浙江国祥股份有限公司 浙江绍兴 312300
摘要：涂装是生产制造流程中最为主要的一个工序，其本身对温湿度有着严格的要求，因此，涂装空调温湿度控制方法始终都是重要的研究课题。本篇文章从系统结构入手，基于控制原理构建具体的大数据深度学习涂装空调温湿度控制体系，并且结合实际应用案例分析运用效果，以供参考。
关键词：大数据；深度学习；涂装空调；温湿度控制
引言：传统的涂装空调温湿度控制方法周期较长，需要定期进行调试，在不同季节还需耗费一定的适应时间。不仅如此，控制系统内的稳定时间较长。空调作为涂装线上最为主要的能源消耗设备，在各方面的消耗相对较大，基于大数据深度学习的涂装空调温湿度控制方法能有效改善这一问题，保证生产稳定，降低消耗。
一、涂装空调温湿度控制系统结构
传统的涂装空调温湿度控制系统中主要包括入、出口风机、燃烧器、热水盘管、冷水盘管、空调箱体、加湿装置、过滤装置等，按照具体的功能段可以分为四个阶段。在不同阶段具有不同的特点，分别为一次加热段、表冷段、加湿段和二次加热段，因为空调系统需要的参数数据较多，如果想要准确得到不同阶段的状态变化，需要大量布置传感器，包括出入口风机管道、变频器、变频风机等内容。而在基于大数据深度学习的涂装空调温湿度控制系统下，还需要加入大数据平台，以此实现无线网络通信连接，同时将不同的控制段的执行器和控制器之间进行连接，以此为后续的温湿度控制奠定基础。通过这一系统不仅可以将温湿度控制在有效范围内，还能够降低系统震荡，有效节约能源，切实提高制造工程的实际效果，保证生产质量。
二、涂装空调温湿度控制结构原理
对于基于大数据深度学习的涂装空调温湿度控制方法而言，结构原理的极为重要，是保证大数据得到及时有效处理的关键。大数据深度学习就是通过大量的采集数据，通过计算分析得到具体的数据特征，从而判断预测温湿度上的变化。作为一种仿生学模拟神经系统理论，其建立在多层感知器神经网络的基础上，利用深度信念网络（DBN）进行数据处理。在DBN深度学习的过程中，通过对原始数据的总结分析得到具体的特征信息，RBM是DBN的基本组件，主要分为两个层次，一层为输入训练数据，作用在于数据采集分析，另一层为隐层，主要作用在于特征检测，在实际应用过程中通过这两个层次实现数据特征分析，并且应用在系统控制中，满足涂装线对温湿度的需求[1]。
三、涂装空调温湿度控制具体内容
基于大数据深度学习的涂装空调温湿度控制方法可以分为两个部分，分别为：DBN模型训练以及DBN网络构建。
在DBN模型训练中还可以进一步分为两个阶段，分别为预训练阶段和反馈调整阶段。
前者利用大量数据获取到具体的特征信息，后者利用BP神经网络接收特征现象，根据误差信息，对网络参数进行调节。在这个过程中可以应用对比散度法需，选择训练样本作为初始值，通过吉布斯采样完成模型参数训练。对于DBN网络而言，只需要充分训练好一个RBM网络，就可以轻松完成整个网络预训练，需要注意的是，在反馈调整阶段，主要是对系统进行调节优化，实现分类识别，以此确保网络可以充分发挥出自身作用，准确高效的完成后续控制任务。
在DBN网络构建的过程中，需要综合考虑具体的内容。因为本文设计的是基于大数据深度学习的涂装空调温湿度控制，而空调本身的输入量较多，因此需要安装温湿度和风速传感器，结合传感器数据完成进一步训练。传感器将温湿度变化传递到数据库中，大数据训练平台按照上述训练原理，完成单独训练模型，得到不同的训练模型集合，存储在对应数据库中。在此基础上，还要根据不同的车间环境和制作需要，对空调的进行进一步优化设计，形成最终的预测模型。再刺激基础上就可以完成对空调系统的温湿度控制[2]。
四、涂装空调温湿度控制实际应用
为了进一步验证基于大数据深度学习的涂装空调温湿度控制方法实际应用效益，以某汽车工厂中的一条涂装试验线为例，将其应用在空调系统中，以观察具体效果。首先，大数据深度学习平台和空调系统通信联络。其次，将大数据平台调取得到的信息进行处理计算，得到最优设定值，并且发送给空调控制器。最后，由空调控制器对执行器进行调节并执行，执行器都会将环境内的温湿度数据实时反馈给大数据平台，以此实现循环控制，及时的调整数据参数。
根据该系统的实际情况，采样时间设定为2秒，工作人员可以通过触摸屏选择具体的控制模式。具体的参数设定值控制在实际温度±1℃内和实际湿度的±5%内，为了更加精准的得到基于大数据深度学习的涂装空调温湿度控制方法的实际效果，采用了对比分析的方法，将其和传统PID控制方法对比得到的数据进行分析，两种方法的目标设定值相同。通过对温度、相对湿度和阀门开度这三个方面的对比来看，大数据深度学习下的涂装空调温湿度控制效果更优，能够在更短时间内达到稳态范围，并且具有较小的超调量。控制时间缩短了21%，稳态后的温湿度波动相对较小。总的来看，在执行了大数据深度学习下的涂装空调温湿度控制系统后，日常生产功效提高、所需成本下降，可以达到控制要求，工作人员的工作压力也相对降低。
总结：综上所述，基于大数据深度学习的涂装空调温湿度控制方法，可以实现自动控制、高效运行的效果，而且整体成本较低，可以为生产制造企业穿早出较高的经济效益和社会效益。通过大数据深度学习技术，将温湿度参数控制在目标范围内，实现高质量的控制。
参考文献：
[1]魏玉龙,吕朋辉,林涛,等.基于大数据深度学习的涂装空调温湿度控制方法[J].电镀与涂饰,2020,39(06):339-343.
[2]林涛,韩俊,魏玉龙,等.一种基于数学模型的涂装车间温湿度控制方案[J].汽车工艺师,2017(02):69-71.