、液体成分数据、清洗效果数据、清洗时长数据、清洗数量数据；获取待清洗物的清洗需求，依据所述清洗需求配置适应度评价函数，其中，所述适应度评价函数由效果适应度函数和成本适应度函数构成；以所述测试数据集作为基础解空间，进行预设数量的随机聚类；根据随机聚类结果进行解集的分级优化，更新基础解空间，其中，所述分级优化控制包括随机聚类结果内的集团内更新和聚类结果间的集团外更新；当分级优化控制迭代满足预设条件后，进行更新后的基础解空间的聚类吞并；基于聚类吞并结果确定寻优解空间，以所述寻优解空间进行待清洗物的清洗优化控制。

第二方面，本申请提供了一种超声波微纳米气泡清洗的优化系统，所述系统包括：数据集合建立模块，所述数据集合建立模块用于建立测试数据集，其中，所述测试数据集为以待清洗物和脏污特征为匹配特征建立的数据集合，所述测试数据集包括超声波的控制数据、液体成分数据、清洗效果数据、清洗时长数据、清洗数量数据；清洗需求获取模块，所述清洗需求获取模块用于获取待清洗物的清洗需求，依据所述清洗需求配置适应度评价函数，其中，所述适应度评价函数由效果适应度函数和成本适应度函数构成；随机聚类模块，所述随机聚类模块用于以所述测试数据集作为基础解空间，进行预设数量的随机聚类；基础解空间更新模块，所述基础解空间更新模块用于根据随机聚类结果进行解集的分级优化，更新基础解空间，其中，所述分级优化控制包括随机聚类结果内的集团内更新和聚类结果间的集团外更新；聚类吞并模块，所述聚类吞并模块用于当分级优化控制迭代满足预设条件后，进行更新后的基础解空间的聚类吞并；清洗优化控制模块，所述清洗优化控制模块是基于聚类吞并结果确定寻优解空间，以所述寻优解空间进行待清洗物的清洗优化控制。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供了一种超声波微纳米气泡清洗的优化方法及系统，涉及气泡清洗技术领域，所述方法包括：先以待洗物和脏污特征为匹配特征建立测试数据集合，然后获取待清洗物的清洗要求，配置适应度评价函数，然后以测试数据集作为基础解空间，进行预设数量的随机聚类，然后进行分级优化，更新基础解空间，当满足预设条件后，进行解空间聚类吞并，然后确定寻优解空间并进行带清洗物的清洗优化控制。

本申请主要解决了现有技术清洗效果不稳定，对于复杂形状的物体清洗效果较差，能耗较大，不利于节能减排，对清洗过程难以精确控制的问题。提升了清洗效果，提高了效率并减少了能量消耗。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供了一种超声波微纳米气泡清洗的优化方法流程示意图；

图2为本申请实施例提供了一种超声波微纳米气泡清洗的优化方法中重构寻优解空间的方法流程示意图；

图3为本申请实施例提供了一种超声波微纳米气泡清洗的优化方法中根据评价补偿结果选定优化控制数据的方法流程示意图；

图4为本申请实施例提供了一种超声波微纳米气泡清洗的优化系统的结构示意图。

附图标记说明：数据集合建立模块10，清洗需求获取模块20，随机聚类模块30，基础解空间更新模块40，聚类吞并模块50，清洗优化控制模块60。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请主要解决了现有技术清洗效果不稳定，对于复杂形状的物体清洗效果较差，能耗较大，不利于节能减排，对清洗过程难以精确控制的问题。提升了清洗效果，提高了效率并减少了能量消耗。

为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：

实施例一

如图1所示一种超声波微纳米气泡清洗的优化方法，所述方法包括：

建立测试数据集，其中，所述测试数据集为以待清洗物和脏污特征为匹配特征建立的数据集合，所述测试数据集包括超声波的控制数据、液体成分数据、清洗效果数据、清洗时长数据、清洗数量数据；

