本發(fā)明涉及一種基于機器學(xué)習(xí)的咖啡機萃取壓力的控制方法及設(shè)備。

背景技術(shù)：

1、咖啡機是將加壓后的熱水通過磨好的咖啡粉來獲得咖啡液的一種設(shè)備，其中，萃取咖啡液時的水壓是決定咖啡口味的關(guān)鍵因素。在國內(nèi)外的高端咖啡機設(shè)備中，普遍采用的是pid算法來調(diào)節(jié)水泵電機的轉(zhuǎn)速，從而達到調(diào)整萃取壓力的目的。pid算法中用到的參數(shù)是由工程技術(shù)人員進行大量的測試后確定的。

2、咖啡機系統(tǒng)一般由水泵、管路、鍋爐、等組成，包含大量的非標(biāo)零件，管路壓力的來源是水泵的持續(xù)轉(zhuǎn)動將水泵入管路入口，即系統(tǒng)前端，而提取萃取壓力信號的位置，即沖泡頭，則位于整個系統(tǒng)的末端，屬于大慣量非線性系統(tǒng)；而且用戶的使用環(huán)境往往也會發(fā)生變化，如不同城市市政供水壓力差異、季節(jié)變化；更為實際的是，隨著機器不斷的使用，存在零件老化、性能下降等問題。而標(biāo)定好的pid設(shè)定參數(shù)并不能根據(jù)這些變化來及時調(diào)整，從而導(dǎo)致萃取壓力的控制與實際的用戶需求存在差異。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于機器學(xué)習(xí)的咖啡機萃取壓力的控制方法及設(shè)備。

2、為解決上述問題，本發(fā)明提供一種基于機器學(xué)習(xí)的咖啡機萃取壓力的控制方法，包括：

3、咖啡機控制器的pid計算模塊基于當(dāng)前pid設(shè)定參數(shù)，根據(jù)預(yù)設(shè)的目標(biāo)壓力值與咖啡機的管路內(nèi)的當(dāng)前實際壓力值的差值，計算得到控制咖啡機的驅(qū)動電機轉(zhuǎn)動的控制轉(zhuǎn)速信號，以通過調(diào)節(jié)所述驅(qū)動電機的轉(zhuǎn)速來調(diào)節(jié)水泵泵入管路的水量，從而改變咖啡機的管路內(nèi)的當(dāng)前實際壓力值；

4、手持無線終端的機器學(xué)習(xí)模塊獲取目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd；機器學(xué)習(xí)模塊基于所述目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd，得到優(yōu)化后的pid設(shè)定參數(shù)，其中，所述機器學(xué)習(xí)模塊，集成了在高性能計算機上已經(jīng)預(yù)先訓(xùn)練好的、并且經(jīng)過優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)模型；

5、咖啡機控制器的pid計算模塊，基于優(yōu)化后的當(dāng)前pid設(shè)定參數(shù)，根據(jù)預(yù)設(shè)的目標(biāo)壓力值與咖啡機的管路內(nèi)的當(dāng)前實際壓力值的差值，計算得到控制咖啡機的驅(qū)動電機轉(zhuǎn)動的控制轉(zhuǎn)速信號，以通過調(diào)節(jié)所述驅(qū)動電機的轉(zhuǎn)速來調(diào)節(jié)水泵泵入管路的水量，從而改變咖啡機的管路內(nèi)的當(dāng)前的實際壓力值。

6、進一步的，在上述方法中，手持無線終端的機器學(xué)習(xí)模塊獲取目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd，包括：

7、手持無線終端的人機交互模塊獲取用戶基于驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的各個時間點的當(dāng)前實際壓力值p、流速值和總流量值，輸入的評價結(jié)果，所述評價結(jié)果包括：確定當(dāng)前pid設(shè)定參數(shù)需要調(diào)整或確定當(dāng)前pid設(shè)定參數(shù)不需要調(diào)整；

8、手持無線終端的機器學(xué)習(xí)模塊基于目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的各個時間點的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd，計算得到升壓速度、超壓數(shù)值和達到目標(biāo)壓力值后的壓力波動程度；

9、若所述評價結(jié)果為確定當(dāng)前pid設(shè)定參數(shù)需要調(diào)整，或/且升壓速度、超壓數(shù)值和達到目標(biāo)壓力值后的壓力波動程度中有其中一個指標(biāo)沒有達標(biāo)，則手持無線終端的機器學(xué)習(xí)模塊基于所述目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd，得到優(yōu)化后的pid設(shè)定參數(shù)。

10、進一步的，在上述方法中，若所述評價結(jié)果為確定當(dāng)前pid設(shè)定參數(shù)需要調(diào)整，或/且升壓速度、超壓數(shù)值和達到目標(biāo)壓力值后的壓力波動程度中有其中一個指標(biāo)沒有達標(biāo)，則手持無線終端的機器學(xué)習(xí)模塊基于所述目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd，得到優(yōu)化后的pid設(shè)定參數(shù),包括：

11、基于升壓速度的對應(yīng)評分、超壓數(shù)值的對應(yīng)評分、達到目標(biāo)壓力值后的壓力波動程度的對應(yīng)評分和確定當(dāng)前pid設(shè)定參數(shù)需要調(diào)整的對應(yīng)評分，計算學(xué)習(xí)率調(diào)整的權(quán)重q；

12、將前饋神經(jīng)網(wǎng)絡(luò)模型的原始學(xué)習(xí)率α乘以權(quán)重q，得到新的學(xué)習(xí)率α，其中，當(dāng)新的學(xué)習(xí)率α大于0.1時，使新的學(xué)習(xí)率α等于0.1；

13、所述機器學(xué)習(xí)模塊將本次循環(huán)的目標(biāo)壓力值、當(dāng)前實際壓力值和對應(yīng)的壓力偏差作為前饋神經(jīng)網(wǎng)絡(luò)模型的輸入，并基于新的學(xué)習(xí)率α，調(diào)用所述前饋神經(jīng)網(wǎng)絡(luò)模型進行計算，得到優(yōu)化后的pid設(shè)定參數(shù)。

14、進一步的，在上述方法中，基于升壓速度的對應(yīng)評分、超壓數(shù)值的對應(yīng)評分、達到目標(biāo)壓力值后的壓力波動程度的對應(yīng)評分和確定當(dāng)前pid設(shè)定參數(shù)需要調(diào)整的對應(yīng)評分，計算學(xué)習(xí)率調(diào)整的權(quán)重q之前，包括：

15、手持無線終端的人機交互模塊，將咖啡萃取數(shù)據(jù)包括：當(dāng)前pid設(shè)定參數(shù)、目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的各個時間點的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd、流速值和總流量值，呈現(xiàn)在用戶界面上，提示用戶本次咖啡萃取的數(shù)據(jù)是否有效，在有效時，還會提醒用戶對顯示的數(shù)據(jù)進行評分，記為用戶評分為s0，即，確定當(dāng)前pid設(shè)定參數(shù)需要調(diào)整的對應(yīng)評分，表示用戶是否仍然希望壓力控制的效果更好，用戶評分s0分可以為11個分數(shù)值：10分表示已不需要調(diào)整；0分表示對當(dāng)前壓力的控制非常不滿意；從9分到0分依次表示壓力優(yōu)化調(diào)整的力度從小到大，其中，9分表示可用但希望有小幅度的優(yōu)化；用戶評分s0由無線手持終端的上位機數(shù)據(jù)處理模塊送入機器學(xué)習(xí)模塊；

16、升壓速度的對應(yīng)評分s1為：設(shè)定好某一目標(biāo)壓力值后當(dāng)前實際壓力值p到達目標(biāo)壓力值pset所用的時間，若該時間小于預(yù)設(shè)的升壓設(shè)定值為達標(biāo)，即升壓速度的評分s1為10分；若大于所述升壓設(shè)定值或者一直未達到目標(biāo)壓力值，則升壓速度的評分s1為0分；

17、超壓數(shù)值的對應(yīng)評分s2為：到達目標(biāo)壓力值pset后，并在預(yù)設(shè)第一時間段t內(nèi)，當(dāng)前實際壓力值p減去目標(biāo)壓力值pset后得到的數(shù)據(jù)組，將其中的最大值取出，若最大值的絕對值小于預(yù)設(shè)超壓設(shè)定值為達標(biāo)，即10分，若最大值的絕對值大于設(shè)定值為0分；

