CN114397809B - 物料称重大数据检测与包装智能控制系统 - Google Patents
物料称重大数据检测与包装智能控制系统 Download PDFInfo
- Publication number
- CN114397809B CN114397809B CN202111563321.9A CN202111563321A CN114397809B CN 114397809 B CN114397809 B CN 114397809B CN 202111563321 A CN202111563321 A CN 202111563321A CN 114397809 B CN114397809 B CN 114397809B
- Authority
- CN
- China
- Prior art keywords
- neural network
- input
- output
- weight
- 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
- 239000000463 material Substances 0.000 title claims abstract description 162
- 238000005303 weighing Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012858 packaging process Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 171
- 238000003062 neural network model Methods 0.000 claims description 59
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 claims description 55
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 11
- 238000012856 packing Methods 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 230000033228 biological regulation Effects 0.000 claims description 2
- 239000005022 packaging material Substances 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 238000009450 smart packaging Methods 0.000 claims 1
- 238000013461 design Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 16
- 230000015654 memory Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 7
- 229910002056 binary alloy Inorganic materials 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种物料称重大数据检测与包装智能控制系统，其特征在于：所述系统包括参数采集与控制平台和包装智能控制子系统两部分，实现对被包装物料重量检测和包装过程的智能控制，提高物料包装控制过程称量与包装的可靠性和精确性；本发明有效解决了现有物料称重与包装过程没有根据物料称重与包装过程的强干扰、大滞后、非线性的不确定系统对物料准确称重与可靠包装的影响，从而极大的影响物料称重与包装过程的准确运行和可靠管理。
Description
技术领域
本发明涉及物料称重与包装自动化装备的技术领域，具体涉及一种物料称重大数据检测与包装智能控制系统。
背景技术
随着消费水平的提高，人们对现代商品的包装要求趋于多样化，自动称重与包装控制系统是当代工业的产物，可广泛应用于食品、化工、农业等众多行业，能够有效地提高劳动生产率、降低次品率和工业化水平。当前，工业较发达国家对自动称重包装技术高度重视，已从静态称重发展为动态称重。由于称重与包装控制系统是一种强干扰、大滞后、非线性的不确定系统，为提高物料自动称重与包装设备的可靠性和精确度，提出了一种物料称重大数据检测与包装智能控制系统，该系统具有响应速度快、超调量较小和很好的动静态性能。发明一种物料称重大数据检测与包装智能控制系统对物料进行精确称量与包装过程进行可靠控制，对提高工农业以及物流的高效与安全运行有十分重要的作用。
发明内容
本发明提供了一种物料称重大数据检测与包装智能控制系统，本发明有效解决了现有物料称重与包装过程没有根据物料称重与包装过程的强干扰、大滞后、非线性的不确定系统对物料准确称重与可靠包装的影响，从而极大的影响物料称重与包装过程的准确运行和可靠管理。
本发明通过以下技术方案实现：
一种物料称重大数据检测与包装智能控制系统，其特征在于：所述系统包括参数采集与控制平台和包装智能控制子系统两部分，系统实现对被包装物料重量检测和包装过程的智能控制，提高物料包装控制过程称量与包装的可靠性和精确性。
本发明进一步技术改进方案是：
参数采集与控制平台包括STM32单片机、重量传感器、物料、2个电磁阀、称重平台和包装袋；通过在STM32单片机中设定物料重量期望值，安装在称重平台的称重传感器输出作为包装智能控制子系统的重量检测模块的输入，包装智能控制子系统的输出调节对应电磁阀的开度确保通过电磁阀下落到称量平台上的物料为重量期望值，称量平台上的物料通过对应的电磁阀下落到包装袋中，参数采集与控制平台实现被包装物料的准确称量和包装过程的智能化控制，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：
在STM32单片机中设计包装智能控制子系统，该系统由LSTM神经网络、PID型Adaline神经网络控制器、T-S模糊神经网络控制器、NARX神经网络、时延神经网络、Elman神经网络、2个按拍延迟线TDL和重量检测模块组成；物料重量期望值作为LSTM神经网络的对应输入，LSTM神经网络输出与Elman神经网络输出的差值作为物料重量期望值的误差，物料重量期望值的误差和误差变化率分别作为PID型Adaline神经网络控制器和T-S模糊神经网络控制器的输入，PID型Adaline神经网络控制器和T-S模糊神经网络控制器的输出分别作为NARX神经网络的对应输入，NARX神经网络输出和时延神经网络输出的和分别作为对应的按拍延迟线TDL的输入、时延神经网络的输入和调节对应电磁阀的控制量，重量传感器器输出作为重量检测模块的输入，重量检测模块输出作为LSTM神经网络的对应输入和对应的按拍延迟线TDL的输入，2个按拍延迟线TDL输出作为Elman神经网络的输入，NARX神经网络输出和时延神经网络输出的和作为包装智能控制子系统的控制量；包装智能控制子系统结构见图1所示。
本发明进一步技术改进方案是：
重量检测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的BAM神经网络模型组成；重量传感器输出作为带时滞单元的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EMD经验模态分解模型的输入，EMD经验模态分解模型输出的物料重量低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个物料重量高频波动值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出物料重量值的确定值a和波动值b构成物料重量的二元联系数为a+bi，物料重量的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的BAM神经网络的2个对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型的输入，2个ARIMA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神经网络模型输出作为称量检测模块输出的被称量物料重量；重量检测模块的结构见图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LSTM神经网络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物料称重与包装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物料称重与包装控制输入量长期相关性的信息。此外，由于物料称重与包装控制输入量的采样间隔相对较小，物料称重与包装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，提高物料称重与包装控制输入量的准确性，提高物料称重与包装控制输入量装置的精确性和鲁棒性。
二、本发明根据物料称重与包装过程的强干扰、大滞后和非线性的不确定系统特性,结合PID控制器的特点和神经网络良好的自学习、自适应能力,提出了一种PID型Adaline神经网络控制算法,该控制方法具有较高的控制精度和较快的收敛速度,使得物料称重与包装过程运动均匀,称重更加准确,提高了称重与包装过程控制系统的可靠性、精确性、快速性和稳定性。
三、本发明在PID控制过程中,如果控制条件和环境发生复杂变化,PID控制参数就难以自动调整,致使不能达到最优控制效果这一不足,在分析Adaline神经网络控制器具有并行处理、联想记忆、容错性及自适应性等特点的基础上,结合传统的PID控制思想,设计了PID型Adaline神经网络控制器具有实时性高、鲁棒性强和自适应快等特点,取得了很好的物料称重与包装过程的控制效果,在物料称重与包装过程系统实时控制系统中得到了很好的应用。
四、本发明NARX神经网络是一种通过引入PID型Adaline神经网络控制器和T-S模糊神经网络控制器的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，它是沿着物料称重与包装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物料称重与包装输入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物料称重与包装输入控制量的特征参数来建立有物料称重与包装输入控制装置扰动控制量模型，模型输出的物料称重与包装输入控制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，实现对物料称重与包装输入控制装置扰动控制量状态连续动态输出。
五、本发明控制器由PID型Adaline神经网络控制器、T-S模糊神经网络控制器、NARX神经网络、时延神经网络分别为线性控制、模糊推理控制和动态时延再控制组成复合控制实现对物料称重参数的联合调节，多种调节共同作用，提高物料称重与包装控制参数的准确性和鲁棒性。
六、本发明通过EMD经验模态分解模型将原始带时滞单元的Adaline神经网络模型输出序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。物料称重过程的高频波动部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与物料称重过程的周期性变化相符合；低频成分代表物料称重过程原序列的变化趋势。可见EMD能够逐级分解出物料称重过程的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征信息之间的相互干涉，且分解出的各分量变化曲线比原始物料称重变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的物料称重过程变形数据，分解得到的各分量有GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型的建立和更好地预测。最后将各分量预测结果叠加得到最终融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。
七、本发明采用GM(1,1)灰色预测模型预测物料称重过程中物料重量低频趋势的时间跨度长。用GM(1,1)灰色预测模型模型可以根据物料重量低频趋势值预测未来时刻物料重量低频趋势值，用上述方法预测出的物料重量低频趋势后，把物料重量低频趋势值再加分别加入物料重量低频趋势的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测物料重量低频趋势的预测。依此类推，预测出物料重量低频趋势值。这种方法称为等维灰数递补模型，它可实现较长时间的预测。可以更加准确地掌握物料重量低频趋势的变化趋势，为有效避免物料重量低频趋势波动做好准备。
八、本发明采用ARIMA预测模型基于物料重量的确定值和波动值的原始数据服从时间序列分布，利用物料重量的确定值和波动值变化均具有一定惯性趋势的原理，整合了趋势因素、周期因素和随机误差等因素的物料重量的确定值和波动值的原始时间序列变量，通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理想的模型进行物料重量的确定值和波动值数值拟合和预测。该方法结合了自回归和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，是一种短期预测物料重量的确定值和波动值的模型。
九、本发明二元联系数的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，提高推理过程中物料重量传感器预测值的不确定信息处理能力。
十、本发明针对称重测量过程中，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，本发明专利将称重传感器测量的参数值通过重量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为本发明的物料称重大数据检测与包装智能控制系统；
图2为本发明的重量检测模块；
图3为本发明STM32单片机硬件结构。
具体实施方式
结合附图1-3，对本发明技术方案作进一步描述：
一、系统总体功能的设计
本发明实现对物料进行称重与包装过程的自动化控制，该系统由参数采集与控制平台和包装智能控制子系统两部分组成。参数采集与控制平台包括STM32单片机、重量传感器、物料、2个电磁阀、称重平台和包装袋组成，重量传感器采集称重平台上物料的重量并输入STM单片机，包装智能控制子系统输出调节对应电磁阀的开度使物料均衡下落到称重平台上并满足系统设定物料的期望值，当称重平台上物料的重量为系统期望值时，物料称重过程结束，STM32单片机打开对应的电磁阀使称重平台上的物料下落到包装袋中，直到称重平台上物料下落完，整个物料称重与包装结束。参数采集与控制平台结构图见图1所示。
二、参数采集与控制平台设计
安装在称重平台上的称重传感器会产生一种电信号，该电信号经A/D处理后会转变为相应的数字信号并传送到STM32单片机，在单片机STM32中设定物料期望重量，通过STM32中的包装智能控制子系统控制对应的电磁阀的开度调节物料的重量；当物料称重结束后，STM32单片机控制对应的电磁阀的断开和闭合使称重平台上的物料下落到包装袋中实现物料包装。触摸屏则是一种输入、输出装置，可用于系统参数设置以及实时重量值、累计包装数等生产过程参数的显示。STM32单片机携带的触摸屏作为一种显示终端，其可以比较简单、方便地与单片机进行通信，可实现设定重量、包装数量、运行状态的直接显示，同时也可以对一些参数的进行修改；综合考虑成本、性能等因素，称重传感器选用H3-C3型电阻应变式传感器。STM32单片机电路见图3所示。
三、包装智能控制子系统设计
包装智能控制子系统由LSTM神经网络、PID型Adaline神经网络控制器、T-S模糊神经网络控制器、NARX神经网络、时延神经网络、Elman神经网络、2个按拍延迟线TDL和重量检测模块组成；包装智能控制子系统结构和功能见图1，包装智能控制子系统的设计过程如下：
1、LSTM神经网络设计
重量检测模块输出作为LSTM神经网络的对应输入，重量检测模块输出作为LSTM神经网络的对应输入，LSTM神经网络输出与Elman神经网络输出的差值作为物料重量期望值的误差；LSTM神经网络引入了记忆单元(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，输入门能控制称重物料期望重量和物料重量检测新信息的加入或滤出；遗忘门能忘记需要丢掉的称重物料期望重量和物料重量检测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称重物料期望重量和物料重量检测信息。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称重物料期望重量和物料重量检测输入量的变化，LSTM神经网络有效防止了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神经网络可以学习长期的称重物料期望重量和物料重量检测依赖信息，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称重物料期望重量和物料重量检测的动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制称重物料期望重量和物料重量检测历史信息的使用。设输入称重物料期望重量和物料重量检测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) (1)
ft＝sigmoid(Whfht-1+WhfXt) (2)
ct＝ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (3)
ot＝sigmoid(Whoht-1+WhxXt+Wcoct) (4)
ht＝ot⊙tanh(ct) (5)
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神经网络来对进行预测称重物料期望重量和物料重量检测输入量的时间序列值，该方法首先建立LSTM神经网络模型，利用预处理的称重物料期望重量和物料重量检测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神经网络考虑了输入称重物料期望重量和物料重量检测输入量的时间序列值的时序性和非线性，具有较高输入称重物料期望重量和物料重量检测的时间序列值的预测精度。
2、PID型Adaline神经网络控制器设计
LSTM神经网络输出与Elman神经网络输出的差值作为物料重量期望值的误差，物料重量期望值的误差和误差变化率作为PID型Adaline神经网络控制器的输入，PID型Adaline神经网络控制器作为NARX神经网络的对应输入。Adaline神经网络具有很强的自学习、自适应能力,而且结构简单易于计算，传统的PID调节器也具有结构简单、调整方便和参数整定与工程指标联系密切等特点。将两者结合,便可以在一定程度上解决传统PID调节器不易在线实时整定参数和难于对一些复杂过程和参数时变系统进行有效控制的不足。PID型Adaline神经网络控制器直接对被控对象进行闭环控制,根据系统的运行状态,调节Adaline神经网络控制器的参数,以期达到性能指标的最优化,使Adaline神经网络控制器的神经元输出状态对应于PID控制器的三个可调参数:kp，ki，kd。通过Adaline神经网络控制器的神经网络自学习、调整权系数,从而使其稳定状态对应于被控制对象在最优控制律下的控制器参数，Adaline神经网络控制器的输出为：
u(k)＝wTx＝x1(k)·w1(k)+x2(k)·w2(k)+x3(k)·w3(k) (6)
其中x1(k)＝e(k)为物料重量期望值的误差，
为物料重量期望值的误差积分，x3(k)＝[e(k)-e(k-1)]/T为物料重量期望值的误差变化率。基于PID型的Adaline神经网络控制器通过自学习可找到任何时刻最优的权值w1(k)，w2(k)，w3(k)相当于随时间可调的kp，ki，kd，就是PID控制器设计时很难找到的最优化的3个调节参数，PID型的Adaline神经网络控制器通过自学习可找到任何时刻最优的权值w1(k)，w2(k)，w3(k)使得均方误差最小，是在PID控制器设计时很难找到的最优化的3个调节参数kp，ki，kd，对于时变系统更要求PID参数随时可调,这更是常规PID控制所不能做到的；PID型的Adaline神经网络控制器的权值优化搜索算法采用最小二乘法,即LMS(Least Mean Square)算法。
3、T-S模糊神经网络控制器设计
LSTM神经网络输出与Elman神经网络输出的差值作为物料重量期望值的误差，物料重量期望值的误差和误差变化率分别作为PID型Adaline神经网络控制器和T-S模糊神经网络控制器的输入，PID型Adaline神经网络控制器和T-S模糊神经网络控制器的输出分别作为NARX神经网络的对应输入；T-S模糊神经网络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模糊神经网络控制器。T-S模糊神经网络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模糊神经网络控制器的输出：
T-S模糊神经网络控制器输出为T-S模糊神经网络输出控制量。
4、NARX神经网络设计
PID型Adaline神经网络控制器和T-S模糊神经网络控制器的输出分别作为NARX神经网络的对应输入，NARX神经网络输出和时延神经网络输出的和分别作为对应的按拍延迟线TDL的输入、时延神经网络的输入和调节对应电磁阀的控制量；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神经网络的输入层、时延层、隐层和输出层分别为2-19-10-1个节点。
5、时延神经网络设计
NARX神经网络输出和时延神经网络输出的和分别作为对应的按拍延迟线TDL的输入、时延神经网络的输入和调节对应电磁阀的控制量；时延迟神经网络(Time DelayNeural 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,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，通过在输入层对输出值进行延迟，使网络可以利用之前的d步的值与当前的值共同预测当前时间点输出，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)) (12)
6、Elman神经网络设计
NARX神经网络输出和时延神经网络输出的和分别作为对应的按拍延迟线TDL的输入、时延神经网络的输入和调节对应电磁阀的控制量，重量传感器器输出作为重量检测模块的输入，重量检测模块输出作为LSTM神经网络的对应输入和对应的按拍延迟线TDL的输入，2个按拍延迟线TDL输出作为Elman神经网络的输入，LSTM神经网络输出与Elman神经网络输出的差值作为物料重量期望值的误差；ELman神经网络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。为了有效地解决物料称重的逼近精度问题，增强关联层的作用。设ELman神经网络的输入层、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神经网络的隐含层、关联层和输出层的表达式分别为:
cp(k)＝xp(k-1) (14)
ELman神经网络输出为被称重物料的预测重量。
7、重量检测模块设计
重量检测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的BAM神经网络模型组成；重量检测模块结构和功能见图2所示，重量检测模块设计过程如下：
(1)、带时滞单元的Adaline神经网络模型设计
重量传感器输出作为带时滞单元的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EMD经验模态分解模型的输入；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，重量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)、EMD经验模态分解模型设计
重量传感器输出作为带时滞单元的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EMD经验模态分解模型的输入，EMD经验模态分解模型输出的物料重量低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个物料重量高频波动值分别作为对应的多个NARX神经网络预测模型的输入；EMD经验模态分解是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于物料重量信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了物料重量信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取故障信息。IMF分量必须同时满足两个条件：①在待分解物料重量信号中，极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由局部极大值和局部极小值定义的包络均值为零。EMD经验模态分解方法针对带时滞单元的Adaline神经网络模型输出值信号的“筛分”过程步骤如下：
(a)带时滞单元的Adaline神经网络模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
(b)在用三次样条线将带时滞单元的Adaline神经网络模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。
(c)上、下包络线的平均值记为m1(t)，求出：
x(t)-m1(t)＝h1(t) (17)
x(t)为带时滞单元的Adaline神经网络模型输出值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。
(d)将c1(t)从x(t)中分离出来，得到：
r1(t)＝x(t)-c1(t) (18)
将r1(t)作为原始数据重复步骤(a)-步骤(c)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样通过经验模态分解模型把带时滞单元的Adaline神经网络模型输出分解为低频趋势部分和多个高频波动部分，EMD经验分解模型如图2所示。
(3)、GM(1，1)灰色预测模型设计
EMD经验模态分解模型输出的物料重量低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个物料重量高频波动值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入；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，不需要根据物料重量低频趋势值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，累加物料重量低频趋势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低频趋势值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，用以对物料重量低频趋势值进行预测。
(4)、NARX神经网络预测模型设计
EMD经验模态分解模型输出的物料重量低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个物料重量高频波动值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入；NARX神经网络预测模型的设计方法参照本专利的第4步骤的NARX神经网络设计方法。
(5)、ARIMA预测模型设计
二元联系数的BAM神经网络输出的物料重量确定值a和波动值b分别作为对应的按拍延迟线TDL的输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型的输入，2个ARIMA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，ARIMA(Autoregressive Integrated Moving Average)预测模型是自回归积分滑动平均模型，它将自回归模型(Autoregressive,AR)和滑动平均模型(Moving Average,MA)有机地组合起来,使之成为一种综合的预测方法。作为有效的现代数据处理方法之一,它被誉为时间序列预测方法中最复杂最高级的模型,在实际应用中,由于输入原始数据序列往往表现出一定的趋势或循环特征,不满足ARMA模型对时间序列的平稳性要求,而取差分是消除数据趋势性的一种方便和有效的方法。基于差分后的数据序列建立的模型称为ARIMA模型,记为{Xt}-ARIMA(p,d,q),其中p、q称为模型的阶,d表示差分的次数。显然,当d为0时,ARIMA模型为ARMA模型,其定义为:
xt＝b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q (19)
{xt}为要预测的二元联系数的BAM神经网络输出的物料重量确定值a和波动值b的数据序列,{εt}～WN(0,σ2)。ARIMA模型建立主要包括模型的识别、参数估计和模型诊断。模型识别主要包括时间序列的预处理和模型参数的初步定阶；模型定阶完成之后需要通过时间序列观察值并结合p，d，q值来对模型中的未知参数进行估计；模型的诊断主要是针对整个模型的显著性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程，模型优化常用的为AIC和BIC准则，即最小信息量准则其值越小，模型越合适，BIC准则是针对AIC准则对大样本序列的不足所做的改进。可以用ARIMA(p,d,q)模型对时间序列进行拟合了.ARIMA(p,d,q)建模步骤如下:
A、获得二元联系数的BAM神经网络输出的物料重量确定值a和波动值b序列。
B、判断序列的平稳性,如果序列非平稳,需要对数据进行数据预处理及差分运算使序列能够平稳，并确定差分阶数d的值。
C、当差分后序列为平稳非白噪声序列，我们就可以选择阶数适当的ARMA(p,q)模型对该序列建模。
D、根据识别的模型及其阶数，对模型中的未知参数进行估计。
E、对残差序列进行检验，用统计检验的方法检验此初步模型是否有效。
F、利用所得拟合模型对平稳化的时间序列预测将来的发展趋势。
(6)、二元联系数的BAM神经网络模型设计
二元联系数的BAM神经网络模型输出物料重量值的确定值a和波动值b构成物料重量的二元联系数为a+bi，物料重量的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的BAM神经网络的2个对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型的输入，2个ARIMA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神经网络模型输出作为称量检测模块输出的被称量物料重量；重量检测模块的结构见图2所示。二元联系数的BAM神经网络模型是输出为二元联系数的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称重物料重量的进一步预测，它具有联想记忆被称重物料重量的功能，自适应性能力强，并且预测被称重物料重量误差较小，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(20)。
BAM神经网络模型的输出为代表一段时间重量传感器值大小的动态二元联系数，动态二元联系数为a+bi,a+bi构成在一段时间重量传感器输出的物料动态二元联系数值。
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.物料称重大数据检测与包装智能控制系统，其特征在于：所述控制系统由参数采集与控制平台和包装智能控制子系统两部分组成，实现对包装物料重量检测和包装过程的智能控制；
所述包装智能控制子系统包括LSTM神经网络、PID型Adaline神经网络控制器、T-S模糊神经网络控制器、NARX神经网络、时延神经网络、Elman神经网络、按拍延迟线TDL和重量检测模块组成，在单片机中设计包装智能控制子系统实现对物料称重过程的精确控制；
物料重量期望值作为LSTM神经网络的对应输入，LSTM神经网络输出与Elman神经网络输出的差值作为物料重量期望值的误差，物料重量期望值的误差和误差变化率分别作为PID型Adaline神经网络控制器和T-S模糊神经网络控制器的输入，PID型Adaline神经网络控制器和T-S模糊神经网络控制器的输出分别作为NARX神经网络的对应输入，NARX神经网络输出和时延神经网络输出的和分别作为对应的按拍延迟线TDL的输入、时延神经网络的输入和调节对应电磁阀的控制量，重量传感器输出作为重量检测模块的输入，重量检测模块输出作为LSTM神经网络的对应输入和对应的按拍延迟线TDL的输入，按拍延迟线TDL输出作为Elman神经网络的输入，NARX神经网络输出和时延神经网络输出的和作为包装智能控制子系统的控制量。
2.根据权利要求1所述的物料称重大数据检测与包装智能控制系统，其特征在于：所述重量检测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM（1，1）灰色预测模型、NARX神经网络预测模型、按拍延迟线TDL、ARIMA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2所述的物料称重大数据检测与包装智能控制系统，其特征在于：重量传感器输出作为带时滞单元的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EMD经验模态分解模型的输入，EMD经验模态分解模型输出的物料重量低频趋势值作为GM（1，1）灰色预测模型的输入，EMD经验模态分解模型输出的多个物料重量高频波动值分别作为对应的多个NARX神经网络预测模型的输入，GM（1，1）灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出物料重量值的确定值a和波动值b构成物料重量的二元联系数为a+bi，物料重量的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的BAM神经网络的2个对应输入，按拍延迟线TDL输出分别作为对应的ARIMA预测模型的输入，2个ARIMA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神经网络模型输出作为称量检测模块输出的被称量物料重量。
4.根据权利要求1所述的物料称重大数据检测与包装智能控制系统，其特征在于：所述参数采集与控制平台包括单片机、重量传感器、物料、电磁阀、称重平台；通过在单片机中设定物料重量期望值，安装在称重平台的称重传感器输出作为包装智能控制子系统的重量检测模块的输入，包装智能控制子系统的输出调节对应电磁阀的开度确保通过电磁阀下落到称量平台上的物料为重量期望值，称量平台上的物料通过对应的电磁阀下落到包装袋中，参数采集与控制平台实现被包装物料的准确称量和包装过程的智能化控制。
5.根据权利要求4所述的物料称重大数据检测与包装智能控制系统，其特征在于：所述单片机型号采用STM32。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111563321.9A CN114397809B (zh) | 2021-12-20 | 2021-12-20 | 物料称重大数据检测与包装智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111563321.9A CN114397809B (zh) | 2021-12-20 | 2021-12-20 | 物料称重大数据检测与包装智能控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114397809A CN114397809A (zh) | 2022-04-26 |
| CN114397809B true CN114397809B (zh) | 2023-03-24 |
Family
ID=81226266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111563321.9A Active CN114397809B (zh) | 2021-12-20 | 2021-12-20 | 物料称重大数据检测与包装智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114397809B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115202190B (zh) * | 2022-07-06 | 2024-04-16 | 中南大学 | 一种基于工艺指标调节潜质的工况划分和识别方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6678640B2 (en) * | 1998-06-10 | 2004-01-13 | Matsushita Electric Industrial Co., Ltd. | Method and apparatus for parameter estimation, parameter estimation control and learning control |
| CN112906735B (zh) * | 2021-01-13 | 2023-01-13 | 淮阴工学院 | 一种食用菌环境大数据检测系统 |
| CN113126488B (zh) * | 2021-03-17 | 2022-10-28 | 淮阴工学院 | 一种物质混合智能系统 |
| CN113031555B (zh) * | 2021-03-17 | 2022-03-22 | 淮阴工学院 | 一种畜禽舍环境有害气体智能净化系统 |
| CN113301127B (zh) * | 2021-05-07 | 2022-06-14 | 淮阴工学院 | 一种牲畜饲料检测系统 |
| CN113219871B (zh) * | 2021-05-07 | 2022-04-01 | 淮阴工学院 | 一种养护室环境参数检测系统 |
-
2021
- 2021-12-20 CN CN202111563321.9A patent/CN114397809B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114397809A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
| CN112488415A (zh) | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 | |
| CN113301127B (zh) | 一种牲畜饲料检测系统 | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
| Van Breusegem et al. | Adaptive neural models for on‐line prediction in fermentation | |
| CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
| CN113219871B (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 | |
| CN114355848B (zh) | 张力检测与智能控制系统 | |
| CN114397809B (zh) | 物料称重大数据检测与包装智能控制系统 | |
| CN112903929A (zh) | 一种食品质量检测系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
| CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
| CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
| CN114415503A (zh) | 温度大数据物联网检测与智能控制系统 | |
| CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
| CN110543942A (zh) | 一种多时空长短记忆深度网络精准预测方法 | |
| CN115688865A (zh) | 面向脱硫工艺烟气的长短期记忆网络工业软测量方法 | |
| CN115062764A (zh) | 光照度智能调节与环境参数物联网大数据系统 |
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: 20231227 Address after: 844900 six kilometers east of national highway 219, Yecheng County, Kashgar Prefecture, Xinjiang Uygur Autonomous Region Patentee after: Yecheng Tianshan Cement 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 |