CN111474094B - 一种粉尘浓度智能化检测系统 - Google Patents
一种粉尘浓度智能化检测系统 Download PDFInfo
- Publication number
- CN111474094B CN111474094B CN202010201790.5A CN202010201790A CN111474094B CN 111474094 B CN111474094 B CN 111474094B CN 202010201790 A CN202010201790 A CN 202010201790A CN 111474094 B CN111474094 B CN 111474094B
- Authority
- CN
- China
- Prior art keywords
- dust concentration
- neural network
- interval number
- output
- input
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 286
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 115
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- VIEYMVWPECAOCY-UHFFFAOYSA-N 7-amino-4-(chloromethyl)chromen-2-one Chemical compound ClCC1=CC(=O)OC2=CC(N)=CC=C21 VIEYMVWPECAOCY-UHFFFAOYSA-N 0.000 claims abstract description 37
- 230000002490 cerebral effect Effects 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 18
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 5
- 238000009776 industrial production Methods 0.000 abstract description 5
- 238000012271 agricultural production Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 16
- 238000013507 mapping Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 8
- 238000013139 quantization Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012886 linear function Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 101150058073 Calm3 gene Proteins 0.000 description 2
- 102100025926 Calmodulin-3 Human genes 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种粉尘浓度智能化检测系统，由基于CAN总线的粉尘浓度浓度环境参数采集平台、粉尘浓度智能化预测模块两部分组成；基于CAN总线的粉尘浓度浓度环境参数采集平台实现对粉尘浓度环境因子参数进行检测和调节，粉尘浓度智能化预测模块由粉尘浓度区间数神经网络模型、区间数预测模型和区间数CMAC小脑神经网络粉尘浓度融合模型组成；本发明有效解决了现有工农业生产环境没有根据粉尘浓度浓度变化的非线性、大滞后和动态变化复杂等特点，无法对粉尘浓度浓度进行精确检测和预测，从而极大的影响工农业生产环境粉尘浓度的有效管理。
Description
技术领域
本发明涉及粉尘浓度检测自动化装备的技术领域，具体涉及一种粉尘浓度智能检测装置。
背景技术
粉尘浓度对人类的生产生活有着至关重要的影响,与粉尘浓度有关的工作例如煤矿,铝粉厂,面粉厂等常常是在受限空间内进行,这类工作环境,特别是在粉尘浓度超标的情况下,严重威胁着作业人员的身体健康；另一方面,粉尘浓度的控制对工业生产也影响巨大。粉尘浓度造成危害的重要原因多半是其浓度分布不均或超标造成的,因而采取措施准确测量粉尘浓度具有及其重要的意义。对粉尘浓度在线准确的测量,需要更加稳定可靠的方法,这对粉尘浓度的测量系统提出了新的要求。
发明内容
本发明提供了一种粉尘浓度智能化检测系统，本发明有效解决了现有工农业生产环境没有根据粉尘浓度变化的非线性、大滞后和动态变化复杂等特点，无法对粉尘浓度进行精确检测和预测，从而极大的影响工农业生产环境粉尘浓度的有效管理。
本发明通过以下技术方案实现：
一种粉尘浓度智能化检测系统，其特征在于：所述检测系统由基于CAN总线的粉尘浓度环境参数采集平台、粉尘浓度智能化预测模块两部分组成；基于CAN总线的粉尘浓度环境参数采集平台实现对粉尘浓度环境因子参数进行检测和调节，粉尘浓度智能化预测模块由粉尘浓度区间数神经网络模型、区间数预测模型和区间数CMAC小脑神经网络粉尘浓度融合模型组成；多个粉尘浓度传感器的输出作为粉尘浓度区间数神经网络模型的输入，粉尘浓度区间数神经网络模型的输出分别作为区间数预测模型的输入，区间数预测模型的输出作为区间数CMAC小脑神经网络粉尘浓度融合模型的输入，区间数CMAC 小脑神经网络粉尘浓度融合模型的输出为代表被检测环境粉尘浓度变化的区间数预测值，粉尘浓度智能化预测模块对被检测环境粉尘浓度值进行检测、预测和融合。
本发明进一步技术改进方案是：
所述粉尘浓度区间数神经网络模型由多个粉尘浓度传感器、多个RR时间递归神经网络、区间数Jordan神经网络模型和2个按拍延迟线TDL组成，粉尘浓度区间数神经网络模型把一段时间多个粉尘浓度传感器感知被测量环境的粉尘浓度量大小转换为粉尘浓度变化量的动态区间数值，多个粉尘浓度传感器的输出为对应的RR时间递归神经网络的输入，多个RR时间递归神经网络输出为区间数Jordan神经网络模型的输入，2个按拍延迟线TDL的输出为区间数Jordan 神经网络模型的输入，区间数Jordan神经网络模型的输出为代表一段时间内粉尘浓度大小的上下限值构成的区间数，区间数Jordan神经网络模型输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入。
本发明进一步技术改进方案是：
所述区间数预测模型包括2个减法分类器、2组多个Elman神经网络粉尘浓度预测模型、2个GM(1,1)灰色粉尘浓度预测模型和2个LSTM神经网络粉尘浓度残差预测模型组成，粉尘浓度区间数神经网络模型输出区间数的上下限值分别作为对应的2个减法分类器的输入，2个减法分类器输出的2组多个类型的粉尘浓度区间数神经网络模型输出的上下限值分别作为对应的2组多个 Elman神经网络粉尘浓度预测模型的输入，2组多个Elman神经网络粉尘浓度预测模型输出分别作为对应的2个GM(1,1)灰色粉尘浓度预测模型的输入，粉尘浓度区间数神经网络模型输出区间数的上下限值与对应的2个GM(1,1)灰色粉尘浓度预测模型输出的残差分别作为对应的2个LSTM神经网络粉尘浓度残差模型的输入，2个GM(1,1)灰色粉尘浓度预测模型输出与对应的2个LSTM 神经网络粉尘浓度残差预测模型输出的和分别作为区间数CMAC小脑神经网络粉尘浓度融合模型的对应的2个按拍延迟线TDL输入和区间数预测模型输出的区间数。
本发明进一步技术改进方案是：
所述区间数CMAC小脑神经网络粉尘浓度融合模型包括2个按拍延迟线 TDL和区间数CMAC小脑神经网络，区间数预测模型输出区间数的上下限值分别为对应的2个按拍延迟线TDL的输入，2个按拍延迟线TDL的输出作为区间数CMAC小脑神经网络的输入，区间数CMAC小脑神经网络的输出为代表被检测环境粉尘浓度量大小的区间数预测值。
本发明进一步技术改进方案是：
所述基于CAN总线的粉尘浓度环境参数采集平台由检测节点、控制节点和现场监控端组成，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。
本发明进一步技术改进方案是：
所述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粉尘浓度环境的粉尘浓度、温度、湿度和风速粉尘浓度环境参数，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；控制节点实现对粉尘浓度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粉尘浓度环境参数进行管理和对粉尘浓度环境多点粉尘浓度进行检测、预测和融合。
本发明与现有技术相比，具有以下明显优点：
一、本发明针对粉尘浓度参数测量过程中，传感器精度误差、干扰和测量参数异常等问题存在的不确定性和随机性，本发明专利将粉尘浓度传感器测量的参数值通过区间数神经网络模型转化为区间数形式表示，有效地处理了粉尘浓度测量参数的模糊性、动态性和不确定性，提高了粉尘浓度传感器传感器值检测参数的客观性和可信度。
二、RNN时间递归神经网络是一种用于处理粉尘浓度的时序数据的神经网络。在该网络中，循环结构会保留当前时刻隐藏神经元的状态值，并将其作为下一次循环输入的一部分粉尘浓度输入信号输入到下一时刻的隐藏层神经元中。RNN的输入信号采取的是粉尘浓度时序输入，每输入一步，每一层都共享网络权重和偏置，大大减少了网络中需要学习的参数，降低了网络的复杂度。
三、RNN时间递归神经网络充分利用基于时间序列粉尘浓度数据之间的相关性，是一种在隐含层内部加入了定向循环结构的神经网络，其特殊的结构能够较好地处理基于时间序列粉尘浓度数据的问题，通过表征输入粉尘浓度大小数据的分布式表示，展现出较强的学习粉尘浓度大小数据集的本质特征的能力，实现复杂函数的逼近，更好地刻画出粉尘浓度大小数据的丰富内在信息，具有较强的泛化能力，提高计算粉尘浓度大小的准确性和可靠性。
四、RNN时间递归神经网络是一种引入了“时序”概念的神经网络，其具有反馈机制，广泛应用于时间序列粉尘浓度数据建模。RNN可以使学习到的粉尘浓度信息在网络内储存，使模型能够学习到当前时刻与过去粉尘浓度变化信息的依赖关系。给定一输入粉尘浓度变化时间序列，RNN时间递归神经网络在任意时刻t的隐藏层状态ht均是基于当前时刻的粉尘浓度大小输入Xt以及过去时刻的隐藏层状态ht－1映射得到的，且RNN时间递归神经网络可以将每个时刻的隐藏层状态输出传入下一时刻；最终RNN时间递归神经网络通过输出层将一段时间粉尘浓度大小映射得到粉尘浓度大小的输出量。
