CN112596385A - 一种基于兽药仓库环境精准预调控方法及装置 - Google Patents

一种基于兽药仓库环境精准预调控方法及装置 Download PDF

Info

Publication number
CN112596385A
CN112596385A CN202011451322.XA CN202011451322A CN112596385A CN 112596385 A CN112596385 A CN 112596385A CN 202011451322 A CN202011451322 A CN 202011451322A CN 112596385 A CN112596385 A CN 112596385A
Authority
CN
China
Prior art keywords
warehouse
environment
data
regulation
veterinary drug
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.)
Pending
Application number
CN202011451322.XA
Other languages
English (en)
Inventor
曹姗姗
邱琴
孙伟
吴建寨
朱孟帅
张洪宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Information Institute of CAAS
Original Assignee
Agricultural Information Institute of CAAS
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 Agricultural Information Institute of CAAS filed Critical Agricultural Information Institute of CAAS
Priority to CN202011451322.XA priority Critical patent/CN112596385A/zh
Publication of CN112596385A publication Critical patent/CN112596385A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于兽药仓库环境精准预调控方法及装置，方法包括环境参数获取方法、环境参数预测方法和装置调节控制方法，环境参数获取方法包括对环境数据进行模糊C均值聚类去噪，识别异常点，利用三次样条插值法对空缺数据进行填补，环境参数预测方法通过引入DBSCAN聚类算法改进极限学习机(ELM)算法，对获取的环境参数进行预测。装置调节控制方法利用自适应神经网络PID控制环境调节装置，通过预测环境参数与环境参数标准阈值进行对比分析，根据对比结果自动调控兽药仓库设备运行，使兽药仓库各项环境参数更加稳定精准的保持在设定值。本发明能够实现可以根据药仓库环境数据变化实时对兽药仓库环境精准预调控进行动态调整。

Description

一种基于兽药仓库环境精准预调控方法及装置
技术领域
本发明属于兽药生产和存储技术领域，具体涉及一种基于兽药仓库环境精准预调控方法及装置。
背景技术
兽药的存储环境对兽药的质量和功效至关重要，尤其是动物疫苗对存储环境要求极为严格，不稳定的存储环境会使疫苗功效减弱甚至失效。则开发一套对兽药仓库内环境进行精准调控的方法和装置具有重要的实际应用价值。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于兽药仓库环境精预调控方法及装置，该方法设计科学合理，自动化程度高，控制精准、高效，为做好兽药尤其是疫苗存储提供良好支持，可以广泛应用于兽药和疫苗存储过程中。
为解决上述技术问题，本发明采用的技术方案是：一种基于兽药仓库环境精准预调控方法，其特征在于，包括以下步骤：
S1、获取环境参数：对环境数据进行模糊C均值聚类去噪，识别异常点，利用三次样条插值法对空缺数据进行填补；
S2、预测环境参数：通过环境参数预测模型对获取的环境参数进行预测，环境参数预测模型采用引入DBSCAN聚类算法的改进极限学习机(ELM)算法；
S3、调节控制环境：利用自适应神经网络PID控制环境调节装置，通过预测环境参数与环境参数标准阈值进行对比分析，根据对比结果自动调控兽药仓库设备运行，使兽药仓库各项环境参数更加稳定精准的保持在设定值。
优选的，所述兽药仓库各项环境参数包括仓库温度、仓库湿度、仓库风速、时间数据和环境调节装置功率数据，步骤S2中的采样周期为30分钟，选取经去噪处理后的仓库环境参数数据输入到所述环境参数预测模型中，得到在不进行调节的情况下未来30分钟仓库环境数据的预测值，在调节控制环境时根据仓库未来30分钟内的环境数据的预测值和当前仓库环境监测数据预先控制环境调节装置使仓库内环境数据稳定保持在设定值。
优选的，S1中所述模糊C均值聚类去噪包括以下步骤：
S301、将阀值设置为σ，设定包围球的半径为R；
S302、选择一个稀土金属仓库温度数据点为aj，并计算以cj为中心，R为半径的包围球内邻近点的个数n；
S303、计算稀土金属仓库温度数据点aj到聚类中心cj的距离dij，并设定阈值为σ，如果dij＞σ，则判定数据点aj为噪声点，抛弃这个值；
S304、如果dij≤σ，则认为这个值符合要求，然后可以进行聚类处理，并将聚类的结果记录下来，以聚类所得的结果来替换目标包围球中的数据；
S305、返回步骤S302依次判定剩余点。
优选的，S1中所述的三次样条插值法具体包括以下步骤：
所述三次样条插值法通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程，三次样条把区间[a，b]分成n个区间[(x0，x1)，(x1，x2)，(x2，x3)，....，(xn-1，xn)]，共有n+1个点，其中两个端点x0＝a，xn＝b，三次样条就是说每个小区间的曲线是一个三次方程，三次样条方程满足以下条件：
a、在每个分段小区间[xi，xi+1]上，S(x)＝Si(x)都是一个三次方程；
b、满足插值条件，即S(xi)＝yi(i＝0，1，...，n)；
c、曲线光滑，即S(x)，S(x)，S(x)连续；
三次方程为三次样条函数Si(x)；其构造成如下形式：
y＝ai+bix+cix2+dix3
Si(x)中要确定n个小区间上的样条函数，则需要确定4n个未知参数(ai，bi，ci，di)；
求解过程如下：
首先，由于所有点必须满足插值条件，S(xi)＝yi(i＝0，1，...，n)，除了两个端点，所有n-1个内部点的每个点都满足Si(xi+1)＝yi+1Si+1(xi+1)＝yi+1，前后两个分段三次方程，则有2(n-1)个方程，再加上两个端点分别满足第一个和最后一个三次方程，则总共有2n个方程；
其次，n-1个内部点的一阶导数应该是连续的，即在第i区间的末点和第i+1区间的起点是同一个点，它们的一阶导数应该也相等，即S′i(xi+1)＝S′i+1(xi+1)，则有n-1个方程；
另外，内部点的二阶导数也要连续，即S″i(xi+1)＝S″i+1(xi+1)，也有n-1个方程；
总共有4n-2个方程，通过边界条件得到两个方程，即可解出所有未知数；
有三种边界条件：自然边界，固定边界，非节点边界；
自然边界：指定端点二阶导数为0，S″(x0)＝0＝S″(xn)；
固定边界：指定端点一阶导数，这里分别定为A和B，即S′0(x0)＝A，S′n-1(xn)＝B；
非扭结边界：强制第一个插值点的三阶导数值等于第二个点的三阶导数值，最后第一个点的三阶导数值等于倒数第二个点的三阶导数值，即S′″0(x0)＝S′″1(x1)，S′″n-2(xn-1)＝S′″n-1(xn)。
优选的，所述改进极限学习机(ELM)算法的处理运行过程如下：
S501、对训练集和预测集同时进行聚类，得到K个不同的子集；
S502、利用K个不同子集中的训练集训练分类器，得到K个具有差异性的分类器；
S503、利用不同的分类器处理对应的预测集；
所述改进极限学习机(ELM)算法的实现过程如下：
S511、处理样本数据，为方便聚类算法的处理和排除偶然性，将训练集和预测集数据写成n*m型矩阵，对数据的组序进行随机处理；
S512、选择最恰当邻域Eps和最少点数量MinPts，为保证每一类分类器都具有实际意义，所选择的邻域Eps和最少点数量MinPts要使得聚类完成后，每一个簇类密度差异在一定范围内，即：
Figure BDA0002827051540000041
其中，
Figure BDA0002827051540000042
ε≤Max，Ne(x)为核心点的邻域Eps所代表的范围，Max为用户指定的最大差异值；
S513、利用DBSCAN算法进行聚类分析，当聚类结果不满足
Figure BDA0002827051540000043
时，重新进行S512，直到所得聚类结果符合需求；
S514、将不同类别中的训练集进行分类，确定每个分类器的神经元个数，神经元个数的选择是ELM算法的核心部分，随着神经元个数的增加，预测精度会随之上升，但上升至一定程度之后，增加神经元数量反而会导致精度趋于不稳定，因此，在选择神经元个数时，需要综合考虑算法的准确性和稳定性；
S515、利用训练集训练分类器，将分类所得到的K个训练集分别进行训练，得到K个分类器；同时，为了确保改进的ELM方法的有效性，将所有训练集组成的一个集合进行训练，得到一个对比分类器；
S516、将不同类别的预测集放到对应的分类器中进行预测分类，统计分类结果；将分类结果与实际结果相比较，计算预测精度；
S517、当S513中预测集数据形成单独一类情况时，此时该预测集数据相当于DBSCAN算法中的噪声点，为了保证预测结果的可行性和准确度，将所有训练集置于同一分类器中进行训练形成训练集分类器，然后将单独一类的预测集数据放于训练集分类器来预测结果。
优选的，所述自适应神经网络PID利用异步优势行动者评论家(A3C)算法设计自适应PID控制器，具备多线程异步学习特性，并行多个行动者评论家(AC)结构的智能体,每个智能体采用多层前馈神经网络逼近策略函数和值函数实现在连续动作空间中搜索最优的参数整定策略，使用两个BP神经网络分别实现Actor策略函数和Critic值函数的学习，Actor网络共有3层，第1层为输入层，第2层为隐藏层，第3层为输出层，Critic网络结构同样采用三层BP神经网络，前两层的结构与Actor网络前两层结构相同，不同在于Critic网络的输出层只有一个节点，输出了不同时刻状态的值函数。
一种利用所述兽药仓库环境精准预调控方法控制的环境精准调控装置，其特征在于，包括设置在兽药仓库内的仓库传感器组、控制箱和环境调节装置，还包括显示器和键盘，传感器组、显示器、键盘和环境调节装置同时与控制箱连接，仓库传感器组用于监测兽药仓库内部环境信息；所述控制箱用于接收仓库传感器组返回的信息、对环境调节装置进行控制调节；环境调节装置调节用于调节兽药仓库内的环境，仓库传感器组包括温度传感器、湿度传感器和风速传感器；显示器用于显示环境参数信息和控制箱的控制信息；键盘用于信息输入对环境参数进行设定，仓库传感器组每分钟向控制箱反馈1次环境监测数据。
优选的，仓库传感器组安装在兽药仓库内顶部几何中心处，控制箱安装在兽药仓库内前侧左下角位置。
优选的，所述控制箱包括处理器、传感器组接口、显示器接口、键盘接口、环境调节装置接口、内部存储器和电源模块。仓库传感器组通过传感器组接口与处理器的信号输入端口连接；环境调节装置通过环境调节装置接口连接处理器的控制信号输出端口，所述内部存储器和所述电源模块连接在所述处理器上，所述兽药仓库环境精准预调控方法运行在所述处理器上。
优选的，所述环境调节装置包括压缩机、冷凝器、制冷剂管道和多功能空调。制冷剂管道分布于兽药仓库顶部内测侧壁上，用于兽药仓库内部制冷，所述多功能空调镶嵌在所述兽药仓库上侧，调节兽药仓库内温度、湿度、风速。
本发明与现有技术相比具有以下优点：
本发明通过兽药仓库环境精准预调控方法调控兽药仓库环境精准预调控装置，使兽药仓库内环境稳定维持在设定值。由此，实现兽药仓库环境的精准调控，最大限度实现了精准高效的应用效果，为做好兽药尤其是疫苗存储提供良好支持，可以广泛应用于兽药和疫苗存储过程中。
下面结合附图和实施例对本发明作进一步详细说明。
附图说明
图1是本发明中兽药仓库环境精准预调控方法的流程图。
图2是本发明中兽药仓库环境精准预调控装置仓库内的结构示意图。
图3是本发明中兽药仓库环境精准预调控装置仓库外的结构示意图。
图4是本发明的电路控制原理框图。
附图标记说明：
100—兽药仓库； 101—仓库门； 200—控制箱；
201—键盘； 202—显示器； 203—制冷剂管道；
204—压缩机和冷凝器； 205—多功能空调； 206—仓库传感器组；
207—环境调控装置； 208—电源模块。
具体实施方式
如图1所示，本发明提供了一种基于兽药仓库环境精准预调控方法，其特征在于，包括以下步骤：
S1、获取环境参数：对环境数据进行模糊C均值聚类去噪，识别异常点，利用三次样条插值法对空缺数据进行填补；
S2、预测环境参数：通过环境参数预测模型对获取的环境参数进行预测，环境参数预测模型采用引入DBSCAN聚类算法的改进极限学习机(ELM)算法；
S3、调节控制环境：利用自适应神经网络PID控制环境调节装置，通过预测环境参数与环境参数标准阈值进行对比分析，根据对比结果自动调控兽药仓库设备运行，使兽药仓库各项环境参数更加稳定精准的保持在设定值。
本实施例中，所述兽药仓库各项环境参数包括仓库温度、仓库湿度、仓库风速、时间数据和环境调节装置功率数据，步骤S2中的采样周期为30分钟，选取经去噪处理后的仓库环境参数数据输入到所述环境参数预测模型中，得到在不进行调节的情况下未来30分钟仓库环境数据的预测值，在调节控制环境时根据仓库未来30分钟内的环境数据的预测值和当前仓库环境监测数据预先控制环境调节装置使仓库内环境数据稳定保持在设定值。
本实施例中，S1中所述模糊C均值聚类去噪包括以下步骤：
S301、将阀值设置为σ，设定包围球的半径为R；
S302、选择一个稀土金属仓库温度数据点为aj，并计算以cj为中心，R为半径的包围球内邻近点的个数n；
S303、计算稀土金属仓库温度数据点aj到聚类中心cj的距离dij，并设定阈值为σ，如果dij>σ，则判定数据点aj为噪声点，抛弃这个值；
S304、如果dij≤σ，则认为这个值符合要求，然后可以进行聚类处理，并将聚类的结果记录下来，以聚类所得的结果来替换目标包围球中的数据；
S305、返回步骤S302依次判定剩余点。
本实施例中，S1中所述的三次样条插值法具体包括以下步骤：
所述三次样条插值法通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程，三次样条把区间[a，b]分成n个区间[(x0，x1)，(x1，x2)，(x2，x3)，....，(xn-1，xn)]，共有n+1个点，其中两个端点x0＝a，xn＝b，三次样条就是说每个小区间的曲线是一个三次方程，三次样条方程满足以下条件：
a、在每个分段小区间[xi，xi+1]上，S(x)＝Si(x)都是一个三次方程；
b、满足插值条件，即S(xi)＝yi(i＝0，1，...，n)；
c、曲线光滑，即S(x)，S(x)，S(x)连续；
三次方程为三次样条函数Si(x)；其构造成如下形式：
y＝ai+bix+cix2+dix3
Si(x)中要确定n个小区间上的样条函数，则需要确定4n个未知参数(ai，bi，ci，di)；
求解过程如下：
首先，由于所有点必须满足插值条件，S(xi)＝yi(i＝0，1，...，n)，除了两个端点，所有n-1个内部点的每个点都满足Si(xi+1)＝yi+1Si+1(xi+1)＝yi+1，前后两个分段三次方程，则有2(n-1)个方程，再加上两个端点分别满足第一个和最后一个三次方程，则总共有2n个方程；
其次，n-1个内部点的一阶导数应该是连续的，即在第i区间的末点和第i+1区间的起点是同一个点，它们的一阶导数应该也相等，即S′i(xi+1)＝S′i+1(xi+1)，则有n-1个方程；
另外，内部点的二阶导数也要连续，即S″i(xi+1)＝S″i+1(xi+1)，也有n-1个方程；
总共有4n-2个方程，通过边界条件得到两个方程，即可解出所有未知数；
有三种边界条件：自然边界，固定边界，非节点边界；
自然边界：指定端点二阶导数为0，S(x0)＝0＝S(xn)；
固定边界：指定端点一阶导数，这里分别定为A和B，即S0(x0)＝A，Sn-1(xn)＝B；
非扭结边界：强制第一个插值点的三阶导数值等于第二个点的三阶导数值，最后第一个点的三阶导数值等于倒数第二个点的三阶导数值，即S0(x0)＝S1(x1)，Sn-2(xn-1)＝Sn-1(xn)。
本实施例中，所述改进极限学习机(ELM)算法的处理运行过程如下：
S501、对训练集和预测集同时进行聚类，得到K个不同的子集；
S502、利用K个不同子集中的训练集训练分类器，得到K个具有差异性的分类器；
S503、利用不同的分类器处理对应的预测集；
所述改进极限学习机(ELM)算法的实现过程如下：
S511、处理样本数据，为方便聚类算法的处理和排除偶然性，将训练集和预测集数据写成n*m型矩阵，对数据的组序进行随机处理；
S512、选择最恰当邻域Eps和最少点数量MinPts，为保证每一类分类器都具有实际意义，所选择的邻域Eps和最少点数量MinPts要使得聚类完成后，每一个簇类密度差异在一定范围内，即：
Figure BDA0002827051540000091
其中，
Figure BDA0002827051540000092
ε≤Max，Ne(x)为核心点的邻域Eps所代表的范围，Max为用户指定的最大差异值；
S513、利用DBSCAN算法进行聚类分析，当聚类结果不满足
Figure BDA0002827051540000093
时，重新进行S512，直到所得聚类结果符合需求；
S514、将不同类别中的训练集进行分类，确定每个分类器的神经元个数，神经元个数的选择是ELM算法的核心部分，随着神经元个数的增加，预测精度会随之上升，但上升至一定程度之后，增加神经元数量反而会导致精度趋于不稳定，因此，在选择神经元个数时，需要综合考虑算法的准确性和稳定性；
S515、利用训练集训练分类器，将分类所得到的K个训练集分别进行训练，得到K个分类器；同时，为了确保改进的ELM方法的有效性，将所有训练集组成的一个集合进行训练，得到一个对比分类器；
S516、将不同类别的预测集放到对应的分类器中进行预测分类，统计分类结果；将分类结果与实际结果相比较，计算预测精度；
S517、当S513中预测集数据形成单独一类情况时，此时该预测集数据相当于DBSCAN算法中的噪声点，为了保证预测结果的可行性和准确度，将所有训练集置于同一分类器中进行训练形成训练集分类器，然后将单独一类的预测集数据放于训练集分类器来预测结果。
本实施例中，所述自适应神经网络PID利用异步优势行动者评论家(A3C)算法设计自适应PID控制器，具备多线程异步学习特性，并行多个行动者评论家(AC)结构的智能体,每个智能体采用多层前馈神经网络逼近策略函数和值函数实现在连续动作空间中搜索最优的参数整定策略，使用两个BP神经网络分别实现Actor策略函数和Critic值函数的学习，Actor网络共有3层，第1层为输入层，第2层为隐藏层，第3层为输出层，Critic网络结构同样采用三层BP神经网络，前两层的结构与Actor网络前两层结构相同，不同在于Critic网络的输出层只有一个节点，输出了不同时刻状态的值函数。
如图2所示，本发明还提供了一种利用所述兽药仓库环境精准预调控方法控制的环境精准调控装置，其特征在于，所述一种基于兽药仓库环境精准与调控装置包括兽药仓库100；兽药仓库门101；控制箱200；键盘201；显示器202；制冷剂管道203；压缩机和冷凝器204。所述兽药仓库100放置在地面上；所述兽药仓库门101安装于所述兽药仓库100左侧；所述控制箱200位于所述兽药仓库100前部外侧左下方；所述键盘201位于所述兽药仓库100左侧、所述兽药仓库门101右侧；所述显示器202位于所述兽药仓库100左侧、所述键盘201上方；所述制冷剂管道203安装于兽药仓库100内部，分布于顶部内测和前部内测；所述压缩机和冷凝器204位于所述兽药仓库前部外侧右下方；所述控制箱200分别与所述键盘201、显示器202、压缩机和冷凝器204连接；所述制冷剂管道203与所述压缩机和冷凝器204连接。如图3所示，所述仓库传感器组206安装于所述兽药仓库100顶部内侧几何中心，所述仓库内传感器组206包括：温度传感器、湿度传感器、风速传感器和压强传感器，每隔1分钟返回一次仓库内环境监测数据。兽药仓库100顶部内侧分布有所述制冷剂管道203；所述多功能空调205安装在兽药仓库顶部内测、所述仓库内传感器组206两侧；所述制冷剂管道203和所述多功能空调205与图1中所述压缩机和冷凝器204连接。
本实施例中，如图4所示，所述仓库传感器组206、所述显示器202、所述键盘201、所述环境调节装置207和所述电源模块208分别与所述控制箱200连接。所述仓库传感器组206监测兽药仓库内的环境信息，每隔1分钟向所述控制箱返回1次环境信息监测数据；所述键盘201用于对兽药仓库内的环境值进行设置；所述显示器202用于显示控制箱返回的兽药仓库内环境数据的实时值同时辅助键盘201对兽药仓库内的环境值进行设置；所述环境调节装置207受控制箱200控制，用于调节兽药仓库内的环境；电源模块208通过控制箱为每个模块供电。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于本发明技术方案的保护范围内。

Claims (8)

1.一种基于兽药仓库环境精准预调控方法，其特征在于，包括以下步骤：
S1、获取环境参数：对环境数据进行模糊C均值聚类去噪，识别异常点，利用三次样条插值法对空缺数据进行填补；
S2、预测环境参数：通过环境参数预测模型对获取的环境参数进行预测，环境参数预测模型采用引入DBSCAN聚类算法的改进极限学习机算法；
S3、调节控制环境：利用自适应神经网络PID控制环境调节装置，通过预测环境参数与环境参数标准阈值进行对比分析，根据对比结果自动调控兽药仓库设备运行，使兽药仓库各项环境参数更加稳定精准的保持在设定值。
2.根据权利要求1所述的一种基于兽药仓库环境精准预调控方法，其特征在于，所述兽药仓库各项环境参数包括仓库温度、仓库湿度、仓库风速、时间数据和环境调节装置功率数据，步骤S2中的采样周期为30分钟，选取经去噪处理后的仓库环境参数数据输入到所述环境参数预测模型中，得到在不进行调节的情况下未来30分钟仓库环境数据的预测值，在调节控制环境时根据仓库未来30分钟内的环境数据的预测值和当前仓库环境监测数据预先控制环境调节装置使仓库内环境数据稳定保持在设定值。
3.根据权利要求1所述的一种基于兽药仓库环境精准预调控方法，其特征在于，S1中所述模糊C均值聚类去噪包括以下步骤：
S301、将阀值设置为σ，设定包围球的半径为R；
S302、选择一个稀土金属仓库温度数据点为aj，并计算以cj为中心，R为半径的包围球内邻近点的个数n；
S303、计算稀土金属仓库温度数据点aj到聚类中心cj的距离dij，并设定阈值为σ，如果dij>σ，则判定数据点aj为噪声点，抛弃这个值；
S304、如果dij≤σ，则认为这个值符合要求，然后可以进行聚类处理，并将聚类的结果记录下来，以聚类所得的结果来替换目标包围球中的数据；
S305、返回步骤S302依次判定剩余点。
4.根据权利要求1所述的一种基于兽药仓库环境精准预调控方法，其特征在于，S1中所述的三次样条插值法具体包括以下步骤：
所述三次样条插值法通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程，三次样条把区间[a，b]分成n个区间[(x0，x1)，(x1，x2)，(x2，x3)，....，(xn-1，xn)]，共有n+1个点，其中两个端点x0＝a，xn＝b，三次样条就是说每个小区间的曲线是一个三次方程，三次样条方程满足以下条件：
a、在每个分段小区间[xi，xi+1]上，S(x)＝Si(x)都是一个三次方程；
b、满足插值条件，即S(xi)＝yi(i＝0，1，...，n)；
c、曲线光滑，即S(x)，S′(x)，S″(x)连续；
三次方程为三次样条函数Si(x)；其构造成如下形式：
y＝ai+bix+cix2+dix3
Si(x)中要确定n个小区间上的样条函数，则需要确定4n个未知参数(ai，bi，ci，di)；
求解过程如下：
首先，由于所有点必须满足插值条件，S(xi)＝yi(i＝0，1，...，n)，除了两个端点，所有n-1个内部点的每个点都满足Si(xi+1)＝yi+1Si+1(xi+1)＝yi+1，前后两个分段三次方程，则有2(n-1)个方程，再加上两个端点分别满足第一个和最后一个三次方程，则总共有2n个方程；
其次，n-1个内部点的一阶导数应该是连续的，即在第i区间的末点和第i+1区间的起点是同一个点，它们的一阶导数应该也相等，即Si(xi+1)＝Si+1(xi+1)，则有n-1个方程；
另外，内部点的二阶导数也要连续，即Si(xi+1)＝Si+1(xi+1)，也有n-1个方程；
总共有4n-2个方程，通过边界条件得到两个方程，即可解出所有未知数；
有三种边界条件：自然边界，固定边界，非节点边界；
自然边界：指定端点二阶导数为0，S″(x0)＝0＝S″(xn)；
固定边界：指定端点一阶导数，这里分别定为A和B，即S′0(x0)＝A，S′n-1(xn)＝B；
非扭结边界：强制第一个插值点的三阶导数值等于第二个点的三阶导数值，最后第一个点的三阶导数值等于倒数第二个点的三阶导数值，即S″′0(x0)＝S″′1(x1)，S″′n-2(xn-1)＝S″′n-1(xn)。
5.根据权利要求1所述的一种基于兽药仓库环境精准预调控方法，其特征在于，所述改进极限学习机(ELM)算法的处理运行过程如下：
S501、对训练集和预测集同时进行聚类，得到K个不同的子集；
S502、利用K个不同子集中的训练集训练分类器，得到K个具有差异性的分类器；
S503、利用不同的分类器处理对应的预测集；
所述改进极限学习机(ELM)算法的实现过程如下：
S511、处理样本数据，为方便聚类算法的处理和排除偶然性，将训练集和预测集数据写成n*m型矩阵，对数据的组序进行随机处理；
S512、选择最恰当邻域Eps和最少点数量MinPts，为保证每一类分类器都具有实际意义，所选择的邻域Eps和最少点数量MinPts要使得聚类完成后，每一个簇类密度差异在一定范围内，即：
Figure FDA0002827051530000031
其中，
Figure FDA0002827051530000032
ε≤Max，Ne(x)为核心点的邻域Eps所代表的范围，Max为用户指定的最大差异值；
S513、利用DBSCAN算法进行聚类分析，当聚类结果不满足
Figure FDA0002827051530000041
时，重新进行S512，直到所得聚类结果符合需求；
S514、将不同类别中的训练集进行分类，确定每个分类器的神经元个数，神经元个数的选择是ELM算法的核心部分，随着神经元个数的增加，预测精度会随之上升，但上升至一定程度之后，增加神经元数量反而会导致精度趋于不稳定，因此，在选择神经元个数时，需要综合考虑算法的准确性和稳定性；
S515、利用训练集训练分类器，将分类所得到的K个训练集分别进行训练，得到K个分类器；同时，为了确保改进的ELM方法的有效性，将所有训练集组成的一个集合进行训练，得到一个对比分类器；
S516、将不同类别的预测集放到对应的分类器中进行预测分类，统计分类结果；将分类结果与实际结果相比较，计算预测精度；
S517、当S513中预测集数据形成单独一类情况时，此时该预测集数据相当于DBSCAN算法中的噪声点，为了保证预测结果的可行性和准确度，将所有训练集置于同一分类器中进行训练形成训练集分类器，然后将单独一类的预测集数据放于训练集分类器来预测结果。
6.根据权利要求1所述的一种基于兽药仓库环境精准预调控方法，其特征在于，所述自适应神经网络PID利用异步优势行动者评论家(A3C)算法设计自适应PID控制器，具备多线程异步学习特性，并行多个行动者评论家(AC)结构的智能体，每个智能体采用多层前馈神经网络逼近策略函数和值函数实现在连续动作空间中搜索最优的参数整定策略，使用两个BP神经网络分别实现Actor策略函数和Critic值函数的学习，Actor网络共有3层，第1层为输入层，第2层为隐藏层，第3层为输出层，Critic网络结构同样采用三层BP神经网络，前两层的结构与Actor网络前两层结构相同，不同在于Critic网络的输出层只有一个节点，输出了不同时刻状态的值函数。
7.一种利用权利要求1-6中任一所述兽药仓库环境精准预调控方法控制的环境精准调控装置，其特征在于，包括设置在兽药仓库内的仓库传感器组、控制箱和环境调节装置，还包括显示器和键盘，传感器组、显示器、键盘和环境调节装置同时与控制箱连接，仓库传感器组用于监测兽药仓库内部环境信息；所述控制箱用于接收仓库传感器组返回的信息、对环境调节装置进行控制调节；环境调节装置调节用于调节兽药仓库内的环境，仓库传感器组包括温度传感器、湿度传感器和风速传感器；显示器用于显示环境参数信息和控制箱的控制信息；键盘用于信息输入对环境参数进行设定，仓库传感器组每分钟向控制箱反馈1次环境监测数据。
8.根据权利要求7所述的一种兽药仓库环境精准预调控装置，其特征在于，所述环境调节装置包括压缩机、冷凝器、制冷剂管道和多功能空调。
CN202011451322.XA 2020-12-09 2020-12-09 一种基于兽药仓库环境精准预调控方法及装置 Pending CN112596385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011451322.XA CN112596385A (zh) 2020-12-09 2020-12-09 一种基于兽药仓库环境精准预调控方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011451322.XA CN112596385A (zh) 2020-12-09 2020-12-09 一种基于兽药仓库环境精准预调控方法及装置

Publications (1)

Publication Number Publication Date
CN112596385A true CN112596385A (zh) 2021-04-02

Family

ID=75192264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011451322.XA Pending CN112596385A (zh) 2020-12-09 2020-12-09 一种基于兽药仓库环境精准预调控方法及装置

Country Status (1)

Country Link
CN (1) CN112596385A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116300477A (zh) * 2023-05-19 2023-06-23 江西金域医学检验实验室有限公司 封闭空间环境调控方法、系统、电子设备及存储介质
CN117570512A (zh) * 2024-01-16 2024-02-20 成都航空职业技术学院 一种基于温度自适应控制模型的楼宇温控系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201992749U (zh) * 2011-03-17 2011-09-28 深圳市西谷制冷设备有限公司 一种仓库质保机

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201992749U (zh) * 2011-03-17 2011-09-28 深圳市西谷制冷设备有限公司 一种仓库质保机

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HTTPS://ZHUANLAN.ZHIHU.COM/P/62860859: "三次样条（cubic spline）插值", 《知乎》 *
孙歧峰等: "基于异步优势执行器评价器学习的自适应PID控制设计", 《计算机测量与控制》 *
曾鼎等: "基于改进极限学习机的泥石流发生预测", 《计算机与现代化》 *
李东: "《智慧云仓储监控巡检系统设计与研究》", 《中国优秀硕士学位论文全文数据库 (信息科技辑)2019年第1期》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116300477A (zh) * 2023-05-19 2023-06-23 江西金域医学检验实验室有限公司 封闭空间环境调控方法、系统、电子设备及存储介质
CN117570512A (zh) * 2024-01-16 2024-02-20 成都航空职业技术学院 一种基于温度自适应控制模型的楼宇温控系统
CN117570512B (zh) * 2024-01-16 2024-03-19 成都航空职业技术学院 一种基于温度自适应控制模型的楼宇温控系统

Similar Documents

Publication Publication Date Title
CN107967542B (zh) 一种基于长短期记忆网络的售电量预测方法
CN112596385A (zh) 一种基于兽药仓库环境精准预调控方法及装置
US11268713B2 (en) Smart home air conditioner automatic control system based on artificial intelligence
CN112289034A (zh) 基于多模态时空数据的深度神经网络鲁棒交通预测方法
CN112435363B (zh) 一种刀具磨损状态实时监测方法
CN114066071B (zh) 一种基于能耗的电力参数优化方法、终端设备及存储介质
JP2007140694A (ja) 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
US12008070B2 (en) Method and apparatus for predicting time-series data
US20230087048A1 (en) Electronic apparatus and operation method for predicting hvac energy consumption using machine learning
CN108615097A (zh) 一种风速预测方法、系统、设备及计算机可读存储介质
CN109740481B (zh) 基于跳跃连接的cnn与lstm结合的房颤信号分类系统
CN114167922A (zh) 一种基于多传感器数据采集的农牧智能分析的方法及系统
CN105550244A (zh) 一种自适应聚类方法
CN115841624A (zh) 基于红外图像的高炉煤气流分布识别方法
JP2006155557A (ja) 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
CN106991817B (zh) 多级路网路段交通容量确定方法
CN110705806B (zh) 一种基于容量利用小时数的电量预测方法
CN111189201A (zh) 一种基于机器视觉的空调预测控制方法
CN110826258A (zh) 基于时空卷积神经网络的数据中心机房仿真环境构建方法
CN115509122A (zh) 基于机器视觉导航的无人划线车在线寻优控制方法及系统
CN115136799A (zh) 一种粮食存储智能管理系统
CN113487870A (zh) 一种基于cw攻击对智能单交叉口的对抗扰动生成方法
CN118628161B (zh) 一种供应链需求预测方法及系统
CN112484734B (zh) 基于特征提取自适应神经网络和co2的室内人员定位方法
CN117474710B (zh) 中空玻璃全过程信息化管理系统

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