CN107289998B - 基于can总线的猪舍环境温度智能监测系统 - Google Patents
基于can总线的猪舍环境温度智能监测系统 Download PDFInfo
- Publication number
- CN107289998B CN107289998B CN201710334067.2A CN201710334067A CN107289998B CN 107289998 B CN107289998 B CN 107289998B CN 201710334067 A CN201710334067 A CN 201710334067A CN 107289998 B CN107289998 B CN 107289998B
- Authority
- CN
- China
- Prior art keywords
- pig house
- temperature
- house environment
- model
- point temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 230000000505 pernicious effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 12
- 230000033228 biological regulation Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 25
- 238000012706 support-vector machine Methods 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000012010 growth Effects 0.000 description 6
- 238000009529 body temperature measurement Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000004584 weight gain Effects 0.000 description 2
- 235000019786 weight gain Nutrition 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 208000019395 Lactation disease Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 206010042576 Suppressed lactation Diseases 0.000 description 1
- 206010046914 Vaginal infection Diseases 0.000 description 1
- 201000008100 Vaginitis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000008642 heat stress Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000004396 mastitis Diseases 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000019100 sperm motility Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K1/00—Housing animals; Equipment therefor
- A01K1/0047—Air-conditioning, e.g. ventilation, of animal housings
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于CAN总线的猪舍环境温度智能监测系统，其特征在于：所述智能监测系统由基于CAN总线的猪舍环境参数采集与智能预测平台、猪舍环境多点温度融合模型和猪舍环境温度智能预测模型三部分组成；本发明有效解决了现有猪舍监控系统没有根据猪舍环境温度变化的非线性、大滞后和猪舍面积大和温度变化复杂等特点，对猪舍环境的温度进行智能化监测与预测，从而极大的影响猪舍环境温度的调控问题。
Description
技术领域
本发明涉及农业牲畜养殖自动化装备的技术领域，具体涉及基于CAN总线的猪舍环境温度智能监测系统。
背景技术
猪舍环境温度对育肥猪的生长影响很大，不同体重的猪在不同温度下其增重不同。低温影响肥育猪的正常生长，猪的维持需要增加耗料，饲养成本高，肥育期延长。猪的生产水平和健康状况受温度、空气、光照、粉尘、噪音、设备和卫生等诸多环境因素的影响，其中，温度被认为是重要因素之一。当环境温度发生变化，猪的肌体会作出一系列的反应，变化快、温差大时，猪不仅不能正常生长，甚至会出现一些病态。猪是一种体温为39℃的恒温动物。猪舍内过多的热量对于猪来说是一个十分沉重的负担，在高温的环境条件下，温热环境和猪之间的相互作用远远超过了简单的外界刺激对猪所产生的应答反应，在这种条件下，猪常常采用三种调节方式来维持自身体温的恒定，在适宜的温热区域，猪采用耗能最少的行为调节方式，舒展身体等扩大身体的表面积加强散这一结果必然会严重影响养猪场的生产效率，给猪场带来重大的经济损失，面对高温的恶劣影响，我们必须采取综合措施不断改善猪舍的温热环境，为猪创造适宜的环境，减轻猪只的热应激，才能保证夏季时猪场的高产、稳产。通常猪可以对肌体产热进行调节而平衡热量的损失，猪在温度适中区的环境内生长，产热量最少，疾病不容易发生，能发挥其最大生产潜力。当环境温度高于温度适中区时，猪采食量减少，同时内分泌系统发生相应变化，母猪排卵数减少，产奶不足，容易出现诸如子宫炎、阴道炎和乳房炎等生殖器官疾病，还会引起乳猪的缺乳性拉稀，公猪出现精液稀薄、精子活力不强等现象。当栏舍的温度低于猪的临界低温时，猪就会大量的摄入能量饲料用于产热，以维持体温，但降低了生产水平。集约化的猪场如要提高生产水平，就不能让猪生活在低于临界低温的环境，防止把摄入的能量用于产热而降低日增重和料重比。应根据自身的实际情况，在不同季节，针对不同的生长阶段，增加相应的设施，使猪舍的环境温度达到一个适中的温度水平。试验证明，当气温从20℃降至12.5℃时，日增重会下降14.3克，但如果日采食增加38克，则可以达同样的生长速度；在自由采食的条件下，温度的变化对日增重和料重比影响相对较小。温度过低也会影响生长以致发生疾病。根据我场多年的试验，当气温在15-22℃时，肉猪的生长速度和料重比都可以达到最佳水平。过高和过低的温度不仅对集约化猪场的生产水平带来影响，而且也对猪的健康产生影响。如前所述，过高的温度会带来一些影响种猪繁殖性能的疾病，如同单纯的低温不会直接影响猪只健康一样，过高和过低的温度为猪发病提供了条件。气温的剧烈变化或气温处于过高或过低的状态，容易引起病原体数量的变化以及猪本身抵抗能力的降低，从而使疾病发生。只有在病原体存在时，气温的变化过高或过低时才会引起疾病，气温是一个诱因。这一诱因对很多猪场来说影响严重，因为许多猪场的猪群存在很多疾病的亚临床症状。所以要保持猪群的健康，必须尽量创造一个猪群适宜的温度环境，并且尽量减少温度的大幅的频繁变化。
从上综述可见，猪舍温度对猪的生产过程和提高经济效益有重要作用，陈军等研究湿帘-风机系统自动控制技术对妊娠猪舍内温度影响，李立峰等研制基于组态软件和模糊控制的分娩母猪舍环境监控系统，俞守华等研究猪舍有害气体测定与温度智能控制算法，钱东平等研究畜禽舍环境温度监控系统模糊控制算法的实现，朱伟兴等研制基于物联网的保育猪舍环境监控系统，但是这些系统都没有根据猪舍环境温度变化的非线性、大滞后和猪舍面积大温度变化复杂等特点，对猪舍环境的温度进行智能化监测与预测，从而极大的影响猪舍环境温度的调控。
发明内容
本发明提供了基于CAN总线的猪舍环境温度智能监测系统，本发明有效解决了现有猪舍监控系统没有根据猪舍环境温度变化的非线性、大滞后和猪舍面积大温度变化复杂等特点，对猪舍环境的温度进行智能化监测与预测，从而极大的影响猪舍环境温度的调控问题。
本发明通过以下技术方案实现：
基于CAN总线的猪舍环境温度智能监测系统，其特征在于：所述智能监测系统由基于CAN总线的猪舍环境参数采集与智能预测平台、猪舍环境多点温度融合模型和猪舍环境温度智能预测模型三部分组成，基于CAN总线的猪舍环境参数采集平台实现对猪舍环境因子参数进行检测、调节和监控，猪舍环境多点温度融合模型基于猪舍环境多个检测点温度传感器的温度模糊值的支持度矩阵和灰色关联度矩阵求得的支持度融合权重、灰色关联度融合权重和线性组合权重实现对猪舍环境多点温度融合,猪舍环境温度智能预测模型包括自回归积分滑动平均模型(ARIMA)、自适应神经模糊推理(ANFIS)、最小二乘支持向量机SVM模型和粒子群算法(PSO)优化最小二乘支持向量机SVM模型实现对猪舍环境温度智能预测。
本发明进一步技术改进方案是：
所述基于CAN总线的猪舍环境参数采集与智能预测平台由检测节点、控制节点和现场监控端组成，它们通过CAN总线实现检测节点、控制节点和现场监控端之间的通信。检测节点分别由传感器组模块、单片机和通信接口组成，传感器组模块负责检测猪舍环境的温度、湿度、风速和有害气体等猪舍小气候环境参数，由单片机控制采样间隔并通过通信模块发送给现场监控端；控制节点实现对猪舍环境参数的调节设备进行控制；现场监控端由一台工业控制计算机和RS232/CAN通信模块组成，实现对检测节点检测猪舍环境参数进行管理和对猪舍环境多点温度进行融合与智能预测。基于CAN总线的猪舍环境参数采集与智能预测平台见图1所示。
本发明进一步技术改进方案是：
通过把各个检测点温度传感器值转化为模糊数，定义两两温度模糊值之间的距离与支持度和灰色关联度，构建支持度矩阵和灰色关联度矩阵，来得各个检测点温度传感器值的支持度融合权重和灰色关联度融合权重，通过对这两种融合权重的线性组合得到猪舍多点温度传感器值融合的组合权重，猪舍环境各个检测点温度传感器值与各自温度传感器值融合的组合权重积的相加和为猪舍环境多个检测点温度融合模型的值，该融合模型既考虑了不同检测点温度传感器的温度模糊值之间距离，也考虑了不同检测点温度传感器的温度模糊值之间的灰色关联度，提高了猪舍多点温度传感器值融合精度。具体方法见图2上半部分。
本发明进一步技术改进方案是：
针对猪舍温度单一预测模型误差波动较大和线性组合预测的局限性，为了进一步提高猪舍温度预测模型的预测精度，在检验各个单一预测模型预测有效的情况下，建立了自回归积分滑动平均模型(ARIMA)、自适应神经模糊推理(ANFIS)和最小二乘支持向量机SVM模型3种猪舍温度单项预测模型，一个时延段的猪舍环境多点温度融合模型的输出作为单项预测模型的输入，并分别建模预测得到3种不同的预测结果；然后将各单项的预测结果作为训练输入，将相应的实际值作为训练输出，建立最小二乘支持向量机SVM的猪舍温度非线性组合预测模型，并用粒子群算法(PSO)对SVM组合预测模型中的参数进行优化，实现对猪舍温度的高精度预测。将该方法应用于实际猪舍温度预测，并与单一的ARIMA模型、ANFIS模型和SVM模型进行比较。仿真实验结果表明，该组合预测模型实现了对猪舍温度参数更为准确的预测，鲁棒性强，该方法具有较好的预测效果。具体方法见图2下半部分。
本发明与现有技术相比，具有以下明显优点：
一、本发明针对基于CAN总线猪舍环境多点温度过程中，传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，本发明专利将猪舍环境温度传感器测量的温度值用模糊数形式表示，有效地处理了猪舍环境温度传感器测量值的模糊性和不确定性，提高了猪舍环境温度传感器融合值的客观性和可靠性。
二、本发明将猪舍环境温度参数转化为模糊数形式，定义两两模糊数之间的距离与支持度，构建支持度矩阵，根据猪舍环境每个检测点温度传感器模糊数的支持度占整个猪舍环境温度检测点传感器的温度传感器模糊数的支持度和的比为该检测点温度传感器检测值的支持度融合权重αi，提高了猪舍环境温度融合值的精确性和科学性。
三、本发明将猪舍环境温度参数转化为模糊数形式，定义两两模糊数之间的灰色关联度，构建灰色关联度矩阵，根据每个检测点温度传感器模糊数的平均灰色关联度占整个猪舍环境检测点温度传感器模糊数的平均灰色关联度和的比为该检测点温度传感器检测值的灰色关联度融合权重βi，提高了猪舍环境温度融合值的精确性和科学性。
四、本发明根据线性组合原理，组合权重wi与αi和βi都应尽可能接近，根据每个检测点的支持度融合权重αi与灰色关联度融合权重βi的线性组合为该检测点温度传感器值融合的组合权重，该组合权重既考虑了该检测点温度传感器值的灰色关联度融合权重βi，也考虑了该检测点温度传感器值的支持度融合权重αi，该组合权重提高猪舍环境温度融合值的精确性、可靠性和科学性，猪舍环境温度融合值更加反映猪舍环境温度值的真实性。
五、本发明由于猪舍温度具有复杂的非线性特性，不同的工况下温度变化很大，很难建立精确的数学模型，利用ANFIS网络可精确地辨识控制系统输入和输出特性，具有良好的非线性逼近能力，ANFIS既具有模糊推理系统的推理功能，又具有神经网络的训练学习功能。将两者的优势结合，克服了单纯神经网络黑匣子特性，具有一定的透明度。通过大量实验验证了ANFIS比一般BP神经网络训练快，训练次数也大大减少，克服了局部最优的问题。因此，利用ANFIS网络建立精确的猪舍温度传感器值输入和输出预测猪舍温度模型，为研究智能控制策略提供了模型基础。
六、本发明将粒子群算法(PSO)和最小二乘支持向量机(LS-SVM)算法相结合，采用PSO算法优化LS-SVM的参数，克服了人为参数选择的盲目性，在全局优化与收敛速度方面具有较大优势。仿真实验表明，相比未经优化的支持向量机(SVM)和LS-SVM模型，经PSO算法优化后的LS-SVM有更高的预测精度和运算速度、预测误差值小以及具有较好的有效性和可行性，提高预测猪舍温度的准确性。
七、本发明采用ARIMA预测模型是基于猪舍温度检测原始数据服从时间序列分布，利用猪舍温度变化具有一定惯性趋势的原理，建立时间序列模型，从而达到预测的目的。该方法可将各种影响猪舍温度变化与发展错综复杂的因素进行综合统一于蕴含于时间变量之中，且考虑了序列的趋势变化、周期变化和随机干扰并借助模型参数进行量化表达，可以通过反复识别修正从而获得预测效果较好的模型，ARIMA预测模型既吸收了传统回归分析的优点又发挥了移动平均的长处，具有适用范围广，实用性强、预测误差小的特点，是一种预测精确度较高的猪舍温度短期预测方法。
八、本发明分别充分利用了原始数据和采用最小二乘支持向量机(LS-SVM)、ARIMA预测模型和ANFIS自适应神经模糊推理等单一预测猪舍温度模型的信息，它们的输出作为基于粒子群PSO优化LS-SVM预测模型的输入，构建粒子群PSO优化LS-SVM预测组合模型，该组合预测模型弥补了单一模型方法的不足，保证了组合预测结构风险的最小化，具有多种预测方法的优点，形成多种预测方法互补，该组合预测方法与单一预测模型相比组合预测的鲁棒性强，预测精度高。
九、本发明采用粒子群算法(PSO)对SVM组合预测模型中的参数进行优化为最优非线性组合模型的逼近器，构建预测猪舍环境温度的组合预测模型，利用三种单一预测子模型信息，实现预测信息之间的互补，提高了组合预测模型的鲁棒性，通过组合模型对三个子模型预测结果进行融合，实现了多种预测方法的综合应用，相对单一的预测方法，该组合预测结果更科学和准确。
附图说明
图1为本发明基于CAN总线的猪舍环境参数采集与智能预测平台；
图2为本发明猪舍环境多点温度融合模型和猪舍环境温度智能预测模型；
图3为本发明检测节点功能图；
图4为本发明控制节点功能图；
图5为本发明现场监控端软件功能图；
图6为本发明猪舍环境参数采集与智能预测平台平面布置图。
具体实施方式
1、系统总体功能的设计
本发明实现对猪舍环境因子参数进行检测、猪舍环境多点温度融合和猪舍环境温度智能预测，该系统由基于CAN总线的猪舍环境参数采集与智能预测平台、猪舍环境温度多点融合模型和猪舍环境温度智能预测模型3部分组成。基于CAN总线的猪舍环境参数采集与智能预测平台包括猪舍环境参数的检测节点1和调节猪舍环境参数的控制节点2，通过CAN总线方式构建成测控网络来实现检测节点1、控制节点2和现场监控端3之间的现场通信；检测节点1将检测的猪舍环境参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
2、检测节点的设计
本发明采用基于CAN总线的检测节点1作为猪舍环境参数感知终端，检测节点1和控制节点2通过CAN总线方式实现与现场监控端3之间的信息相互交互。检测节点1包括采集猪舍环境温度、湿度、风速和有害气体参数的传感器和对应的信号调理电路、C8051F040微处理器；检测节点的软件主要实现现场总线通信和猪舍环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、控制节点
控制节点2在输出通路设计了4路D/A转换电路实现对温度、湿度、风速和有害气体的调节输出量控制电路、C8051F040微处理器和CAN总线通信模块接口，实现对猪舍环境控制设备进行控制，控制节点见图4。
4、现场监控端软件
现场监控端3是一台工业控制计算机，现场监控端3主要实现对猪舍环境参数进行采集、多点温度融合和猪舍环境温度预测，实现与检测节点1与控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理、猪舍环境多点温度融合和猪舍温度智能预测。该管理软件选择了MicrosoftVisual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。
⑴、猪舍环境多点温度融合模型的设计
①、猪舍温度传感器值模糊化
设k时刻对某猪舍温度做等精度的多点同时独立检测，则得到k时刻该猪舍温度的测量子集X(k)为X(k)＝[x1(k),x2(k),…xn(k)]，且所测得的xi(k)(i＝1，2…，n)服从正态分布。则该猪舍在k时刻时猪舍温度的平均值为：
在k时刻时，第i个传感器测得猪舍温度的标准方差估计为：
σi 2(k)＝[xi(k)-x0(k)]2 (2)
猪舍温度值气候环境、猪舍湿度和风速等多种因素的影响，猪舍温度各个监测点传感器的量测值与目标真实值之间有误差，猪舍目标真实值只是在所有有效数据的附近。假设猪舍温度的测量值误差是随机误差，猪舍温度测量值分布是由猪舍多点温度均值和方差所确定的正态分布。为工程实际应用需要，在本方法中模糊化的隶属函数选用三角形，三角形中心是猪舍温度传感器的测量值，宽度为猪舍温度值标准方差的4倍。对于猪舍第i个温度传感器在k时刻的测量值为xi(k)和标准方差为σi(k)，则对应的测量模糊量表示为：
Ai(k)＝(ai1(k),ai2(k),ai3(k))＝(xi(k)-2σi(k),xi(k),xi(k)+2σi(k)) (3)
②、求得不同检测点温度传感器的支持度融合权重αi
A、定义两两模糊化值之间的距离
由于猪舍环境温度受多种因素干扰的随机性，对猪舍温度测量值的真伪程度只能通过量测量子集X(k)中自身蕴含的信息来确定，即xi(k)(i＝1，2…，n)的真实性越高，则xi(k)被猪舍其他温度传感器测量值所支持的程度就越高。从猪舍温度第j个传感器测量值xj(k)来看第i个传感器测量值xi(k)为真实数据的可能程度则称xi(k)值被xj(k)支持程度。针对猪舍温度传感器间测量值支持程度引入相对距离的概念，定义第i和第j两传感器测量值间的相对距离dij，根据三角模糊数距离计算方法，则dij表达形式如下：
B、构建不同检测点温度传感器值的模糊支持度矩阵
由dij的表达形式可知，dij越大则表明两个传感器间温度测量值的差别越大，即两温度测量值间的相互支持程度就越小。为了对不同传感器测量值的相互支持程度进行进一步地统一量化处理，以下定义第i和第j两传感器测量值与相对距离成反比的支持度函数Sij，Sij计算公式为：
从式(4)的定义形式可知，猪舍温度传感器间测量数据间相对距离越小，测量温度数据间的相互支持度sij值越大，它表示Ai与Aj越贴近。若sij值＝1，表示Ai与Aj完全相同；反之，sij很小时表示猪舍量测的猪舍温度两个数据间的相对距离很大，这时可以看作两个数据已经不再互相支持。sij值＝0，表示Ai与Aj完全不一致。在猪舍温度传感器数据融合中，要考虑同一时刻各个传感器之间的支持度sij。由于sij取值从1-0依次递减，所以满足支持度函数应具有的性质。而且，这种满足模糊性支持度函数sij的定义形式更符合实际问题的真实性，同时便于具体实施，可使得融合的结果更加精确和稳定。对于猪舍温度测量数据间融合问题，建立模糊支持度矩阵R如下：
C、求得不同检测点温度传感器的支持度融合权重αi
支持度矩阵R中sij仅表示猪舍温度测量数据Ai被Aj间的相互支持程度，它不能反映Ai被该猪舍温度测量系统中所有传感器量测数据的支持程度，而Ai与系统中所有传感器测量温度值的支持度真实程度实际应由si1，si2，…，sin综合体现。基于以上考虑，设αi表示Ai被猪舍温度测量系统中其它传感器测量数据的综合支持程度，αi越大表明Ai被猪舍其它温度传感器测量数据的支持程度越高，即基于第i个猪舍温度传感器量测量值Ai在所有猪舍温度传感器获得的温度测量数据的真实性就越高。
αi即是第i个猪舍温度传感器量测数据Ai被猪舍温度测量系统中其它温度传感器测量温度数据的综合支持程度，即为该温度传感器测量数据在所有传感器测量数据的重要程度。
③、求得不同检测点温度传感器的灰色关联度融合权重βi
A、义两两模糊化值之间的灰色关联度
由灰色理论可知，灰色关联度是研究事物之间、事物因素之间相关性的一种度量。它是以事物或因素之间时间序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越相似，相应序列之间的关联度就越大，反之就越小。猪舍环境温度测量系统有n个传感器同时对猪舍环境温度进行检测，设在K时刻第i个传感器的温度测量值为xi(k)，则对应的测量模糊值为Ai(k)，由于猪舍内外界环境因素的干扰对猪舍温度测量精度的影响，xi(k)的准确程度可以通过它的测量模糊值Ai(k)与该时刻其余点测量模糊值的灰色关联度来判断，如果它的灰色关联度大，则说明该测量点在k时刻温度测量值得精度高，反之准确性较差。则在同一时刻k不同检测点值i，j的xi(k)与xj(k)的灰色关联度可以定义为：
B、建不同检测点温度传感器值的灰色关联度矩阵
公式中ρ为分辨系数，本专利取ρ＝0.5。灰色关联度不仅考虑了不同传感器在k时刻数据的接近程度，而且还参考它们间的历史信息，因此它更加能够反映不同传感器间测量猪舍温度的支持度。则由m个猪舍温度传感器在k(k＝1，2…n)时刻测得猪舍温度值的灰色关联度γij(k)可以构成灰色关联度矩阵为A，则A为：
C、求得不同检测点温度传感器的灰色关联度融合权重βi
灰色关联矩阵A中，第i个传感器测量猪舍温度值与其它传感器测量猪舍温度值的灰色关联的平均值为：
如果ηi值较大，那么说明第i个传感器所测猪舍温度值与多数传感器测量猪舍温度值比较接近；反之，第i个传感器所测猪舍温度值与多数传感器测量猪舍温度值的偏差较大。根据猪舍每个温度传感器的灰色关联度均值占猪舍所有温度传感器的灰色关联度均值和的比值来确定每个温度传感器的测量温度值的融合权重，即：
④、求得不同检测点温度传感器融合的组合权重wi
将基于三角模糊数方法得到的支持度融合权重αi和基于灰色关联度方法得到的灰色关联度融合权重βi进行线性组合得到的权重称为组合权重wi，公式为：
wi＝ααi+ββi (12)
⑤、根据组合权重得到猪舍环境多点温度融合模型值：
其中k为时间，i为检测点，xi为k时刻第i个检测点温度，wi为第i个检测点组合权重。
⑵、猪舍环境温度智能预测模型
①、自回归积分滑动平均模型(ARIMA)预测猪舍温度设计
时间序列分析方法就是从具有先后顺序的信息中提取有用信息，它是数理统计的一个重要分支。时间序列分析方法的实质是通过对历史数据的处理，寻找前后数据之间的关系，建立关联模型，然后，通过历史数据和所建立的关联模型预测时间序列的未来值。时间序列分析有多种模型：自回归模型(Autoregressive model，AR)、移动平均模型(Movingaverage model，MA)、自回归移动平均模型(Auto-regressive moving average model，ARMA)，这3种模型都是对平稳时间序列而言。在实际问题中，许多时间序列并不近似为平稳时间序列，所以不能直接用3种基本模型建模，可以通过某种处理产生一个平稳的新的时间序列，再进行建模。ARIMA(p，d，q)中：p代表自回归阶数；d代表对含有长期趋势、季节变动、循环变动的非平稳时间数列进行差分处理的次数；q代表滑动平均的阶数。本专利就是基于ARIMA模型(自回归移动平均模型)进行猪舍温度的预测，ARIMA建模基本思路为：将预测猪舍温度随时间移而形成的数据序列视为一个随机序列，时间序列(ARIMA)猪舍温度预测模型通过识别后就可以从时间序列的过去值和现在值来预测未来值。在ARIMA猪舍温度预测模型中，猪舍温度在某时刻的值是它的若干历史数据与一组白噪声的线性函数：
xt＝φ1xt-1+φ2xt-2+…+φpxt-p+εt-θ1εt-1-θ2εt-2-…-θqεt-q (14)
在猪舍温度预测模型中{xt}是一个平稳时间序列，{εt}是一个白噪声序列，φi,θj(i＝1,2,…,p；j＝1,2,…,q)分别是它们对应的参数。猪舍温度预测ARIMA模型建立的基本步骤：
(1)根据时间序列的图形对猪舍温度历史序列的平稳性进行判断。
(2)使用差分对非平稳序列进行平稳化处理，并确定差分的阶数，即d的值。
(3)针对差分后的平稳序列，采用自相关函数和偏自相关函数图等对猪舍温度预测ARIMA模型识别，确定模型中p、q的值。
(4)采用最小二乘估计或极大似然估计对猪舍温度预测ARIMA模型中的p+q个参数进行模型估计。
(5)对猪舍温度预测ARIMA模型进行检验并对猪舍温度进行预测，本专利采用前面4个时刻猪舍温度参数值来预测下一个时刻猪舍温度值。
②、ANFIS自适应神经模糊推理模型预测猪舍温度设计
ANFIS采用与一阶S ugeno型模糊推理系统功能相同的基于自适应网络的模糊推理系统，第一层：将输入变量模糊化，每个节点对应输出可表示为：
式中n为每个输入隶属函数个数，可根据辨识情况调整，本专利n＝4，隶属函数采用高斯隶属函数。本专利采用前面4个时刻猪舍温度参数值来预测下一个时刻猪舍温度值。
第二层：实现规则运算，输出规则的适用度，规则运算采用乘法。
第三层：将各条规则的适用度归一化：
第四层：每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为：
式中pi、qi、ri为结论参数。
第五层：该层的单节点是一个固定节点，计算输入信号的总输出为：
决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。训练算法采用最小二乘与梯度下降结合的算法来训练。参数采用线性最小二乘估计算法调整参数。在每一次迭代中，首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论参数；然后，信号继续沿网络正向传递直到输出层(即第5层)。此后，将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高参数的收敛速度。ANFIS自适应神经网络模糊推理预测模型实现：1)对输入变量进行归一化预处理，输入变量的隶属函数统一取Gauss函数；(2)根据输入变量的特征，将前面4个时刻猪舍温度分为4个模糊等级；(3)采用ANFIS网络进行猪舍温度预测，设定初始学习率为0.06，动量常数为0.9，确定模糊规则256个。
③、最小二乘支持向量机(LS-SVM)预测猪舍温度设计
支持向量机(support vector machines，SVM)具有较强的泛化能力和全局能力，克服了其他机器学习方法的泛化能力差、过拟合和容易陷入局部最优等缺点，该方法已经应用于变压器故障诊断、电力负荷预测等领域，并具有理想的科学指导意义。最小二乘支持向量机算法(LS-SVM)是一种对标准支持向量机的扩展，该算法采用平方和误差损失函数代替标准支持向量机的不敏感损失函数，同时实现了将标准SVM算法中的不等式约束转化为等约束。因此，LS-SVM算法将二次规划问题化简为求解线性方程组，明显降低了求解的复杂性，提高了计算速度。设训练样本集D＝{(xi,yi)|i＝1,2,…,n}，xi和yi，分别为输入和输出样本数据，n为样本数。设置非线性函数它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程，将带约束条件的优化问题转化为无约束条件的优化问题，可得到LS-SVM的线性回归方程如下：
在求解过程中，为了避免求解复杂的非线性映射函数，引入了径向基核函数(radial basis function，RBF)替代高维空间中的点积运算，可以大大减少计算量，而且RBF核函数容易实现SVM的优化过程，因为它的每个基函数的中心与支持向量一一对应，且这些支持向量和权值都可以通过算法得到。因此，基于支持向量机的猪舍温度组合预测模型为：
模型的预测输出是猪舍的温度，每个中间节点对应一个支持向量，x1,x2,…xn为输入变量，αi为网络权重。
④、基于粒子群PSO优化最小二乘支持向量机LS-SVM的过程
在优化算法中，每一个粒子代表LS-SVM的1组参数，分别为惩罚因子C和核参数σ2，粒子所对应的适应度是该组参数下算法的性能，基于粒子群PSO的LS-SVM优化过程的步骤如下：
①初始化粒子种群，设定迭代次数、粒子维数、群体规模，随机产生1组参数作为粒子初始解空间位置和初始速度。
②用粒子对应的最小二乘支持向量机模型对测试样本进行预测，进行适应度评估。
③对每个粒子，比较它的经历过的最好的Pbest的适应度值和群体经历过的最好位置Gbest的适应度值，若比Pbest、Gbest好，则更新Pbest、Gbest，否则保持原来的数据。
④整个群体粒子计算后，判断是否满足终止条件，若不满足则更新粒子，产生新的粒子群，返回步骤②。如果满足最大迭代次数或结束条件，计算结束并输出计算结果。
5、猪舍环境温度智能监测系统的设计举例
根据猪舍环境的状况，系统布置了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测猪舍环境中，整个系统平面布置见图6，通过该系统实现对猪舍环境参数的采集与猪舍环境温度检测和智能化预测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (2)
1.基于CAN总线的猪舍环境温度智能监测系统，其特征在于：所述智能监测系统由基于CAN总线的猪舍环境参数采集与智能预测平台、猪舍环境多点温度融合模型和猪舍环境温度智能预测模型三部分组成，基于CAN总线的猪舍环境参数采集与智能预测平台实现对猪舍环境因子参数进行监测、调节和监控，猪舍环境多点温度融合模型基于猪舍环境多个检测点温度传感器的温度模糊数的支持度矩阵和灰色关联度矩阵求得的支持度融合权重、灰色关联度融合权重和线性组合权重实现对猪舍环境多点温度融合, 猪舍环境温度智能预测模型包括自回归积分滑动平均模型（ARIMA）、自适应神经模糊推理（ANFIS）、最小二乘支持向量机SVM 模型和粒子群算法（PSO）优化最小二乘支持向量机SVM模型实现对猪舍环境温度智能预测；
所述猪舍环境多点温度融合模型把猪舍环境多个检测点温度传感器的温度值转化为模糊数，定义两两温度传感器的温度模糊数的支持度和灰色关联度，构建支持度矩阵和灰色关联度矩阵，每个检测点温度传感器模糊数的支持度占整个猪舍环境检测点温度传感器的温度传感器模糊数的支持度和的比为该检测点温度传感器检测值的支持度融合权重，每个检测点温度传感器模糊数的平均灰色关联度占整个猪舍环境检测点温度传感器模糊数的平均灰色关联度和的比为该检测点温度传感器检测值的灰色关联度融合权重，每个检测点的支持度融合权重与灰色关联度融合权重的线性组合为该检测点温度传感器值融合的组合权重，猪舍环境各个检测点温度传感器值与各自温度传感器值融合的组合权重积的相加和为猪舍环境多个检测点温度融合模型的值；
所述猪舍环境温度智能预测模型包括自回归积分滑动平均模型（ARIMA）、自适应神经模糊推理（ANFIS）、最小二乘支持向量机SVM 模型和粒子群算法（PSO）优化最小二乘支持向量机SVM模型组成，针对猪舍环境温度的非线性、大滞后和变化复杂的特点，分别建立基于自回归积分滑动平均模型（ARIMA）、自适应神经模糊推理（ANFIS）、最小二乘支持向量机SVM模型三种单一预测子模型分别预测猪舍环境温度，一个时延段的猪舍环境多点温度融合模型的输出值作为三种单一预测子模型的输入，三种单一预测子模型的输出作为粒子群算法（PSO）优化最小二乘支持向量机SVM模型的输入，应用粒子群算法（PSO）优化最小二乘支持向量机SVM模型作为猪舍环境温度非线性组合模型的逼近器，构建预测猪舍环境温度的组合预测模型，实现对三种单一预测子模型结果的融合作为猪舍环境温度的预测值，猪舍环境温度智能预测模型利用三种单一预测子模型的信息，实现预测信息之间的互补，提高了猪舍温度预测模型的鲁棒性，预测结果更科学和准确。
2.根据权利要求1所述的基于CAN总线的猪舍环境温度智能监测系统，其特征在于：所述基于CAN总线的猪舍环境参数采集与智能预测平台由检测节点、控制节点和现场监控端组成，它们通过CAN总线实现检测节点、控制节点和现场监控端之间的通信；检测节点负责检测猪舍环境的温度、湿度、风速和有害气体的实际值，控制节点实现对猪舍环境参数的调节设备进行控制；现场监控端实现对猪舍环境参数进行管理和对猪舍环境多点温度融合与预测猪舍环境温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710334067.2A CN107289998B (zh) | 2017-05-12 | 2017-05-12 | 基于can总线的猪舍环境温度智能监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710334067.2A CN107289998B (zh) | 2017-05-12 | 2017-05-12 | 基于can总线的猪舍环境温度智能监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107289998A CN107289998A (zh) | 2017-10-24 |
| CN107289998B true CN107289998B (zh) | 2019-08-23 |
Family
ID=60095242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710334067.2A Active CN107289998B (zh) | 2017-05-12 | 2017-05-12 | 基于can总线的猪舍环境温度智能监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107289998B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181886B (zh) * | 2017-12-30 | 2019-12-13 | 中国移动通信集团江苏有限公司 | 智能乡村物联网管理方法、装置、设备及介质 |
| CN108507700A (zh) * | 2018-03-20 | 2018-09-07 | 中国农业大学 | 一种猪舍多点温度预测方法及系统 |
| CN108984870A (zh) * | 2018-06-29 | 2018-12-11 | 中国科学院深圳先进技术研究院 | 基于arima的冷库温湿度数据预测方法及相关产品 |
| CN109034466A (zh) * | 2018-07-16 | 2018-12-18 | 浙江师范大学 | 一种基于支持向量机回归的蛋鸡产蛋率预测方法 |
| CN108844662B (zh) * | 2018-08-21 | 2020-08-14 | 南京工程学院 | 一种数控机床电气柜状态评估方法 |
| CN110069032B (zh) * | 2019-04-19 | 2021-04-23 | 淮阴工学院 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
| CN110119169B (zh) * | 2019-04-19 | 2020-08-21 | 淮阴工学院 | 一种基于最小向量机的番茄温室温度智能预警系统 |
| CN110084417B (zh) * | 2019-04-19 | 2022-03-18 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
| CN110705757B (zh) * | 2019-09-10 | 2020-10-02 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测系统 |
| CN110647979B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测系统 |
| CN110766132B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于物联网的果园产量智能预测系统 |
| CN110580021B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于现场总线的粮仓环境安全智能监测系统 |
| CN111084611B (zh) * | 2019-12-25 | 2022-09-20 | 苏州大学 | 基于辐射比色测温仪的头戴式体温实时监控耳温计 |
| CN112881601B (zh) * | 2021-01-13 | 2023-05-30 | 淮阴工学院 | 一种基于云平台的水分检测系统 |
| CN112817354B (zh) * | 2021-02-08 | 2023-06-30 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 |
| CN113267256A (zh) * | 2021-04-14 | 2021-08-17 | 国网山东省电力公司济宁供电公司 | 一种配电线路接点温度预测系统及方法 |
| CN113534703B (zh) * | 2021-07-07 | 2022-12-06 | 国网福建省电力有限公司检修分公司 | 一种暖通组合机节能系统及其控制方法 |
| CN114637212B (zh) * | 2022-05-17 | 2022-08-30 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及系统 |
| CN115342937B (zh) * | 2022-10-20 | 2023-05-05 | 正大农业科学研究有限公司 | 温度异常检测方法及装置 |
| CN116400600B (zh) * | 2023-04-23 | 2023-11-03 | 重庆市畜牧科学院 | 一种基于智能全局优化的猪场通风动态调控系统 |
| CN117572917B (zh) * | 2024-01-17 | 2024-04-09 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101561427A (zh) * | 2009-05-15 | 2009-10-21 | 江苏大学 | 基于can现场总线的猪舍环境有害气体多点测量系统 |
| CN103631285A (zh) * | 2013-11-28 | 2014-03-12 | 马从国 | 一种基于can总线的鸡舍环境温度控制系统 |
| CN104950948A (zh) * | 2015-05-21 | 2015-09-30 | 淮阴工学院 | 牛舍温度智能控制系统 |
| CN105159216A (zh) * | 2015-08-31 | 2015-12-16 | 淮阴工学院 | 鸡舍环境氨气浓度智能监测系统 |
-
2017
- 2017-05-12 CN CN201710334067.2A patent/CN107289998B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101561427A (zh) * | 2009-05-15 | 2009-10-21 | 江苏大学 | 基于can现场总线的猪舍环境有害气体多点测量系统 |
| CN101561427B (zh) * | 2009-05-15 | 2013-07-17 | 江苏大学 | 基于can现场总线的猪舍环境有害气体多点测量系统 |
| CN103631285A (zh) * | 2013-11-28 | 2014-03-12 | 马从国 | 一种基于can总线的鸡舍环境温度控制系统 |
| CN104950948A (zh) * | 2015-05-21 | 2015-09-30 | 淮阴工学院 | 牛舍温度智能控制系统 |
| CN105159216A (zh) * | 2015-08-31 | 2015-12-16 | 淮阴工学院 | 鸡舍环境氨气浓度智能监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107289998A (zh) | 2017-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107289998B (zh) | 基于can总线的猪舍环境温度智能监测系统 | |
| CN107168402B (zh) | 基于can现场总线的鸡舍环境温度智能监测系统 | |
| Wu et al. | Lameness detection of dairy cows based on the YOLOv3 deep learning algorithm and a relative step size characteristic vector | |
| Amid et al. | Prediction of output energies for broiler production using linear regression, ANN (MLP, RBF), and ANFIS models | |
| CN107494320A (zh) | 基于无线传感器网络的牛舍环境温度智能监测系统 | |
| Vijai et al. | Performance comparison of techniques for water demand forecasting | |
| CN110084417A (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
| CN107202607B (zh) | 一种基于can总线的猪舍环境温度检测系统 | |
| Hu et al. | Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting | |
| CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN116029435B (zh) | 一种生猪设施养殖环境舒适度预警系统 | |
| CN111507505A (zh) | 一种水库日入量预测模型的构建方法 | |
| Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
| CN115545962A (zh) | 一种基于多传感器系统的作物生长周期管控方法及系统 | |
| CN113657438B (zh) | 一种热红外模式下vgg神经网络的排水管道病害检测方法 | |
| Alphonse et al. | IoT and SVM-based Smart Irrigation System for Sustainable Water Usage | |
| CN114943277A (zh) | 一种综合能源系统运行工况识别与运行性能预测方法 | |
| CN114821337A (zh) | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 | |
| Chen et al. | Waterfowl breeding environment humidity prediction based on the SRU-based sequence to sequence model | |
| Li et al. | A low-power water quality monitoring system and prediction model | |
| Yang et al. | Prediction of temperature change with multi-dimensional environmental characteristic based on CNN-LSTM-ATTENTION model | |
| Junfeng et al. | Water grade judgment of aquaculture based on IBES and evidence fusion | |
| CN118149901B (zh) | 一种基于物联网技术的能耗智能检测方法及其管理系统 | |
| Luo et al. | Improved marine predators algorithm optimized BiGRU for strip exit thickness prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200825 Address after: 213000 No.22, Nanhu West Road, Wujin high tech Industrial Development Zone, Changzhou City, Jiangsu Province Patentee after: Jiangsu Huali Intelligent Technology Co.,Ltd. Address before: 223005 Jiangsu city in Huaian Province, while the economic and Technological Development Zone, Road No. 1 Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |