一种培养设备及其防结露方法与流程

技术特征：
1.一种培养设备，其设置有培养室，培养室至少两壁的外面各设置了加热器，其特征在于，培养设备还包括二氧化碳浓度检测结构，其用于测量培养室内的二氧化碳浓度；温度传感器，其用于测量培养室内的温度；存储表，所述存储表存储了培养室外壁设置的加热器的电阻值数据及加热器设置位置数据，培养室各内壁的材料性质、厚度及面积数据，以及培养室各内壁风速数据；处理器，所述处理器被配置为根据温度传感器提供的温度数据、二氧化碳浓度、各外壁设置的加热器的电阻值数据及其设置位置数据，培养室各内壁的材料性质、厚度及面积数据，以及培养室各内壁风速数据控制各外壁设置的加热器的工作时间。2.根据权利要求1所述的培养设备，其特征在于，二氧化碳浓度检测结构包括气体过滤器、抽气泵和红外二氧化碳浓度传感器，所述抽气泵从培养室抽取气体，经过滤器过滤后输送给二氧化碳浓度传感器，二氧化碳浓度传感器量测了气体中的二氧化碳的浓度后将气体再排入到从培养室内腔。3.根据权利要求1或2所述的培养设备，其特征在于，培养设备还包括循环风机，所述循环风机用以使培养室内的气体进行循环,存储表中还存储了循环风机的工作功率和培养室各内壁的风速的对应关系表，所述对应关系表是通过如下方式得到的：在培养室各内壁各设置一个风速仪，线性调节循环风机的工作功率，从而得到循环风机不同工作功率时培养室各内壁的风速。4.根据权利要求3所述的培养设备，其特征在于，处理器至少包括风速指针和人工智能模块，风速指针被配置为根据循环风机的工作功率，选择将相应于该工作功率的培养室各内壁的风速数据提供给人工智能模块；所述人工智能模块包括数据处理模块、特征提取模块和深度学习模块，所述数据处理模块对温度传感器、二氧化碳浓度传感器提供的信息进行处理获取温度时间序列、二氧化碳浓度时间序列；特征提取模块对温度时间序列、二氧化碳浓度时间序列分别进行特征提取而后提供给深度学习模块；深度学习模块根据温度时间序列、二氧化碳浓度时间序列和培养室各内壁的风速确定各外壁设置的加热器的工作时间。5.根据权利要求4所述的所述的培养设备，其特征在于，深度学习模块包括神经网络，所述神经网络包括输入层、隐含层、输出层和判断层，所述输入层输入温度时间数据序列为x1＝[x
11
…
x
n1
…
x
n1
]
t
；二氧化碳浓度数据序列为：x4＝[x
14
…
x
n4
…
x
n4
]
t
；培养室的第1壁内壁风速数据为x5＝[x
15
…
x
n5
…
x
n5
]
t
；
…
培养室的第m壁内风速数据序列为x
m
＝[x
1m
…
x
nm
…
x
nm
]
t
；对温度时间数据序列进行变形得到第一矩阵:其中，x
12
＝0，x
13
＝x
11
；x
n3
＝f1(x
n1
)为室温为x
n1
时所需要的热量的函
数关系；t为相邻量测温度的时间间隔；n≥3；将第一矩阵、二氧化碳浓度数据序列、培养室的上壁内壁风速数据，培养室的前壁内风速数据序列、培养室的后壁内风速数据序列；培养室的左壁内风速数据序列和培养室的右壁内风速数据序列组成第二矩阵：式中，m大于或者等于2；对第二矩阵利用归一化系数矩阵δ进行归一化处理得到第三矩阵：z＝i
·
δ将归一化矩阵的每行输入到神经网络的输入层，利用高斯函数激活神经网络隐含层的神经元得到第一向量：y＝[y
n1
…
y
nk
…
y
nk
]r
nm
＝f
k
(x
nm
) y
n(k-1)
α
k
，s
nm
为高斯函数的中心点，c
nm
为高斯函数的中心点，w
km
为隐含层第k个神经元与输入层第m个神经元的互相关系数；f
k
(x
nm
)为隐含层第k个神经元数据与输入层第m个神经元输入数据的x
nm
的函数关系；α
k
为学习系数；输出层的神经元的输出用第二向量表示：q
nj
＝[q
n1
…
q
nj
…
q
nj
]式中j大于或者等于2，q
nj
为培养室的室温由x
(n-1)1
变化到x
n1
时要培养室的外壁第j个加热器的需要提供的热量；w
jk
为输出层第j神经元和隐含层第k个神经元之间的互相关系数；判断层的神经元的输出用第三向量表示：p＝[p1…
p
j
…
p
j
]式中，ε
j
为培养室第j壁热量系数,i
j
为第j个加热器的工作电流，r
j
为第j个加热器的电阻值，为所有加热器将培养室加热到露点温度之上的所需时间；p
j
为1时，培养室的第j个加热器继续工作，为0时停止工作；此后再以n为步给输入层输入下一组数据。6.根据权利要求5所述的培养设备，其特征在于，培养设备培养室的上下壁外面、前后壁外面以及左右壁外面均设置了加热器，j＝m＝6；或者培养设备培养室的上下壁外面、前后壁外面、左右壁外面以及外门表面均设置了加热器，j＝7,m＝6。7.一种培养设备防结露方法，所述培养设备设置有培养室，培养室至少两壁的外面各设置了加热器，其特征在于，根据温度传感器提供的温度数据、二氧化碳浓度、各外壁设置
的加热器的电阻值数据及其设置位置数据，培养室各内壁的材料性质、厚度及面积数据，以及培养室各内壁风速数据控制各外壁设置的加热器的工作时间。8.根据权利要求7所述的培养设备防结露方法，通过人工智能模块确定加热器的工作时间，处理器至少包括风速指针和人工智能模块，风速指针被配置为根据循环风机的工作功率，选择将相应于该工作功率的培养室各内壁的风速数据提供给人工智能模块；所述人工智能模块包括数据处理模块、特征提取模块和深度学习模块，所述数据处理模块对温度传感器、二氧化碳浓度传感器提供的信息进行处理获取温度时间序列、二氧化碳浓度时间序列；特征提取模块对温度时间序列、二氧化碳浓度时间序列分别进行特征提取而后提供给深度学习模块；深度学习模块根据温度时间序列、二氧化碳浓度时间序列和培养室各内壁的风速确定各外壁设置的加热器的工作时间。9.根据权利要求8所述的培养设备防结露方法，其特征在于，深度学习模块包括神经网络，所述神经网络包括输入层、隐含层、输出层和判断层，所述输入层输入温度时间数据序列为x1＝[x
11
…
x
n1
…
x
n1
]
t
；二氧化碳浓度数据序列为：x4＝[x
14
…
x
n4
…
x
n4
]
t
；培养室的第1壁内壁风速数据为x5＝[x
15
…
x
n5
…
x
n5
]
t
；
…
培养室的第m壁内风速数据序列为x
m
＝[x
1m
…
x
nm
…
x
nm
]
t
；对温度时间数据序列进行变形得到第一矩阵:其中，x
12
＝0，x
13
＝x
11
；x
n3
＝f1(x
n1
)为室温为x
n1
时所需要的热量的函数关系；t为相邻量测温度的时间间隔；n≥3；将第一矩阵、二氧化碳浓度数据序列、培养室的上壁内壁风速数据，培养室的前壁内风速数据序列、培养室的后壁内风速数据序列；培养室的左壁内风速数据序列和培养室的右壁内风速数据序列组成第二矩阵：式中，m大于或者等于2；对第二矩阵利用归一化系数矩阵δ进行归一化处理得到第三矩阵：z＝i
·
δ将归一化矩阵的每行输入到神经网络的输入层，利用高斯函数激活神经网络隐含层的神经元得到第一向量：y＝[y
n1
…
y
nk
…
y
nk
]
r
nm
＝f
k
(x
nm
) y
n(k-1)
α
k
，s
nm
为高斯函数的中心点，c
nm
为高斯函数的中心点，w
km
为隐含层第k个神经元与输入层第m个神经元的互相关系数；f
k
(x
nm
)为隐含层第k个神经元数据与输入层第m个神经元输入数据的x
nm
的函数关系；α
k
为学习系数；输出层的神经元的输出用第二向量表示：q
nj
＝[q
n1
…
q
nj
…
q
nj
]式中j大于或者等于2，q
nj
为培养室的室温由x
(n-1)1
变化到x
n1
时要培养室的外壁第j个加热器的需要提供的热量；w
jk
为输出层第j神经元和隐含层第k个神经元之间的互相关系数；判断层的神经元的输出用第三向量表示：p＝[p1…
p
j
…
p
j
]式中，ε
j
为培养室第j壁热量系数,i
j
为第j个加热器的工作电流，r
j
为第j个加热器的电阻值，为所有加热器将培养室加热到露点温度之上的所需时间；p
j
为1时，培养室的第j个加热器继续工作，为0时停止工作；此后再以n为步给输入层输入下一组数据。10.根据权利要求10所述的培养设备防结露方法，培养设备培养室的上下壁外面、前后壁外面、左右壁外面均设置了加热器，j＝m＝6，或者培养设备培养室的上下壁外面、前后壁外面、左右壁外面以及外门表面均设置了加热器，j＝7,m＝6。

技术总结
一种培养设备及防结露方法，属于智能控制技术领域。本发明提供的培养设备及防结露方法将将设置在培养设备各个壁外的所有加热器都通过培养室内一个温度传感器控制，使所有加热器在一个加热控制周期内同时工作，但根据培养室各个表面工况的不同（如加热器电阻值和安装位置误差、培养室内壁风速差异、培养室各壁保温材料差异等）设置不同的结束时间，解决了各加热器独立控制时因环境温度变化而相互影响的难题，且防止了结露。且防止了结露。且防止了结露。


技术研发人员：王品
受保护的技术使用者：上海博迅医疗生物仪器股份有限公司
技术研发日：2022.11.08
技术公布日：2023/2/3