[发明专利]基于机器学习的PID参数自整定方法及其装置

权利要求书

1.一种基于机器学习的PID参数自整定方法，其特征在于，所述方法包括：

检测当前环境模式下的各项参数，与历史数据中的环境模式进行对比，获得该环境模式下运行的PID控制参数；

在获得的PID控制参数下运行，通过判断该套PID控制参数控制效果的优劣，对PID控制参数进行整定，使控制效果达到最佳;

所述对PID控制参数的整定按照比例系数Kp、积分时间Ti和微分时间Td的顺序进行整定；所述比例系数Kp的范围控制在1-5之间，每次的调节变化范围按照0.1的增幅从小到大进行调节；所述积分时间Ti按照T的倍数从大到小进行调节；所述微分时间Td按照T的倍数由小到大进行调节。

2.根据权利要求1所述的基于机器学习的PID参数自整定方法，其特征在于，所述方法具体包括：

步骤1、检测当前环境模式下的各项参数，与历史数据中的环境模式进行匹配，如果匹配成功，进入步骤2，如果匹配不成功，进入步骤3；

步骤2、获取历史数据中该环境模式下最佳的PID控制参数；

步骤3、获取出厂前设定最佳的PID控制参数；

步骤4、按照获取的PID控制参数运行，如果在该PID控制参数下运行，其控制效果最佳，则按照该PID控制参数运行，如果在该PID控制参数下运行其控制效果并非最佳，则进入步骤5；

步骤5、对PID控制参数进行整定，使电子膨胀阀在最佳的控制效果下运行。

3.根据权利要求2所述的基于机器学习的PID参数自整定方法，其特征在于，所述步骤1中的环境模式包括预设模式和自定义模式，在匹配时，先对自定义模式进行匹配，如果无法匹配，则对预设模式进行匹配。

4.根据权利要求2所述的基于机器学习的PID参数自整定方法，其特征在于，所述步骤1从历史数据中进行匹配时，首先从设备本地历史数据中进行匹配；如果在本地历史数据中无法匹配的，则从云端历史数据中进行匹配。

5.根据权利要求3所述的基于机器学习的PID参数自整定方法，其特征在于，所述预设模式由运行阶段、压缩机负荷区间、环境温度区间、出水温度区间、过热度设定区间的各项参数进行组合而成；所述自定义模式在预设模式的基础上，增加新的参数组合而成。

6.根据权利要求2所述的基于机器学习的PID参数自整定方法，其特征在于，对于每次整定的效果如果比历史上都要好则更新对应的最佳PID控制参数，否则不更新，直到该套PID控制参数的控制效果达到最优，不再进行整定和更新。

7.根据权利要求2所述的基于机器学习的PID参数自整定方法，其特征在于，所述步骤5中通过过热度变化与电子膨胀阀开度变化以及过热度设定值形成的曲线判断控制效果的优劣；使用衰减曲线法或临界比例曲线法作为判断依据。

8.一种基于机器学习的PID参数自整定装置，其特征在于，所述装置包括：

电子膨胀阀；

PID控制器，与所述电子膨胀阀相连接，用于检测电子膨胀阀工作环境模式下的各种参数；与云端服务器相连接，将检测的参数在历史数据中进行匹配，获得历史数据中该参数下最佳的PID控制参数，运行该PID控制参数，并且通过判断在该PID控制参数下运行的控制效果是否最佳，对PID控制参数进行整定，同时，将整定过程中优于历史数据中控制效果的该套PID控制参数进行更新；

数据传输模块，与PID控制器相连接，用于云端服务器和PID控制器之间的数据交互；以及云端服务器，与数据传输模块无线连接，用于历史数据的储存以及新数据的更新。