CN115407812A - 一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 - Google Patents
一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115407812A CN115407812A CN202210982155.4A CN202210982155A CN115407812A CN 115407812 A CN115407812 A CN 115407812A CN 202210982155 A CN202210982155 A CN 202210982155A CN 115407812 A CN115407812 A CN 115407812A
- Authority
- CN
- China
- Prior art keywords
- industrial environment
- temperature
- layer
- control
- humidity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 20
- 210000004027 cell Anatomy 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 230000001413 cellular effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质，属于自动控制领域，所述的系统包括工业环境感知层、数据传输层、系统应用层、控制执行层。本发明能够自动的采集工业环境中的温湿度变化，并将温湿度变化记录在案，也能够根据预先设定好的温湿度变化范围，对工业环境的中的温湿度控制设备进行精确化控制，相当于现有的设备，本发明不需要进行大量的改造，适用范围广，成本低。
Description
技术领域
本发明属于自动控制领域，更具体的说涉及一种工业环境温湿度无线监控系统及控制方法。
背景技术
我国有数量庞大的各类型工厂，工厂里有各类加工生产设备，设备的工况将直接决定生产出的产品的质量，而设备工况可由其物理参数的变化反映出来，例如通过传感器测量设备的温湿度信息从而了解设备的运行情况。
传统的工业环境温湿度控制主要有两种方式，其一为，通过在工业场所的温湿度控制设备上，例如空调机上设置固定的温度。这一种方式的缺点在于，由于设置的温湿度固定，在工业场所环境温度变化，以及机器设备产生的温度变化后，会导致控制精度不高，控制效率低下。其二，通过远程网络对工业现场的温湿度进行人工调配控制。该控制方式虽然是远程控制，但是控制还是采取人为的温度设置值来进行控制。也会导致整个工业场所的温度不均衡，控制效率低。
现在需要一种能够自动感应工业环境温湿度，并且结合工业环境内外部的温湿度情况，加上工业环境中机器散发的热量值，来进行综合判断，然后通过数学建模的方法，结合PID控制模式，对工业场所的温湿度进行精确控制，提高控制效率。
发明内容
本发明通过远程无线网络采集工业环境温湿度，建立工业环境温湿度变化模型，将温湿度变化模型结合PID自动控制方法，对工业环境温湿度进行控制，提高温湿度的控制效率以及控制精度，也能够节约能耗，降低生产成本。
为了实现上述目的，本发明是采用以下技术方案实现的：
所述的系统包括工业环境感知层、数据传输层、系统应用层、控制执行层；
所述的工业环境感知层为多个无线模拟量数采装置、协调器以及路由器，用于采集工业环境中多个点位的温湿度数据，将采集到的的数据通过协调器进行数据协调，在通过路由器进行转发；
所述的数据传输层以局域网和互联网为基础，实现不同应用层和远程用户之间对工业环境感知层数据的获取，现场局域网主要采用的是ZigBee协议自组网，而远程广域网络采用的是互联网传输技术，通过浏览Web网页便可以随时获得工业环境变化的实时消息；
所述的系统应用层主要是对工业环境感知层协调器发送至上位机的数据进行模糊自适应PID控制算法的处理，并将处理过的信息编成控制命令再下发到控制执行层中，为工业环境的智能监控提供基础；
所述的控制执行层是对工业环境执行机构启动的控制，采用继电器控制方式，继电器对系统进行主动控制和被动控制，上位机将采集到的数据进行处理后，形成相应的控制指令，并发送至控制节点，再通过ZigBee通信接收控制命令，实现对工业环境控制设备的控制操作。
优选的，所述的无线模拟量数采装置包括传感器模块、显示屏、控制器、电源模块、AD转换模块、无线通信模块，所述的传感器模块输出端与AD转换模块连接，AD转换模块输出端与控制器输入端连接，控制器输出端与显示屏、无线通信模块连接；所述的电源模块采用18650可充电锂电池，为整个装置提供电力，按键模块与控制器连接，用于选择控制模式以及其他辅助功能设置，显示屏用于显示当前数据以及电量等信息；无线通信模块与控制器共用一个CC2530芯片。
优选的，所述的协调器用于协调各网络之间的构建，具有传输网络通信坐标、管理网络节点的数据信息、对网络节点信息进行存储与修改以及为相互连接的节点提供路由信息功能，同时，协调器还能够存储节点数据设备的运行情况、数据转发的使用情况以及设备相互连接后所建立的关联表变化情况的基本信息，所述的ZigBee通信的网络当中含有两个不同功能的协调器装置。
一种工业环境温湿度控制方法，所述的控制方法适用于工业环境温湿度无线监控系统，所述的控制方法采用以下步骤实现；
步骤1、建立工业环境温湿度模型；
步骤2、对步骤1建立的工业环境温湿度模型进行优化；
步骤3、通过采集的数据对工业环境进行模糊自适应PID控制。
优选的，所述的步骤1、建立工业环境温湿度模型如下：
所述的温湿度模型采用基于LSTM的工业环境温湿度模块，
所述的预测模型由时序数据输入层、隐含层和输出层组成；输入层负责接收采集到的工业环境内部温度、相对湿度历史数据，工业环境外部的温度、相对湿度、通风率，以及工业环境中设备产生的热量和湿度数据，并将其进行标准化处理，标准化处理公式如下：
z′i—标准化后的数据；
zi一输人的时序数据；
n—时序序列数据的长度；
标准化后的工业环境内部温度和相对湿度历史数据转换成时序序列X1和X2，工业环境内部温度和相对湿度的外部影响因素被标准化处理后参与完全连接层的运算，输入层节点数量为2t,t为工业环境内部温度和相对湿度历史时序序列长度；
隐含层包含LSTM、完全连接和回归3个子层，LSTM子层负责学习时间序列数据每步之间的长期依赖关系,以执行有助于改善长序列梯度流的交互，LSTM子层由元胞状态c、隐含状态h、输入门i、遗忘门f、候选门g和输出门o组成；
在每一步的学习中，LSTM子层将从元胞状态c中加入或删除信息，每一步的隐含状态h都包含上步LSTM层的输出信息，为了使信息能够更好地更新,LSTM层增加了输入门i遗忘门f元胞候选门g和输出门o，输入门i决定元胞的更新程度,遗忘门f决定元胞状态的重置水平,候选门g负责向元胞中加入一些新的信息,输出门o决定将有多少元胞信息加入隐含状态；
每一步元胞状态和隐含状态计算式为：
公式中
一向量元素相乘符号；
it,ft,gt,ot一输入门、遗忘门、输出门、候选门；
σ—状态激活函数；
在每一个时间步t中，输入门it、遗忘门ft，输出门gt、候选门ot可描述为：
it＝σg(wixt+Riht-1+bi) (4)
ft＝σg(wfxt+Rfht-1+bf) (5)
gt＝σc(wgxt+Rght-1+bg) (6)
ot＝σg(woxt+Roht-1+bo) (7)
公式中：σc一状态激活函数,采用双曲正切函数tanhtanh来计算状态激活函数
σg—门状态函数；
激活函数由公式σ(x)＝(1+e-x)-1，LSTM层中的权重是由具有可学习性的输人矩阵W、回归权重矩阵R以及每个分量偏差矩阵b组成。这些矩阵表示为：
完全连接子层中的所有节点都与LSTM子层中的节点以及外部影响数据相连接,以获得上一层和外部影响因素对输入变量X1和X2学习所得的所有特征，完全连接层的每一步都是独立执行的，输入变量与权重矩阵W相乘后,再加上偏置矩阵向量b。此层输出变量数目等于输入变量的数目2，即温度和相对湿度2个输人变量；
回归子层与完全连接子层相连,用于计算序列到序列网络的均方根误差损失(Half-mean-squared-errorloss)。每步的未归一化的损失预测响应计算式为：
公式中：L—计算序列到序列网络的均方根误差损失
S—序列长度
tkj，ykj—第K步的序列值、网络预测值当网络训练时,观察值的平均损失由小批量网络训练时计算而得；
当网络训练时,观察值的平均损失由小批量网络训练时计算而得；
输出层将隐含层输出量O和O,反归一化处理成预测值猪舍内温度Y1和猪舍内相对湿度Y2，反标准化公式采用式(1)对观察值进行标准化处理时的变换所得。
优选的，所述的步骤2、对步骤1建立的工业环境温湿度模型进行优化；
在LSTM子层中,初始网络参数设置为:隐含层神经元数为200,状态激活函数为双曲正切函数tanh，门激活函数为sigmod,采用自适应矩估计Adam优化器进行训练,最大步数设置为250,初始学习速率为0.005,时间间隔(Timelag)为1；为了获得最优的LSTM预测模型,需要对预测模型中的LSTM子层和完全连接层中的神经元数、网络的学习速率2个主要参数进行对比及组合优化。设LSTM子层和完全连接层中的神经元个数取值集合为{200,400,800,1200,1600,2000},网络的学习速率取值集合为{0.001，0.003，0.005，0.008，0.010}。
优选的，所述的步骤3、通过采集的数据对工业环境进行模糊自适应PID控制，包括以下步骤，
步骤3.1模糊自适应PID控制器结构设计；
结合工业环境控制系统的控制要求，选择二维输入变量的模糊控制器结构，实现PID控制器参数的在线整定；
步骤3.2输入输出量模糊化设计；
模糊控制器结构是具有两个输入变量和三个输出变量，其中两个输入变量主要包括温度输入偏差e，以及输入偏差变化率ec；而三个输出变量则是PID控制器的参数变化量，即ΔKp、ΔKI、ΔKD；
对温室大棚的温度因子进行控制时，需要对模糊自适应PID控制器参数Kp、KI、KD,进行在线整定，以保证其参数值符合温度控制要求，则PID控制器参数Kp、KI、KD，的整定公式如式(9)所示；
式中，
分别表示为PID控制器参数的初始值；ΔKp、ΔKI、ΔKD,分别表示的是PID控制器参数的变化量，将PID控制参数初始值与变化量之间进行求和，则可以出PID控制器参数的取值，并满足温度控制的有效性；
首先，对温度输入变量的偏差e和偏差变化率ec分别进行模糊化处理，设置其模糊论域的取值范围均为[-4,4]，其所对应的模糊论域等级为{PB(正大)、PS(正小)、Z0(零)、NS(负小)、NB(负大)}，而模糊论域等级所对应的范围为{4、2、0、-2、-4}，均采用三角型隶属度函数类型；
其次,需要对温度输出量进行模糊化处理，设置PID控制器参数ΔKp、ΔKI、ΔKD,的变化量模糊论域的取值范围均为[-4,4]，其各自对应的模糊论域等级与温度输入偏差e和偏差变化率ec的论域等级相同，即{PB(正大)、PS(正小)、Zo(零)、NS(负小)、NB(负大)}，且模糊论与等级所对应的范围为{4、2、0、-2、-4}，均采用相同的三角型隶属度函数类型；
步骤3.3、模糊控制规定确定；
根据温度偏差e和偏差变化率ec之间的变化情况，可以对PID控制器参数ΔKp、ΔKI、ΔKD,运用模糊规则进行在线整定，由于温室环境中的温度输入偏差e和偏差变化率ec是在不断变化的，因此需要对PID控制器参数ΔKp、ΔKI、ΔKD,变化量进行实时整定，则PID控制器参数ΔKp、ΔKI、ΔKD；
步骤3.4、模糊推理及解模糊；
解模糊化最为常用的方法有三种类型，主要包括平均最大隶属度法(mom)、最大隶属度取最小值法(som)以及重心法(centroid)，其中，针对温度控制过程的特点，选择重心法为温度输入偏差e和偏差变化率ec、以及PID控制器参数输出值进行解模糊化处理，则重心法表达式如式(10)所示；
公式中，ui表示的是系统控制元素，A(ui)表示的是ui的隶属度，则u(t)表示为系统对应的输出量。
又一方面，一种电子设备，包括处理器和存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现一种工业环境温湿度控制方法。
再一方面，一种计算机可读存储介质，其上存储于计算机程序，所述的计算机程序被处理器执行时实现所述的一种工业环境温湿度控制方法。
本发明有益效果：
本发明通过远程无线网络采集工业环境温湿度，建立工业环境温湿度变化模型，将温湿度变化模型结合PID自动控制方法，对工业环境温湿度进行控制，提高温湿度的控制效率以及控制精度，也能够节约能耗，降低生产成本。
附图说明
图1为系统结构框图；
图2为CC2530电路原理图；
图3为传感器模块电路原理图；
图4为电源模块电路原理图；
图5为LSTM预测模型结构图；
图6为LSTM子层组成结构图；
图7为PID控制原理图；
图8为模糊控制原理框图；
图9为模糊自适应PID控制器原理图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1所示，所述的系统包括工业环境感知层、数据传输层、系统应用层、控制执行层；
所述的工业环境感知层为多个无线模拟量数采装置、协调器以及路由器，用于采集工业环境中多个点位的温湿度数据，将采集到的的数据通过协调器进行数据协调，在通过路由器进行转发；
所述的数据传输层以局域网和互联网为基础，实现不同应用层和远程用户之间对工业环境感知层数据的获取，现场局域网主要采用的是ZigBee协议自组网，而远程广域网络采用的是互联网传输技术，通过浏览Web网页便可以随时获得工业环境变化的实时消息；
所述的系统应用层主要是对工业环境感知层协调器发送至上位机的数据进行模糊自适应PID控制算法的处理，并将处理过的信息编成控制命令再下发到控制执行层中，为工业环境的智能监控提供基础；
所述的控制执行层是对工业环境执行机构启动的控制，采用继电器控制方式，继电器对系统进行主动控制和被动控制，上位机将采集到的数据进行处理后，形成相应的控制指令，并发送至控制节点，再通过ZigBee通信接收控制命令，实现对工业环境控制设备的控制操作。
所述的无线模拟量数采装置包括传感器模块、显示屏、控制器、电源模块、AD转换模块、无线通信模块，所述的传感器模块输出端与AD转换模块连接，AD转换模块输出端与控制器输入端连接，控制器输出端与显示屏、无线通信模块连接；所述的电源模块采用18650可充电锂电池，为整个装置提供电力，按键模块与控制器连接，用于选择控制模式以及其他辅助功能设置，显示屏用于显示当前数据以及电量等信息；无线通信模块与控制器共用一个CC2530芯片，电路图如图2所示。
电源模块供电部分
①.供电AC220V部分输入电压范围为100～240VAC50/60Hz；
②.供电DC24V部分输入电压范围为9～36VDC；
③.整体工作功耗为<0.5W；
传感器模块采用DHT11温湿度传感器对温室内环境的温度与湿度进行数据的采集，其能够在0-50摄氏度、20％-90％相对湿度(RH)、3-5V工作电压的环境中进行测量，并且检测湿度的精确值约为5％RH，检测温度的精确值为0.02℃，满足控制指标。DHT11是一种能够对数字信号进行精确输出、并将温湿度结合在一起控制的传感器，其能够将温湿度传感器与数据采集模块进行技术融合，使数据在传送中具有良好的稳定和较高的安全性能。DHT11内部结构包括了电阻式感应湿度元件和NTC测量温度元件，主要通过单片机进行数据连接，具有响应时间快、稳定性好等优势。
DHT11传感器内部设置了1个校准单元，能够准确的对湿度进行检验，这当中校准取值的范围以程序式编程语言存储在OTP当中，通过调用OTP存储的校准系数值，对传感器检测到的信号进行精确验证。DHT11传感器内部还含有单线制串行接口，该串行接口具有体积小、功耗低、传输信号距离远等特点，适合较为复杂的集成控制系统。
所示的CC2530芯片结构设计是以CC2430结构为基础，将ZigBeeRFID前部即RF、物理内存和微型控制器进行结合，并将其整合嵌入在同一个芯片上。其内部使用的是1个8位MCU(8051)，具有256KB可编程闪存和8KBRAM；内部结构设计还含有数字模拟量转换器(ADC)、4个不同定时器、AES128协调处理器、常用的看门狗定时器、睡眠模式下的32Khz晶振体定时器、上电复位电路、掉电检测电路以及21个可编程I/O引脚。当CC2530芯片在0.18μm互补CMOS工艺生产过程模式下时，运行电流损耗为27mA；在进行数据接收时，工作电流损耗低于27mA；在进行数据发射模式下，工作电流损耗会低于25mA。
CC2530芯片具有1个32MHz单指令运行周期且功耗较低的8051微型控制器，2个强大的通用同步/异步串行接收发送器(USART)；拥有符合标准的IEEE802.15.4协议的2.4GHzRF无线电接收机和MAC计时器；能够支持CSMA/CA、数字化的RSSI/LQI以及强大的DMA等功能，并能够集成14位的数字模拟转换器与AES安全协处理器；具有较宽的电压范围(2.0～3.6V)、较强的抗干扰性以及灵敏性较高的无线接收等特点。并且CC2530芯片能够在较短时间内完成从睡眠模式转换到运作模型，可用于电池寿命较长的控制系统硬件设计。
所述的协调器用于协调各网络之间的构建，具有传输网络通信坐标、管理网络节点的数据信息、对网络节点信息进行存储与修改以及为相互连接的节点提供路由信息功能，同时，协调器还能够存储节点数据设备的运行情况、数据转发的使用情况以及设备相互连接后所建立的关联表变化情况的基本信息，所述的ZigBee通信的网络当中含有两个不同功能的协调器装置。
一种工业环境温湿度控制方法，所述的控制方法适用于工业环境温湿度无线监控系统，所述的控制方法采用以下步骤实现；
步骤1、建立工业环境温湿度模型；
步骤2、对步骤1建立的工业环境温湿度模型进行优化；
步骤3、通过采集的数据对工业环境进行模糊自适应PID控制。
所述的步骤1、建立工业环境温湿度模型如下：
所述的温湿度模型采用基于LSTM的工业环境温湿度模块，
如图5所示，所述的预测模型由时序数据输入层、隐含层和输出层组成；输入层负责接收采集到的工业环境内部温度、相对湿度历史数据，工业环境外部的温度、相对湿度、通风率，以及工业环境中设备产生的热量和湿度数据，并将其进行标准化处理，标准化处理公式如下：
z′i—标准化后的数据；
zi一输人的时序数据；
n—时序序列数据的长度；
标准化后的工业环境内部温度和相对湿度历史数据转换成时序序列X1和X2，工业环境内部温度和相对湿度的外部影响因素被标准化处理后参与完全连接层的运算，输入层节点数量为2t,t为工业环境内部温度和相对湿度历史时序序列长度；
隐含层包含LSTM、完全连接和回归3个子层，LSTM子层负责学习时间序列数据每步之间的长期依赖关系,以执行有助于改善长序列梯度流的交互，LSTM子层由元胞状态c、隐含状态h、输入门i、遗忘门f、候选门g和输出门o组成；
如图6所示，在每一步的学习中，LSTM子层将从元胞状态c中加入或删除信息，每一步的隐含状态h都包含上步LSTM层的输出信息，为了使信息能够更好地更新,LSTM层增加了输入门i遗忘门f元胞候选门g和输出门o，输入门i决定元胞的更新程度,遗忘门f决定元胞状态的重置水平,候选门g负责向元胞中加入一些新的信息,输出门o决定将有多少元胞信息加入隐含状态；
每一步元胞状态和隐含状态计算式为：
公式中
一向量元素相乘符号；
it,ft,gt,ot一输入门、遗忘门、输出门、候选门；
σ—状态激活函数；
在每一个时间步t中，输入门it、遗忘门ft，输出门gt、候选门ot可描述为：
it＝σg(wixt+Riht-1+bi) (4)
ft＝σg(wfxt+Rfht-1+bf) (5)
gt＝σc(wgxt+Rght-1+bg) (6)
ot＝σg(woxt+Roht-1+bo) (7)
公式中：σc一状态激活函数,采用双曲正切函数tanhtanh来计算状态激活函数
σg—门状态函数；
激活函数由公式σ(x)＝(1+e-x)-1，LSTM层中的权重是由具有可学习性的输人矩阵W、回归权重矩阵R以及每个分量偏差矩阵b组成。这些矩阵表示为：
完全连接子层中的所有节点都与LSTM子层中的节点以及外部影响数据相连接,以获得上一层和外部影响因素对输入变量X1和X2学习所得的所有特征，完全连接层的每一步都是独立执行的，输入变量与权重矩阵W相乘后,再加上偏置矩阵向量b。此层输出变量数目等于输入变量的数目2，即温度和相对湿度2个输人变量；
回归子层与完全连接子层相连,用于计算序列到序列网络的均方根误差损失(Half-mean-squared-errorloss)。每步的未归一化的损失预测响应计算式为：
公式中：L—计算序列到序列网络的均方根误差损失
S—序列长度
tkj，ykj—第K步的序列值、网络预测值当网络训练时,观察值的平均损失由小批量网络训练时计算而得；
当网络训练时,观察值的平均损失由小批量网络训练时计算而得；
输出层将隐含层输出量O和O,反归一化处理成预测值猪舍内温度Y1和猪舍内相对湿度Y2，反标准化公式采用式(1)对观察值进行标准化处理时的变换所得。
所述的步骤2、对步骤1建立的工业环境温湿度模型进行优化；
在LSTM子层中,初始网络参数设置为:隐含层神经元数为200,状态激活函数为双曲正切函数tanh，门激活函数为sigmod,采用自适应矩估计Adam优化器进行训练,最大步数设置为250,初始学习速率为0.005,时间间隔(Timelag)为1；为了获得最优的LSTM预测模型,需要对预测模型中的LSTM子层和完全连接层中的神经元数、网络的学习速率2个主要参数进行对比及组合优化。设LSTM子层和完全连接层中的神经元个数取值集合为{200,400,800,1200,1600,2000},网络的学习速率取值集合为{0.001，0.003，0.005，0.008，0.010}。
所述的步骤3、通过采集的数据对工业环境进行模糊自适应PID控制，包括以下步骤，
步骤3.1模糊自适应PID控制器结构设计；
结合工业环境控制系统的控制要求，选择二维输入变量的模糊控制器结构，实现PID控制器参数的在线整定；
步骤3.2输入输出量模糊化设计；
如图7所示，模糊控制器结构是具有两个输入变量和三个输出变量，其中两个输入变量主要包括温度输入偏差e，以及输入偏差变化率ec；而三个输出变量则是PID控制器的参数变化量，即ΔKp、ΔKI、ΔKD；
对温室大棚的温度因子进行控制时，需要对模糊自适应PID控制器参数Kp、KI、KD,进行在线整定，以保证其参数值符合温度控制要求，则PID控制器参数Kp、KI、KD，的整定公式如式(9)所示；
式中，
分别表示为PID控制器参数的初始值；ΔKp、ΔKI、ΔKD,分别表示的是PID控制器参数的变化量，将PID控制参数初始值与变化量之间进行求和，则可以出PID控制器参数的取值，并满足温度控制的有效性；
首先，对温度输入变量的偏差e和偏差变化率ec分别进行模糊化处理，设置其模糊论域的取值范围均为[-4,4]，其所对应的模糊论域等级为{PB(正大)、PS(正小)、Z0(零)、NS(负小)、NB(负大)}，而模糊论域等级所对应的范围为{4、2、0、-2、-4}，均采用三角型隶属度函数类型；
其次,需要对温度输出量进行模糊化处理，设置PID控制器参数ΔKp、ΔKI、ΔKD,的变化量模糊论域的取值范围均为[-4,4]，其各自对应的模糊论域等级与温度输入偏差e和偏差变化率ec的论域等级相同，即{PB(正大)、PS(正小)、Zo(零)、NS(负小)、NB(负大)}，且模糊论与等级所对应的范围为{4、2、0、-2、-4}，均采用相同的三角型隶属度函数类型。
步骤3.3、模糊控制规定确定；
根据温度偏差e和偏差变化率ec之间的变化情况，可以对PID控制器参数ΔKp、ΔKI、ΔKD,运用模糊规则进行在线整定，由于温室环境中的温度输入偏差e和偏差变化率ec是在不断变化的，因此需要对PID控制器参数ΔKp、ΔKI、ΔKD,变化量进行实时整定，则PID控制器参数ΔKp、ΔKI、ΔKD；
(1)当e(t)的取值较大时，需要对ΔKp取较大值，从而提高整个系统的响应速度，相应的减小系统的时间常数和阻尼系数。但是ΔKp的取值不能超出规定的取值范围，否则会使控制系统存在较大的超调，使温度控制过程无法满足稳定性的控制要求。在温室环境发生变化时，温度控制会出现超出规定控制范围的可能性，此时对ΔKp取较小值，既能够避免温度控制超出范围的可能性，也能够提高系统的响应速度。若想降低温度控制过程出现的超调量大小，则可以令积分增益ΔKI为零。
(2)当e(t)的取值范围处于中间值时，为了降低温室控制过程的超调现象，可以对ΔKp取较小值。此时，为了使温度控制系统的响应速度及其它性能指标均有所提高，对整个温度控制系统而言，ΔKD的取值大小较为关键，即取值范围要适当，同时也可适当增加ΔKI的取值范围，但不得过大。
(3)当e(t)的取值较小时，通过对ΔKp和ΔKI取较大值，能够使整个温度控制过程处于良好的稳定状态。同时，为了避免温度控制过程在设定值附近出现的震荡现象，应当对ΔKD取标准范围的中间值大小。通过分析PID控制器参数ΔKp、ΔKI、ΔKD变化量的整定过程，利用专家在实际工程中所积累的实践经验和专业知识，制定出适合于温度控制输入偏差e和偏差变化率ec与PID控制器参数变化量之间的模糊规则表，则PID控制器参数ΔKp、ΔKI、ΔKD变化量的模糊规则表如表1、表2、表3所示
表1ΔKp规则表
表2ΔKI规则表
表3ΔKD规则表
通过PID控制器参数变化量模糊规则的建立，可以将其转变成模糊控制器中所需要的模糊语言形式。其中，模糊自适应PID控制器的核心组成部分就是PID控制器参数的调整规则种类，则根据温度控制系统的实时状况和专家人员的在实际工程中的操作经验。
步骤3.4、模糊推理及解模糊；
温度输入偏差e和偏差变化率ec经过模糊推理机的运算后，所得到的最终结果是是输入变量的模糊语句，即输入偏差e和偏差变化率ec的模糊量，但在温室控制系统中的执行机构无法对其进行直接操作。因此，需要将其模糊量进行解模糊化处理，从而获得相应的数字量信号，并将该信号传输到执行机构中完成控制操作。
解模糊化最为常用的方法有三种类型，主要包括平均最大隶属度法(mom)、最大隶属度取最小值法(som)以及重心法(centroid)，其中，针对温度控制过程的特点，选择重心法为温度输入偏差e和偏差变化率ec、以及PID控制器参数输出值进行解模糊化处理，则重心法表达式如式(10)所示；
公式中，ui表示的是系统控制元素，A(ui)表示的是ui的隶属度，则u(t)表示为系统对应的输出量。
经过重心法解模糊化处理后，PID控制器参数ΔKp、ΔKI、ΔKD变化量的模糊值便可以变成数字量，从而使PID控制器参数能够得到精确值。得到PID控制器参数ΔKp、ΔKI、ΔKD变化量与温度输入偏差e和偏差变化率ec之间的特性曲线。
一种电子设备，包括处理器和存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现一种工业环境温湿度控制方法。
一种计算机可读存储介质，其上存储于计算机程序，所述的计算机程序被处理器执行时实现所述的一种工业环境温湿度控制方法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种工业环境温湿度无线监控系统，其特征在于：所述的系统包括工业环境感知层、数据传输层、系统应用层、控制执行层；
所述的工业环境感知层为多个无线模拟量数采装置、协调器以及路由器，用于采集工业环境中多个点位的温湿度数据，将采集到的的数据通过协调器进行数据协调，在通过路由器进行转发；
所述的数据传输层以局域网和互联网为基础，实现不同应用层和远程用户之间对工业环境感知层数据的获取，现场局域网主要采用的是ZigBee协议自组网，而远程广域网络采用的是互联网传输技术，通过浏览Web网页便可以随时获得工业环境变化的实时消息；
所述的系统应用层主要是对工业环境感知层协调器发送至上位机的数据进行模糊自适应PID控制算法的处理，并将处理过的信息编成控制命令再下发到控制执行层中，为工业环境的智能监控提供基础；
所述的控制执行层是对工业环境执行机构启动的控制，采用继电器控制方式，继电器对系统进行主动控制和被动控制，上位机将采集到的数据进行处理后，形成相应的控制指令，并发送至控制节点，再通过ZigBee通信接收控制命令，实现对工业环境控制设备的控制操作。
2.根据权利要求1所述的一种工业环境温湿度无线监控系统，其特征在于：所述的无线模拟量数采装置包括传感器模块、显示屏、控制器、电源模块、AD转换模块、无线通信模块，所述的传感器模块输出端与AD转换模块连接，AD转换模块输出端与控制器输入端连接，控制器输出端与显示屏、无线通信模块连接；所述的电源模块采用18650可充电锂电池，为整个装置提供电力，按键模块与控制器连接，用于选择控制模式以及其他辅助功能设置，显示屏用于显示当前数据以及电量等信息；无线通信模块与控制器共用一个CC2530芯片。
3.根据权利要求2所述的一种工业环境温湿度无线监控系统，其特征在于：所述的协调器用于协调各网络之间的构建，具有传输网络通信坐标、管理网络节点的数据信息、对网络节点信息进行存储与修改以及为相互连接的节点提供路由信息功能，同时，协调器还能够存储节点数据设备的运行情况、数据转发的使用情况以及设备相互连接后所建立的关联表变化情况的基本信息，所述的ZigBee通信的网络当中含有两个不同功能的协调器装置。
4.一种工业环境温湿度控制方法，所述的控制方法适用于工业环境温湿度无线监控系统，其特征在于：所述的控制方法采用以下步骤实现；
步骤1、建立工业环境温湿度模型；
步骤2、对步骤1建立的工业环境温湿度模型进行优化；
步骤3、通过采集的数据对工业环境进行模糊自适应PID控制。
5.根据权利要求4所述的一种工业环境温湿度控制方法，其特征在于：所述的步骤1、建立工业环境温湿度模型如下：
所述的温湿度模型采用基于LSTM的工业环境温湿度模块，