五、本发明所采用的多个Elman神经网络粉尘浓度预测模型实现对被检测点的一段时间内粉尘浓度的预测，该Elman神经网络粉尘浓度预测模型一般分为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神经网络粉尘浓度预测模型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神经网络粉尘浓度预测模型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；该神经网络利用关联层动态神经元的反馈连接,将未来预测网络和过去预测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,从而提高粉尘预测的精确度。
六、LSTM神经网络粉尘浓度残差预测模型类似于标准的含有递归隐藏层的网络，仅有的变化是使用记忆模块代替原有的隐藏层单元，通过记忆细胞内部状态的自反馈和输入输出对误差的截断，解决梯度消失和激增的问题，相对于BP神经网络和普通的RNN，LSTM增加了1个状态单元c和3个控制门，就大大增加了模型的特征包含能力和记忆能力，避免了欠拟合和梯度消失。LSTM的功能旨在发现粉尘浓度残差数据中存在的相关关系，记住这种关系以及这种关系在时间上的变化，从而得到更准确的结果。LSTM神经网络粉尘浓度残差预测模型实现的粉尘浓度残差的预测，提高粉尘浓度预测的精确度。
七、LSTM神经网络粉尘浓度残差预测模型具有与标准RNN类似的链状重复网络结构，标准RNN中的重复网络非常简单，而LSTM神经网络粉尘浓度残差预测模型中的重复网络具有4个交互层，包括3个门层和1个tanh 层。处理器状态是LSTM神经网络粉尘浓度残差预测模型中的关键变量，它携带着先前步骤的信息，并逐步穿过整个LSTM。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
八、LSTM神经网络粉尘浓度残差预测模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从粉尘浓度序列数据中提取信息，还能够保留来自于先前较远步骤的具有长期相关性的信息。粉尘浓度数据是序列数据，其变化趋势富有含义。此外，由于粉尘浓度的采样间隔相对较小，粉尘浓度存在长期(空间)相关性，而LSTM有足够的长期记忆来处理这种问题。
九、在串级LSTM神经网络粉尘浓度残差预测模型中，首先在浅层级对相对容易预测的粉尘浓度残差进行重构，然后把生成的粉尘浓度残差作为下一级的输入。深层级的预测结果不但基于粉尘浓度残差训练数据中的输入值，还受浅层级粉尘浓度残差预测结果的影响，这种方法能够更有效地提取粉尘浓度残差输入数据中蕴含的信息，提升模型的预测粉尘浓度残差的准确度。
附图说明
图1为本发明基于CAN总线的粉尘浓度环境参数采集平台；
图2为本发明粉尘浓度智能化预测模块；
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为粉尘浓度区间数神经网络模型。
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
本发明实现对粉尘浓度环境因子参数进行检测和粉尘浓度智能预测，该系统由基于CAN总线的粉尘浓度环境参数采集平台和粉尘浓度智能化预测模块2部分组成。基于CAN总线的粉尘浓度环境参数采集平台包括粉尘浓度环境参数的检测节点1和调节粉尘浓度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将检测的粉尘浓度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作为粉尘浓度环境参数感知终端，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包括采集粉尘浓度环境温度、粉尘浓度、风速和湿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粉尘浓度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、粉尘浓度、风速和湿度的调节输出量的数模转换、C8051F040微处理器和CAN总线通信模块接口，实现对粉尘浓度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主要实现对粉尘浓度环境参数进行采集和粉尘浓度智能预测，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和粉尘浓度智能预测。粉尘浓度智能化预测模块由粉尘浓度区间数神经网络模型、区间数预测模型和区间数CMAC小脑神经网络粉尘浓度融合模型组成；粉尘浓度智能化预测模块功能见图2所示。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，粉尘浓度智能化预测模块的设计如下：
(1)、粉尘浓度区间数神经网络模型设计
粉尘浓度区间数神经网络模型结构如图6所示，粉尘浓度区间数神经网络模型由多个RR时间递归神经网络、区间数Jordan神经网络模型和2个按拍延迟线TDL(TappedDelay Line)组成，区间数神经网络模型把一段时间被检测环境的多个粉尘浓度传感器感知粉尘浓度值转换为粉尘浓度的动态区间数值，每个检测点粉尘浓度传感器的输出为对应的RR时间递归神经网络的输入，RR时间递归神经网络模型的输出为区间数Jordan神经网络模型的输入，2个按拍延迟线 TDL的输出为区间数Jordan神经网络模型的输入，区间数Jordan神经网络输出为代表一段时间内粉尘浓度大小的上下限值构成的区间数，区间数Jordan神经网络输出的区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入；区间数Jordan神经网络输出为u1(k)和u2(k)，u1(k)和u2(k)分别作为对应的按拍延迟线TDL的输入，u1(k)和u2(k)分别代表检测点粉尘浓度区间数神经网络模型输出的上限值和下限值，构成粉尘浓度传感器在一段时间内被检测粉尘浓度的输出区间数值为[u2,u1]，粉尘浓度区间数神经网络模型辨识结构如图6所示，X (1)，…，X(n)为n个RR时间递归神经网络的输出数据，U1(k-1)，…，U1(k –d)为粉尘浓度区间数神经网络模型输出值的上限值的历史数据，U2(k-1)，…， U2(k–d)为粉尘浓度区间数神经网络模型输出值的下限值的历史数据，u1(k)和u2(k)为区间数Jordan神经网络的输出值代表粉尘浓度区间数神经网络模型的输出，k表示当前时刻，d分别表示U的滞后点。粉尘浓度区间数神经网络模型可以描述为：
U(k)＝[u2(k),u1(k)]＝F[X(1),…,X(n)；u1(k),…,u1(k-d)；u2(k),…,u2(k-d)] (1)
RNN时间递归神经网络可以处理粉尘浓度大小的顺序信息，RNN时间递归神经网络使用粉尘浓度大小的前一状态的输出作为预测后一粉尘浓度大小输入的一部分，具备一般意义上的“记忆”粉尘浓度大小的功能。RNN时间递归神经网络可以保留前一序列粉尘浓度作为输出，下一序列的粉尘浓度输入和保留的前一序列粉尘浓度输出共同计算得到下一序列的粉尘浓度输出。xt是t时刻的输入，st表示网络的记忆单元t时刻的状态，st通过前一步的状态st-1以及当前时刻的输入xt共同计算得到：
st＝f(Uxt+Wst-1) (2)
激励函数f是RNN神经网络中非线性函数tanh，通常第一个隐藏状态st-1 的值会用0进行初始化，但实际使用极小值进行初始化会使梯度下降的更快。ot是t时刻的输出,通常是由归一化指数函数计算出的概率向量：
ot＝soft max(Vst) (3)
本发明专利所采用的区间数Jordan神经网络模型除了输入层、隐层、输出层外，还有一个用来记忆系统前一时刻输出值的特殊单元层，可以认为是时延算子，并将隐层状态反馈；区间数Jordan神经网络模型具有输出反馈环节可以反映系统的输出特性，通过将隐层的状态反馈，使其能够反映状态特性，这样使得区间数Jordan神经网络模型具有更丰富的性质，适用范围更广泛，更适于粉尘浓度变化的动态系统辨识，相对于前向网络具有明显的优势。输入层有n 个节点，隐层有m个节点，输出层有2个节点，区间数Jordan神经网络模型的隐含层和目标层的输出为：
ot＝f(xi(k)-θi) (5)
其中f是sigmoid函数，是阈值。其中：
一段时间多个RNN时间递归神经网络的输出作为区间数Jordan神经网络模型的输入，区间数Jordan神经网络模型为粉尘浓度大小的区间数；检测环境多个粉尘浓度传感器在一段时间内检测粉尘浓度的粉尘浓度区间数值为[u2,u1]。
(2)、区间数预测模型设计
区间数预测模型包括2个减法分类器、2组多个Elman神经网络粉尘浓度预测模型、2个GM(1,1)灰色粉尘浓度预测模型和2个LSTM神经网络粉尘浓度残差模型组成，设计过程如下：
A、2个减法聚类分类器设计
粉尘浓度区间数神经网络模型输出的上下限值分别作为2个对应的减法分类器的输入，2个减法分类器分别把粉尘浓度区间数神经网络模型输出区间数的上下限值分成2组多个类型，粉尘浓度区间数的上下限值的减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据粉尘浓度区间数的上下限值的样本数据密度即可快速确定粉尘浓度区间数的上下限值聚类中心的位置和聚类数，而它把每一个粉尘浓度区间值的上下限数据点作为一个潜在的聚类中心的特性，使得粉尘浓度区间数的上下限值聚类的结果与问题的维数无关。因此，粉尘浓度区间数的上下限值减法聚类算法是一种适合基于粉尘浓度区间数的上下限值的数据建模的规则自动提取方法。设定m维空间中的N个粉尘浓度区间数的上下限的数据点(X1,X2,…XN)，每个数据点Xi＝(xi,1,xi,1,…,xi,m)都是聚类中心的候选者，i＝1,2,…,N，数据点Xi的密度函数定义为：
式中，半径ra是一个正数，ra定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点Xi的密度值，选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1；然后修正密度值，消除前面已有聚类中心的影响。按下式修正密度值:
其中，Dc1是初始聚类中心对应的最高密度值，修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为rb＝ηra,1.25≤η≤1.5。修正每个数据点的密度指标后，当Dck与Dc1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
Dck/Dc1＜δ (9)
式中，δ是根据实际情况提前设定的阈值。本发明提出的在线聚类方法基本思想如下:如果一个粉尘浓度区间数的上下限数据点到一个组的中心的距离小于聚类半径ra，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入粉尘浓度区间数的上下限数空间数据的不断增加，本发明算法通过实时动态的调整粉尘浓度区间数的上下限数聚类中心与聚类个数获得更好的输入空间划分。
B、2组多个Elman神经网络粉尘浓度预测模型设计
2组多个类型的粉尘浓度区间数神经网络模型的上下限值分别作为对应的2 组多个Elman神经网络粉尘浓度预测模型的输入，2组多个Elman神经网络粉尘浓度预测模型的输出分别作为对应的2个GM(1,1)灰色粉尘浓度预测模型的输入，多个Elman神经网络粉尘浓度预测模型可以看作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，除了隐层外,还有一个特别的关联层；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,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决粉尘浓度预测中的逼近精度问题,增强关联层的作用。设Elman神经网络的输入层、输出层、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Elman神经网络建筑物路面使用性能分类器的隐含层、关联层和输出层的表达式分别为:
cp(k)＝xp(k-1) (11)
本技术方案每个Elman神经网络粉尘浓度预测模型的输入层、输出层、隐层的个数分别为10,1和21，该预测模型的输入为经过减法聚类分析的各类粉尘浓度区间数的上下限值。每个Elman神经网络粉尘浓度预测模型的输出为GM (1,1)灰色粉尘浓度预测模型的输入。
C、2个GM(1,1)灰色粉尘浓度预测模型设计
GM(1,1)灰色粉尘浓度预测模型的输入为多个Elman神经网络粉尘浓度预测模型的输出，GM(1,1)灰色粉尘浓度预测模型是将无规律的各类多个Elman 神经网络粉尘浓度预测模型输出的粉尘浓度区间数的上下限值的历史数据预测值进行累加，得到规律性比较强的生成数据序列后预测整个环境粉尘浓度区间数上下值的预测建模过程，由生成预测粉尘浓度区间数GM(1,1)灰色粉尘浓度预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测粉尘浓度区间数的上限值为多个Elman神经网络粉尘浓度预测模型的输出数据数列为： x(0)＝(x(0)(1),x(0)(2),…x(0)(n)) (13)
一阶累加后生成新的序列为：
x(1)＝(x(1)(1),x(1)(2),…x(1)(n)) (14)
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)的整个建筑物能耗预测值为：
通过下面公式的累减还原，得到原始序列x(0)的整个粉尘浓度区间数的上限值的灰色预测模型为：
通过构建GM(1,1)灰色预测整个被检测环境的粉尘浓度区间数的上限值预测模型，可以实现对本专利整个被检测环境的粉尘浓度区间数的上限值预测，构建对应整个被检测环境的粉尘浓度区间数的上限值预测的GM(1,1)灰色粉尘浓度预测模型。整个被检测环境的粉尘浓度区间数的下限值预测的GM(1,1) 灰色粉尘浓度预测模型与上限值灰色预测模型类似。
D、2个LSTM神经网络残差预测模型设计
粉尘浓度区间数神经网络模型输出的上下限值与对应的2个GM(1,1)灰色粉尘浓度预测模型的输出的残差分别作为对应的2个LSTM神经网络粉尘浓度残差模型的输入，2个GM(1,1)灰色粉尘浓度预测模型的输出与对应的2 个LSTM神经网络粉尘浓度残差模型的输出的和分别作为区间数CMAC小脑神经网络粉尘浓度融合模型的上下限值输入；LSTM神经网络残差预测模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络，通常也被称为LSTM网络。LSTM神经网络残差预测模型引入了记忆单元(MemoryCell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(ForgetGate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。单元负责在任意时间间隔内记住值，三个门均可以被认为是传统的人工神经元，用于计算激活函数的加权总和。LSTM神经网络残差预测模型是可以持续较长时间短期记忆的模型，适合用于分类，预测时间序列等工作，LSTM有效防止了RNN 训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中，增加了一种被称为记忆单元 (Memory Cell)的结构用来记忆过去的信息，并增加了三种门(Input、Forget、 Output)结构来控制历史信息的使用。设输入粉尘浓度残差上下限值的残差序列为(x1,x2,…,xT)，隐含层状态为(h1,h2,…,hT)，则t时刻有：
it＝sigmoid(Whiht-1+WxiXt) (18)
ft＝sigmoid(Whfht-1+WhfXt) (19)
ct＝ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (20)
ot＝sigmoid(Whoht-1+WhxXt+Wcoct) (21)
ht＝ot⊙tanh(ct) (22)
其中it、ft、ot代表input门、forget门和output门，ct代表cell单元， Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的时间递归神经网络模型来对粉尘浓度区间数上下限值预测值的残差进行预测，该方法首先建立LSTM时间递归神经网络模型，利用预处理的粉尘浓度区间数预测值的残差数据建立训练集并对模型进行训练，LSTM神经网络残差预测模型考虑了粉尘浓度区间数预测值的残差数据的时序性和非线性，具有较高的预测精度。
(3)区间数CMAC小脑神经网络粉尘浓度融合模型设计
区间数CMAC小脑神经网络粉尘浓度融合模型包括2个按拍延迟线TDL 和区间数CMAC小脑神经网络，2个按拍延迟线TDL的输出作为区间数CMAC 小脑神经网络的输入，区间数CMAC小脑神经网络的输出为代表被检测环境粉尘浓度量的大小的区间数预测值；区间数预测模型的输出分别为区间数CMAC 小脑神经网络粉尘浓度融合模型的2个按拍延迟线TDL输入。区间数CMAC 小脑神经网络络结构简单，不需要选择网络的层数及神经元个数，且相对传统神经网络来说，不需要大量数据进行离线建模，只需在每个量化等级内取一组数据进行训练即可。另外，CMAC小脑神经网络在映射过程中只有一定的单元被激活，相近的输入所激活的单元有所重叠，故相近输入可获得相近输出。因此 CMAC小脑神经网络具有一定的泛化能力，学习精度高且学习速度较快。CMAC 神经网络本质上是一种查表的方法，易于软件上的编程实现。CMAC网络由两层映射结构组成:第一层为非线性映射，将输入的模拟量量化成离散的输入空间 S，转化成二进制的联合向量a，输入空间中的每个点将同时激活a中的C个单元。其中C是CMAC网络中的重要参数，它表征了信号检测单元的感受野大小，直接影响系统的泛化能力，一般称为泛化参数。 CMAC的输入为经过量化后的结果，离散输入空间的数据与联合向量存在一一对应关系，每个输入点由唯一的联合向量表示。第一层变换的特点是:它将只存在很小差别的两个相邻的输入点映射到联合向量中，随着输入点之间的距离逐渐增加，相应的联合向量之间相同的位数随之减少，当超过泛化参数C后，将不再存在相同位。因此，该映射具有非线性特征和对整个系统进行泛化的能力。CAMC神经网络从输入量x到输出量y的运算过程可看作是由以下三个非线性映射顺序组成的:x→S，S→A和A→y，其中x为CMAC小脑神经网络的输入量，S为量化等级存储空间，A为感知器存储空间，y为神经网络的输出量。
(a)x→S映射:根据量化等级的精度N，将输入量x映射到量化等级存储空间S(S由N个量化等级顺序排列组成，即S1-SN)，映射过程计算公式如下:
(b)S→A映射:将量化等级Si按照指针的方式顺序激活感知器存储空间 A中C个感知器，其中C为CMAC小脑神经网络的泛化常数；若在S→A映射过程中某感知器被激活，则向量a中相应元素置“1”，其余未被激活的感知器其相应的元素置“0”。由S→A映射可以看出，相邻的量化等级在该过程所激活的感知器有一定的重叠。距离越相近，重叠的感知器的数量越多，CMAC小脑神经网络的输出也越相近；反之，距离较远的量化等级之间，重叠的感知器数量较少或没有重叠的感知器。另外在S→A映射过程中，只有部分感知器被激活，所以CMAC小脑神经网络较其他神经网络学习速度较快。
(c)A→y映射:第二层结构的输出是由联合向量a和加权向量w得出的一个标量，感知器存储空间A中各感知器都对应一个权值，将S→A映射过程中所激活的感知器对应的权值相加得到CAMC神经网络的输出粉尘浓度区间值y为：
yj＝aTwj (j＝1,2) (25)
其中：a＝[a1,a2,…,aN+C-1]T和wj＝[w1,j,w2,j,…,wN+C-1,j]T,向量a中各元素表示各感知器的被激活情况，区间数CMAC小脑神经网络粉尘浓度融合模型输出的被检测环境粉尘浓度变化的区间数预测值。
5、粉尘浓度环境粉尘浓度智能检测系统的设计举例
根据粉尘浓度环境的状况，系统设计了检测节点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均衡布置在被检测粉尘浓度环境的各个区域中，通过该系统实现对粉尘浓度环境参数的采集与粉尘浓度温度智能化预测。
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 (4)
1.一种粉尘浓度智能化检测系统，其特征在于：所述检测系统由基于CAN总线的粉尘浓度环境参数采集平台和粉尘浓度智能化预测模块两部分组成；基于CAN总线的粉尘浓度环境参数采集平台实现对粉尘浓度环境因子参数进行检测和调节，粉尘浓度智能化预测模块由粉尘浓度区间数神经网络模型、区间数预测模型和区间数CMAC小脑神经网络粉尘浓度融合模型组成；多个粉尘浓度传感器的输出作为粉尘浓度区间数神经网络模型的输入，粉尘浓度区间数神经网络模型的输出作为区间数预测模型的输入，区间数预测模型的输出作为区间数CMAC小脑神经网络粉尘浓度融合模型的输入，区间数CMAC小脑神经网络粉尘浓度融合模型的输出为代表被检测环境粉尘浓度变化的区间数预测值，粉尘浓度智能化预测模块对被检测环境粉尘浓度值进行检测、预测和融合；
所述粉尘浓度区间数神经网络模型由多个粉尘浓度传感器、多个RR时间递归神经网络、区间数Jordan神经网络模型和2个按拍延迟线TDL组成，粉尘浓度区间数神经网络模型把一段时间多个粉尘浓度传感器感知被测量环境的粉尘浓度量大小转换为粉尘浓度变化量的动态区间数值，多个粉尘浓度传感器的输出为各个对应的RR时间递归神经网络的输入，多个RR时间递归神经网络输出为区间数Jordan神经网络模型的输入，2个按拍延迟线TDL的输出为区间数Jordan神经网络模型的输入，区间数Jordan神经网络模型的输出为代表一段时间内粉尘浓度大小的上下限值构成的区间数，区间数Jordan神经网络模型输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入；
