CN112968931A - 一种基于多传感器的农作物环境温度数据融合系统及方法 - Google Patents
一种基于多传感器的农作物环境温度数据融合系统及方法 Download PDFInfo
- Publication number
- CN112968931A CN112968931A CN202110125208.6A CN202110125208A CN112968931A CN 112968931 A CN112968931 A CN 112968931A CN 202110125208 A CN202110125208 A CN 202110125208A CN 112968931 A CN112968931 A CN 112968931A
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- sensors
- module
- sensor
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims description 14
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于多传感器的农作物环境温度数据融合系统,包括多个传感器、本地滤波模块、先验知识管理模块、置信度管理模块、数据融合模块和决策输出模块,其中:多个所述传感器用于采集环境温度,并将环境温度转换成模拟信号并发送给本地滤波模块;所述本地滤波模块对接收的模拟信号进行幅值和频率的滤波处理,并将滤波后的模拟信号转换为数字信号;所述先验知识管理模块根据传感器的特性预设不同位置传感器的先验信息;所述置信度管理模块用于确定置信距离,并依照置信距离对传感器输出数据的可靠性进行评估及选择;所述数据融合模块基于Bayes估计的数据融合算法对置信度管理模块选择后的数据进行最佳融合;所述决策输出模块用于对融合数值进行输出。本发明通过多传感器采集农作物的温度,并对采集结果进行特定算法的数据融合,得到精确、稳定的环境温度结果。
Description
技术领域
本发明涉及数据融合领域,具体涉及一种基于多传感器的农作物环境温度数据融合系统及方法。
背景技术
农作物的环境温度对农作物的生长至关重要,不仅关系到农作物产品的品质,也会影响其产量。因此,对农作物环境温度的有效检测和估计也是必不可少的。
在很多实际场景中,因局部风速风向差异、其他电气设备温升干扰、封闭环境内的冷热气流的流动等原因,对温度进行单点的检测不能反馈整体环境温度的情况;同时,温度传感器本身的误差会产生波动的结果,温度传感器故障会导致测量结果失效,需要将对应数据剔除。
由于上述复杂因素,目前的很多农作物环境温度检测系统存在以下问题:
1)相比环境温度的缓慢变化,测量温度波动较大;
2)只是收集多传感器的数据,或者进行简单的均值计算,没有考虑传感器本身的误差范围影响,以及传感器一致性不好的情况,导致测量结果出现偏差;
3)针对传感器故障导致偏差较大的情况,没有有效识别和剔除,影响总体的测量结果。
因此需要对现有的农作物环境温度检测系统进行改进。
发明内容
为了解决上述技术问题,提出了一种测量温度波动较小,测量结果更加准确的多传感器的农作物环境温度数据融合系统及方法。
为实现上述目的,本发明采取的技术方案如下:一种基于多传感器的农作物环境温度数据融合系统,包括多个传感器、本地滤波模块、先验知识管理模块、置信度管理模块、数据融合模块和决策输出模块,其中:
多个所述传感器用于采集环境温度,并将环境温度转换成模拟信号并发送给本地滤波模块;
所述本地滤波模块对接收的模拟信号进行幅值和频率的滤波处理,并将滤波后的模拟信号转换为数字信号;
所述先验知识管理模块根据传感器的特性预设不同位置传感器的先验信息;
所述置信度管理模块用于确定置信距离,并依照置信距离对传感器输出数据的可靠性进行评估及选择;
所述数据融合模块基于Bayes估计的数据融合算法对置信度管理模块选择后的数据进行最佳融合;
所述决策输出模块用于将融合过程中的异常数据、对应的传感器状态以及最终融合数值进行输出。
优选地,所述传感器的特性包括有效范围、误差范围、精度以及线性度参数信息。
优选地,基于Bayes估计的数据融合算法的步骤如下:
步骤1:多个传感器测量同一个参数并获得的测量数据;
步骤2:对步骤1的测量数据超出预期范围的异常数据进行剔除,经剔除后剩余有效数据为m个,其中m<n,剩余的m个数据用于融合;
步骤3:所述融合集合为X=(x1,x2,...,xm) (1);
进一度得到:
因此,μ的最优融合数据,即Bayes估计的融合数据为:
一种基于多传感器的农作物环境温度数据融合方法,应用了商住一种基于多传感器的农作物环境温度数据融合系统,该方法包括以下步骤:
步骤B:确定传感器数量以及对应的安装布局,传感器安装布局要覆盖全部的动态场景;
步骤C:通过安装的传感器进行温度数据采集;
步骤D:计算n个传感器数据的置信距离矩阵,计算公式为:
通过关系矩阵筛除无效数据,获得m个用于融合的有效数据;
步骤G:步骤F得到的估计融合数值、异常数据以及传感器故障数据打包发送给外部系统。