所述的预测模型由时序数据输入层、隐含层和输出层组成；输入层负责接收采集到的工业环境内部温度、相对湿度历史数据，工业环境外部的温度、相对湿度、通风率，以及工业环境中设备产生的热量和湿度数据，并将其进行标准化处理，标准化处理公式如下：
z′i—标准化后的数据；
zi一输人的时序数据；
n—时序序列数据的长度；
标准化后的工业环境内部温度和相对湿度历史数据转换成时序序列X1和X2，工业环境内部温度和相对湿度的外部影响因素被标准化处理后参与完全连接层的运算，输入层节点数量为2t,t为工业环境内部温度和相对湿度历史时序序列长度；
隐含层包含LSTM、完全连接和回归3个子层，LSTM子层负责学习时间序列数据每步之间的长期依赖关系,以执行有助于改善长序列梯度流的交互，LSTM子层由元胞状态c、隐含状态h、输入门i、遗忘门f、候选门g和输出门o组成；在每一步的学习中，LSTM子层将从元胞状态c中加入或删除信息，每一步的隐含状态h都包含上步LSTM层的输出信息，为了使信息能够更好地更新,LSTM层增加了输入门i遗忘门f元胞候选门g和输出门o，输入门i决定元胞的更新程度,遗忘门f决定元胞状态的重置水平,候选门g负责向元胞中加入一些新的信息,输出门o决定将有多少元胞信息加入隐含状态；
每一步元胞状态和隐含状态计算式为：
公式中
一向量元素相乘符号；
it,ft,gt,ot一输入门、遗忘门、输出门、候选门；
σ—状态激活函数；
在每一个时间步t中，输入门it、遗忘门ft，输出门gt、候选门ot可描述为：
it＝σg(wixt+Riht-1+bi) (4)
ft＝σg(wfxt+Rfht-1+bf) (5)
gt＝σc(wgxt+Rght-1+bg) (6)
ot＝σg(woxt+Roht-1+bo) (7)
公式中：σc一状态激活函数,采用双曲正切函数tanhtanh来计算状态激活函数σg—门状态函数；
激活函数由公式σ(x)＝(1+e-x)-1，LSTM层中的权重是由具有可学习性的输人矩阵W、回归权重矩阵R以及每个分量偏差矩阵b组成。这些矩阵表示为：
完全连接子层中的所有节点都与LSTM子层中的节点以及外部影响数据相连接,以获得上一层和外部影响因素对输入变量X1和X2学习所得的所有特征，完全连接层的每一步都是独立执行的，输入变量与权重矩阵W相乘后,再加上偏置矩阵向量b。此层输出变量数目等于输入变量的数目2，即温度和相对湿度2个输人变量；
回归子层与完全连接子层相连,用于计算序列到序列网络的均方根误差损失(Half-mean-squared-error loss)。每步的未归一化的损失预测响应计算式为：
公式中：L—计算序列到序列网络的均方根误差损失
S—序列长度
tkj，ykj—第K步的序列值、网络预测值当网络训练时,观察值的平均损失由小批量网络训练时计算而得；
当网络训练时,观察值的平均损失由小批量网络训练时计算而得；
输出层将隐含层输出量O和O,反归一化处理成预测值猪舍内温度Y1和猪舍内相对湿度Y2，反标准化公式采用式(1)对观察值进行标准化处理时的变换所得。
6.根据权利要求4所述的一种工业环境温湿度控制方法，其特征在于：所述的步骤2、对步骤1建立的工业环境温湿度模型进行优化；
在LSTM子层中,初始网络参数设置为:隐含层神经元数为200,状态激活函数为双曲正切函数tanh，门激活函数为sigmod,采用自适应矩估计Adam优化器进行训练,最大步数设置为250,初始学习速率为0.005,时间间隔(Time lag)为1；为了获得最优的LSTM预测模型,需要对预测模型中的LSTM子层和完全连接层中的神经元数、网络的学习速率2个主要参数进行对比及组合优化。设LSTM子层和完全连接层中的神经元个数取值集合为{200,400,800,1200,1600,2000},网络的学习速率取值集合为{0.001，0.003，0.005，0.008，0.010}。
7.根据权利要求4所述的一种工业环境温湿度控制方法，其特征在于：所述的步骤3、通过采集的数据对工业环境进行模糊自适应PID控制，包括以下步骤，
步骤3.1模糊自适应PID控制器结构设计；
结合工业环境控制系统的控制要求，选择二维输入变量的模糊控制器结构，实现PID控制器参数的在线整定；
步骤3.2输入输出量模糊化设计；
模糊控制器结构是具有两个输入变量和三个输出变量，其中两个输入变量主要包括温度输入偏差e，以及输入偏差变化率ec；而三个输出变量则是PID控制器的参数变化量，即ΔKp、ΔKI、ΔKD；
对温室大棚的温度因子进行控制时，需要对模糊自适应PID控制器参数Kp、KI、KD,进行在线整定，以保证其参数值符合温度控制要求，则PID控制器参数Kp、KI、KD，的整定公式如式(9)所示；
式中，
分别表示为PID控制器参数的初始值；ΔKp、ΔKI、ΔKD,分别表示的是PID控制器参数的变化量，将PID控制参数初始值与变化量之间进行求和，则可以出PID控制器参数的取值，并满足温度控制的有效性；
首先，对温度输入变量的偏差e和偏差变化率ec分别进行模糊化处理，设置其模糊论域的取值范围均为[-4,4]，其所对应的模糊论域等级为{PB(正大)、PS(正小)、Z0(零)、NS(负小)、NB(负大)}，而模糊论域等级所对应的范围为{4、2、0、-2、-4}，均采用三角型隶属度函数类型；
其次,需要对温度输出量进行模糊化处理，设置PID控制器参数ΔKp、ΔKI、ΔKD,的变化量模糊论域的取值范围均为[-4,4]，其各自对应的模糊论域等级与温度输入偏差e和偏差变化率ec的论域等级相同，即{PB(正大)、PS(正小)、Zo(零)、NS(负小)、NB(负大)}，且模糊论与等级所对应的范围为{4、2、0、-2、-4}，均采用相同的三角型隶属度函数类型；
步骤3.3、模糊控制规定确定；
根据温度偏差e和偏差变化率ec之间的变化情况，可以对PID控制器参数ΔKp、ΔKI、ΔKD,运用模糊规则进行在线整定，由于温室环境中的温度输入偏差e和偏差变化率ec是在不断变化的，因此需要对PID控制器参数ΔKp、ΔKI、ΔKD,变化量进行实时整定，则PID控制器参数ΔKp、ΔKI、ΔKD；
步骤3.4、模糊推理及解模糊；
解模糊化最为常用的方法有三种类型，主要包括平均最大隶属度法(mom)、最大隶属度取最小值法(som)以及重心法(centroid)，其中，针对温度控制过程的特点，选择重心法为温度输入偏差e和偏差变化率ec、以及PID控制器参数输出值进行解模糊化处理，则重心法表达式如式(10)所示；
公式中，ui表示的是系统控制元素，A(ui)表示的是ui的隶属度，则u(t)表示为系统对应的输出量。
8.一种电子设备，包括处理器和存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求4至7中任一项所述的一种工业环境温湿度控制方法。
9.一种计算机可读存储介质，其上存储于计算机程序，所述的计算机程序被处理器执行时实现如权利要求4至7中任一项所述的一种工业环境温湿度控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210982155.4A CN115407812A (zh) | 2022-08-16 | 2022-08-16 | 一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210982155.4A CN115407812A (zh) | 2022-08-16 | 2022-08-16 | 一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115407812A true CN115407812A (zh) | 2022-11-29 |
Family
ID=84159353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210982155.4A Pending CN115407812A (zh) | 2022-08-16 | 2022-08-16 | 一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115407812A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102032640A (zh) * | 2009-09-25 | 2011-04-27 | 西安西翼智能科技有限公司 | 工业环境高精度空调的模糊pid控制方法及装置 |
| CN202109991U (zh) * | 2010-12-01 | 2012-01-11 | 北京航空航天大学 | 一种适用于酒窖池的无线测温装置 |
| CN202582607U (zh) * | 2012-06-06 | 2012-12-05 | 甘肃万维信息技术有限责任公司 | 温室大棚环境监控装置 |
| CN203705069U (zh) * | 2013-12-03 | 2014-07-09 | 北京理工大学 | 一种便携式无线测温仪 |
| CN105570980A (zh) * | 2016-01-04 | 2016-05-11 | 东北大学 | 基于Ad Hoc技术的大容量地暖控制系统及其控制方法 |
| CN106502213A (zh) * | 2015-09-04 | 2017-03-15 | 张学 | 一种规模化畜禽养殖环境监控系统 |
| CN108253581A (zh) * | 2016-12-27 | 2018-07-06 | 吉林农业大学 | 基于物联网的银行智能新风系统 |
| CN109407624A (zh) * | 2018-07-19 | 2019-03-01 | 天津农学院 | 一种基于温湿度指数的牛舍环境调控系统及其调控方法 |
| CN112762996A (zh) * | 2020-12-31 | 2021-05-07 | 高小翎 | 基于无线传感网的u型渠变形精密监测系统 |
| CN114399031A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(华东) | 一种基于联邦学习的智能工厂温湿度控制方法 |
-
2022
- 2022-08-16 CN CN202210982155.4A patent/CN115407812A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102032640A (zh) * | 2009-09-25 | 2011-04-27 | 西安西翼智能科技有限公司 | 工业环境高精度空调的模糊pid控制方法及装置 |
| CN202109991U (zh) * | 2010-12-01 | 2012-01-11 | 北京航空航天大学 | 一种适用于酒窖池的无线测温装置 |
| CN202582607U (zh) * | 2012-06-06 | 2012-12-05 | 甘肃万维信息技术有限责任公司 | 温室大棚环境监控装置 |
| CN203705069U (zh) * | 2013-12-03 | 2014-07-09 | 北京理工大学 | 一种便携式无线测温仪 |
| CN106502213A (zh) * | 2015-09-04 | 2017-03-15 | 张学 | 一种规模化畜禽养殖环境监控系统 |
| CN105570980A (zh) * | 2016-01-04 | 2016-05-11 | 东北大学 | 基于Ad Hoc技术的大容量地暖控制系统及其控制方法 |
| CN108253581A (zh) * | 2016-12-27 | 2018-07-06 | 吉林农业大学 | 基于物联网的银行智能新风系统 |
| CN109407624A (zh) * | 2018-07-19 | 2019-03-01 | 天津农学院 | 一种基于温湿度指数的牛舍环境调控系统及其调控方法 |
| CN112762996A (zh) * | 2020-12-31 | 2021-05-07 | 高小翎 | 基于无线传感网的u型渠变形精密监测系统 |
| CN114399031A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(华东) | 一种基于联邦学习的智能工厂温湿度控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王海珍等: "CC2530单片机原理及应用", 30 June 2021, 机械工业出版社, pages: 15 - 16 * |
| 谢秋菊 等: "基于深度学习的密闭式猪舍内温湿度预测模型", 农业机械学报, vol. 51, no. 10, pages 353 - 361 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gupta et al. | Cluster-head election using fuzzy logic for wireless sensor networks | |
| CN105959987B (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
| Zhang et al. | Information fusion based smart home control system and its application | |
| Liu et al. | Multistep prediction-based adaptive dynamic programming sensor scheduling approach for collaborative target tracking in energy harvesting wireless sensor networks | |
| CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
| CN105759607A (zh) | 基于智能控制算法的pac控制器的设计方法 | |
| Su et al. | Area temperature system monitoring and computing based on adaptive fuzzy logic in wireless sensor networks | |
| CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
| CN104168661A (zh) | 一种满足公平性条件的最大化网络生存期传输调度方法 | |
| Pau | Power consumption reduction for wireless sensor networks using a fuzzy approach | |
| CN112135328B (zh) | 基于物联网的人工智能监测系统 | |
| CN106231617A (zh) | 基于模糊逻辑的无线传感器网络多传感器数据融合方法 | |
| Hribar et al. | Using deep Q-learning to prolong the lifetime of correlated internet of things devices | |
| Su et al. | A Q-learning-based routing approach for energy efficient information transmission in wireless sensor network | |
| CN113219930A (zh) | 一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 | |
| Chen et al. | Data fusion based on temperature monitoring of aquaculture ponds with wireless sensor networks | |
| CN107959729A (zh) | 基于无线传感器网络的农作物生长环境监测系统及方法 | |
| Fayaz et al. | An efficient energy consumption and user comfort maximization methodology based on learning to optimization and learning to control algorithms | |
| CN115407812A (zh) | 一种工业环境温湿度无线监控系统、控制方法、电子设备及存储介质 | |
| Chang et al. | Design of indoor temperature and humidity monitoring system based on CC2430 and fuzzy-PID | |
| Yao et al. | Research and development precision irrigation control system in agricultural | |
| Petrova et al. | Intelligent indoor microclimate control | |
| Mehrani et al. | Deep-learning based forecasting sampling frequency of biosensors in wireless body area networks | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| Li et al. | Design and research of intelligent greenhouse monitoring system based on internet of things |
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 |