CN112881601B - 一种基于云平台的水分检测系统 - Google Patents
一种基于云平台的水分检测系统 Download PDFInfo
- Publication number
- CN112881601B CN112881601B CN202110045010.7A CN202110045010A CN112881601B CN 112881601 B CN112881601 B CN 112881601B CN 202110045010 A CN202110045010 A CN 202110045010A CN 112881601 B CN112881601 B CN 112881601B
- Authority
- CN
- China
- Prior art keywords
- moisture
- value
- time series
- trapezoidal
- trapezoidal fuzzy
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 226
- 230000004927 fusion Effects 0.000 claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims description 76
- 238000000034 method Methods 0.000 claims description 23
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 13
- 239000003245 coal Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 230000003993 interaction Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000001035 drying Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 3
- 239000003830 anthracite Substances 0.000 description 3
- 238000004939 coking Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000012223 aqueous fraction Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007796 conventional method Methods 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
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于云平台的水分检测系统由粮仓环境参数采集与控制平台和粮仓环境大数据处理子系统两部分组成,粮仓环境参数采集平台实现对粮仓环境参数检测、调节和监控;粮仓环境参数大数据处理子系统包括多个水分检测模型和检测参数融合模型,实现对粮食的水分进行预测,提高粮仓环境生产管理效率和效益;本发明有效解决了现有粮仓环境参数检测系统没有根据粮仓环境参数变化的非线性、大滞后和粮仓环境面积大复杂等对粮食安全的影响,没有对粮仓环境水分进行预测和对粮仓环境参数精确调节,从而极大的影响粮仓安全和粮食管理问题。
Description
技术领域
本发明涉及水分检测与处理的自动化装备的技术领域,具体涉及一种基于云平台的水分检测系统。
背景技术
在工农业生产中水分是影响生产安全和经济效益的重要指标之一,进行水分检测在工农业生产过程中尤为必要。粮食的生产及储备对于国家粮食安全体系有着举足轻重的作用,特别是土壤旱情,对我国粮食的安全生产危害性更大,土壤水分是植物耗水的主要直接来源,对植物的生理活动有重大影响。
进行土壤水分状况的监测,掌握其变化规律,对农业生产实时服务和理论研究都具有重要意义。旱情信息采集方法薄弱和信息处理手段相对滞后,土壤旱情实时分析能力不强,干旱信息的实效性差,应对干旱的措施有效性不足等问题严重影响农业生产。“仓廪实,天下安”,粮食是安天下之本,是国民经济基础的基础。因此,粮食问题是关系国计民生的重大课题,其中粮食的安全储藏与运输显得尤为重要。
利用干燥设备降低水分是粮食安全储藏和运输的重要环节。而在粮食干燥过程中,水分在线检测和控制是制约干燥环节的核心技术。由于影响,素复杂,常规方法难以实现干燥过程水分在线测量的快速性及水分控制的精确性。因此,应用现代新的技术手段与理论方法来检测粮食的水分,解决目前粮食水分检测中存在的问题,保证干燥过程中粮食的品质与经济效益,具有非常重要的意义。在煤炭开采中,为提高矿井煤与瓦斯突出预测的准确性,对经过干燥处理的不同含水量的无烟煤、焦煤和长焰煤的瓦斯放散初速度进行了测定。结果表明水分对无烟煤、焦煤和长焰煤的瓦斯放散初速度均有影响,同一煤阶煤样的水分越大,瓦斯放散初速度越小;且瓦斯放散初速度随水分增加呈指数式减小,水分减小了煤样的瓦斯吸附量是造成瓦斯放散初速度减小的根本原因;水分对无烟煤瓦斯放散初速度影响最大,长焰煤居中,焦煤最小,其原因为不同煤阶煤的孔隙特性不同。因此,开展水分检测是提高工农业生产安全和经济效益的重要手段之一。
发明内容
本发明提供了一种基于云平台的水分检测系统,本发明有效解决了现有粮仓环境参数检测系统没有根据粮仓环境参数变化的非线性、大滞后和粮仓环境面积大复杂等对粮食安全的影响,没有对粮仓环境水分进行预测和对粮仓环境参数精确调节,从而极大的影响粮仓安全和粮食管理问题。
本发明通过以下技术方案实现:
一种基于云平台的水分检测系统由粮仓环境参数采集与控制平台和粮仓环境大数据处理子系统两部分组成,粮仓环境参数采集平台实现对粮仓环境参数检测、调节和监控;粮仓环境参数大数据处理子系统包括多个水分检测模型和检测参数融合模型,实现对粮食的水分进行预测,提高粮仓环境生产管理效率和效益。
本发明进一步技术改进方案是:
粮仓环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和手机APP组成,检测节点采集粮仓环境参数经网关节点上传到云平台,在云平台端存储数据和发布信息,手机APP通过云平台提供的粮仓环境信息可实时监测粮仓环境参数;检测节点和控制节点负责采集粮仓环境参数信息和控制粮仓环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机APP的双向通信,实现粮仓环境参数采集和粮仓设备控制;粮仓环境参数采集与控制平台结构如图1所示。
本发明进一步技术改进方案是:
水分检测大数据处理子系统由多个水分检测模型和检测参数融合模型组成,多个水分检测模型输出的水分梯形模糊数作为检测参数融合模型的输入,检测参数融合模型输出的水分梯形模糊数作为多个检测点的水分预测值的融合值,水分检测大数据处理子系统结构如图2所示。
本发明进一步技术改进方案是:
水分检测模型由1个水分传感器、1个按拍延迟线TDL(Tapped Delay Line)、多个Adaline神经网络模型、多个微分回路、ESN神经网络模型和4个LSTM神经网络模型组成,由2个微分算子D相串联构成1个微分回路,每个微分回路的2个微分算子连接端的输出和每个微分回路的输出分别作为ESN神经网络模型的对应的2个输入;水分传感器输出作为对应的1个按拍延迟线TDL的输入,1个按拍延迟线TDL输出的一段时间的多个水分传感器值分别作为多个Adaline神经网络模型的输入,每个Adaline神经网络模型的输出分别作为对应的每个微分回路的输入和ESN神经网络模型的对应的1个输入,ESN神经网络模型的输出为代表一段时间水分大小的动态梯形模糊数为[a,b,c,d],a、b、c和d分别代表检测点水分的最小值、极小值、极大值和最大值,一段时间内a、b、c和d值分别作为对应的4个LSTM神经网络模型的输入,4个LSTM神经网络模型输出分别作为一段时间内a、b、c和d值的预测值,4个LSTM神经网络模型输出值构成水分梯形模糊数作为水分检测模型的输出,水分检测模型把一段时间检测点的水分值转换为水分梯形模糊数预测值。
本发明进一步技术改进方案是:
检测参数融合模型
1、一段时间多个水分检测点的水分检测模型输出的水分梯形模糊数值构成水分时间序列梯形模糊数值阵列,同一时刻所有水分检测点的水分梯形模糊数值的平均值构成时间序列水分梯形模糊数阵列的正理想值,同一时刻所有水分检测点的水分梯形模糊数值与正理想值距离最大的梯形模糊数值构成时间序列水分梯形模糊数阵列的负理想值,每个水分检测点的水分时间序列梯形模糊数值的负理想值距离除以每个水分检测点的水分时间序列梯形模糊数值的负理想值距离与每个水分检测点的水分时间序列梯形模糊数值的正理想值距离的和得到的商为该水分检测点的水分时间序列梯形模糊数值的距离相对贴近度,每个水分检测点的水分时间序列梯形模糊数值的距离相对贴近度除以所有水分检测点的水分时间序列梯形模糊数值的距离相对贴近度的和得到的商为每个水分检测点的水分时间序列梯形模糊数值的距离融合权重;
2、每个水分检测点的水分时间序列梯形模糊数值的正灰色关联度除以该水分检测点的水分时间序列梯形模糊数值的正灰色关联度与该水分检测点的水分时间序列梯形模糊数值的负灰色关联度的和得到的商为每个水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度;每个水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度除以所有水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度的和得到的商为该水分检测点的水分时间序列梯形模糊数值的灰色关联度融合权重;
3、每个水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重分别构成均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重,由均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重组成该水分检测点的水分时间序列梯形模糊数值的梯形模糊数融合权重,每个水分检测点的水分时间序列梯形模糊数值与该水分检测点的水分时间序列梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有水分检测点的时间序列梯形模糊数融合值;
4、每个水分检测点的水分时间序列梯形模糊数值的负理想值的特征为每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值距离,每个水分检测点的水分时间序列梯形模糊数值的正理想值距离的每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值距离;
5、每个水分检测点的水分时间序列梯形模糊数值的正灰色关联度的特征为每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值的灰色关联度,水分检测点的水分时间序列梯形模糊数值的负灰色关联度的特征为每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值的灰色关联度;
6、乘积组合权重的特征为每个水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该水分检测点的水分时间序列梯形模糊数值融合的乘积组合权重。
本发明与现有技术相比,具有以下明显优点:
一、本发明LSTM神经网络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的功能旨在水分值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神经网络模型实现水分值的预测,提高水分值预测的精确度。
二、本发明LSTM神经网络模型具有与标准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神经网络模型中的关键变量,它携带着水分值预测先前步骤的信息,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水分值预测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水分值预测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。
三、本发明LSTM神经网络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水分值预测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。水分值预测数据是序列数据,其变化趋势富有含义。此外,由于水分值预测的采样间隔相对较小,水分值预测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。
四、本发明在串级LSTM神经网络模型中,首先在浅层级对相对容易预测的水分值数据进行重构,然后把生成的水分值数据作为下一级的输入。深层级的预测结果不但基于水分值数据训练数据中的输入值,还受浅层级水分值数据结果的影响,这种方法能够更有效地提取水分值数据输入数据中蕴含的信息,提升模型的预测水分值数据的准确度。
五、本发明ESN神经网络模型将网络隐层设计成一个具有很多神经元组成的稀疏网络,通过调整网络内部权值的特性达到记忆水分梯形模糊数的功能,其内部的动态储备池包含了大量稀疏连接的神经元,蕴含系统的运行状态,并具有短期记忆水分值梯形模糊数功能,通过预设ESN神经网络模型的内部连接权值矩阵的谱半径来保证储备池内部递归网络的稳定性,提高了水分值梯形模糊数预测的稳定性和精确度。
六、本发明ESN神经网络模型将当前时刻储备池状态对前一时刻状态具有继承性,对水分值的梯形模糊数的历史数据具有短暂的记忆特性,研究结果表明具备历史记忆性的ESN神经网络具有较好的预测效果。ESN神经网络模型具备高精度、高准确率、高时效性和稳定性的特点,可作为一种快速有效水分值梯形模糊数的预测手段;ESN神经网络模型作为一种新型动态递归神经网络,采用了线性回归的方法建立模型,规避了传统神经网络收敛速度慢和易陷入局部最小的问题,简化了训练过程的复杂程度,实现了高效水分值梯形模糊数预测的目的。
七、本发明由于通过多个微分回路联引入水分参数预测值的一次和二次变化率,在非线性参数的时间序列预测中应用ESN神经网络模型根据被检测参数的预测值以及变化率的影响把被检测参数转换为梯形模糊数具有更好的预测精度和自适应能力,提高ESN神经网络模型的泛化能力。
附图说明
图1为本发明的粮仓环境参数采集与控制平台;
图2为本发明的粮仓养殖环境大数据处理子系统;
图3为本发明的水分检测模型;
图4为本发明的检测节点;
图5为本发明的控制节点;
图6为本发明的网关节点;
图7为本发明的现场监控端软件功能图。
具体实施方式
结合附图1-7,对本发明技术方案作进一步描述:
一、系统总体功能的设计
本发明一种基于云平台的水分检测系统实现对粮仓养殖环境参数进行检测和预测,该系统由粮仓环境参数采集与控制平台和粮仓养殖环境大数据处理子系统两部分组成。粮仓环境参数采集与控制平台包括粮仓养殖环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和手机App组成,检测节点和控制节点构建成CAN总线网络通信来实现检测节点、控制节点和网关节点之间的CAN总线网络通信;检测节点将检测的粮仓养殖环境参数通过网关节点发送给现场监控端和云平台,网关节点、云平台、现场监控端和手机App之间实现粮仓养殖环境参数和相关控制信息的双向传输。粮仓环境参数采集与控制平台见图1所示。
二、检测节点的设计
采用大量基于CAN总线通信网络的检测节点1作为粮仓养殖环境参数感知终端,检测节点通过CAN总线通信网络实现现场监控端之间的信息相互交互。检测节点包括采集粮仓的温度、风速、光照度和粮食的水分参数的传感器和对应的信号调理电路、STM32微处理器和CAN总线网络通信的CAN总线接口;检测节点的软件主要实现CAN总线网络通信和粮仓养殖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4。
三、控制节点的设计
控制节点通过CAN总线网络实现网关节点之间的信息相互交互,控制节点包括控制外部设备对应的4个数模转换电路、STM32微处理器、4个外部设备控制器和CAN总线通信网络的CAN接口;4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和光照控制器。控制节点结构图见图5.
四、网关节点设计
网关节点包括CAN接口、NB-IoT模块、STM32单片机和RS232接口,网关节点包括CAN接口实现与检测节点和控制节点之间通信的CAN总线通信网络,NB-IoT模块实现网关与云平台之间的数据双向交互,RS232接口连接现场监控端,实现网关与现场监控端之间的信息交互。网关节点结构见图6.
五、现场监控端的软件设计
现场监控端是一台工业控制计算机,现场监控端主要实现对粮仓环境参数进行采集与水分参数进行预测值融合,实现与检测节点与控制节点的信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理和通过粮仓养殖环境大数据处理子系统对粮仓水分进行智能预测,该管理软件选择了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7。水分检测大数据处理子系统由多个水分检测模型和检测参数融合模型组成,多个水分检测模型输出的水分梯形模糊数作为检测参数融合模型的输入,检测参数融合模型输出的水分梯形模糊数作为多个检测点水分传感器的融合值,水分检测大数据处理子系统结构如图2所示。水分检测模型和检测参数融合模型的设计过程如下:
1、水分检测模型设计
水分检测模型结构如图3所示,水分检测模型由1个水分传感器、1个具有多个延时单元的按拍延迟线TDL(Tapped Delay Line)、多个Adaline神经网络模型、多个微分回路、ESN神经网络模型和4个LSTM神经网络模型组成,由2个微分算子D相串联构成1个微分回路,每个微分回路的2个微分算子的连接端的输出连接ESN神经网络模型的1个对应的输入端,每个微分回路的输出连接ESN神经网络模型的1个对应的输入端;水分检测模型把水分检测点的一段时间水分传感器值转换为水分的动态梯形模糊数值,每个检测点的水分传感器输出为对应的1个按拍延迟线TDL的输入,1个按拍延迟线TDL输出的一段时间水分检测点的时间序列的多个传感器值分别作为多个Adaline神经网络模型的输入,每个Adaline神经网络模型的输出分别作为对应的微分回路的输入和ESN神经网络模型的1个对应的输入;ESN神经网络模型的输出为代表一段时间水分大小的动态梯形模糊数为[a,b,c,d],a、b、c和d分别代表检测点水分的最小值、极小值、极大值和最大值,该[a,b,c,d]构成在一段时间内水分检测模型输出水分的动态梯形模糊数值。X(t),X(t-1)…,X(t-n)为按拍延迟线TDL的输出历史数据,t表示当前时刻,n分别表示X的滞后点;ESN神经网络模型输出的动态梯形模糊数为[a,b,c,d],ESN神经网络模型输出值[a,b,c,d]代表水分的动态梯形模糊数值,水分检测点的水分检测模型的动态梯形模糊数值可以描述为:
U(t)=[a,b,c,d]=F[X(t),X(t-1)…,X(t-n)] (1)
Adaline神经网络模型的自适应线性单元(Adaptive Linear Element)是早期的神经网络模型之一,该模型的输入信号可写成向量的形式:X(K)=[x0(K),x1(K),…xn(K)]T,每一组输入信号对应有一组权值向量相对应表示为:W(K)=[k0(K),k1(K),…k(K)],x0(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态,可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为:
在Adaline神经网络模型中,有一特殊输入即理想响应输出d(K),把它送入Adaline神经网络模型中,然后通过网络的输出y(K)进行比较,将差值送到学习算法机制中,以调整权向量直到获得最佳权向量,y(K)与d(K)趋向一致,权向量的调整过程即为网络的学习过程,学习算法是学习过程的核心部分,Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。ESN神经网络模型的输入为多个Adaline神经网络模型的输出、多个微分回路的输出和多个微分回路的两个微分算子连接端的输出,ESN神经网络模型的输出4个数为a、b、c和d,它们分别代表水分检测点的一段时间内水分的最小值、极小值、极大值和最大值,它们构成在一段时间内水分检测点的水分动态梯形模糊数值[a,b,c,d]。ESN神经网络模型的设计原理如下:ESN神经网络(Echo state network,ESN)是一种新型的动态神经网络,具有动态神经网络的全部优点,同时由于回声状态网络引入了“储备池”概念,所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”,整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构,该结构中神经元相互连接是稀疏的,通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:
(3)式中W为神经网络的状态变量,Win为ESN神经网络模型的输入变量;Wback为ESN神经网络模型的输出状态变量连接权矩阵;x(n)表示ESN神经网络模型的内部状态;Wout为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵;为ESN神经网络模型的输出偏差或可以代表噪声;f=f[f1,f2,…,fn]为“储备池”内部神经元的n个激活函数;fi为双曲正切函数;fout为ESN神经网络模型的ε个输出函数。ESN神经网络模型的输入为输出的一段时间的水分梯形模糊数。ESN神经网络模型的输出4个数为a、b、c和d,它们分别代表水分检测点的一段时间内水分的最小值、极小值、极大值和最大值,它们构成在一段时间内水分检测点的水分动态梯形模糊数值[a,b,c,d],一段时间内a、b、c和d的时间序列值分别为4个对应的LSTM神经网络模型的输入,4个LSTM神经网络模型的输出分别为对应的内a、b、c和d的时间序列值的预测值,4个LSTM神经网络模型的输出值构成水分检测模型的输出的水分动态梯形模糊数值[a,b,c,d]的预测值。LSTM神经网络模型由长短期记忆(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神经网络模型引入了记忆单元(Memory Cell)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(Forget Gate)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。LSTM神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列检测点的水分动态变化,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。LSTM神经网络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检测点水分动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制检测点的水分历史信息的使用。设输入检测点的水分动态梯形模糊数值中a的时间序列值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (4)
ft=sigmoid(Whfht-1+WhfXt) (5)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (6)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (7)
ht=ot⊙tanh(ct) (8)
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4个LSTM神经网络模型来对进行预测检测点的水分动态梯形模糊数值,该方法首先建立LSTM神经网络模型,利用预处理的检测点的水分动态梯形模糊数值数据建立训练集并对模型进行训练,LSTM神经网络模型考虑了水分检测点的水分变化的时序性和非线性,具有较高水分动态梯形模糊数值的预测精度。
2、检测参数融合模型设计
①、构建检测点的时间序列梯形模糊数值阵列
一段时间多个水分检测点的水分检测模型输出的梯形模糊数值构成水分时间序列梯形模糊数值阵列,设有n个水分检测点和m个时刻的nm个水分检测点的梯形模糊数值构成n行和m列的水分时间序列梯形模糊数阵列,设不同时刻同一水分检测点的水分梯形模糊数值为Aij(t),Aij(t+1),…,Aij(m),则所有水分检测点的时间序列梯形模糊数阵列为:
②、计算水分检测点的水分时间序列梯形模糊数值的距离融合权重
同一时刻所有水分检测点的梯形模糊数值的平均值构成时间序列梯形模糊数阵列的正理想值,时间序列梯形模糊数阵列的正理想值为:
同一时刻所有水分检测点的梯形模糊数值与正理想值距离最大的梯形模糊数值构成时间序列梯形模糊数阵列的负理想值,时间序列梯形模糊数值负理想值为:
每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值距离为:
每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值距离为:
每个水分检测点的水分时间序列梯形模糊数值的负理想值距离除以每个水分检测点的水分时间序列梯形模糊数值的负理想值距离与每个水分检测点的水分时间序列梯形模糊数值的正理想值距离的和得到的商为每个水分检测点的水分时间序列梯形模糊数值距离的相对贴近度,公式为:
通过(14)公式计算可以知道,每个水分检测点的水分时间序列梯形模糊数值距离的相对贴近度越大,则该水分检测点的水分时间序列梯形模糊数值离正理想值的相对距离就越接近,否则该水分检测点的水分时间序列梯形模糊数值离正理想值的相对距离就越远,根据这个原理确定每个水分检测点的水分时间序列梯形模糊数值距离的相对贴近度除以所有水分检测点的水分时间序列梯形模糊数值距离的相对贴近度的和得到的商为每个水分检测点的水分时间序列梯形模糊数值的距离融合权重为:
③、计算水分检测点的水分时间序列梯形模糊数值的灰色关联度融合权重
每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值的灰色关联度为:
通过计算每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值的灰色关联度,可以构建每个水分检测点的水分时间序列梯形模糊数值的灰色关联度矩阵:
根据公式(17)可以得到每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值之间的灰色关联度,如下公式所示:
同理,每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值的灰色关联度为,定义如下公式:
同理,通过计算每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值的灰色关联度,可以构建每个水分检测点的水分时间序列梯形模糊数值的灰色关联度矩阵:
根据公式(20)可以得到每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值之间的灰色关联度,如下公式所示:
每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列正理想值之间的灰色关联度除以每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列正理想值之间的灰色关联度相加每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列负理想值之间的灰色关联度的和得到的商为每个水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度为:
通过(22)公式计算可以知道,每个水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度越大,则该水分检测点的水分时间序列梯形模糊数值与正理想值的形状相似度相差就越小,否则该水分检测点的水分时间序列梯形模糊数值与正理想值的形状相似度相差就越大,根据这个原理确定每个水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度除以所有水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度的和得到的商为每个水分检测点的水分时间序列梯形模糊数值的灰色关联度融合权重为:
④、计算多个水分检测点的水分时间序列梯形模糊数值的融合值
根据不同水分检测点的水分时间序列梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi,求取均方根组合权重γi,显然γi与αi、βi和都应尽可能接近,根据最小相对信息熵原理有:
用拉格朗日乘子法解上述优化问题得:
根据公式(25)可以知每个水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根占所有水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根和的比为该水分检测点的水分时间序列梯形模糊数值融合的均方根组合权重。
单独运用一种方法得到传感器数据融合权重均会导致结果存在一定的局限性,本专利运用博弈论的方法将不同水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重进行综合集成,该方法主要是为了缩小不同方法得到的各个基本权重与最终得到的组合权重之间的偏差,使得各个方法所确定的权重在相互竞争的关系中比较协调,进而寻求比较均衡的结果,保证所确定的指标组合权重更加科学合理。为了使得到的组合权重更具有科学性和客观性,可使用L种不同的方法对各指标进行赋权,这样可以构造一个基本的权重集,使用L种方法对指标进行赋权,由此构造一个基本的权重集ui={ui1,ui2,…,uin},i=1,2,…,L,我们记这L个向量的任意线性组合为:
根据水分检测点的水分时间序列梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi进行线性组合得到该水分检测点的水分时间序列梯形模糊数值融合的线性组合权重θi,公式为:
θi=ααi+ββi (29)
根据每个水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该检测点的时间序列梯形模糊数值融合的乘积组合权重,公式为:
根据公式(25)、(28)、(29)和公式(30)得到该检测点的时间序列梯形模糊数值融合的梯形模糊数融合权重为wi:
wi=[min(θi,γi,νi,σi),κi,Oi,max(θi,γi,νi,σi)] (31)
其中κi,Oi分别为4个组合权重θi,γi,νi,σi中从大到小排序的第3个数和第2个数。
从公式(31)可以知每个水分检测点的水分时间序列梯形模糊数值的均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重组成该水分检测点的水分时间序列梯形模糊数值的梯形模糊数融合权重。
根据同一时刻每个水分检测点的水分时间序列梯形模糊数值与该水分检测点的水分时间序列梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有水分检测点的时间序列梯形模糊数融合值为:
3、粮仓环境参数采集与控制平台的设计举例
根据粮仓环境参数的分布状况,系统布置了检测节点、控制节点网关节点和现场监控端的平面布置安装图,其中检测节点均衡布置在被检测粮仓环境中实现对环境参数的检测,通过该系统实现对粮仓环境参数的采集与粮仓水分的智能化预测。
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 (6)
1.一种基于云平台的水分检测系统,其特征在于:所述检测系统由粮仓环境参数采集与控制平台和粮仓环境大数据处理子系统两部分组成,粮仓环境参数采集平台实现对粮仓环境参数检测、调节和监控;粮仓环境参数大数据处理子系统包括多个水分检测模型和检测参数融合模型,实现对粮食的水分进行预测;
粮仓环境参数大数据处理子系统包括多个水分检测模型和检测参数融合模型,多个水分检测模型输出的水分梯形模糊数作为检测参数融合模型的输入,检测参数融合模型输出的水分梯形模糊数作为多个检测点的水分预测值的融合值;
所述水分检测模型包括水分传感器、按拍延迟线TDL、Adaline神经网络模型、多个微分回路、ESN神经网络模型和LSTM神经网络模型,由2个微分算子D相串联构成1个微分回路,每个微分回路的2个微分算子连接端的输出和每个微分回路的输出分别作为ESN神经网络模型的对应的输入;水分传感器的输出作为按拍延迟线TDL的输入,按拍延迟线TDL输出的一段时间的多个水分传感器值分别作为多个Adaline神经网络模型的输入,每个Adaline神经网络模型的输出分别作为对应的每个微分回路的输入和ESN神经网络模型的对应的输入,ESN神经网络模型的输出为代表一段时间水分大小的动态梯形模糊数,动态梯形模糊数的每个数值分别作为对应的LSTM神经网络模型的输入,LSTM神经网络模型输出构成的水分梯形模糊数作为水分检测模型的输出,水分检测模型把一段时间检测点的水分值转换为水分梯形模糊数预测值;
所述检测参数融合模型的一段时间多个水分检测点的水分检测模型输出的水分梯形模糊数构成水分时间序列梯形模糊数值阵列,同一时刻所有水分检测点的水分梯形模糊数预测值的平均值构成时间序列水分梯形模糊数阵列的正理想值,同一时刻所有水分检测点的水分梯形模糊数预测值与正理想值距离最大的梯形模糊数值构成时间序列水分梯形模糊数阵列的负理想值,每个水分检测点的水分时间序列梯形模糊数值的负理想值距离除以每个水分检测点的水分时间序列梯形模糊数值的负理想值距离与每个水分检测点的水分时间序列梯形模糊数值的正理想值距离的和得到的商为该水分检测点的水分时间序列梯形模糊数值的距离相对贴近度,每个水分检测点的水分时间序列梯形模糊数值的距离相对贴近度除以所有水分检测点的水分时间序列梯形模糊数值的距离相对贴近度的和得到的商为每个水分检测点的水分时间序列梯形模糊数值的距离融合权重;
每个水分检测点的水分时间序列梯形模糊数值的正灰色关联度除以该水分检测点的水分时间序列梯形模糊数值的正灰色关联度与该水分检测点的水分时间序列梯形模糊数值的负灰色关联度的和得到的商为每个水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度;每个水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度除以所有水分检测点的水分时间序列梯形模糊数值的灰色关联度相对贴近度的和得到的商为该水分检测点的水分时间序列梯形模糊数值的灰色关联度融合权重。
2.根据权利要求1所述的一种基于云平台的水分检测系统,其特征在于:所述每个水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重分别构成均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重,由均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重组成该水分检测点的水分时间序列梯形模糊数值的梯形模糊数融合权重,每个水分检测点的水分时间序列梯形模糊数值与该水分检测点的水分时间序列梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有水分检测点的时间序列梯形模糊数融合值。
3.根据权利要求1所述的一种基于云平台的水分检测系统,其特征在于:所述每个水分检测点的水分时间序列梯形模糊数值的负理想值为每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值距离,每个水分检测点的水分时间序列梯形模糊数值的正理想值距离的每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值距离。
4.根据权利要求1所述的一种基于云平台的水分检测系统,其特征在于:所述每个水分检测点的水分时间序列梯形模糊数值的正灰色关联度为每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的正理想值的灰色关联度,水分检测点的水分时间序列梯形模糊数值的负灰色关联度为每个水分检测点的水分时间序列梯形模糊数值与时间序列梯形模糊数阵列的负理想值的灰色关联度。
5.根据权利要求2所述的一种基于云平台的水分检测系统,其特征在于:所述乘积组合权重的特征为每个水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有水分检测点的水分时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该水分检测点的水分时间序列梯形模糊数值融合的乘积组合权重。
6.根据权利要求1所述的一种基于云平台的水分检测系统,其特征在于:所述粮仓环境参数采集与控制平台包括检测节点、控制节点、网关节点、现场监控端、云平台和手机APP,检测节点采集粮仓环境参数经网关节点上传到云平台,在云平台端存储数据和发布信息,手机APP通过云平台提供的粮仓环境信息可实时监测粮仓环境参数,检测节点和控制节点负责采集粮仓环境参数信息和控制粮仓环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机APP的双向通信,实现粮仓环境参数采集和粮仓设备控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045010.7A CN112881601B (zh) | 2021-01-13 | 2021-01-13 | 一种基于云平台的水分检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045010.7A CN112881601B (zh) | 2021-01-13 | 2021-01-13 | 一种基于云平台的水分检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881601A CN112881601A (zh) | 2021-06-01 |
CN112881601B true CN112881601B (zh) | 2023-05-30 |
Family
ID=76045767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110045010.7A Active CN112881601B (zh) | 2021-01-13 | 2021-01-13 | 一种基于云平台的水分检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881601B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397043B (zh) * | 2021-12-20 | 2023-04-07 | 淮阴工学院 | 多点温度智能检测系统 |
