CN113219871B - 一种养护室环境参数检测系统 - Google Patents
一种养护室环境参数检测系统 Download PDFInfo
- Publication number
- CN113219871B CN113219871B CN202110497251.5A CN202110497251A CN113219871B CN 113219871 B CN113219871 B CN 113219871B CN 202110497251 A CN202110497251 A CN 202110497251A CN 113219871 B CN113219871 B CN 113219871B
- Authority
- CN
- China
- Prior art keywords
- curing room
- neural network
- output
- environmental
- network model
- 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
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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- 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
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2612—Data acquisition interface
Abstract
本发明公开了一种养护室环境参数检测系统,所述系统包括养护室环境参数采集与控制平台和养护室环境大数据处理子系统,实现对养护室内外环境参数检测、管理和养护室环境参数等级的预警;本发明有效解决了现有养护室环境没有根据养护室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内外环境参数进行精确检测与预警,从而极大的影响养护室环境参数预警和生产管理问题。
Description
技术领域
本发明涉及养护室环境参数检测与处理的自动化装备的技术领域,具体涉及一种养护室环境参数检测系统。
背景技术
随着我国基础建设的快速发展,对高质量水泥产品和混凝土制品等建筑材料的需求日益増大,也对建筑材料的产品质量及生产效率提出了更高的要求。做好建材产品的质量检验,确保检验工作的科学性和准确性,必须要有高质量的检验设备,水泥是水硬胶凝材料,它的水化硬化速度和强度发展速度与周围环境的温、湿度有直接关系,因此养护温度和湿度对水泥、混凝土试样强度的形成和发展有非常重要的作用,直接关系到检验数据的精确性。为了改善目前养护室人工养护低效、控制精度差等现状,本发明专利研制了一种养护室环境参数检测系统,对多种建材试件养护室环境中的多点温度和湿度进行检测,可对多个不同建材试件养护环境进行远程自动优化集成监测。
发明内容
本发明提供了一种养护室环境参数检测系统,本发明有效解决了现有养护室环境没有根据养护室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内外环境参数进行精确检测与预警,从而极大的影响养护室环境参数预警和生产管理问题。
本发明通过以下技术方案实现:
一种养护室环境参数检测系统由养护室环境参数采集与控制平台和养护室环境大数据处理子系统组成,实现对养护室内外环境参数检测、预测和养护室环境参数的预警。
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:
养护室环境大数据处理子系统由粒子群算法的最小二乘支持向量机模型、减法聚类分类器、多个LSTM神经网络模型、ANFIS自适应神经模糊推理网络模型、模糊数时延神经网络模型、模糊数NARX神经网络模型、养护室环境检测模块和养护室外环境检测模块组成;养护室温度和湿度的期望值作为粒子群算法的最小二乘支持向量机模型的输入,粒子群算法的最小二乘支持向量机模型输出与养护室环境检测模块输出的差作为养护室环境评价等级差值,养护室环境评价等级差值作为减法聚类分类器的输入,减法聚类分类器输出多个类型的养护室环境评价等级差值分别作为多个LSTM神经网络模型的输入,多个LSTM神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入,ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出作为模糊数时延神经网络模型的输入,模糊数时延神经网络模型的输出作为模糊数NARX神经网络模型的输入,模糊数NARX神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入,模糊数时延神经网络模型输出的模糊数代表养护室环境等级预警值;养护室环境大数据处理子系统结构见图2所示。
根据养护室环境参数检测的工程实践,模糊数时延神经网络模型把养护室环境是否符合用户要求预警等级分为严重超出标准、超标标准、符合标准、较好符合标准和很符合标准对应不同的5个不同的三角模糊数,构建养护室环境预警5种等级与5个三角模糊数对应关系表,计算模糊数时延神经网络模型输出的三角模糊数与代表5种养护室环境预警等级的5个三角模糊数的相似度,其中相似度最大的三角模糊数对应养护室环境预警等级确定为养护室环境预警等级
本发明进一步技术改进方案是:
养护室环境检测模块由多个时延神经网络模型、减法聚类分类器、多个ESN神经网络模型和粒子群算法的最小二乘支持向量机模型组成;多组养护室内温度、湿度传感器分别是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减法聚类分类器的输入,减法聚类分类器输出的多个类型的时延神经网络模型输出值分别是对应的多个ESN神经网络模型的输入,多个ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型的输入,粒子群算法的最小二乘支持向量机模型的输出值作为养护室环境检测模块的输出值;养护室环境检测模块结构见图2所示。
本发明进一步技术改进方案是:
养护室外环境检测模块由多个时延神经网络模型、减法聚类分类器、多个ESN神经网络模型和粒子群算法的最小二乘支持向量机模型组成;多组养护室外温度、湿度、风速和光照度传感器分别是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减法聚类分类器的输入,减法聚类分类器输出的多个类型的时延神经网络模型输出值分别是对应的多个ESN神经网络模型的输入,多个ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型的输入,粒子群算法的最小二乘支持向量机模型的输出值作为养护室外环境检测模块的输出值;养护室外环境检测模块结构见图2所示。
本发明与现有技术相比,具有以下明显优点:
一、本发明将粒子群算法(PSO)和最小二乘支持向量机(LS-SVM)算法相结合,采用PSO算法优化LS-SVM的参数,克服了人为参数选择的盲目性,在全局优化与收敛速度方面具有较大优势。仿真实验表明,相比未经优化的支持向量机(SVM)和LS-SVM模型,经PSO算法优化后的LS-SVM有更高的预测精度和运算速度、预测误差值小以及具有较好的有效性和可行性。
二、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数据的功能,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,并具有短期记忆功能,通过预设ESN神经网络模型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,提高了预测养护室环境参数的稳定性和精确度。
三、本发明ESN神经网络模型当前时刻储备池状态对前一时刻状态具有继承性,对养护室环境参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神经网络模型具有较好的预测效果。ESN神经网络具备高精度、高准确率、高时效性和稳定性的特点,可作为一种快速有效预测养护室环境参数的手段;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,实现了高效预测养护室环境参数的目的。
四、本发明养护室环境预警等级分类的科学性和可靠性,本专利的根据养护室环境参数检测的工程实践,模糊数时延神经网络模型把养护室环境是否符合用户要求预警等级分为严重超出标准、超标标准、符合标准、较好符合标准和很符合标准对应不同的5个不同的三角模糊数,构建养护室环境预警5种等级与5个三角模糊数对应关系表,计算模糊数时延神经网络模型输出的三角模糊数与代表5种养护室环境预警等级的5个三角模糊数的相似度,其中相似度最大的三角模糊数对应养护室环境预警等级确定为养护室环境预警等级,实现对养护室环境预警等级分类的动态性能和科学分类。
五、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,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,它携带着养护室环境评价等级差值预测先前步骤的信息,并逐步穿过整个LSTM神经网络模型。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养护室环境评价等级差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养护室环境评价等级差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。
六、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养护室环境评价等级差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。养护室环境评价等级差值预测数据是序列数据,其变化趋势富有含义。此外,由养护室环境评价等级差值预测的采样间隔相对较小,养护室环境评价等级差值预测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。
七、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养护室环境评价等级差值数据进行重构,然后把生成的养护室环境评价等级差值数据作为下一级的输入。深层级的预测结果不但基于养护室环境评价等级差值数据训练数据中的输入值,还受浅层级养护室环境评价等级差值结果的影响,这种方法能够更有效地提取养护室环境评价等级差值输入数据中蕴含的信息,提升模型的预测养护室环境评价等级差值的准确度。
八、本发明采用模糊数NARX神经网络模型的一种通过养护室环境评价等级差值预测的延时模块及反馈实现来建立NARX神经网络模型的动态递归网络,它是沿着养护室环境评价等级差值参数在时间轴方向的拓展的多个时间养护室环境评价等级差值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养护室环境评价等级差值参数来建立模糊数NARX神经网络模型,模型输出参数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,该NARX神经网络模型实现对养护室环境评价等级差值连续动态预测。输入包括了一段时间的模糊数时延神经网络输出作为输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的模糊数时延神经网络输出状态历史信息参与养护室环境评价等级差值的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的模糊数NARX神经网络模型预测模式提供了一种有效的预测养护室环境评价等级差值的方法。
九、本发明利用模糊数NARX神经网络模型建立养护室环境评价等级差值的预测模型,由于通过引入输入延时模块及输出反馈建立养护室环境评价等级差值的动态递归网络,它将模糊数时延神经网络模型输出作为输入和NARX神经网络输出向量延时反馈引入NARX神经网络模型训练中,形成新的输入向量,具有良好的非线性映射能力,模糊数NARX神经网络模型的输入不仅包括原始输入数据,还包含经过训练后的输出数据,网络的泛化能力得到提高,使其在非线性养护室环境评价等级差值的时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
附图说明
图1为本发明的养护室环境参数采集与控制平台;
图2为本发明的养护室环境大数据处理子系统;
图3为本发明的检测节点;
图4为本发明的控制节点;
图5为本发明的网关节点;
图6为本发明的现场监控端软件。
具体实施方式
结合附图1-6,对本申请技术方案作进一步描述:
一、系统总体功能设计
本发明一种养护室环境参数检测系统由养护室环境参数采集与控制平台和养护室环境大数据处理子系统组成,实现对养护室内外环境参数检测、预测和养护室环境参数的预警。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APP SDK,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1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温度控制器和湿度控制器。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环境大数据处理子系统。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。养护室环境大数据处理子系统设计过程如下:
养护室环境大数据处理子系统由粒子群算法的最小二乘支持向量机模型、减法聚类分类器、多个LSTM神经网络模型、ANFIS自适应神经模糊推理网络模型、模糊数时延神经网络模型、模糊数NARX神经网络模型、养护室环境检测模块和养护室外环境检测模块组成,养护室环境大数据处理子系统结构见图2所示。
1、粒子群算法的最小二乘支持向量机模型设计
养护室温度和湿度的期望值作为粒子群算法的最小二乘支持向量机模型的输入,粒子群算法的最小二乘支持向量机模型输出与养护室环境检测模块输出的差作为养护室环境评价等级差值,养护室环境评价等级差值作为减法聚类分类器的输入;最小二乘支持向量机(LS-SVM)模型,支持向量机(support vector machines,SVM)具有较强的泛化能力和全局能力,克服了其他机器学习方法的泛化能力差、过拟合和容易陷入局部最优等缺点,最小二乘支持向量机模型(LS-SVM)是一种对标准支持向量机的扩展,该算法采用平方和误差损失函数代替标准支持向量机的不敏感损失函数,同时实现了将标准SVM算法中的不等式约束转化为等约束。因此,LS-SVM算法将二次规划问题化简为求解线性方程组,明显降低了求解的复杂性,提高了计算速度。设训练样本集D={(xi,yi)|i=1,2,…,n},xi和yi,分别为输入和输出样本数据,n为样本数。设置非线性函数它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程,将带约束条件的优化问题转化为无约束条件的优化问题,可得到LS-SVM的线性回归方程如下:
在求解过程中,为了避免求解复杂的非线性映射函数,引入了径向基核函数(radial basis function,RBF)替代高维空间中的点积运算,可以大大减少计算量,而且RBF核函数容易实现SVM的优化过程,因为它的每个基函数的中心与支持向量一一对应,且这些支持向量和权值都可以通过算法得到。因此,最小二乘支持向量机模型为:
最小二乘支持向量机模型输出是养护室环境等级值,每个中间节点对应一个支持向量,x1,x2,…xn为输入变量,αi为网络权重。
粒子群算法的最小二乘支持向量机(LS-SVM)模型的优化过程,在该优化算法中,每一个粒子代表LS-SVM的1组参数,分别为惩罚因子C和核参数σ2,粒子所对应的适应度是该组参数下算法的性能,基于粒子群算法(PSO)的LS-SVM模型优化过程的步骤如下:
①初始化粒子种群,设定迭代次数、粒子维数、群体规模,随机产生1组参数作为粒子初始解空间位置和初始速度;
②用粒子对应的最小二乘支持向量机模型对测试样本进行预测,进行适应度评估。
③对每个粒子,比较它的经历过的最好的Pbest的适应度值和群体经历过的最好位置Gbest的适应度值,若比Pbest、Gbest好,则更新Pbest、Gbest,否则保持原来的数据;
④整个群体粒子计算后,判断是否满足终止条件,若不满足则更新粒子,产生新的粒子群,返回步骤②;如果满足最大迭代次数或结束条件,计算结束并输出计算结果。
2、减法聚类分类器设计
粒子群算法的最小二乘支持向量机模型输出与养护室环境检测模块输出的差作为养护室环境评价等级差值,养护室环境评价等级差值作为减法聚类分类器的输入,减法聚类分类器输出多个类型的养护室环境评价等级差值分别作为多个LSTM神经网络模型的输入;减法聚类与其他聚类方法相比,不需要预先确定聚类数,仅根据养护室环境评价等级差值的样本数据密度即可快速确定养护室环境评价等级差值的聚类中心位置和聚类数,而它把每一个养护室环境评价等级差值数据点作为一个潜在的聚类中心的特性,使得养护室环境评价等级差值聚类的结果与问题的维数无关。因此,养护室环境评价等级差值的减法聚类算法是一种适合养护室环境评价等级差值的数据建模的规则自动提取方法。设定m维空间中的N个养护室环境评价等级差值的数据点(X1,X2,…XN),每个数据点Xi=(xi,1,xi,1,…,xi,m)都是聚类中心的候选者,i=1,2,…,N,数据点Xi的密度函数定义为:
式中,半径ra是一个正数,ra定义了该点的一个影响邻域,半径以外的数据点对该点的密度指标贡献非常小,一般忽略不计。计算每一点Xi的密度值,选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1;然后修正密度值,消除前面已有聚类中心的影响。按下式修正密度值:
其中,Dc1是初始聚类中心对应的最高密度值,修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近,一般设定为rb=ηra,1.25≤η≤1.5。修正每个数据点的密度指标后,当Dck与Dc1满足下式时,该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程,直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
Dck/Dc1<δ (5)
式中,δ是根据实际情况提前设定的阈值。本发明提出的在线聚类方法基本思想如果养护室环境评价等级差值的数据点到一个组的中心的距离小于聚类半径ra,那么该点属于此组,当获得新的数据时,组和组的中心做相应的变化。随着输入养护室环境评价等级差值数空间数据的不断增加,本发明算法通过实时动态的调整养护室环境评价等级差值的数聚类中心与聚类个数获得更好的养护室环境评价等级差值进行空间划分。
