CN114397043B - 多点温度智能检测系统 - Google Patents
多点温度智能检测系统 Download PDFInfo
- Publication number
- CN114397043B CN114397043B CN202111565953.9A CN202111565953A CN114397043B CN 114397043 B CN114397043 B CN 114397043B CN 202111565953 A CN202111565953 A CN 202111565953A CN 114397043 B CN114397043 B CN 114397043B
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- output
- binary
- models
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 76
- 238000013528 artificial neural network Methods 0.000 claims description 53
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 15
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 18
- 238000013461 design Methods 0.000 description 12
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000006872 improvement Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach 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
- 238000013499 data model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多点温度智能检测系统由环境参数采集平台和多点温度大数据预测子系统两部分组成，环境参数采集平台实现对环境参数检测，多点温度大数据预测子系统实现对环境参数进行处理和预测，提高检测环境温度的准确性和可靠性；有效解决了现有环境温度参数检测系统没有根据环境温度参数变化的非线性、大滞后和环境大等对温度监测精确度和可靠性的影响，没有对环境温度参数进行动态预测，从而极大的影响工农业经济效益和环境温度管理问题。
Description
技术领域
本发明涉及温度检测自动化控制装备的技术领域，具体涉及一种多点温度智能检测系统。
背景技术
温度是与人类生产、生活密切相关的一个物理量,因此对温度的测量及控制也就非常有意义。如温室环境、建筑、电力和通讯设备之过热故障预知温度检测与预警等领域；能有效克服恶劣的工农业环境,确保温度监测系统的可靠稳定运行,实现温度数据的实时采集显示与预警提醒,使多点温度监测系统性能得到了大大优化。目前国内外经济迅速发展，对温度监测应用要求不断提高，温度监测系统成为一些领域关注对象，国产不少温度监测分辨率较低，国外高精度温度监测价格较贵，开发一套高精度温度监测系统是工农业生产过程中必然要求。本发明所提供的技术方案对提高工农业以及建筑等行业对温度的精确检测与预测有十分重要的作用。
发明内容
本发明提供了一种多点温度智能检测系统，有效解决了现有环境温度参数检测系统没有根据环境温度参数变化的非线性、大滞后和环境大等对温度监测精确度和可靠性的影响，没有对环境温度参数进行动态预测，从而极大的影响工农业经济效益和环境温度管理问题。
本发明通过以下技术方案实现：
一种多点温度智能检测系统由环境参数采集平台和多点温度大数据预测子系统两部分组成，环境参数采集平台实现对环境参数检测，多点温度大数据预测子系统实现对环境参数进行处理和预测，提高检测环境温度的准确性和可靠性。
本发明进一步技术改进方案是：
环境参数采集平台包括环境参数的检测节点、网关节点、现场监控端、云平台和客户端组成，检测节点和网关节点之间通过构建CAN通信网络来实现检测节点和网关节点之间的通信。
本发明进一步技术改进方案是：
检测节点将检测的环境参数通过网关节点的RS232接口发送给现场监控端并对环境温度进行预测；网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输，网关节点与现场监控端之间通过RS232接口实现环境参数信息的双向传输。移动端App为管理人员提供实时环境参数数据，满足环境参数信息的便捷可视化，所有来自检测节点的传感器采集的环境数据都已上传至云平台的数据库中，管理人员通过移动端APP可通过远程查看当前的环境参数信息；环境参数采集平台结构见图1所示。
本发明进一步技术改进方案是：
多点温度大数据预测子系统由3个参数检测模块和二元联系数的小波神经网络温度预测模型组成，多个温度传感器感知被对应检测点的温度值作为对应的参数检测模块的输入，多个湿度传感器感知被对应检测点的湿度值作为对应的参数检测模块的输入，多个风速传感器感知被对应检测点的风速值作为对应的参数检测模块的输入，二元联系数的小波神经网络温度预测模型输出的确定值c和波动值d构成二元联系数c+di，3个参数检测模块输出的3个二元联系数和二元联系数的小波神经网络温度预测模型输出的二元联系数作为二元联系数的小波神经网络温度预测模型的对应输入，二元联系数的小波神经网络温度预测模型输出的二元联系数作为被检测环境的温度预测值；多点温度大数据预测子系统功能见图2所示。
本发明进一步技术改进方案是：
参数检测模块由带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个GM(1，1)灰色预测模型和二元联系数的BAM神经网络模型组成。
本发明进一步技术改进方案是：
多个参数传感器感知被检测环境多点被检测的参数值分别作为对应的带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入，模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入，多个NARX神经网络预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出被检测参数的二元联系数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL输入和二元联系数的BAM神经网络模型的2个对应输入，2个按拍延迟线TDL输出分别作为对应的2个GM(1，1)灰色预测模型输入，2个GM(1，1)灰色预测模型输出分别作为二元联系数的BAM神经网络模型的2个对应输入，二元联系数的BAM神经网络模型输出被检测参数的确定值a和波动值b构成被检测参数的二元联系数值为a+bi，二元联系数的BAM神经网络模型输出作为参数检测模块的输出。参数检测模块功能图见图2所示。
本发明与现有技术相比，具有以下明显优点：
一、本发明通过模糊C均值聚类FCM模型将多个带时滞单元的Adaline神经网络模型输出的环境参数分为不同种类，每一个种类都显示出隐含在原序列中的不同特征信息，在一定程度上减少了不同特征信息之间的相互干涉。可见模糊C均值聚类FCM模型分类能有效把多个不同特征的环境参数分类，多个类型的环境参数分别作为多个NARX神经网络预测模型的建立和更好地预测，提高环境参数的预测精度。
二、本发明采用二元联系数的BAM神经网络是一种双层反馈神经网络，用它可实现异联想记忆功能；其当向其中一层加入输入信号时，另一层得到输出。由于初始模式可以作用于网络的任一层，信息也可以双向传播，所以没有明确的输入层或输出层。BAM神经网络模型学习速度快，而BP学习时收敛速度慢，最终收敛达到的还有可能是局部最小点而非全局最小点，而BAM达到的一定是能量最小点；BAM神经网络模型是有反馈网络，当输入出现错误时，BAM神经网络模型不但可以输出准确的故障原因，还可纠正原始输入的错误。故该BAM神经网络模型适于要求对错误输入征兆进行纠正系统。BAM神经网络模型利用BAM神经网络双向联想存储的特性，提高推理过程中环境参数传感器预测值的不确定信息处理能力。
三、本发明采用的NARX神经网络是一种通过引入带时滞单元的Adaline神经网络模型输出及反馈实现来建立NARX神经网络组合模型的动态递归网络，它是沿着带时滞单元的Adaline神经网络模型输出在时间轴方向的拓展的多个时间带时滞单元的Adaline神经网络模型输出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带时滞单元的Adaline神经网络模型输出预测值的特征参数来建立有带时滞单元的Adaline神经网络模型输出扰动控制量模型，模型输出的带时滞单元的Adaline神经网络模型预测值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，实现对带时滞单元的Adaline神经网络模型输出状态连续动态输出。
四、本发明采用GM(1,1)灰色预测模型预测环境参数检测过程中确定值和波动值的时间跨度长。用GM(1,1)灰色预测模型模型可以根据环境参数检测过程中确定值和波动值预测未来时刻环境参数检测过程中确定值和波动值，用上述方法预测出的环境参数检测过程中确定值和波动值后，把环境参数检测过程中确定值和波动值再加分别加入环境参数检测过程中确定值和波动值的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测环境参数检测过程中确定值和波动值的预测。依此类推，预测出环境参数检测过程中确定值和波动值。这种方法称为等维灰数递补模型，它可实现较长时间环境参数检测过程中确定值和波动值的预测。可以更加准确地掌握环境参数检测过程中确定值和波动值的变化趋势。
五、本发明针对参数测量过程中，传感器精度误差、干扰和测量值异常等问题存在的不确定性和随机性，本发明专利将参数传感器测量的参数值通过参数检测模块转化为二元联系数形式表示，有效地处理了参数传感器测量参数的模糊性、动态性和不确定性，提高了参数传感器值检测参数的客观性和可信度。
附图说明
图1为本专利的环境参数采集平台；
图2为本专利的多点温度大数据预测子系统；
图3为本专利的检测节点；
图4为本专利的网关节点；
图5为本专利的现场监控端软件功能图；
具体实施方式
结合附图1-5，对本发明技术方案作进一步描述：
一、系统总体功能的设计
本发明一种多点温度智能检测系统由环境参数采集平台和多点温度大数据预测子系统两部分组成，环境参数采集平台实现对环境参数检测，多点温度大数据预测子系统实现对环境参数进行处理与预测；环境参数采集平台包括环境参数的检测节点、网关节点、现场监控端、云平台和手机App组成，检测节点构建成CAN总线网络通信来实现检测节点和网关节点之间的CAN现场总线网络通信；检测节点将检测的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之间实现环境参数和相关控制信息的双向传输。环境参数采集平台见图1所示。
二、检测节点的设计
采用大量基于CAN总线通信网络的检测节点作为环境参数感知终端，检测节点通过CAN总线通信网络实现与现场监控端之间的信息相互交互。检测节点包括采集环境的温度、湿度和风速的传感器和对应的信号调理电路、STM32微处理器和CAN总线网络通信的CAN总线接口；检测节点的软件主要实现CAN总线网络通信和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、网关节点设计
网关节点包括CAN接口、NB-IoT模块、STM32单片机和RS232接口，网关节点包括CAN接口实现与检测节点之间通信的CAN现场总线通信网络，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。网关节点结构见图4。
四、现场监控端的软件设计
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环境参数进行采集与处理和预测，实现与检测节点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通过多点温度大数据预测子系统对环境参数进行智能处理与预测，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5；多点温度大数据预测子系统结构如图2所示，多点温度大数据预测子系统由3个参数检测模块和二元联系数的小波神经网络温度预测模型组成，多点温度大数据预测子系统的设计过程如下：
1、参数检测模块的设计
参数检测模块由带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个GM(1，1)灰色预测模型和二元联系数的BAM神经网络模型组成；
(1)、带时滞单元的Adaline神经网络模型设计
多个参数传感器感知被检测环境多点被检测的参数值分别作为对应的带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入，模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入；带时滞单元的Adaline神经网络模型由2个按拍延迟线TDL和Adaline神经网络组成，温度传感器输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出作为Adaline神经网络的输入，Adaline神经网络的输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出为带时滞单元的Adaline神经网络模型的输出；Adaline神经网络模型的自适应线性单元(Adaptive LinearElement)是早期的神经网络模型之一，该模型的输入信号可写成向量的形式:X(K)＝[x0(K),x1(K),…xn(K)]T，每一组输入信号对应有一组权值向量相对应表示为:W(K)＝[k0(K),k1(K),…k(K)]，x0(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为：
在Adaline神经网络模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。
(2)、模糊C均值聚类FCM模型设计
带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入，模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入；设有限集X＝{x1,x2,…xn}是n个带时滞单元的Adaline神经网络模型输出样本组成的集合，C为预定的类别，mi(i＝1,2,…c)是每一个聚类的中心，μj(xi)是第i个样本关于第j类的隶属度，聚类准则函数由隶属函数定义为:
式中:||xi-mj||是xi到mj之间的欧氏距离；b是模糊加权幂指数，是可以控制聚类结果模糊程度的参数；M是X的模糊C划分矩阵，V是X的聚类中心集合，模糊C均值聚类FCM模型的结果就是要获得使准则函数达到最小的M和V。在模糊C均值聚类方法中，要求样本对各个聚类的隶属度之和为1，即:
模糊C均值聚类FCM模型可以按照以下迭代步骤完成:A、设定聚类数目c和参数b，算法终止阈值ε，迭代次数t＝1，允许最大迭代数为tmax；B、初始化各个聚类中心mi；C、用当前聚类中心计算隶属函数；D、用当前隶属函数更新各类聚类中心；E、选取合适的矩阵范数，如果||V(t+1)-V(t)||≤ε或者t≥tmax，停止运算；否则，t＝t+1，返回步骤C。当算法收敛时，得到各类的聚类中心和各个样本对于各类的隶属度，完成模糊聚类划分。最后将模糊聚类结果进行去模糊化，将模糊聚类转变为确定性分类，实现最终的聚类分割。
(3)、NARX神经网络预测模型设计
模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入，多个NARX神经网络预测模型输出作为二元联系数的BAM神经网络模型的对应输入；NARX神经网络预测模型实际一种预测带时滞单元的Adaline神经网络模型输出值的NARX神经网络，NARX神经网络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神经网络包括输入层、时延层、隐层和输出层。
(4)、GM(1，1)灰色预测模型输出设计
2个按拍延迟线TDL输出分别作为对应的2个GM(1，1)灰色预测模型输入，2个GM(1，1)灰色预测模型输出分别作为二元联系数的BAM神经网络模型的2个对应输入；GM(1，1)灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据被检测参数输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加输入原始值还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1,1)灰色预测模型的实质是对输入原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对输入数据进行预测。
(5)、二元联系数的BAM神经网络模型设计
多个NARX神经网络预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出被检测参数的二元联系数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL输入和二元联系数的BAM神经网络模型的2个对应输入；二元联系数的BAM神经网络模型是一种输出和反馈递归为二元联系数的BAM神经网络模型，BAM神经网络模型是一种反馈型的双向联想记忆神经网络，通过多次反馈训练的模式来进行对被检参数的进一步预测，它具有联想记忆被检测参数的功能，自适应性能力强，并且预测被检测参数误差较小，自出现以来便得到广泛应用；BAM神经网络模型拓扑结构中，网络输入端的初始模式为x(t)，通过权值矩阵W1加权后到达输出端y端，经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x，再经过x端输出节点转移特性fx的非线性变换，变为输入端x的输出，反复这一运行过程，BAM神经网络模型状态转移方程见式(6)。
BAM神经网络模型的输出为代表一段时间被检测参数值大小的动态二元联系数，动态二元联系数为a+bi,a+bi构成在一段时间参数传感器输出的被检测参数动态二元联系数值。
2、二元联系数的小波神经网络温度预测模型设计
二元联系数的小波神经网络温度预测模型输出的确定值c和波动值d构成二元联系数c+di，3个参数检测模块输出的3个二元联系数和二元联系数的小波神经网络温度预测模型输出的二元联系数作为二元联系数的小波神经网络温度预测模型的对应输入，二元联系数的小波神经网络温度预测模型输出的二元联系数作为被检测环境的温度预测值；二元联系数的小波神经网络温度预测模型是一种输入和输出都为二元联系数的对温度进行预测的小波神经网络，小波神经网络模型WNN(Wavelet Neural 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。设小波神经网络模型的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络模型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模型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。小波神经网络模型的输出为代表一段时间温度预测值大小的动态二元联系数，动态二元联系数为c+di,c+di构成在一段时间被检测环境温度的动态二元联系数预测值。
五、环境参数采集平台的设计举例
根据环境参数分布的实际状况，系统布置了环境参数采集平台的检测节点、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被检测环境的各个方位，通过该系统实现对被检测环境参数进行采集。
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.多点温度智能检测系统，其特征在于：所述检测系统由环境参数采集平台和多点温度大数据预测子系统两部分组成，环境参数采集平台实现对环境参数检测，多点温度大数据预测子系统实现对环境参数进行处理和预测；
所述多点温度大数据预测子系统由参数检测模块和二元联系数的小波神经网络温度预测模型组成，温度传感器、湿度传感器、风速传感器感知被对应检测点的温度值、湿度值、风速值作为对应的参数检测模块的输入，二元联系数的小波神经网络温度预测模型输出的确定值c和波动值d构成二元联系数c+di，对应参数检测模块输出的对应的二元联系数和二元联系数的小波神经网络温度预测模型输出的二元联系数作为二元联系数的小波神经网络温度预测模型的对应输入，二元联系数的小波神经网络温度预测模型输出的二元联系数作为被检测环境的温度预测值；
多个参数传感器感知被检测环境多点被检测的参数值分别作为对应的带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入，模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入，多个NARX神经网络预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出被检测参数的二元联系数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL输入和二元联系数的BAM神经网络模型的2个对应输入，2个按拍延迟线TDL输出分别作为对应的2个GM（1，1）灰色预测模型输入，2个GM（1，1）灰色预测模型输出分别作为二元联系数的BAM神经网络模型的2个对应输入，二元联系数的BAM神经网络模型输出被检测参数的确定值a和波动值b构成被检测参数的二元联系数值为a+bi，二元联系数的BAM神经网络模型输出作为参数检测模块的输出。
2.根据权利要求1所述的多点温度智能检测系统，其特征在于：所述参数检测模块由带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、NARX神经网络预测模型、按拍延迟线TDL、GM（1，1）灰色预测模型和二元联系数的BAM神经网络模型组成。
3.根据权利要求1所述的多点温度智能检测系统，其特征在于：所述环境参数采集平台包括环境参数的检测节点、网关节点、现场监控端、云平台和客户端组成，检测节点和网关节点之间通过构建CAN通信网络来实现检测节点和网关节点之间的通信。
4.根据权利要求3所述的多点温度智能检测系统，其特征在于：所述检测节点将检测的环境参数通过网关节点的RS232接口发送给现场监控端并对环境温度进行预测；网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输，网关节点与现场监控端之间通过RS232接口实现环境参数信息的双向传输。
5.根据权利要求3所述的多点温度智能检测系统，其特征在于：所述客户端为管理人员提供实时环境参数，来自检测节点的传感器采集的环境数据上传至云平台的数据库中，管理人员通过客户端在远程查看当前的环境参数信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111565953.9A CN114397043B (zh) | 2021-12-20 | 2021-12-20 | 多点温度智能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111565953.9A CN114397043B (zh) | 2021-12-20 | 2021-12-20 | 多点温度智能检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114397043A CN114397043A (zh) | 2022-04-26 |
| CN114397043B true CN114397043B (zh) | 2023-04-07 |
Family
ID=81226555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111565953.9A Active CN114397043B (zh) | 2021-12-20 | 2021-12-20 | 多点温度智能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114397043B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115907366B (zh) * | 2022-11-15 | 2023-09-22 | 淮阴工学院 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
| CN116384979B (zh) * | 2023-04-27 | 2023-09-26 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112881601A (zh) * | 2021-01-13 | 2021-06-01 | 淮阴工学院 | 一种基于云平台的水分检测系统 |
| CN112911533A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种基于移动端App的温度检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104233996B (zh) * | 2014-09-23 | 2016-05-25 | 天津大学 | 面板堆石坝施工碾压质量孔隙率-可靠性二元评价方法 |
-
2021
- 2021-12-20 CN CN202111565953.9A patent/CN114397043B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112881601A (zh) * | 2021-01-13 | 2021-06-01 | 淮阴工学院 | 一种基于云平台的水分检测系统 |
| CN112911533A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种基于移动端App的温度检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114397043A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| 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 | |
| CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
| CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
| CN111429718B (zh) | 一种公路交通安全智能检测系统 | |
| CN111476278A (zh) | 一种气体浓度智能化检测系统 | |
| CN111426344A (zh) | 一种建筑物能耗智能检测系统 | |
| 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 | |
| CN111444947A (zh) | 一种桥梁沉降智能检测系统 | |
| CN112903929A (zh) | 一种食品质量检测系统 | |
| CN114417242B (zh) | 畜禽活动信息的大数据检测系统 | |
| CN114415503B (zh) | 温度大数据物联网检测与智能控制系统 | |
| CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
| CN117306608A (zh) | 基坑大数据采集与智能化监测方法及其物联网系统 | |
| CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
| CN112911533A (zh) | 一种基于移动端App的温度检测系统 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN115016275B (zh) | 智能化饲喂与畜禽舍大数据物联网系统 | |
| CN114390376B (zh) | 火灾大数据远程探测与预警系统 |
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: 20230711 Address after: 712100 Room 312, Floor 3, Free Trade Office, No. 9, Deputy 1, Youtai Road, Yangling Demonstration Zone, Xianyang, Shaanxi Province Patentee after: Yang Lingpeng Shopkeeper Information Technology Co.,Ltd. Address before: 223400 8th floor, Anton building, No. 10, Hai'an Road, Lianshui County, Huai'an City, Jiangsu Province Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |