CN119467406A - 应用于充气模型的节能风机及其控制方法 - Google Patents

Abstract

本申请涉及智能风机控制技术领域，其具体地公开了一种应用于充气模型的节能风机及其控制方法，其采用传感技术对充气模型的外部风速和内部压力进行持续监控，并利用基于深度学习的人工智能技术对外部风速和内部压力数据进行时序分析，以捕捉到外部风速和内部压力的时序变化模式，进而，通过对两者进行时序响应分析，以挖掘出外部环境风速对充气模型内部压力的关联影响，从而结合充气模型的外部环境条件和内部压力状态对风机转速进行智能控制，以维持充气模型的稳定性。通过这种方式，可以有效降低能源消耗，同时确保充气模型在各种环境条件下的稳定性和安全性，从而提高充气模型的能效性。

Description

应用于充气模型的节能风机及其控制方法

技术领域

本申请涉及智能风机控制技术领域，且更为具体地，涉及一种应用于充气模型的节能风机及其控制方法。

背景技术

充气模型，作为一种广泛应用于娱乐、广告、展览及紧急救援等领域的结构形式，其稳定性和能效性一直是设计与使用中关注的重点。这类模型通过内部风机持续供气来维持其形状和体积，确保在各种环境下都能保持良好的展示效果或功能实现。

在充气模型的运行过程中，外部环境因素，尤其是风速的变化，对充气模型的内部压力状态有着直接而显著的影响。例如，强风环境下，外部气流直接作用于模型表面，可能导致内部压力急剧变化，若风机控制系统不能迅速响应，模型可能会因内外压差过大而发生形变甚至损坏。相反，在风力较弱或无风条件下，过度供气同样是不必要的能源消耗。

然而，传统的风机控制策略大多依赖于简单的传感器反馈，如通过监测充气模型的内部压力并将其与设定的压力阈值比较，来调节风机转速，这种方法虽然在一定程度上能维持模型的基本形态，但缺乏对外界环境变化的适应性，这不仅可能导致能源浪费，还可能因无法及时调整而影响充气模型的结构稳定性和使用寿命。

因此，期待一种优化的应用于充气模型的节能风机及其控制方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种应用于充气模型的节能风机及其控制方法，其采用传感技术对充气模型的外部风速和内部压力进行持续监控，并利用基于深度学习的人工智能技术对外部风速和内部压力数据进行时序分析，以捕捉到外部风速和内部压力的时序变化模式，进而，通过对两者进行时序响应分析，以挖掘出外部环境风速对充气模型内部压力的关联影响，从而结合充气模型的外部环境条件和内部压力状态对风机转速进行智能控制，以维持充气模型的稳定性。通过这种方式，可以有效降低能源消耗，同时确保充气模型在各种环境条件下的稳定性和安全性，从而提高充气模型的能效性。

根据本申请的一个方面，提供了一种应用于充气模型的节能风机的控制方法，其包括：

通过部署于充气模型的外部的风速传感器采集实时风速值的时序数据集，通过部署于充气模型的内部的压力传感器采集内部压力值的时间数据集；

将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器；

在所述风机中央控制器，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量；

在所述风机中央控制器，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量；

在所述风机中央控制器，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器。

根据本申请的另一方面，提供了一种应用于充气模型的节能风机，其包括：

充气模型状态监控模块，用于通过部署于充气模型的外部的风速传感器采集实时风速值的时序数据集，通过部署于充气模型的内部的压力传感器采集内部压力值的时间数据集；

数据传输模块，用于将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器；

数据时序特征提取模块，用于在所述风机中央控制器，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量；

时序响应分析模块，用于在所述风机中央控制器，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量；

控制信号生成模块，用于在所述风机中央控制器，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器。

与现有技术相比，本申请提供的应用于充气模型的节能风机及其控制方法，其采用传感技术对充气模型的外部风速和内部压力进行持续监控，并利用基于深度学习的人工智能技术对外部风速和内部压力数据进行时序分析，以捕捉到外部风速和内部压力的时序变化模式，进而，通过对两者进行时序响应分析，以挖掘出外部环境风速对充气模型内部压力的关联影响，从而结合充气模型的外部环境条件和内部压力状态对风机转速进行智能控制，以维持充气模型的稳定性。通过这种方式，可以有效降低能源消耗，同时确保充气模型在各种环境条件下的稳定性和安全性，从而提高充气模型的能效性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的应用于充气模型的节能风机的控制方法的应用场景示意图；

