一种提高变频加热温度控制精度的方法及系统

摘要

本发明公开了一种提高变频加热温度控制精度的方法及系统，涉及智能控制领域，所述方法包括：通过采集历史加热控制记录，其中包括多次历史控制数据集；筛选得到训练数据集并训练模糊神经模型；通过测温组件对预设区域进行温度检测，得到实时温度；获得预设温度，并对比得到实时温差；将实时温差作为输入信息，得到输出信息，其中包括模糊控制量；拆分得到第一控制量、第二控制量；通过主加热设备对第一控制量进行控制执行，通过辅加热设备对第二控制量进行控制执行。解决了现有技术中存在温度控制不及时、控制精度不够的问题。实现了提高温控决策智能化程度的目标，达到了提高变频加热温度控制的及时性、快速性、准确性的效果。

说明书

技术领域

本发明涉及智能控制领域，尤其涉及一种提高变频加热温度控制精度的方法及系统。

背景技术

随着生活水平的提高，用户对室内温度控制的需求更加精确、严苛。在基于变频加热设备对室内温度进行控制时，为了保证智能控制的温控精度，除了要对硬件、软件进行设计外，还要设计合理的控制算法，以实现对室内温度的精确控制。室内温度是一个复杂的被控对象，它有大时滞性，时变性，以及非线性的特点，其特点也决定了对其进行温度控制时很难有一个精确的数学模型。示范性的如由于温度的时滞性，导致智能控制时易出现超调量及持续震荡的问题，进一步影响控制系统的稳定性和综合性能。现有技术中在对室内温度进行控制时，通过使用Dahlin控制算法以及Smith预估控制等，然而其控制存在不及时、控制精度不够的问题。因此，研究利用智能控制算法对温度进行及时、准确的控制亟待解决。

然而，现有技术中利用传统控制算法进行变频加热温度控制，存在温度控制不及时、控制精度不够，进而影响综合温控性能的技术问题。

发明内容

本发明的目的是提供一种提高变频加热温度控制精度的方法及系统，用以解决现有技术中利用传统控制算法进行变频加热温度控制，存在温度控制不及时、控制精度不够，进而影响综合温控性能的技术问题。

鉴于上述问题，本发明提供了一种提高变频加热温度控制精度的方法及系统。

第一方面，本发明提供了一种提高变频加热温度控制精度的方法，所述方法通过一种提高变频加热温度控制精度的系统实现，其中，所述方法包括：通过采集历史加热控制记录，其中，所述历史加热控制记录包括多次历史控制数据集；对所述多次历史控制数据集进行筛选得到训练数据集，并训练得到模糊神经模型；通过测温组件对预设区域进行温度检测，得到实时温度；获得预设温度，并将所述实时温度与所述预设温度进行对比，得到实时温差；将所述实时温差作为所述模糊神经模型的输入信息，得到输出信息，其中，所述输出信息包括模糊控制量；将所述模糊控制量进行拆分，得到控制量拆分结果，其中，所述控制量拆分结果包括第一控制量、第二控制量；通过主加热设备对所述第一控制量进行控制执行，通过辅加热设备对所述第二控制量进行控制执行。

第二方面，本发明还提供了一种提高变频加热温度控制精度的系统，用于执行如第一方面所述的一种提高变频加热温度控制精度的方法，其中，所述系统包括：数据采集模块，所述数据采集模块用于采集历史加热控制记录，其中，所述历史加热控制记录包括多次历史控制数据集；模型训练模块，所述模型训练模块用于对所述多次历史控制数据集进行筛选得到训练数据集，并训练得到模糊神经模型；实时检测模块，所述实时检测模块用于通过测温组件对预设区域进行温度检测，得到实时温度；对比获得模块，所述对比获得模块用于获得预设温度，并将所述实时温度与所述预设温度进行对比，得到实时温差；智能分析模块，所述智能分析模块用于将所述实时温差作为所述模糊神经模型的输入信息，得到输出信息，其中，所述输出信息包括模糊控制量；拆分处理模块，所述拆分处理模块用于将所述模糊控制量进行拆分，得到控制量拆分结果，其中，所述控制量拆分结果包括第一控制量、第二控制量；控制执行模块，所述控制执行模块用于通过主加热设备对所述第一控制量进行控制执行，通过辅加热设备对所述第二控制量进行控制执行。

本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过采集历史加热控制记录，其中，所述历史加热控制记录包括多次历史控制数据集；对所述多次历史控制数据集进行筛选得到训练数据集，并训练得到模糊神经模型；通过测温组件对预设区域进行温度检测，得到实时温度；获得预设温度，并将所述实时温度与所述预设温度进行对比，得到实时温差；将所述实时温差作为所述模糊神经模型的输入信息，得到输出信息，其中，所述输出信息包括模糊控制量；将所述模糊控制量进行拆分，得到控制量拆分结果，其中，所述控制量拆分结果包括第一控制量、第二控制量；通过主加热设备对所述第一控制量进行控制执行，通过辅加热设备对所述第二控制量进行控制执行。通过采集历史加热控制记录并分析筛选得到训练数据集，进而通过计算机学习训练得到模糊神经模型，实现了为后续智能化分析确定系统控制量提供模型基础的技术目标。通过测温组件对预设区域的实时温度进行智能检测，并将检测结果实时传输至系统中，经过与系统中预先存储的温度信息进行对比分析后，即得到实时温差数据，实现了为模糊神经模型的智能化处理分析提供输入信息的技术目标。通过模糊神经模型的智能化分析得到输出信息，实现了为加热设备智能控制提供理论指导和依据的技术目标，进而通过拆分后，由主加热设备和辅加热设备分别进行对应的温控执行，达到了提高温度控制精度的技术效果。实现了提高温控决策智能化程度，进而提高决策有效性、可靠性的目标，达到了提高变频加热温度控制的及时性、快速性、准确性的效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明一种提高变频加热温度控制精度的方法的流程示意图；

图2为本发明一种提高变频加热温度控制精度的方法中基于所述添加指令将所述目标历史控制数据集添加至所述训练数据集的流程示意图；

图3为本发明一种提高变频加热温度控制精度的方法中所述模糊控制器存储至所述模糊神经模型的流程示意图；

图4为本发明一种提高变频加热温度控制精度的方法中根据所述对比结果进行所述系统的抗干扰能力分析的流程示意图；

图5为本发明一种提高变频加热温度控制精度的系统的结构示意图。

附图标记说明：

数据采集模块M100，模型训练模块M200，实时检测模块M300，对比获得模块M400，智能分析模块M500，拆分处理模块M600，控制执行模块M700。

具体实施方式

本发明通过提供一种提高变频加热温度控制精度的方法及系统，解决了现有技术中利用传统控制算法进行变频加热温度控制，存在温度控制不及时、控制精度不够，进而影响综合温控性能的技术问题。实现了提高温控决策智能化程度，进而提高决策有效性、可靠性的目标，达到了提高变频加热温度控制的及时性、快速性、准确性的效果。

本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

实施例一

请参阅附图1，本发明提供了一种提高变频加热温度控制精度的方法，其中，所述方法应用于一种提高变频加热温度控制精度的系统，所述方法具体包括如下步骤：

步骤S100：采集历史加热控制记录，其中，所述历史加热控制记录包括多次历史控制数据集；

具体而言，所述一种提高变频加热温度控制精度的方法应用于一种提高变频加热温度控制精度的系统，可以通过训练神经网络模型，同时结合模糊控制算法得到模糊神经模型，进而对预设区域进行智能化温度控制，实现变频加热温控智能化的目标，达到提高温控及时性和准确性的效果。其中，所述预设区域是指任意一个通过所述一种提高变频加热温度控制精度的系统进行区域内温度智能化控制的区域，示范性的如某间教室、某个病房等。所述模糊神经模型是指模糊控制与神经网络的结合模型，用于基于当前实际信息智能化分析得到系统温控信息，从而为系统温控提供数据依据和指导，提高系统温控有效性和合理性。模糊控制是对难以用精确的规律进行描述的复杂对象，通过采用抽象的自然语言来进行叙述，并把根据经验总结出的控制规律用模糊条件语句来表达。在训练得到所述模糊神经模型之前，首先对所述预设区域历史进行温度控制的记录信息进行分析，即对所述历史加热控制记录的多次历史控制数据集依次进行采集和分析。

通过采集得到多次历史控制数据集，实现了为后续模型训练提供全面、有效的数据基础的技术目标。

步骤S200：对所述多次历史控制数据集进行筛选得到训练数据集，并训练得到模糊神经模型；

进一步的，如附图2所示，本发明步骤S200还包括：

步骤S210：提取所述多次历史控制数据集中的目标历史控制数据集；

步骤S220：其中，所述目标历史控制数据集包括历史实测温度、历史预设温度、历史温控量；

步骤S230：对所述历史实测温度和所述历史预设温度进行差值计算，得到历史温差；

步骤S240：基于模糊控制算法原理构建模糊控制器，并通过所述模糊控制器对所述历史温差进行处理，得到预估温控量；

进一步的，如附图3所示，本发明步骤S240还包括：

步骤S241：基于模糊控制算法原理获得模糊化接口，其中，所述模糊化接口包括A/D模拟数字转换器；

步骤S242：基于模糊控制算法原理获得清晰化接口，其中，所述清晰化接口包括D/A数字模拟转换器；

步骤S243：构建模糊规则库，并结合所述模糊化接口和所述清晰化接口得到所述模糊控制器；

步骤S244：所述模糊控制器存储至所述模糊神经模型。

步骤S250：基于所述预估温控量与所述历史温控量，计算得到历史温控量偏差指数；

进一步的，本发明步骤S250还包括：

步骤S251：对所述预估温控量与所述历史温控量进行偏差计算，得到所述历史温控量偏差指数，其中，所述历史温控量偏差指数的计算公式如下：

步骤S252：其中，所述

步骤S260：获得预设偏差阈值，并判断所述历史温控量偏差指数是否满足所述预设偏差阈值；

步骤S270：若是，获得添加指令，并基于所述添加指令将所述目标历史控制数据集添加至所述训练数据集。

具体而言，在基于采集到的所述多次历史控制数据集组建模型训练数据前，先对所述多次历史控制数据集进行筛选，仅保留合理、可靠的历史数据作为训练数据集。

首先依次对所述多次历史控制数据集中各次历史控制数据进行分析，如提取所述多次历史控制数据集中的任意一次数据，即得到目标历史控制数据集。然后提取所述目标历史控制数据集中的历史实测温度、历史预设温度、历史温控量数据，并对所述历史实测温度和所述历史预设温度进行差值计算，得到历史温差。其中，所述历史实测温度是指历史上此次记录时测得的预设区域的实际温度数据，所述历史预设温度是指历史上此次记录时，系统中预先存储的、所述预设区域需要达到的温度数据，所述历史温控量数据是指历史上此次记录时，系统为使预设区域的温度达到历史预设温度而对应进行的调整量。接下来，基于模糊控制算法原理构建模糊控制器。其中，所述模糊控制器用于对对所述历史温差进行处理。所述模糊控制算法原理即模糊控制，模糊控制是使用语言来表达的智能控制。示范性的如实际供电管理时，电能传输、分配以及用电环境中的温度、湿度等指标均会不同程度的造成电能损失，因此其电能损失控制数学模型难以精确地表达出来，此时由于模糊控制的使用不需要建立精确的数学模型，因此可通过模糊控制对这类问题进行处理。

进一步的，基于模糊控制算法原理获得模糊化接口，其中，所述模糊化接口包括A/D模拟数字转换器，用于对采集、计算到的历史温差进行模糊化处理。然后确定所述清晰化接口，其中，所述清晰化接口包括D/A数字模拟转换器，用于对模糊化后的数据进行清晰化处理。最后构建模糊规则库，从而结合所述模糊化接口和所述清晰化接口得到所述模糊控制器，并将所述模糊控制器存储至所述模糊神经模型中。

进一步的，通过所述模糊控制器处理得到对历史上此次记录中预设区域进行温控时，应当调节控制的调整量，即所述预估温控量。进一步，基于所述预估温控量与所述历史温控量，计算得到历史温控量偏差指数。其中，首先对所述预估温控量与所述历史温控量进行偏差计算，得到所述历史温控量偏差指数，其中，所述历史温控量偏差指数的计算公式如下：

其中，所述

进一步的，基于温控需求及实际设备精度等，综合分析并确定预设偏差阈值，进而判断所述历史温控量偏差指数是否满足所述预设偏差阈值。其中，当所述历史温控量偏差指数满足所述预设偏差阈值时，说明历史记录中此次温控符合模糊控制的效果和精度，因此将该次记录数据作为训练模糊神经模型的数据，此时系统自动获得添加指令，并基于所述添加指令将所述目标历史控制数据集添加至所述训练数据集。

通过对多次历史控制数据集依次进行分析，进而筛选得到可用于训练模糊神经模型的历史数据，达到了为模型训练提供可靠、有效的数据基础的技术效果。

步骤S300：通过所述测温组件对预设区域进行温度检测，得到实时温度；

步骤S400：获得预设温度，并将所述实时温度与所述预设温度进行对比，得到实时温差；

具体而言，所述测温组件是指与提高变频加热温度控制精度的系统通信连接的测温组件，示范性的如温度传感器等。通过所述测温组件对预设区域进行温度检测，从而得到所述预设区域的实时温度。示范性的如将温度传感器均匀设置于预设区域中各个位置，从而得到对应各个位置的实时温度，进而计算各温度的平均值，并将计算得到的平均值作为预设区域的实时温度。进一步的，获得预设温度，示范性的如采集预设区域中的用户温度需求，并将其作为预设温度等。接着将所述实时温度与所述预设温度进行对比计算即得到所述实时温差，即预设区域实际温度与其应当达到的温度之间的差值。通过采集、计算得到实时温差，为模糊神经模型智能化分析并确定模糊控制量提供的基础。

步骤S500：将所述实时温差作为所述模糊神经模型的输入信息，得到输出信息，其中，所述输出信息包括模糊控制量；

步骤S600：将所述模糊控制量进行拆分，得到控制量拆分结果，其中，所述控制量拆分结果包括第一控制量、第二控制量；

步骤S700：通过所述主加热设备对所述第一控制量进行控制执行，通过所述辅加热设备对所述第二控制量进行控制执行。

具体而言，将采集、计算得到的所述实时温差作为所述模糊神经模型的输入信息，通过得到所述模糊神经模型的智能化分析即得到所述输出信息，其中，所述输出信息包括模糊控制量。示范性的如由模糊神经模型中的模糊控制器对实时温差进行模糊化处理得到模糊量，然后由模型对模糊量进行分析运算，匹配对应模糊量的控制量，进而再次利用模糊控制器对该控制量进行清晰化处理，得到准确有效的控制量结果，并通过模型进行输出，即得到模糊控制量。进一步的，将所述模糊控制量进行拆分，其拆分方案基于与系统通信连接的主加热设备和辅加热设备的加热控制精度进行拆分，并得到控制量拆分结果，其中，所述控制量拆分结果包括第一控制量、第二控制量。示范性的如模糊控制量为13.6，其主加热设备和辅加热设备的精度分别为1.0、0.1，那么将模糊控制量13.6拆分为13和0.6，即用主加热设备控制执行13，用辅加热设备控制执行0.6。

通过用精度较低的主加热设备对模糊控制量中的大部分控制需求进行控制执行，达到了提高温控效率的技术效果，进而结合精度较高的辅加热设备对模糊控制量中的小部分控制需求进行控制执行，达到了提高温控精度的技术效果，主、辅加热设备的配合执行，实现了温度控制的有序执行目标。

进一步的，本发明还包括如下步骤：

步骤S810：依次得到对所述第一控制量、所述第二控制量进行控制执行的第一时长、第二时长；

步骤S820：对所述第一时长和所述第二时长进行相加计算，得到第一执行时长；

步骤S830：通过所述测温组件得到第一执行结果，其中，所述第一执行结果是指所述主加热设备与所述辅加热设备在对所述预设区域进行控制执行后的温度；

步骤S840：根据所述第一执行时长与所述第一执行结果进行温控效果评估，得到第一温控效果。

进一步的，本发明还包括如下步骤：

步骤S841：对所述第一执行结果与所述预设温度进行差值计算，得到第一温控偏差；

步骤S842：对所述第一执行时长与所述第一温控偏差进行归一化处理，分别得到第一执行时长处理结果、第一温控偏差处理结果；

步骤S843：利用变异系数法分别得到所述第一执行时长的第一权重系数、所述第一温控偏差的第二权重系数；

步骤S844：基于所述第一权重系数、所述第一执行时长处理结果、所述第二权重系数、所述第一温控偏差处理结果，加权得到所述第一温控效果。

具体而言，在通过所述主加热设备对所述第一控制量进行控制执行，进而通过所述辅加热设备对所述第二控制量进行控制执行时，系统自动对其控制执行过程进行监测，并采集得到所述主加热设备对所述第一控制量进行控制执行的时长，记作所述第一时长，采集得到所述辅加热设备对所述第二控制量进行控制执行的时长，记作所述第二时长。进而将所述第一时长和所述第二时长进行相加计算，即得到第一执行时长。然后，通过所述测温组件对所述主加热设备和所述辅加热设置控制执行后，所述预设区域的温度进行检测，即得到所述第一执行结果，其中，所述第一执行结果是指所述主加热设备与所述辅加热设备在对所述预设区域进行控制执行后的温度。接着，根据所述第一执行时长与所述第一执行结果，即控制执行的时长和控制执行的结果，对系统的温控效果进行评估，并得到第一温控效果。

进一步的，在根据所述第一执行时长与所述第一执行结果，即控制执行的时长和控制执行的结果，对系统的温控效果进行评估时，首先，对所述第一执行结果与所述预设温度进行差值计算，并得到第一温控偏差。然后对所述第一执行时长与所述第一温控偏差进行归一化处理，从而消除数据量纲影响，并分别得到第一执行时长处理结果、第一温控偏差处理结果。接着，利用变异系数法分别得到所述第一执行时长的第一权重系数、所述第一温控偏差的第二权重系数。其中，变异系数法仅根据指标数据即可计算得到对应各指标的权重系数，是一种客观的权重赋值方法。最后，基于所述第一权重系数、所述第一执行时长处理结果、所述第二权重系数、所述第一温控偏差处理结果，加权得到所述第一温控效果。

通过对设备温控执行过程进行监测分析，进而计算得到对应温控结果，实现了将系统温度控制效果量化的技术目标。

进一步的，如附图4所示，本发明还包括步骤S900：

步骤S910：获得阶跃干扰信号，并将所述阶跃干扰信号存储至所述系统；

步骤S920：基于所述阶跃干扰信号进行控制执行，得到第二执行时长；

步骤S930：通过所述测温组件得到第二执行结果；

步骤S940：基于所述第二执行时长与所述第二执行结果，得到第二温控效果；

步骤S950：对比所述第一温控效果与所述第二温控效果，得到对比结果；

步骤S960：根据所述对比结果进行所述系统的抗干扰能力分析。

具体而言，在对系统温控效果进行分析评估后，为进一步分析系统的综合性能，提高系统评估全面性和贴近事实性，通过添加干扰信号并进行温度控制仿真，得到对应的仿真数据，从而进行系统温控效果的进一步评估和调整。

首先获得阶跃干扰信号，并将所述阶跃干扰信号存储至所述系统。然后基于所述阶跃干扰信号进行控制执行，并监测得到加入干扰信号之后系统进行温度控制的总时长，即得到所述第二执行时长。接着，通过所述测温组件对加入干扰信号之后的温度控制结果进行检测，即得到对应预设区域的第二执行结果。进一步的，基于所述第二执行时长与所述第二执行结果，依次进行归一化处理消除数据量纲影响，进而加权计算得到第二温控效果。最后，对比所述第一温控效果与所述第二温控效果并得到对比结果，并根据所述对比结果进行所述系统的抗干扰能力分析。示范性的如加入干扰信号之后的温度控制时长、温度控制偏差均与未加入干扰信号的结果相同或接近，则说明系统的抗干扰能力强，若其中任一指标存在较大偏差，则说明系统的抗干扰能力较差。

通过分析计算，并设置抗干扰控制试验，进而实现对系统温度控制能力的综合评估，达到了提高系统温度控制评估准确性、全面性和可靠性的技术效果。

综上所述，本发明所提供的一种提高变频加热温度控制精度的方法具有如下技术效果：

通过采集历史加热控制记录，其中，所述历史加热控制记录包括多次历史控制数据集；对所述多次历史控制数据集进行筛选得到训练数据集，并训练得到模糊神经模型；通过测温组件对预设区域进行温度检测，得到实时温度；获得预设温度，并将所述实时温度与所述预设温度进行对比，得到实时温差；将所述实时温差作为所述模糊神经模型的输入信息，得到输出信息，其中，所述输出信息包括模糊控制量；将所述模糊控制量进行拆分，得到控制量拆分结果，其中，所述控制量拆分结果包括第一控制量、第二控制量；通过主加热设备对所述第一控制量进行控制执行，通过辅加热设备对所述第二控制量进行控制执行。通过采集历史加热控制记录并分析筛选得到训练数据集，进而通过计算机学习训练得到模糊神经模型，实现了为后续智能化分析确定系统控制量提供模型基础的技术目标。通过测温组件对预设区域的实时温度进行智能检测，并将检测结果实时传输至系统中，经过与系统中预先存储的温度信息进行对比分析后，即得到实时温差数据，实现了为模糊神经模型的智能化处理分析提供输入信息的技术目标。通过模糊神经模型的智能化分析得到输出信息，实现了为加热设备智能控制提供理论指导和依据的技术目标，进而通过拆分后，由主加热设备和辅加热设备分别进行对应的温控执行，达到了提高温度控制精度的技术效果。实现了提高温控决策智能化程度，进而提高决策有效性、可靠性的目标，达到了提高变频加热温度控制的及时性、快速性、准确性的效果。

实施例二

基于与前述实施例中一种提高变频加热温度控制精度的方法，同样发明构思，本发明还提供了一种提高变频加热温度控制精度的系统，所述系统与一测温组件、一主加热设备、一辅加热设备通信连接，请参阅附图5，所述系统包括：

数据采集模块M100，所述数据采集模块M100用于采集历史加热控制记录，其中，所述历史加热控制记录包括多次历史控制数据集；

模型训练模块M200，所述模型训练模块M200用于对所述多次历史控制数据集进行筛选得到训练数据集，并训练得到模糊神经模型；

实时检测模块M300，所述实时检测模块M300用于通过测温组件对预设区域进行温度检测，得到实时温度；

对比获得模块M400，所述对比获得模块M400用于获得预设温度，并将所述实时温度与所述预设温度进行对比，得到实时温差；

智能分析模块M500，所述智能分析模块M500用于将所述实时温差作为所述模糊神经模型的输入信息，得到输出信息，其中，所述输出信息包括模糊控制量；

拆分处理模块M600，所述拆分处理模块M600用于将所述模糊控制量进行拆分，得到控制量拆分结果，其中，所述控制量拆分结果包括第一控制量、第二控制量；

控制执行模块M700，所述控制执行模块M700用于通过主加热设备对所述第一控制量进行控制执行，通过辅加热设备对所述第二控制量进行控制执行。

进一步的，所述系统中的所述模型训练模块M200还用于：

提取所述多次历史控制数据集中的目标历史控制数据集；

其中，所述目标历史控制数据集包括历史实测温度、历史预设温度、历史温控量；

对所述历史实测温度和所述历史预设温度进行差值计算，得到历史温差；

基于模糊控制算法原理构建模糊控制器，并通过所述模糊控制器对所述历史温差进行处理，得到预估温控量；

基于所述预估温控量与所述历史温控量，计算得到历史温控量偏差指数；

获得预设偏差阈值，并判断所述历史温控量偏差指数是否满足所述预设偏差阈值；

若是，获得添加指令，并基于所述添加指令将所述目标历史控制数据集添加至所述训练数据集。

进一步的，所述系统中的所述模型训练模块M200还用于：

基于模糊控制算法原理获得模糊化接口，其中，所述模糊化接口包括A/D模拟数字转换器；

基于模糊控制算法原理获得清晰化接口，其中，所述清晰化接口包括D/A数字模拟转换器；

构建模糊规则库，并结合所述模糊化接口和所述清晰化接口得到所述模糊控制器；

将所述模糊控制器存储至所述模糊神经模型。

进一步的，所述系统中的所述模型训练模块M200还用于：

对所述预估温控量与所述历史温控量进行偏差计算，得到所述历史温控量偏差指数，其中，所述历史温控量偏差指数的计算公式如下：

其中，所述

进一步的，所述系统还包括效果分析模块，所述效果分析模型用于：

依次得到对所述第一控制量、所述第二控制量进行控制执行的第一时长、第二时长；

对所述第一时长和所述第二时长进行相加计算，得到第一执行时长；

通过所述测温组件得到第一执行结果，其中，所述第一执行结果是指所述主加热设备与所述辅加热设备在对所述预设区域进行控制执行后的温度；

根据所述第一执行时长与所述第一执行结果进行温控效果评估，得到第一温控效果。

进一步的，所述系统还包括效果分析模块，所述效果分析模型用于：

对所述第一执行结果与所述预设温度进行差值计算，得到第一温控偏差；

对所述第一执行时长与所述第一温控偏差进行归一化处理，分别得到第一执行时长处理结果、第一温控偏差处理结果；

利用变异系数法分别得到所述第一执行时长的第一权重系数、所述第一温控偏差的第二权重系数；

基于所述第一权重系数、所述第一执行时长处理结果、所述第二权重系数、所述第一温控偏差处理结果，加权得到所述第一温控效果。

进一步的，所述系统还包括抗干扰分析模块，所述抗干扰分析模型用于：

获得阶跃干扰信号，并将所述阶跃干扰信号存储至所述系统；

基于所述阶跃干扰信号进行控制执行，得到第二执行时长；

通过所述测温组件得到第二执行结果；

基于所述第二执行时长与所述第二执行结果，得到第二温控效果；

对比所述第一温控效果与所述第二温控效果，得到对比结果；

根据所述对比结果进行所述系统的抗干扰能力分析。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种提高变频加热温度控制精度的方法和具体实例同样适用于本实施例的一种提高变频加热温度控制精度的系统，通过前述对一种提高变频加热温度控制精度的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种提高变频加热温度控制精度的系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。