CN112947642A - 一种果蔬仓库多变量控制系统及方法 - Google Patents

一种果蔬仓库多变量控制系统及方法 Download PDF

Info

Publication number
CN112947642A
CN112947642A CN202110155929.1A CN202110155929A CN112947642A CN 112947642 A CN112947642 A CN 112947642A CN 202110155929 A CN202110155929 A CN 202110155929A CN 112947642 A CN112947642 A CN 112947642A
Authority
CN
China
Prior art keywords
data
fruit
module
control
warehouse
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
CN202110155929.1A
Other languages
English (en)
Inventor
王玉朋
王秀玲
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University 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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202110155929.1A priority Critical patent/CN112947642A/zh
Publication of CN112947642A publication Critical patent/CN112947642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Storage Of Harvested Produce (AREA)

Abstract

本发明提供了一种果蔬仓库多变量控制系统及方法，涉及自动控制领域，包括数据采集模块、数据处理模块、数据显示与保存模块和控制模块；数据采集模块对果蔬仓库中环境信息数据进行采集，并通过ZigBee模块发送到PC端；数据处理模块拟采用莱特准则和自适应加权融合算法对传感器信息进行处理；数据显示与保存模块实时监测仓库的环境变量，并存储采集到的数据；改进T‑S模糊神经网络设计的控制器对温湿度和气调设备下发指令，使得果蔬仓库的环境条件动态保持在预设值附近，保证果蔬存放的适宜条件。该装置极大提高仓库中多环境变量的采集效率，能够精确调控影响果蔬贮藏时间的环境变量，保证存放果蔬的品质，实现果蔬仓库管理的信息化和自动化。

Description

一种果蔬仓库多变量控制系统及方法
技术领域
本发明涉及自动控制技术领域，具体涉及一种果蔬仓库多变量控制系统及方法。
背景技术
果蔬作为人类补充水分、纤维素以及其他微量元素的最佳来源，成为了人类生存中不可或缺的宝贵食品，但是大部分果蔬的生产存在严重的季节性，采摘后的果蔬一旦得不到妥善的贮藏，其本身所蕴含丰富的水分与糖分将使得果蔬在贮存期间迅速地脱水和腐烂。经研究表明，影响果蔬保鲜能力的主要因素有温度、湿度、气体成分比例等，如何调节和改变上述影响因素，使得果蔬贮藏时间和品质得以提升，已成为目前迫切需要解决的一类问题。低温贮藏法是采用最为广泛的贮藏方法，但是过低的温度会导致冷害症状，因此保持最适宜的贮藏环境可以有效的保证果蔬的新鲜和质量。大量数据表明，果蔬类适合存放的温度为：7℃～12℃，湿度为：90％～95％，二氧化碳的浓度为2％～5％。
近几年，果蔬仓库控制系统的设计引进了越来越多的智能化技术和设备应用，目前国内外对系统的研究重点在于控制技术的选择和控制模型的优化上，旨在设计更加精准化的控制模型，最大程度地提高环境因子的控制精度，实现果蔬仓储监控管理系统的智能化和自动化。目前的果蔬仓库的控制系统，缺乏对影响果蔬贮藏时间环境变量耦合性的研究，对环境变量的调控仍存在较大的误差，导致控制不够精准，影响果蔬贮藏质量。
因此，本申请提出一种果蔬仓库多变量控制系统及方法。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种果蔬仓库多变量控制系统。
为了实现上述目的，本发明提供如下技术方案：
一种果蔬仓库多变量控制系统，包括数据采集模块、数据处理模块、数据显示与保存模块和控制模块；
所述数据采集模块对果蔬仓库中的环境信息数据进行采集，并通过zigbee网络将采集到的环境信息数据发送到所述数据显示与保存模块及数据处理模块；
所述数据显示与保存模块将接收到的环境信息数据进行实时显示并保存；
所述数据处理模块采用莱特准则对接收到的环境信息数据的异常值进行剔除，并对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合，将融合数据发送到所述控制模块；
所述控制模块采用T-S模糊神经网络对融合数据进行训练，根据训练结果向果蔬仓库的环境调节设备发送控制指令。
优选地，所述数据采集模块包括温度传感器、湿度传感器和CO2传感器，通过各传感器对果蔬仓库中的温湿度以及二氧化碳数据进行采集。
优选地，所述采用莱特准则对接收到的环境信息数据的异常值进行剔除具体包括：
假设利用多个等精度的传感器对环境参数进行测量，得到一组数据信息为：x1,x2,……xi，则平均值、残差、标准差分别为：
Figure BDA0002934704740000021
Figure BDA0002934704740000022
Figure BDA0002934704740000023
根据莱特准则，若测量数据符合|Δxi|＞3σ时，则测量的数据为无效数据，应以删除；其中，3σ表示3倍标准偏差，具体指数据置信度落在99.7％的范围内；
所述对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合具体包括：
自适应加权平均算法依据均方误差最小的原理寻找其对应的最优加权值；再利用各个传感器采集数据与其对应的最优加权值相乘后再相加获得最终融合结果；
设Xn为经过异常值剔除后的数据，Wn为权值，且满足如下：
Figure BDA0002934704740000031
Figure BDA0002934704740000032
此时，融合结果为：
Figure BDA0002934704740000033
优选地，所述控制模块采用T-S模糊神经网络对融合数据进行训练包括：
控制模型用下式表示：
Figure BDA0002934704740000034
式中：Ch(k)、Ct(k)、Cc(k)分别表示当前时刻的湿度、温度和CO2浓度；Ct(k-1)、Ch(k-1)、Cc(k-1)、分别表示前一时刻的湿度、温度和CO2浓度；S(k)表示当前时刻的对调控系统的指令信号，G(k)表示控制模型的噪声干扰；
目标函数W可以用下式表示：
Figure BDA0002934704740000035
目标函数W是对TS模糊神经网络的训练效果的评价指标，其中，Rh、Rt、Rc分别为湿度、温度和CO2浓度的预设值；当目标函数为零时，控制效果达到最佳。
优选地，所述zigbee网络通过终端节点接收各传感器的数据，并通过协调器自组网络，再将各传感器采集到的数据发送至协调器，协调器再将数据通过串口发送至所述数据显示与保存模块及数据处理模块。
本申请的另一目的在于提供一种果蔬仓库多变量控制方法，包括以下步骤：
步骤1、所述数据采集模块对果蔬仓库中的环境信息数据进行采集，并通过ZigBee模块将采集到的环境信息数据发送到所述数据显示与保存模块和数据处理模块；
步骤2、所述数据处理模块采用莱特准则对接收到的环境信息数据的异常值进行剔除，并对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合，将融合数据发送到所述控制模块；
步骤2.1、假设利用多个等精度的传感器对环境参数进行测量，得到一组数据信息为：x1,x2,……xi，则平均值、残差、标准差分别为：
Figure BDA0002934704740000041
Figure BDA0002934704740000042
Figure BDA0002934704740000043
根据莱特准则，若测量数据符合|Δxi|＞3σ时，则测量的数据为无效数据，应以删除；其中，3σ表示3倍标准偏差，具体指数据置信度落在99.7％的范围内；
步骤2.2、所述对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合具体包括：
自适应加权平均算法依据均方误差最小的原理寻找其对应的最优加权值；再利用各个传感器采集数据与其对应的最优加权值相乘后再相加获得最终融合结果；
设Xn为经过异常值剔除后的数据，Wn为权值，且满足如下：
Figure BDA0002934704740000051
Figure BDA0002934704740000052
此时，融合结果为：
Figure BDA0002934704740000053
步骤3、所述控制模块采用T-S模糊神经网络对融合数据进行训练，包括；
控制模型用下式表示：
Figure BDA0002934704740000054
式中：Ch(k)、Ct(k)、Cc(k)分别表示当前时刻的湿度、温度和CO2浓度；Ct(k-1)、Ch(k-1)、Cc(k-1)、分别表示前一时刻的湿度、温度和CO2浓度；S(k)表示当前时刻的对调控系统的指令信号，G(k)表示控制模型的噪声干扰；
目标函数W可以用下式表示：
Figure BDA0002934704740000055
目标函数W是对TS模糊神经网络的训练效果的评价指标，其中，Rh、Rt、Rc分别为湿度、温度和CO2浓度的预设值；当目标函数为零时，控制效果达到最佳；
步骤4、系统根据果蔬仓库中存放的果蔬设定环境因子，所述控制模块的输入为设定值与实际值的差值及其变化率，系统依据差值及变化率查询T-S型模糊神经网络控制器生成的模糊规则，并且向果蔬仓库的环境调节设备(空调、风扇、加湿器、气调设备)发送控制指令输出指令信号，通过环境调节设备调控果蔬仓库的温湿度和气体组成，不断向预设值逼近，动态控制果蔬仓库的环境因子。
优选地，所述步骤3中，控制模块采用T-S模糊神经网络对融合数据进行训练前，首先建立标准T-S模糊神经网络模型，并用遗传算法优化其模糊规则和隶属度函数。
本发明提供的果蔬仓库多变量控制系统及方法具有以下有益效果：
本发明基于传感器检测技术实现果蔬仓库内多环境变量，即温度、湿度、CO2浓度的采集；采用ZigBee模块进行数据传输，解决传统监控系统中布局复杂，功耗高等诸多问题。通过协调器自组网络，传感器采集到的数据发送至协调器，协调器再将数据通过串口发送至PC机进行数据分析；采用改进的Takagi-Sugeno(T-S)模糊神经网络设计控制器，系统输入为检测的传感器信息与预设值差值及其变化率，并查询系统生成的模糊规则，输出是对空调、抽湿器、加湿器和气调装置下发的指令，使得仓库的温湿度以及空气组成不断逼近预设的最适宜指标，实现对影响果蔬贮藏时间环境变量的精确调控。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1的果蔬仓库多变量控制系统的原理框图；
图2为本发明实施例1的果蔬仓库多变量控制方法的流程图；
图3为自适应加权融合算法模型图；
图4为标准的T-S型神经网络模型图；
图5为T-S模糊神经网络对融合数据进行训练的原理图；
图6为zigbee网络数据传输原理图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种果蔬仓库多变量控制系统，具体如图1所示，包括数据采集模块、数据处理模块、数据显示与保存模块和控制模块；本实施例中，选用合适的ARM开发板，相应的传感器等完成变量采集平台的搭建，并在IAR进行仿真和调试。采用ZigBee模块进行数据传输，ZigBee具有短距离、低功耗、低速率、低成本等特点，适用于小范围的无线传感网络通信，解决传统监控系统中布局复杂，功耗高等诸多问题。
本实施例中数据采集模块选择温度传感器、湿度传感器、CO2传感器等。通过传感器对果蔬仓库中的温湿度以及二氧化碳数据进行采集，以供后续传输使用。选择TI公司生产的CC2530作为主芯片，由于CC2530芯片使用的为8051微处理器，因此可以使用IAR开发环境进行开发。组网功能必须在Zigbee协议栈基础上实现，可以采用TI公司的Z-Stack协议栈，该协议栈符合Zigbee2006规范，同时具备非常丰富的功能。本系统开发使用的IAR版本为8.1，IAR Embedded workbench软件是一个用于编译和调试嵌入式应用程序的集成开发环境，将Z-Stack协议栈下载好后，即可在IAR中进行程序的编写和调试，以实现Zigbee组网和其他所需功能。
数据采集模块对果蔬仓库中的环境信息数据进行采集，并通过zigbee网络将采集到的环境信息数据发送到数据显示与保存模块及数据处理模块；
数据显示与保存模块将接收到的环境信息数据进行实时显示并保存；
数据处理模块采用莱特准则对接收到的环境信息数据的异常值进行剔除，并对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合，将融合数据发送到控制模块；
具体的，本实施例中，如图6所示，zigbee网络通过终端节点接收各传感器的数据，并通过协调器自组网络，再将各传感器采集到的数据发送至协调器，协调器再将数据通过串口发送至数据显示与保存模块及数据处理模块。本实施例中，数据显示与保存模块设置在上位机(即PC机)软件中，也就是说上位机软件对数据进行分析。数据显示与保存模块设计上位机界面，对采集的传感器信息进行实时显示，更直观的对果蔬仓库的环境变量进行监测，同时将实时采集的数据进行保存，以便后续进行查看。
控制模块采用T-S模糊神经网络对融合数据进行训练，根据训练结果向果蔬仓库的环境调节设备发送控制指令。
具体的，本实施例中，采用莱特准则对接收到的环境信息数据的异常值进行剔除具体包括：
假设利用多个等精度的传感器对环境参数进行测量，得到一组数据信息为：x1,x2,……xi，则平均值、残差、标准差分别为：
Figure BDA0002934704740000081
Figure BDA0002934704740000082
Figure BDA0002934704740000083
根据莱特准则，若测量数据符合|Δxi|＞3σ时，则测量的数据为无效数据，应以删除；其中，3σ表示3倍标准偏差，具体指数据置信度落在99.7％的范围内；
即当测量值服从正态分布时，残差落在3倍标准偏差，即[-3σ2,3σ2]区间的概率大于99.7％，落在此区间外的概率小于0.3％，因此，可以认为残差落于该区域之外的测量值为异常值；
对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合具体包括：
自适应加权平均算法依据均方误差最小的原理寻找其对应的最优加权值；再利用各个传感器采集数据与其对应的最优加权值相乘后再相加获得最终融合结果；
设Xn为经过异常值剔除后的数据，Wn为权值，且满足如下：
Figure BDA0002934704740000091
Figure BDA0002934704740000092
此时，融合结果为：
Figure BDA0002934704740000093
具体的，本实施例中，控制模块采用T-S模糊神经网络对融合数据进行训练包括：
控制模型用下式表示：
Figure BDA0002934704740000094
式中：Ch(k)、Ct(k)、Cc(k)分别表示当前时刻的湿度、温度和CO2浓度；Ct(k-1)、Ch(k-1)、Cc(k-1)、分别表示前一时刻的湿度、温度和CO2浓度；S(k)表示当前时刻的对调控系统的指令信号，G(k)表示控制模型的噪声干扰；
目标函数W可以用下式表示：
Figure BDA0002934704740000095
目标函数W是对TS模糊神经网络的训练效果的评价指标，其中，Rh、Rt、Rc分别为湿度、温度和CO2浓度的预设值；当目标函数为零时，控制效果达到最佳。
传感器进行信息采集时，由于外部干扰或内部因素，采集到的信息会存在或多或少的误差，有时甚至会出现错误的采集信息。因此需要对采集信号进行预处理，选择合适的方法对信号进行预处理对系统最终的输出有很重要的作用。为避免传感器信息的异常值影响模型的控制效果，在输入控制模块之前应该对数据进行异常值剔除，同时考虑到果蔬仓库范围较大，在终端节点的同质传感器采用均匀分布的方式，在PC端需要对这些数据进行融合得到代表该区域的传感器数据。本系统采用多个同质传感器对果蔬仓库的某种变量信息(如温度)进行采集，对数据中的异常值进行剔除，进行融合处理后得到一个最接近真实值的数据。对不同传感器采集到的各个类型的数据做相同的预处理后，即可得到果蔬仓库中各环境因子较为精确的值。
基于以上果蔬仓库多变量控制系统，本实施例还提供一种果蔬仓库多变量控制方法，如图2所示，包括以下步骤：
步骤1、数据采集模块对果蔬仓库中的环境信息数据进行采集，并通过ZigBee模块将采集到的环境信息数据发送到数据显示与保存模块和数据处理模块；
步骤2、数据处理模块采用莱特准则对接收到的环境信息数据的异常值进行剔除，并对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合，将融合数据发送到控制模块；
步骤2.1、假设利用多个等精度的传感器对环境参数进行测量，得到一组数据信息为：x1,x2,……xi，则平均值、残差、标准差分别为：
Figure BDA0002934704740000101
Figure BDA0002934704740000102
Figure BDA0002934704740000103
根据莱特准则，若测量数据符合|Δxi|＞3σ时，则测量的数据为无效数据，应以删除；其中，3σ表示3倍标准偏差，具体指数据置信度落在99.7％的范围内；
步骤2.2、对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合具体包括：
自适应加权平均算法依据均方误差最小的原理寻找其对应的最优加权值；再利用各个传感器采集数据与其对应的最优加权值相乘后再相加获得最终融合结果，模型如图3；
设Xn为经过异常值剔除后的数据，Wn为权值，且满足如下：
Figure BDA0002934704740000111
Figure BDA0002934704740000112
此时，融合结果为：
Figure BDA0002934704740000113
步骤3、如图5所示，控制模块采用T-S模糊神经网络对融合数据进行训练，包括；
控制模型用下式表示：
Figure BDA0002934704740000114
式中：Ch(k)、Ct(k)、Cc(k)分别表示当前时刻的湿度、温度和CO2浓度；Ct(k-1)、Ch(k-1)、Cc(k-1)、分别表示前一时刻的湿度、温度和CO2浓度；S(k)表示当前时刻的对调控系统的指令信号，G(k)表示控制模型的噪声干扰；
目标函数W可以用下式表示：
Figure BDA0002934704740000115
目标函数W是对TS模糊神经网络的训练效果的评价指标，其中，Rh、Rt、Rc分别为湿度、温度和CO2浓度的预设值；当目标函数为零时，控制效果达到最佳；
步骤4、系统根据果蔬仓库中存放的果蔬设定环境因子，控制模块的输入为设定值与实际值的差值及其变化率，系统依据差值及变化率查询T-S型模糊神经网络控制器生成的模糊规则，并且向果蔬仓库的环境调节设备(空调、风扇、加湿器、气调设备)发送控制指令输出指令信号，通过环境调节设备调控果蔬仓库的温湿度和气体组成，不断向预设值逼近，动态控制果蔬仓库的环境因子，保持最适宜存放果蔬的环境。
其中，步骤3中，控制模块采用T-S模糊神经网络对融合数据进行训练前，首先建立标准T-S模糊神经网络模型，并用遗传算法优化其模糊规则和隶属度函数。
控制模块设计是建立T-S模糊神经网络控制系统，并将终端节点传输的温湿度和CO2浓度的误差以及其变化率作为系统的输入，依据误差及变化率查询T-S型模糊神经网络控制器生成的模糊规则，输出调节空调、抽湿器、加湿器和气调设备的信号，最终达到动态控制果蔬仓库环境因子的目的。针对传统控制器难以建立数学模型且控制不够精确的缺点，引入智能算法的模糊控制，可以加强控制的准确性。改进T-S模糊神经网络设计的控制器对温湿度和气调设备下发指令，使得果蔬仓库的环境条件动态保持在预设值附近，保证果蔬存放的适宜条件。
如图4所示为标准的T-S型神经网络模型包括前件网络和后件网络；
前件网络：
前件网络由4层组成，第1层为输入层。它的每个节点直接与输入向量的各分量xi连接，将输入值x＝[x1,x2,…xn]T传到下一层，该层节点数N1＝n。
第2层每个节点代表一个语言变量值。计算各输入分量属于各语言变量值模糊集合的隶属函数
Figure BDA0002934704740000121
该层节点数为
Figure BDA0002934704740000122
Figure BDA0002934704740000131
第3层每个节点代表一条模糊规则，用来匹配模糊规则的前件，计算每条规则的适应度，该层节点数为N3＝m；
Figure BDA0002934704740000132
其中，
Figure BDA0002934704740000133
第4层进行归一化计算，该层节点数N3＝N4＝m。
Figure BDA0002934704740000134
后件网络：
后件网络由r个结构相同的子网络所组成，每个子网络产生一个输出量。第1层子网络是输入层，它将输入变量传送到第2层。
第2层子网络计算每一条规则的后件。该层有m个节点，每个节点代表一条规则，即:
Figure BDA0002934704740000135
第3层子网络计算系统的输出，yi是各规则后件的加权和。
Figure BDA0002934704740000136
常规的模糊控制系统是一个不能自动地将专家经验知识转化为推理规则库，同时缺乏有效的方法改进隶属度函数。本发明从典型的T-S模糊神经网络入手研究，并用遗传算法优化其模糊规则和隶属度函数，使得性能指标达到最优。训练完成的模型的输入为实际传感器数据与预设值的差值及其变化率，输出为对环境调节设备如空调、抽湿器、加湿器和气调装置的指令信息，从而调节果蔬仓库的环境指标不断向预设值逼近，动态保持最适宜存放果蔬的环境。
本发明具有实时监测的功能，而且具有调控环境因子的控制模块，利用模糊算法解除果蔬仓库内温度、湿度和CO2间的强耦合关系，采用神经网络的自学习和自适应能力实现整个非线性过程的模糊逻辑推理，并通过遗传算法对模糊神经网络的参数进行优化与训练，寻找最优的隶属度参数和模糊规则，实现对影响果蔬贮藏时间环境变量的精确调控。
本实施例提供的果蔬仓库多变量控制系统是以通信技术、无线传感器网技术、模糊控制和神经网络技术等为基础，实现实时监测和自动调控的功能，分布在不同区域的监测节点通过ZigBee无线传感器网络汇总到数据显示与保存模块和数据处理模块，极大提高仓库中多环境变量的采集效率。基于改进的T-S模糊神经网络控制器，能够精确调控影响果蔬贮藏时间的环境变量，保证存放果蔬的品质，实现果蔬仓库管理的信息化和自动化。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (7)

1.一种果蔬仓库多变量控制系统，其特征在于，包括数据采集模块、数据处理模块、数据显示与保存模块和控制模块；
所述数据采集模块对果蔬仓库中的环境信息数据进行采集，并通过zigbee网络将采集到的环境信息数据发送到所述数据显示与保存模块及数据处理模块；
所述数据显示与保存模块将接收到的环境信息数据进行实时显示并保存；
所述数据处理模块采用莱特准则对接收到的环境信息数据的异常值进行剔除，并对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合，将融合数据发送到所述控制模块；
所述控制模块采用T-S模糊神经网络对融合数据进行训练，根据训练结果向果蔬仓库的环境调节设备发送控制指令。
2.根据权利要求1所述的果蔬仓库多变量控制系统，其特征在于，所述数据采集模块包括温度传感器、湿度传感器和CO2传感器，通过各传感器对果蔬仓库中的温湿度以及二氧化碳数据进行采集。
3.根据权利要求2所述的果蔬仓库多变量控制系统，其特征在于，所述采用莱特准则对接收到的环境信息数据的异常值进行剔除具体包括：
假设利用多个等精度的传感器对环境参数进行测量，得到一组数据信息为：x1,x2,……xi，则平均值、残差、标准差分别为：
Figure FDA0002934704730000011
Figure FDA0002934704730000012
Figure FDA0002934704730000013
根据莱特准则，若测量数据符合|Δxi|＞3σ时，则测量的数据为无效数据，应以删除；其中，3σ表示3倍标准偏差，具体指数据置信度落在99.7％的范围内；
所述对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合具体包括：
自适应加权平均算法依据均方误差最小的原理寻找其对应的最优加权值；再利用各个传感器采集数据与其对应的最优加权值相乘后再相加获得最终融合结果；
设Xn为经过异常值剔除后的数据，Wn为权值，且满足如下：
Figure FDA0002934704730000021
Figure FDA0002934704730000022
此时，融合结果为：
Figure FDA0002934704730000023
4.根据权利要求1所述的果蔬仓库多变量控制系统，其特征在于，所述控制模块采用T-S模糊神经网络对融合数据进行训练包括：
控制模型用下式表示：
Figure FDA0002934704730000024
式中：Ch(k)、Ct(k)、Cc(k)分别表示当前时刻的湿度、温度和CO2浓度；Ct(k-1)、Ch(k-1)、Cc(k-1)、分别表示前一时刻的湿度、温度和CO2浓度；S(k)表示当前时刻的对调控系统的指令信号，G(k)表示控制模型的噪声干扰；
目标函数W可以用下式表示：
Figure FDA0002934704730000025
目标函数W是对TS模糊神经网络的训练效果的评价指标，其中，Rh、Rt、Rc分别为湿度、温度和CO2浓度的预设值；当目标函数为零时，控制效果达到最佳。
5.根据权利要求2所述的果蔬仓库多变量控制系统，其特征在于，所述zigbee网络通过终端节点接收各传感器的数据，并通过协调器自组网络，再将各传感器采集到的数据发送至协调器，协调器再将数据通过串口发送至所述数据显示与保存模块及数据处理模块。
6.根据权利要求1至5任一项所述的果蔬仓库多变量控制系统的控制方法，其特征在于，包括以下步骤：
步骤1、所述数据采集模块对果蔬仓库中的环境信息数据进行采集，并通过ZigBee模块将采集到的环境信息数据发送到所述数据显示与保存模块和数据处理模块；
步骤2、所述数据处理模块采用莱特准则对接收到的环境信息数据的异常值进行剔除，并对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合，将融合数据发送到所述控制模块；
步骤2.1、假设利用多个等精度的传感器对环境参数进行测量，得到一组数据信息为：x1,x2,……xi，则平均值、残差、标准差分别为：
Figure FDA0002934704730000031
Figure FDA0002934704730000032
Figure FDA0002934704730000033
根据莱特准则，若测量数据符合|Δxi|＞3σ时，则测量的数据为无效数据，应以删除；其中，3σ表示3倍标准偏差，具体指数据置信度落在99.7％的范围内；
步骤2.2、所述对剔除异常值后的环境信息数据采用自适应加权融合算法进行融合具体包括：
自适应加权平均算法依据均方误差最小的原理寻找其对应的最优加权值；再利用各个传感器采集数据与其对应的最优加权值相乘后再相加获得最终融合结果；
设Xn为经过异常值剔除后的数据，Wn为权值，且满足如下：
Figure FDA0002934704730000041
Figure FDA0002934704730000042
此时，融合结果为：
Figure FDA0002934704730000043
步骤3、所述控制模块采用T-S模糊神经网络对融合数据进行训练，包括；
控制模型用下式表示：
Figure FDA0002934704730000044
式中：Ch(k)、Ct(k)、Cc(k)分别表示当前时刻的湿度、温度和CO2浓度；Ct(k-1)、Ch(k-1)、Cc(k-1)、分别表示前一时刻的湿度、温度和CO2浓度；S(k)表示当前时刻的对调控系统的指令信号，G(k)表示控制模型的噪声干扰；
目标函数W可以用下式表示：
Figure FDA0002934704730000045
目标函数W是对TS模糊神经网络的训练效果的评价指标，其中，Rh、Rt、Rc分别为湿度、温度和CO2浓度的预设值；当目标函数为零时，控制效果达到最佳；
步骤4、系统根据果蔬仓库中存放的果蔬设定环境因子，所述控制模块的输入为设定值与实际值的差值及其变化率，系统依据差值及变化率查询T-S型模糊神经网络控制器生成的模糊规则，并且向果蔬仓库的环境调节设备发送控制指令输出指令信号，通过环境调节设备调控果蔬仓库的温湿度和气体组成，不断向预设值逼近，动态控制果蔬仓库的环境因子。
7.根据权利要求6所述的果蔬仓库多变量控制方法，其特征在于，所述步骤3中，控制模块采用T-S模糊神经网络对融合数据进行训练前，首先建立标准T-S模糊神经网络模型，并用遗传算法优化其模糊规则和隶属度函数。
CN202110155929.1A 2021-02-04 2021-02-04 一种果蔬仓库多变量控制系统及方法 Pending CN112947642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110155929.1A CN112947642A (zh) 2021-02-04 2021-02-04 一种果蔬仓库多变量控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110155929.1A CN112947642A (zh) 2021-02-04 2021-02-04 一种果蔬仓库多变量控制系统及方法

Publications (1)

Publication Number Publication Date
CN112947642A true CN112947642A (zh) 2021-06-11

Family

ID=76243958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110155929.1A Pending CN112947642A (zh) 2021-02-04 2021-02-04 一种果蔬仓库多变量控制系统及方法

Country Status (1)

Country Link
CN (1) CN112947642A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271602A (zh) * 2022-08-01 2022-11-01 深圳市昂捷信息技术股份有限公司 一种智慧果蔬仓库管理方法、装置及电子设备
CN115291655A (zh) * 2022-08-09 2022-11-04 福建中烟工业有限责任公司 仓库环境调节系统、方法以及存储介质
CN116823068A (zh) * 2023-08-29 2023-09-29 四川集鲜数智供应链科技有限公司 一种餐饮食品供应链管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104023356A (zh) * 2014-06-26 2014-09-03 南京农业大学 一种面向设施环境控制的无线传感器网络数据传输方法
CN205229792U (zh) * 2015-12-23 2016-05-11 吉林大学 一种化学品仓库危险监控系统
CN106444925A (zh) * 2016-08-08 2017-02-22 南通大学 一种基于物联网技术的畜禽舍环境监控系统及其工作方法
US20180310579A1 (en) * 2017-04-27 2018-11-01 Jiangnan University System for controlling low temperature injury of cold-sensitive fruit vegetables by combining intelligent pre-cooling and segmented controlled atmosphere storage
CN109931987A (zh) * 2019-04-15 2019-06-25 天津中津科苑智能科技有限公司 一种基于云端的智能种菜机环境精准监测系统及方法
CN110658874A (zh) * 2019-09-30 2020-01-07 中国计量大学 基于物联网的土豆贮藏环境远程智能监控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104023356A (zh) * 2014-06-26 2014-09-03 南京农业大学 一种面向设施环境控制的无线传感器网络数据传输方法
CN205229792U (zh) * 2015-12-23 2016-05-11 吉林大学 一种化学品仓库危险监控系统
CN106444925A (zh) * 2016-08-08 2017-02-22 南通大学 一种基于物联网技术的畜禽舍环境监控系统及其工作方法
US20180310579A1 (en) * 2017-04-27 2018-11-01 Jiangnan University System for controlling low temperature injury of cold-sensitive fruit vegetables by combining intelligent pre-cooling and segmented controlled atmosphere storage
CN109931987A (zh) * 2019-04-15 2019-06-25 天津中津科苑智能科技有限公司 一种基于云端的智能种菜机环境精准监测系统及方法
CN110658874A (zh) * 2019-09-30 2020-01-07 中国计量大学 基于物联网的土豆贮藏环境远程智能监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐海祥: "《船舶动力定位系统原理》", 31 December 2016 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271602A (zh) * 2022-08-01 2022-11-01 深圳市昂捷信息技术股份有限公司 一种智慧果蔬仓库管理方法、装置及电子设备
CN115291655A (zh) * 2022-08-09 2022-11-04 福建中烟工业有限责任公司 仓库环境调节系统、方法以及存储介质
CN116823068A (zh) * 2023-08-29 2023-09-29 四川集鲜数智供应链科技有限公司 一种餐饮食品供应链管理系统
CN116823068B (zh) * 2023-08-29 2023-11-07 四川集鲜数智供应链科技有限公司 一种餐饮食品供应链管理系统

Similar Documents

Publication Publication Date Title
CN112947642A (zh) 一种果蔬仓库多变量控制系统及方法
CN211503153U (zh) 一种基于多目标的室内空气质量协同监测调控系统
CN112906735B (zh) 一种食用菌环境大数据检测系统
CN107085732B (zh) 基于无线传感器网络的牛舍环境氨气智能监测系统
CN103226348A (zh) 一种食用菌菇房环境集中远程控制系统及方法
CN104950948A (zh) 牛舍温度智能控制系统
CN106686084A (zh) 一种基于智能家居设备的异常预警系统
CN110848896A (zh) 基于神经网络的空调冷却系统智能节能控制系统及方法
CN116505663B (zh) 一种农场用电安全状态监测预警系统
CN113349045A (zh) 基于双塔式连续水培牧草栽培控制系统及其工作方法
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN109213240A (zh) 一种基于自适应控制的草莓大棚无线监测与控制系统
CN115454176A (zh) 一种基于物联网的智慧农业大棚通风控制系统
CN116520718A (zh) 一种基于物联网技术的智能家居自适应控制方法和装置
CN211177306U (zh) 基于神经网络的空调冷却系统智能节能控制系统
Chen et al. An intelligent monitoring system for a pig breeding environment based on a wireless sensor network
CN116452358B (zh) 基于物联网的智慧农业管理系统
CN112925207A (zh) 一种基于参数辨识的温室环境温度自适应方法
CN111367163A (zh) 养殖场环境智能控制器及其应用
CN104503226A (zh) 基于多传感器信息融合的发酵室环境无线Wi-Fi远程监控系统
CN110658874A (zh) 基于物联网的土豆贮藏环境远程智能监控方法
Haiyan et al. Intelligent water resources management platform for precision irrigation agriculture based on Internet of things
Ma et al. An Automatic and Intelligent Internet of Things for Future Agriculture
CN115374881B (zh) 一种制冷设备运行状态故障诊断方法
CN113552806B (zh) 一种基于模糊控制算法的养殖舍环境参数分析方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210611

RJ01 Rejection of invention patent application after publication