【技术实现步骤摘要】
本申请涉及空调器设计，尤其涉及一种基于dqn网络的空调压缩机力矩补偿方法、装置及空调器。
技术介绍
1、随着人们生活水平的不断提高，以及家电设备的智能化水平不断提升，智能家电越来越普及。用户可以在冬季使用空调器进行制热，以提高室内温度；还可以在夏季使用空调器进行制冷，以降低室内温度。
2、压缩机是空调器的核心部件，也是空调器主要的振动源，压缩机振动的改善依赖于其自身的补偿力矩。由于压缩机负载力矩会随着运行频率发生变化，因此，其力矩补偿也需要随之变化进行补偿。在相关技术中，压缩机力矩补偿主要还是由人工来完成。
3、然而，由人工进行压缩机力矩补偿计算的方式不仅对于行业经验有较强的依赖性，且在计算效率上也具有较大的局限性。
技术实现思路
1、本申请的目的是提供一种基于dqn网络的空调压缩机力矩补偿方法、装置及空调器，用于快速完成压缩机力矩补偿的计算，不仅提高了计算效率，还能够极大地降低管组对室外机振动的影响。
2、本申请提供一种基于dqn网络的空调压缩机力矩补偿方法，包括：
3、初始化压缩机振动数值测试环境以及压缩机力矩补偿模型的网络权重；所述压缩机力矩补偿模型为基于深度q学习网络构建的模型；获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中对压缩机进行控制，利用所述压缩机振动数值测试环境对智能体输出的动作值进行压缩机振动数值采集，并基于得到观测值对智能体的生成策略进行优化，直至得到
4、可选地，所述获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中对压缩机进行控制，并基于得到观测值对智能体的生成策略进行优化，包括：获取所述压缩机振动数值测试环境的当前状态；基于智能体的生成策略生成与当前状态对应的动作值，并将与当前状态对应的动作值输入到所述压缩机振动数值测试环境中进行压缩机振动数值的采集；其中，所述生成策略用于在指定的参数生成范围内生成随机的空调压缩机力矩补偿参数。
5、可选地，所述获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中对压缩机进行控制，并基于得到观测值对智能体的生成策略进行优化，包括：基于所述压缩机振动数值测试环境输出的压缩机振动数值以及奖励函数值确定力矩补偿参数对压缩机振动的影响趋势；根据力矩补偿参数对压缩机振动的影响趋势，对智能体的生成策略进行优化；其中，对智能体的生成策略进行优化目标为：降低空调四通阀管组对室外机振动的影响。
6、可选地，所述获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中对压缩机进行控制，并基于得到观测值对智能体的生成策略进行优化，包括：将当前状态、智能体基于当前状态生成的动作值、奖励函数值以及下一时刻的状态作为经验存储到经验池中；从所述经验池中随机选择出目标经验，并基于所述目标经验对所述压缩机力矩补偿模型的网络权重进行更新。
7、可选地，所述获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中对压缩机进行控制，并基于得到观测值对智能体的生成策略进行优化，包括：将当前轮次的振动差值进行归一化处理后，得到当前轮次的奖励函数值；其中，所述振动差值为：所述压缩机振动数值测试环境基于智能体输出的空调压缩机力矩补偿参数采集到的压缩机振动数值与预设压缩机振动标准的差值；奖励函数值与振动差值负相关。
8、本申请还提供一种基于dqn网络的空调压缩机力矩补偿装置，包括：
9、初始化模块，用于初始化压缩机振动数值测试环境以及压缩机力矩补偿模型的网络权重；所述压缩机力矩补偿模型为基于深度q学习网络构建的模型；数据采集模块，用于获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中进行压缩机振动数值采集；参数计算模块，用于获取从所述压缩机振动数值测试环境中采集到的压缩机振动数值，并基于采集到的压缩机振动数值对智能体的生成策略进行优化，直至得到满足预设需求的空调压缩机力矩补偿参数；其中，所述智能体输出的动作值为：空调压缩机力矩补偿参数；所述压缩机振动数值测试环境用于：基于智能体输出的动作值控制压缩机的运行，并通过振动传感器采集压缩机运行过程中的振动数值。
10、可选地，所述数据采集模块，具体用于获取所述压缩机振动数值测试环境的当前状态；所述数据采集模块，具体还用于基于智能体的生成策略生成与当前状态对应的动作值，并将与当前状态对应的动作值输入到所述压缩机振动数值测试环境中进行压缩机振动数值的采集；其中，所述生成策略用于在指定的参数生成范围内生成随机的空调压缩机力矩补偿参数。
11、可选地，所述参数计算模块，具体用于基于所述压缩机振动数值测试环境输出的压缩机振动数值以及奖励函数值确定力矩补偿参数对压缩机振动的影响趋势；所述参数计算模块，具体还用于根据力矩补偿参数对压缩机振动的影响趋势，对智能体的生成策略进行优化；其中，对智能体的生成策略进行优化目标为：降低空调四通阀管组对室外机振动的影响。
12、可选地，所述参数计算模块，具体用于将当前状态、智能体基于当前状态生成的动作值、奖励函数值以及下一时刻的状态作为经验存储到经验池中；所述参数计算模块，具体还用于从所述经验池中随机选择出目标经验，并基于所述目标经验对所述压缩机力矩补偿模型的网络权重进行更新。
13、可选地，所述参数计算模块，具体用于将当前轮次的振动差值进行归一化处理后，得到当前轮次的奖励函数值；其中，所述振动差值为：所述压缩机振动数值测试环境基于智能体输出的空调压缩机力矩补偿参数采集到的压缩机振动数值与预设压缩机振动标准的差值；奖励函数值与振动差值负相关。
14、本申请还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上述任一种所述基于dqn网络的空调压缩机力矩补偿方法的步骤。
15、本申请还提供一种电子设备，该电子设备可以为空调器，该空调器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于dqn网络的空调压缩机力矩补偿方法的步骤。
16、本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于dqn网络的空调压缩机力矩补偿方法的步骤。
17、本申请提供的基于dqn网络的空调压缩机力矩补偿方法、装置及空调器，初始化压缩机振动数值测试环境以及压缩本文档来自技高网...
【技术保护点】
1.一种基于DQN网络的空调压缩机力矩补偿方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中进行压缩机振动数值采集，包括：
3.根据权利要求2所述的方法，其特征在于，所述获取从所述压缩机振动数值测试环境中采集到的压缩机振动数值，并基于采集到的压缩机振动数值对智能体的生成策略进行优化，包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取从所述压缩机振动数值测试环境中采集到的压缩机振动数值，并基于采集到的压缩机振动数值对智能体的生成策略进行优化，包括：
5.根据权利要求4所述的方法，其特征在于，所述获取从所述压缩机振动数值测试环境中采集到的压缩机振动数值，并基于采集到的压缩机振动数值对智能体的生成策略进行优化，包括：
6.一种基于DQN网络的空调压缩机力矩补偿装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，
8.根据权利
9.一种空调器，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至5中任一项所述基于DQN网络的空调压缩机力矩补偿方法的步骤。
10.一种计算机可读存储介质，其特征在于，其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权利要求1至5中任一项所述基于DQN网络的空调压缩机力矩补偿方法的步骤。
...【技术特征摘要】
1.一种基于dqn网络的空调压缩机力矩补偿方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取压缩机力矩补偿模型的智能体基于当前状态生成的动作值，并将获取到的动作值输入到所述压缩机振动数值测试环境中进行压缩机振动数值采集，包括：
3.根据权利要求2所述的方法，其特征在于，所述获取从所述压缩机振动数值测试环境中采集到的压缩机振动数值，并基于采集到的压缩机振动数值对智能体的生成策略进行优化，包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取从所述压缩机振动数值测试环境中采集到的压缩机振动数值，并基于采集到的压缩机振动数值对智能体的生成策略进行优化，包括：
5.根据权利要求4所述的方法，其特征在于，所述获取从所述...
【专利技术属性】
技术研发人员：邱明扬，林超，孟凡森，陈运东，
申请(专利权)人：青岛海尔空调器有限总公司，
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。