基于机器学习的咖啡机萃取压力的控制方法及设备与流程

本发明涉及一种基于机器学习的咖啡机萃取压力的控制方法及设备。

背景技术：

1、咖啡机是将加压后的热水通过磨好的咖啡粉来获得咖啡液的一种设备，其中，萃取咖啡液时的水压是决定咖啡口味的关键因素。在国内外的高端咖啡机设备中，普遍采用的是pid算法来调节水泵电机的转速，从而达到调整萃取压力的目的。pid算法中用到的参数是由工程技术人员进行大量的测试后确定的。

2、咖啡机系统一般由水泵、管路、锅炉、等组成，包含大量的非标零件，管路压力的来源是水泵的持续转动将水泵入管路入口，即系统前端，而提取萃取压力信号的位置，即冲泡头，则位于整个系统的末端，属于大惯量非线性系统；而且用户的使用环境往往也会发生变化，如不同城市市政供水压力差异、季节变化；更为实际的是，随着机器不断的使用，存在零件老化、性能下降等问题。而标定好的pid设定参数并不能根据这些变化来及时调整，从而导致萃取压力的控制与实际的用户需求存在差异。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的咖啡机萃取压力的控制方法及设备。

2、为解决上述问题，本发明提供一种基于机器学习的咖啡机萃取压力的控制方法，包括：

3、咖啡机控制器的pid计算模块基于当前pid设定参数，根据预设的目标压力值与咖啡机的管路内的当前实际压力值的差值，计算得到控制咖啡机的驱动电机转动的控制转速信号，以通过调节所述驱动电机的转速来调节水泵泵入管路的水量，从而改变咖啡机的管路内的当前实际压力值；

4、手持无线终端的机器学习模块获取目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd；机器学习模块基于所述目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd，得到优化后的pid设定参数，其中，所述机器学习模块，集成了在高性能计算机上已经预先训练好的、并且经过优化的前馈神经网络模型；

5、咖啡机控制器的pid计算模块，基于优化后的当前pid设定参数，根据预设的目标压力值与咖啡机的管路内的当前实际压力值的差值，计算得到控制咖啡机的驱动电机转动的控制转速信号，以通过调节所述驱动电机的转速来调节水泵泵入管路的水量，从而改变咖啡机的管路内的当前的实际压力值。

6、进一步的，在上述方法中，手持无线终端的机器学习模块获取目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd，包括：

7、手持无线终端的人机交互模块获取用户基于驱动电机转速调节后的各个时间点的当前实际压力值p、流速值和总流量值，输入的评价结果，所述评价结果包括：确定当前pid设定参数需要调整或确定当前pid设定参数不需要调整；

8、手持无线终端的机器学习模块基于目标压力值pset、驱动电机转速调节后的各个时间点的当前实际压力值p和对应的压力偏差pd，计算得到升压速度、超压数值和达到目标压力值后的压力波动程度；

9、若所述评价结果为确定当前pid设定参数需要调整，或/且升压速度、超压数值和达到目标压力值后的压力波动程度中有其中一个指标没有达标，则手持无线终端的机器学习模块基于所述目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd，得到优化后的pid设定参数。

10、进一步的，在上述方法中，若所述评价结果为确定当前pid设定参数需要调整，或/且升压速度、超压数值和达到目标压力值后的压力波动程度中有其中一个指标没有达标，则手持无线终端的机器学习模块基于所述目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd，得到优化后的pid设定参数,包括：

11、基于升压速度的对应评分、超压数值的对应评分、达到目标压力值后的压力波动程度的对应评分和确定当前pid设定参数需要调整的对应评分，计算学习率调整的权重q；

12、将前馈神经网络模型的原始学习率α乘以权重q，得到新的学习率α，其中，当新的学习率α大于0.1时，使新的学习率α等于0.1；

13、所述机器学习模块将本次循环的目标压力值、当前实际压力值和对应的压力偏差作为前馈神经网络模型的输入，并基于新的学习率α，调用所述前馈神经网络模型进行计算，得到优化后的pid设定参数。

14、进一步的，在上述方法中，基于升压速度的对应评分、超压数值的对应评分、达到目标压力值后的压力波动程度的对应评分和确定当前pid设定参数需要调整的对应评分，计算学习率调整的权重q之前，包括：

15、手持无线终端的人机交互模块，将咖啡萃取数据包括：当前pid设定参数、目标压力值pset、驱动电机转速调节后的各个时间点的当前实际压力值p和对应的压力偏差pd、流速值和总流量值，呈现在用户界面上，提示用户本次咖啡萃取的数据是否有效，在有效时，还会提醒用户对显示的数据进行评分，记为用户评分为s0，即，确定当前pid设定参数需要调整的对应评分，表示用户是否仍然希望压力控制的效果更好，用户评分s0分可以为11个分数值：10分表示已不需要调整；0分表示对当前压力的控制非常不满意；从9分到0分依次表示压力优化调整的力度从小到大，其中，9分表示可用但希望有小幅度的优化；用户评分s0由无线手持终端的上位机数据处理模块送入机器学习模块；

16、升压速度的对应评分s1为：设定好某一目标压力值后当前实际压力值p到达目标压力值pset所用的时间，若该时间小于预设的升压设定值为达标，即升压速度的评分s1为10分；若大于所述升压设定值或者一直未达到目标压力值，则升压速度的评分s1为0分；

17、超压数值的对应评分s2为：到达目标压力值pset后，并在预设第一时间段t内，当前实际压力值p减去目标压力值pset后得到的数据组，将其中的最大值取出，若最大值的绝对值小于预设超压设定值为达标，即10分，若最大值的绝对值大于设定值为0分；

18、达到目标压力值后的压力波动程度的对应评分s3为：达到目标压力值pset后，在预设第二时间段内，取20个当前实际压力值p1至p20的方差，即((m-p1)2+(m-p2)2……(m-p20)2)/20，其中，p1至p20的平均数为m，若方差小于预设方差设定值为达标，即10分；若大于设定值则分数为0分。

19、进一步的，在上述方法中，计算学习率调整的权重q，包括：

20、根据当前的总评分s＝s0+s1+s2+s3来计算学习率调整的权重q：

21、若总评分s等于0，则权重q＝1.1

22、总评分s等于1～30，则权重q＝1+s/1000；

23、总评分s等于31～39，则权重q＝1+(s-30)/1000；

24、总评分s等于40，则权重q＝1。

25、进一步的，在上述方法中，机器学习模块基于所述目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd，得到优化后的pid设定参数之前，包括：

26、利用已有的历史经验数据，包括：历史pid设定参数和历史实际压力值，使用历史pid设定参数作为输入，历史实际压力值作为输出，拟合出数学函数，作为咖啡机对应在高性能计算机中的数学模型，其中，历史经验数据越多，则数学模型越精确。历史经验数据包含多组真实的咖啡制作的数据，每组数据包含历史pid设定参数、历史实际压力值p；

27、随机生成一组pid设定参数作为初始值，提供给咖啡机对应在高性能计算机中的数学模型，得到目标压力值pset、实际压力值p和压力偏差pd，将得到目标压力值pset、实际压力值p和压力偏差pd，作为在高性能计算机上前馈神经网络模型的输入，在前馈神经网络模型上计算后输出新的一组pid设定参数，作为提供给咖啡机对应在高性能计算机中的数学模型的下一组输入；以此循环，直到达到设定的目标值，即压力偏差pd小于0.02；

28、在前馈神经网络模型训练好后，对前馈神经网络模型进行量化和压缩，并且针对手持无线终端特定的硬件平台调整前馈神经网络模型的相应的数据类型、存储方式，其中，将前馈神经网络模型的原始学习率α改为0.01，以得到优化的前馈神经网络模型；将高性能计算机上已经预先训练好的、并且经过优化的前馈神经网络模型，集成至所述机器学习模块上。

29、进一步的，在上述方法中，所述机器学习模块，集成了在高性能计算机上已经预先训练好的、并且经过优化的前馈神经网络模型之前，还包括：

30、设定所述前馈神经网络模型的输入层神经元的个数，分别对应目标压力值pset、实际压力值p和压力偏差pd；

31、设定隐含层神经元，设定输出层神经元，分别对应pid设定参数；

32、使用随机数生成，初始的权值矩阵w和偏向b；

33、设定梯度下降的学习率α，使用损失函数和激活函数；

34、设定在压力偏差pd小于等于预设压力偏差时结束训练。

35、进一步的，在上述方法中，提示用户本次咖啡萃取的数据是否有效之前，还可以包括：

36、在上位机数据处理模块接收到咖啡萃取的数据后，对咖啡萃取的数据判断是否有效，

37、若此次咖啡萃取的时间未超过预设第一规定值，则视为无效数据；

38、若此次总流量值之未超过预设第二规定值，则视为无效数据；

39、若此次实际压力值超过预设第三规定值，则视为无效数据；

40、若此次流速值在预设时间内超过预设第四规定值，则视为无效数据；

41、持续接收预设次数的咖啡萃取的数据组，将数据偏离平均值大于预设第五规定值的数据组视为无效数据。

42、进一步的，在上述方法中，手持无线终端的机器学习模块获取目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd中，

43、手持无线终端的机器学习模块可以获取由上位机数据处理模块判断有效的咖啡萃取的数据，所对应的目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd。

44、根据本发明的另一方面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：执行如上述任一项所述的方法。

45、与现有技术相比，本发明通过咖啡机控制器的pid计算模块基于当前pid设定参数，根据预设的目标压力值与咖啡机的管路内的当前实际压力值的差值，计算得到控制咖啡机的驱动电机转动的控制转速信号，以通过调节所述驱动电机的转速来调节水泵泵入管路的水量，从而改变咖啡机的管路内的当前实际压力值；手持无线终端的机器学习模块获取目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd；机器学习模块基于所述目标压力值pset、驱动电机转速调节后的当前实际压力值p和对应的压力偏差pd，得到优化后的pid设定参数，其中，所述机器学习模块，集成了在高性能计算机上已经预先训练好的、并且经过优化的前馈神经网络模型；咖啡机控制器的pid计算模块，基于优化后的当前pid设定参数，根据预设的目标压力值与咖啡机的管路内的当前实际压力值的差值，计算得到控制咖啡机的驱动电机转动的控制转速信号，以通过调节所述驱动电机的转速来调节水泵泵入管路的水量，从而改变咖啡机的管路内的当前的实际压力值，可以收集咖啡机的萃取压力的相关参数，并周期性的将其发给手持无线终端中的机器学习模块，通过不断地学习和调整优化pid设定参数，从而适应实际的使用场景，达到咖啡机最优的萃取压力控制效果。

46、本发明既可以使用机器学习的技术，持续地调整pid设定参数，来使咖啡机适应环境的变化以及用户的喜好，也能够减轻工程技术人员的测试工作；同时可以兼顾咖啡机本身计算性能的局限性，来满足实际的需求。