具体而言，首先，先确定清洗物品，选择一系列具有代表性的待清洗物，例如各种材质的餐具、零件、工具等。确保所选物品具有不同的脏污特征，如油污、锈迹、水垢等。匹配特征：针对每一种待清洗物和其脏污特征，进行详细描述和分类。采集超声波的控制数据：在清洗过程中，记录超声波设备的各项控制参数，如频率、功率、工作时间等。采集液体成分数据：分析清洗液中的成分，并记录各种成分的比例和浓度。采集清洗效果数据：在清洗完成后，对待清洗物进行效果评估。可以采用目视检查、污渍残留量测量等方法来量化清洗效果。采集清洗时长数据：记录每次清洗的时长，包括预处理、清洗和后处理的时间。采集清洗数量数据： 如果可能的话，记录每次清洗处理的待清洗物数量。数据整合：将上述所有数据进行整合，形成一个以待清洗物和脏污特征为匹配特征的测试数据集。确保数据集的结构清晰。数据标注：对数据集中的每一项数据进行标注，包括待清洗物的类型、脏污特征的类型、超声波控制参数、液体成分、清洗效果评估等。

获取待清洗物的清洗需求，依据所述清洗需求配置适应度评价函数，其中，所述适应度评价函数由效果适应度函数和成本适应度函数构成；

具体而言，获取待清洗物的清洗需求：与用户或客户进行沟通，了解待清洗物的材质、脏污程度、清洗时间等需求。对待清洗物进行初步评估，包括对污渍的类型、分布、顽固程度等进行观察和分析。记录待清洗物的原始状态和预期清洗效果，以便后续对照和评估。配置适应度评价函数：针对待清洗物的材质和脏污程度，设定预期的清洗效果标准。例如，去污率、表面光洁度等。制定量化评估指标，例如，采用污渍残留量、清洗后物品的光泽度等具体数值来衡量清洗效果。成本适应度函数：考虑不同清洗方法的设备成本、耗材成本、人工成本等直接成本因素。考虑清洗过程的效率、耗时等因素，以及其对能源消耗、水资源消耗等间接成本的影响。设定合适的权重系数，以平衡效果与成本之间的矛盾，确保适应度评价的公正性和合理性。建立适应度评价函数：将效果适应度函数和成本适应度函数结合起来，构建一个综合适应度评价函数。应用适应度评价函数：使用综合适应度评价函数对不同的清洗方法进行评估，得出各自的适应度分数。根据适应度分数对清洗方法进行排序，选择适应度较高的方法作为推荐方案。通过上述步骤，可以针对特定待清洗物的需求配置相应的适应度评价函数，从而对不同的清洗方法进行全面评估和优选。这有助于提高清洗过程的效率和效果，满足用户的需求并提升客户满意度。

以所述测试数据集作为基础解空间，进行预设数量的随机聚类；

具体而言，以所述测试数据集作为基础解空间，进行预设数量的随机聚类，选择聚类算法：选择适合的聚类算法，例如K-means、DBSCAN等。设定随机种子：为了保证结果的可重复性，设定一个固定的随机种子。进行随机聚类：使用选择的聚类算法和设定的随机种子，对测试数据集进行随机聚类。根据预设的聚类数量，将数据集划分为若干个聚类。分配解空间：将每个聚类的中心点作为该聚类的一个解空间。这些中心点构成了问题的一个解空间。评估聚类效果：使用合适的指标评估聚类效果，例如轮廓系数、Davies-Bouldin指数等。如果聚类效果不理想，可以调整聚类算法的参数或选择其他聚类算法进行尝试。分析解空间与清洗效果之间的关系： 对于每个解空间，分析其与清洗效果之间的关系。这有助于理解不同清洗条件对清洗效果的影响，调整解空间的数量：如果预设的聚类数量不合适，可以根据实际情况进行调整。过多的聚类可能导致解空间过于精细，过少的聚类可能导致解空间过于粗糙。迭代优化：根据分析结果和对解空间的评估，不断调整聚类数量和参数，以获得最佳的解空间和清洗效果。

根据随机聚类结果进行解集的分级优化，更新基础解空间，其中，所述分级优化控制包括随机聚类结果内的集团内更新和聚类结果间的集团外更新；

具体而言，首先，对随机聚类结果进行深入分析。查看每个聚类中的数据点分布、聚类中心的坐标以及聚类之间的距离等。这将有助于理解不同解空间的特点和关系。集团内更新：在每个聚类内部，分析数据点的分布和特征。根据这些信息，对聚类中心进行优化。这可能包括重新计算聚类中心、调整聚类中心的位置等。集团内更新可以看作是一种局部优化，目的是改进每个聚类内部的解空间质量。通过调整聚类中心，可以使得解空间更加精确地反映待清洗物的特征和清洗需求。集团外更新：在完成集团内更新后，观察和分析聚类之间的相对位置和关系。根据聚类之间的距离、重叠程度等指标，对聚类中心进行适当的调整。集团外更新可以看作是一种全局优化，目的是改进不同聚类之间的解空间协调性。通过调整聚类中心，可以使得不同解空间之间的边界更加清晰、合理。基础解空间更新：根据集团内更新和集团外更新的结果，重新计算并更新基础解空间。这包括更新每个聚类的中心点坐标、重新评估解空间的数量和质量等。更新后的基础解空间将成为后续优化和分析的基础。它应该更好地反映待清洗物的特征和清洗需求，同时提供更多具有启发性的优化方案。 通过以上步骤，可以根据随机聚类结果进行解集的分级优化，并更新基础解空间。这有助于提高清洗过程的效率和效果，满足用户的需求并提升客户满意度。

当分级优化控制迭代满足预设条件后，进行更新后的基础解空间的聚类吞并；

具体而言，当分级优化控制迭代满足预设条件后，进行更新后的基础解空间的聚类吞并，判断终止条件：检查是否满足预设的迭代终止条件，例如达到预设的迭代次数、解空间变化幅度低于某个阈值等。聚类合并：分析更新后的基础解空间的聚类结果，观察聚类之间的距离和重叠程度。根据一定的合并准则，将距离较近或重叠程度较大的聚类进行合并。这可以看作是一种更大规模的集团外更新。合并后的聚类中心点更新为基础解空间。评估聚类质量：使用合适的指标评估聚类质量，例如轮廓系数、Davies-Bouldin指数等。如果聚类效果不理想，可以调整合并准则或选择其他聚类算法进行尝试。最终优化：在满足预设条件或达到满意效果后，将更新后的基础解空间作为最终优化结果，用于实际的清洗过程指导。通过以上步骤，可以完成更新后的基础解空间的聚类吞并，进一步优化清洗过程的效率和效果。这有助于提高清洗过程的稳定性和可靠性，满足用户的需求并提升客户满意度。

基于聚类吞并结果确定寻优解空间，以所述寻优解空间进行待清洗物的清洗优化控制。

具体而言，基于聚类吞并结果确定寻优解空间，并以此进行待清洗物的清洗优化控制，确定寻优解空间：根据聚类吞并的结果，选择一个或多个合适的解空间作为寻优解空间。这些解空间是从随机聚类结果中优化而来的，寻优解空间应具备代表性、稳定性和优化潜力，能够为待清洗物的清洗优化控制提供指导。清洗优化控制：根据寻优解空间，调整清洗过程的参数和条件。这可能包括超声波设备的频率、功率、工作时间，清洗液的成分、浓度和温度等。在实际清洗过程中应用优化后的参数和条件，并观察清洗效果的变化。这可以通过对比优化前后的清洗效果、效率、成本等方面来进行评估。验证与反馈：使用实际清洗案例来验证清洗优化控制的效果。比较优化前后的清洗效果、效率和成本等方面的变化。收集用户反馈，了解优化后的清洗过程是否满足用户需求和预期。调整与改进：根据验证结果和用户反馈，对寻优解空间和清洗优化控制方法进行进一步调整和改进。包括重新选择解空间、调整清洗参数等。最终优化：在满足预设条件或达到满意效果后，将最终优化结果应用于实际的清洗过程。这包括确定最终的清洗参数、设备配置等。对最终优化结果进行实际运行测试，以验证其有效性和可靠性。通过以上步骤，基于聚类吞并结果确定寻优解空间，并以此进行待清洗物的清洗优化控制，有助于提高清洗过程的效率和效果，满足用户需求并提升客户满意度。

