CN114995248A - 智能养护与环境参数大数据物联网系统 - Google Patents
智能养护与环境参数大数据物联网系统 Download PDFInfo
- Publication number
- CN114995248A CN114995248A CN202210694449.7A CN202210694449A CN114995248A CN 114995248 A CN114995248 A CN 114995248A CN 202210694449 A CN202210694449 A CN 202210694449A CN 114995248 A CN114995248 A CN 114995248A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- parameter
- output
- input
- 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- Withdrawn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
- 238000012423 maintenance Methods 0.000 title claims abstract description 83
- 230000007613 environmental effect Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 175
- 238000013527 convolutional neural network Methods 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 44
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000000306 recurrent effect Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 230000007175 bidirectional communication Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 49
- 238000013461 design Methods 0.000 description 20
- 210000002569 neuron Anatomy 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000012938 design process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- G05B19/0423—Input/output
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
-
- 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
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
-
- 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
- Y02P90/80—Management or planning
Abstract
本发明公开了智能养护与环境参数大数据物联网系统,由参数采集与控制平台和参数大数据处理与养护控制子系统两部分组成,参数采集与控制平台实现对环境与养护区域的参数检测和监控;参数大数据处理与养护控制子系统实现对采集参数进行处理与智能化调节;本发明有效解决了没有根据环境参数变化的非线性、大滞后和环境面积大复杂等对养护区域的影响,没有对环境和养护区域参数进行精确检测与调节,从而极大的养护区域的生产效益和效率问题。
Description
技术领域
本发明涉及环境参数大数据检测与处理和自动化养护装备的技术领域,具体涉及一种智能养护与环境参数大数据物联网系统。
背景技术
随着信息技术和自动化技术在不断发展,国内外的智能养护技术也已经逐渐发展起来,智能化养护装置在工农业生产、材料质量控制、建筑施工、建筑混凝土等智能化养护方面都有广泛应用,可以根据实际需求调节养护区域环境参数,解决养护过程中的人工干预,即实现环境参数的自动监测和自动化养护从而使养护区域的环境参数符合养殖对象的要求,提高养护区域的生产效益和效率。应用物联网技术和智能控制技术发明智能养护与环境参数大数据物联网系统,该系统能自动识别被养护对象与环境参数状况,根据不同的养护阶段自动调整其养护区域参数,实现养护过程的智能化与自动化的管理,突破了原始养护中的只能通过人工观测来判别养护对象状况的局限,摆脱了养护需要高度专业化的养护知识的限制,降低了养护的成本,能够提高养护的成功率,减轻养护的工作量,可以大大降低人力、物力的投入,从而提高养护对象品质。
发明内容
本发明提供一种智能养护与环境参数大数据物联网系统,本发明有效解决了没有根据环境参数变化的非线性、大滞后和环境面积大复杂等对养护区域的影响,没有对环境和养护区域参数进行精确检测与调节,从而极大的养护区域的生产效益和效率问题。
本发明通过以下技术方案实现:
智能养护与环境参数大数据物联网系统由参数采集与控制平台和参数大数据处理与养护控制子系统两部分组成,参数采集与控制平台实现对环境与养护区域的参数检测和监控;参数大数据处理与养护控制子系统实现对采集参数进行处理与智能化调节,提高养护区域的生产管理效率和效益。
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、云平台和移动端App组成,检测节点采集环境和养护区域的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移动端App,移动端App通过云平台提供的信息可实时监测环境与养护区域的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环境与养护区域的参数和调节控制节点的外部设备,通过网关节点和云平台实现检测节点、控制节点、现场监控端和移动端App之间的双向通信,实现环境与养护区域的参数采集和控制节点的设备控制;参数采集与控制平台结构如图1所示。
本发明进一步技术改进方案是:
参数大数据处理与养护控制子系统由环境检测模块、NARX神经网络模型、控制模块、参数自调整因子模糊控制器、AANN自联想神经网络模型、参数检测模块和HRNN模糊递归神经网络模型组成,环境检测模块输出、AANN自联想神经网络模型输出和湿度设定值作为NARX神经网络模型的对应输入,NARX神经网络模型输出与对应的多个参数检测模块输出的误差和误差变化率分别作为对应的多个控制模块的输入,多个参数检测模块输出作为AANN自联想神经网络模型的对应输入,AANN自联想神经网络模型输出与多个对应的参数检测模块输出的误差和误差变化率分别作为多个对应的参数自调整因子模糊控制器的输入,控制模块和参数自调整因子模糊控制器的输出分别作为多个对应的HRNN模糊递归神经网络模型的输入,HRNN模糊递归神经网络模型输出分别作为多个对应的养护装置的输入,养护装置输出调节多个对应的被养护区域的温度和湿度,每个养护区域布置的多个温度和湿度传感器作为对应的参数检测模块的输入。参数大数据处理与养护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:
控制模块由PI控制器、PID控制器和LSTM神经网络控制器组成,被控制参数的误差和误差变化率分别作为PI控制器和PID控制器的输入,PI控制器和PID控制器输出分别作为LSTM神经网络控制器对应的输入,LSTM神经网络控制器输出作为控制模块的输出。控制模块结构见图3所示。
本发明进一步技术改进方案是:
环境检测模块LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型、Vague集的模糊小波神经网络模型组成;环境温度、湿度和风速传感器输出分别作为LSTM神经网络模型和Adaline神经网络模型的对应输入,LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境等级波动值,时间序列环境等级波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵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IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,Adaline神经网络模型和CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入,Vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f,x为被检测环境等级的实数值,t为可信度,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测环境等级Vague集的数值为[x,(t,1-f)]。环境检测模块结构见图4所示。
本发明进一步技术改进方案是:
参数检测模块由LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型、Vague集的模糊小波神经网络模型、按拍延迟线TDL和HRNN模糊递归神经网络模型组成;多个参数传感器感知被检测环境的时间序列参数值分别作为LSTM神经网络模型和Adaline神经网络模型的输入,LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境的参数波动值,时间序列参数波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵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IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,Adaline神经网络模型和CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入,Vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测参数的Vague集数值为[x,(t,1-f)],Vague集的模糊小波神经网络模型输出作为按拍延迟线TDL输入,按拍延迟线TDL输出作为HRNN模糊递归神经网络模型输入,HRNN模糊递归神经网络模型输出作为参数检测模块输出。参数检测模块结构见图5所示。
本发明与现有技术相比,具有以下明显优点:
一、本发明针对参数测量过程中,参数传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性,本发明专利通过分别通过环境检测模块和参数检测模块将多个参数传感器输出值转化为Vague集的模糊小波神经网络模型形式,它们有效地处理了多个参数传感器测量值的模糊性、动态性和不确定性,提高了参数传感器检测被测量参数的客观性和可信度。
二、本发明采用的本发明LSTM神经网络控制器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PI控制器和PID控制器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被PI控制器和PID控制器输出长期相关性的信息。此外,由于PI控制器和PID控制器输出的采样间隔相对较小,PI控制器和PID控制器输出参数存在长期空间和时间上的相关性,而LSTM神经网络控制器有足够的长期记忆来处理PI控制器和PID控制器输出参数之间的时空关系,提高LSTM神经网络控制器鲁棒性和准确性和鲁棒性。
三、本发明变分模态分解模型能将时间序列参数波动值分解为一系列本征模态函数IMF,并不断迭代更新每个分量的中心频率和频段带宽,分离原始时间序列参数波动值的自适应频率成分,提取包含时间序列参数波动值的特征频率分量,变分模态分解模型可以有效地克服模态混叠问题实现对时间序列参数波动值的去噪,去噪后的时间序列参数波动值演变曲线密集的峰刺特征消失并逐渐变得平滑,变分模态分解模型提高处理时间序列参数波动值的精确性和鲁棒性。
四、本发明CNN卷积-NARX神经网络模型中,CNN卷积神经网络是一种深度前馈神经网络,其典型结构由输入层、卷积层、池化层与全连接层构成,CNN卷积神经网络是对输入数据上进行卷积和池化等操作,通过建立多个滤波器来提取数据的局部特征,得到具有平移旋转不变性的鲁棒特征。NARX神经网络模型输入包括一段时间的CNN卷积神经网络输出和NARX神经网络模型输出历史反馈,这部分反馈输入可以认为包含了CNN卷积神经网络输出一段时间的历史信息参的预测,NARX神经网络模型是一种能够有效对CNN卷积神经网络输出的非线性、非平稳时间序列进行预测的动态神经网络模型,能够在时间序列非平稳性降低的情况下提高对CNN卷积神经网络输出时间序列的预测精度;NARX神经网络模型由于通过引入延时模块及输出反馈建立模型的动态递归网络,它将CNN卷积神经网络输出和NARX神经网络模型输出向量延时反馈引入网络训练中,形成新的输入向量,具有良好的非线性映射能力,NARX神经网络模型的输入不仅包括原始CNN卷积神经网络输出数据,还包含经过训练后的NARX神经网络模型输出数据,网络的泛化能力得到提高,使其在非线性被检测参数的时间序列预测中较传统的静态神经网络有高的精确度和鲁棒性。
五、本发明提出的Vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数预测值的实数值,t为可信度,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测参数预测值的Vague集的数值为[x,(t,1-f)],具有以任意精度逼近任意线性和非线性函数的功能,并且收敛速度快,样本需要量少,模型运算速度快,结果可靠,取得好效果。
附图说明
图1为本发明的参数采集与控制平台;
图2为本发明的参数大数据处理与控制子系统;
图3为本发明的控制模块;
图4为本发明的环境检测模块;
图5为本发明的参数检测模块;
图6为本发明的检测节点;
图7为本发明的控制节点;
图8为本发明的网关节点;
图9为本发明的现场监控端软件。
具体实施方式
结合附图1-9,对本发明技术方案作进一步描述:
一、系统总体功能设计
本发明智能养护与环境参数大数据物联网系统实现对环境与养护区域的参数进行检测、处理和调节,该系统由参数采集与控制平台和参数大数据处理与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LoRa监控网络来实现检测节点、控制节点和网关节点之间的LoRa通信;检测节点将检测的环境与养护区域的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之间参数和控制信息的双向传输。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LoRa传感器网络的检测节点作为环境与养护区域的参数感知终端,检测节点通过自组织LoRa网络实现网关节点之间的信息相互交互。检测节点包括采集环境湿度、温度、风速参数的传感器和对应的信号调理电路、养护区域的湿度与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通信模块SX1278;检测节点的软件主要实现LoRa通信和环境与养护区域的参数采集与预处理。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6。
三、控制节点的设计
控制节点通过自组织LoRa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通信模块SX1278;4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和养护装置控制器。控制节点结构见图7。
四、网关节点设计
网关节点包括SX1278模块、NB-IoT模块、STM32单片机和RS232接口,网关节点包括SX1278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模块实现网关节点与云平台之间的数据双向交互,RS232接口连接现场监控端,实现网关节点与现场监控端之间的信息交互。网关节点结构见图8。
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3主要实现对环境参数进行采集、处理和监控,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、养护区域参数的调节。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9。参数大数据处理与养护控制子系统由环境检测模块、NARX神经网络模型、控制模块、参数自调整因子模糊控制器、AANN自联想神经网络模型、参数检测模块和HRNN模糊递归神经网络模型组成。
参数大数据处理与养护控制子系统的设计过程如下:
1、NARX神经网络模型设计
环境检测模块输出、AANN自联想神经网络模型输出和湿度设定值作为NARX神经网络模型的对应输入,NARX神经网络模型输出与对应的多个参数检测模块输出的误差和误差变化率分别作为对应的多个控制模块的输入;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。NARX神经网络模型第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:
2、环境检测模块设计
环境检测模块LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型、Vague集的模糊小波神经网络模型组成。
(1)、LSTM神经网络模型设计
环境温度、湿度和风速传感器输出分别作为LSTM神经网络模型和Adaline神经网络模型的对应输入,LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境等级波动值;LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(CellState)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(OutputGate)。其中,输入门能控制环境温度、湿度和风速新信息的加入或滤出;遗忘门能忘记需要丢掉的环境温度、湿度和风速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环境温度、湿度和风速检测信息。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神经网络模型是可以持续较长时间短期记忆模型适合用预测时间序列环境温度、湿度和风速输入量的变化,LSTM神经网络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检测环境温度、湿度和风速依赖信息,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检测环境温度、湿度和风速的动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制检测环境温度、湿度和风速历史信息的使用。设输入为检测环境温度、湿度和风速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) (3)
ft=sigmoid(Whfht-1+WhfXt) (4)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (5)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (6)
ht=ot⊙tanh(ct) (7)
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,LSTM神经网络模型输出为被检测环境等级非线性值。
(2)、Adaline神经网络模型设计
环境温度、湿度和风速传感器输出分别作为LSTM神经网络模型和Adaline神经网络模型的对应输入,LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境等级波动值;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,Adaline神经网络模型输出被检测环境的等级线性值。
(3)、变分模态分解模型设计
时间序列环境等级波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵作为减法聚类分类器的输入;变分模态分解模型是一种自适应、非递归的信号时频分析方法,可将时间序列环境等级波动值信号分解为若干个环境等级波动值的子信号,即IMF分量uk,并使所有IMF分量的带宽和最小,uk是调幅调频函数可表示为:
uk(t)=Akcos[φk(t)] (9)
式中φk(t)为非递减函数,Ak(t)为包络线,构造约束变分问题求解uk,对该变分问题求解引入二次惩罚项和拉格朗日乘子,使其变为无约束问题。变分模态分解模型可将待分解的时间序列环境等级波动值信号分解为若干个IMF分量。能量熵值可衡量时间序列环境等级波动的规律程度,表示时间序列环境等级波动信号在不同频带的能量特征,在时间序列环境等级波动值发生突变,能量也会变化,定义第m个IMF分量的能量为:
式中xm(i)为时间序列环境等级波动信号样本分解后的第m个分量,n为采样点数,第m个IMF分量的能量熵为:
(4)、减法聚类分类器设计
多个IMF分量能量熵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IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入;IMF分量能量熵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IMF分量能量熵样本数据密度即可快速确定IMF分量能量熵聚类中心的位置和聚类数,而它把每一个IMF分量能量熵数据点作为一个潜在的聚类中心的特性,使得IMF分量能量熵聚类的结果与问题的维数无关。因此,IMF分量能量熵减法聚类算法是一种适合IMF分量能量熵数据建模的规则自动提取方法。设定m维空间中的N个IMF分量能量熵数据点(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 (14)
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下:如果一个IMF分量能量熵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IMF分量能量熵空间数据的不断增加,本发明算法通过实时动态的调整IMF分量能量熵聚类中心与聚类个数获得更好的输入空间划分,IMF分量能量熵减法聚类实现对IMF分量能量熵历史数据进行分类,每一类IMF分量能量熵输入各自对应的CNN卷积-NARX神经网络模型来预测环境等级波动未来值。
(5)、CNN卷积-NARX神经网络模型设计
减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,Adaline神经网络模型和CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入;CNN卷积-NARX神经网络模型为CNN卷积神经网络的输出作为NARX神经网络模型的输入,CNN卷积神经网络模型能够直接从大量的时间序列环境等级波动值的IMF分量能量熵值中自动挖掘提取出表征时间序列环境等级波动值的敏感空间特征,CNN卷积神经网络模型结构主要包括4个部分:①输入层(Input)。输入层即为CNN卷积神经网络模型的输入,一般将时间序列环境等级波动值的IMF分量能量熵直接输入。②卷积层(Conv)。由于输入层数据维度较大,CNN卷积神经网络模型难以直接全面感知所有时间序列环境等级波动值的IMF分量能量熵输入信息,需要将输入数据分为若干部分进行局部感知,再通过权值共享得到全局信息,同时降低CNN卷积神经网络模型结构的复杂度,这一过程即卷积层的主要功能,具体流程是利用特定尺寸的卷积核以固定步长对时间序列环境等级波动值的IMF分量能量熵输入信号进行遍历和卷积运算,从而实现对时间序列环境等级波动值的IMF分量能量熵输入信号敏感特征的挖掘与提取。③池化层(Pool,又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大,需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合,因此,在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性,采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后,时间序列环境等级波动值的IMF分量能量熵特征提取数据进入到全连接层,该层中的每个神经层与其前一层的所有神经元进行全连接,将卷积层和池化层提取到的时间序列环境等级波动值的IMF分量能量熵值的局部特征信息进行整合。同时,为避免过拟合现象,在该层中加入丢失数据(dropout)技术,经过最后一层全连接层的输出值会传递到输出层,将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层并作为NARX神经网络模型的输入,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。NARX神经网络模型第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:
(6)、Vague集的模糊小波神经网络模型设计
Adaline神经网络模型和CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入,本专利应用模糊神经网络进行模糊推理,并结合小波的多分辨分析的特点,将小波函数作为神经网络神经元的激励函数,构建Vague集的模糊小波网络(Fuzzy Wavelet Network,FWNN)模型。这种基于FWNN具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性,Vague集的模糊小波神经网络模型包含两部分:模糊神经网络(FNN)和小波神经网络(WNN)。Vague集的模糊神经网络包含4个基本层:第一层是输入层,每个输入向量对应一个神经元;第二层的每个神经元代表一个语言变量值;第三层的每个神经元代表一条模糊规则;第四层是归一化层。模糊神经网络的输入作为小波神经网络的输入,每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组,因此,不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征,不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点,若用小波函数作为神经网络神经元的激励函数,则由于每个神经元的伸缩和平移都可以调节,选用低尺度参数可以学习光滑函数,提高尺度能以较高精度学习局部奇异函数,比相同神经元数和参数的ANN精度高。本专利的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现,各层神经网络节点数目分别是n,n×M,M,M和3。一旦决定了输入n和规则M的数目,就决定了FWNN模型的结构。其中Vague集的模糊小波神经网络的输入为X=[x1,x2,…xn],Ti是第i个规则对应的小波数量;wik是权值系数;是小波函数,是规则i对应的局部模型小波网络线性组合的输出值是:
第一层为输入层:该层的各个节点直接与输入向量的各分量xj连接,将输入值X=[x1,x2,…xn]传递到下一层;第二层计算每一个输入变量对应的隶属函数值;第三层计算每条规则的适用度;第四层是小波网络层输出,主要用于输出补偿;第五层为控制信号输出层,也称反模糊化层,在这一层进行解模糊计算,Vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f,x为被检测环境等级的实数值,t为可信度,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测环境等级Vague集的数值为[x,(t,1-f)],Vague集的模糊小波神经网络模型输出作为环境检测模块的输出。
3、控制模块设计
NARX神经网络模型输出与对应的多个参数检测模块输出的误差和误差变化率分别作为对应的多个控制模块的输入,控制模块由PI控制器、PID控制器和LSTM神经网络控制器组成,被控制参数的误差和误差变化率分别作为PI控制器和PID控制器的输入,PI控制器和PID控制器输出分别作为LSTM神经网络控制器输入,LSTM神经网络控制器输出作为控制模块的输出。其中LSTM神经网络控制器的设计方法参照本专利的LSTM神经网络模型设计过程。
4、参数自调整因子模糊控制器设计
AANN自联想神经网络模型输出与多个对应的参数检测模块输出的误差和误差变化率分别作为多个对应的参数自调整因子模糊控制器的输入,控制模块和参数自调整因子模糊控制器的输出分别作为多个对应的HRNN模糊递归神经网络模型的输入;参数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。
5、参数检测模块设计
参数检测模块由LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型、Vague集的模糊小波神经网络模型、按拍延迟线TDL和HRNN模糊递归神经网络模型组成;其中LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型、Vague集的模糊小波神经网络模型参照本专利的环境检测模块中对应的模型设计过程,HRNN模糊递归神经网络模型参照本专利的HRNN模糊递归神经网络模型设计过程。
6、AANN自联想神经网络模型设计
多个参数检测模块输出作为AANN自联想神经网络模型的对应输入,AANN自联想神经网络模型输出与多个对应的参数检测模块输出的误差和误差变化率分别作为多个对应的参数自调整因子模糊控制器的输入;AANN自联想神经网络模型是一种特殊结构的前馈自联想自联想神经网(Auto-associative neural networ,AANN),AANN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。首先通过环境参数的输入层、映射层以及瓶颈层实现了输入数据信息的压缩,从环境参数输入的高维参数空间中提取了反映环境参数系统结构的最具代表性的低维子空间,同时有效地滤去了环境参数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环境参数的解压缩,将前面压缩的信息还原到各个参数值,从而实现各环境参数输入数据的重构。为了达到环境参数信息压缩的目的,AANN自联想神经网络络模型瓶颈层节点数目明显小于输入层,又为了防止形成环境参数的输入与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,AANN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,它使网络对环境参数信号进行编码和压缩得到输入传感器数据的相关模型,并在瓶颈层后进行环境参数解码和解压缩以产生环境参数输入信号的估计值;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。
7、HRNN模糊递归神经网络模型设计
控制模块和参数自调整因子模糊控制器的输出分别作为多个对应的HRNN模糊递归神经网络模型的输入,HRNN模糊递归神经网络模型输出分别作为多个对应的养护装置的输入,养护装置输出调节多个对应的被养护区域的温度和湿度,每个养护区域布置的多个温度和湿度传感器作为对应的参数检测模块的输入。HRFNN模糊递归神经网络模型是多输入单输出的网络拓扑结构,网络由4层组成:输入层、成员函数层、规则层和输出层。网络包含n个输入节点,其中每个输入节点对应m个条件节点,m代表规则数,nm个规则节点,1个输出节点。第I层将输入引入网络;第II层将输入模糊化,采用的隶属函数为高斯函数;第III层对应模糊推理;第IV层对应去模糊化操作。用分别代表第k层的第i个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第I层:输入层,该层的各输入节点直接与输入变量相连接,网络的输入和输出表示为:
式中mij和σij分别表示第II层第i个语言变量的第j项高斯基函数的均值中心和宽度值,m为对应输入节点的全部语言变量数。第III层:模糊推理层,即规则层,加入动态反馈,使网络具有更好的学习效率,反馈环节引入内部变量hk,选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为:
式中ωjk是递归部分的连接权值,该层的神经元代表了模糊逻辑规则的前件部分,该层节点对第二层的输出量和第三层的反馈量进行Π操作,是第三层的输出量,m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量,包含两种类型的节点:承接节点,反馈节点。承接节点,使用加权求和来计算内部变量,实现去模糊化的功能;内部变量表示的隐藏规则的模糊推理的结果。反馈节点,采用sigmoid函数作为模糊隶属度函数,实现内部变量的模糊化。第IV层:去模糊化层,即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为:
公式中λj是输出层的连接权值。递归神经网络具有逼近高度非线性动态系统的性能,加入内部变量的递归神经网络的训练误差和测试误差分别为明显减少,本专利的HRFNN模糊递归神经网络模型,并采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN模糊递归神经网络通过在反馈环节引入内部变量,将规则层的输出量加权求和后再反模糊化输出作为反馈量,并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。HRFNN模糊递归神经网络输出包含规则层激活强度和输出的历史信息,增强了HRFNN模糊递归神经网络适应非线性动态系统的能力。
六、参数采集与控制平台的设计举例
根据环境与养护区域的大数据检测与控制子系统的实际状况,系统布置了参数采集与控制平台的检测节点、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与养护区域的各个方位,通过该系统实现对环境与养护区域参数进行采集和控制。
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 (8)
1.智能养护与环境参数大数据物联网系统,其特征在于:系统由参数采集与控制平台和参数大数据处理与养护控制子系统两部分组成,参数采集与控制平台实现对环境与养护区域的参数检测和监控;参数大数据处理与养护控制子系统实现对采集参数进行处理与智能化调节;
所述参数大数据处理与养护控制子系统由环境检测模块、NARX神经网络模型、控制模块、参数自调整因子模糊控制器、AANN自联想神经网络模型、参数检测模块以及HRNN模糊递归神经网络模型组成;
所述环境检测模块输出、AANN自联想神经网络模型输出和湿度设定值作为NARX神经网络模型的对应输入,NARX神经网络模型输出与对应的多个参数检测模块输出的误差和误差变化率分别作为对应的多个控制模块的输入,多个参数检测模块输出作为AANN自联想神经网络模型的对应输入,AANN自联想神经网络模型输出与多个对应的参数检测模块输出的误差和误差变化率分别作为多个对应的参数自调整因子模糊控制器的输入,控制模块和参数自调整因子模糊控制器的输出分别作为多个对应的HRNN模糊递归神经网络模型的输入,HRNN模糊递归神经网络模型输出分别作为多个对应的养护装置的输入,养护装置输出调节多个对应的被养护区域的温度和湿度,每个养护区域布置的多个温度和湿度传感器作为对应的参数检测模块的输入。
2.根据权利要求1所述的智能养护与环境参数大数据物联网系统,其特征在于:所述参数检测模块由LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型、Vague集的模糊小波神经网络模型、按拍延迟线TDL以及HRNN模糊递归神经网络模型组成。
3.根据权利要求2所述的智能养护与环境参数大数据物联网系统,其特征在于:多个参数传感器感知被检测环境的时间序列参数值分别作为LSTM神经网络模型和Adaline神经网络模型的输入,LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境的参数波动值,时间序列参数波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵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IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,Adaline神经网络模型和CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入,Vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,1-f为可信度和不确定度和,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测参数的Vague集数值为[x,(t,1-f)],Vague集的模糊小波神经网络模型输出作为按拍延迟线TDL输入,按拍延迟线TDL输出作为HRNN模糊递归神经网络模型输入,HRNN模糊递归神经网络模型输出作为参数检测模块输出。
4.根据权利要求1所述的智能养护与环境参数大数据物联网系统,其特征在于:所述控制模块由PI控制器、PID控制器和LSTM神经网络控制器组成,被控制参数的误差和误差变化率分别作为PI控制器和PID控制器的输入,PT控制器和PID控制器输出分别作为LSTM神经网络控制器对应的输入,LSTM神经网络控制器输出作为控制模块的输出。
5.根据权利要求1所述的智能养护与环境参数大数据物联网系统,其特征在于:所述环境检测模块由LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型、Vague集的模糊小波神经网络模型组成。
6.根据权利要求5所述的智能养护与环境参数大数据物联网系统,其特征在于:环境温度、湿度和风速传感器输出分别作为LSTM神经网络模型和Adaline神经网络模型的对应输入,LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境等级波动值,时间序列环境等级波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵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IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,Adaline神经网络模型和CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入,Vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f,x为被检测环境等级的实数值,t为可信度,1-f为可信度和不确定度和,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测环境等级Vague集的数值为[x,(t,1-f)]。
7.根据权利要求1所述的智能养护与环境参数大数据物联网系统,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、云平台和移动端App组成。
8.根据权利要求7所述的智能养护与环境参数大数据物联网系统,其特征在于:所述检测节点采集环境和养护区域的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移动端App,移动端App通过云平台提供的信息可实时监测环境与养护区域的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环境与养护区域的参数和调节控制节点的外部备,通过网关节点和云平台实现检测节点、控制节点、现场监控端移动端App之间的双向通信,实现环境与养护区域的参数采集和调节控制节点的外部设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694449.7A CN114995248A (zh) | 2022-06-17 | 2022-06-17 | 智能养护与环境参数大数据物联网系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694449.7A CN114995248A (zh) | 2022-06-17 | 2022-06-17 | 智能养护与环境参数大数据物联网系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114995248A true CN114995248A (zh) | 2022-09-02 |
Family
ID=83034589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210694449.7A Withdrawn CN114995248A (zh) | 2022-06-17 | 2022-06-17 | 智能养护与环境参数大数据物联网系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114995248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905938A (zh) * | 2022-10-24 | 2023-04-04 | 淮阴工学院 | 基于物联网储罐安全监测方法及系统 |
-
2022
- 2022-06-17 CN CN202210694449.7A patent/CN114995248A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905938A (zh) * | 2022-10-24 | 2023-04-04 | 淮阴工学院 | 基于物联网储罐安全监测方法及系统 |
CN115905938B (zh) * | 2022-10-24 | 2024-04-05 | 淮阴工学院 | 基于物联网储罐安全监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
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 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
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 | |
CN112904756A (zh) | 一种管网大数据检测系统 | |
CN115759461A (zh) | 一种面向物联网的多元时间序列预测方法及系统 | |
CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
CN112903929A (zh) | 一种食品质量检测系统 | |
CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
CN112911533A (zh) | 一种基于移动端App的温度检测系统 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN114399024B (zh) | 油气浓度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 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN114415503B (zh) | 温度大数据物联网检测与智能控制系统 | |
CN114390376B (zh) | 火灾大数据远程探测与预警系统 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 |
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: 20220902 |
|
WW01 | Invention patent application withdrawn after publication |