【技术实现步骤摘要】
本专利技术涉及厨房电器生产，特别是涉及一种蒸烤箱控制方法、涉及一种蒸烤箱控制装置、一种蒸烤箱和一种计算机可读存储介质。
技术介绍
1、随着人们生活水平的不断提高，蒸烤箱作为一种多功能厨房电器，越来越受到家庭用户的欢迎。然而，传统蒸烤箱在运行过程中往往存在能源浪费的问题，特别是在长时间烹饪时，如何实现节能成为一个亟待解决的问题。而当前的节能方法主要依赖于预设的规则和手动调节，难以应对复杂多变的烹饪环境。
技术实现思路
1、鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种蒸烤箱控制方法、涉及一种蒸烤箱控制装置、一种蒸烤箱和一种计算机可读存储介质。
2、为了解决上述问题，在本专利技术的第一个方面，本专利技术实施例公开了一种蒸烤箱控制方法，蒸烤箱内部设置有传感器网络和执行部件，所述方法包括：
3、获取所述传感器网络监测的运行参数；
4、基于所述运行参数构建当前状态向量；
5、依据所述当前状态向量，确定目标动作向量；
6、基于所述目标动作向量确定执行器动作序列；
7、依据所述执行器动作序列控制所述执行部件运行。
8、可选地，所述依据所述当前状态向量，确定目标动作向量的步骤包括：
9、将所述当前状态向量输入预设神经网络模型，所述预设神经网络模型用于依据所述状态向量输出至少一个执行动作及其得分值；
10、依据所述执行动作及其得分值，确定目标动作向
11、可选地，所述依据所述执行动作及其得分值，确定目标动作向量的步骤包括：
12、依据所述得分值对所述执行动作进行排序，生成执行顺序；
13、基于所述执行顺序，将所述执行动作进行组合，确定目标动作向量。
14、可选地，所述预设神经网络模型通过如下方式训练得到：
15、构建初始深度神经网络；
16、获取训练样本数据；
17、构建奖励函数；
18、基于所述训练样本数据，依据初始深度神经网络的当前状态函数和奖励函数进行拟合，生成所述预设神经网络模型。
19、可选地，所述构建奖励函数的步骤包括：
20、基于蒸烤箱的目标温度和能源消耗量构建奖励函数。
21、可选地，所述奖励函数为[rt＝-(α\|t{目标}-t{oven}|+β\et)]；其中，t{目标}为所述目标温度，t{oven}为当前温度，et为所述能源消耗量，α为温度权值系数，β为能耗权重系数。
22、可选地，所述预设神经网络模型包括q网络。
23、可选地，所述基于所述运行参数构建当前状态向量的步骤包括：
24、对所述运行参数进行预处理；
25、将预处理后的运行参数进行组合，得到当前状态向量。
26、可选地，所述方法还包括：
27、在所述执行部件运行期间，读取若干时刻实时温度值；
28、依据所述实时温度值计算温差数据；
29、待所述执行部件运行完毕，确定能量消耗量；
30、采用所述温差数据和所述能量消耗量优化所述预设神经网络模型。
31、可选地，所述采用所述温差数据和所述能量消耗量优化所述预设神经网络模型的步骤包括：
32、采用所述温差数据和所述能量消耗量更新所述预设神经网络模型的奖励函数；所述预设神经网络模型用于基于更新后的奖励函数进行拟合。
33、在本专利技术的第二个方面，本专利技术实施例公开了一种蒸烤箱控制装置，蒸烤箱内部设置有传感器网络和执行部件，所述装置包括：
34、获取模块，用于获取所述传感器网络监测的运行参数；
35、构建模块，用于基于所述运行参数构建当前状态向量；
36、第一确定模块，用于依据所述当前状态向量，确定目标动作向量；
37、第二确定模块，用于基于所述目标动作向量确定执行器动作序列；
38、执行模块，用于依据所述执行器动作序列控制所述执行部件运行。
39、可选地，所述第一确定模块包括：
40、模型处理模块，用于将所述当前状态向量输入预设神经网络模型，所述预设神经网络模型用于依据所述状态向量输出至少一个执行动作及其得分值；
41、目标动作向量确定子模块，用于依据所述执行动作及其得分值，确定目标动作向量。
42、可选地，所述目标动作向量确定子模块包括：
43、排序单元，用于依据所述得分值对所述执行动作进行排序，生成执行顺序；
44、第一组合单元，用于基于所述执行顺序，将所述执行动作进行组合，确定目标动作向量。
45、可选地，所述预设神经网络模型通过如下方式训练得到：
46、构建初始深度神经网络；
47、获取训练样本数据；
48、构建奖励函数；
49、基于所述训练样本数据，依据初始深度神经网络的当前状态函数和奖励函数进行拟合，生成所述预设神经网络模型。
50、可选地，所述构建奖励函数的步骤包括：
51、基于蒸烤箱的目标温度和能源消耗量构建奖励函数。
52、可选地，所述奖励函数为[rt＝-(α\|t{目标}-t{oven}|+β\et)]；其中，t{目标}为所述目标温度，et为所述能源消耗量，α为温度权值系数，β为能耗权重系数。
53、可选地，所述预设神经网络模型包括q网络。
54、可选地，所述构建模块包括：
55、预处理子模块，用于对所述运行参数进行预处理；
56、第二组合子模块，用于将预处理后的运行参数进行组合，得到当前状态向量。
57、可选地，所述装置还包括：
58、读取模块，用于在所述执行部件运行期间，读取若干时刻实时温度值；
59、温差计算模块，用于依据所述实时温度值计算温差数据；
60、第三确定模块，用于待所述执行部件运行完毕，确定能量消耗量；
61、优化模块，用于采用所述温差数据和所述能量消耗量优化所述预设神经网络模型。
62、可选地，所述优化模块包括：
63、优化子模块，用于采用所述温差数据和所述能量消耗量更新所述预设神经网络模型的奖励函数；所述预设神经网络模型用于基于更新后的奖励函数进行拟合。
64、在本专利技术的第三个方面，本专利技术实施例公开了一种热水器，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的蒸烤箱控制方法的步骤。
65、在本专利技术的第四个方面，本专利技术实施例公开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计算机程序，所述计算机程序被处理器执行时实现如上所述的蒸烤箱控制方法的步骤。
66、本专利技术实施例包括以下优点：
本文档来自技高网...【技术保护点】
1.一种蒸烤箱控制方法，其特征在于，蒸烤箱内部设置有传感器网络和执行部件，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述依据所述当前状态向量，确定目标动作向量的步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述依据所述执行动作及其得分值，确定目标动作向量的步骤包括：
4.根据权利要求2所述的方法，其特征在于，所述预设神经网络模型通过如下方式训练得到：
5.根据权利要求4所述的方法，其特征在于，所述构建奖励函数的步骤包括：
6.根据权利要求5所述的方法，其特征在于，所述奖励函数为[Rt＝-(α\|T{目标}-T{oven}|+β\Et)]；其中，T{目标}为所述目标温度，T{oven}为当前温度，Et为所述能源消耗量，α为温度权值系数，β为能耗权重系数。
7.根据权利要求2至6任一项所述的方法，其特征在于，所述预设神经网络模型包括Q网络。
8.根据权利要求1所述的方法，其特征在于，所述基于所述运行参数构建当前状态向量的步骤包括：
9.根据权利要求2所述的方法，其特
10.根据权利要求9所述的方法，其特征在于，所述采用所述温差数据和所述能量消耗量优化所述预设神经网络模型的步骤包括：
11.一种蒸烤箱控制装置，其特征在于，蒸烤箱内部设置有传感器网络和执行部件，所述装置包括：
12.一种蒸烤箱，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-10任一项所述的蒸烤箱控制方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-10任一项所述的蒸烤箱控制方法的步骤。
...【技术特征摘要】
1.一种蒸烤箱控制方法，其特征在于，蒸烤箱内部设置有传感器网络和执行部件，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述依据所述当前状态向量，确定目标动作向量的步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述依据所述执行动作及其得分值，确定目标动作向量的步骤包括：
4.根据权利要求2所述的方法，其特征在于，所述预设神经网络模型通过如下方式训练得到：
5.根据权利要求4所述的方法，其特征在于，所述构建奖励函数的步骤包括：
6.根据权利要求5所述的方法，其特征在于，所述奖励函数为[rt＝-(α\|t{目标}-t{oven}|+β\et)]；其中，t{目标}为所述目标温度，t{oven}为当前温度，et为所述能源消耗量，α为温度权值系数，β为能耗权重系数。
7.根据权利要求2至6任一项所述的方法，其特征在于，所述预设神...
【专利技术属性】
技术研发人员：李世新，李绍斌，唐杰，林进华，孙聪，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。