进一步而言，如图2所示，本申请方法还包括：

提取待清洗物的物品特征；

依据所述物品特征建立清洗控制数据的损坏评价函数；

通过所述损坏评价函数进行寻优解空间内的控制数据损坏分析；

基于损坏分析结果重构寻优解空间，完成清洗优化控制。

具体而言，提取待清洗物的物品特征，并依据这些特征建立清洗控制数据的损坏评价函数，然后通过该函数进行寻优解空间内的控制数据损坏分析，最后基于损坏分析结果重构寻优解空间，以实现清洗优化控制，提取待清洗物的物品特征：对待清洗物进行仔细观察和研究，了解其材质、形状、表面结构、污渍类型和分布等特征。提取与清洗相关的物品特征，例如物体的尺寸、形状不规则性、表面粗糙度、材料的耐腐蚀性等。将提取的特征进行量化。比如食品白菜，清洗的超声波大或者时间久，对白菜就会产生破坏，建立清洗控制数据的损坏评价函数：根据提取的物品特征和清洗需求，建立清洗控制数据的损坏评价函数。损坏评价函数应考虑物品特征对清洗过程的影响，以及如何在保证清洗效果的同时避免对物品造成损坏。确定损坏评价函数的输入参数和输出结果，进行寻优解空间内的控制数据损坏分析：使用建立的损坏评价函数，对寻优解空间内的控制数据进行评估和分析。根据损坏评价函数的结果，判断不同控制数据组合下的清洗效果和对物品的损坏程度。通过可视化、图表或其他方式展示分析结果，以便更直观地观察和比较不同控制数据组合的性能。基于损坏分析结果重构寻优解空间：根据损坏分析结果，调整寻优解空间的构建方式或选择新的解空间。针对不同的物品特征和清洗需求，优化寻优解空间的构成和参数设置。重构后的寻优解空间应能更好地平衡清洗效果和对物品的损坏程度。完成清洗优化控制：基于重构后的寻优解空间，重新调整清洗过程的参数和条件。通过以上步骤，可以实现基于待清洗物的物品特征建立清洗控制数据的损坏评价函数，并基于该函数进行寻优解空间内的控制数据损坏分析。然后，根据分析结果重构寻优解空间以实现清洗优化控制。这种方法有助于提高清洗过程的效率和效果，同时保护待清洗物不受损坏。

进一步而言，如图3所示，本申请方法还包括：

提取重构后寻优解空间的阶梯控制数据，并以所述阶梯控制数据作为测试数据，执行待清洗物的清洗测试；

记录阶梯控制数据的测试结果，并基于测试结果与阶梯控制数据的一一映射关系进行控制的一致性分析，提取偏差因子；

通过所述偏差因子进行重构后寻优解空间的评价补偿；

根据评价补偿结果选定优化控制数据，以完成清洗优化控制。

具体而言，提取重构后寻优解空间的阶梯控制数据，并以这些阶梯控制数据作为测试数据，执行待清洗物的清洗测试，提取重构后寻优解空间的阶梯控制数据：分析重构后的寻优解空间，提取其中的阶梯控制数据。这些数据通常表示在不同清洗阶段或条件下的控制参数或指标。确保阶梯控制数据的完整性和准确性，执行清洗测试：使用提取的阶梯控制数据作为输入，执行待清洗物的清洗测试。观察和记录清洗测试过程中的各项指标和结果，例如清洗时间、清洗效果、物品损坏情况等。记录测试结果：详细记录每个阶梯控制数据下的测试结果，包括清洗效果、物品损坏情况等。将测试结果整理成表格或图形，以方便后续分析和比较。进行控制的一致性分析：根据测试结果和阶梯控制数据的一一映射关系，进行控制的一致性分析。通过对比和分析不同阶梯控制数据下的测试结果，评估控制的一致性和稳定性。提取偏差因子：根据控制的一致性分析结果，提取偏差因子。这些因子可以表示在特定阶梯控制数据下，清洗测试结果与预期结果的差异或误差。分析偏差因子的来源和影响，例如设备误差、操作不稳定等。进行寻优解空间的评价补偿：基于偏差因子，对重构后的寻优解空间进行评估和补偿。调整寻优解空间的构成、参数或算法，以减小偏差因子的影响并提高清洗效果的一致性。选定优化控制数据：根据评价补偿结果，选定优化控制数据。这些数据应该是经过调整和优化后的控制参数或指标。完成清洗优化控制：将选定的优化控制数据应用于实际的清洗过程，以实现清洗优化控制。持续监控和评估清洗效果的一致性和稳定性，根据实际情况进行进一步的调整和优化。

进一步而言，本申请方法，所述根据随机聚类结果进行解集的分级优化，更新基础解空间，还包括：

通过所述适应度评价函数对随机聚类结果中的数据适应度评价，基于数据适应度评价结果进行随机聚类结果中的数据归类，其中，数据归类结果包括一级归类结果、二级归类结果和三级归类结果，其中，所述二级归类结果具有第一更新步长，所述三级归类结果具有第二更新步长；

以所述一级归类结果为寻优方向，通过对应的更新步长执行二级归类结果和三级归类结果的集团内更新，对集团内更新后的归类结果进行末位淘汰比对，基于末位淘汰比对结果更新一级归类结果、二级归类结果和三级归类结果。

具体而言，通过适应度评价函数进行评估：定义一个适应度评价函数，用于评估随机聚类结果中每个数据点的适应度。这个函数可以根据聚类目标或清洗目标来设计，例如距离度量、密度估计等。使用该适应度评价函数对随机聚类结果中的每个数据点进行评估。基于评估结果进行数据归类：基于数据点的适应度评估结果，将数据点进行归类。这种分类可以是多级的，如一级、二级和三级归类。一级归类结果可以根据所有数据点的适应度评估值进行排序和分类。二级归类结果可以在一级归类结果的基础上，以第一更新步长进行集团内更新。这可以是通过重新评估聚类中心或修改聚类成员来进行。三级归类结果可以在二级归类结果的基础上，以第二更新步长进行集团内更新。执行集团内更新：以一级归类结果为寻优方向，通过对应的更新步长执行二级归类结果和三级归类结果的集团内更新。这可以包括重新计算聚类中心、重新分配数据点到最近的聚类中心等。末位淘汰比对：对集团内更新后的归类结果进行末位淘汰比对。这可以是比较新旧分类结果中每个数据点的适应度值或其他评估指标。基于末位淘汰比对结果，更新一级归类结果、二级归类结果和三级归类结果。例如，如果某个数据点在新的分类结果中的适应度值比旧的结果低，那么可以将其从原来的分类中移除并重新归类。循环迭代与改进：根据实际需求和验证结果，可能需要进行多次循环迭代和改进。这可以包括调整更新步长、改进适应度评价函数等。在每次迭代过程中，不断优化上述过程中的各个环节，以实现更好的清洗效果和对物品的保护。

进一步而言，本申请方法还包括：

进行随机聚类结果中各个一级归类结果的适应度评价比对；

根据适应度评价比对结果选定寻优方向，执行随机聚类结果间的一级归类结果数据寻优更新；

基于一级归类结果的寻优更新完成聚类结果间的集团外更新。

具体而言，进行随机聚类结果中各个一级归类结果的适应度评价比对，根据适应度评价比对结果选定寻优方向，执行随机聚类结果间的一级归类结果数据寻优更新，基于一级归类结果的寻优更新完成聚类结果间的集团外更新，进行适应度评价比对：提取随机聚类结果中各个一级归类结果的适应度评价数据。这些数据通常表示每个一级归类结果在特定评价准则下的表现或效果。使用适当的评价方法或指标，对不同一级归类结果的适应度进行评价和比对。这可以包括直接比较适应度值、计算差距或差异等。分析并记录每个一级归类结果的适应度评价结果，以便后续选择寻优方向和进行更新操作。选定寻优方向：基于适应度评价比对结果，选择一个或多个表现优越的一级归类结果作为寻优方向。这些方向应该是适应度评价较高、清洗效果较好或符合特定需求的结果。确定寻优方向后，将以此为指导进行后续的数据寻优更新和集团外更新操作。执行一级归类结果的数据寻优更新：以选定的寻优方向为指导，对随机聚类结果间的一级归类结果数据进行寻优更新。这可以包括重新分配数据点到其他一级归类结果、调整一级归类结果的构成等。更新操作的目标是优化一级归类结果的数据分布、提高清洗效果或满足特定需求。进行集团外更新：基于一级归类结果的寻优更新，完成聚类结果间的集团外更新。这包括重新评估聚类中心、聚类成员的调整等操作。集团外更新旨在优化整个聚类结果，提高清洗过程的整体性能和效果。

进一步而言，本申请方法还包括：

对所述寻优解空间进行解集的执行稳态分析，建立稳态评价结果；

配置稳态的影响权重，基于所述影响权重和稳态评价结果进行稳态影响分析；

通过稳态影响分析更新所述寻优解空间。

具体而言，对寻优解空间进行解集的执行稳态分析，建立稳态评价结果，然后配置稳态的影响权重，基于影响权重和稳态评价结果进行稳态影响分析，并最终通过稳态影响分析更新寻优解空间，执行稳态分析：对寻优解空间内的所有解集进行稳态分析。这通常涉及对每个解集进行评估，并确定其在特定条件下的稳定性和可靠性。建立稳态评价结果，包括对每个解集的稳定性评分、持续时间以及其他相关指标的分析结果。分析并记录每个解集的稳态特征，以便后续的权重配置和影响分析。配置稳态的影响权重：根据稳态评价结果，为每个解集配置相应的稳态影响权重。这些权重应该反映每个解集在不同稳态条件下的重要性和影响程度。确定影响权重后，将用于后续的稳态影响分析中，以评估不同解集对整体清洗过程的稳定性和效果的影响程度。进行稳态影响分析：基于配置的稳态影响权重和稳态评价结果，进行整体清洗过程的稳态影响分析。分析不同解集对整体清洗效果和稳定性的贡献程度，并确定哪些解集对稳态具有更大的影响。更新寻优解空间：根据稳态影响分析的结果，更新寻优解空间。这可以包括移除不稳定的解集、增加新的解集、调整解集的参数等。更新后的寻优解空间应该能更好地平衡清洗效果和稳定性，以满足实际需求和预设条件。

进一步而言，本申请方法还包括：

执行待清洗物的连续清洗记录，基于连续清洗记录结果生成效果衰减评价结果；

基于效果衰减评价结果构建补偿区间，依据所述补偿区间进行待清洗物的清洗优化控制。

具体而言，执行待清洗物的连续清洗记录，基于连续清洗记录结果生成效果衰减评价结果，然后基于效果衰减评价结果构建补偿区间，依据补偿区间进行待清洗物的清洗优化控制，执行连续清洗记录：开启待清洗物的连续清洗模式，并开始记录清洗过程的数据。收集包括清洗时间、清洗液温度、流量、压力等参数以及清洗效果的实时数据。生成效果衰减评价结果：基于连续清洗记录的结果，分析清洗效果随时间的变化情况。评估清洗效果衰减的速率、程度以及变化趋势。将清洗效果衰减情况转化为可量化的评价结果，例如使用百分比或等级表示。构建补偿区间：基于效果衰减评价结果，确定需要补偿的区间范围。分析清洗效果衰减的原因，例如清洗液的消耗、污染物的积累等。根据原因确定补偿措施，例如更换清洗液、调整清洗参数等。构建补偿区间，以覆盖从初始状态到需要补偿的状态之间的范围。进行清洗优化控制：在补偿区间内，根据实际情况选择合适的优化控制策略。可以采取的策略包括调整清洗液的成分、流量、温度等参数，或更换更有效的清洗设备。在实施优化控制的过程中，密切关注清洗效果的变化情况，及时调整策略以实现最佳效果。

实施例二

基于与前述实施例一种超声波微纳米气泡清洗的优化方法相同的发明构思，如图4所示，本申请提供了一种超声波微纳米气泡清洗的优化系统，所述系统包括：

数据集合建立模块10，所述数据集合建立模块10用于建立测试数据集，其中，所述测试数据集为以待清洗物和脏污特征为匹配特征建立的数据集合，所述测试数据集包括超声波的控制数据、液体成分数据、清洗效果数据、清洗时长数据、清洗数量数据；

清洗需求获取模块20，所述清洗需求获取模块20用于获取待清洗物的清洗需求，依据所述清洗需求配置适应度评价函数，其中，所述适应度评价函数由效果适应度函数和成本适应度函数构成；

随机聚类模块30，所述随机聚类模块30用于以所述测试数据集作为基础解空间，进行预设数量的随机聚类；

基础解空间更新模块40，所述基础解空间更新模块40用于根据随机聚类结果进行解集的分级优化，更新基础解空间，其中，所述分级优化控制包括随机聚类结果内的集团内更新和聚类结果间的集团外更新；

聚类吞并模块50，所述聚类吞并模块50用于当分级优化控制迭代满足预设条件后，进行更新后的基础解空间的聚类吞并；

清洗优化控制模块60，所述清洗优化控制模块60是基于聚类吞并结果确定寻优解空间，以所述寻优解空间进行待清洗物的清洗优化控制。

进一步地，该系统还包括：

清洗优化控制模块，用于提取待清洗物的物品特征；依据所述物品特征建立清洗控制数据的损坏评价函数；通过所述损坏评价函数进行寻优解空间内的控制数据损坏分析；基于损坏分析结果重构寻优解空间，完成清洗优化控制。

进一步地，该系统还包括：

评价补偿模块，用于提取重构后寻优解空间的阶梯控制数据，并以所述阶梯控制数据作为测试数据，执行待清洗物的清洗测试；记录阶梯控制数据的测试结果，并基于测试结果与阶梯控制数据的一一映射关系进行控制的一致性分析，提取偏差因子；通过所述偏差因子进行重构后寻优解空间的评价补偿；根据评价补偿结果选定优化控制数据，以完成清洗优化控制。

进一步地，该系统还包括：

淘汰比对模块，用于通过所述适应度评价函数对随机聚类结果中的数据适应度评价，基于数据适应度评价结果进行随机聚类结果中的数据归类，其中，数据归类结果包括一级归类结果、二级归类结果和三级归类结果，其中，所述二级归类结果具有第一更新步长，所述三级归类结果具有第二更新步长；以所述一级归类结果为寻优方向，通过对应的更新步长执行二级归类结果和三级归类结果的集团内更新，对集团内更新后的归类结果进行末位淘汰比对，基于末位淘汰比对结果更新一级归类结果、二级归类结果和三级归类结果。

进一步地，该系统还包括：

寻优更新模块，用于进行随机聚类结果中各个一级归类结果的适应度评价比对；根据适应度评价比对结果选定寻优方向，执行随机聚类结果间的一级归类结果数据寻优更新；基于一级归类结果的寻优更新完成聚类结果间的集团外更新。

进一步地，该系统还包括：

解空间更新模块，用于对所述寻优解空间进行解集的执行稳态分析，建立稳态评价结果；配置稳态的影响权重，基于所述影响权重和稳态评价结果进行稳态影响分析；通过稳态影响分析更新所述寻优解空间。

进一步地，该系统还包括：

补偿区间构建模块，用于执行待清洗物的连续清洗记录，基于连续清洗记录结果生成效果衰减评价结果；基于效果衰减评价结果构建补偿区间，依据所述补偿区间进行待清洗物的清洗优化控制。

说明书通过前述一种超声波微纳米气泡清洗的优化方法的详细描述，本领域技术人员可以清楚地知识本实施例中一种超声波微纳米气泡清洗的优化系统，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。