CN113065749A - 一种建筑材料的养护室环境智能系统 - Google Patents
一种建筑材料的养护室环境智能系统 Download PDFInfo
- Publication number
- CN113065749A CN113065749A CN202110287870.1A CN202110287870A CN113065749A CN 113065749 A CN113065749 A CN 113065749A CN 202110287870 A CN202110287870 A CN 202110287870A CN 113065749 A CN113065749 A CN 113065749A
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- curing room
- control
- humidity
- 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.)
- Withdrawn
Links
- 239000004566 building material Substances 0.000 title claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 156
- 238000003062 neural network model Methods 0.000 claims description 79
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000006854 communication Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 26
- 238000013461 design Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 15
- 238000000034 method Methods 0.000 description 12
- 230000001276 controlling effect Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012938 design process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06N3/08—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种建筑材料的养护室环境智能系统，所述系统由养护室环境参数采集与控制平台和养护室参数智能解耦控制子系统组成，实现对养护室内外环境参数检测、管理和养护室环境参数参数的精确调节；本发明有效解决了现有养护室环境没有根据养护室内外环境参数变化的非线性、大滞后和养护室内外环境面积大复杂等对养护室环境参数影响，没有对养护室内外环境参数进行预测和对养护室环境参数进行精确检测与解耦控制，从而极大的影响养护室环境参数调节和生产管理问题。
Description
技术领域
本发明涉及建筑材料养护自动化装备技术领域，具体涉及一种建筑材料的养护室环境智能系统。
背景技术
养护条件对混凝土的早期性能影响较大，高温养护将使混凝土的后期强度降低，降低水灰比有助于缓解高温养护造成的高温负效应。养护室环境相对湿度小，温度越高，混凝土收缩越大，密封条件能极大改善混凝土早期收缩变形。干燥开始龄期越晚，收缩越小，干燥龄期为7d的混凝土即使养护结束后混凝土置于干燥的环境中，其产生的收缩也是很小。因此，养护室环境参数是影响建筑材料性能的重要条件之一，养护室环境参数的精确检测与调节是满足建筑材料养护条件的主要措施，养护室环境智能系统能为养护室环境监测提供实时数据，方便管理员实时掌握养护室内温、湿度变化，时刻准确调整室内环境参数，确保试验的准确性与有效性，当养护室内温、湿度参数出现偏差时，养护室环境智能系统能够根据养护室内、外环境的变化特点，本发明专利一种建筑材料的养护室环境智能系统采用智能控制解耦方法精确调节室内环境参数来满足建筑材料的养护条件，提高建筑材料的性能。
发明内容
本发明提供了一种建筑材料的养护室环境智能系统，本发明有效解决了现有养护室环境没有根据养护室内外环境参数变化的非线性、大滞后和养护室内外环境面积大复杂等对养护室环境参数影响，没有对养护室内外环境参数进行预测和对养护室环境参数进行精确检测与解耦控制，从而极大的影响养护室环境参数调节和生产管理问题。
本发明通过以下技术方案实现：
一种建筑材料的养护室环境智能系统由养护室环境参数采集与控制平台和养护室参数智能解耦控制子系统组成，实现对养护室环境参数精确检测和调节。
本发明进一步技术改进方案是：
养护室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，它们以自组织方式构建成养护室内外环境参数采集与控制平台；检测节点采集养护室内外环境参数经网关节点上传到云平台，并利用云平台提供的数据给手机APP，手机APP通过云平台提供的养护室内外环境信息可实时监测养护室环境参数和调节控制节点的外部设备，检测节点和控制节点负责采集养护室内外环境参数信息和控制调节养护室环境调节设备，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，实现养护室内外环境参数采集与环境评价和养护室环境设备控制；养护室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：
养护室参数智能解耦控制子系统由ELman神经网络模型、自联想神经网络温度模型、自联想神经网络湿度模型、PID温度控制器、PID湿度控制器、2个积分回路、T-S模糊神经网络补偿控制器补偿控制器、GDMH神经网络解耦控制器、3个NARX神经网络模型和参数扰动控制模块组成，3个NARX神经网络模型分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3，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GDMH神经网络解耦控制器的2个对应输入；温度和湿度的期望值作为ELman神经网络模型的对应输入，养护室外多个温度和湿度传感器输出分别作为自联想神经网络温度模型和自联想神经网络湿度模型的输入，自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为ELman神经网络模型的2个对应的输入，ELman神经网络模型输出的温度控制值和湿度控制值分别与参数扰动控制模块的自联想神经网络温度模型输出和自联想神经网络湿度模型输出的差值分别作为温度误差和湿度误差，温度误差和温度误差变化率作为PID温度控制器的输入，湿度误差和湿度误差变化率作为PID湿度控制器的输入，温度误差、温度误差变化率、湿度误差和湿度误差变化率分别作为T-S模糊神经网络补偿控制器补偿控制器的4个对应输入，PID温度控制器和PID湿度控制器的输出分别作为对应积分回路的输入和GDMH神经网络解耦控制器的对应输入，T-S模糊神经网络补偿控制器补偿控制器输出的3个补偿控制量、GDMH神经网络解耦控制器输出的3个控制量和参数扰动控制模块的NARX神经网络控解耦制器的3个扰动控制量分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的3个对应输入，NARX神经网络模型1的输出分别作为加热器控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入，NARX神经网络模型2的输出分别作为风机控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入，NARX神经网络模型3的输出分别作为加湿器控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入；养护室参数智能解耦控制子系统结构见图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NARX神经网络控解耦制器、自联想神经网络温度模型和自联想神经网络湿度模型组成；养护室多个温度、湿度传感器的输出分别作为自联想神经网络温度模型和自联想神经网络湿度模型的多个对应输入，自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为NARX神经网络控解耦制器的对应输入。参数扰动控制模块结构见图2所示。
本发明与现有技术相比，具有以下明显优点：
一、本发明养护室环境的温度和湿度存在非线性、大滞后、强耦合和动态变化复杂等特点，在测量养护室内、外环境参数的传感器很容易受到干扰，所以养护室内、外环境参数测量中常常包含较大的噪声。另一方面，养护室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。自联想神经网络温度模型和自联想神经网络湿度模型通过对养护室环境温度和湿度和风速的压缩及解压缩过程，能够利用冗余信息抑制其测量噪声，在养护室环境大数据处理过程中，应用自联想神经网络温度模型和自联想神经网络湿度模型对养护室环境测量参数进行预测和融合，可以大大提高养护室环境参数的准确率。
二、本发明采用NARX神经网络控解耦制器是一种通过引入NARX神经网络模型1的输出、NARX神经网络模型2的输出和NARX神经网络模型3的输出的输出、自联想神经网络温度模型和自联想神经网络湿度模型的输出及反馈实现来建立NARX神经网络控解耦制器的动态递归网络，它是沿着养护室环境参数调控装置输入控制量和养护室环境温度与湿度融合值的状态特征参数在时间轴方向的拓展的多个时间环境参数调控装置控制量和养护室环境温度与湿度融合值的状态特征参数的时间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NARX神经网络模型1的输出、NARX神经网络模型2的输出和NARX神经网络模型3的输出的输出、自联想神经网络温度模型和自联想神经网络湿度模型的输出的特征参数来建立养护室环境参数调控装置扰动控制量模型，NARX神经网络控解耦制器输出的参数调控装置控制量在反馈作用中被作为输入而闭循环训练提高NARX神经网络控解耦制器的计算精确度，实现对养护室环境调控装置扰动控制量状态连续动态输出。
三、本发明NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3，还能够保留来自于先前较远步骤的T-S模糊神经网络补偿控制器补偿控制器输出的3个补偿控制量、GDMH神经网络解耦控制器输出的3个控制量和参数扰动控制模块的NARX神经网络控解耦制器的3个扰动控制量的信息。此外，由于环境参数调控装置的输入控制量的采样间隔相对较小，环境参数调控装置的输入控制量存在长期空间相关性，而NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3有足够的长期记忆来处理这种问题，提高NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输出作为养护室环境调控装置输入防止养护室环境参数等级被扰动的准确性，提高控制养护室环境参数等级的精确性和鲁棒性。
四、本发明GMDH神经网络解耦控制器具有如下两个基本思想:以分析黑箱的方法处理系统的GMDH神经网络解耦控制器的输入输出关系，用网络间元素的互联关系描述网络的功能，GMDH神经网络解耦控制器的构建过程主要是一个不断产生活动神经元，由外部准则对神经元进行筛选，筛选得到的神经元强强结合再产生下一层神经元，直至具有最佳复杂性的模型被选出的这样一个过程。①能得到明确函数解析式表达的模型结果，自组织GMDH神经网络解耦控制器综合了神经网络和统计建模的思想，能够给出函数式表达的结果，甚至是其它建模方法难以达到的多变量高次回归方程；②建模过程自组织控制和不需任何初始假设，GMDH神经网络解耦控制器则允许上百的输入变量，再以大量的变量逐层产生大量待选模型，算法根据数据驱动找寻对被解释变量有实质影响的输入项，自组织生成最优网络结构，尽量减少建模者主观因素的影响；③最优复杂性，GMDH神经网络解耦控制器的最优复杂特性保证了其能从近似的、不确定的，甚至是相互矛盾的知识环境中做出决策，GMDH神经网络解耦控制器使养护室温度、湿度的变化更加接近的真实情况，从而提高养护室环境参数控制的具有更高的精确可靠性。
五、本发明控制器由ELman神经网络模型、PID控制器、T-S模糊神经网络补偿控制器补偿控制器和NARX神经网络控解耦制器分别为预测控制、线性控制、推理补偿控制以及扰动解耦控制组成复合控制实现对养护室环境参数等级的联合调节，ELman神经网络模型调节中考虑了养护室外环境温度和湿度的预测值对养护室环境参数控制的影响，实现养护室环境温度和湿度参数的预调节；PID控制器实现对养护室环境温度和湿度参数的线性调节T-S模糊神经网络补偿控制器补偿控制器和NARX神经网络控解耦制器对养护室环境温度和湿度的补偿解耦和扰动解耦调节，四种调节共同作用，提高养护室环境温度和湿度参数控制的准确性和鲁棒性。
附图说明
图1为本专利的养护室环境参数采集与控制平台；
图2为本专利的养护室参数智能解耦控制子系统；
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、系统总体功能设计
本发明一种建筑材料的养护室环境智能系统由养护室环境参数采集与控制平台和养护室参数智能解耦控制子系统组成，实现对养护室内外环境参数检测和养护室环境参数的精确调节。养护室环境参数采集与控制平台包括养护室环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端APP组成，检测节点和控制节点以自组织方式构建成ZigBee监测网络来实现检测节点、控制节点和网关节点之间的ZigBee通信；检测节点将检测的养护室内外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、云平台实现现场监控端和移动端APP之间养护室内外环境参数和相关控制信息的双向传输。手机APP采用机智云提供的开源框架APP进行设计，只需在手机APP内集成机智云提供的APPSDK，就可以连接机智云平台并实现基于手机APP的远程检测与调控功能。云平台接入及手机APP监测与调控运行稳定，通过人为干预模拟了养护室环境温度、湿度含量异常等状况，基本可以满足养护室环境监测与调控管理的基本需求。养护室环境参数采集与控制平台结构见图1。
二、检测节点的设计
采用大量基于ZigBee传感器网络的检测节点作为养护室内外环境参数感知终端，检测节点通过自组织ZigBee网络实现网关节点之间的信息相互交互。检测节点包括采集养护室内外环境湿度、温度、水分和光照度参数的传感器和对应的信号调理电路、STM32微处理器和ZigBee通信模块CC2530；检测节点的软件主要实现ZigBee通信和养护室内外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
控制节点通过自组织ZigBee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2个数模转换电路、STM32微处理器、2个外部设备控制器和ZigBee通信模块CC2530；2个外部设备控制器分别为加热器控制装置、风机控制装置和加湿器控制装置。控制节点结构见图4。
四、网关节点设计
网关节点包括CC2530模块、NB-IoT模块、STM32单片机和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的通信的自组织网络，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5。
五、现场监控端软件
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养护室内外环境参数进行采集和处理，实现与网关节点的信息交互，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养护室参数智能解耦控制子系统。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。养护室参数智能解耦控制子系统由ELman神经网络模型、自联想神经网络温度模型、自联想神经网络湿度模型、PID温度控制器、PID湿度控制器、2个积分回路、T-S模糊神经网络补偿控制器补偿控制器、GDMH神经网络解耦控制器、3个NARX神经网络模型和参数扰动控制模块组成，3个NARX神经网络模型分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3，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GDMH神经网络解耦控制器的2个对应输入；各个模型的设计过程如下：
1、ELman神经网络模型的设计
温度和湿度的期望值作为ELman神经网络模型的对应输入，养护室外多个温度和湿度传感器输出分别作为自联想神经网络温度模型和自联想神经网络湿度模型的输入，自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为ELman神经网络模型的2个对应的输入，ELman神经网络模型输出的温度控制值和湿度控制值；ELman神经网络模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，除了隐层外，还有一个特别的关联层；关联层从隐层接收反馈信号，每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数一般为Sigmoid函数，输出层为线性函数，关联层也为线性函数。为了有效地解决温度、湿度控制值中的逼近精度问题，增强关联层的作用。设ELman神经网络模型的输入层、输出层、隐层的个数分别为m，n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵，则ELman神经网络模型的隐含层、关联层和输出层的表达式分别为:
cp(k)＝xp(k-1) (2)
2、自联想神经网络温度模型和自联想神经网络湿度模型设计
养护室外多个温度和湿度传感器输出分别作为自联想神经网络温度模型和自联想神经网络湿度模型的输入，自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为ELman神经网络模型的2个对应的输入；自联想神经网络模型(Auto-associativeneural network，AANN)，一种特殊结构的前馈神经网络，自联想神经网络模型结构包括一个输入层，一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从网络输入的高维温度、湿度参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了温度、湿度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数据的解压缩，将前面压缩的信息还原到温度和湿度的各个参数值，从而实现各温度和湿度输入数据的重构。为了达到信息压缩的目的，自联想神经网络模型络瓶颈层节点数目明显小于输入层，又为了防止形成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，自联想神经网络模型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，并在瓶颈层后进行解码和解压缩以产生输入信号的估计值；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。
3、PID温度控制器和PID湿度控制器的设计
ELman神经网络模型输出的温度控制值和湿度控制值分别与参数扰动控制模块的自联想神经网络温度模型输出和自联想神经网络湿度模型输出的差值分别作为温度误差和湿度误差，温度误差和温度误差变化率作为PID温度控制器的输入，湿度误差和湿度误差变化率作为PID湿度控制器的输入，PID温度控制器和PID湿度控制器的输出分别作为对应积分回路的输入和GDMH神经网络解耦控制器的对应输入；PID闭环控制器主要是由比例P、积分I微分D所构成的，主要是基于生长环境等级差值，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；
4、T-S模糊神经网络补偿控制器补偿控制器的设计
温度误差、温度误差变化率、湿度误差和湿度误差变化率分别作为T-S模糊神经网络补偿控制器补偿控制器的4个对应输入，T-S模糊神经网络补偿控制器补偿控制器输出的3个补偿控制量、GDMH神经网络解耦控制器输出的3个控制量和参数扰动控制模块的NARX神经网络控解耦制器的3个扰动控制量分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的3个对应输入；T-S模糊神经网络补偿控制器的模糊逻辑系统是复杂非线性系统模糊建模中一种经典的模糊动态模型，它是基于T-S模糊逻辑系统和神经网络的融合，得到了一种结构简单的T-S模糊神经网络补偿控制器。T-S模糊神经网络补偿控制器为普通的模糊神经网络共有4层，分别为输入层、模糊化层、规则计算层和输出层，第一层为输入层，每个节点均与输入向量xi相连。第二层为模糊化层，本专利采用高斯函数作为T-S模糊神经网络补偿控制器的隶属度函数，所采用的隶属度函数为：
第三层为规则计算层，每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过
下面公式求得ω：
第四层为输出层，通过下面公式求得到T-S模糊神经网络补偿控制器的输出：
其中i为3代表输出节点为3个值分别为T-S模糊神经网络输出的3个装置的误差补偿控制量。
5、GDMH神经网络解耦控制器的设计
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GDMH神经网络解耦控制器的2个对应输入，PID温度控制器和PID湿度控制器的输出分别作为对应积分回路的输入和GDMH神经网络解耦控制器的对应输入，T-S模糊神经网络补偿控制器补偿控制器输出的3个补偿控制量、GDMH神经网络解耦控制器输出的3个控制量和参数扰动控制模块的NARX神经网络控解耦制器的3个扰动控制量分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的3个对应输入；GMDH神经网络解耦控制器(GMDH)是一种自组织数据挖掘的算法，若该GMDH神经网络解耦控制器有m个输入变量x1,x2,…,xm和输出为Y。GMDH的目的就是要建立起输入与输出关系的系数待定和形式已知的函数关系f，可以通过应用用volterra级数展开的多项式去逼近f：
