CN113031555B - 一种畜禽舍环境有害气体智能净化系统 - Google Patents
一种畜禽舍环境有害气体智能净化系统 Download PDFInfo
- Publication number
- CN113031555B CN113031555B CN202110286649.4A CN202110286649A CN113031555B CN 113031555 B CN113031555 B CN 113031555B CN 202110286649 A CN202110286649 A CN 202110286649A CN 113031555 B CN113031555 B CN 113031555B
- Authority
- CN
- China
- Prior art keywords
- neural network
- livestock
- poultry house
- harmful gas
- self
- 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
- 244000144972 livestock Species 0.000 title claims abstract description 94
- 244000144977 poultry Species 0.000 title claims abstract description 94
- 238000000746 purification Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims description 81
- 239000007789 gas Substances 0.000 claims description 70
- 238000013528 artificial neural network Methods 0.000 claims description 60
- 230000001537 neural effect Effects 0.000 claims description 26
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 10
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 10
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 4
- 230000007175 bidirectional communication Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 29
- 238000013461 design Methods 0.000 description 20
- 238000009395 breeding Methods 0.000 description 11
- 230000001488 breeding effect Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 230000006854 communication Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000282887 Suidae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000022531 anorexia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/4186—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by protocol, e.g. MAP, TOP
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Manufacturing & Machinery (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Housing For Livestock And Birds (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种畜禽舍环境有害气体智能净化系统由畜禽舍环境参数采集与控制平台和有害气体智能净化子系统组成，实现对畜禽环境参数进行检测、调节和有害气体净化，本发明有效解决了现有畜禽养殖环境没有根据畜禽养殖环境有害气体参数变化的非线性、大滞后和畜禽养殖环境面积大复杂等对畜禽养殖环境生产的影响，没有对畜禽养殖环境有害气体浓度进行预测和对有害气体净化，从而极大的影响畜禽养殖环境生产效益和生产管理问题。
Description
技术领域
本发明涉及畜禽舍环境参数检测自动化装备的技术领域，具体涉及一种畜禽舍环境有害气体智能净化系统。
背景技术
在规模化畜禽养殖环境中，会产生大量有害畜禽健康的氨气、硫化氢和二氧化碳等气体，一定浓度的有害气体对畜禽没有太大影响，当其浓度升高会引起生猪的畜禽生产率下降、抵抗力减弱、厌食和疾病等一些严重问题。为此，对畜禽舍内有害气体浓度进行检测与净化分析十分必要，并采取有效措施将有害气体的浓度维持在适宜范围，为畜禽的养殖提供舒适的生长环境。为此，设计了一种畜禽舍环境有害气体净化系统对畜禽舍内空气进行净化处理，提高畜禽舍空气质量。
发明内容
本发明提供了一种畜禽舍环境有害气体智能净化系统，本发明有效解决了现有畜禽养殖环境没有根据畜禽养殖环境有害气体参数变化的非线性、大滞后和畜禽养殖环境面积大复杂等对畜禽养殖环境生产的影响，没有对畜禽养殖环境有害气体浓度进行预测和对有害气体净化，从而极大的影响畜禽养殖环境生产效益和生产管理问题。
本发明通过以下技术方案实现：
一种畜禽舍环境有害气体智能净化系统由畜禽舍环境参数采集与控制平台和有害气体智能净化子系统组成，实现对畜禽环境参数进行检测、调节和有害气体净化。
本发明进一步技术改进方案是：
畜禽舍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，检测节点采集畜禽舍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通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数；检测节点和控制节点负责采集畜禽舍环境参数和控制畜禽舍环境设备，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，实现畜禽舍环境参数采集和畜禽舍设备控制；畜禽舍环境参数采集与控制平台结构见图1所示。
本发明进一步技术改进方案是：
有害气体智能净化子系统由小波神经网络模型、自联想神经网络模型、时延神经网络模型、PID控制器、积分回路、ANFIS自适应神经模糊推理模型和参数扰动控制模块组成，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为ANFIS自适应神经模糊推理模型的2个对应输入；氨气、硫化氢和二氧化碳的期望值作为小波神经网络模型的对应输入，多组温度、湿度、风速和光照传感器输出分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为自联想神经网络模型的输入，自联想神经网络模型的输出作为小波神经网络模型的对应输入；小波神经网络模型输出与参数扰动控制模块的自联想神经网络模型输出的差值作为有害气体浓度差，有害气体浓度差和有害气体浓度差的变化率作为 PID控制器的输入，PID控制器输出作为积分回路的输入和ANFIS自适应神经模糊推理模型的对应输入；有害气体智能净化子系统结构见图2所示。
本发明进一步技术改进方案是：
参数扰动控制模块由LSTM神经网络模型、NARX神经网络控制器、自联想神经网络模型和多个时延神经网络模型组成；多组氨气、硫化氢和二氧化碳传感器的输出作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为自联想神经网络模型的输入，自联想神经网络输出作为NARX神经网络控制器的对应输入，ANFIS自适应神经模糊推理模型输出与NARX神经网络控制器输出的和作为LSTM神经网络模型的输入，LSTM神经网络模型的输出分别作为有害气体净化装置的控制器输入和NARX神经网络控制器的对应输入。
本发明与现有技术相比，具有以下明显优点：
一、本发明畜禽舍环境的温度、湿度和风速存在非线性、大滞后和动态变化复杂等特点，在测量畜禽舍环境参数的的传感器很容易受到干扰，所以畜禽舍环境参数测量中常常包含较大的噪声。另一方面，畜禽舍环境的测量参数多于其独立变量的数量，即在这些测量参数中存在冗余信息。多个时延神经网络和自联想神经网络通过对畜禽舍环境温度、湿度和风速、光照度、氨气、硫化氢和二氧化碳浓度信息的压缩及解压缩过程，能够利用冗余信息抑制其测量噪声，在畜禽舍环境大数据处理过程中，应用个时延神经网络和自联想神经网络对测量参数进行预测和融合，可以大大提高畜禽舍环境参数的准确率。
二、本发明NARX网络控制器是一种通过引入LSTM神经网络模型的输出、自联想神经网络输出及反馈实现来建立NARX网络组合模型的动态递归网络，它是沿着畜禽舍环境有害气体浓度和有害气体净化装置输入控制量状态特征参数在时间轴方向的拓展的多个时间有害气体净化装置扰动控制量状态特征参数的序列来实现及函数模拟功能的数据关联性建模思想，该方法通过一段时间内畜禽舍环境有害气体浓度和有害气体净化装置输入控制量的特征参数来建立有害气体净化装置扰动控制量模型，模型输出的有害气体净化装置扰动控制量在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度，实现对有害气体净化装置扰动控制量状态连续动态输出。
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有害气体净化装置控制输入量的序列数据中提取信息，还能够保留来自于先前较远步骤的有害气体净化装置控制输入量长期相关性的信息。此外，由于有害气体净化装置控制输入量的采样间隔相对较小，有害气体净化装置控制输入量存在长期空间相关性，而LSTM神经网络模型有足够的长期记忆来处理这种问题，提高有害气体净化装置控制输入量的准确性，提高控制有害气体净化装置的精确性和鲁棒性。
四、本发明控制器由小波神经网络模型、PID控制器和扰动控制模块组成复合控制实现对畜禽舍有害气体的浓度3个控制器的联合调节，小波神经网络模型调节中考虑了畜禽舍环境温度、湿度、光照度和风速对有害气体的影响，实现有害气体浓度的预调节；PID控制器实现对有害气体浓度变化的动静调节，扰动控制模块对有害气体的扰动调节，三种调节共同作用，提高畜禽舍环境有害气体浓度净化的准确性和鲁棒性。
附图说明
图1为本专利的畜禽舍环境参数采集与控制平台；
图2为本专利的有害气体智能净化子系统；
图3为本专利的检测节点；
图4为本专利的控制节点；
图5为本专利的网关节点；
图6为本专利的现场监控端软件。
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：
一、系统总体功能的设计
本发明一种畜禽舍环境大数据处理检测系统实现对畜禽舍养殖环境参数进行检测和预测，该系统由畜禽舍环境参数采集与控制平台和畜禽舍养殖环境大数据处理子两部分组成。畜禽舍环境参数采集与控制平台包括畜禽舍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、远程监控端和手机App组成，检测节点和控制节点构建成CC2530的自组织通信网络来实现检测节点、控制节点和网关节点之间的自组织网络通信；检测节点将检测的畜禽舍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之间实现畜禽舍养殖环境参数和相关控制信息的双向传输,手机APP通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数。畜禽舍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CC2530的自组织通信网络的检测节点作为畜禽养殖环境参数感知终端，检测节点通过自组织通信网络实现与网关节点之间的信息相互交互。检测节点包括采集畜禽舍养殖环境温度、湿度、风速、光照度、氨气、二氧化碳和硫化氢的传感器和对应的信号调理电路、MSP430微处理器和CC2530 模块；检测节点的软件主要实现自组织网络通信和畜禽舍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。
三、控制节点的设计
控制节点通过CC2530的自组织通信网络实现与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、MSP430微处理器、 CC2530模块和4个外部设备控制器；4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和有害气体净化装置。控制节点见图4。
四、网关节点设计
网关节点包括CC2530模块、NB-IoT模块、MSP430微处理器和RS232接口，网关节点包括CC2530模块实现与检测节点和控制节点之间通信的自组织通信网络，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。网关节点见图5。
五、现场监控端软件设计
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畜禽舍参数进行采集和畜禽舍参数进行处理，实现与网关节点之间信息交互，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有害气体智能净化子系统。有害气体智能净化子系统结构见图2。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6。有害气体智能净化子系统由小波神经网络模型、自联想神经网络模型、PID控制器、积分回路、ANFIS自适应神经模糊推理模型和参数扰动控制模块组成，各个模型的设计如下：
1、小波神经网络模型设计
氨气、硫化氢和二氧化碳的期望值作为小波神经网络模型的对应输入，自联想神经网络模型的输出作为小波神经网络模型的对应输入；小波神经网络 WNN(WaveletNeural Networks)是在小波理论基础上，结合人工神经网络而提出的一种前馈型网络。它是以小波函数为神经元的激励函数，小波的伸缩、平移因子以及连接权重，在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为一个畜禽舍环境氨气、硫化氢和二氧化碳浓度的期望值以及自联想神经网络模型输出的影响畜禽舍环境有害气体浓度等级的生长环境参数等级作为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为 yk(k＝1,2,…,m)，小波神经网络输出层输出值的计算公式为：
公式中ωij输入层i节点和隐含层j节点间的连接权值，
为小波基函数， bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波神经网络输出不断逼近期望输出。
2、时延神经网络模型设计
多组温度、湿度、风速和光照传感器输出分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为自联想神经网络模型的输入；时间延迟神经网络(Time Delay Neural Networks，TDNN神经网络)是一个自适应线性网络，它的输入从网络左边进入,通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前K个时刻多个CNN卷积神经网络模型输出的信号和K以前的d-1个多个CNN卷积神经网络模型输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入-输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对多个CNN卷积神经网络模型输出值进行延迟，使网络可以利用之前的d步的多个CNN卷积神经网络模型值与当前的多个CNN卷积神经网络模型输出值共同预测当前时间点的料重比输出，对于一个输入层延迟步数为d的时延神经网络，R为时延神经网络的前向传播算子，可以简单地把输入序列X与输出序列Y之间的关系表示成如下形式：
Y(t)＝R(X(t),X(t-1),…,X(t-d)) (2)
3、自联想神经网络模型设计
自联想神经网络模型(Auto-associative neural network，AANN)，一种特殊结构的前馈神经网络，自联想神经网络结构包括一个输入层，一定数量的隐含层和一个输出层。首先通过畜禽舍环境参数和产量的输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从畜禽舍环境参数和产量输入的高维参数空间中提取了反映畜禽舍环境参数和产量系统结构的最具代表性的低维子空间，同时有效地滤去了畜禽舍环境参数和产量输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现畜禽舍环境参数和产量数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各畜禽舍环境参数和产量输入数据的重构。为了达到畜禽舍环境参数和产量信息压缩的目的，自联想神经网络络瓶颈层节点数目明显小于输入层，又为了防止形成畜禽舍环境参数和产量的输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，自联想神经网络的隐含层第一层叫作映射层，映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使网络对畜禽舍环境参数和产量信号进行编码和压缩得到输入传感器数据的相关模型，并在瓶颈层后进行畜禽舍环境参数和产量解码和解压缩以产生畜禽舍环境参数和产量输入信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的S型函数，自联想神经网用误差反向传播算法来训练。
4、PID控制器设计
小波神经网络模型输出与参数扰动控制模块的自联想神经网络模型输出的差值作为有害气体浓度差，有害气体浓度差和有害气体浓度差的变化率作为PID 控制器的输入，PID控制器输出作为积分回路的输入和ANFIS自适应神经模糊推理模型的对应输入；PID闭环控制主要是由比例P、积分I微分D所构成的，主要是基于有害气体浓度误差，通过比例、积分、微分进行控制量计算从而实现有效控制。PID闭环控制的重要基础在于比例控制，而积分控制可有效缩小稳态误差，但是极有可能会导致超调增加，微分控制能够促进大惯性系统响应速度加快，并有效降低超调，PID输入与输出u(t)的关系即：
其中，e(t)代表输入；u(t)代表输出；KP代表比例系数；KI代表积分系数； KD代表微分系数；
5、ANFIS自适应神经模糊推理模型设计
由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为ANFIS自适应神经模糊推理模型的2个对应输入；PID控制器输出作为积分回路的输入和ANFIS自适应神经模糊推理模型的对应输入；ANFIS自适应神经模糊推理模型输出与NARX神经网络控制器输出的和作为LSTM神经网络模型的输入；ANFIS自适应神经推理模型中将神经网络和模糊控制有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。自适应神经网络模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的，ANFIS自适应神经推理模型最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的系统是尤为重要的。ANFIS自适应神经推理模型的主要运算步骤如下:
第1层:将输入的数据模糊化，每个节点对应输出可表示为:
式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
第2层:实现规则运算，输出规则的适用度，ANFIS自适应神经推理模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点，ANFIS自适应神经推理模型的输出为:
ANFIS自适应神经推理模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS自适应神经推理模型每一次迭代中首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节网络参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS自适应神经推理模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS自适应神经推理模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS自适应神经推理模型参数的收敛速度。
6、参数扰动控制模块设计
参数扰动控制模块由LSTM神经网络模型、NARX神经网络控制器、自联想神经网络模型和多个时延神经网络模型组成；
(1)、LSTM神经网络模型设计
ANFIS自适应神经模糊推理模型输出与NARX神经网络控制器输出的和作为LSTM神经网络模型的输入，LSTM神经网络模型的输出分别作为有害气体净化装置的控制器输入和NARX神经网络控制器的对应输入；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控制有害气体净化装置输入量的变化，LSTM神经网络模型有效防止了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。设输入控制有害气体净化装置输入量的时间序列值为(x1,x2,…,xT)，隐含层状态为 (h1,h2,…,hT)，则t时刻有：
it＝sigmoid(Whiht-1+WxiXt) (9)
ft＝sigmoid(Whfht-1+WhfXt) (10)
ct＝ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (11)
ot＝sigmoid(Whoht-1+WhxXt+Wcoct) (12)
ht＝ot⊙tanh(ct) (13)
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输入控制有害气体净化装置输入量的时间序列值，该方法首先建立LSTM神经网络模型，利用预处理的输入控制有害气体净化装置输入量的时间序列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输入控制有害气体净化装置输入量的时间序列值的时序性和非线性，具有较高输入控制有害气体净化装置输入量的时间序列值的控制精度。
(2)、NARX神经网络控制器设计
自联想神经网络输出作为NARX神经网络控制器的对应输入，LSTM神经网络模型的输出分别作为有害气体净化装置的控制器输入和NARX神经网络控制器的对应输入；NARX神经网络控制器是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络控制器第i个隐层节点的输出hi为：
NARX神经网络第j个输出层节点输出oj为：
本发明专利的NARX神经网络控制器的输入层、时延层、隐层和输出层分别为2-19-10-1个节点。
(3)、自联想神经网络模型设计
多个时延神经网络模型的输出作为自联想神经网络模型的输入，自联想神经网络输出作为NARX神经网络控制器的对应输入，自联想神经网络模型的设计方法参照本专利的相关部分的自联想神经网络模型的设计方法。
(4)、多个时延神经网络模型设计
多组氨气、硫化氢和二氧化碳传感器的输出作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为自联想神经网络模型的输入，时延神经网络模型的设计参数本专利的相关部分时延神经网络的设计方法。
六、一种畜禽舍环境有害气体智能净化系统的设计举例
根据畜禽舍环境有害气体智能净化系统的实际状况，系统布置了畜禽舍参数采集平台与控制的检测节点、控制节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在畜禽舍的各个方位，通过该系统实现对畜禽舍参数进行采集与有害气体的净化。
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 (2)
1.一种畜禽舍环境有害气体智能净化系统，其特征在于：所述系统包括畜禽舍环境参数采集与控制平台和有害气体智能净化子系统，实现对畜禽环境参数进行检测、调节和有害气体净化；
所述有害气体智能净化子系统包括小波神经网络模型、自联想神经网络模型、时延神经网络模型、PID控制器、积分回路、ANFIS自适应神经模糊推理模型和参数扰动控制模块组成；
氨气、硫化氢和二氧化碳的期望值作为小波神经网络模型的对应输入，多组温度、湿度、风速和光照传感器输出分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为自联想神经网络模型的输入，自联想神经网络模型的输出作为小波神经网络模型的对应输入；小波神经网络模型输出与参数扰动控制模块的自联想神经网络模型输出的差值作为有害气体浓度差，有害气体浓度差和有害气体浓度差的变化率作为PID控制器的输入，PID控制器输出作为积分回路的输入和ANFIS自适应神经模糊推理模型的对应输入；
所述参数扰动控制模块由LSTM神经网络模型、NARX神经网络控制器、自联想神经网络模型和多个时延神经网络模型组成；多组氨气、硫化氢和二氧化碳传感器的输出作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为自联想神经网络模型的输入，自联想神经网络输出作为NARX神经网络控制器的对应输入，ANFIS自适应神经模糊推理模型输出与NARX神经网络控制器输出的和作为LSTM神经网络模型的输入，LSTM神经网络模型的输出分别作为有害气体净化装置的控制器输入和NARX神经网络控制器的对应输入；
所述积分回路由2个积分算子S相串联构成，每个积分回路的2个积分算子连接端和积分回路的输出分别作为ANFIS自适应神经模糊推理模型的2个对应输入。
2.根据权利要求1所述的一种畜禽舍环境有害气体智能净化系统，其特征在于：所述畜禽舍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，检测节点采集畜禽舍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通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数；检测节点和控制节点负责采集畜禽舍环境参数和控制畜禽舍环境设备，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，实现畜禽舍环境参数采集和畜禽舍设备控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110286649.4A CN113031555B (zh) | 2021-03-17 | 2021-03-17 | 一种畜禽舍环境有害气体智能净化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110286649.4A CN113031555B (zh) | 2021-03-17 | 2021-03-17 | 一种畜禽舍环境有害气体智能净化系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113031555A CN113031555A (zh) | 2021-06-25 |
| CN113031555B true CN113031555B (zh) | 2022-03-22 |
Family
ID=76471164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110286649.4A Active CN113031555B (zh) | 2021-03-17 | 2021-03-17 | 一种畜禽舍环境有害气体智能净化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113031555B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200987A (zh) * | 2021-12-03 | 2022-03-18 | 天津农学院 | 一种基于强化学习的密闭式畜禽舍环境智能调控方法 |
| CN114199962B (zh) * | 2021-12-16 | 2023-06-20 | 山西农业大学 | 一种用于畜禽舍内有害气体分析监测系统 |
| CN114397809B (zh) * | 2021-12-20 | 2023-03-24 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
| 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 (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221415A (zh) * | 2007-01-10 | 2008-07-16 | 株式会社日立制作所 | 设备控制装置 |
| CN104155925A (zh) * | 2014-05-20 | 2014-11-19 | 马从国 | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 |
| CN107494320A (zh) * | 2017-05-12 | 2017-12-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测系统 |
| CN109634098A (zh) * | 2018-12-25 | 2019-04-16 | 江苏大学 | 一种育肥猪舍环境调控系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060110A1 (en) * | 1997-01-27 | 2013-03-07 | Lawrence A. Lynn | System and method for automatic detection of a plurality of spo2 time series pattern types |
| CN107168402B (zh) * | 2017-05-12 | 2018-11-13 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN107085732B (zh) * | 2017-05-12 | 2020-07-24 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测系统 |
| US11188832B2 (en) * | 2018-05-16 | 2021-11-30 | Distech Controls Inc. | Method and environment controller for validating a predictive model of a neural network through interactions with the environment controller |
-
2021
- 2021-03-17 CN CN202110286649.4A patent/CN113031555B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221415A (zh) * | 2007-01-10 | 2008-07-16 | 株式会社日立制作所 | 设备控制装置 |
| CN104155925A (zh) * | 2014-05-20 | 2014-11-19 | 马从国 | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 |
| CN107494320A (zh) * | 2017-05-12 | 2017-12-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测系统 |
| CN109634098A (zh) * | 2018-12-25 | 2019-04-16 | 江苏大学 | 一种育肥猪舍环境调控系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113031555A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
| CN113219871B (zh) | 一种养护室环境参数检测系统 | |
| CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
| CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| CN115630101B (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
| CN113301127B (zh) | 一种牲畜饲料检测系统 | |
| CN113065749A (zh) | 一种建筑材料的养护室环境智能系统 | |
| CN112862256A (zh) | 一种畜禽舍环境大数据检测系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN116430920A (zh) | 畜禽养殖温度物联网智能调节方法及系统 | |
| CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
| CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
| Multazam et al. | Short-term wind speed prediction base on backpropagation Levenberg-Marquardt algorithm; case study area nganjuk | |
| CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
| CN117221352A (zh) | 物联网数据采集与智能化的大数据处理方法及云平台系统 | |
| CN115905938B (zh) | 基于物联网储罐安全监测方法及系统 | |
| CN114415503B (zh) | 温度大数据物联网检测与智能控制系统 | |
| CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
| CN114417242B (zh) | 畜禽活动信息的大数据检测系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221116 Address after: 511500 No.68, Nongzhong, Guangtang Village, Qingshan Village Committee, Henghe Street, Qingcheng District, Qingyuan City, Guangdong Province Patentee after: Guangdong Yuanlong Pigeon Industry Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |