一种洁净室通风系统的预测控制方法、系统和存储介质
文章来源：http://www.iwuchen.com/ 2024年11月04日 点击数：94
一种洁净室通风系统的预测控制方法、系统和存储介质
技术领域
本发明涉及洁净室通风系统技术领域，尤其是指一种洁净室通风系统的预测控制方法、系统和计算机可读存储介质。
背景技术
洁净室指对空气洁净度、温度、湿度、压力、噪声等参数根据需要进行控制的密闭性较好的空间。洁净室技术在制药、微电子、生物工程等产业中至关重要，确保产品制造过程中的无菌和无尘环境。然而，洁净室的运行成本高昂，其通风系统的能耗占总能耗的比重较大。
随着对提高能源利用率的日益重视，优化洁净室通风系统成为了研究的热点。现有的洁净室通风系统通常采用传统的测试、调整和平衡（Testing Adjusting andBalancing，简称TAB）方法进行风量分配和压差控制。例如，在洁净室通风系统的初始调试阶段，技术人员花费大量时间进行风量测量、阀门开度调整以及风机频率校准，以达到设计要求的风量指标和压差指标。基于人工经验的方法耗时长，效率较低，在面对复杂工况时难以快速响应。
虽然有些研究尝试引入机器学习技术来解决上述问题，但往往局限于面向单一区域的风量预测，缺乏对多区域之间相互影响的预测处理，不能同时完成多区域洁净室的压差和风量两类预测，且风量预测不够全面、压差预测精度不高，效率较低，不能满足短时高频的仿真预测需求。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中的洁净室通风系统不能同时完成多区域洁净室的压差和风量预测，且风量预测不够全面、压差预测精度不高，效率较低的问题，提供了一种洁净室通风系统的预测控制方法、系统和计算机可读存储介质，风量预测全面，压差预测精度较高，且可以同时完成多区域洁净室的压差和风量预测，响应速度快，效率较高。
第一方面，为解决上述技术问题，本发明提供了一种洁净室通风系统的预测控制方法，包括：
步骤S1：设定通风系统稳定时间，确定M组可控变量；
步骤S2：下发一组所述可控变量，得到一组受控变量；待所述通风系统稳定时间满足设定要求后对该组可控变量和该组受控变量的实际值进行采集，形成一条实采数据样本；
步骤S3：重复执行步骤S2直至由所述M组可控变量得到M组所述受控变量，形成M条实采数据样本；基于所述M条实采数据样本得到实采数据集；
步骤S4：基于BIM仿真模型构建所述可控变量和所述受控变量的合成数据集；
步骤S5：对所述实采数据集和所述合成数据集进行预处理，得到训练集、验证集和测试集；
步骤S6：基于所述训练集、所述验证集和所述测试集构建并训练预测模型；
步骤S7：基于所述预测模型对该通风系统进行优化控制；
步骤S8：基于节能率对优化控制后的所述通风系统进行性能评价；
其中，构建所述预测模型时，采用多任务学习架构和混合专家模型，基于全连接神经网络构建所述预测模型的输入层，基于多级萃取网络构建所述预测模型的共享层，基于所述预测模型的输出层输出所述受控变量的预测值。
在本发明的一个实施例中，在所述多级萃取网络中，每一级萃取网络均包括送风专家模块、回风专家模块、排风专家模块和共享专家模块，所述送风专家模块由Ne
个送风专家组成，所述回风专家模块由Ne
个回风专家组成，所述排风专家模块由Ne
个排风专家组成，所述共享专家模块由Nse
个共享专家组成；所述每一级萃取网络均在内部设置有送风门网络、回风门网络、排风门网络和共享门网络，分别对应于所述送风专家模块、所述回风专家模块、所述排风专家模块和所述共享专家模块；所述每一级萃取网络的输出均作为下一级萃取网络的输入；其中，第一级萃取网络直接接收来自所述输入层输入的特征向量，最后一级萃取网络的输出作为所述多级萃取网络的输出。
在本发明的一个实施例中，所述送风门网络与所述送风专家模块的对应关系为：
；
所述回风门网络与所述回风专家模块的对应关系为：
；
所述排风门网络与所述排风专家模块的对应关系为：
；
所述共享门网络与所述共享专家模块的对应关系为：
；
其中，为多分类问题的激活函数，表示第j级萃取网络中的送风门网络，表示所述第j级萃取网络中送风专家模块的输入，表示所述第j级萃取网络中的送风门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述送风专家和Nse
个所述共享专家进行整合后的初步输出；表示第j级萃取网络中的回风门网络，表示所述第j级萃取网络中回风专家模块的输入，表示所述第j级萃取网络中的回风门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述回风专家和Nse
个所述共享专家进行整合后的初步输出；表示第j级萃取网络中的排风门网络，表示所述第j级萃取网络中排风专家模块的输入，表示所述第j级萃取网络中的排风门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述排风专家和Nse
个所述共享专家进行整合后的初步输出；表示第j级萃取网络中的共享门网络，表示所述第j级萃取网络中共享专家模块的输入，表示所述第j级萃取网络中的共享门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述送风专家、Ne
个所述回风专家、Ne
个所述排风专家和Nse
个所述共享专家进行整合后的初步输出。
在本发明的一个实施例中，基于所述预测模型对该通风系统进行优化控制的方法为：使用IoT云平台将多区域的压差设计值和风量设计值作为主要控制目标输入至所述预测模型的优化器，基于所述优化器对所述可控变量进行迭代优化以满足约束条件；在每次迭代中，所述优化器对所述预测模型进行调用，基于所述可控变量对所述受控变量进行预测，再基于目标函数计算预测工况与设计工况的偏差；在满足所述约束条件的前提下，所述优化器通过迭代得到所述目标函数最小化时对应的可控变量值；基于所述可控变量值进行最优可控参数的下发。
在本发明的一个实施例中，所述目标函数最小化的方法为：
；
所述约束条件为：
；
其中，表示最小化函数，Z表示所述目标函数，表示风机个数，表示压差个数，表示预测压差数组，表示设计压差数组，表示风机频率，s.t.表示受约束条件，表示任意区域的压差偏差，表示预设的压差偏差阈值，表示设计送风量，表示预测送风量，表示设计排风量，表示预测排风量，表示末端风阀开度。
在本发明的一个实施例中，对所述实采数据集和所述合成数据集进行预处理，得到训练集、验证集和测试集的方法为：先排除不可用样本，再基于z-score归一化方法将所述实采数据集和所述合成数据集中的可控变量输入和受控变量输出分别转换为标准正态分布，再按照自主设定的比例随机划分为训练集、验证集和测试集。
在本发明的一个实施例中，在基于所述训练集、所述验证集和所述测试集构建并训练预测模型时，采用均方误差函数作为损失函数来计算所述预测模型的预测值与实际值之间的差异；基于所述合成数据集对所述预测模型进行预训练，再基于所述实采数据集的训练集对所述预测模型进行微调；基于所述实采数据集的验证集对所述预测模型进行实时验证；在全部训练完成后，基于所述实采数据集的测试集对所述预测模型进行检测。
在本发明的一个实施例中，基于拉丁超立方采样策略确定所述M组可控变量；通过现场的IoT云平台和PLC对所述M组可控变量进行下发。
第二方面，为解决上述技术问题，本发明还提供了一种洁净室通风系统的预测控制系统，包括：
数据采集模块，依次执行：步骤S1：设定通风系统稳定时间，确定M组可控变量；步骤S2：下发一组所述可控变量，得到一组受控变量；待所述通风系统稳定时间满足设定要求后对该组可控变量和该组受控变量的实际值进行采集，形成一条实采数据样本；步骤S3：重复执行步骤S2直至由所述M组可控变量得到M组所述受控变量，形成M条实采数据样本；基于所述M条实采数据样本得到实采数据集；步骤S4：基于BIM仿真模型构建所述可控变量和所述受控变量的合成数据集；
模型构建与训练模块，对所述实采数据集和所述合成数据集进行预处理，得到训练集、验证集和测试集；基于所述训练集、所述验证集和所述测试集构建并训练预测模型；
优化控制模块，基于所述预测模型对该通风系统进行优化控制；
性能评价模块，基于节能率对优化控制后的所述通风系统进行性能评价；
其中，构建所述预测模型时，所述模型构建与训练模块采用多任务学习架构和混合专家模型，基于全连接神经网络构建所述预测模型的输入层，基于多级萃取网络构建所述预测模型的共享层，基于所述预测模型的输出层输出所述受控变量的预测值。
第三方面，为解决上述技术问题，本发明还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上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种洁净室通风系统的预测控制方法的步骤。
本发明的上述技术方案相比现有技术具有以下有益效果：
本发明提供了一种洁净室通风系统的预测控制方法、系统和计算机可读存储介质，采用多任务学习架构和混合专家模型来构建预测模型，可以充分利用不同类型风量之间的耦合关系，风量预测全面，压差预测精度较高，且可以同时完成多区域洁净室的压差和风量预测；基于预测模型对通风系统进行优化控制，响应速度快，效率较高。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1为本发明优选实施例中一种洁净室通风系统的预测控制方法的步骤图；
图2为本发明优选实施例中一种洁净室通风系统的预测控制方法的预测模型架构图；
图3为本发明实施例中一种洁净室通风系统的预测控制系统的模块图。
说明书附图标记说明：
Input输入层；Shared Layer共享层；Tower Layer任务塔层；Output输出层；
First level Extraction Network第一级萃取网络；Extraction Network j-1th第j-1级萃取网络；Extraction Network jth第j级萃取网络；Extraction Network j+1th第j+1级萃取网络；Final level Extraction Network最后一级萃取网络；
Experts on SA送风门专家；Experts on RA回风门专家；Experts on EA排风门专家；Shared Experts共享门专家；Tower Room a多区域中的区域a；Tower SA送风任务；Tower OA新风任务；
风机频率；末端风阀开度；g门网络函数符号；H张量；预测压差数组；预测送风量；预测排风量；
：的简写，表示第一级萃取网络中的送风门网络；
：的简写，表示第一级萃取网络中的回风门网络；
：的简写，表示第一级萃取网络中的排风门网络；
：的简写，表示第一级萃取网络中的共享门网络；
：第j级萃取网络中的第1个，第2个，…，第Ne
个送风门专家；
：第j级萃取网络中的第1个，第2个，…，第Ne
个回风门专家；
：第j级萃取网络中的第1个，第2个，…，第Ne
个排风门专家；
：第j级萃取网络中的第1个，第2个，…，第Nse
个共享门专家；
：的简写，表示对第j级萃取网络中的Ne
个送风专家和Nse
个共享专家进行整合后的初步输出；
：第j级萃取网络中送风专家模块的输入；
：的简写，表示第j级萃取网络中的送风门网络。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
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的一部分实施例，而不是全部的实施例。
现有的洁净室通风系统通常采用传统的TAB方法进行风量分配和压差控制，但是耗时长，效率较低，在面对复杂工况时难以快速响应。有些研究尝试引入机器学习技术来解决上述问题，但往往局限于面向单一区域的风量预测，缺乏对多区域之间相互影响的预测处理，不能同时完成多区域洁净室的压差和风量两类预测，且风量预测不够全面、压差预测精度不高，效率较低，不能满足短时高频的仿真预测需求。
为此，本申请实施例提供了一种洁净室通风系统的预测控制方法、系统和计算机可读存储介质。
实施例一
本实施例提供了一种洁净室通风系统的预测控制方法，请参照图1所示，包括：
步骤S1：设定通风系统稳定时间，确定M组可控变量；
步骤S2：下发一组所述可控变量，得到一组受控变量；待所述通风系统稳定时间满足设定要求后对该组可控变量和该组受控变量的实际值进行采集，形成一条实采数据样本；
步骤S3：重复执行步骤S2直至由所述M组可控变量得到M组所述受控变量，形成M条实采数据样本；基于所述M条实采数据样本得到实采数据集；
步骤S4：基于BIM仿真模型构建所述可控变量和所述受控变量的合成数据集；
步骤S5：对所述实采数据集和所述合成数据集进行预处理，得到训练集、验证集和测试集；
步骤S6：基于所述训练集、所述验证集和所述测试集构建并训练预测模型；
步骤S7：基于所述预测模型对该通风系统进行优化控制；
步骤S8：基于节能率对优化控制后的所述通风系统进行性能评价；
其中，构建所述预测模型时，采用多任务学习架构和混合专家模型，基于全连接神经网络构建所述预测模型的输入层，基于多级萃取网络构建所述预测模型的共享层，基于所述预测模型的输出层输出所述受控变量的预测值。
本实施例所提供的一种洁净室通风系统的预测控制方法，（1）采用多任务学习架构和混合专家模型来构建预测模型，可以充分利用不同类型风量之间的耦合关系，风量预测全面，压差预测精度较高，且可以同时完成多区域洁净室的压差和风量预测；（2）基于预测模型对通风系统进行优化控制，响应速度快，效率较高，减少了因通风过度或者通风不足导致的能源浪费。
接下来对本实施例所提供的一种洁净室通风系统的预测控制方法进行详细介绍：
一、工作步骤：
步骤S1：
具体的，设定通风系统稳定时间，确定M组可控变量；
可选的，基于拉丁超立方采样策略确定所述M组可控变量；通过现场的IoT云平台和PLC对所述M组可控变量进行下发。
可选的，所述可控变量包括设备运行可控参数：各风机频率、各风阀开度。
可选的，所述受控变量包括系统受控参数：各区域压差、系统风量。
可选的，所述等待时间设定为2min。
步骤S2：
具体的，下发一组所述可控变量，得到一组受控变量；待所述通风系统稳定时间满足设定要求后对该组可控变量和该组受控变量的实际值进行采集，形成一条实采数据样本；
步骤S3：
具体的，重复执行步骤S2直至由所述M组可控变量得到M组所述受控变量，形成M条实采数据样本；基于所述M条实采数据样本得到实采数据集；
步骤S4：
具体的，基于BIM仿真模型构建所述可控变量和所述受控变量的合成数据集；
步骤S5：
具体的，对所述实采数据集D1和所述合成数据集D2进行预处理，得到训练集、验证集和测试集。
可选的，先排除不可用样本，再基于z-score归一化方法将所述实采数据集和所述合成数据集中的可控变量输入和受控变量输出分别转换为标准正态分布，再按照自主设定的比例随机划分为所述训练集、所述验证集和所述测试集。
可选的，所述不可用样本包括不完整样本。
可选的，按照8：1：1的比例随机划分所述训练集、所述验证集和所述测试集。
步骤S6：
具体的，基于所述训练集、所述验证集和所述测试集构建并训练预测模型。
具体的，请参照图2所示，构建所述预测模型时，采用多任务学习架构和混合专家模型，基于全连接神经网络构建所述预测模型的输入层Input，基于多级萃取网络构建所述预测模型的共享层Shared Layer，基于所述预测模型的输出层Output输出所述受控变量的预测值。
可选的，所述预测模型采用Leaky ReLU作为基础激活函数。
可选的，在所述多级萃取网络中，每一级萃取网络均包括送风专家模块ESA
、回风专家模块ERA
、排风专家模块EEA
和共享专家模块ES
，所述送风专家模块ESA
由Ne
个送风专家组成，所述回风专家模块ERA
由Ne
个回风专家组成，所述排风专家模块EEA
由Ne
个排风专家组成，所述共享专家模块ES
由Nse
个共享专家组成，请参照图2所示。
具体的，所述每一级萃取网络均在内部设置有送风门网络、回风门网络、排风门网络和共享门网络，分别对应于所述送风专家模块ESA
、所述回风专家模块ERA
、所述排风专家模块EEA
和所述共享专家模块ES
。
具体的，所述每一级萃取网络的输出均作为下一级萃取网络的输入；其中，第一级萃取网络直接接收来自所述输入层输入的特征向量，最后一级萃取网络的输出作为所述多级萃取网络的输出。
具体的，所述送风专家模块ESA
、所述回风专家模块ERA
和所述排风专家模块EEA
为三类特定专家模块，每类所述特定专家模块仅负责提取洁净室通风系统中相应的气流特征；所述共享专家模块ES
对不同气流特征之间的耦合交互信息进行提取。
具体的，所述多级萃取网络的级数是在所述预测模型的训练过程中确定的。
具体的，所述送风门网络与所述送风专家模块的对应关系为：
；
其中，为多类分类问题的激活函数，表示第j级萃取网络中的送风门网络，表示所述第j级萃取网络中送风专家模块的输入，表示所述第j级萃取网络中的送风门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述送风专家和Nse
个所述共享专家进行整合后的初步输出。
具体的，所述回风门网络与所述回风专家模块的对应关系为：
；
其中，表示第j级萃取网络中的回风门网络，表示所述第j级萃取网络中回风专家模块的输入，表示所述第j级萃取网络中的回风门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述回风专家和Nse
个所述共享专家进行整合后的初步输出。
具体的，所述排风门网络与所述排风专家模块的对应关系为：
；
其中，表示第j级萃取网络中的排风门网络，表示所述第j级萃取网络中排风专家模块的输入，表示所述第j级萃取网络中的排风门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述排风专家和Nse
个所述共享专家进行整合后的初步输出。
具体的，所述共享门网络与所述共享专家模块的对应关系为：
；
其中，表示第j级萃取网络中的共享门网络，表示所述第j级萃取网络中共享专家模块的输入，表示所述第j级萃取网络中的共享门网络的内部参数矩阵，表示对所述第j级萃取网络中的Ne
个所述送风专家、Ne
个所述回风专家、Ne
个所述排风专家和Nse
个所述共享专家进行整合后的初步输出。
具体的，所述、所述、所述和所述可分别表示为：
其中，T表示转置。
可选的，所述特征向量包括各风机频率、各末端风阀开度。
具体的，请参照图2所示，经过所述多级萃取网络对气流特征的逐步分离后，将所述最后一级萃取网络输出的数据拼接组合为张量H传入任务塔层Tower Layer。
可选的，在所述任务塔层Tower Layer中，每个任务都有独立分支塔，比如多区域中的区域a的独立分支塔Tower Room a；所述任务塔层Tower Layer采用多层全连接网络对所述共享层Shared Layer萃取的深层特征进行再学习，最终输出各区域压差、系统送风量、系统回风量、系统排风量、系统新风量；其中，所述新风量并未设置有对应的特定专家，所述新风量由其他类型风量综合计算得到。
可选的，采用均方误差函数（Mean Squared Error，简称MSE）作为损失函数L2来计算所述预测模型的预测值与实际值之间的差异；基于所述合成数据集D2对所述预测模型进行预训练，再基于所述实采数据集的训练集对所述预测模型进行微调；基于所述实采数据集的验证集对所述预测模型进行实时验证；在全部训练完成后，基于所述实采数据集的测试集对所述预测模型进行检测。
步骤S7：
具体的，基于所述预测模型对该通风系统进行优化控制。
可选的，所述预测模型基于增强精英保留的遗传算法对所述通风系统进行优化控制。
具体的，使用IoT云平台将多区域的压差设计值和风量设计值作为主要控制目标输入至所述预测模型的优化器，基于所述优化器对所述可控变量进行迭代优化以满足约束条件；在每次迭代中，所述优化器对所述预测模型进行调用，基于所述可控变量对所述受控变量进行预测，再基于目标函数Z计算预测工况与设计工况的偏差；在满足所述约束条件的前提下，所述优化器通过迭代得到所述目标函数最小化时对应的可控变量值；基于所述可控变量值进行最优可控参数的下发。
可选的，所述目标函数最小化的方法为：
；
其中，表示最小化函数，Z表示所述目标函数，表示风机个数，表示压差个数，表示预测压差数组，表示设计压差数组，表示风机频率。
可选的，所述约束条件为：
；
其中，s.t.表示受约束条件，表示任意区域的压差偏差，表示预设的压差偏差阈值，表示设计送风量，表示预测送风量，表示设计排风量，表示预测排风量，表示末端风阀开度。
可选的，采用AdamW优化器作为所述优化器对所述预测模型进行训练；所述AdamW优化器结合了自适应矩估计（Adaptive Moment Estimation，简称Adam）优化器的优点和所述损失函数L2的正则化效果，有助于所述预测模型快速收敛。
步骤S8：
具体的，基于节能率对优化控制后的所述通风系统进行性能评价。
具体的，风机功率P与所述风机频率的三次方成正比，即。
进一步的，通过降低所有风机的平均工作频率，可在满足压差梯度和换气次数要求的基础上实现节能运行，因此，将平均频率相对于参考频率降低的百分比作为评价控制节能率的直接指标：
；
二、举例说明：
示例性的，某个多区域洁净厂房具有a、b、c、d、e、f共计6个独立区域，其通风系统的关键组件包括3个风机、7个送风阀、4个回风阀和4个排风阀。
具体的，所述风机频率的取值范围为0~50Hz，其最小可控度为0.1Hz；所述末端风阀开度的取值范围为0~90°，其最小可控度为5°。
实采数据集D1：步骤S1：设定通风系统稳定时间为2min，采用所述拉丁超立方采样策略制定436组可控变量（3个风机频率+15个末端风阀开度）样本；步骤S2：下发一组所述可控变量，得到一组受控变量，等待2min直至所述通风系统稳定后对该组可控变量和该组受控变量的实际值进行采集，形成一条实采数据样本；步骤S3：重复执行步骤S2直至由所述436组可控变量得到436组所述可控变量，形成436条实采数据样本，基于所述436条实采数据样本得到实采数据集D1；
合成数据集D2：基于现场数据建立所述BIM仿真模型，其风机频率最小可控度1Hz，其末端风阀开度最小可控度1°；采用所述拉丁超立方采样策略制定400,000组可控变量，并通过仿真计算其对应受控变量。
进一步的，对D1和D2中的样本数据进行预处理：排除不完整数据等不可用样本后，使用z-score归一化方法将D1和D2中的可控变量输入和受控变量输出分别转换为标准正态分布。
具体的，D1被随机划分成含403条训练样本的训练集A1、含12条验证样本的验证集A2和含21条测试样本的测试集A3；D2被随机划分成含319,890条训练样本的训练集B1、含39,986条验证样本的验证集B2和含39,987条测试样本的测试集B3。
进一步的，基于所述训练集A1、所述验证集A2、所述测试集A3、所述训练集B1、所述验证集B2和所述测试集B3构建并训练预测模型。具体的，输入特征向量包括所述3个风机频率和所述15个末端风阀开度，采用所述多任务学习架构和所述混合专家构建所述预测模型；所述预测模型采用Leaky ReLU作为基础激活函数；所述送风专家模块ESA
、所述回风专家模块ERA
和所述排风专家模块EEA
分别使用一组等宽的全连接网络构建，所述多级萃取网络的总级数为J；独立任务分支塔的深度和宽度分别为DT
和WT
；采用所述AdamW优化器作为所述预测模型的优化器，采用MSE作为所述损失函数L2；使用所述合成数据集D2对所述预测模型进行预训练，然后在所述训练集A1上对所述预测模型进行微调；对Ne
、De
、We
、J、Nse
、Dse
、Wse
、DT
、WT
、训练学习率Ir
和批规模BS这些参数进行自动调优。
具体的，在微调训练过程中使用所述验证集A2的数据对所述预测模型的性能进行实时验证，可以确保所述预测模型的正确训练。
进一步的，在全部训练完毕后使用所述测试集A3的数据对训练好的所述预测模型的性能进行检测，可以确保训练好的所述预测模型具有较好的预测精度和泛化能力。
进一步的，所述预测模型基于所述增强精英保留的遗传算法对该通风系统进行优化控制。
进一步的，基于所述节能率ξ对优化控制后的所述通风系统进行性能评价。
具体的，本实施例所提供的一种洁净室通风系统的预测控制方法仅需人工手动调试时间的3%（约17.21秒）即可找到更优工况点并部署，极大提高了调试效率；通过对系统送风量、系统回风量和系统排风量的精确控制，合理安排各区域的换气次数和压差梯度，可以减少不必要的通风冗余，降低整体能耗和洁净室的运行成本。
实施例二
本实施例提供了一种洁净室通风系统的预测控制系统，请参照图3所示，包括：
数据采集模块，依次执行：步骤S1：设定通风系统稳定时间，确定M组可控变量；步骤S2：下发一组所述可控变量，得到一组受控变量；待所述通风系统稳定时间满足设定要求后对该组可控变量和该组受控变量的实际值进行采集，形成一条实采数据样本；步骤S3：重复执行步骤S2直至由所述M组可控变量得到M组所述受控变量，形成M条实采数据样本；基于所述M条实采数据样本得到实采数据集；步骤S4：基于BIM仿真模型构建所述可控变量和所述受控变量的合成数据集；
模型构建与训练模块，对所述实采数据集和所述合成数据集进行预处理，得到训练集、验证集和测试集；基于所述训练集、所述验证集和所述测试集构建并训练预测模型；
优化控制模块，基于所述预测模型对该通风系统进行优化控制；
性能评价模块，基于节能率对优化控制后的所述通风系统进行性能评价；
其中，构建所述预测模型时，所述模型构建与训练模块采用多任务学习架构和混合专家模型，基于全连接神经网络构建所述预测模型的输入层，基于多级萃取网络构建所述预测模型的共享层，基于所述预测模型的输出层输出所述受控变量的预测值。
对于本实施例所提供的一种洁净室通风系统的预测控制系统的介绍请参照实施例一，本实施例在此不再赘述。
本实施例提供了一种洁净室通风系统的预测控制系统，具有和上述一种洁净室通风系统的预测控制方法相同的有益效果。
实施例三
本实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所描述的一种洁净室通风系统的预测控制方法的步骤。
对于本实施例所提供的一种计算机可读存储介质的介绍请参照实施例一，本实施例在此不再赘述。
本实施例所提供的一种计算机可读存储介质具有和所述的一种洁净室通风系统的预测控制方法相同的有益效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
相关文章：
Tags：
上一条：一种洁净室通风管空气过滤装置下一条：一种用于洁净室的过滤送风装置