所述步骤C中温度数据采集过程包括:传感器转换、模拟信号到数字信号的转换、数字信号滤波或平滑预处理以及传感器通道之间的数据同步。
本发明相比现有技术,具有以下优点和积极效果:
1)本发明采用了多种方式对采集结果进行处理,包括前端模拟信号滤波、数字信号筛选、多路信号数据综合计算等,使得外部的偏差和异常没有影响到实际结果,温度检测精度更高。
2)采用了平滑、尖峰数据剔除、多路数据融合等方法,使得测量的温度值以相对平稳的方式输出,不仅温度稳定性更切合实际情况,也有利于后端的监控和管理。
3)本发明针对温度进行检测,不仅仅关注温度值本身,同步对温度采集的传感器和采集通道的状态进行检测,实现了对设备质量和状态的管理,提高了系统的可用性。
附图说明
图1为本发明系统的整体结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明,但本发明要求保护的范围并不局限于下述具体实施例。
针对传统的对农作物的环境温度检测方法所存在的问题,本发明主要解决以下技术问题:
消除与实际环境不相符的温度波动;
降低传感器本身误差对检测结果的影响;
消除传感器和采集通道故障对温度采集结果的影响。
本发明的1个具体实施方案如下:
如图1所示,一种基于多传感器的农作物环境温度数据融合系统,包括多个传感器、本地滤波模块、先验知识管理模块、置信度管理模块、数据融合模块和决策输出模块,其中:
多个所述传感器用于采集环境温度,并将环境温度转换成模拟信号并发送给本地滤波模块;
所述本地滤波模块对接收的模拟信号进行预处理,模拟信号需要先进行本地滤波,滤除有效范围之外的幅值和频率,然后将模拟信号转换为数字信号,才能进行数字化处理。其中,有效幅值指环境温度的合理范围,一般为-10℃~40℃;有效频率指温度波动的速率,实际环境中温度波动的变化率较慢,小于2℃/s。
所述先验知识管理模块根据传感器的特性预设不同位置传感器的先验信息;
具体地,先验知识管理模块根据传感器的特性,传感器的特性包括有效范围、误差范围、精度、线性度等参数,提前确定不同位置传感器的先验信息。因传感器采集环境温度的温度数值通常服从正态分布,即因此先验信息主要包括被测参数的均值μ0和方差
所述置信度管理模块用于确定置信距离,并依照置信距离对传感器输出数据的可靠性进行评估及选择;
具体地,置信度管理模块就是通过确定任意两个传感器之间的置信距离后,依照置信距离对传感器输出数据的可靠性进行评估并进而进行选择的过程。
每个传感器的输出为Xi,i=1,2,…,n。一般认为它们服从正态分布,用xi表示第i个测量值的一次测量输出,它是随机变量Xi的一次取样,则有首先确定每两个传感器之间的置信距离,置信距离d在0和1之间变化,两个数据越接近,距离越短,反之越长。根据先验知识管理模块中确定的先验知识,选择确定一个临界值,利用临界值和置信距离矩阵确定关系矩阵。本实施例中,根据实际环境中温度波动的变化率小于2℃/s,对应计算得到的临界值为0.18。
如果置信距离矩阵中某个位置的数值小于或等于临界值,则关系矩阵中对应位置的数值为1,否则为0。这样就得到了数值只有0和1的二值关系矩阵。结合关系矩阵,对n个传感器的采集数据进行筛选,将偏差较大的数据,或者故障传感器的数据剔除,保留符合实际先验情况的有效数据m个(m<n)用于下一步的融合。
所述数据融合模块基于Bayes估计的数据融合算法对置信度管理模块选择后的数据进行最佳融合;
所述决策输出模块用于将融合过程中的异常数据、对应的传感器状态以及融合数值进行输出。
决策输出模块不仅仅体现为对最终融合数值的输出,应同步将融合过程中的异常数据以及对应的传感器状态发送出来。异常数据和状态数据对过程管理和传感器以及采集通道的质量管理是有效和必要的,也是确保整个系统可用性的基础。
具体地,数据融合模块中基于Bayes估计的数据融合算法的步骤如下:
步骤1:多个传感器测量同一个参数并获得的测量数据;
设n个传感器测量同一个参数所获得的数据中,其中有一些数据是超出预期范围的异常数据。
步骤2:对步骤1的测量数据超出预期范围的异常数据进行剔除,经剔除后剩余有效数据为m个,其中m<n,将剩余的m个数据进行融合;
步骤3:所述融合集合为X=(x1,x2,...,xm) (1);
进一度得到:
因此,μ的最优融合数据,即Bayes估计的融合数据为:
一种基于多传感器的农作物环境温度数据融合方法,应用了上述的一种基于多传感器的农作物环境温度数据融合系统,该方法包括以下步骤:
传感器的选择根据技术需求选择。
步骤B:确定传感器数量以及对应的安装布局,传感器安装布局要覆盖全部的动态场景;
根据系统需求确定传感器数量以及对应的安装布局,数量和布局需要结合环境的温度基本情况和气流流动方向,以便覆盖各种动态场景。
步骤C:通过安装的传感器进行温度数据采集;
数据采集过程包括传感器转换、模拟信号到数字信号的转换、数字信号滤波或平滑预处理,以及传感器通道之间的数据同步。数据同步是确保用于处理的输入信息是同一时刻的信息,以确保输入的时间有效性。
步骤D:计算n个传感器数据的置信距离矩阵,为简化计算,当测试数据服从正态分布时可利用误差函数计算置信距离:
通过关系矩阵筛除无效数据,获得m个用于融合的有效数据。
步骤G:步骤F得到的估计融合数值、异常数据以及传感器故障数据打包发送给外部系统,用于进一步的分析和管理。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对发明构成任何限制。
Claims (8)
1.一种基于多传感器的农作物环境温度数据融合系统,其特征在于,包括多个传感器、本地滤波模块、先验知识管理模块、置信度管理模块、数据融合模块和决策输出模块,其中:
多个所述传感器用于采集环境温度,并将环境温度转换成模拟信号并发送给本地滤波模块;
所述本地滤波模块对接收的模拟信号进行幅值和频率的滤波处理,并将滤波后的模拟信号转换为数字信号;
所述先验知识管理模块根据传感器的特性预设不同位置传感器的先验信息;
所述置信度管理模块用于确定置信距离,并依照置信距离对传感器输出数据的可靠性进行评估及选择;
所述数据融合模块基于Bayes估计的数据融合算法对置信度管理模块选择后的数据进行最佳融合;
所述决策输出模块用于将融合过程中的异常数据、对应的传感器状态以及最终融合数值进行输出。
2.如权利要求1所述的一种基于多传感器的农作物环境温度数据融合系统,其特征在于,所述传感器的特性包括有效范围、误差范围、精度以及线性度参数信息。
6.如权利要求1所述的一种基于多传感器的农作物环境温度数据融合系统,其特征在于,基于Bayes估计的数据融合算法的步骤如下:
步骤1:多个传感器测量同一个参数并获得的测量数据;
步骤2:对步骤1的测量数据超出预期范围的异常数据进行剔除,经剔除后剩余有效数据为m个,其中m<n,剩余的m个数据用于融合;
步骤3:所述融合集合为X=(x1,x2,...,xm) (1);
进一度得到:
因此,μ的最优融合数据,即Bayes估计的融合数据为:
7.一种基于多传感器的农作物环境温度数据融合方法,应用了如权利要求1-6任一所述一种基于多传感器的农作物环境温度数据融合系统,其特征在于:该方法包括以下步骤:
步骤B:确定传感器数量以及对应的安装布局,传感器安装布局要覆盖全部的动态场景;
步骤C:通过安装的传感器进行温度数据采集;
步骤D:计算n个传感器数据的置信距离矩阵,计算公式为:
通过关系矩阵筛除无效数据,获得m个用于融合的有效数据;
步骤G:步骤F得到的估计融合数值、异常数据以及传感器故障数据打包发送给外部系统。
8.如权利要求7所述的一种基于多传感器的农作物环境温度数据融合方法,其特征在于,所述步骤C中温度数据采集过程包括:传感器转换、模拟信号到数字信号的转换、数字信号滤波或平滑预处理以及传感器通道之间的数据同步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110125208.6A CN112968931A (zh) | 2021-01-29 | 2021-01-29 | 一种基于多传感器的农作物环境温度数据融合系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110125208.6A CN112968931A (zh) | 2021-01-29 | 2021-01-29 | 一种基于多传感器的农作物环境温度数据融合系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112968931A true CN112968931A (zh) | 2021-06-15 |
Family
ID=76273415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110125208.6A Pending CN112968931A (zh) | 2021-01-29 | 2021-01-29 | 一种基于多传感器的农作物环境温度数据融合系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112968931A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609440A (zh) * | 2021-07-26 | 2021-11-05 | 华智生物技术有限公司 | 传感器数据融合方法、装置及设备 |
CN115931050A (zh) * | 2022-12-20 | 2023-04-07 | 慧之安信息技术股份有限公司 | 一种基于物联操作系统平台的农业生产现场环境监控系统 |
CN117572917A (zh) * | 2024-01-17 | 2024-02-20 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030186663A1 (en) * | 2002-03-26 | 2003-10-02 | Hai-Wen Chen | Method and system for multi-sensor data fusion |
-
2021
- 2021-01-29 CN CN202110125208.6A patent/CN112968931A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030186663A1 (en) * | 2002-03-26 | 2003-10-02 | Hai-Wen Chen | Method and system for multi-sensor data fusion |
Non-Patent Citations (6)
Title |
---|
付华等: "基于Bayes估计理论的数据融合方法", 《自动化技术与应用》 * |
刘翼宁等: "日光温室控制系统中温湿度采集的滤波方法", 《新农业》 * |
吴小俊等: "基于Bayes估计的多传感器数据融合方法研究", 《系统工程理论与实践》 * |
张军等: "多传感器数据采集系统中的数据融合研究", 《传感器与微系统》 * |
敬如雪等: "基于多传感器的数据融合算法研究", 《现代电子技术》 * |
王翥等: "基于数据融合的动态称重传感器布局研究", 《仪表技术与传感器》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609440A (zh) * | 2021-07-26 | 2021-11-05 | 华智生物技术有限公司 | 传感器数据融合方法、装置及设备 |
CN115931050A (zh) * | 2022-12-20 | 2023-04-07 | 慧之安信息技术股份有限公司 | 一种基于物联操作系统平台的农业生产现场环境监控系统 |
CN117572917A (zh) * | 2024-01-17 | 2024-02-20 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
CN117572917B (zh) * | 2024-01-17 | 2024-04-09 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112968931A (zh) | 一种基于多传感器的农作物环境温度数据融合系统及方法 | |
CN110793616A (zh) | 一种全光纤分布式的电缆安全与可靠性监测系统 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN117390378A (zh) | 一种双碳平台数据智能管理方法及系统 | |
CN117310455B (zh) | 一种基于电信号的口腔扫描仪电路板故障检测方法 | |
CN116878831A (zh) | 一种螺栓松动监测方法及监测装置 | |
CN116881773A (zh) | 一种基于深度学习的设备故障识别方法及系统 | |
CN115798167A (zh) | 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置 | |
CN115825649A (zh) | 一种基于电流磁致信号和参数优化变分模态分解的电缆故障点中点行波测距在线定位系统 | |
CN114372344A (zh) | 一种次同步振荡阻尼特性影响因素的量化辨识方法 | |
CN114666525A (zh) | 一种基于asic结构的音视频切换校验系统 | |
CN115144052A (zh) | 一种水电站水头计算方法及系统 | |
CN110702972B (zh) | 一种模拟信号自适应采样方法及装置 | |
CN117434486B (zh) | 一种直流分路计量误差分析处理方法 | |
CN116824867B (zh) | 一种多源公路设施数据信号优化收集处理方法 | |
CN116879121B (zh) | 一种基于光纤传感技术的空气颗粒物浓度实时监测系统 | |
CN111735528B (zh) | 一种基于knn投票精准定位扰动点的方法 | |
CN220690299U (zh) | 温度采样电路 | |
CN118091234B (zh) | 一种用于故障诊断处理的电流互感器 | |
CN115459451B (zh) | 一种基于电源回路的开关量传感器的智能通讯方法 | |
CN118091297B (zh) | 一种电力终端的安全监测装置、监测方法和电力终端 | |
CN117110691B (zh) | 一种电力设备数据采集系统 | |
CN116821836B (zh) | 基于多传感器的轮轴瓦异常状态监测方法及系统 | |
CN116561705B (zh) | 一种三个雨量传感器数据融合计算方法、系统及终端 | |
CN116738173A (zh) | 一种飞机装配过程数据采集与分析方法 |
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: 20210615 |
|
RJ01 | Rejection of invention patent application after publication |