所述区间数预测模型包括2个减法分类器、2组多个Elman神经网络粉尘浓度预测模型、2个GM（1,1）灰色粉尘浓度预测模型和2个LSTM神经网络粉尘浓度残差预测模型组成，粉尘浓度区间数神经网络模型输出区间数的上下限值分别作为对应的2个减法分类器的输入，2个减法分类器输出的2组多个类型的粉尘浓度区间数神经网络模型输出的上下限值分别作为对应的2组多个Elman神经网络粉尘浓度预测模型的输入，2组多个Elman神经网络粉尘浓度预测模型输出分别作为对应的2个GM（1,1）灰色粉尘浓度预测模型的输入，粉尘浓度区间数神经网络模型输出区间数的上下限值与对应的2个GM（1,1）灰色粉尘浓度预测模型输出的残差分别作为对应的2个LSTM神经网络粉尘浓度残差模型的输入，2个GM（1,1）灰色粉尘浓度预测模型输出与对应的2个LSTM神经网络粉尘浓度残差预测模型输出的和分别作为区间数CMAC小脑神经网络粉尘浓度融合模型的对应的2个按拍延迟线TDL输入和区间数预测模型输出的区间数；
所述区间数CMAC小脑神经网络粉尘浓度融合模型包括2个按拍延迟线TDL和区间数CMAC小脑神经网络，区间数预测模型输出区间数的上下限值分别为对应的2个按拍延迟线TDL的输入，2个按拍延迟线TDL的输出作为区间数CMAC小脑神经网络的输入，区间数CMAC小脑神经网络的输出为代表被检测环境粉尘浓度量大小的区间数预测值。
2.根据权利要求1所述的一种粉尘浓度智能化检测系统，其特征在于：所述基于CAN总线的粉尘浓度环境参数采集平台由检测节点、控制节点和现场监控端组成，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。
3.根据权利要求2所述的一种粉尘浓度智能化检测系统，其特征在于：所述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粉尘浓度环境的粉尘浓度、温度、湿度和风速粉尘浓度环境参数，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。
4.根据权利要求2所述的一种粉尘浓度智能化检测系统，其特征在于：所述控制节点实现对粉尘浓度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粉尘浓度环境参数进行管理和对粉尘浓度环境多点粉尘浓度进行检测、预测和融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010201790.5A CN111474094B (zh) | 2020-03-20 | 2020-03-20 | 一种粉尘浓度智能化检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010201790.5A CN111474094B (zh) | 2020-03-20 | 2020-03-20 | 一种粉尘浓度智能化检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111474094A CN111474094A (zh) | 2020-07-31 |
| CN111474094B true CN111474094B (zh) | 2022-03-18 |
Family
ID=71748222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010201790.5A Active CN111474094B (zh) | 2020-03-20 | 2020-03-20 | 一种粉尘浓度智能化检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111474094B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113759868B (zh) * | 2021-08-16 | 2023-05-02 | 浙江运达风电股份有限公司 | 一种基于神经网络的工业以太网故障预测方法 |
| CN114167726A (zh) * | 2021-12-03 | 2022-03-11 | 哈尔滨理工大学 | 一种基于节能优化的火电厂粉尘实时监测系统及方法 |
| CN114722609B (zh) * | 2022-04-12 | 2024-04-26 | 中国石油大学(华东) | 基于二进制矩阵模型的检测分析方法 |
| CN115310361B (zh) * | 2022-08-16 | 2023-09-15 | 中国矿业大学 | 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
| 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 |
| CN105809249A (zh) * | 2016-03-09 | 2016-07-27 | 浙江工业大学 | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 |
| KR20190106929A (ko) * | 2019-08-30 | 2019-09-18 | 엘지전자 주식회사 | 머신 러닝을 이용한 공기청정기의 필터 수명 예측방법 |
| CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 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 |
| CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测系统 |
-
2020
- 2020-03-20 CN CN202010201790.5A patent/CN111474094B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
| 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 |
| CN105809249A (zh) * | 2016-03-09 | 2016-07-27 | 浙江工业大学 | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 |
| KR20190106929A (ko) * | 2019-08-30 | 2019-09-18 | 엘지전자 주식회사 | 머신 러닝을 이용한 공기청정기의 필터 수명 예측방법 |
| CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 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 |
| CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111474094A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
| CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
| CN111426344B (zh) | 一种建筑物能耗智能检测系统 | |
| CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
| CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
| CN111444947B (zh) | 一种桥梁沉降智能检测系统 | |
| CN112904756B (zh) | 一种管网大数据检测系统 | |
| CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
| CN111429718B (zh) | 一种公路交通安全智能检测系统 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN111460729A (zh) | 一种桥梁变形智能检测系统 | |
| CN112903929A (zh) | 一种食品质量检测系统 | |
| CN113219871A (zh) | 一种养护室环境参数检测系统 | |
| CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
| CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
| CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
| CN111473768B (zh) | 一种建筑物安全智能检测系统 | |
| CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
| CN114970745B (zh) | 物联网智能安防与环境大数据系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 223400 Eighth Floor, Andong Building, No. 10 Haian Road, Lianshui County, Huaian City, Jiangsu Province Applicant after: HUAIYIN INSTITUTE OF TECHNOLOGY Address before: While the economic and Technological Development Zone of Jiangsu Province, Huaian City, 223005 East Road No. 1 Applicant before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221122 Address after: Room 256, Room B107, Building 19 (No. 699, Chuangxin First Road), Innovation and Entrepreneurship Plaza, Science and Technology Innovation City, Harbin Hi tech Industrial Development Zone, 150000 Heilongjiang Province Patentee after: Heilongjiang Jinuo Safety Technology Service Co.,Ltd. Address before: 223400 8th floor, Anton building, 10 Haian Road, Lianshui, Huaian, Jiangsu Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |