CN110705757B - 一种基于现场总线网络的多点温度传感器智能监测系统 - Google Patents

一种基于现场总线网络的多点温度传感器智能监测系统 Download PDF

Info

Publication number
CN110705757B
CN110705757B CN201910854870.8A CN201910854870A CN110705757B CN 110705757 B CN110705757 B CN 110705757B CN 201910854870 A CN201910854870 A CN 201910854870A CN 110705757 B CN110705757 B CN 110705757B
Authority
CN
China
Prior art keywords
temperature
triangular fuzzy
apple orchard
neural network
value
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
Application number
CN201910854870.8A
Other languages
English (en)
Other versions
CN110705757A (zh
Inventor
马从国
周恒瑞
马海波
丁晓红
王建国
陈亚娟
杨玉东
张利兵
葛红
金德飞
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201910854870.8A priority Critical patent/CN110705757B/zh
Publication of CN110705757A publication Critical patent/CN110705757A/zh
Application granted granted Critical
Publication of CN110705757B publication Critical patent/CN110705757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6288Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0436Architectures, e.g. interconnection topology in combination with fuzzy logic
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0454Architectures, e.g. interconnection topology using a combination of multiple neural nets
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management, e.g. organising, planning, scheduling or allocating time, human or machine resources; Enterprise planning; Organisational models
    • G06Q10/063Operations research or analysis
    • G06Q10/0635Risk analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management, e.g. organising, planning, scheduling or allocating time, human or machine resources; Enterprise planning; Organisational models
    • G06Q10/063Operations research or analysis
    • G06Q10/0639Performance analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Mining
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00Data switching networks
    • H04L12/28Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40Bus networks
    • H04L12/40006Architecture of a communication node
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00Data switching networks
    • H04L12/28Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40Bus networks
    • H04L2012/40208Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215Controller Area Network CAN

Abstract

本发明公开了一种基于现场总线网络的多点温度传感器智能监测系统,所述系统由苹果园环境参数采集平台和苹果园环境温度评价子系统组成,系统实现对苹果园环境温度智能化检测和对温度进行评价;本发明有效解决了现有苹果园环境监测没有根据苹果园环境温度变化的非线性、大滞后和苹果园面积大温度变化复杂等特点,对苹果园环境的温度进行智能化监测与预测,从而极大的影响苹果园环境温度的监测问题。

Description

一种基于现场总线网络的多点温度传感器智能监测系统
技术领域
本发明涉及农业环境自动化监测技术领域,具体涉及一种基于现场总线网络的多点温度传感器智能监测系统。
背景技术
随着苹果种植面积的增加以及农技措施的改良、果农人工和经济投入的提高,苹果的产量有了大幅提高,但苹果是对气象条件非常敏感的果品之一。在苹果生产的不同阶段,气象条件对苹果生产的影响是不同的,小气候环境的判断是一个复杂的过程,直接影响到苹果产量预测增减的准确性。经对比关键气候因子与苹果产量预测值素存在相关性,采用灰色关联度分析法分析苹果小气候因子与苹果产量的关系,结果显示温度是影响苹果产量的最主要因素,苹果树芽期内气温开始回升,日照时间变长,气候条件施加给果树的影响增强。苹果芽期温度类气候因子对苹果产量的影响较大,其次是日照时数,平均相对湿度;苹果产量对芽期气候因子变化的响应最敏感,芽期是影响苹果生产最重要的物候期,其次为初果期、花期和膨大期等,温度类气候因子是苹果产量的主要气候影响因子。因此对果园环境温度进行智能化监测与评价是搞好果园种植的关键因素之一。虽然有些学者对果园环境温度进行监测,但是这些系统都没有苹果园环境温度变化的非线性、大滞后和苹果园面积大温度变化复杂等特点,对苹果园环境的温度进行智能化监测与预测,从而极大的影响苹果园环境温度的监测。
发明内容
本发明提供了一种基于现场总线网络的多点温度传感器智能监测系统,本发明有效解决了现有苹果园环境监测没有根据苹果园环境温度变化的非线性、大滞后和苹果园面积大温度变化复杂等特点,对苹果园环境的温度进行智能化监测与预测,从而极大的影响苹果园环境温度的监测问题。
本发明通过以下技术方案实现:
一种基于现场总线网络的多点温度传感器智能监测系统由苹果园环境参数采集平台和苹果园环境温度评价子系统组成,苹果园环境参数采集平台由多个参数检测节点和现场监控端组成,通过CAN现场总线网络实现它们之间的信息通信;检测节点负责检测苹果园环境的温度、湿度、降雨量和光照度的实际值,现场监控端实现对苹果园环境参数进行管理;苹果园环境温度评价子系统实现对苹果园温度的检测、模糊量化、多点融合、预测和温度等级的评价过程。
本发明进一步技术改进方案是:
苹果园环境参数采集平台由多个检测节点和现场监控端组成,它们通过 CAN现场总线网络实现检测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苹果园环境的温度、湿度、降雨量和光照度等苹果园小气候环境参数,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;控制节点实现对苹果园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苹果园环境参数进行管理和对苹果园环境多点温度进行融合与智能预测。苹果园环境参数采集平台见图1所示。
本发明进一步技术改进方案是:
苹果园环境温度评价子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、三角模糊数预测模块和Elman 神经网络温度评价器共5部分组成,多个检测点温度传感器感知被检测点温度,每个检测点温度传感器的输出作为对应的每个时间序列三角模糊数神经网络的输入,多个时间序列三角模糊数神经网络的输出作为苹果园环境多点温度融合模型的输入,苹果园环境多点温度融合模型的输出作为三角模糊数预测模块的输入,三角模糊数预测模块的输出作为Elman神经网络温度评价器的输入, Elman神经网络温度评价器把被检测的苹果园温度分为不同的等级,苹果园环境温度评价子系统实现对苹果园温度的检测、模糊量化、多点融合、预测和温度等级的评价过程,苹果园环境温度评价子系统见图2所示;
本发明进一步技术改进方案是:
多个时间序列三角模糊数神经网络由每个温度检测点对应的1个时间序列三角模糊数神经网络,时间序列三角模糊数神经网络由径向基神经网络模型、 NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3组成,温度传感器输出的一段常规时间序列值作为径向基神经网络的输入径向基神经网络模型的输入,输入径向基神经网络模型的3个输出分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输入,NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出的三角模糊数值分别表示被检测点的温度的下限值、最大可能值和上限值,时间序列三角模糊数神经网络根据被检测点的温度动态变化特征把被检测点的温度的一段常规时间序列值转化为被检测的温度的三角模糊值来表示,这种转化更加符合被检测点的温度的动态变化规律;
本发明进一步技术改进方案是:
苹果园环境多点温度融合模型由温度时间序列三角模糊数阵列、计算温度时间序列三角模糊数值与正负理想值的相对帖近度、计算温度三角模糊数融合值共3部分组成,一段时间多个检测点温度的三角模糊数值构成温度时间序列三角模糊数阵列,确定温度时间序列三角模糊数阵列的正负理想值,分别计算每个检测点的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正负理想值的距离,每个检测点的温度时间序列三角模糊数值的负理想值的距离除以每个检测点的温度时间序列三角模糊数值的负理想值的距离与每个检测点的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测点的温度时间序列三角模糊数值的相对贴近度,每个检测点的温度时间序列三角模糊数值的相对贴近度除以所有检测点的温度时间序列三角模糊数值的相对贴近度的和得到的商为每个检测点的温度时间序列三角模糊数值的融合权重,每个检测点的温度时间序列三角模糊数值与该检测点的温度时间序列三角模糊数值的融合权重的积的和得到多个检测点的温度时间序列三角模糊值的融合值;
本发明进一步技术改进方案是:
三角模糊数预测模块由3个新陈代谢GM(1,1)预测模型1、新陈代谢GM(1,1)预测模型2和新陈代谢GM(1,1)预测模型3组成,苹果园环境多点温度融合模型输出的被检测环境温度的三角模糊数的下限值、最大可能值和上限值分别为新陈代谢GM(1,1)预测模型1、新陈代谢GM(1,1)预测模型2和新陈代谢GM(1,1)预测模型3的输入,新陈代谢GM(1,1)预测模型1、新陈代谢GM(1,1)预测模型2和新陈代谢GM(1,1)预测模型3 的输出分别作为被检测的苹果园环境多点温度融合模型输出温度的三角模糊数值,该三角模糊数值作为三角模糊数预测模块输出。
本发明进一步技术改进方案是:
根据被检测苹果园环境苹果树不同生长阶段温度对苹果品质和产量的影响,建立评估被检测的苹果园环境5种温度等级的语言变量与5种不同三角模糊数对应关系表,将被检测的苹果园环境温度分为温度很好、温度比较好、温度正常、温度较差和温度很差共5种温度等级;Elman神经网络温度评价器对影响苹果的品质和产量的苹果园环境温度进行等级评价,Elman神经网络温度评价器的输出为代表温度等级的三角模糊数值,通过分别计算Elman神经网络温度评价器的输出与代表被检测的苹果园环境5种温度等级的5种三角模糊数的相似度,其中相似度最大的三角模糊数对应的温度等级即为该被检测的苹果园环境温度当前温度等级。
本发明与现有技术相比,具有以下明显优点:
一、本发明针对苹果园环境温度参数测量过程中,温度传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性,本发明专利将苹果园环境温度参数的传感器测量的参数值通过时间序列三角模糊数神经网络模型转化为三角模糊数形式表示,有效地处理了苹果园环境环境被检测温度参数传感器测量参数的模糊性、动态性和不确定性,提高了苹果园环境温度参数检测传感器值检测参数的客观性和可信度。
二、本发明苹果园环境多点温度融合模型实现对多个检测点的温度三角模糊预测值进行动态融合,通过确定多个检测点的时间序列三角模糊数预测值的温度时间序列三角模糊数阵列,确定温度时间序列三角模糊数阵列的正负理想值,分别计算每个检测单元的温度时间序列三角模糊数预测值与温度时间序列三角模糊数阵列的正负理想值的距离、每个检测单元的与正负理想值的相对贴近度和融合权重,提高被检测点温度三角模糊数预测值的动态性能和精确度。
三、本发明所采用NARX神经网络模型1、NARX神经网络模型2和NARX 神经网络模型3的输入为径向基神经网络模型的3个输出,NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输出的表示传感器输出信号三角模糊数的下限值a、可能值b和上限值c。由于NARX神经网络模型一段时间的径向基神经网络模型的3个输出作为输入和NARX神经网络模型输出历史反馈,这部分反馈输入可以认为包含了一段时间的被检测的三角模糊数的状态历史信息参与被检测的三角模糊数的转化,对于一个合适的反馈时间长度,本发明的NARX神经网络模型提供了一种有效的苹果园环境参数的三角模糊数检测方法。
四、本发明所采用的NARX神经网络预测模型是一种能够有效对苹果园被检测点温度参数的三角模糊数的下限值a、可能值b和上限值c的非线性、非平稳时间序列进行转换的动态神经网络模型,能够在时间序列非平稳性降低的情况下提高对苹果园被检测点三角模糊数的时间序列的转换精度。与传统的预测模型方法相比,此方法具有处理非平稳时间序列效果好,计算速度快,准确率高的优点。本专利验证了NARX神经网络模型对苹果园被检测点的温度转换为三角模糊数的可行性。同时,实验结果也证明了NARX神经网络模型在非平稳时间序列预测中比传统模型表现更加优异。
五、本发明利用NARX神经网络建立苹果园被检测点的温度三角模糊参数转换模型,由于通过引入延时模块及输出反馈建立模型的动态递归网络,它将输入和输出向量延时反馈引入网络训练中,形成新的输入向量,具有良好的非线性映射能力,网络模型的输入不仅包括原始输入数据,还包含经过训练后的输出数据,网络的泛化能力得到提高,使其在非线性苹果园环境温度转换为三角模糊数中较传统的静态神经网络具有更好的转换精度和自适应能力。
六、本专利发明采用3个新陈代谢的GM(1,1)预测模型可以根据被检测苹果园环境的温度三角模糊数的历史参数值预测未来时刻苹果园环境的温度三角模糊数,用上述方法预测出的苹果园环境的温度三角模糊数,把它们再加分别加入苹果园环境的温度三角模糊数的原始数列中,相应地去掉数列开头的一个苹果园环境的温度三角模糊数,再进行预测苹果园环境的温度三角模糊数。依此类推,预测出苹果园环境的温度三角模糊数。这种方法称为新陈代谢递补模型,它可实现较长时间的预测。种植户可以更加准确地掌握苹果园环境的温度的变化趋势,为搞好苹果园环境的温度生产管理做好准备。
七、本发明所采用的Elman神经网络温度评价器实现对被检测点的苹果园环境温度进行等级评价,该Elman神经网络温度评价器一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman神经网络温度评价器的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。Elman神经网络温度评价器回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模;该Elman神经网络温度评价器利用关联层动态神经元的反馈连接,将未来网络和过去网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高被检测点的温度等级评价的准确度。
八、本发明Elman神经网络温度评价器的科学性和可靠性,本专利的根据被检测苹果园环境苹果树不同生长阶段温度对苹果品质和产量的影响,建立评估被检测的苹果园环境5种温度等级的语言变量与5种不同三角模糊数对应关系表,将被检测的苹果园环境温度分为温度很好、温度比较好、温度正常、温度较差和温度很差共5种温度等级;Elman神经网络温度评价器对影响苹果的品质和产量的苹果园环境温度进行等级评价,Elman神经网络温度评价器的输出为代表温度等级的三角模糊数值,通过分别计算Elman神经网络温度评价器的输出与代表被检测的苹果园环境5种温度等级的5种三角模糊数的相似度,其中相似度最大的三角模糊数对应的温度等级即为该被检测的苹果园环境温度当前温度等级,实现对苹果园火灾危险等级分类的动态性能和科学分类。
附图说明
图1为本发明苹果园环境参数采集平台;
图2为本发明苹果园环境温度评价子系统;
图3为本发明检测节点功能图;
图4为本发明现场监控端软件功能图;
图5为本发明时间序列三角模糊数神经网络模型;
图6为本发明苹果园环境参数采集平台平面布置图。
具体实施方式
结合附图1-6,对本发明技术方案作进一步描述:
1、系统总体功能的设计
本发明实现对苹果园环境因子参数进行检测、苹果园环境多点温度融合和苹果园环境温度智能评价,该系统由苹果园环境参数采集平台和苹果园环境温度评价子系统2部分组成。苹果园环境参数采集平台包括苹果园环境参数的检测节点1和现场监控端2组成,通过CAN现场总线方式构建成测控网络来实现检测节点1和现场监控端2之间的现场通信;检测节点1将检测的苹果园环境参数发送给现场监控端2并对传感器数据进行初步处理;现场监控端2把控制信息传输到检测节点1。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现场总线的检测节点1作为苹果园环境参数感知终端,检测节点1和现场监控端2通过CAN现场总线方式实现与现场监控端2之间的信息相互交互。检测节点1包括采集苹果园环境温度、湿度、降雨量和光照度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苹果园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、现场监控端软件
现场监控端2是一台工业控制计算机,现场监控端2主要实现对苹果园环境参数进行采集、多点温度融合和苹果园环境温度评价,实现与检测节点1与现场监控端2的信息交互,现场监控端2主要功能为通信参数设置、数据分析与数据管理和苹果园环境温度评价子系统功能。苹果园环境温度评价子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、三角模糊数预测模块和Elman神经网络温度评价器共5部分组成,苹果园环境温度评价子系统原理见图2,现场监控端管理软件选择了Microsoft Visual++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4。苹果园环境温度评价子系统的算法设计如下:
⑴、时间序列三角模糊数神经网络模型
由每个温度检测点对应的1个时间序列三角模糊数神经网络,时间序列三角模糊数神经网络由径向基神经网络模型、NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3组成。温度传感器输出的一段常规时间序列值作为径向基神经网络的输入,设有苹果园被检测点温度值的时间序列为 x(t),x(t-1),…,x(t-d+1),x(t-d),根据苹果园被检测点温度参数一段常规时间序列值作为径向基神经网络模型的输入,径向基神经网络模型的3个输出分别作为NARX 神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输入,NARX 神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出的三角模糊数值分别表示被检测点的温度的下限值、最大可能值和上限值,苹果园被检测点温度参数的三角模糊数值为S,S三角模糊数表示为[a,b,c]等于[s1,s2,s3], a表示被检测点温度下限值,b表示被检测点温度最大可能值,c表示被检测点温度上限值,被检测点温度三角模糊数值大小依赖于被检测温度参数的前d个时刻的常规时间序列数值状态值,d为时间窗口,根据S与前d个时刻的被检测点温度值参数时间序列数值存在函数依赖关系这一特点,通过被检测点温度值参数的时间序列三角模糊数神经网络来建立被检测点温度值参数的一段时间序列常规序列值预测被检测点温度值参数的与被检测点温度值参数的三角模糊数值之间的关系,时间序列三角模糊数神经网络根据被检测点的温度动态变化特征把被检测点的温度的一段常规时间序列值转化为被检测的温度的三角模糊值来表示,这种转化更加符合被检测点的温度的动态变化规律;被检测点温度值参数的时间序列三角模糊数神经网络模型结构图如5所示。神经网络的径向基向量为H=[h1,h2,…,hp]T,hp为基函数。径向基神经网络中常用的径向基函数是高斯函数,其表达式为:
式中X为被检测参数的传感器的时间序列输出,C为隐含层神经元高斯基函数中心点坐标向量,δj为隐含层第j个神经元高斯基函数的宽度;网络的输出连接权值向量为wij,时间序列三角模糊数神经网络模型输出表达式为:
本发明专利的3个NARX神经网络预测模型分别对径向基神经网络模型的 3个输出进行预测,NARX神经网络(Nonlinear Auto-Regression with External input neuralnetwork)是一种动态的前馈神经网络,NARX神经网络是一个有着被预测输入参数的非线性自回归网络,它具有一个多步时延的动态特性,并通过反馈连接输入被输入参数的封闭网络的若干层,NARX回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络,其性能普遍优于全回归神经网络。本专利的NARX神经网络预测模型由输入层、隐层、输出层及输入和输出延时延构成,在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数,NARX 神经网络预测模型的当时输出不仅取决于过去的输出S(t-n),还取决于当时的输入向量y(t)以及输入向量的延迟阶数等。NARX神经网络预测模型结构包括输入层、输出层、隐层和时延层,其中被预测输入参数通过时延层传递给隐层,隐层对输入的信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权获得最终的神经网络预测输出信号,时延层将网络反馈的信号和输入层输出的信号进行延时,然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点,适宜对输入参数进行预测。y(t)表示NARX 神经网络模型的外部输入,m表示外部输入的延迟阶数;S(t)是NARX神经网络模型的输出,n是输出延迟阶数;由此可以得到第j个隐含单元的输出为:
上式中,wji为第i个输入与第j个隐含神经元之间的连接权值,bj是第j 个隐含神经元的偏置值,NARX神经网络预测模型的输出S(t+1)分别代表a 的预测值为:
S(t+1)=f[S(t),S(t-1),…,S(t-n),y(t),y(t-1),…,y(t-m+1);W] (4)
NARX神经网络预测模型2和NARX神经网络预测模型3分别对时间序列三角模糊数神经网络模型2输出S三角模糊数的被检测点参数最大可能值b和对被检测点参数上限值c进行预测,它们的设计方法与NARX神经网络预测模型1类似。
被检测点温度参数的时间序列三角模糊数神经网络模型的关键就是要根据过去过去一段时间被检测点温度值参数的d个时刻的被检测点温度值数据与被检测点温度值参数的三角模糊数据来拟合出映射关系f,进而通过时间序列三角模糊数神经网络模型转换得到检测点温度值拟合函数的三角模糊数值S。被检测点温度值参数的时间序列三角模糊数神经网络的数学模型可表示为:
S=f(x(t),x(t-1),…,x(t-d+1),x(t-d)) (5)
⑵、苹果园环境多点温度融合模型
苹果园环境多点温度融合模型由温度时间序列三角模糊数阵列、计算温度三角模糊数值与理想值的相对帖近度、计算温度三角模糊数融合值共3部分组成,一段时间多个参数检测单元温度的三角模糊数值构成温度时间序列三角模糊数阵列,分别计算每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正理想值的距离和每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的负理想值的距离,每个检测单元的温度时间序列三角模糊数值的负理想值的距离除以每个检测单元的温度时间序列三角模糊数值的负理想值的距离与每个检测单元的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测单元的温度时间序列三角模糊数值的相对贴近度,每个检测单元的温度时间序列三角模糊数值的相对贴近度除以所有检测单元的温度时间序列三角模糊数值的相对贴近度的和得到的商为每个检测单元的温度时间序列三角模糊数的融合权重,每个检测单元的温度时间序列三角模糊数值与该检测单元的温度时间序列三角模糊数的融合权重的积的和得到多个检测点的温度时间序列三角模糊融合值;
①、构建温度时间序列三角模糊数阵列
一段时间多个参数检测单元温度的三角模糊数值构成温度时间序列三角模糊数阵列,设有n个检测点和m个时刻的nm个参数检测单元的三角模糊数值构成n行和m列的温度时间序列三角模糊数阵列,设不同时刻不同参数检测单元温度的模糊三角数预测值为Xij(t),Xij(t+1),…,Xij(d),则温度时间序列三角模糊数阵列为:
②、计算温度三角模糊数值与理想值的相对帖近度
一段时间内同一时刻所有检测单元温度的三角模糊数值的平均值构成温度时间序列三角模糊数阵列的正理想值,温度时间序列三角模糊数正理想值为:
一段时间内同一时刻所有检测单元温度的三角模糊数值与正理想值的距离最大的三角模糊数值构成温度时间序列三角模糊数阵列的负理想值,温度时间序列三角模糊数负理想值为:
每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正理想值的距离为:
每个检测单元的时间序列三角模糊数值与温度时间序列三角模糊数阵列的负理想值的距离为:
每个检测单元的温度时间序列三角模糊数值的负理想值的距离除以每个检测单元的温度时间序列三角模糊数值的负理想值的距离与每个检测单元的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测单元的温度时间序列三角模糊数值的相对贴近度为:
③、计算温度三角模糊数融合值
通过(11)公式计算可以知道,每个检测单元的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正负理想值的相对贴近度越大,则该检测单元的温度时间序列三角模糊数值离正理想值相对就越接近,否则该检测点的温度时间序列三角模糊数值离正理想值相对就越接远离,根据这个原理确定每个检测单元的温度时间序列三角模糊数值的对贴近度除以所有检测单元的温度时间序列三角模糊数值的对贴近度的和得到的商为每个检测单元的温度时间序列三角模糊数的融合权重为:
根据每个检测单元的温度时间序列三角模糊数值与该检测单元的温度时间序列三角模糊数的融合权重的积的和得到多个检测点的温度时间序列三角模糊融合值为:
⑶、三角模糊数预测模块
三角模糊数预测模块由3个新陈代谢GM(1,1)预测模型1、新陈代谢 GM(1,1)预测模型2和新陈代谢GM(1,1)预测模型3组成,苹果园环境多点温度融合模型输出的被检测环境温度的三角模糊数的下限值、最大可能值和上限值分别为新陈代谢GM(1,1)预测模型1、新陈代谢GM(1,1)预测模型2和新陈代谢GM(1,1)预测模型3的输入,新陈代谢GM(1,1)预测模型1、新陈代谢GM(1,1)预测模型2和新陈代谢GM(1,1)预测模型3 的输出分别作为被检测的苹果园环境多点温度融合模型输出温度的三角模糊数值,该三角模糊数值作为三角模糊数预测模块输出;3个新陈代谢GM(1,1) 预测模型是将无规律的苹果园环境多点温度融合模型输出的被检测环境温度的三角模糊数的下限值、最大可能值和上限值的历史数据分别进行累加,得到规律性比较强的生成数据序列后预测苹果园环境温度的三角模糊数的建模过程,由生成预测苹果园环境温度的下限值、最大可能值和上限值的3个GM(1,1) 预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测测苹果园环境温度的下限值的历史数据数列为:
x(0)=(x(0)(1),x(0)(2),…x(0)(n)) (14)
一阶累加后生成新的序列为:x(1)=(x(1)(1),x(1)(2),…x(1)(n)) (15)
其中:
则x(1)序列具有指数增长的规律,即满足一阶线性微分方程:
公式中a成为发展灰数,它反映x(1)和x(0)的发展趋势;u为内生控制灰数,反映了数据之间的变化关系。解上式的微分方程得到x(1)的苹果园环境温度的下限值的预测值为:
通过下面公式的累减还原,得到原始序列x(0)的苹果园环境温度的下限值的灰色预测模型为:
通过构建GM(1,1)预测模型1预测苹果园环境温度的三角模糊的下限值模型,可以实现对苹果园环境温度的三角模糊数值的下限值进行预测,进行1 次灰色预测得到新的苹果园环境温度的三角模糊数值的下限值以后,在原始数据序列中增加该新的下限值数据,同时去除原序列中最老的苹果园环境温度的三角模糊数值的下限值,并构成新序列作为原始序列重复建立GM(1,1)预测模型1。如此反复,依次递补直到完成苹果园环境温度的三角模糊数值的下限值预测目标,即为灰色新陈代谢GM(1,1)预测模型1。
构建苹果园环境温度的可能值的新陈代谢GM(1,1)预测模型2和新陈代谢GM(1,1)预测模型3分别预测苹果园环境温度的可能值和上限值的方法与新陈代谢GM(1,1)预测模型1的建模类似。
⑷、Elman神经网络温度评价器设计
根据被检测苹果园环境温度对苹果品质和产量的影响,建立评估被检测的苹果园环境温度的5种温度等级的语言变量与5种不同三角模糊数对应关系表,将被检测的苹果园环境温度的分为温度很好、温度比较好、温度正常、温度较差和温度很差共5种温度等级;Elman神经网络温度评价器对被检测的苹果园环境温度影响苹果的品质和产量的等级进行评价,三角模糊数预测模块输出作为被检测的苹果园环境温度的三角模糊数预测值,该预测值和苹果树生长阶段的量化值作为Elman神经网络温度评价器的输入,苹果树的芽期、花期、初果期、果实膨大期和果实成熟期共5个生长阶段的量化值分别为1,2,3,4,5;Elman 神经网络温度评价器的输出为代表苹果园环境温度等级的三角模糊数值,通过分别计算Elman神经网络温度评价器的输出与代表被检测的苹果园环境5种温度等级的5种三角模糊数的相似度,其中相似度最大的三角模糊数对应的温度等级即为该被检测的苹果园环境温度当前温度等级。Elman神经网络温度评价器基于Elman神经网络理论基础构建的苹果园环境温度等级分类器,Elman神经网络温度评价器是一个具有局部记忆单元和局部反馈连接的前向神经网络,关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设Elman神经网络温度评价器的输入层、输出层和隐层的个数分别为 m,n和r;w1,w2,w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:
cp(k)=xp(k-1) (20)
设一段连续时间苹果园环境温度的三角模糊数预测值的清晰化值和苹果树不同生长阶段作为输入Elman神经网络温度评价器的一维向量xi(i=1,2,…,n),苹果树的芽期、花期、初果期、果实膨大期和果实成熟期分别用1,2,3,4和5 表示作为Elman神经网络温度评价器的输入端,Elman神经网络温度评价器输出表示为苹果园环境温度等级的三角模糊数值yk(k=1,2,…,m),其中m等于3;分别求取Elman神经网络温度评价器输出与代表5种苹果园环境温度等级等级语言变量对应的三角模糊数的相似度,相似度最大的三角模糊数对应的苹果园环境温度等级为被检测苹果园环境温度等级。根据被检测苹果园环境温度对苹果品质和产量的影响,建立评估被检测的苹果园环境的5种温度等级的语言变量与三角模糊数对应关系表,见表1所示。
表1
序号 温度等级 三角模糊数
1 温度很差 (0.00,0.00,0.25)
2 温度较差 (0.00,0.25,0.50)
3 温度正常 (0.25,0.50,0.75)
4 温度比较好 (0.50,0.75,1.00)
5 温度很好 (0.75,1.00,1.0)
4、苹果园环境温度智能监测系统的设计举例
根据苹果园环境的状况,系统布置了检测节点1和现场监控端2的平面布置安装图,其中检测节点1均衡布置在被检测苹果园环境中,其中检测节点1 均衡布置在被检测苹果园区环境中,每个区的检测点安装一根与果树同等高度的检测柱子,在每根柱子从底部到顶部的1/3高度处各自布置3个检测检点1,实现对苹果园环境参数的全方位检测,整个系统平面布置见图6,通过该系统实现对苹果园环境参数的采集与苹果园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)

1.一种基于现场总线网络的多点温度传感器智能监测系统,其特征在于:所述系统由苹果园环境参数采集平台和苹果园环境温度评价子系统组成,系统实现对苹果园环境温度智能化检测和对温度进行评价;苹果园环境温度评价子系统由多个检测点温度传感器、多个时间序列三角模糊数神经网络、苹果园环境多点温度融合模型、三角模糊数预测模块和Elman神经网络温度评价器共五部分组成,检测点温度传感器感知被检测点温度,每个检测点温度传感器的输出作为对应的每个时间序列三角模糊数神经网络的输入,时间序列三角模糊数神经网络的输出作为苹果园环境多点温度融合模型的输入,苹果园环境多点温度融合模型的输出作为三角模糊数预测模块的输入,三角模糊数预测模块的输出作为Elman神经网络温度评价器的输入,Elman神经网络温度评价器把被检测的苹果园温度分为不同的等级,苹果园环境温度评价子系统实现对苹果园温度的检测、模糊量化、多点融合、预测和温度等级的评价过程;
所述每个检测点的温度传感器对应一个时间序列三角模糊数神经网络,时间序列三角模糊数神经网络由径向基神经网络模型和NARX神经网络模型组成,温度传感器输出的一段常规时间序列值作为径向基神经网络模型的输入,径向基神经网络模型的三个输出分别作为对应NARX神经网络模型的输入,NARX神经网络模型输出的三角模糊数值分别表示被检测点的温度的下限值、最大可能值和上限值,时间序列三角模糊数神经网络根据被检测点的温度动态变化特征把被检测点的温度的一段常规时间序列值转化为被检测的温度的三角模糊值来表示;
所述苹果园环境多点温度融合模型由温度时间序列三角模糊数阵列、计算温度时间序列三角模糊数值与正负理想值的相对帖近度、计算温度三角模糊数融合值共三部分组成,一段时间多个检测点温度的三角模糊数值构成温度时间序列三角模糊数阵列,确定温度时间序列三角模糊数阵列的正负理想值,分别计算每个检测点的温度时间序列三角模糊数值与温度时间序列三角模糊数阵列的正负理想值的距离,每个检测点的温度时间序列三角模糊数值的负理想值的距离除以每个检测点的温度时间序列三角模糊数值的负理想值的距离与每个检测点的温度时间序列三角模糊数值的正理想值的距离的和得到的商为每个检测点的温度时间序列三角模糊数值的相对贴近度,每个检测点的温度时间序列三角模糊数值的相对贴近度除以所有检测点的温度时间序列三角模糊数值的相对贴近度的和得到的商为每个检测点的温度时间序列三角模糊数值的融合权重,每个检测点的温度时间序列三角模糊数值与该检测点的温度时间序列三角模糊数值的融合权重的积的和得到多个检测点的温度时间序列三角模糊值的融合值;
所述三角模糊数预测模块由三个新陈代谢GM(1,1)预测模型组成,苹果园环境多点温度融合模型输出的被检测环境温度的三角模糊数的下限值、最大可能值和上限值分别对应新陈代谢GM(1,1)预测模型的输入,三个新陈代谢GM(1,1)预测模型的输出构成被检测的苹果园环境多点温度融合模型输出温度的三角模糊数值,该三角模糊数值作为三角模糊数预测模块输出;
所述Elman神经网络温度评价器,根据被检测苹果园环境苹果树不同生长阶段温度对苹果品质和产量的影响,建立评估被检测的苹果园环境五种温度等级的语言变量与五种不同三角模糊数对应关系表,将被检测的苹果园环境温度分为温度很好、温度比较好、温度正常、温度较差和温度很差共五种温度等级;Elman神经网络温度评价器对影响苹果的品质和产量的苹果园环境温度进行等级评价,Elman神经网络温度评价器的输出为代表温度等级的三角模糊数值,通过分别计算Elman神经网络温度评价器的输出与代表被检测的苹果园环境五种温度等级的五种三角模糊数的相似度,其中相似度最大的三角模糊数对应的温度等级即为该被检测的苹果园环境温度当前温度等级。
2.根据权利要求1所述的一种基于现场总线网络的多点温度传感器智能监测系统,其特征在于:所述苹果园环境参数采集平台由多个参数检测节点和现场监控端组成,通过CAN现场总线网络实现它们之间的信息通信;检测节点负责检测苹果园环境的温度、湿度、降雨量和光照度的实际值,现场监控端实现对苹果园环境参数进行管理和对苹果园环境多点检测的参数管理、融合多个检测点温度和对温度等级进行评价。
CN201910854870.8A 2019-09-10 2019-09-10 一种基于现场总线网络的多点温度传感器智能监测系统 Active CN110705757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910854870.8A CN110705757B (zh) 2019-09-10 2019-09-10 一种基于现场总线网络的多点温度传感器智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910854870.8A CN110705757B (zh) 2019-09-10 2019-09-10 一种基于现场总线网络的多点温度传感器智能监测系统

Publications (2)

Publication Number Publication Date
CN110705757A CN110705757A (zh) 2020-01-17
CN110705757B true CN110705757B (zh) 2020-10-02

Family

ID=69196079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910854870.8A Active CN110705757B (zh) 2019-09-10 2019-09-10 一种基于现场总线网络的多点温度传感器智能监测系统

Country Status (1)

Country Link
CN (1) CN110705757B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111474094B (zh) * 2020-03-20 2022-03-18 淮阴工学院 一种粉尘浓度智能化检测系统
CN112911533B (zh) * 2021-01-13 2022-06-14 淮阴工学院 一种基于移动端App的温度检测系统
CN112904756B (zh) * 2021-01-13 2022-01-28 淮阴工学院 一种管网大数据检测系统
CN113219871B (zh) * 2021-05-07 2022-04-01 淮阴工学院 一种养护室环境参数检测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107168402A (zh) * 2017-05-12 2017-09-15 淮阴工学院 基于can现场总线的鸡舍环境温度智能监测系统
CN107289998A (zh) * 2017-05-12 2017-10-24 淮阴工学院 基于can总线的猪舍环境温度智能监测系统
CN107494320A (zh) * 2017-05-12 2017-12-22 淮阴工学院 基于无线传感器网络的牛舍环境温度智能监测系统
CN110119169A (zh) * 2019-04-19 2019-08-13 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107168402A (zh) * 2017-05-12 2017-09-15 淮阴工学院 基于can现场总线的鸡舍环境温度智能监测系统
CN107289998A (zh) * 2017-05-12 2017-10-24 淮阴工学院 基于can总线的猪舍环境温度智能监测系统
CN107494320A (zh) * 2017-05-12 2017-12-22 淮阴工学院 基于无线传感器网络的牛舍环境温度智能监测系统
CN110119169A (zh) * 2019-04-19 2019-08-13 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

Also Published As

Publication number Publication date
CN110705757A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110705757B (zh) 一种基于现场总线网络的多点温度传感器智能监测系统
CN110580021B (zh) 一种基于现场总线的粮仓环境安全智能监测系统
CN110109193B (zh) 一种基于drnn神经网络的茄子温室温度智能化检测装置
CN110119766B (zh) 一种多组合智能化模型的青椒温室温度智能化预警装置
CN110119086B (zh) 一种基于anfis神经网络的番茄温室环境参数智能监测装置
CN110069032B (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
CN110163254B (zh) 一种基于递归神经网络的黄瓜温室产量智能化预测装置
CN111429718B (zh) 一种公路交通安全智能检测系统
CN110084417B (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
CN111426344B (zh) 一种建筑物能耗智能检测系统
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN111444947B (zh) 一种桥梁沉降智能检测系统
CN111461413A (zh) 一种公路路面使用性能检测系统
AU2020103741A4 (en) Feed forward neural networks combined with extreme learning machine approach for large weather data
Kadir et al. Wheat yield prediction: Artificial neural network based approach
CN110147825B (zh) 一种基于经验模态分解模型的草莓温室温度智能检测装置
CN110766132B (zh) 一种基于物联网的果园产量智能预测系统
CN110647979B (zh) 一种基于物联网的温室环境多参数智能化监测系统
CN111476278B (zh) 一种气体浓度智能化检测系统
CN111474094B (zh) 一种粉尘浓度智能化检测系统
Adeyemo Soft Computing techniques for weather and Climate change studies
CN112665656B (zh) 一种农产品生长环境大数据检测系统
CN113219871B (zh) 一种养护室环境参数检测系统
Mimboro et al. Weather Monitoring System AIoT Based for Oil Palm Plantation Using Recurrent Neural Network Algorithm
CN112911533B (zh) 一种基于移动端App的温度检测系统

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: 20210705

Address after: Room 55-14, building 55, LVYE huayuyuan, Juxian community, Liangzhu street, Yuhang District, Hangzhou, Zhejiang 311100

Patentee after: Shao Yujing

Address before: 223005 Huaian 1 Jiangsu economic and Technological Development Zone

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210805

Address after: 610000 Room 102, unit 2, building 17, No. 118, Jinze Road, Qingyang District, Chengdu, Sichuan

Patentee after: Yang Keng

Address before: Room 55-14, building 55, LVYE huayuyuan, Juxian community, Liangzhu street, Yuhang District, Hangzhou, Zhejiang 311100

Patentee before: Shao Yujing