3、LSTM神经网络模型设计
减法聚类分类器输出多个类型的养护室环境评价等级差值分别作为多个LSTM神经网络模型的输入,多个LSTM神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入;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神经网络模型时间递归神经网络,通常也被称为LSTM神经网络模型网络。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神经网络模型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的养护室环境评价等级差值的动态变化,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。设输入多个养护室环境评价等级差值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (6)
ft=sigmoid(Whfht-1+WhfXt) (7)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (8)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (9)
ht=ot⊙tanh(ct) (10)
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养护室环境评价等级差值,该方法首先建立LSTM神经网络模型,利用预处理的多个养护室环境评价等级差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养护室环境评价等级差值变化的时序性和非线性,具有较高养护室环境评价等级差值动态的预测精度。
4、ANFIS自适应神经模糊推理网络模型设计
多个LSTM神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入,ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出作为模糊数时延神经网络模型的输入,模糊数NARX神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入;ANFIS自适应神经模糊推理网络模型采用与一阶Sugeno型模糊推理系统功能相同的基于自适应网络的模糊推理系统,第一层:将输入变量模糊化,每个节点对应输出可表示为:
式中n为每个输入隶属函数个数,可根据辨识情况调整,隶属函数采用高斯隶属函数。第二层:实现规则运算,输出规则的适用度,规则运算采用乘法。
第三层:将各条规则的适用度归一化:
第四层: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:
式中pi、qi、ri为结论参数。
第五层:该层的单节点是一个固定节点,计算输入信号的总输出为:
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。训练算法采用最小二乘与梯度下降结合的算法来训练。参数采用线性最小二乘估计算法调整参数。在每一次迭代中,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结论参数;然后,信号继续沿网络正向传递直到输出层(即第5层)。此后,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,还可以提高参数的收敛速度。ANFIS自适应神经网络模糊推理模型实现:1)对输入变量进行归一化预处理,输入变量的隶属函数统一取Gauss函数;(2)根据输入变量的特征,将前面4个时刻输入分为4个模糊等级;(3)采用ANFIS网络进行养护室环境等级预测,设定初始学习率为0.06,动量常数为0.9,确定模糊规则256个。
5、模糊数时延神经网络模型设计
ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出作为模糊数时延神经网络模型的输入,模糊数时延神经网络模型的输出作为模糊数NARX神经网络模型的输入,模糊数时延神经网络模型输出的模糊数代表养护室环境等级预警值;模糊数时延神经网络模型是时延神经网络模型输出模糊数的模型,时间延迟神经网络模型(TimeDelay 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ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出的信号和K以前的d-1个ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块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,通过在输入层对输入进行延迟,使网络可以利用之前的d步的输入与当前的输入共同预测当前时间点的输出,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)) (16)
根据养护室环境参数检测的工程实践,模糊数时延神经网络模型把养护室环境是否符合用户要求预警等级分为严重超出标准、超标标准、符合标准、较好符合标准和很符合标准对应不同的5个不同的三角模糊数,构建养护室环境预警5种等级与5个三角模糊数对应关系表,计算模糊数时延神经网络模型输出的三角模糊数与代表5种养护室环境预警等级的5个三角模糊数的相似度,其中相似度最大的三角模糊数对应养护室环境预警等级确定为养护室环境预警等级,养护室环境预警5种等级与三角模糊数对应关系表如表1所示。
表1养护室环境预警5种等级与三角模糊数对应关系表
序号 | 预警等级 | 三角模糊数 |
1 | 严重超出标准 | (0.0,0.1,0.2) |
2 | 超标标准 | (0.2,0.3,0.4) |
3 | 符合标准 | (0.4,0.5,0.6) |
4 | 较好符合标准 | (0.6,0.7,0.8) |
5 | 很符合标准 | (0.8,0.9,1.0) |
6、模糊数NARX神经网络模型的设计
模糊数时延神经网络模型的输出作为模糊数NARX神经网络模型的输入,模糊数NARX神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入;模糊数NARX神经网络模型是输入和输出为三角模糊数,模糊数NARX神经网络模型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。模糊数NARX神经网络模型第i个隐层节点的输出hi为:
NARX神经网络模型第j个输出层节点输出oj为:
其中j为3代表输出为3个数并构成模糊数。
7、养护室环境检测模块设计
养护室环境检测模块由多个时延神经网络模型、减法聚类分类器、多个ESN神经网络模型和粒子群算法的最小二乘支持向量机模型组成;多组养护室内温度、湿度传感器分别是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减法聚类分类器的输入,减法聚类分类器输出的多个类型的时延神经网络模型输出值分别是对应的多个ESN神经网络模型的输入,多个ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型的输入,粒子群算法的最小二乘支持向量机模型的输出值作为养护室环境检测模块的输出值;养护室环境检测模块结构见图2所示。时延神经网络模型、减法聚类分类器和粒子群算法的最小二乘支持向量机模型的设计方法参照本专利的相关部分的设计过程;多个ESN神经网络模型设计过程如下:
ESN神经网络模型(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:
式中W为神经网络的状态变量,Win为神经网络的输入变量;Wback为神经网络的输出状态变量连接权矩阵;x(n)表示神经网络的内部状态;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;为神经网络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。多个ESN神经网络模型输出为多种类型时延神经网络模型的预测值。
8、养护室外环境检测模块设计
养护室外环境检测模块由多个时延神经网络模型、减法聚类分类器、多个ESN神经网络模型和粒子群算法的最小二乘支持向量机模型组成;多组养护室外温度、湿度、风速和光照度传感器分别是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减法聚类分类器的输入,减法聚类分类器输出的多个类型的时延神经网络模型输出值分别是对应的多个ESN神经网络模型的输入,多个ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型的输入,粒子群算法的最小二乘支持向量机模型的输出值作为养护室外环境检测模块的输出值;养护室外环境检测模块结构见图2所示。养护室外环境检测模块的设计方法参照养护室环境检测模块的设计过程。
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)
1.一种养护室环境参数检测系统,其特征在于:所述系统包括养护室环境参数采集与控制平台和养护室环境大数据处理子系统,实现对养护室内外环境参数检测、管理和养护室环境参数等级的预警;
所述养护室环境大数据处理子系统由粒子群算法的最小二乘支持向量机模型1、减法聚类分类器1、LSTM神经网络模型、ANFIS自适应神经模糊推理网络模型、模糊数时延神经网络模型、模糊数NARX神经网络模型、养护室环境检测模块和养护室外环境检测模块组成;养护室温度和湿度的期望值作为粒子群算法的最小二乘支持向量机模型1的输入,粒子群算法的最小二乘支持向量机模型1输出与养护室环境检测模块输出的差作为养护室环境评价等级差值,养护室环境评价等级差值作为减法聚类分类器1的输入,减法聚类分类器1输出多个类型的养护室环境评价等级差值分别作为LSTM神经网络模型的输入, LSTM神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入,ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出作为模糊数时延神经网络模型的输入,模糊数时延神经网络模型的输出作为模糊数NARX神经网络模型的输入,模糊数NARX神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入,模糊数时延神经网络模型输出的模糊数代表养护室环境等级预警值。
2.根据权利要求1所述的一种养护室环境参数检测系统,其特征在于:所述养护室环境检测模块由时延神经网络模型、减法聚类分类器2、ESN神经网络模型和粒子群算法的最小二乘支持向量机模型2组成;多组养护室内温度、湿度传感器分别是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减法聚类分类器2的输入,减法聚类分类器2输出的多个类型的时延神经网络模型输出值分别是对应的多个ESN神经网络模型的输入,多个ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型2的输入,粒子群算法的最小二乘支持向量机模型2的输出值作为养护室环境检测模块的输出值。
3.根据权利要求1所述的一种养护室环境参数检测系统,其特征在于:所述养护室外环境检测模块由时延神经网络模型、减法聚类分类器3、ESN神经网络模型和粒子群算法的最小二乘支持向量机模型3组成;多组养护室外温度、湿度、风速和光照度传感器分别是对应的时延神经网络模型的输入,时延神经网络模型的输出作为减法聚类分类器3的输入,减法聚类分类器3输出的类型的时延神经网络模型输出值分别是对应的ESN神经网络模型的输入,ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型3的输入,粒子群算法的最小二乘支持向量机模型3的输出值作为养护室外环境检测模块的输出值。
4.根据权利要求1所述的一种养护室环境参数检测系统,其特征在于:所述模糊数时延神经网络模型将养护室环境是否符合用户要求预警等级分为严重超出标准、超标标准、符合标准、较好符合标准和很符合标准对应不同的5个不同的三角模糊数,构建养护室环境预警5种等级与5个三角模糊数对应关系表,计算模糊数时延神经网络模型输出的三角模糊数与代表5种养护室环境预警等级的5个三角模糊数的相似度,其中相似度最大的三角模糊数对应养护室环境预警等级确定为养护室环境预警等级。
5.根据权利要求1所述的一种养护室环境参数检测系统,其特征在于:所述养护室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,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。
6.根据权利要求5所述的一种养护室环境参数检测系统,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497251.5A CN113219871B (zh) | 2021-05-07 | 2021-05-07 | 一种养护室环境参数检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497251.5A CN113219871B (zh) | 2021-05-07 | 2021-05-07 | 一种养护室环境参数检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219871A CN113219871A (zh) | 2021-08-06 |
CN113219871B true CN113219871B (zh) | 2022-04-01 |
Family
ID=77091558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497251.5A Active CN113219871B (zh) | 2021-05-07 | 2021-05-07 | 一种养护室环境参数检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219871B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114390376B (zh) * | 2021-12-20 | 2023-04-07 | 淮阴工学院 | 火灾大数据远程探测与预警系统 |
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 |
CN115062764B (zh) * | 2022-06-17 | 2023-07-11 | 淮阴工学院 | 光照度智能调节与环境参数物联网大数据系统 |
Family Cites Families (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201000564Y (zh) * | 2006-09-01 | 2008-01-02 | 上海农业信息有限公司 | 食用菌培育监控装置 |
CN202934691U (zh) * | 2012-11-14 | 2013-05-15 | 淮安市建筑工程检测中心有限公司 | 一种混凝土养护室 |
US10386354B2 (en) * | 2016-02-01 | 2019-08-20 | Quipip, Llc | Sensing device, sensing device system, and methods for measuring a characteristic of a concrete mixture and for predicting a performance characteristic of a concrete mixture |
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
CN106067079B (zh) * | 2016-06-20 | 2021-01-26 | 三峡大学 | 一种基于bp神经网络的灰霾预测的系统和方法 |
KR20180022030A (ko) * | 2016-08-23 | 2018-03-06 | 전자부품연구원 | 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 |
AU2017368470B2 (en) * | 2016-11-29 | 2022-09-15 | Peak Power Inc. | System and method for dynamic energy storage system control |
CN107494320B (zh) * | 2017-05-12 | 2020-05-26 | 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 |
JP2020530159A (ja) * | 2017-08-02 | 2020-10-15 | ストロング フォース アイオーティ ポートフォリオ 2016,エルエルシー | 大量のデータセットを使用する産業用のモノのインターネットのデータ収集環境における検出のための方法及びシステム |
US10803328B1 (en) * | 2017-11-15 | 2020-10-13 | Uatc, Llc | Semantic and instance segmentation |
CN107991721B (zh) * | 2017-11-21 | 2020-05-08 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
CN108267170B (zh) * | 2017-12-28 | 2021-06-22 | 歌尔科技有限公司 | 一种环境监测方法和装置 |
RU2681242C1 (ru) * | 2018-05-21 | 2019-03-05 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Интеллектуальная система обнаружения и классификации морских целей |
CN209895204U (zh) * | 2018-09-18 | 2020-01-03 | 中电投工程研究检测评定中心有限公司 | 温湿度监控装置及混凝土养护装置 |
CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
CN110163254B (zh) * | 2019-04-19 | 2022-04-26 | 淮阴工学院 | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 |