GMDH神经网络解耦控制器主要用于处理小样本数据，通过自动寻找样本中各变量之间的相关性构建GDMH神经网络解耦控制器。GMDH神经网络解耦控制器能够根据自变量自适应的建立一个对因变量有解释能力的高阶多项式模型。设Rj为第j层最大神经元数量，xkl为第l个输入样本的第k维，yjkl为网络第j层中第k个神经元对第l个输入样本额预测值，
为网络第j层中第k个神经元的阀值均方根，Y为网络的预测值。GMDH神经网络解耦控制器采用自适应多层迭代的方法构建网络结构，通过最小偏差准则选择网络最优模型，并构建出基于Kolmogorov－Gabor多项式的输入和输出之间非线性映射。数据预处理将数据集划分为训练集和测试集；对输入量配对，并辨识得出局部多项式模型，从而生成竞争模型集，计算选择准则值作为下一层输入，直至选出最优复杂度模型为止。GMDH神经网络解耦控制器的学习进化过程如下：①设定网络各层最大神经元数量Rj和网络的初始变量个数d0，选择网络最小偏差准则。②根据输入数据维数构建只包含第1层神经元的初始网络。③依次计算每个神经元的阀值均方根
对于网络第j层，从大到小排序
取前Rj个
做为被选中神经元加以保留，其余做为未被选中的神经元。对于被选中的神经元，找出最小
并与上一层最小
进行比较，如果
小于
则执行步骤④，否则执行步骤⑤。④根据当前被选中的神经元产生下一层神经元。⑤网络构建完毕。
6、NARX神经网络模型的设计
T-S模糊神经网络补偿控制器补偿控制器输出的3个补偿控制量、GDMH神经网络解耦控制器输出的3个控制量和参数扰动控制模块的NARX神经网络控解耦制器的3个扰动控制量分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的3个对应输入，NARX神经网络模型1的输出分别作为加热器控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入，NARX神经网络模型2的输出分别作为风机控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入，NARX神经网络模型3的输出分别作为加湿器控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入；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3-19-10-1个节点。
7、参数扰动控制模块的设计
参数扰动控制模块由NARX神经网络控解耦制器、自联想神经网络温度模型和自联想神经网络湿度模型组成；
(1)、NARX神经网络控解耦制器的设计
自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为NARX神经网络控解耦制器的对应输入，NARX神经网络控解耦制器的3个扰动控制量分别作为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的3个对应输入；NARX神经网络控解耦制器的设计过程参照本专利的NARX神经网络模型的设计过程。
(2)、自联想神经网络温度模型和自联想神经网络湿度模型设计
养护室多个温度、湿度传感器的输出分别作为自联想神经网络温度模型和自联想神经网络湿度模型的多个对应输入，自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为NARX神经网络控解耦制器的对应输入；自联想神经网络温度模型和自联想神经网络湿度模型的设计过程参照本专利的自联想神经网络模型设计方法。
六、一种建筑材料的养护室环境智能系统的设计举例
根据养护室养殖环境参数智能控制系统的实际状况，系统布置了养护室环境参数采集与控制平台的检测节点、控制节点、网关节点现场监控端的平面布置安装图，其中传感器根据检测的需要均衡布置在养护室的内外各个方位，通过该系统实现对养护室环境参数的采集与生长参数的智能化解耦控制。
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 (5)
1.一种建筑材料的养护室环境智能系统，其特征在于：所述系统由养护室环境参数采集与控制平台和养护室参数智能解耦控制子系统组成，实现对养护室内外环境参数检测、管理和养护室环境参数参数的精确调节；
所述养护室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、云平台和客户端APP组成，以自组织方式构建成养护室内外环境参数采集与控制平台；
所述养护室参数智能解耦控制子系统包括ELman神经网络模型、自联想神经网络温度模型、自联想神经网络湿度模型、PID温度控制器、PID湿度控制器、积分回路、T-S模糊神经网络补偿控制器补偿控制器、GDMH神经网络解耦控制器、NARX神经网络模型和参数扰动控制模块组成；
温度和湿度的期望值作为ELman神经网络模型的对应输入，养护室外多个温度和湿度传感器输出分别作为自联想神经网络温度模型和自联想神经网络湿度模型的输入，自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为ELman神经网络模型的对应的输入，ELman神经网络模型输出的温度控制值和湿度控制值分别与参数扰动控制模块的自联想神经网络温度模型输出和自联想神经网络湿度模型输出的差值分别作为温度误差和湿度误差，温度误差和温度误差变化率作为PID温度控制器的输入，湿度误差和湿度误差变化率作为PID湿度控制器的输入，温度误差、温度误差变化率、湿度误差和湿度误差变化率分别作为T-S模糊神经网络补偿控制器补偿控制器的对应输入，PID温度控制器和PID湿度控制器的输出分别作为对应积分回路的输入和GDMH神经网络解耦控制器的对应输入，T-S模糊神经网络补偿控制器补偿控制器输出的补偿控制量、GDMH神经网络解耦控制器输出的控制量和参数扰动控制模块的NARX神经网络控解耦制器的扰动控制量分别作为NARX神经网络模型的对应输入，NARX神经网络模型的输出分别作为加热器控制装置、风机控制装置、加湿器控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入。
2.根据权利要求1所述的一种建筑材料的养护室环境智能系统，其特征在于：所述参数扰动控制模块由NARX神经网络控解耦制器、自联想神经网络温度模型以及自联想神经网络湿度模型组成；养护室多个温度、湿度传感器的输出分别作为自联想神经网络温度模型和自联想神经网络湿度模型的多个对应输入，自联想神经网络温度模型和自联想神经网络湿度模型的输出分别作为NARX神经网络控解耦制器的对应输入。
3.根据权利要求1所述的一种建筑材料的养护室环境智能系统，其特征在于：所述NARX神经网络模型包括NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3，NARX神经网络模型1的输出分别作为加热器控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入，NARX神经网络模型2的输出分别作为风机控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入，NARX神经网络模型3的输出分别作为加湿器控制装置的输入和参数扰动控制模块的NARX神经网络控解耦制器的对应输入。
4.根据权利要求1所述的一种建筑材料的养护室环境智能系统，其特征在于：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GDMH神经网络解耦控制器的2个对应输入。
5.根据权利要求1所述的一种建筑材料的养护室环境智能系统，其特征在于：所述检测节点采集养护室内外环境参数经网关节点上传到云平台，并利用云平台提供的数据给客户端APP，客户端APP通过云平台提供的养护室内外环境信息可实时监测养护室环境参数和调节控制节点的外部设备，检测节点和控制节点负责采集养护室内外环境参数信息和控制养护室环境调节设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台和客户端APP的双向通信，实现养护室内外环境参数采集与环境评价和养护室环境设备控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287870.1A CN113065749A (zh) | 2021-03-17 | 2021-03-17 | 一种建筑材料的养护室环境智能系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287870.1A CN113065749A (zh) | 2021-03-17 | 2021-03-17 | 一种建筑材料的养护室环境智能系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113065749A true CN113065749A (zh) | 2021-07-02 |
Family
ID=76561298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110287870.1A Withdrawn CN113065749A (zh) | 2021-03-17 | 2021-03-17 | 一种建筑材料的养护室环境智能系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065749A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114415503A (zh) * | 2021-12-20 | 2022-04-29 | 淮阴工学院 | 温度大数据物联网检测与智能控制系统 |
| CN114839881A (zh) * | 2022-06-17 | 2022-08-02 | 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 |
| CN117075491A (zh) * | 2023-10-13 | 2023-11-17 | 湖南朗赫科技有限公司 | 一种智能家居家庭健康管理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101561427A (zh) * | 2009-05-15 | 2009-10-21 | 江苏大学 | 基于can现场总线的猪舍环境有害气体多点测量系统 |
| 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 |
| WO2019107315A1 (ja) * | 2017-11-28 | 2019-06-06 | 国立研究開発法人産業技術総合研究所 | モニタリング対象機器の異常発生予兆検知方法及びシステム |
| CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
| 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 |
| US20200379417A1 (en) * | 2019-05-29 | 2020-12-03 | University Of Washington | Techniques for using machine learning for control and predictive maintenance of buildings |
-
2021
- 2021-03-17 CN CN202110287870.1A patent/CN113065749A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101561427A (zh) * | 2009-05-15 | 2009-10-21 | 江苏大学 | 基于can现场总线的猪舍环境有害气体多点测量系统 |
| 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 |
| WO2019107315A1 (ja) * | 2017-11-28 | 2019-06-06 | 国立研究開発法人産業技術総合研究所 | モニタリング対象機器の異常発生予兆検知方法及びシステム |
| CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
| US20200379417A1 (en) * | 2019-05-29 | 2020-12-03 | University Of Washington | Techniques for using machine learning for control and predictive maintenance of buildings |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 张玉峰等: "基于温度和湿度养殖环境网络监控系统的研究", 《农机化研究》 * |
| 接柏皓: "嵌入式动态室内环境监测及控制系统设计", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114415503A (zh) * | 2021-12-20 | 2022-04-29 | 淮阴工学院 | 温度大数据物联网检测与智能控制系统 |
| CN114415503B (zh) * | 2021-12-20 | 2023-06-06 | 淮阴工学院 | 温度大数据物联网检测与智能控制系统 |
| CN114839881A (zh) * | 2022-06-17 | 2022-08-02 | 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 |
| CN117075491A (zh) * | 2023-10-13 | 2023-11-17 | 湖南朗赫科技有限公司 | 一种智能家居家庭健康管理系统 |
| CN117075491B (zh) * | 2023-10-13 | 2024-02-09 | 湖南朗赫科技有限公司 | 一种智能家居家庭健康管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
| CN113065749A (zh) | 一种建筑材料的养护室环境智能系统 | |
| CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
| CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN109407654A (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN111476278A (zh) | 一种气体浓度智能化检测系统 | |
| CN112904756B (zh) | 一种管网大数据检测系统 | |
| CN112862256A (zh) | 一种畜禽舍环境大数据检测系统 | |
| CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| CN113219871A (zh) | 一种养护室环境参数检测系统 | |
| CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN112881601A (zh) | 一种基于云平台的水分检测系统 | |
| 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 | |
| CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
| CN115016275B (zh) | 智能化饲喂与畜禽舍大数据物联网系统 | |
| CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
| CN114390376B (zh) | 火灾大数据远程探测与预警系统 | |
| CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
| CN114415503B (zh) | 温度大数据物联网检测与智能控制系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210702 |
|
| WW01 | Invention patent application withdrawn after publication |