CN114418183B (zh) * | 2021-12-20 | 2023-01-17 | 淮阴工学院 | 畜禽健康体征大数据物联网检测系统 |
CN115016276B (zh) * | 2022-06-17 | 2023-06-30 | 淮阴工学院 | 智能水分调节与环境参数物联网大数据系统 |
CN114839881B (zh) * | 2022-06-17 | 2023-06-30 | 淮阴工学院 | 智能化垃圾清理与环境参数大数据物联网系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444820A (en) * | 1993-12-09 | 1995-08-22 | Long Island Lighting Company | Adaptive system and method for predicting response times in a service environment |
CN105913411A (zh) * | 2016-05-10 | 2016-08-31 | 云南大学 | 一种基于因子定权模型的湖泊水质评价预测系统及方法 |
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 |
CN110580021A (zh) * | 2019-09-10 | 2019-12-17 | 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 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 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 |
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 |
CN111061163A (zh) * | 2019-12-31 | 2020-04-24 | 北京黎明文仪家具有限公司 | 一种基于物联网的家用家具消防控制系统、方法及装置 |
-
2021
- 2021-01-13 CN CN202110045010.7A patent/CN112881601B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444820A (en) * | 1993-12-09 | 1995-08-22 | Long Island Lighting Company | Adaptive system and method for predicting response times in a service environment |
CN105913411A (zh) * | 2016-05-10 | 2016-08-31 | 云南大学 | 一种基于因子定权模型的湖泊水质评价预测系统及方法 |
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 |
CN110580021A (zh) * | 2019-09-10 | 2019-12-17 | 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 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 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 |
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 |
CN111061163A (zh) * | 2019-12-31 | 2020-04-24 | 北京黎明文仪家具有限公司 | 一种基于物联网的家用家具消防控制系统、方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112881601A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
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 | |
CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
CN112904756B (zh) | 一种管网大数据检测系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
CN113301127B (zh) | 一种牲畜饲料检测系统 | |
CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN114169638A (zh) | 一种水质预测方法及装置 | |
CN112903929A (zh) | 一种食品质量检测系统 | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与系统 | |
CN115905938B (zh) | 基于物联网储罐安全监测方法及系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
CN111473768B (zh) | 一种建筑物安全智能检测系统 |
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 |