權(quán)利要求書： 1.一種軸流風(fēng)機(jī)的控制系統(tǒng)，其特征在于，包括：

運(yùn)行狀態(tài)監(jiān)控模塊，用于獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，所述運(yùn)行狀態(tài)參數(shù)包括電流值、電壓值、轉(zhuǎn)速值和溫度值；

數(shù)據(jù)結(jié)構(gòu)化與歸一化模塊，用于將所述多個(gè)預(yù)定時(shí)間點(diǎn)的電流值、電壓值、轉(zhuǎn)速值和溫度值分別按照時(shí)間維度排列為輸入向量后進(jìn)行歸一化處理以得到歸一化電流輸入向量、歸一化電壓輸入向量、歸一化轉(zhuǎn)速輸入向量和歸一化溫度輸入向量；

上下文語(yǔ)義提取模塊，用于將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量；

運(yùn)行模式整體表征模塊，用于將所述多個(gè)參數(shù)上下文理解特征向量通過(guò)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型以得到運(yùn)行模式理解特征向量；

局部特征深度提取模塊，用于將所述運(yùn)行模式理解特征向量通過(guò)DNN以得到分類特征向量；

優(yōu)化模塊，用于采用類轉(zhuǎn)換器空間遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量和所述分類特征向量以得到優(yōu)化分類特征向量；以及控制策略生成模塊，用于將所述優(yōu)化分類特征向量通過(guò)分類器以得到分類結(jié)果，所述分類結(jié)果用于表示當(dāng)前時(shí)間點(diǎn)的所述軸流風(fēng)機(jī)的轉(zhuǎn)速應(yīng)增大、應(yīng)減小還是保持不變。

2.根據(jù)權(quán)利要求1所述的軸流風(fēng)機(jī)的控制系統(tǒng)，其特征在于，所述上下文語(yǔ)義提取模塊，包括：序列化單元，用于將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量排列為一維向量的序列；以及編碼單元，用于將所述一維向量的序列通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量。

3.根據(jù)權(quán)利要求2所述的軸流風(fēng)機(jī)的控制系統(tǒng)，其特征在于，所述編碼單元，包括：向量構(gòu)造子單元，用于將所述一維向量的序列進(jìn)行一維排列以得到全局特征向量；

自注意子單元，用于計(jì)算所述全局特征向量與所述一維向量的序列中各個(gè)一維向量的轉(zhuǎn)置向量之間的乘積以得到多個(gè)自注意力關(guān)聯(lián)矩陣；

標(biāo)準(zhǔn)化子單元，用于分別對(duì)所述多個(gè)自注意力關(guān)聯(lián)矩陣中各個(gè)自注意力關(guān)聯(lián)矩陣進(jìn)行標(biāo)準(zhǔn)化處理以得到多個(gè)標(biāo)準(zhǔn)化后自注意力關(guān)聯(lián)矩陣；

關(guān)注度計(jì)算子單元，用于將所述多個(gè)標(biāo)準(zhǔn)化后自注意力關(guān)聯(lián)矩陣中各個(gè)標(biāo)準(zhǔn)化后自注意力關(guān)聯(lián)矩陣通過(guò)Softmax分類函數(shù)以得到多個(gè)概率值；以及注意力施加子單元，用于分別以所述多個(gè)概率值中各個(gè)概率值作為權(quán)重對(duì)所述一維向量的序列中各個(gè)一維向量進(jìn)行加權(quán)以得到所述多個(gè)參數(shù)上下文理解特征向量。

4.根據(jù)權(quán)利要求3所述的軸流風(fēng)機(jī)的控制系統(tǒng)，其特征在于，所述DNN至少包含2個(gè)隱藏層。

5.根據(jù)權(quán)利要求4所述的軸流風(fēng)機(jī)的控制系統(tǒng)，其特征在于，所述優(yōu)化模塊，用于：采用類轉(zhuǎn)換器空間以如下優(yōu)化公式遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量和所述分類特征向量以得到優(yōu)化分類特征向；

其中，所述優(yōu)化公式為：

T

其中，1是所述運(yùn)行模式理解特征向量，2是所述分類特征向量，2是所述分類特征向量的轉(zhuǎn)置向量，D(1,2)為所述運(yùn)行模式理解特征向量和所述分類特征向量之間的距離矩陣，d(1,2)表示所述運(yùn)行模式理解特征向量和所述分類特征向量之間的歐式距離，v1i是所述運(yùn)行模式理解特征向量的第i個(gè)位置的特征值，v2j是所述分類特征向量的第j個(gè)位置的特征值，t為掩碼閾值超參數(shù)，且向量均為行向量，Mask(·)是掩碼函數(shù)， ⊙和 分別表示按位置減法、點(diǎn)乘和加法， 表示矩陣相乘。

6.根據(jù)權(quán)利要求5所述的軸流風(fēng)機(jī)的控制系統(tǒng)，其特征在于，所述控制策略生成模塊，包括：全連接編碼單元，用于使用所述分類器的多個(gè)全連接層對(duì)所述優(yōu)化分類特征向量進(jìn)行全連接編碼以得到編碼分類特征向量；以及分類單元，用于將所述編碼分類特征向量通過(guò)所述分類器的Softmax分類函數(shù)以得到所述分類結(jié)果。

7.一種軸流風(fēng)機(jī)，其特征在于，所述軸流風(fēng)機(jī)包括如權(quán)利要求1至6任一所述的軸流風(fēng)機(jī)的控制系統(tǒng)。