图2为根据本申请实施例的应用于充气模型的节能风机的控制方法的流程图；

图3为根据本申请实施例的应用于充气模型的节能风机的控制方法的数据流动示意图；

图4为根据本申请实施例的应用于充气模型的节能风机的控制方法中步骤S4的流程图；

图5为根据本申请实施例的应用于充气模型的节能风机的框图；

图中：1、充气模型；2、压力传感器；3、风速传感器；4、风机中央控制器；5、变频驱动器；6、节能风机。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

针对上述背景技术中所述的技术问题，本申请提出了一种应用于充气模型的节能风机的控制方法，其采用传感技术对充气模型的外部风速和内部压力进行持续监控，并利用基于深度学习的人工智能技术对外部风速和内部压力数据进行时序分析，以捕捉到外部风速和内部压力的时序变化模式，进而，通过对两者进行时序响应分析，以挖掘出外部环境风速对充气模型内部压力的关联影响，从而结合充气模型的外部环境条件和内部压力状态对风机转速进行智能控制，以维持充气模型的稳定性。通过这种方式，可以有效降低能源消耗，同时确保充气模型在各种环境条件下的稳定性和安全性，从而提高充气模型的能效性。

图1为根据本申请实施例的应用于充气模型的节能风机的控制方法的应用场景示意图。如图1所示，在该应用场景中，首先，通过部署于充气模型1内部的压力传感器2采集内部的实时压力值，同时通过部署于充气模型1外部的风速传感器3采集外部的实时风速值。然后，将采集的实时压力值的时间数据集和实时风速值的时间数据集输入至部署有风机转速控制算法的风机中央控制器4中进行数据处理，以生成用于调节风机转速的控制信号，并将控制信号发送至节能风机6的变频驱动器5进行风机转速控制。

图2为根据本申请实施例的应用于充气模型的节能风机的控制方法的流程图。图3为根据本申请实施例的应用于充气模型的节能风机的控制方法的数据流动示意图。如图2和图3所示，所述应用于充气模型的节能风机的控制方法，包括步骤：S1，通过部署于充气模型的外部的风速传感器采集实时风速值的时序数据集，通过部署于充气模型的内部的压力传感器采集内部压力值的时间数据集；S2，将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器；S3，在所述风机中央控制器，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量；S4，在所述风机中央控制器，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量；S5，在所述风机中央控制器，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器。

在上述应用于充气模型的节能风机的控制方法中，所述步骤S1，通过部署于充气模型的外部的风速传感器采集实时风速值的时序数据集，通过部署于充气模型的内部的压力传感器采集内部压力值的时间数据集。应可以理解，内部压力是保持充气模型形状和结构完整性的关键因素。通过监控内部压力，可以确保充气模型处于适当的压力水平，既不过度充气导致材料承受过大的应力，也不欠压导致模型塌陷或不稳定。而外部风速的变化会对充气模型产生直接影响。例如，在强风条件下，充气模型可能会因为外部压力而变形或受损。因此，通过监测外部风速，可以及时调整风机的工作状态，以确保充气模型能够适当地响应外部环境变化，维持其形状和稳定性。例如，当外部风速较低且内部压力稳定时，可以降低风机转速，减少不必要的能源消耗；相反，在外部风速增加或内部压力下降时，则可以提高风机转速，以保证充气模型的正常运行。这样不仅提高了风机控制的响应效率，还实现了节能减排的目的。

应可以理解，在进行充气模型的内外部条件监测时，选择合适的传感器并确保其正确部署至关重要。具体地，在进行风速传感器的部署时，其目的是为了准确获取周围环境中风力的变化情况。这不仅涉及到选择何种类型的传感器，还需要考虑到其具体的安装位置以确保所获得的数据具有代表性。在户外环境下，风速是动态变化的因素，会随着时间和空间的变化而不同。因此，为了获得最真实反映实际状况的数据，需要采用高精度且耐用的风速传感器。其中，超声波式或螺旋桨式的风速计因其良好的响应速度和准确性成为理想的选择。这类传感器能够在各种天气条件下提供稳定的测量结果，并且对快速变化的风况反应迅速。

关于风速传感器的安装位置，应该将其置于可以代表整个充气模型所在区域平均风速的地方。同时，为了避免局部障碍物对测量结果造成干扰，应该尽量使传感器远离建筑物或其他可能影响气流流动的物体。此外，如果充气模型位于开阔地带，则可以在多个方向上布置几个传感器，通过多点采样来进一步提高数据的可靠性。这样做有助于更准确地了解当前的风速状况，为后续的智能控制提供重要依据。

接着，关于充气模型内部的压力监测。这里使用的压力传感器必须具备足够的灵敏度，以便检测到微小的压力波动。鉴于充气模型内部的压力通常处于较低水平(相对于大气压)，可以使用微差压传感器来进行这项任务。这种类型的传感器专为低压力范围内的精确测量而设计，非常适合用来监控充气模型内部的压力状态。此外，由于充气模型内部可能存在不同的压力分布，因此，在选择传感器的安装位置时，传感器应安装在能够反映整体压力水平的位置，同时避免直接暴露在可能引起压力突变的环境因素下。例如，可以将传感器安装在充气模型的中心区域或支撑结构的连接点附近，这些位置通常能够提供较为稳定且具有代表性的压力读数。

在确保了传感器的类型和安装位置之后，下一步则是进行数据采集。为了保证数据的质量，必须设定合理的采样频率。在户外展览等动态环境中，较高的采样率(如每秒数次)是必要的，因为此时外界条件变化较快，频繁更新数据有助于控制系统更快地做出反应。而在相对稳定的室内展示场景中，保持较低的采样频率即可，这样既能满足监测需求又不会产生过多冗余数据。值得注意的是，无论在哪种情况下，都应该保证风速传感器和压力传感器的数据采集是同步进行的，这样才能在同一时间点上同时获得两者的数值，从而有利于后续两者之间的关联关系分析。

除了设定适当的采样频率外，还需要对原始数据进行初步处理。由于来自传感器的数据往往包含噪声和其他形式的误差，如果不加以清理可能会导致错误的判断。所以在传感器端即可开始对数据进行预处理工作，包括去除不必要的噪声、校准可能存在的偏差等措施。此外，对于异常值也要进行过滤，避免极端情况下产生的错误读数影响到控制系统的决策过程。通过对数据进行预处理，可以大幅提高后续分析的准确性，同时也减轻了中央控制器的工作负担。

在上述应用于充气模型的节能风机的控制方法中，所述步骤S2，将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器。应可以理解，为了实现数据的高效传输和处理，本申请进一步将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器，以利用风机中央控制器部署的数据处理算法对采集的风速数据和压力数据进行数据分析，实现对风机转速的智能控制。此外，在本申请的技术方案中，采用无线传输模块来进行数据传输，可以有效减少布线成本和维护难度，特别是在户外或者大型场地中，避免了铺设长距离电缆所带来的麻烦和额外开支。并且，现代无线传输技术能够提供足够低的延迟来支持实时数据传输，以确保风机中央控制器可以迅速接收到最新的风速和压力信息，从而及时作出响应。

具体地，在使用无线传输模块将所述实时风速值的时序数据集和所述内部压力值的时间数据集传输至风机中央控制器的具体实施过程中，包括但不限于选择合适的无线通信技术、确保数据传输的安全性与可靠性、优化网络配置以支持大规模部署以及应对可能遇到的各种挑战。相应地，以下是对这一过程的全面描述：

首先，为了保证数据传输的有效性和效率，选择适当的无线通信技术是关键的第一步。考虑到应用场景的特点——即需要在一个相对开阔的空间内进行远距离的数据传输，并且要保证低延迟和高稳定性，几种常见的无线通信协议成为了候选方案：Wi-Fi、LoRa(Long Range)、Zigbee和Bluetooth Low Energy(BLE)。每种协议都有其独特的优缺点，适用于不同类型的项目需求。对于本应用而言，需要一种能够在较大范围内提供稳定连接、同时具备较低功耗特性的解决方案。因此，在综合评估了传输距离、带宽要求、能耗水平等因素之后，LoRa成为了首选。

LoRa技术以其长距离覆盖能力而闻名，即使是在复杂的地形条件下也能保持良好的信号质量。LoRa技术的工作频率通常位于免许可频段，这意味着不需要额外申请频谱资源即可使用。此外，LoRa设备消耗的能量非常少，非常适合那些对电池寿命有较高要求的应用场景。更重要的是，LoRa网络架构支持星型拓扑结构，这使其可以轻松扩展到多个节点，满足大型充气模型场地的需求。通过在充气模型周边适当位置安装LoRa网关，可以建立起一个稳定的无线网络环境，使得所有部署的传感器都能够接入其中并实时上传数据给风机中央控制器。

然而，选择了合适的无线通信技术之后，还需要确保所传输的数据具有高度的安全性和完整性。毕竟，这些数据直接关系到风机控制系统的正常运作，任何篡改或丢失都可能导致严重的后果。为此，在无线传输过程中采用了多种安全措施来保护数据。一方面，利用加密算法对发送的数据包进行加密处理，防止未经授权的第三方窃取敏感信息；另一方面，则是通过身份验证机制确认每个设备的身份合法性，只有经过认证的设备才能加入到网络中参与通信。同时，还可以设置访问权限规则，限制特定设备只能执行某些操作，从而进一步增强了系统的安全性。

除了基本的安全保障之外，还需要考虑如何优化网络配置以支持大规模部署。当充气模型数量较多或者占地面积较大时，可能会涉及到多个传感器同时工作的情况。在这种情况下，如果不能有效管理网络资源，很容易导致拥塞现象的发生，进而影响到整体性能。为了解决这个问题，可以引入一些智能调度算法，例如基于优先级的数据排队机制或是动态调整信道占用率的方法，确保重要数据优先得到处理，而不重要的数据则可以在空闲时段传输。此外，还可以利用边缘计算的理念，在靠近传感器的地方部署小型服务器或网关设备，提前完成部分数据分析任务，减少中心服务器的压力，提高响应速度。

当然，在实际部署过程中也难免会遇到各种突发情况。比如，由于自然环境因素(如恶劣天气)的影响，可能会造成无线信号衰减甚至中断。针对这种情况，需要预先制定应急预案，如增加备用路由路径或是采用自愈合网络技术，一旦主链路出现问题，系统能够自动切换到备用链路上继续工作。另外，考虑到长期运行过程中可能出现硬件故障的风险，还应该建立完善的维护保养制度，定期检查设备状态，及时更换老化部件，确保整个系统的持续稳定运行。

综上所述，数据传输的具体流程包括：首先，从传感器采集到的数据首先会在本地进行初步处理，去除噪声、校准误差等，然后按照预设格式打包成数据帧。每个数据帧不仅包含了风速和压力的实际测量值，还包括时间戳、设备标识符等元数据，以便于后续解析。随后，这些数据帧通过选定的无线通信协议被发送出去，在经过一系列中间环节(如网关转发)后最终到达风机中央控制器。在这里，中央控制器会对收到的数据进行解码、解析，并将其存储到数据库中供进一步分析使用。值得注意的是，为了适应不同的应用场景需求，中央控制器还应具备灵活的数据接收接口，能够兼容多种类型的输入源，无论是来自单一传感器还是多个分布式节点。

在上述应用于充气模型的节能风机的控制方法中，所述步骤S3，在所述风机中央控制器，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量。在本申请的一个具体示例中，将所述实时风速值的时序数据集和所述内部压力值的时间数据集输入基于LSTM-RNN混合模型的时序编码器以得到所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量。这里，考虑到充气模型的外部风速和内部压力是随时间变化的动态数据，具有高度的时间序列特性，因此，为了充分捕捉到风速数据和压力数据的时序变化模式，本申请采用了LSTM-RNN混合模型构建时序编码器，来对所述实时风速值的时序数据集和所述内部压力值的时间数据集分别进行时序特征提取，以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量。本领域普通技术人员应知晓，LSTM(长短期记忆网络)模型和RNN(循环神经网络)模型都是擅长处理时间序列数据的深度学习模型。其中，RNN模型通过其内部的循环连接结构能够有效捕捉时间序列数据中的短期依赖关系，但由于其在实际应用中面临着梯度消失或梯度爆炸的问题，导致RNN模型在处理长序列数据时往往效果不佳。而LSTM模型通过引入门控机制，能够更好地捕捉和利用序列数据中的长期依赖信息，避免了传统RNN模型中的梯度消失问题。因此，在本申请的技术方案中，为了综合利用LSTM模型和RNN模型的优势，构建了LSTM-RNN混合模型，以期在对风速数据和压力数据的时序特征提取过程中，既能捕捉到短期的动态变化，也能保留长期的依赖信息，从而为后续的风机转速控制提供更为精确的数据基础。

在上述应用于充气模型的节能风机的控制方法中，所述步骤S4，在所述风机中央控制器，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量。也就是，考虑到对于充气模型而言，外部风速和内部压力之间的动态变化并非孤立事件，而是存在一定的关联性。因此，本申请进一步对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行时序响应分析，揭示出外部风速和内部压力之间的作用关系，以便于充分理解在特定的外部风速条件下，充气模型内部压力的时序变化模式，从而及时调整风机转速以适应这种压力变化，避免充气模型因压力突变而受损或过度充气。

图4为根据本申请实施例的应用于充气模型的节能风机的控制方法中步骤S4的流程图。如图4所示，所述步骤S4，包括：S41，将所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量输入协同特征提取网络以得到外部风速-内部压力时序特征间隐性协同编码向量；S42，基于所述外部风速-内部压力时序特征间隐性协同编码向量，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行特征调制交互融合以得到所述外部风速-内部压力时序响应编码向量。

在本申请的一个具体示例中，所述协同特征提取网络包括三个并行的特征交互层、多层次交互特征级联层、点卷积层和基于Leaky ReLU函数的激活层。基于此，所述步骤S41的计算过程可以用公式表示为：

其中，V₁表示所述外部风速时序隐含关联特征向量，V₂表示所述模型内部压力时序隐含关联特征向量，表示按位置点加，⊙表示按位置点乘，表示按位置点减，concat(·；·；·)表示特征级联，Conv_1×1表示1×1卷积操作，Leaky ReLU表示Leaky ReLU激活函数，V_J表示外部风速-内部压力时序特征间隐性协同编码向量。

也就是，首先通过协同特征提取网络对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行多层次交互、点卷积和非线性激活等操作，以捕捉到两者之间的深层次关联，挖掘出两者之间的时序协同特征表示。

在本申请的一个具体示例中，所述步骤S42，包括：首先，将所述外部风速-内部压力时序特征间隐性协同编码向量写入动态记忆单元以得到动态键向量，用公式表示为：

m_u＝M(V_J)

其中，M(·)表示1×1卷积操作，m_u表示动态键向量。

这里，所述动态记忆单元是一种特殊类型的记忆结构，其工作原理类似于递归神经网络中的记忆单元，能够根据当前输入特征，动态调整其自身的记忆内容和内部状态，以更好地适应当前场景的上下文需求。

接着，基于所述动态键向量，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量分别进行特征注意力调制优化以得到优化后外部风速时序隐含关联特征向量和优化后模型内部压力时序隐含关联特征向量。更为具体地，首先，从所述动态记忆单元提取所述动态键向量，并将所述外部风速时序隐含关联特征向量和所述动态键向量输入基于第一转换器结构的特征注意力调制模块以得到所述优化后外部风速时序隐含关联特征向量，用公式表示为：

其中，W_1q和W_1v分别表示第一查询嵌入矩阵和第一值嵌入矩阵，V_1q和V_1v分别表示第一查询向量和第一值向量，b_1q和b_1v分别表示不同的偏置项，softmax(·)表示归一化指数函数，S表示所述动态键向量的特征尺度值，V'₁表示优化后外部风速时序隐含关联特征向量。

然后，从所述动态记忆单元提取所述动态键向量，并将所述模型内部压力时序隐含关联特征向量和所述动态键向量输入基于第二转换器结构的特征注意力调制模块以得到所述优化后模型内部压力时序隐含关联特征向量，用公式表示为：

其中，W_2q和W_2v分别表示第二查询嵌入矩阵和第二值嵌入矩阵，V_2q和V_2v分别表示第二查询向量和第二值向量，b_2q和b_2v分别表示不同的偏置项，V'₂表示优化后模型内部压力时序隐含关联特征向量。

也就是，分别构建针对于所述外部风速时序隐含关联特征向量的查询向量和值向量，以及针对于所述模型内部压力时序隐含关联特征向量的查询向量和值向量，利用转换器结构中的自注意力机制，基于所述动态键向量(即外部风速与内部压力之间的时序协同特征)对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于查询注意力的特征调制，其相当于以所述动态键向量作为共同的注意力空间，以增强原始特征中关键信息的表达,减少噪声和无关信息的影响，同时还使得优化后的外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量处于对齐语义空间，以便于后续两者之间的特征交互与融合处理。

最后，融合所述优化后外部风速时序隐含关联特征向量和所述优化后模型内部压力时序隐含关联特征向量以得到所述外部风速-内部压力时序响应编码向量。更为具体地，将所述优化后外部风速时序隐含关联特征向量和所述优化后模型内部压力时序隐含关联特征向量输入特征线性交互网络以得到所述外部风速-内部压力时序响应编码向量，用公式表示为：

V＝γV'₁+(1-γ)V'₂

其中，γ为融合权重参数，V表示所述外部风速-内部压力时序响应编码向量。

也就是，使用特征线性交互网络对优化后外部风速时序隐含关联特征向量和优化后模型内部压力时序隐含关联特征向量进行交互融合处理，即通过线性变换的方式，进行风速时序变化特征与压力时序变化特征之间的加权融合，以生成外部风速-内部压力时序响应编码向量，从而实现对充气模型在不同外部风速和内部压力条件下的综合响应分析，为后续风机转速的智能控制提供更为精确和全面的决策支持。

在上述应用于充气模型的节能风机的控制方法中，所述步骤S5，在所述风机中央控制器，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器。在本申请的一个具体示例中，所述步骤S5，包括：将所述外部风速-内部压力时序响应编码向量输入基于解码器的风速优化器以得到最优风机速度的解码值；基于所述最优风机速度的解码值与当前风机速度值之间的比较，生成所述控制信号。

具体而言，所述风速优化器中的解码器结构接收到所述外部风速-内部压力时序响应编码向量之后，通过对其进行逐层特征提取，来学习和模拟外部风速与内部压力之间的复杂动态关系，并基于此来预测在当前外部风速和内部压力条件下，风机应达到的最佳转速。在本申请的实施例中，所述解码器采用多层感知器(MLP)模型。

最终，根据解码器提供的最优转速解码值与当前风机速度值之间的差异，所述风机中央控制器进一步通过控制算法计算出相应的调整量，并生成相应的控制信号，通过变频驱动器调节风机的转速，以达到节能和效率优化的目的。通过这种方式，不仅能够确保风机在各种风速和压力条件下稳定运行，还能有效延长风机的使用寿命，并减少因频繁调节转速而产生的额外能耗。

优选地，将所述外部风速-内部压力时序响应编码向量输入基于解码器的风速优化器以得到最优风机速度的解码值包括：

首先，计算所述外部风速-内部压力时序响应编码向量的所有特征值的绝对值之和与平方和的平方根以获得第一和第二外部风速-内部压力时序响应编码空间结构值，即：

w₁＝∑_i|v_i|

其中，v_i为所述外部风速-内部压力时序响应编码向量中第i位置的特征值，w₁为第一外部风速-内部压力时序响应编码空间结构值，w₂为第二外部风速-内部压力时序响应编码空间结构值；

接着，确定所述外部风速-内部压力时序响应编码向量的特征值数目L；

然后，对于所述外部风速-内部压力时序响应编码向量的每个特征值，计算所述第一外部风速-内部压力时序响应编码空间结构值减去所述特征值与所述特征值数目的乘积以获得的第一外部风速-内部压力时序响应编码长程依赖值，即：

x_i＝w₁-v_i×L

其中，x_i为所述v_i对应的第一外部风速-内部压力时序响应编码长程依赖值；

同时，计算所述特征值数目的平方根乘以所述特征值的乘积减去所述第二外部风速-内部压力时序响应编码空间结构值以获得的第二外部风速-内部压力时序响应编码长程依赖值，即：

其中，y_i为所述v_i对应的第二外部风速-内部压力时序响应编码长程依赖值；

其次，将所述第一外部风速-内部压力时序响应编码长程依赖值作为自然常数的指数计算得到的指数值与所述第二外部风速-内部压力时序响应编码长程依赖值的倒数进行加权求和以获得每个特征值对应的优化特征值，即：

其中，α和β表示不同的加权参数，v'_i表示所述v_i对应的优化特征值；

最后，将所述优化特征值组成的优化的外部风速-内部压力时序响应编码向量输入基于解码器的风速优化器以得到最优风机速度的解码值。

这里，考虑到在所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量分布表示实时风速值和充气模型的内部压力值的多尺度时序关联特征的情况下，在对其进行特征间注意力交互后，所述外部风速-内部压力时序响应编码向量也会由于源数据时序分布差异引起的时序关联特征分布动态记忆性差异而具有显著的注意力交互分布空间结构差异，影响解码器的收敛一致性，从而影响基于解码器的风速优化器得到的最优风机速度的解码值的准确性。

基于此，针对所述外部风速-内部压力时序响应编码向量的特征集合在高维空间内可能存在的空间结构缺失导致解码器的权重矩阵基于特征地隐含推断空间结构信息使得收敛不一致，通过基于所述外部风速-内部压力时序响应编码向量的整体特征尺度地相对于所述外部风速-内部压力时序响应编码向量的空间结构表示来建立长距离特征依赖关系，以建立所述外部风速-内部压力时序响应编码向量的特征局部连接性，和通过所述外部风速-内部压力时序响应编码向量的非结构化特征值点预测捕捉对象特征值的空间歧义信息，从而提升所述外部风速-内部压力时序响应编码向量的特征集合的空间归纳偏差感知能力，改进解码器的收敛一致性，提升所述外部风速-内部压力时序响应编码向量输入基于解码器的风速优化器得到的最优风机速度的解码值的准确性。

进一步地，本申请还提供一种应用于充气模型的节能风机。

图5为根据本申请实施例的应用于充气模型的节能风机的框图。如图5所示，根据本申请实施例的应用于充气模型的节能风机100，包括：充气模型状态监控模块110，用于通过部署于充气模型的外部的风速传感器采集实时风速值的时序数据集，通过部署于充气模型的内部的压力传感器采集内部压力值的时间数据集；数据传输模块120，用于将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器；数据时序特征提取模块130，用于在所述风机中央控制器，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量；时序响应分析模块140，用于在所述风机中央控制器，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量；控制信号生成模块150，用于在所述风机中央控制器，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器。

这里，本领域技术人员可以理解，上述应用于充气模型的节能风机中的各个模块的具体操作已经在上面参考图1到图4的应用于充气模型的节能风机的控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

Claims (9)

1.一种应用于充气模型的节能风机的控制方法，其特征在于，包括：

通过部署于充气模型的外部的风速传感器采集实时风速值的时序数据集，通过部署于充气模型的内部的压力传感器采集内部压力值的时间数据集；

将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器；

在所述风机中央控制器，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量；

在所述风机中央控制器，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量；

在所述风机中央控制器，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器。

2.根据权利要求1所述的应用于充气模型的节能风机的控制方法，其特征在于，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量，包括：

将所述实时风速值的时序数据集和所述内部压力值的时间数据集输入基于LSTM-RNN混合模型的时序编码器以得到所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量。

3.根据权利要求2所述的应用于充气模型的节能风机的控制方法，其特征在于，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量，包括：

将所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量输入协同特征提取网络以得到外部风速-内部压力时序特征间隐性协同编码向量；

基于所述外部风速-内部压力时序特征间隐性协同编码向量，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行特征调制交互融合以得到所述外部风速-内部压力时序响应编码向量。

4.根据权利要求3所述的应用于充气模型的节能风机的控制方法，其特征在于，所述协同特征提取网络包括三个并行的特征交互层、多层次交互特征级联层、点卷积层和基于Leaky ReLU函数的激活层。

5.根据权利要求4所述的应用于充气模型的节能风机的控制方法，其特征在于，基于所述外部风速-内部压力时序特征间隐性协同编码向量，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行特征调制交互融合以得到所述外部风速-内部压力时序响应编码向量，包括：

将所述外部风速-内部压力时序特征间隐性协同编码向量写入动态记忆单元以得到动态键向量；

基于所述动态键向量，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量分别进行特征注意力调制优化以得到优化后外部风速时序隐含关联特征向量和优化后模型内部压力时序隐含关联特征向量；

融合所述优化后外部风速时序隐含关联特征向量和所述优化后模型内部压力时序隐含关联特征向量以得到所述外部风速-内部压力时序响应编码向量。

6.根据权利要求5所述的应用于充气模型的节能风机的控制方法，其特征在于，基于所述动态键向量，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量分别进行特征注意力调制优化以得到优化后外部风速时序隐含关联特征向量和优化后模型内部压力时序隐含关联特征向量，包括：

从所述动态记忆单元提取所述动态键向量，并将所述外部风速时序隐含关联特征向量和所述动态键向量输入基于第一转换器结构的特征注意力调制模块以得到所述优化后外部风速时序隐含关联特征向量；

从所述动态记忆单元提取所述动态键向量，并将所述模型内部压力时序隐含关联特征向量和所述动态键向量输入基于第二转换器结构的特征注意力调制模块以得到所述优化后模型内部压力时序隐含关联特征向量。

7.根据权利要求6所述的应用于充气模型的节能风机的控制方法，其特征在于，融合所述优化后外部风速时序隐含关联特征向量和所述优化后模型内部压力时序隐含关联特征向量以得到所述外部风速-内部压力时序响应编码向量，包括：

将所述优化后外部风速时序隐含关联特征向量和所述优化后模型内部压力时序隐含关联特征向量输入特征线性交互网络以得到所述外部风速-内部压力时序响应编码向量。

8.根据权利要求7所述的应用于充气模型的节能风机的控制方法，其特征在于，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器，包括：

将所述外部风速-内部压力时序响应编码向量输入基于解码器的风速优化器以得到最优风机速度的解码值；

基于所述最优风机速度的解码值与当前风机速度值之间的比较，生成所述控制信号。

9.一种应用于充气模型的节能风机，其特征在于，包括：

充气模型状态监控模块，用于通过部署于充气模型的外部的风速传感器采集实时风速值的时序数据集，通过部署于充气模型的内部的压力传感器采集内部压力值的时间数据集；

数据传输模块，用于将所述实时风速值的时序数据集和所述内部压力值的时间数据集通过无线传输模块传输至风机中央控制器；

数据时序特征提取模块，用于在所述风机中央控制器，对所述实时风速值的时序数据集和所述内部压力值的时间数据集进行时序特征提取以得到外部风速时序隐含关联特征向量和模型内部压力时序隐含关联特征向量；

时序响应分析模块，用于在所述风机中央控制器，对所述外部风速时序隐含关联特征向量和所述模型内部压力时序隐含关联特征向量进行基于特征间隐性关联的时序响应分析以得到外部风速-内部压力时序响应编码向量；

控制信号生成模块，用于在所述风机中央控制器，基于所述外部风速-内部压力时序响应编码向量，生成风机转速的控制信号，所述控制信号用于控制所述节能风机的变频驱动器。