CN114415503B - 温度大数据物联网检测与智能控制系统 - Google Patents
温度大数据物联网检测与智能控制系统 Download PDFInfo
- Publication number
- CN114415503B CN114415503B CN202111563343.5A CN202111563343A CN114415503B CN 114415503 B CN114415503 B CN 114415503B CN 202111563343 A CN202111563343 A CN 202111563343A CN 114415503 B CN114415503 B CN 114415503B
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- output
- model
- control
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了温度大数据物联网检测与智能控制系统,所述控制系统包括参数采集与控制平台和温度智能能控制子系统两部分,系统实现对环境温度检测和智能化控制,提高温室环境控制过程温度检测与控制的可靠性和精确性;本发明有效解决了现有温度检测与温度调节过程没有根据多点温度与温度调节过程的强干扰、大滞后、非线性的不确定系统对多点温度检测与调节的影响,从而极大的影响多点温度检测与调节过程的准确运行和可靠管理。
Description
技术领域
本发明涉及温度检测与温度调节的自动化控制装备的技术领域,具体涉及温度大数据物联网检测与智能控制系统。
背景技术
目前国内外经济迅速发展,工业、农业和建筑等行业对生产过程的温度检测与控制系统的精确性和可靠性要求不断提高,温控系统成为一些领域关注对象目前部分国产温控器分辨率较低,不能适应自动化生产控制系统对温控的要求;许多发达国家生产性价比高的温控器国外温控器价格较贵,普及率低。能有效克服恶劣的工农业等应用环境,确保温度与控制系统的可靠稳定运行,实现温度数据的实时精确采集与可靠调节,使多点温度监控系统得到了大大优化是当前温度与控制系统的主要研究热点。发明一种温度大数据物联网检测与智能控制系统对多点温度进行精确测量与温度变化过程进行可靠控制,对提高工农业以及建筑等行业对温度的精确检测与可靠调节有十分重要的作用。
发明内容
本发明提供了温度大数据物联网检测与智能控制系统,有效解决了现有温度检测与温度调节过程没有根据多点温度与温度调节过程的强干扰、大滞后、非线性的不确定系统对多点温度检测与调节的影响,从而极大的影响多点温度检测与调节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:
一种温度大数据物联网检测与智能控制系统,其特征在于:所述系统包括参数采集与控制平台和温度智能能控制子系统两部分,系统实现对温室环境温度检测和智能化控制,提高温室环境控制过程温度检测与控制的可靠性和精确性。
本发明进一步技术改进方案是:
参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台、远程监控计算机和手机APP组成,检测节点采集环境温度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远程监控计算机进行Web可视化环境温度参数界面管理,对控制节点下指令实施环境远程控制,在云平台端存储温度数据和发布信息;手机APP通过云平台提供的环境温度信息可实时监测环境温度参数。参数采集与控制平台结构图1所示。
本发明进一步技术改进方案是:
所述温度智能控制子系统由NARX神经网络、PID型Adaline神经网络控制器、自调整因子模糊控制器、LSTM神经网络、Elman神经网络、2个按拍延迟线TDL和温度检测模块组成;
温度期望值作为NARX神经网络的对应输入,NARX神经网络输出与Elman神经网络输出的差值作为温度期望值的预测误差,温度期望值的预测误差和预测误差变化率作为自调整因子模糊控制器的输入;NARX神经网络输出与温度检测模块输出的差值作为温度期望值的误差,温度期望值的误差作为PID型Adaline神经网络控制器的输入,PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为LSTM神经网络的对应输入,LSTM神经网络输出作为对应的按拍延迟线TDL输入和控制节点的温度控制器的输入,温度检测模块输出作为NARX神经网络的对应输入和对应的按拍延迟线TDL输入,2个TDL延迟输出作为Elman神经网络的输入,LSTM神经网络输出作为温度智能控制子系统输出的控制值;该控制值作为控制节点单片机的温度控制器的控制量,现场监控端设计温度智能能控制子系统见图2所示。
本发明进一步技术改进方案是:
温度检测模块由多个带时滞单元的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,多个温度传感器感知被检测环境多点温度值分别作为对应的带时滞单元的Adaline神经网络模型的输入,多个带时滞单元的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模型输出的多组带时滞单元的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神经网络模型输出的确定值a和波动值b分别作为对应的按拍延迟线TDL输入和二元联系数的BAM神经网络模型的对应输入,2个按拍延迟线TDL输出分别作为对应的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神经网络模型的对应输入,二元联系数的BAM神经网络模型输出被测量环境温度的确定值a和波动值b构成环境温度的二元联系数为a+bi,环境温度的确定值a和波动值b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神经网络模型输出作为温度检测模块输出的被测量环境温度的二元联系数值;温度检测模块见图3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温度分为不同种类,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温度分类,多个类型的环境温度分别作为多个NARX神经网络预测模型的建立和更好地预测,提高环境温度的预测精度。
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温度传感器预测值的不确定信息处理能力。
三、本发明控制器由PID型Adaline神经网络控制器、自调整因子模糊控制器、LSTM神经网络分别为线性实时控制、模糊推理预测控制和动态时延再控制组成复合控制实现对环境温度参数的联合调节,多种调节共同作用,提高环境控制参数的准确性和鲁棒性。
四、本发明NARX神经网络是一种通过引入环境温度期望值和温度检测模块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,它是沿着环境温度期望值和环境温度实际量状态特征参数在时间轴方向的拓展的多个时间环境温度期望值和环境温度实际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环境温度期望值和环境温度实际量的特征参数来建立有环境温度实际控制量的模型,模型输出的环境温度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,实现对环境温度控制量连续动态输出作为环境温度的控制量,提高环境温度控制的鲁棒性和动态性能。
五、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,取得了很好的环境温度过程的控制效果,在环境温度的实时控制系统中得到了很好的应用。
六、本发明针对温度测量过程中,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,本发明专利将温度传感器测量的参数值通过温度检测模块转化为二元联系数形式表示,有效地处理了温度传感器测量参数的模糊性、动态性和不确定性,提高了温度传感器值检测温度的客观性和可信度。
附图说明
图1为本发明参数采集与控制平台结构图;
图2为本发明温度智能能控制子系统;
图3为本发明温度检测模块;
图4为本发明检测节点功能图;
图5为本发明控制节点功能图;
图6为本发明网关节点功能图;
图7为本发明现场监控端软件功能图。
具体实施方式
结合附图1-7,对本发明技术方案作进一步描述:
一、系统总体功能的设计
本发明系统由参数采集与控制平台和温度智能能控制子系统两部分组成。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、远程监控计算机和手机APP,通过构建LoRa网络通信来实现检测节点、控制节点和网关节点之间的LoRa网络通信;检测节点将检测的环境温度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、远程监控端和手机App之间实现环境温度参数和相关控制信息的双向传输,手机APP通过云平台提供的环境温度信息可实时监测环境温度参数。参数采集与控制平台见图1所示。
二、检测节点的设计
采用大量基于LoRa通信网络的检测节点1作为环境温度参数感知终端,检测节点通过LoRa通信网络实现检测节点、控制节点和网关节点之间的信息相互交互。检测节点采集环境多点温度参数的传感器和对应的信号调理电路、STM32微处理器和LoRa网络通信的SX1278射频模块;检测节点的软件主要实现LoRa网络通信和环境温度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4。
三、控制节点的设计
控制节点通过LoRa网络实现与检测节点、网关节点之间的信息相互交互,控制节点包括控制外部设备对应的4个数模转换电路、STM32微处理器、4个外部设备控制器和LoRa通信网络模块SX1278射频模块;4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和光照控制器。控制节点见图5。
四、网关节点设计
网关节点包括SX1278、NB-IoT模块、STM32单片机和RS232接口,网关节点包括SX1278射频模块实现与检测节点和控制节点之间通信的LoRa通信网络,NB-IoT模块实现网关与云平台之间的数据双向交互,RS232接口连接现场监控端实现网关与现场监控端之间的信息交互,网关节点见图6。
五、现场监控端软件设计
现场监控端是一台工业控制计算机,现场监控端主要实现对环境温度参数进行采集和温度参数进行控制,通过网关节点与检测节点、控制节点、云平台、远程监控计算机和手机APP之间信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理和温度智能能控制子系统。温度智能能控制子系统结构见图2。该管理软件选择了MicrosoftVisual++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7。温度智能控制子系统由NARX神经网络、PID型Adaline神经网络控制器、自调整因子模糊控制器、LSTM神经网络、Elman神经网络、2个按拍延迟线TDL和温度检测模块组成;温度智能控制子系统的设计过程如下:
1、NARX神经网络的设计
温度期望值和温度检测模块的输出分别作为NARX神经网络的对应输入,NARX神经网络输出与Elman神经网络输出的差值作为温度期望值的预测误差;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。
2、PID型Adaline神经网络控制器的设计
NARX神经网络输出与温度检测模块输出的差值作为温度期望值的误差,温度期望值的误差作为PID型Adaline神经网络控制器的输入,PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为LSTM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) (3)
其中x1(k)=e(k)为温度期望值的误差,为温度期望值的误差积分,x3(k)=[e(k)-e(k-1)]/T为温度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、自调整因子模糊控制器的设计
NARX神经网络输出与Elman神经网络输出的差值作为温度期望值的预测误差,温度期望值的预测误差和预测误差变化率作为自调整因子模糊控制器的输入;自调整因子模糊控制器由模糊控制和积分作用两部分并联组成,通过采用自调整因子来改变模糊控制器控制规则,使用更优的控制规则来进行控制,通过对自调整因子的调节从而提高模糊控制器的性能,当误差较大时,控制系统的主要任务是消除误差,这时使自调整因子取较大值尽快消除误差的存在;当误差比较小的时候,系统已经接近稳态,主要控制因素是使系统尽快稳定,系统的上升速度加快,为减小系统的超调,应突出对误差变化的控制作用,自调整因子应选取较小值;当系统响应接近期望值时,由于此时误差及其变化都较小,二者可取相同的权重。
4、LSTM神经网络的设计
PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为LSTM神经网络的对应输入,LSTM神经网络输出作为对应的按拍延迟线TDL输入和控制节点的温度控制器的输入;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PID型Adaline神经网络控制器和自调整因子模糊控制器的输出信息的加入或滤出;遗忘门能忘记需要丢掉的PID型Adaline神经网络控制器和自调整因子模糊控制器的输出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PID型Adaline神经网络控制器和自调整因子模糊控制器的输出信息。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PID型Adaline神经网络控制器和自调整因子模糊控制器的输出信息的变化,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PID型Adaline神经网络控制器和自调整因子模糊控制器的输出依赖信息,同时避免梯度消失问题。LSTM神经网络在神经元内部结构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PID型Adaline神经网络控制器和自调整因子模糊控制器的输出动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制PID型Adaline神经网络控制器和自调整因子模糊控制器的输出历史信息的使用。设输入PID型Adaline神经网络控制器和自调整因子模糊控制器的输出的时间序列值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (4)
ft=sigmoid(Whfht-1+WhfXt) (5)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (6)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (7)
ht=ot⊙tanh(ct) (8)
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。
5、Elman神经网络的设计
LSTM神经网络输出作为对应的按拍延迟线TDL输入,温度检测模块输出作为NARX神经网络的对应输入和对应的按拍延迟线TDL输入,2个TDL延迟输出作为Elman神经网络的输入,NARX神经网络输出与Elman神经网络输出的差值作为温度期望值的预测误差;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。为了有效地解决环境温度的逼近精度问题,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) (10)
6、温度检测模块的设计
温度检测模块由多个带时滞单元的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;温度检测模块的结构图见图3所示。
(1)、带时滞单元的Adaline神经网络模型设计
多个温度传感器感知被检测环境多点温度值分别作为对应的带时滞单元的Adaline神经网络模型的输入,多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入;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 Linear Element)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
多个带时滞单元的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模型输出的多组带时滞单元的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模型输出的多组带时滞单元的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神经网络预测模型的设计过程参照本专利的NARX神经网络的设计过程。
(4)、GM(1,1)灰色预测模型设计
2个按拍延迟线TDL输出分别作为对应的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神经网络模型的对应输入;GM(1,1)灰色预测模型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,不需要根据温度的二元联系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,温度的二元联系数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温度的二元联系数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,用以对温度的二元联系数进行预测。
(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神经网络模型输出的确定值a和波动值b分别作为对应的按拍延迟线TDL输入和二元联系数的BAM神经网络模型的对应输入,2个按拍延迟线TDL输出分别作为对应的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神经网络模型的对应输入,二元联系数的BAM神经网络模型输出被测量环境温度的确定值a和波动值b构成环境温度的二元联系数为a+bi,环境温度的确定值a和波动值b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神经网络模型输出作为温度检测模块输出的被测量环境温度的二元联系数值;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测环境温度的进一步预测,它具有联想记忆被检测环境温度的功能,自适应性能力强,并且预测被检测环境温度误差较小,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(15)。
BAM神经网络模型的输出为代表一段时间多个温度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构成在一段时间多个温度传感器输出的环境温度动态二元联系数值。
六、参数采集与控制平台的设计举例
根据被检测与控制环境的实际状况,系统布置了检测节点、控制节点、网关节点和现场监控端的平面布置安装图,其中检测节点的传感器根据检测的需要均衡布置在环境的各个方位,通过该系统实现对环境温度参数进行采集与控制的精确调节。
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 (3)
1.温度大数据物联网检测与智能控制系统,其特征在于:所述控制系统包括参数采集与控制平台和温度智能能控制子系统两部分,系统实现对环境温度检测和智能化控制;
所述温度智能控制子系统由NARX神经网络、PID型Adaline神经网络控制器、自调整因子模糊控制器、LSTM神经网络、Elman神经网络、按拍延迟线TDL和温度检测模块组成;温度期望值作为NARX神经网络的对应输入,NARX神经网络输出与Elman神经网络输出的差值作为温度期望值的预测误差,温度期望值的预测误差和预测误差变化率作为自调整因子模糊控制器的输入;NARX神经网络输出与温度检测模块输出的差值作为温度期望值的误差,温度期望值的误差作为PID型Adaline神经网络控制器的输入,PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为LSTM神经网络的对应输入,LSTM神经网络输出作为对应的按拍延迟线TDL输入和控制节点的温度控制器的输入,温度检测模块输出作为NARX神经网络的对应输入和对应的按拍延迟线TDL输入, TDL延迟输出作为Elman神经网络的输入,LSTM神经网络输出作为温度智能控制子系统输出的控制值;
所述温度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;
多个温度传感器感知被检测环境多点温度值分别作为对应的带时滞单元的Adaline神经网络模型的输入,多个带时滞单元的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模型输出的多组带时滞单元的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神经网络模型输出的确定值a和波动值b分别作为对应的按拍延迟线TDL输入和二元联系数的BAM神经网络模型的对应输入,2个按拍延迟线TDL输出分别作为对应的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神经网络模型的对应输入,二元联系数的BAM神经网络模型输出被测量环境温度的确定值a和波动值b构成环境温度的二元联系数为a+bi,环境温度的确定值a和波动值b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神经网络模型输出作为温度检测模块输出的被测量环境温度的二元联系数值。
2.根据权利要求1所述的温度大数据物联网检测与智能控制系统,其特征在于:所述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、远程监控计算机和手机APP组成。
3.根据权利要求2所述的温度大数据物联网检测与智能控制系统,其特征在于:所述检测节点采集环境温度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远程监控计算机进行Web可视化环境温度参数界面管理,对控制节点下指令实施环境远程控制,在云平台端存储温度数据和发布信息;手机APP通过云平台提供的环境温度信息可实时监测环境温度参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563343.5A CN114415503B (zh) | 2021-12-20 | 2021-12-20 | 温度大数据物联网检测与智能控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563343.5A CN114415503B (zh) | 2021-12-20 | 2021-12-20 | 温度大数据物联网检测与智能控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114415503A CN114415503A (zh) | 2022-04-29 |
CN114415503B true CN114415503B (zh) | 2023-06-06 |
Family
ID=81268032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111563343.5A Active CN114415503B (zh) | 2021-12-20 | 2021-12-20 | 温度大数据物联网检测与智能控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415503B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115016276B (zh) * | 2022-06-17 | 2023-06-30 | 淮阴工学院 | 智能水分调节与环境参数物联网大数据系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999013385A1 (es) * | 1997-09-05 | 1999-03-18 | Communaute Europeenne (Ce) | Sistema neuronal de control predictivo no lineal |
CN113065749A (zh) * | 2021-03-17 | 2021-07-02 | 淮阴工学院 | 一种建筑材料的养护室环境智能系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020246631A1 (ko) * | 2019-06-04 | 2020-12-10 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
CN112911533B (zh) * | 2021-01-13 | 2022-06-14 | 淮阴工学院 | 一种基于移动端App的温度检测系统 |
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 |
CN113126676B (zh) * | 2021-03-17 | 2022-05-27 | 淮阴工学院 | 一种畜禽舍养殖环境参数智能控制系统 |
-
2021
- 2021-12-20 CN CN202111563343.5A patent/CN114415503B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999013385A1 (es) * | 1997-09-05 | 1999-03-18 | Communaute Europeenne (Ce) | Sistema neuronal de control predictivo no lineal |
CN113065749A (zh) * | 2021-03-17 | 2021-07-02 | 淮阴工学院 | 一种建筑材料的养护室环境智能系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114415503A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114397043B (zh) | 多点温度智能检测系统 | |
Han et al. | Adaptive computation algorithm for RBF neural network | |
CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
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 | |
CN112712189B (zh) | 一种供热需求负荷预测方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
CN114742278A (zh) | 一种基于改进lstm的建筑能耗预测方法及系统 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN114415503B (zh) | 温度大数据物联网检测与智能控制系统 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN113591957B (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
CN117221352A (zh) | 物联网数据采集与智能化的大数据处理方法及云平台系统 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN114397809B (zh) | 物料称重大数据检测与包装智能控制系统 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
CN114386672A (zh) | 环境大数据物联网智能检测系统 | |
Guolian et al. | Multiple-model predictive control based on fuzzy adaptive weights and its application to main-steam temperature in power plant | |
Sedano et al. | Learning and training techniques in fuzzy control for energy efficiency in buildings |
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 |