一种空压机控制方法、装置、设备及存储介质

技术领域

本发明涉及压缩空气技术领域，特别涉及一种空压机控制方法、装置、设备及存储介质。

背景技术

压缩空气作为一种清洁环保的能源广泛用于工业生产中的各个领域，主要用途有设备用气、仪表用气、吹扫等。设备用气在主要用于用气设备，设备用气经过除油、除水和尘埃之后，专供仪表用气，其他用途则包括吹扫、清洁等。作为二次能源，压缩空气本身的电能消耗巨大，据统计，我国工业用电的10％用于空压机。

目前，空压机组上都是依靠机器原始自带的上下限压力控制方式，基本没有实现联控，企业对于压缩空气系统的能耗没有足够的重视，一般都采用空压站的方式供气，空压站有多台空压机组成，由于对空压机系统规划不太合理，机组之间缺乏有效的协调控制，存在明显浪费，从而导致空压机能耗运行不合理，空压机开启随意，压缩空气系统能源浪费。

因此，如何提供一种对压缩机进行高效控制的方法是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种空压机控制方法、装置、设备及存储介质，能够提高空压机的整体运行效率，降低空压站的能源损耗。其具体方案如下：

本申请的第一方面提供了一种空压机控制方法，包括：

获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据；所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长；

利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型；

利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。

可选的，所述空压机控制方法，还包括：

利用物联网通讯技术采集空压站内各台空压机的运行时间、进气压力、出口压力、空压站环境温度、进口温度、流量，以得到运行状态数据。

可选的，所述利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型，包括：

利用所述历史运行状态数据和所述历史开启数据对空白深度自编码器进行训练，以得到开启数据预测模型。

可选的，所述利用所述历史运行状态数据和所述历史开启数据对空白深度自编码器进行训练，包括：

利用所述历史运行状态数据和所述历史开启数据对空白深度自编码器进行训练得到一个与所述空白深度自编码器对应的编码器和解码器；

将该编码器的输出作为下一个编码器的输入，训练得到一个新的编码器和解码器；

判断对所述空白深度自编码器的隐含层的训练次数是否超过预设阈值，如果是，则停止训练。

可选的，所述停止训练之后，还包括：

利用反向传播神经网络预测模型对最后一个所述隐含层进行处理，以对所述开启数据预测模型进行权重调整。

可选的，所述利用遗传算法对所述开启数据预测模型进行优化，包括：

对所述历史运行状态数据进行网格化，并根据目标需求构建相应的评估函数；

基于网格化后的所述历史运行状态数据及所述评估函数利用遗传算法对所述开启数据预测模型进行优化。

本申请的第二方面提供了一种空压机控制装置，包括：

数据获取模块，用于获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据；所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长；

模型构建模块，用于利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型；

模型优化模块，用于利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。

本申请的第三方面提供了一种电子设备，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述空压机控制方法。

本申请的第四方面提供了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，所述计算机可执行指令被处理器加载并执行时，实现前述空压机控制方法。

本申请中，首先获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据；所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长。然后利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型。最后利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。本申请通过利用遗传算法对基于历史运行状态数据和历史开启数据训练得到的开启数据预测模型进行优化，并利用优化后的开启数据预测模型得到与目标运行状态对应的目标开启数据，从而实现对空压机的开启控制，提高了空压机的整体运行效率，降低空压站的能源损耗。

附图说明

为了更清楚地说明本发明实施例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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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为本申请提供的一种空压机控制方法流程图；

图2为本申请提供的一种空压机运行状态数据获取示意图；

图3为本申请提供的一种空压机控制装置结构示意图；

图4为本申请提供的一种空压机控制架构图；

图5为本申请提供的一种空压机控制电子设备结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

目前，空压机组上都是依靠机器原始自带的上下限压力控制方式，基本没有实现联控，企业对于压缩空气系统的能耗没有足够的重视，一般都采用空压站的方式供气，空压站有多台空压机组成，由于对空压机系统规划不太合理，机组之间缺乏有效的协调控制，存在明显浪费，从而导致空压机能耗运行不合理，空压机开启随意，压缩空气系统能源浪费。针对上述技术缺陷，本申请提供一种压缩机控制方案，通过利用遗传算法对基于历史运行状态数据和历史开启数据训练得到的开启数据预测模型进行优化，并利用优化后的开启数据预测模型得到与目标运行状态对应的目标开启数据，从而实现对空压机的开启控制，提高了空压机的整体运行效率，降低空压站的能源损耗。

图1为本申请实施例提供的一种空压机控制方法流程图。参见图1所示，该空压机控制方法包括：

S11：获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据；所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长。

本实施例中，首先获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据。其中，所述历史运行状态数据包括但不限于所述空压机的运行时间、进气压力、出口压力、空压站环境温度、进口温度、流量，所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长。不难理解，本实施例可以利用物联网通讯技术采集空压站内各台空压机的运行时间、进气压力、出口压力、空压站环境温度、进口温度、流量，以得到运行状态数据，具体如图2所示。需要说明的是，本申请实施例的物联网通讯技术是一种常见的在工业环境下应用的技术，当采用传感器进行数据采集时，所述传感器需要设置合适的安装位置，以得到相对准确的状态数据，其具体的实现过程可以根据实际需求自行设置，本实施例对此不进行限定。

S12：利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型。

本实施例中，在获取到所述历史运行状态数据和所述历史开启数据后，利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型。进一步的，本申请实施例利用所述历史运行状态数据和所述历史开启数据对空白深度自编码器进行训练，以得到开启数据预测模型。本实施例中，深度自动编码器包括编码器、解码器和隐含层。

所述编码器采用如下关系式进行编码：

h＝f(x)＝Sf(Wx+b

其中，x为运行时间、进气压力、出口压力、空压站环境温度、进口温度、出口温度、流量所构成的特征向量，W为输入向量的权值，b

所述解码器采用如下关系式进行解码：

y＝g(h)＝S

其中，h为隐含层向量，这里作为输入，W为对应的权值向量，b

对所述空白深度自动编码器的训练过程是在训练样本集D上寻找参数W，b

其中，x为上述公式的输入，g(f(x))为上述公式的所述解码器输出，L是重构误差函数。

根据上述公式，训练过程具体为：利用所述历史运行状态数据和所述历史开启数据对空白深度自编码器进行训练得到一个与所述空白深度自编码器对应的编码器和解码器；将该编码器的输出作为下一个编码器的输入，训练得到一个新的编码器和解码器；判断对所述空白深度自编码器的隐含层的训练次数是否超过预设阈值，如果是，则停止训练。上述过程也即输入用作训练的运行时间、进气压力、出口压力、空压站环境温度、进口温度、出口温度、流量，无监督训练出第一个编码器，然后以第一个编码器的输出作为下一个自编码器的输入，训练出第二个编码器，循环重复，直到完成预设数量隐含层的训练为止。为了减少模型误差，还可以利用反向传播神经网络预测模型对最后一个所述隐含层进行处理，以对所述开启数据预测模型进行权重调整。

S13：利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。

本实施例中，在训练好所述开启数据预测模型后，为了获取最佳情况下，也即在所述空压机的功率最小的情况下的目标开数据，利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。当然除了所述遗传算法，其他能够实现本步骤功能的优化算法也属于本申请实施例的保护范围。

进一步的，对所述历史运行状态数据进行网格化，并根据目标需求构建相应的评估函数，然后基于网格化后的所述历史运行状态数据及所述评估函数利用遗传算法对所述开启数据预测模型进行优化。具体的，首先构建所述空压机的运行时间、进气压力、出口压力、空压站环境温度、进口温度、出口温度、流量的网格，以及评估函数。然后对所述空压站内所述空压机的开启台数、开启顺序及开启时间随机初始化一批可行解结合，评估每条染色体所对应个体的适应度。遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方。接着抽取父母双方的染色体，进行交叉，产生子代，并对子代的染色体进行变异。重复上述步骤，直到新种群的产生，当迭代次数达到设定次数，获得所述空压站内的所述空压机的开启台数、开启顺序及开启时长。

可见，本申请实施例首先获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据；所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长。然后利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型。最后利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。本申请实施例通过利用遗传算法对基于历史运行状态数据和历史开启数据训练得到的开启数据预测模型进行优化，并利用优化后的开启数据预测模型得到与目标运行状态对应的目标开启数据，从而实现对空压机的开启控制，提高了空压机的整体运行效率，降低空压站的能源损耗。

参见图3所示，本申请实施例还相应公开了一种空压机控制装置，包括：

数据获取模块11，用于获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据；所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长；

模型构建模块12，用于利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型；

模型优化模块13，用于利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。

可见，本申请实施例首先获取空压站内各台空压机的历史运行状态数据和对应的所述空压站的历史开启数据；所述历史开启数据包括所述空压站内所述空压机的开启数量、开启顺序及开启时长。然后利用所述历史运行状态数据和所述历史开启数据对基于深度学习算法构建的模型进行训练，以得到开启数据预测模型。最后利用遗传算法对所述开启数据预测模型进行优化，并利用优化后的所述开启数据预测模型确定目标运行状态对应的所述空压站内所述空压机的目标开启数据，以便根据所述目标开启数据对所述空压站内相应的所述空压机进行开启控制。本申请实施例通过利用遗传算法对基于历史运行状态数据和历史开启数据训练得到的开启数据预测模型进行优化，并利用优化后的开启数据预测模型得到与目标运行状态对应的目标开启数据，从而实现对空压机的开启控制，提高了空压机的整体运行效率，降低空压站的能源损耗。

在一些具体实施例中，所述空压机控制装置中的各个模块基于Hadoop分布式系统基础架构构建，如图4所示。

在一些具体实施例中，所述数据获取模块11，具体用于利用物联网通讯技术采集空压站内各台空压机的运行时间、进气压力、出口压力、空压站环境温度、进口温度、流量，以得到运行状态数据。

在一些具体实施例中，所述模型构建模块12，具体包括：

训练单元，用于利用所述历史运行状态数据和所述历史开启数据对空白深度自编码器进行训练得到一个与所述空白深度自编码器对应的编码器和解码器，并将该编码器的输出作为下一个编码器的输入，训练得到一个新的编码器和解码器，以及判断对所述空白深度自编码器的隐含层的训练次数是否超过预设阈值，如果是，则停止训练；

权重调整单元，用于利用反向传播神经网络预测模型对最后一个所述隐含层进行处理，以对所述开启数据预测模型进行权重调整。

在一些具体实施例中，所述模型优化模块13，具体用于对所述历史运行状态数据进行网格化，并根据目标需求构建相应的评估函数；基于网格化后的所述历史运行状态数据及所述评估函数利用遗传算法对所述开启数据预测模型进行优化。

进一步的，本申请实施例还提供了一种电子设备。图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的空压机控制方法中的相关步骤。另外，本实施例中的电子设备20具体可以为服务器。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的空压机控制方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的运行状态数据及开启数据等。

进一步的，本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的空压机控制方法步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的空压机控制方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。