18、達到目標(biāo)壓力值后的壓力波動程度的對應(yīng)評分s3為：達到目標(biāo)壓力值pset后，在預(yù)設(shè)第二時間段內(nèi)，取20個當(dāng)前實際壓力值p1至p20的方差，即((m-p1)2+(m-p2)2……(m-p20)2)/20，其中，p1至p20的平均數(shù)為m，若方差小于預(yù)設(shè)方差設(shè)定值為達標(biāo)，即10分；若大于設(shè)定值則分數(shù)為0分。

19、進一步的，在上述方法中，計算學(xué)習(xí)率調(diào)整的權(quán)重q，包括：

20、根據(jù)當(dāng)前的總評分s＝s0+s1+s2+s3來計算學(xué)習(xí)率調(diào)整的權(quán)重q：

21、若總評分s等于0，則權(quán)重q＝1.1

22、總評分s等于1～30，則權(quán)重q＝1+s/1000；

23、總評分s等于31～39，則權(quán)重q＝1+(s-30)/1000；

24、總評分s等于40，則權(quán)重q＝1。

25、進一步的，在上述方法中，機器學(xué)習(xí)模塊基于所述目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd，得到優(yōu)化后的pid設(shè)定參數(shù)之前，包括：

26、利用已有的歷史經(jīng)驗數(shù)據(jù)，包括：歷史pid設(shè)定參數(shù)和歷史實際壓力值，使用歷史pid設(shè)定參數(shù)作為輸入，歷史實際壓力值作為輸出，擬合出數(shù)學(xué)函數(shù)，作為咖啡機對應(yīng)在高性能計算機中的數(shù)學(xué)模型，其中，歷史經(jīng)驗數(shù)據(jù)越多，則數(shù)學(xué)模型越精確。歷史經(jīng)驗數(shù)據(jù)包含多組真實的咖啡制作的數(shù)據(jù)，每組數(shù)據(jù)包含歷史pid設(shè)定參數(shù)、歷史實際壓力值p；

27、隨機生成一組pid設(shè)定參數(shù)作為初始值，提供給咖啡機對應(yīng)在高性能計算機中的數(shù)學(xué)模型，得到目標(biāo)壓力值pset、實際壓力值p和壓力偏差pd，將得到目標(biāo)壓力值pset、實際壓力值p和壓力偏差pd，作為在高性能計算機上前饋神經(jīng)網(wǎng)絡(luò)模型的輸入，在前饋神經(jīng)網(wǎng)絡(luò)模型上計算后輸出新的一組pid設(shè)定參數(shù)，作為提供給咖啡機對應(yīng)在高性能計算機中的數(shù)學(xué)模型的下一組輸入；以此循環(huán)，直到達到設(shè)定的目標(biāo)值，即壓力偏差pd小于0.02；

28、在前饋神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練好后，對前饋神經(jīng)網(wǎng)絡(luò)模型進行量化和壓縮，并且針對手持無線終端特定的硬件平臺調(diào)整前饋神經(jīng)網(wǎng)絡(luò)模型的相應(yīng)的數(shù)據(jù)類型、存儲方式，其中，將前饋神經(jīng)網(wǎng)絡(luò)模型的原始學(xué)習(xí)率α改為0.01，以得到優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)模型；將高性能計算機上已經(jīng)預(yù)先訓(xùn)練好的、并且經(jīng)過優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)模型，集成至所述機器學(xué)習(xí)模塊上。

29、進一步的，在上述方法中，所述機器學(xué)習(xí)模塊，集成了在高性能計算機上已經(jīng)預(yù)先訓(xùn)練好的、并且經(jīng)過優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)模型之前，還包括：

30、設(shè)定所述前饋神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元的個數(shù)，分別對應(yīng)目標(biāo)壓力值pset、實際壓力值p和壓力偏差pd；

31、設(shè)定隱含層神經(jīng)元，設(shè)定輸出層神經(jīng)元，分別對應(yīng)pid設(shè)定參數(shù)；

32、使用隨機數(shù)生成，初始的權(quán)值矩陣w和偏向b；

33、設(shè)定梯度下降的學(xué)習(xí)率α，使用損失函數(shù)和激活函數(shù)；

34、設(shè)定在壓力偏差pd小于等于預(yù)設(shè)壓力偏差時結(jié)束訓(xùn)練。

35、進一步的，在上述方法中，提示用戶本次咖啡萃取的數(shù)據(jù)是否有效之前，還可以包括：

36、在上位機數(shù)據(jù)處理模塊接收到咖啡萃取的數(shù)據(jù)后，對咖啡萃取的數(shù)據(jù)判斷是否有效，

37、若此次咖啡萃取的時間未超過預(yù)設(shè)第一規(guī)定值，則視為無效數(shù)據(jù)；

38、若此次總流量值之未超過預(yù)設(shè)第二規(guī)定值，則視為無效數(shù)據(jù)；

39、若此次實際壓力值超過預(yù)設(shè)第三規(guī)定值，則視為無效數(shù)據(jù)；

40、若此次流速值在預(yù)設(shè)時間內(nèi)超過預(yù)設(shè)第四規(guī)定值，則視為無效數(shù)據(jù)；

41、持續(xù)接收預(yù)設(shè)次數(shù)的咖啡萃取的數(shù)據(jù)組，將數(shù)據(jù)偏離平均值大于預(yù)設(shè)第五規(guī)定值的數(shù)據(jù)組視為無效數(shù)據(jù)。

42、進一步的，在上述方法中，手持無線終端的機器學(xué)習(xí)模塊獲取目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd中，

43、手持無線終端的機器學(xué)習(xí)模塊可以獲取由上位機數(shù)據(jù)處理模塊判斷有效的咖啡萃取的數(shù)據(jù)，所對應(yīng)的目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd。

44、根據(jù)本發(fā)明的另一方面，還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機可執(zhí)行指令，其中，該計算機可執(zhí)行指令被處理器執(zhí)行時使得該處理器：執(zhí)行如上述任一項所述的方法。

45、與現(xiàn)有技術(shù)相比，本發(fā)明通過咖啡機控制器的pid計算模塊基于當(dāng)前pid設(shè)定參數(shù)，根據(jù)預(yù)設(shè)的目標(biāo)壓力值與咖啡機的管路內(nèi)的當(dāng)前實際壓力值的差值，計算得到控制咖啡機的驅(qū)動電機轉(zhuǎn)動的控制轉(zhuǎn)速信號，以通過調(diào)節(jié)所述驅(qū)動電機的轉(zhuǎn)速來調(diào)節(jié)水泵泵入管路的水量，從而改變咖啡機的管路內(nèi)的當(dāng)前實際壓力值；手持無線終端的機器學(xué)習(xí)模塊獲取目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd；機器學(xué)習(xí)模塊基于所述目標(biāo)壓力值pset、驅(qū)動電機轉(zhuǎn)速調(diào)節(jié)后的當(dāng)前實際壓力值p和對應(yīng)的壓力偏差pd，得到優(yōu)化后的pid設(shè)定參數(shù)，其中，所述機器學(xué)習(xí)模塊，集成了在高性能計算機上已經(jīng)預(yù)先訓(xùn)練好的、并且經(jīng)過優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)模型；咖啡機控制器的pid計算模塊，基于優(yōu)化后的當(dāng)前pid設(shè)定參數(shù)，根據(jù)預(yù)設(shè)的目標(biāo)壓力值與咖啡機的管路內(nèi)的當(dāng)前實際壓力值的差值，計算得到控制咖啡機的驅(qū)動電機轉(zhuǎn)動的控制轉(zhuǎn)速信號，以通過調(diào)節(jié)所述驅(qū)動電機的轉(zhuǎn)速來調(diào)節(jié)水泵泵入管路的水量，從而改變咖啡機的管路內(nèi)的當(dāng)前的實際壓力值，可以收集咖啡機的萃取壓力的相關(guān)參數(shù)，并周期性的將其發(fā)給手持無線終端中的機器學(xué)習(xí)模塊，通過不斷地學(xué)習(xí)和調(diào)整優(yōu)化pid設(shè)定參數(shù)，從而適應(yīng)實際的使用場景，達到咖啡機最優(yōu)的萃取壓力控制效果。

46、本發(fā)明既可以使用機器學(xué)習(xí)的技術(shù)，持續(xù)地調(diào)整pid設(shè)定參數(shù)，來使咖啡機適應(yīng)環(huán)境的變化以及用戶的喜好，也能夠減輕工程技術(shù)人員的測試工作；同時可以兼顧咖啡機本身計算性能的局限性，來滿足實際的需求。