說(shuō)明書： 軸流風(fēng)機(jī)及其控制系統(tǒng)技術(shù)領(lǐng)域[0001] 本申請(qǐng)涉及智能化控制技術(shù)領(lǐng)域，并且更具體地，涉及一種軸流風(fēng)機(jī)及其控制系統(tǒng)。背景技術(shù)[0002] 軸流風(fēng)機(jī)是一種廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、建筑等領(lǐng)域的通風(fēng)設(shè)備，它具有結(jié)構(gòu)簡(jiǎn)單、運(yùn)行穩(wěn)定、噪音低等優(yōu)點(diǎn)。[0003] 然而，由于傳統(tǒng)的軸流風(fēng)機(jī)控制系統(tǒng)缺乏對(duì)實(shí)際通風(fēng)需求的感知和適應(yīng)能力，導(dǎo)致軸流風(fēng)機(jī)在運(yùn)行過(guò)程中不能根據(jù)不同的場(chǎng)合和環(huán)境條件靈活地調(diào)節(jié)轉(zhuǎn)速，從而造成能耗浪費(fèi)或通風(fēng)效果不理想。[0004] 因此，期待一種優(yōu)化的軸流風(fēng)機(jī)的控制方案。發(fā)明內(nèi)容[0005] 為了解決上述技術(shù)問題，提出了本申請(qǐng)。本申請(qǐng)的實(shí)施例提供了一種軸流風(fēng)機(jī)及其控制系統(tǒng)，其獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)；利用實(shí)時(shí)獲取的軸流風(fēng)機(jī)的運(yùn)行狀態(tài)參數(shù)，并結(jié)合深度學(xué)習(xí)和人工智能技術(shù)來(lái)實(shí)現(xiàn)智能調(diào)節(jié)設(shè)備轉(zhuǎn)速，從而滿足不同的通風(fēng)需求，達(dá)到降低能耗、提高通風(fēng)效果的目的。[0006] 第一方面，提供了一種軸流風(fēng)機(jī)的控制系統(tǒng)，其包括：[0007] 運(yùn)行狀態(tài)監(jiān)控模塊，用于獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，所述運(yùn)行狀態(tài)參數(shù)包括電流值、電壓值、轉(zhuǎn)速值和溫度值；[0008] 數(shù)據(jù)結(jié)構(gòu)化與歸一化模塊，用于將所述多個(gè)預(yù)定時(shí)間點(diǎn)的電流值、電壓值、轉(zhuǎn)速值和溫度值分別按照時(shí)間維度排列為輸入向量后進(jìn)行歸一化處理以得到歸一化電流輸入向量、歸一化電壓輸入向量、歸一化轉(zhuǎn)速輸入向量和歸一化溫度輸入向量；[0009] 上下文語(yǔ)義提取模塊，用于將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量；[0010] 運(yùn)行模式整體表征模塊，用于將所述多個(gè)參數(shù)上下文理解特征向量通過(guò)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型以得到運(yùn)行模式理解特征向量；[0011] 局部特征深度提取模塊，用于將所述運(yùn)行模式理解特征向量通過(guò)DNN以得到分類特征向量；[0012] 優(yōu)化模塊，用于采用類轉(zhuǎn)換器空間遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量和所述分類特征向量以得到優(yōu)化分類特征向量；以及[0013] 控制策略生成模塊，用于將所述優(yōu)化分類特征向量通過(guò)分類器以得到分類結(jié)果，所述分類結(jié)果用于表示當(dāng)前時(shí)間點(diǎn)的所述軸流風(fēng)機(jī)的轉(zhuǎn)速應(yīng)增大、應(yīng)減小還是保持不變。[0014] 第二方面，提供了一種軸流風(fēng)機(jī)，其包括：所述軸流風(fēng)機(jī)包括如所述的軸流風(fēng)機(jī)的控制系統(tǒng)。附圖說(shuō)明[0015] 為了更清楚地說(shuō)明本申請(qǐng)實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請(qǐng)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0016] 圖1為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)的框圖。[0017] 圖2為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)中所述上下文語(yǔ)義提取模塊的框圖。[0018] 圖3為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)中所述編碼單元的框圖。[0019] 圖4為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)中所述控制策略生成模塊的框圖。[0020] 圖5為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制方法的流程圖。[0021] 圖6為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制方法的系統(tǒng)架構(gòu)的示意圖。[0022] 圖7為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)的應(yīng)用場(chǎng)景圖。具體實(shí)施方式[0023] 下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行描述，顯然，所描述的實(shí)施例是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例。基于本申請(qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。[0024] 除非另有說(shuō)明，本申請(qǐng)實(shí)施例所使用的所有技術(shù)和科學(xué)術(shù)語(yǔ)與本申請(qǐng)的技術(shù)領(lǐng)域的技術(shù)人員通常理解的含義相同。本申請(qǐng)中所使用的術(shù)語(yǔ)只是為了描述具體的實(shí)施例的目的，不是旨在限制本申請(qǐng)的范圍。[0025] 在本申請(qǐng)實(shí)施例記載中，需要說(shuō)明的是，除非另有說(shuō)明和限定，術(shù)語(yǔ)“連接”應(yīng)做廣義理解，例如，可以是電連接，也可以是兩個(gè)元件內(nèi)部的連通，可以是直接相連，也可以通過(guò)中間媒介間接相連，對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語(yǔ)的具體含義。[0026] 需要說(shuō)明的是，本申請(qǐng)實(shí)施例所涉及的術(shù)語(yǔ)“第一\第二\第三”僅僅是是區(qū)別類似的對(duì)象，不代表針對(duì)對(duì)象的特定排序，可以理解地，“第一\第二\第三”在允許的情況下可以互換特定的順序或先后次序。應(yīng)該理解“第一\第二\第三”區(qū)分的對(duì)象在適當(dāng)情況下可以互換，以使這里描述的本申請(qǐng)的實(shí)施例可以除了在這里圖示或描述的那些以外的順序?qū)嵤?。[0027] 在介紹了本申請(qǐng)的基本原理之后，下面將參考附圖來(lái)具體介紹本申請(qǐng)的各種非限制性實(shí)施例。[0028] 在本申請(qǐng)的一個(gè)實(shí)施例中，圖1為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)的框圖。如圖1所示，根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)100，包括：運(yùn)行狀態(tài)監(jiān)控模塊110，用于獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，所述運(yùn)行狀態(tài)參數(shù)包括電流值、電壓值、轉(zhuǎn)速值和溫度值；數(shù)據(jù)結(jié)構(gòu)化與歸一化模塊120，用于將所述多個(gè)預(yù)定時(shí)間點(diǎn)的電流值、電壓值、轉(zhuǎn)速值和溫度值分別按照時(shí)間維度排列為輸入向量后進(jìn)行歸一化處理以得到歸一化電流輸入向量、歸一化電壓輸入向量、歸一化轉(zhuǎn)速輸入向量和歸一化溫度輸入向量；上下文語(yǔ)義提取模塊130，用于將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量；運(yùn)行模式整體表征模塊140，用于將所述多個(gè)參數(shù)上下文理解特征向量通過(guò)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型以得到運(yùn)行模式理解特征向量；局部特征深度提取模塊150，用于將所述運(yùn)行模式理解特征向量通過(guò)DNN以得到分類特征向量；優(yōu)化模塊160，用于采用類轉(zhuǎn)換器空間遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量和所述分類特征向量以得到優(yōu)化分類特征向量；以及，控制策略生成模塊170，用于將所述優(yōu)化分類特征向量通過(guò)分類器以得到分類結(jié)果，所述分類結(jié)果用于表示當(dāng)前時(shí)間點(diǎn)的所述軸流風(fēng)機(jī)的轉(zhuǎn)速應(yīng)增大、應(yīng)減小還是保持不變。

[0029] 應(yīng)可以理解，軸流風(fēng)機(jī)的控制系統(tǒng)是一種高效、智能的控制系統(tǒng)，能夠?qū)S流風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，并通過(guò)多個(gè)模塊對(duì)獲取的數(shù)據(jù)進(jìn)行結(jié)構(gòu)化、歸一化和上下文語(yǔ)義提取，從而得到多個(gè)參數(shù)上下文理解特征向量，實(shí)現(xiàn)對(duì)軸流風(fēng)機(jī)運(yùn)行模式的整體表征和局部特征深度提取。該軸流風(fēng)機(jī)的控制系統(tǒng)還采用類轉(zhuǎn)換器空間遷移置換融合技術(shù)，將運(yùn)行模式理解特征向量和分類特征向量進(jìn)行融合，得到優(yōu)化分類特征向量，最終通過(guò)分類器生成分類結(jié)果，用于指導(dǎo)軸流風(fēng)機(jī)的控制策略。[0030] 進(jìn)一步地，所述軸流風(fēng)機(jī)的控制系統(tǒng)可以對(duì)軸流風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，及時(shí)發(fā)現(xiàn)問題并采取措施；可以通過(guò)多個(gè)模塊對(duì)獲取的數(shù)據(jù)進(jìn)行結(jié)構(gòu)化、歸一化和上下文語(yǔ)義提取，以實(shí)現(xiàn)智能優(yōu)化，提高軸流風(fēng)機(jī)的運(yùn)行效率和穩(wěn)定性；可以采用雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型和DNN等深度學(xué)習(xí)技術(shù)，以高效準(zhǔn)確地對(duì)軸流風(fēng)機(jī)的運(yùn)行模式進(jìn)行理解和分類；還采用模塊化設(shè)計(jì)，各個(gè)模塊之間相互獨(dú)立，具有靈活可擴(kuò)展性，可以根據(jù)實(shí)際需要進(jìn)行定制和改進(jìn)。[0031] 具體地，在本申請(qǐng)實(shí)施例中，所述運(yùn)行狀態(tài)監(jiān)控模塊110，用于獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，所述運(yùn)行狀態(tài)參數(shù)包括電流值、電壓值、轉(zhuǎn)速值和溫度值。針對(duì)上述技術(shù)問題，本申請(qǐng)的技術(shù)構(gòu)思是通過(guò)利用實(shí)時(shí)獲取的軸流風(fēng)機(jī)的運(yùn)行狀態(tài)參數(shù)，并結(jié)合深度學(xué)習(xí)和人工智能技術(shù)來(lái)實(shí)現(xiàn)智能調(diào)節(jié)設(shè)備轉(zhuǎn)速，從而滿足不同的通風(fēng)需求，達(dá)到降低能耗、提高通風(fēng)效果的目的。[0032] 在本申請(qǐng)的技術(shù)方案中，首先，獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，所述運(yùn)行狀態(tài)參數(shù)包括電流值、電壓值、轉(zhuǎn)速值和溫度值。在本申請(qǐng)一具體實(shí)施例中，在軸流風(fēng)機(jī)上安裝傳感器，用于采集電流值、電壓值、轉(zhuǎn)速值和溫度值等運(yùn)行狀態(tài)參數(shù)；將傳感器與軸流風(fēng)機(jī)控制系統(tǒng)進(jìn)行連接，確保傳感器能夠?qū)⒉杉降臄?shù)據(jù)傳輸給控制系統(tǒng)；在軸流風(fēng)機(jī)控制系統(tǒng)中設(shè)置監(jiān)測(cè)時(shí)間段和監(jiān)測(cè)時(shí)間點(diǎn)，以便在指定時(shí)間點(diǎn)對(duì)軸流風(fēng)機(jī)的運(yùn)行狀態(tài)參數(shù)進(jìn)行采集和記錄；在指定時(shí)間點(diǎn)，軸流風(fēng)機(jī)控制系統(tǒng)會(huì)自動(dòng)對(duì)軸流風(fēng)機(jī)的運(yùn)行狀態(tài)參數(shù)進(jìn)行采集和記錄，并將數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫(kù)中；可以通過(guò)軸流風(fēng)機(jī)控制系統(tǒng)的數(shù)據(jù)查詢功能，查詢指定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，并進(jìn)行分析和處理。[0033] 這些運(yùn)行狀態(tài)參數(shù)可以反映軸流風(fēng)機(jī)在不同的工作狀態(tài)下的運(yùn)行情況，如電流、電壓和轉(zhuǎn)速等參數(shù)可以反映設(shè)備在不同負(fù)載條件下的運(yùn)行狀況，而溫度則可以反映設(shè)備在運(yùn)行過(guò)程中的熱量變化等情況。通過(guò)實(shí)時(shí)獲取這些參數(shù)，可以更加準(zhǔn)確地了解設(shè)備的運(yùn)行狀態(tài)。[0034] 更具體地，電流值、電壓值、轉(zhuǎn)速值和溫度值是軸流風(fēng)機(jī)運(yùn)行狀態(tài)的主要參數(shù)，它們之間存在一定的關(guān)系。一般來(lái)說(shuō)，電流值和電壓值可以反映軸流風(fēng)機(jī)的負(fù)載情況，轉(zhuǎn)速值和電流值也存在一定的關(guān)系，而溫度值則可以反映軸流風(fēng)機(jī)的熱量變化情況。[0035] 例如，當(dāng)軸流風(fēng)機(jī)的負(fù)載增加時(shí)，電流值和電壓值會(huì)相應(yīng)地增加，而轉(zhuǎn)速值則會(huì)下降。這是因?yàn)樵谪?fù)載增加的情況下，軸流風(fēng)機(jī)需要消耗更多的能量來(lái)保持運(yùn)轉(zhuǎn)，導(dǎo)致電流和電壓的增加，同時(shí)也會(huì)減緩風(fēng)機(jī)的轉(zhuǎn)速。此外，當(dāng)軸流風(fēng)機(jī)的轉(zhuǎn)速增加時(shí)，電流值也會(huì)相應(yīng)地增加，這是因?yàn)轱L(fēng)機(jī)需要消耗更多的能量來(lái)保持高速運(yùn)轉(zhuǎn)。而當(dāng)軸流風(fēng)機(jī)的溫度升高時(shí)，其電流值和電壓值也會(huì)相應(yīng)地增加，這是因?yàn)檩S流風(fēng)機(jī)的電阻隨著溫度的升高而降低，導(dǎo)致電流和電壓的增加。[0036] 由此可見，電流值、電壓值、轉(zhuǎn)速值和溫度值四個(gè)參數(shù)之間存在一定的關(guān)系，可以通過(guò)對(duì)這些參數(shù)的實(shí)時(shí)監(jiān)測(cè)和分析，更加準(zhǔn)確地了解軸流風(fēng)機(jī)的運(yùn)行狀態(tài)，從而實(shí)現(xiàn)對(duì)軸流風(fēng)機(jī)的智能優(yōu)化和有效控制。[0037] 具體地，在本申請(qǐng)實(shí)施例中，所述數(shù)據(jù)結(jié)構(gòu)化與歸一化模塊120，用于將所述多個(gè)預(yù)定時(shí)間點(diǎn)的電流值、電壓值、轉(zhuǎn)速值和溫度值分別按照時(shí)間維度排列為輸入向量后進(jìn)行歸一化處理以得到歸一化電流輸入向量、歸一化電壓輸入向量、歸一化轉(zhuǎn)速輸入向量和歸一化溫度輸入向量。為了提高數(shù)據(jù)處理的精度和效率，在本申請(qǐng)的技術(shù)方案中，將所述多個(gè)預(yù)定時(shí)間點(diǎn)的電流值、電壓值、轉(zhuǎn)速值和溫度值分別按照時(shí)間維度排列為輸入向量后進(jìn)行歸一化處理以得到歸一化電流輸入向量、歸一化電壓輸入向量、歸一化轉(zhuǎn)速輸入向量和歸一化溫度輸入向量。[0038] 具體地，在本申請(qǐng)的一個(gè)實(shí)施例中，先通過(guò)將運(yùn)行狀態(tài)參數(shù)按照時(shí)間維度排列成輸入向量的形式，這樣可以更好地表達(dá)設(shè)備在不同時(shí)間點(diǎn)的狀態(tài)變化情況。其次，通過(guò)對(duì)輸入向量進(jìn)行歸一化處理，可以將各個(gè)運(yùn)行狀態(tài)參數(shù)的數(shù)值范圍映射到相同的區(qū)間內(nèi)，從而避免了因不同參數(shù)數(shù)值范圍不同而導(dǎo)致的誤差和不穩(wěn)定性問題。同時(shí)，歸一化處理還可以有效地降低模型訓(xùn)練的難度，提高模型的泛化能力和精度。通過(guò)這樣的方式，可以更加準(zhǔn)確地反映設(shè)備的運(yùn)行狀態(tài)。[0039] 在本申請(qǐng)的另一個(gè)實(shí)施例中，對(duì)于軸流風(fēng)機(jī)控制系統(tǒng)中的電流值、電壓值、轉(zhuǎn)速值和溫度值，可以分別按照時(shí)間維度排列為輸入向量，然后使用最小?最大歸一化或Z?score歸一化進(jìn)行處理，得到歸一化的電流輸入向量、電壓輸入向量、轉(zhuǎn)速輸入向量和溫度輸入向量。[0040] 其中，最小?最大歸一化是將數(shù)據(jù)線性映射到[0,1]區(qū)間內(nèi)，公式為：[0041][0042] 其中，x為原始數(shù)據(jù)，xmin和xmax分別為數(shù)據(jù)的最小值和最大值。[0043] 歸一化處理的主要作用是將不同量綱的數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一的標(biāo)準(zhǔn)，使得不同維度的數(shù)據(jù)可以進(jìn)行比較和綜合分析，以避免不同維度之間因?yàn)榱烤V不同導(dǎo)致的誤差，提高數(shù)據(jù)的可解釋性和可用性。同時(shí)，歸一化處理還可以加速神經(jīng)網(wǎng)絡(luò)的收斂速度，提高模型的準(zhǔn)確性和泛化能力。[0044] 具體地，在本申請(qǐng)實(shí)施例中，所述上下文語(yǔ)義提取模塊130，用于將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量?？紤]到在實(shí)際應(yīng)用中，軸流風(fēng)機(jī)的運(yùn)行狀態(tài)參數(shù)之間通常存在著復(fù)雜的內(nèi)在聯(lián)系和相互影響。例如，設(shè)備的電流和轉(zhuǎn)速可能會(huì)互相影響，而設(shè)備的電壓和溫度也可能存在一定的關(guān)聯(lián)性。[0045] 因此，對(duì)于這些運(yùn)行狀態(tài)參數(shù)的分析需要考慮到運(yùn)行狀態(tài)參數(shù)之間的關(guān)系，而僅僅單獨(dú)地對(duì)每個(gè)參數(shù)進(jìn)行處理，則無(wú)法全面反映設(shè)備的運(yùn)行狀況。在本申請(qǐng)的技術(shù)方案中，為了更好地理解不同參數(shù)之間的相關(guān)性和依賴關(guān)系，首先將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量。[0046] 這里，所述Transformer模塊是一種基于自注意力機(jī)制的深度學(xué)習(xí)模型，能夠有效地捕捉輸入向量之間的長(zhǎng)距離依賴關(guān)系，從而提高對(duì)輸入向量的語(yǔ)義理解能力。具體而言，所述Transformer模塊能夠?qū)S流風(fēng)機(jī)的運(yùn)行狀態(tài)參數(shù)進(jìn)行上下文理解，從而生成更有代表性和區(qū)分性的特征向量。[0047] Transformer模塊主要由多頭自注意力機(jī)制和神經(jīng)網(wǎng)絡(luò)組成。其中，自注意力機(jī)制可以有效地捕捉輸入序列中不同位置之間的關(guān)系，而神經(jīng)網(wǎng)絡(luò)則可以對(duì)每個(gè)位置的特征進(jìn)行非線性變換，從而提高模型的表達(dá)能力。具體來(lái)說(shuō)，Transformer模塊的輸入序列首先分別經(jīng)過(guò)多個(gè)不同的自注意力頭進(jìn)行特征提取，然后將不同頭的輸出進(jìn)行拼接，再通過(guò)一個(gè)線性變換得到最終的自注意力輸出。接著，自注意力輸出經(jīng)過(guò)一個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性變換，最終得到Transformer模塊的輸出。[0048] Transformer模塊可以用于序列到序列的任務(wù)，如機(jī)器翻譯、文本生成等。Transformer模塊可以通過(guò)自注意力機(jī)制有效地捕捉輸入序列和輸出序列之間的關(guān)系，從而實(shí)現(xiàn)更好的翻譯或生成效果。除了序列到序列任務(wù)，Transformer模塊還可以應(yīng)用于圖像處理、語(yǔ)音識(shí)別等領(lǐng)域。例如，在圖像處理中，可以將圖像的像素序列作為輸入序列，然后通過(guò)Transformer模塊進(jìn)行特征提取和變換，最終得到圖像的表示。在語(yǔ)音識(shí)別中，可以將語(yǔ)音信號(hào)的頻譜序列作為輸入序列，然后通過(guò)Transformer模塊進(jìn)行特征提取和變換，最終得到語(yǔ)音的文本表示。圖2為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)中所述上下文語(yǔ)義提取模塊的框圖，如圖2所示，所述上下文語(yǔ)義提取模塊130，包括：序列化單元131，用于將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量排列為一維向量的序列；以及，編碼單元132，用于將所述一維向量的序列通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量。圖3為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)中所述編碼單元的框圖，如圖3所示，所述編碼單元132，包括：向量構(gòu)造子單元1321，用于將所述一維向量的序列進(jìn)行一維排列以得到全局特征向量；自注意子單元1322，用于計(jì)算所述全局特征向量與所述一維向量的序列中各個(gè)一維向量的轉(zhuǎn)置向量之間的乘積以得到多個(gè)自注意力關(guān)聯(lián)矩陣；標(biāo)準(zhǔn)化子單元1323，用于分別對(duì)所述多個(gè)自注意力關(guān)聯(lián)矩陣中各個(gè)自注意力關(guān)聯(lián)矩陣進(jìn)行標(biāo)準(zhǔn)化處理以得到多個(gè)標(biāo)準(zhǔn)化后自注意力關(guān)聯(lián)矩陣；關(guān)注度計(jì)算子單元1324，用于將所述多個(gè)標(biāo)準(zhǔn)化后自注意力關(guān)聯(lián)矩陣中各個(gè)標(biāo)準(zhǔn)化后自注意力關(guān)聯(lián)矩陣通過(guò)Softmax分類函數(shù)以得到多個(gè)概率值；以及，注意力施加子單元

1325，用于分別以所述多個(gè)概率值中各個(gè)概率值作為權(quán)重對(duì)所述一維向量的序列中各個(gè)一維向量進(jìn)行加權(quán)以得到所述多個(gè)參數(shù)上下文理解特征向量。

[0049] Transformer模塊旨在挖掘得到詞序列中上下文之間的隱藏模式，可選地，Transformer模塊包括：CNN(ConvolutionalNeuralNetwork，卷積神經(jīng)網(wǎng)絡(luò))、RecursiveNN(RecursiveNeuralNetwork，遞歸神經(jīng)網(wǎng)絡(luò))、語(yǔ)言模型(LanguageModel)等?；贑NN的方法對(duì)于局部特征有比較好的提取效果，但其對(duì)于句子中的長(zhǎng)程依賴(Long?termDependency)問題效果欠佳，因此基于Bi?LSTM(LongShort?TermMemory，長(zhǎng)短期記憶網(wǎng)絡(luò))的編碼器被廣泛使用。RecursiveNN把句子當(dāng)作樹狀結(jié)構(gòu)而非序列進(jìn)行處理，從理論上而言具有更強(qiáng)的表示能力，但其存在樣本標(biāo)注難度大、深層易梯度消失、難以并行計(jì)算等弱點(diǎn)，因此在實(shí)際應(yīng)用中使用較少。Transformer是應(yīng)用廣泛的網(wǎng)絡(luò)結(jié)構(gòu)了，同時(shí)具有CNN和RNN的特性，對(duì)于全局特征有較好的提取效果，同時(shí)相較于RNN(RecurrentNeuralNetwork，循環(huán)神經(jīng)網(wǎng)絡(luò))在并行計(jì)算上具有一定優(yōu)勢(shì)。[0050] 具體地，在本申請(qǐng)實(shí)施例中，所述運(yùn)行模式整體表征模塊140，用于將所述多個(gè)參數(shù)上下文理解特征向量通過(guò)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型以得到運(yùn)行模式理解特征向量。接著將所述多個(gè)參數(shù)上下文理解特征向量通過(guò)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型以得到運(yùn)行模式理解特征向量。其中，所述雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型可以對(duì)多個(gè)參數(shù)上下文理解特征向量進(jìn)行時(shí)序分析，捕捉蘊(yùn)藏在所述多個(gè)參數(shù)上下文理解特征向量中的關(guān)于運(yùn)行狀態(tài)和運(yùn)行模式的特征分布信息。

[0051] 在本申請(qǐng)的一個(gè)實(shí)施例中，基于傳統(tǒng)的特征提取方法和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型得到運(yùn)行模式理解特征向量：首先使用傳統(tǒng)的特征提取方法將多個(gè)參數(shù)上下文理解特征向量轉(zhuǎn)換為特征向量，然后將特征向量輸入到雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和學(xué)習(xí)，以得到運(yùn)行模式理解特征向量。該方法實(shí)現(xiàn)簡(jiǎn)單，易于理解和調(diào)試。[0052] 在本申請(qǐng)的另一個(gè)實(shí)施例中，基于端到端的深度學(xué)習(xí)方法得到運(yùn)行模式理解特征向量：直接將多個(gè)參數(shù)上下文理解特征向量輸入到深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和學(xué)習(xí)，以得到運(yùn)行模式理解特征向量。該方法可以自動(dòng)學(xué)習(xí)特征，不需要手動(dòng)設(shè)計(jì)特征提取方法，能夠更好地保留重要的特征信息。本領(lǐng)域普通技術(shù)人員應(yīng)知曉，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)是為了解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的梯度消失問題而提出的，其基本單元是一種多組神經(jīng)元的結(jié)構(gòu)，稱為細(xì)胞(cell)，分別稱三個(gè)控制門f、i、o為遺忘門、輸入門和輸出門，對(duì)三個(gè)控制門的參數(shù)進(jìn)行合理設(shè)置，就可以實(shí)現(xiàn)LSTM的記憶功能，核心計(jì)算公式如下所示：[0053] ft＝σ(Wf.[ht?1,xt]+bf)[0054] it＝σ(Wi.[ht?1,xt]+bi)[0055] ct＝tanh(Wc.[ht?1,xt]+bc)[0056] ct＝ft.ct?1+it.ct[0057] Ot＝σ(W0.[ht?1,xt]+bo)[0058] ht＝Ot.tanh(ct)[0059] 其中，f、i、o、t、o、h、c、W、b分別表示遺忘、Sigmoid激活函數(shù)、輸入、時(shí)間步長(zhǎng)、輸出層、隱含層、單元狀態(tài)、權(quán)重矩陣、偏差。為了滿足提取信息的完整性，業(yè)內(nèi)主流將細(xì)胞結(jié)構(gòu)采用雙向連接的形式，構(gòu)成雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Bi?LSTM)。[0060] 具體地，在本申請(qǐng)實(shí)施例中，所述局部特征深度提取模塊150，用于將所述運(yùn)行模式理解特征向量通過(guò)DNN以得到分類特征向量。如前所述，所述運(yùn)行模式理解特征向量是由雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型輸出的，包含了軸流風(fēng)機(jī)在不同時(shí)間點(diǎn)的運(yùn)行狀態(tài)和運(yùn)行模式的時(shí)序信息和上下文信息。然而，所述運(yùn)行模式理解特征向量并不一定是最適合分類任務(wù)的，因?yàn)榭赡馨艘恍?duì)分類無(wú)關(guān)或或冗余的信息，也可能忽略了一些對(duì)分類有用的信息。[0061] 因此，在本申請(qǐng)的技術(shù)方案中，將所述運(yùn)行模式理解特征向量通過(guò)DNN以得到分類特征向量。其中，所述DNN由多層非線性變換組成，每一層都可以提取數(shù)據(jù)的不同層次的抽象特征。DNN可以自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的潛在規(guī)律和結(jié)構(gòu)。也就是，采用DNN來(lái)對(duì)運(yùn)行模式理解特征向量進(jìn)行進(jìn)一步的變換和提取，以得到更適合分類任務(wù)的分類特征向量。[0062] 也就是，深度神經(jīng)網(wǎng)絡(luò)(DNN)由多個(gè)神經(jīng)網(wǎng)絡(luò)層組成，每個(gè)層都可以提取數(shù)據(jù)的不同層次的抽象特征。在深度學(xué)習(xí)中，這些層被稱為隱藏層，因?yàn)椴恢苯优c輸入或輸出相關(guān)。每個(gè)隱藏層都由多個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元都執(zhí)行一些線性和非線性變換，然后將結(jié)果傳遞給下一層。這些變換可以將輸入數(shù)據(jù)從原始表示轉(zhuǎn)換為更高級(jí)別的特征表示，使得神經(jīng)網(wǎng)絡(luò)可以更好地理解輸入數(shù)據(jù)。其中，所述DNN至少包含2個(gè)隱藏層。

[0063] 在本申請(qǐng)的一個(gè)實(shí)施例中，使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)，將運(yùn)行模式理解特征向量作為輸入，使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和分類，得到分類特征向量。該方法的優(yōu)點(diǎn)是可以自動(dòng)學(xué)習(xí)特征，同時(shí)也能夠處理多維數(shù)據(jù)，適合于處理圖像和信號(hào)數(shù)據(jù)等。[0064] 在本申請(qǐng)的另一個(gè)實(shí)施例中，使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，將運(yùn)行模式理解特征向量作為輸入，使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和分類，得到分類特征向量。該方法的優(yōu)點(diǎn)是能夠處理序列數(shù)據(jù)，適合于處理時(shí)間序列數(shù)據(jù)等。[0065] 在本申請(qǐng)的其他實(shí)施例中，使用深度自編碼器(DAE)，將運(yùn)行模式理解特征向量作為輸入，使用深度自編碼器進(jìn)行特征提取和分類，得到分類特征向量。該方法的優(yōu)點(diǎn)是能夠自動(dòng)學(xué)習(xí)特征，同時(shí)也具有一定的降維和去噪的能力。[0066] 通過(guò)將運(yùn)行模式理解特征向量轉(zhuǎn)換為分類特征向量，可以更好地對(duì)軸流風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行分類和預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)軸流風(fēng)機(jī)的智能優(yōu)化和故障診斷等應(yīng)用。同時(shí)也能夠提高軸流風(fēng)機(jī)的運(yùn)行效率和穩(wěn)定性，降低能耗和維護(hù)成本。[0067] 具體地，在本申請(qǐng)實(shí)施例中，所述優(yōu)化模塊160，用于采用類轉(zhuǎn)換器空間遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量和所述分類特征向量以得到優(yōu)化分類特征向量。這里，將所述多個(gè)參數(shù)上下文理解特征向量通過(guò)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型得到所述運(yùn)行模式理解特征向量時(shí)，可以獲得由參數(shù)上下文關(guān)聯(lián)特征組成的運(yùn)行模式整體表達(dá)特征，并且，進(jìn)一步通過(guò)DNN進(jìn)行深層局部關(guān)聯(lián)特征的提取。因此，為了提高所述分類特征向量的表達(dá)效果，優(yōu)選地將所述運(yùn)行模式理解特征向量與其從DNN得到的深層局部關(guān)聯(lián)特征進(jìn)一步融合來(lái)優(yōu)化所述分類特征向量。并且，考慮到所述分類特征向量是在所述運(yùn)行模式理解特征向量的基礎(chǔ)上進(jìn)一步進(jìn)行特征提取得到的，因此所述分類特征向量的特征分布相對(duì)于所述運(yùn)行模式理解特征向量的特征分布在高維特征空間內(nèi)會(huì)存在空間遷移。因此，期望提升在具有空間遷移情況下的所述運(yùn)行模式理解特征向量和所述分類特征向量的融合效果。[0068] 因此，本申請(qǐng)的申請(qǐng)人采用類轉(zhuǎn)換器空間遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量，例如記為1和所述分類特征向量，例如記為2，具體表示為：采用類轉(zhuǎn)換器空間以如下優(yōu)化公式遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量和所述分類特征向量以得到優(yōu)化分類特征向；其中，所述優(yōu)化公式為：[0069][0070][0071] 其中，1是所述運(yùn)行模式理解特征向量，2是所述分類特征向量，2T是所述分類特征向量的轉(zhuǎn)置向量，D(1,2)為所述運(yùn)行模式理解特征向量和所述分類特征向量之間的距離矩陣，d(1,2)表示所述運(yùn)行模式理解特征向量和所述分類特征向量之間的歐式距離，v1i是所述運(yùn)行模式理解特征向量的第i個(gè)位置的特征值，v2j是所述分類特征向量的第j個(gè)位置的特征值，t為掩碼閾值超參數(shù)，且向量均為行向量，Mask(·)是掩碼函數(shù)， ⊙和⊕分別表示按位置減法、點(diǎn)乘和加法， 表示矩陣相乘。[0072] 這里，所述類轉(zhuǎn)換器空間遷移置換融合通過(guò)以所述運(yùn)行模式理解特征向量1和所述分類特征向量2的特征值對(duì)的差分表征來(lái)對(duì)特征值對(duì)的空間距離進(jìn)行類轉(zhuǎn)換器機(jī)制的掩碼預(yù)測(cè)，實(shí)現(xiàn)了優(yōu)化的分類特征向量2′在高維特征空間內(nèi)的邊仿射編碼，并通過(guò)施加轉(zhuǎn)換器的自注意力機(jī)制下的隱狀態(tài)偏置，來(lái)通過(guò)優(yōu)化的分類特征向量2′相對(duì)于待融合的所述運(yùn)行模式理解特征向量1和所述分類特征向量2在轉(zhuǎn)換器機(jī)制下的全局旋轉(zhuǎn)和平移不變形，實(shí)現(xiàn)所述運(yùn)行模式理解特征向量1和所述分類特征向量2的特征分布的空間遷移可置換性，這樣，就提升了優(yōu)化的分類特征向量2′對(duì)所述運(yùn)行模式理解特征向量1和所述分類特征向量2的融合效果，從而提升了優(yōu)化的分類特征向量2′的表達(dá)效果，也就提升了其通過(guò)分類器得到的分類結(jié)果的準(zhǔn)確性。[0073] 具體地，在本申請(qǐng)實(shí)施例中，所述控制策略生成模塊170，用于將所述優(yōu)化分類特征向量通過(guò)分類器以得到分類結(jié)果，所述分類結(jié)果用于表示當(dāng)前時(shí)間點(diǎn)的所述軸流風(fēng)機(jī)的轉(zhuǎn)速應(yīng)增大、應(yīng)減小還是保持不變。進(jìn)一步地，將所述分類特征向量通過(guò)分類器以得到分類結(jié)果，所述分類結(jié)果用于表示當(dāng)前時(shí)間點(diǎn)的所述軸流風(fēng)機(jī)的轉(zhuǎn)速應(yīng)增大、應(yīng)減小還是保持不變。其中，所述分類器能夠?qū)⒉煌妮斎胩卣饔成涞讲煌妮敵鰳?biāo)簽上，從而實(shí)現(xiàn)對(duì)樣本的分類和識(shí)別。也就是，通過(guò)所述分類器對(duì)所述分類特征向量進(jìn)行分類，可以得出當(dāng)前時(shí)間點(diǎn)下設(shè)備應(yīng)該采取的轉(zhuǎn)速調(diào)節(jié)策略，以達(dá)到所需的通風(fēng)效果。通過(guò)這樣的方式來(lái)實(shí)現(xiàn)智能化的設(shè)備轉(zhuǎn)速控制。[0074] 具體地，在本申請(qǐng)的一個(gè)實(shí)施例中，使用支持向量機(jī)(SM)分類器，將優(yōu)化后的特征向量作為輸入，然后使用SM分類器將其分類為“轉(zhuǎn)速增大”、“轉(zhuǎn)速減小”或“轉(zhuǎn)速不變”的類別。SM是一種二元分類器，可以將輸入數(shù)據(jù)映射到一個(gè)高維空間，并在此空間中尋找一個(gè)超平面來(lái)分割不同的類別。支持向量機(jī)(SM)分類器具有很好的泛化性能和魯棒性，因此在許多分類任務(wù)中被廣泛使用。[0075] 更具體地，在本申請(qǐng)的另一個(gè)實(shí)施例中，使用深度神經(jīng)網(wǎng)絡(luò)(DNN)分類器將優(yōu)化后的特征向量作為輸入，然后將其通過(guò)多個(gè)隱藏層傳遞，最終將其分類為“轉(zhuǎn)速增大”、“轉(zhuǎn)速減小”或“轉(zhuǎn)速不變”的類別。深度神經(jīng)網(wǎng)絡(luò)(DNN)分類器可以自動(dòng)學(xué)習(xí)輸入數(shù)據(jù)的特征表示，并在許多任務(wù)中表現(xiàn)出色。[0076] 分類器的展開是指將分類器的過(guò)程轉(zhuǎn)化為一系列的數(shù)學(xué)運(yùn)算，這些運(yùn)算可以在計(jì)算機(jī)上高效地執(zhí)行。例如，在SM分類器中，展開可以將訓(xùn)練過(guò)程轉(zhuǎn)化為求解一個(gè)二次規(guī)劃問題。在DNN分類器中，展開可以將訓(xùn)練過(guò)程轉(zhuǎn)化為反向傳播算法，該算法可以計(jì)算每個(gè)神經(jīng)元的梯度，并使用梯度下降算法更新權(quán)重和偏置。[0077] 圖4為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)中所述控制策略生成模塊的框圖，如圖4所示，所述控制策略生成模塊170，包括：全連接編碼單元171，用于使用所述分類器的多個(gè)全連接層對(duì)所述優(yōu)化分類特征向量進(jìn)行全連接編碼以得到編碼分類特征向量；以及，分類單元172，用于將所述編碼分類特征向量通過(guò)所述分類器的Softmax分類函數(shù)以得到所述分類結(jié)果。[0078] 綜上，基于本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)100被闡明，其獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)；利用實(shí)時(shí)獲取的軸流風(fēng)機(jī)的運(yùn)行狀態(tài)參數(shù)，并結(jié)合深度學(xué)習(xí)和人工智能技術(shù)來(lái)實(shí)現(xiàn)智能調(diào)節(jié)設(shè)備轉(zhuǎn)速，從而滿足不同的通風(fēng)需求，達(dá)到降低能耗、提高通風(fēng)效果的目的。[0079] 如上所述，根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)100可以實(shí)現(xiàn)在各種終端設(shè)備中，例如用于軸流風(fēng)機(jī)的控制的服務(wù)器等。在一個(gè)示例中，根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)100可以作為一個(gè)軟件模塊和/或硬件模塊而集成到終端設(shè)備中。例如，該軸流風(fēng)機(jī)的控制系統(tǒng)100可以是該終端設(shè)備的操作系統(tǒng)中的一個(gè)軟件模塊，或者可以是針對(duì)于該終端設(shè)備所開發(fā)的一個(gè)應(yīng)用程序；當(dāng)然，該軸流風(fēng)機(jī)的控制系統(tǒng)100同樣可以是該終端設(shè)備的眾多硬件模塊之一。[0080] 替換地，在另一示例中，該軸流風(fēng)機(jī)的控制系統(tǒng)100與該終端設(shè)備也可以是分立的設(shè)備，并且該軸流風(fēng)機(jī)的控制系統(tǒng)100可以通過(guò)有線和/或無(wú)線網(wǎng)絡(luò)連接到該終端設(shè)備，并且按照約定的數(shù)據(jù)格式來(lái)傳輸交互信息。[0081] 本申請(qǐng)還提供一種軸流風(fēng)機(jī)，所述軸流風(fēng)機(jī)包括如所述的軸流風(fēng)機(jī)的控制系統(tǒng)。[0082] 在本申請(qǐng)的一個(gè)實(shí)施例中，圖5為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制方法的流程圖。圖6為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制方法的系統(tǒng)架構(gòu)的示意圖。如圖5和圖6所示，根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制方法，其包括：210，獲取軸流風(fēng)機(jī)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，所述運(yùn)行狀態(tài)參數(shù)包括電流值、電壓值、轉(zhuǎn)速值和溫度值；220，將所述多個(gè)預(yù)定時(shí)間點(diǎn)的電流值、電壓值、轉(zhuǎn)速值和溫度值分別按照時(shí)間維度排列為輸入向量后進(jìn)行歸一化處理以得到歸一化電流輸入向量、歸一化電壓輸入向量、歸一化轉(zhuǎn)速輸入向量和歸一化溫度輸入向量；230，將所述歸一化電流輸入向量、所述歸一化電壓輸入向量、所述歸一化轉(zhuǎn)速輸入向量和所述歸一化溫度輸入向量通過(guò)Transformer模塊以得到多個(gè)參數(shù)上下文理解特征向量；240，將所述多個(gè)參數(shù)上下文理解特征向量通過(guò)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型以得到運(yùn)行模式理解特征向量；250，將所述運(yùn)行模式理解特征向量通過(guò)DNN以得到分類特征向量；260，采用類轉(zhuǎn)換器空間遷移置換融合來(lái)融合所述運(yùn)行模式理解特征向量和所述分類特征向量以得到優(yōu)化分類特征向量；以及，270，將所述優(yōu)化分類特征向量通過(guò)分類器以得到分類結(jié)果，所述分類結(jié)果用于表示當(dāng)前時(shí)間點(diǎn)的所述軸流風(fēng)機(jī)的轉(zhuǎn)速應(yīng)增大、應(yīng)減小還是保持不變。[0083] 本領(lǐng)域技術(shù)人員可以理解，上述軸流風(fēng)機(jī)的控制方法中的各個(gè)步驟的具體操作已經(jīng)在上面參考圖1到圖4的軸流風(fēng)機(jī)的控制系統(tǒng)的描述中得到了詳細(xì)介紹，并因此，將省略其重復(fù)描述。[0084] 圖7為根據(jù)本申請(qǐng)實(shí)施例的軸流風(fēng)機(jī)的控制系統(tǒng)的應(yīng)用場(chǎng)景圖。如圖7所示，在該應(yīng)用場(chǎng)景中，首先，獲取軸流風(fēng)機(jī)(例如，如圖7中所示意的M)在預(yù)定時(shí)間段內(nèi)多個(gè)預(yù)定時(shí)間點(diǎn)的運(yùn)行狀態(tài)參數(shù)，所述運(yùn)行狀態(tài)參數(shù)包括電流值(例如，如圖7中所示意的C1)、電壓值(例如，如圖7中所示意的C2)、轉(zhuǎn)速值(例如，如圖7中所示意的C3)和溫度值(例如，如圖7中所示意的C4)；然后，將獲取的電流值、電壓值、轉(zhuǎn)速值和溫度值輸入至部署有軸流風(fēng)機(jī)的控制算法的服務(wù)器(例如，如圖7中所示意的S)中，其中所述服務(wù)器能夠基于軸流風(fēng)機(jī)的控制算法對(duì)所述電流值、所述電壓值、所述轉(zhuǎn)速值和所述溫度值進(jìn)行處理，以生成用于表示當(dāng)前時(shí)間點(diǎn)的所述軸流風(fēng)機(jī)的轉(zhuǎn)速應(yīng)增大、應(yīng)減小還是保持不變的分類結(jié)果。[0085] 以上結(jié)合具體實(shí)施例描述了本申請(qǐng)的基本原理，但是，需要指出的是，在本申請(qǐng)中提及的優(yōu)點(diǎn)、優(yōu)勢(shì)、效果等僅是示例而非限制，不能認(rèn)為這些優(yōu)點(diǎn)、優(yōu)勢(shì)、效果等是本申請(qǐng)的各個(gè)實(shí)施例必須具備的。另外，上述公開的具體細(xì)節(jié)僅是為了示例的作用和便于理解的作用，而非限制，上述細(xì)節(jié)并不限制本申請(qǐng)為必須采用上述具體的細(xì)節(jié)來(lái)實(shí)現(xiàn)。[0086] 本申請(qǐng)中涉及的器件、裝置、設(shè)備、系統(tǒng)的方框圖僅作為例示性的例子并且不意圖要求或暗示必須按照方框圖示出的方式進(jìn)行連接、布置、配置。如本領(lǐng)域技術(shù)人員將認(rèn)識(shí)到的，可以按任意方式連接、布置、配置這些器件、裝置、設(shè)備、系統(tǒng)。諸如“包括”、“包含”、“具有”等等的詞語(yǔ)是開放性詞匯，指“包括但不限于”，且可與其互換使用。這里所使用的詞匯“或”和“和”指詞匯“和/或”，且可與其互換使用，除非上下文明確指示不是如此。這里所使用的詞匯“諸如”指詞組“諸如但不限于”，且可與其互換使用。[0087] 還需要指出的是，在本申請(qǐng)的裝置、設(shè)備和方法中，各部件或各步驟是可以分解和/或重新組合的。這些分解和/或重新組合應(yīng)視為本申請(qǐng)的等效方案。[0088] 提供所公開的方面的以上描述以使本領(lǐng)域的任何技術(shù)人員能夠做出或者使用本申請(qǐng)。對(duì)這些方面的各種修改對(duì)于本領(lǐng)域技術(shù)人員而言是非常顯而易見的，并且在此定義的一般原理可以應(yīng)用于其他方面而不脫離本申請(qǐng)的范圍。因此，本申請(qǐng)不意圖被限制到在此示出的方面，而是按照與在此公開的原理和新穎的特征一致的最寬范圍。[0089] 最后，還需要說(shuō)明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者終端設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者終端設(shè)備所固有的要素。在沒有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者終端設(shè)備中還存在另外的相同要素。[0090] 為了例示和描述的目的已經(jīng)給出了以上描述。此外，此描述不意圖將本申請(qǐng)的實(shí)施例限制到在此公開的形式。盡管以上已經(jīng)討論了多個(gè)示例方面和實(shí)施例，但是本領(lǐng)域技術(shù)人員將認(rèn)識(shí)到其某些變型、修改、改變、添加和子組合。