CN110084417B (zh) * | 2019-04-19 | 2022-03-18 | 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 |
CN110069032B (zh) * | 2019-04-19 | 2021-04-23 | 淮阴工学院 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
CN110147825B (zh) * | 2019-04-19 | 2022-04-26 | 淮阴工学院 | 一种基于经验模态分解模型的草莓温室温度智能检测装置 |
CN110119086B (zh) * | 2019-04-19 | 2022-03-18 | 淮阴工学院 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
CN110119767B (zh) * | 2019-04-19 | 2022-05-17 | 淮阴工学院 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
CN110119766B (zh) * | 2019-04-19 | 2022-05-27 | 淮阴工学院 | 一种多组合智能化模型的青椒温室温度智能化预警装置 |
CN110083190B (zh) * | 2019-04-19 | 2020-08-25 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
US11415438B2 (en) * | 2019-07-17 | 2022-08-16 | ExxonMobil Technology and Engineering Company | Intelligent system for identifying sensor drift |
CN110287651A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 一种预测供水系统中消毒副产物卤乙酸浓度的方法 |
CN110705757B (zh) * | 2019-09-10 | 2020-10-02 | 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 |
CN110716012B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于现场总线网络的油气浓度智能监测系统 |
CN110580021B (zh) * | 2019-09-10 | 2020-09-25 | 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 |
CN110647979B (zh) * | 2019-09-10 | 2020-09-25 | 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 |
CN110570616B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于物联网的多点火灾预警系统 |
CN110531815A (zh) * | 2019-09-25 | 2019-12-03 | 中国农业科学院农业信息研究所 | 一种融合室内外环境参数的温室智能预调控装置及方法 |
CN111476278B (zh) * | 2020-03-20 | 2022-04-26 | 淮阴工学院 | 一种气体浓度智能化检测系统 |
CN111426344B (zh) * | 2020-03-20 | 2021-10-12 | 淮阴工学院 | 一种建筑物能耗智能检测系统 |
CN112381235A (zh) * | 2020-11-12 | 2021-02-19 | 寰清能源科技(上海)有限公司 | 监测水泥厂预热器状态变化的辅助方法 |
-
2021
- 2021-05-07 CN CN202110497251.5A patent/CN113219871B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113219871A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
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 | |
CN113301127B (zh) | 一种牲畜饲料检测系统 | |
CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN111461413A (zh) | 一种公路路面使用性能检测系统 | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN110766132A (zh) | 一种基于物联网的果园产量智能预测系统 | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
Shang et al. | Research on intelligent pest prediction of based on improved artificial neural network | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230406 Address after: Room 702, 7th Floor, Building B3, Huai'an Smart Valley, No. 19 Meigao Road, Meicheng Street, Economic and Technological Development Zone, Huai'an City, Jiangsu Province, 223005 Patentee after: Huai'an Qianzhong Network Culture Technology Industry Development Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |