CN115659201A - 物联网气体浓度检测方法及监控系统 - Google Patents
物联网气体浓度检测方法及监控系统 Download PDFInfo
- Publication number
- CN115659201A CN115659201A CN202211306413.3A CN202211306413A CN115659201A CN 115659201 A CN115659201 A CN 115659201A CN 202211306413 A CN202211306413 A CN 202211306413A CN 115659201 A CN115659201 A CN 115659201A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- network model
- gas concentration
- beat
- 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- Withdrawn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
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims abstract description 4
- 230000007175 bidirectional communication Effects 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims abstract 2
- 238000003062 neural network model Methods 0.000 claims description 143
- 230000001537 neural effect Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 41
- 230000003044 adaptive effect Effects 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 27
- 230000004060 metabolic process Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 description 79
- 239000007789 gas Substances 0.000 description 68
- 230000006870 function Effects 0.000 description 52
- 230000008569 process Effects 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 18
- 239000002245 particle Substances 0.000 description 14
- 239000013598 vector Substances 0.000 description 14
- 238000013461 design Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 4
- 230000001934 delay Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了物联网气体浓度检测方法及监控系统，包括测量与控制终端、现场监控端；测量与控制终端负责采集被检测气体浓度参数信息，在现场监控端中有气体浓度智能检测子系统，通过网关节点实现测量与控制终端、现场监控端、云平台和手机APP的双向通信，实现被检测气体浓度参数采集、处理、存储和监视，其中测量与控制终端、现场监控端加载有浓度检测方法的计算机程序步骤；本发明有效解决了现有气体浓度检测系统没有根据气体变化的非线性、大滞后和工况面积大气体浓度变化复杂等特点，对气体浓度的进行检测，从而极大的影响气体浓度检测精确性问题。
Description
技术领域
本发明涉及气体浓度监测技术领域，具体涉及一种物联网气体浓度检测方法及监控系统。
背景技术
在煤炭、石油和天然气等生产过程中，快速和准确地对易燃、易爆、有毒和有害气体进行监测和自动控制已成为当前亟待解决的重要问题之一。环境污染的有效监测与控制需要一系列新型的传感与测量技术，特别是能够连续监测大气中有害污染气体含量的检测仪器和系统。为了有效地减少事故发生和对环境的污染，必须设置能在线实时快速检测气体的仪器和净化设备。本申请根据工农业生产过程对气体检测、净化与信息化管理的实际需要，设计一种气体智能监测与智能化信息管理系统可以实现对气体浓度的测量、净化和管理。
发明内容
本发明提供一种物联网气体浓度检测方法及监控系统，本发明有效解决了现有气体浓度检测系统没有根据气体变化的非线性、大滞后和工况面积大气体浓度变化复杂等特点，对气体浓度的进行检测，从而极大的影响气体浓度检测精确性问题。
为解决上述问题，本发明采用如下的技术方案：
一、物联网气体浓度检测方法步骤：
1、构建参数检测模块，参数检测模块由多个降噪自编码神经网络-NARX神经网络模型、自适应AP聚类器、多个PSO的小波自适应神经网络模型、ESN神经网络模型、TDL按拍延迟线A、新陈代谢GM(1，1)趋势模型、NARX神经网络模型A、NARX神经网络模型B、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络-NARX神经网络模型组成，多个参数传感器输出的一段时间被检测的参数值分别作为对应的降噪自编码神经网络-NARX神经网络模型的输入，多个降噪自编码神经网络-NARX神经网络模型输出作为自适应AP聚类器的输入，自适应AP聚类器输出的不同类型降噪自编码神经网络-NARX神经网络模型输出分别作为对应的PSO的小波自适应神经网络模型的输入，多个PSO的小波自适应神经网络模型的输出作为ESN神经网络模型的对应输入，ESN神经网络模型输出作为作为TDL按拍延迟线A的输入，TDL按拍延迟线A的输出作为新陈代谢GM(1，1)趋势模型输入，TDL按拍延迟线A的输出与新陈代谢GM(1，1)趋势模型输出的差和新陈代谢GM(1，1)趋势模型输出分别作为NARX神经网络模型A和NARX神经网络模型B的输入，NARX神经网络模型A和NARX神经网络模型B输出分别作为TDL按拍延迟线B和TDL按拍延迟线C的输入，TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络-NARX神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出的4个参数分别为a、b、c和d，a和b组成区间数[a,b]作为被检测参数的极小值，c和d组成区间数[c,d]作为被检测参数的极大值，区间数[a,b]和区间数[c,d]组成([a,b]，[c,d])作为被检测参数的区间犹豫模糊数，区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出作为参数检测模块的输出。参数检测模块结构见图1气体浓度智能检测子系统。
2、气体浓度智能检测子系统由2个参数检测模块、TDL按拍延迟线E、区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型组成，多个气体气体浓度传感器和多个温度传感器分别作为对应的参数检测模块的输入，2个参数检测模块和TDL按拍延迟线E的输出分别作为区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型输出的4个参数分别为e、f、g和h，e、f、g和h作为TDL按拍延迟线E的输入，e和f组成区间数[e，f]，g和h组成区间数[g，h]，区间数[e，f]和区间数[g，h]组成([e，f]，[g，h])作为被检测气体浓度的区间犹豫模糊数；气体浓度智能检测子系统见图1气体浓度智能检测子系统。
3、多个气体气体浓度传感器和多个温度传感器输出作为气体浓度智能检测子系统的输入，气体浓度智能检测子系统输出被检测气体浓度的区间犹豫模糊数。
4、降噪自编码神经网络-NARX神经网络模型、BAM神经网络-NARX神经网络模型和BAM神经网络-ANFIS模糊神经网络模型分别为降噪自编码神经网络与NARX神经网络模型串联、BAM神经网络与NARX神经网络模型串联和BAM神经网络与NARX神经网络模型串联。
二、物联网气体浓度监控系统：
测量与控制终端负责采集被检测气体浓度参数信息，在现场监控端中有气体浓度智能检测子系统，通过网关节点实现测量与控制终端、现场监控端、云平台和手机APP的双向通信，实现被检测气体浓度参数采集、处理、存储和监视，其中气体浓度智能检测子系统在方法步骤中实现；图2物联网气体浓度监控系统。
测量与控制终端包括采集气体浓度与环境参数温度、气体浓度传感器、湿度和压力传感器和对应的信号调理电路、STM32微处理器、气体净化器和CC2530无线传输模块。
相比于现有技术，本发明具有以下明显优点：
一、本发明针对参数测量过程中，参数测量传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性，本发明通过参数检测模块将气体浓度参数测量传感器输出值转化为区间犹豫模糊数的BAM神经网络-NARX神经网络模型形式，它们有效地处理了气体浓度参数测量的模糊性、动态性和不确定性，提高了气体浓度参数传感器检测参数的客观性和可信度。
二、本发明采用BAM神经网络-ANFIS模糊神经网络模型的BAM神经网络是一种联想记忆神经网络模型，BAM神经网络输出作为ANFIS模糊神经网络模型输入，BAM神经网络可以实现双向异联想模型，通过双向联想记忆矩阵，把事先概括好的BAM神经网络的输入样本数据对存储起来，当有BAM神经网络有新的信息输入时，BAM神经网络并行回忆联想出相对应的输出结果作为ANFIS模糊神经网络模型输入，BAM神经网络的双向联想记忆网络是一种两层的非线性反馈神经网络，具有联想记忆、分布式存储及自学习等功能，当向BAM神经网络的一层加入输入信号时，BAM神经网络的另一层可以得到输出信号。
三、本发明采用PSO的自适应小波神经网络模型，该模型中隐含层的传递函数使用小波函数，通过自适应调整小波函数的参数，能够更加有效输入提取信号时频特征，具有结构稳定，算法简单，全局搜索能力强，收敛速度快，泛化能力强等优点，PSO的自适应小波神经网络能够有效对输入信号进行预测，具有受噪声影响小、稳定性好等特点，收敛速度快，识别精度高。避免了BP网络在结构设计的盲目性，网络权系数线性分布和学习目标函数的凸性，使网络的训练过程从根本上避免了局部最优化等问题，算法概念简单，收敛速度快，有较强的函数学习能力，可以高精度逼近任意非线性函数。
四、本发明采用PSO的自适应小波神经网络，避免了梯度下降法中要求激活函数可微，以及对函数求导的过程计算，并且各个粒子搜索时迭代公式简单，因而计算速度又比梯度下降法快得多。通过对迭代公式中参数的调整，还能很好地跳出局部极值，进行全局寻优，简单有效地提高了网络的训练速度。PSO算法的自适应小波神经网络模型的误差更小，收敛速度更快，泛化能力更强。以小波函数作为隐含层的激励函数，采用PSO算法，对权值、伸缩参数、平移参数进行调整，PSO算法的自适应小波神经网络模型，该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。
五、本发明采用新陈代谢GM(1，1)趋势模型预测输入参数的时间跨度长。用新陈代谢GM(1，1)趋势模型可以根据输入参数值预测未来时刻值，用上述方法预测出的各个输入参数未来时刻值，把多个输入参数的未来值再加分别加入新陈代谢GM(1，1)趋势模型的原始数列中，相应地去掉输入数列开头的一个数据建模，再进行预测输入数参数的未来值。依此类推，预测出新陈代谢GM(1，1)趋势模型输出参数的未来值。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输入参数值的变化趋势。
附图说明
图1为本发明气体浓度智能检测子系统；
图2为本发明物联网气体浓度监控系统；
图3为本发明测量与控制终端结构图；
图4为本发明网关节点结构图；
图5为本发明现场监控端软件功能。
具体实施方式
为了更好解释本发明，以便于理解，下面结合附图1-5对本发明的技术方案作详细描述。以下实施例是对本发明的解释，而本发明并不局限于以下实施例。
一、气体浓度检测方法步骤如下：
1、构建参数检测模块，参数检测模块由多个降噪自编码神经网络-NARX神经网络模型、自适应AP聚类器、多个PSO的小波自适应神经网络模型、ESN神经网络模型、TDL按拍延迟线A、新陈代谢GM(1，1)趋势模型、NARX神经网络模型A、NARX神经网络模型B、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络-NARX神经网络模型组成；参数检测模块见图1气体浓度智能检测子系统；
(1)、降噪自编码神经网络-NARX神经网络模型设计
降噪自编码神经网络-NARX神经网络模型为降噪自编码神经网络输出作为NARX神经网络模型输入，降噪自编码神经网络是一种降维方法，通过训练具有小中心层的多层神经网络，将高维数据转换为低维数据。降噪自编码神经网络(DAE)是一种典型的三层神经网络，在隐藏层和输入层之间有一个编码过程，在输出层和隐藏层之间有一个解码过程。降噪自编码神经网络通过对输入数据的编码操作得到编码表示(编码器)，通过对隐含层的输出解码操作得到重构的输入数据(解码器)，隐含层的数据就是降维数据。然后定义重构误差函数来测量降噪自编码神经网络的学习效果。基于误差函数可以添加约束条件，生成各种类型的降噪自编码神经网络，编码器和解码器以及损失函数如下所示：
编码器：h＝δ(Wx+b) (1)
解码器：
损失函数：
AE的训练过程与BP神经网络类似，W和W′为权值矩阵，b和b′为偏置量，h为隐含层的输出值，x为输入向量，
为输出向量，δ为激励函数，一般使用Sigmoid函数或tanh函数。降噪自编码神经网络分为编码过程和解码过程，输入层到隐藏层为编码过程，隐藏层到输出层为解码过程。降噪自编码神经网络的目标是利用误差函数使输入和输出尽量相近，通过反向传播最小化误差函数，得到自编码网络最优的权值和偏置，为建立深度自编码网络模型做准备。根据自编码网络编码和解码原理，利用含有噪声测量数据得到编码数据和解码数据，通过解码数据和原始数据构造误差函数，通过反向传播最小化误差函数，得到最优的网络权值和偏置。通过加入噪声来破坏测量数据，然后将损坏的数据作为输入层输入到神经网络中。降噪自编码神经网络的重构结果应与测量参数原始数据近似，通过这种方法，可以消除测量参数扰动，并获得稳定的结构。原始测量参数通过加入噪声得到干扰输入，然后输入到编码器中得到特征表达，再通过解码器映射到输出层。
NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n)，还取决于NARX神经网络模型当前的降噪自编码神经网络输出向量X(t)以及降噪自编码神经网络输出向量的延迟阶数等。NARX神经网络模型的降噪自编码神经网络输出通过时延层传递给隐层，隐层对降噪自编码神经网络输出的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将NARX神经网络模型反馈的信号和输入层的降噪自编码神经网络输出的信号进行延时，然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对参数传感器输出预测值的多个高频波动部分进一步处理。NARX神经网络模型(Nonlinear Auto-Regressionwith External input neural network)是一种动态的前馈神经网络，NARX神经网络是一个有着外部输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络模型是非线性动态系统中应用最广泛的一种回归动态神经网络，其性能普遍优于全回归神经网络。NARX神经网络模型主要由输入层、隐层、输出层及输入和输出延时层构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n)，还取决于NARX神经网络模型当前的PSO的自适应小波神经网络输出向量X(t)以及PSO的自适应小波神经网络输出向量的延迟阶数等。NARX神经网络模型的PSO的自适应小波神经网络输出通过时延层传递给隐层，隐层对PSO的自适应小波神经网络输出的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将NARX神经网络模型反馈的信号和输入层的PSO的自适应小波神经网络输出的信号进行延时，然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点。x(t)表示NARX神经网络模型的输入，即降噪自编码神经网络输出；m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的降噪自编码神经网络输出的预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值。
(2)、自适应AP聚类器设计
自适应AP聚类器是通过数据对象之间的“消息传递”完成聚类，主要是以数据点之间的相似度similarity(采用负欧氏距离作为标准)为基础，运用吸引度responsibility和归属度availability两种消息进行循环更新迭代，最终寻找出最优聚类结果。设有N个数据点构成的数据集X＝{x1，x2，...，xn}，其中任意两个数据点之间的相似度为：
simi(i，k)＝-||xi-xk||2 (5)
其中，simi(i，k)主对角线上的值用偏向参数值p去替换，p越大表明该点被选为代表点的概率就越大。所以，最终的聚类数目会随着p的改变而发生改变，一般在无先验知识的情况下将p设定为simi(i，k)的中值。定义R(i，k)为候选代表点k对每个数据点i的吸引程度，A(i，k)为数据点i支持k作为代表点的程度。R(i，k)+A(i，k)越大，代表点k作为数据中心(exemplar)的可能性就越大。具体自适应AP聚类器算法流程如下：
A、初始化吸引度R(i，k)和归属度R(i，k)均为与相似矩阵simi(i，k)同构零矩阵。
B、令p＝-50，lamda＝0.5，不断循环更新R(i，k)和A(i，k)，直到达到约束条件得到聚类数目记为K1。
C、令p＝p-10，不断循环更新R(i，k)和A(i，k)，直到达到约束条件得到一系列聚类数目为K2,3，...l(根据经验lmax＝10)。
D、在B和C步骤中，若检测到算法发生震荡且无法收敛，则lamda(取值范围0.5-0.9)以0.1的步长来消除震荡，直到算法收敛。
E、利用轮廓系数指标对B和C步中的到的聚类质量和聚类数目进行评估，指标越大，表示聚类质量越好，对应的聚类数目K即最优聚类数目。
F、自适应AP聚类器主要是通过自适应调整原有AP聚类器的偏向参数和阻尼因子来改善算法的准确性和快速性。本算法利用轮廓系数作为聚类有效性和聚类质量的评判指标，利用震荡度作为判断算法发生震荡后是否收敛的指标，自适应调整并获取最优偏向参数和阻尼因子组合，最终得到最优聚类结果。
(3)、PSO的小波自适应神经网络模型设计
PSO的自适应小波神经网络的自适应小波神经网络是在小波理论基础上，采用非线性小波基取代常用的非线性Sigmoid函数并结合人工神经网络而提出的一种前馈型网络，隐含层的传递函数使用小波函数，通过自适应调整小波函数的参数，能够更加有效提取输入参数的时频特征。它是以小波函数为神经元的激励函数，小波的伸缩、平移因子，以及连接权重，在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为一个输入参数的一维向量xi(i＝1，2，...，n)，输出信号表示为yk(k＝1，2，...，m)，小波神经网络输出层值的计算公式为：
公式中ωij输入层i节点和隐含层j节点间的连接权值，
为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的自适应小波神经网络的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波神经网络输出不断逼近期望输出。采用PSO的自适应小波神经网络，避免了梯度下降法中要求激活函数可微，以及对函数求导的过程计算，并且各个粒子搜索时迭代公式简单，因而计算速度又比梯度下降法快得多。而且通过对迭代公式中参数的调整，还能很好地跳出局部极值。初始化一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪二个“极值”来更新自己。第一个就是粒子本身所找到的最优解pbest，这个解称为个体极值；另一个是整个种群目前找到的最优解，这个解称为全局极值gbest。用PSO的自适应小波神经网络，就是首先将自适应小波神经网络的各种参数列为粒子的位置向量X，将均方误差能量函数式设为用于优化的目标函数，通过粒子群优算法的基本公式进行迭代，寻求最优解。PSO的自适应小波神经网络训练算法如下：
A、初始化网络结构，确定网络隐含层神经元个数，确定目标搜索空间的维数D。
B、确定微粒个数m，初始化微粒的位置向量和速度向量，将粒子的位置向量和速度向量带入算法迭代公式进行更新，以误差能量函数作为目标函数进行优化计算，记录下每个粒子迄今搜索到的最优位置pbest和整个粒子群迄今搜索到的最优位置gbest。
C、将整个粒子群迄今搜索到最优位置gbest，映射为网络权值和阈值进行本学习，以误差能量函数作为粒子的适应度进行化计算。
D、若误差能量函数值在实际问题允许的误范围内，则迭代完毕；反之，转回算法继续迭代。
(4)、ESN神经网络模型设计
ESN神经网络模型( Echo state network，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为：
式中W为储备池权值矩阵，Win为输入权值矩阵；Wback为反馈权值矩阵；x(n)表示神经网络的内部状态；Wout为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵；
为神经网络的输出偏差或可以代表噪声；f＝f[f1，f2，...，fn]为“储备池”内部神经元的n个激活函数；fi为双曲正切函数；fout为ESN神经网络模型的ε个输出函数。
(5)、新陈代谢GM(1，1)趋势模型设计
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ESN神经网络模型输出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ESN神经网络模型输出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)趋势模型的实质是对输入原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对ESN神经网络模型输出的趋势进行预测。本发明采用新陈代谢GM(1，1)趋势模型预测ESN神经网络模型输出趋势的时间跨度长，用新陈代谢GM(1，1)趋势模型可以根据ESN神经网络模型值预测未来时刻输出趋势参数值，用上述方法预测出的各个输出趋势参数值后，把预测未来时刻输出参数趋势值再加分别加入ESN神经网络模型输出参数的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测多个未来输出参数趋势值。依此类推，预测出未来时刻输出参数趋势值。这种方法称为新陈代谢模型，它可实现较长时间的输出参数的趋势预测，可以更加准确地掌握输出参数值的变化趋势。
(5)、区间犹豫模糊数的BAM神经网络-NARX神经网络模型设计
区间犹豫模糊数的BAM神经网络-NARX神经网络模型为BAM神经网络输出作为NARX神经网络模型输入，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(8)。
BAM神经网络输出为NARX神经网络模型输入，NARX神经网络模型主要由输入层、隐层、输出层及输入和输出延时层构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n)，还取决于NARX神经网络模型当前的BAM神经网络输出向量X(t)以及BAM神经网络输出向量的延迟阶数等。NARX神经网络模型的BAM神经网络输出通过时延层传递给隐层，隐层对BAM神经网络输出的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将NARX神经网络模型反馈的信号和输入层的BAM神经网络输出的信号进行延时，然后输送到隐层。区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出的4个参数分别为a、b、c和d，a、b、c和d作为TDL按拍延迟线D的输入，a和b组成区间数(a,b)作为被检测参数的极小值，c和d组成区间数(c,d)作为被检测参数的极大值，区间数(a,b)和区间数(c,d)组成[(a,b)，(c,d)]作为被检测参数的区间犹豫模糊数，区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出作为参数检测模块的输出。
多个参数传感器输出的一段时间被检测的参数值分别作为对应的降噪自编码神经网络-NARX神经网络模型的输入，多个降噪自编码神经网络-NARX神经网络模型输出作为自适应AP聚类器的输入，自适应AP聚类器输出的不同类型降噪自编码神经网络-NARX神经网络模型输出分别作为对应的PSO的小波自适应神经网络模型的输入，多个PSO的小波自适应神经网络模型的输出作为ESN神经网络模型的对应输入，ESN神经网络模型输出作为作为TDL按拍延迟线A的输入，TDL按拍延迟线A的输出作为新陈代谢GM(1，1)趋势模型输入，TDL按拍延迟线A的输出与新陈代谢GM(1，1)趋势模型输出的差和新陈代谢GM(1，1)趋势模型输出分别作为NARX神经网络模型A和NARX神经网络模型B的输入，NARX神经网络模型A和NARX神经网络模型B输出分别作为TDL按拍延迟线B和TDL按拍延迟线C的输入，TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络-NARX神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出的4个参数分别为a、b、c和d，a和b组成区间数[a,b]作为被检测参数的极小值，c和d组成区间数[c,d]作为被检测参数的极大值，区间数[a,b]和区间数[c,d]组成([a,b]，[c,d])作为被检测参数的区间犹豫模糊数，区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出作为参数检测模块的输出。
2、气体浓度智能检测子系统设计
气体浓度智能检测子系统设计由2个参数检测模块、TDL按拍延迟线E、区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型组成，多个气体气体浓度传感器和多个温度传感器分别作为对应的参数检测模块的输入，2个参数检测模块和TDL按拍延迟线E的输出分别作为区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型输出的4个参数分别为e、f、g和h，e、f、g和h作为TDL按拍延迟线E的输入，e和f组成区间数[e，f]，g和h组成区间数[g，h]，区间数[e，f]和区间数[g，h]组成([e，f]，[g，h])作为被检测气体浓度的区间犹豫模糊数；区间犹豫模糊数的BAM神经网络-ANFIS模糊经网络模型为BAM神经网络输出作为ANFIS模糊神经网络模型输入，ANFIS模糊神经网络模型也称为自适应神经模糊推理系统(Adaptive Neuro-FuzzyInference System)，将神经网络和模糊推理有机地结合起来，既能发挥二者的优点，又可弥补各自的不足，自适应神经网络模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的，ANFIS最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的系统是尤为重要的。ANFIS模糊神经网络模型的输入为BAM神经网络模型输出，ANFIS模糊神经网络模型的主要运算步骤如下：
第1层：将输入的数据模糊化，每个节点对应输出可表示为：
本发明专利输入为BAM神经网络模型输出，式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
第2层：实现规则运算，输出规则的适用度，ANFIS模糊神经网络模型的规则运算采用乘法。
第3层：将各条规则的适用度归一化：
第4层：每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为：
第5层：该层的单节点是一个固定节点，计算ANFIS模糊神经网络模型的补偿估计值总输出为：
ANFIS模糊神经网络模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS模糊神经网络模型每一次迭代中首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层。ANFIS模糊神经网络模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS模糊神经网络模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS模糊神经网络模型参数的收敛速度。ANFIS模糊神经网络模型实现对BAM神经网络模型输出值进行预测，ANFIS模糊神经网络模型的输入为BAM神经网络输出。
二、物联网气体浓度监控系统设计
物联网气体浓度监控系统由测量与控制终端、现场监控端、网关节点、云平台和手机APP组成，测量与控制终端负责采集被检测气体浓度参数信息，在现场监控端中有气体浓度智能检测子系统，通过网关节点实现测量与控制终端、现场监控端、云平台和手机APP的双向通信，实现被检测气体浓度参数采集、处理、存储和监视，其中气体浓度智能检测子系统在权利1中实现。具体实施方式如下：
1、系统总体功能的设计
本发明物联网气体浓度监控系统实现对气体浓度参数进行检测和处理，该系统的多个气体浓度参数的测量与控制终端以自组织方式构建成无线测控网络来实现测量与控制终端、网关节点、现场监控端、云平台和手机APP的双向无线通信；测量与控制终端将检测的气体浓度参数通过网关节点发送给现场监控端和云平台，现场监控端的气体浓度智能检测子系统对气体浓度参数进行处理和气体浓度预测；在手机APP端通过访问云平台实现对气体浓度参数和实时监视。物联网气体浓度监控系统见图2所示。
2、测量与控制终端的设计
采用大量基于无线传感器网络的测量与控制终端作为气体浓度参数感知终端，测量与控制终端和网关节点通过自组织无线网络实现现场监控端以及云平台之间的信息相互交互。测量与控制终端包括采集气体浓度与环境参数温度、气体浓度传感器、湿度和压力传感器和对应的信号调理电路、STM32微处理器、气体净化器和CC2530无线传输模块；测量与控制终端的软件主要实现无线通信和气体浓度参数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。测量与控制终端结构见图3。
3、网关节点设计
网关节点包括CC2530模块、NB-IoT模块、STM32单片机和RS232接口，网关节点包括CC2530模块实现与测量与控制终端之间通信的自组织通信网络，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4。
3、现场监控端软件
现场监控端是一台工业控制计算机，现场监控端主要实现对气体浓度参数进行采集和气体浓度智能预测，实现与测量与控制终端与网关节点以及云平台和手机APP之间的信息交互，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、气体浓度智能检测子系统统。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (5)
1.气体浓度检测方法，其特征在于，包括以下步骤：
步骤1、构建参数检测模块
参数检测模块包括降噪自编码神经网络-NARX神经网络模型、自适应AP聚类器、多个PSO的小波自适应神经网络模型、ESN神经网络模型、TDL按拍延迟线A、新陈代谢GM(1，1)趋势模型、NARX神经网络模型A、NARX神经网络模型B、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络-NARX神经网络模型；
步骤2、气体浓度智能检测子系统包括参数检测模块、TDL按拍延迟线E、区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型，多个气体气体浓度传感器和多个温度传感器分别作为对应的参数检测模块的输入，2个参数检测模块和TDL按拍延迟线E的输出分别作为区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络-ANFIS模糊神经网络模型输出的4个参数分别为e、f、g和h，e、f、g和h作为TDL按拍延迟线E的输入，e和f组成区间数[e，f]，g和h组成区间数[g，h]，区间数[e，f]和区间数[g，h]组成([e，f]，[g，h])作为被检测气体浓度的区间犹豫模糊数；
步骤3、多个气体气体浓度传感器和多个温度传感器输出作为气体浓度智能检测子系统的输入，气体浓度智能检测子系统输出被检测气体浓度的区间犹豫模糊数。
2.根据权利要求1所述的气体浓度检测方法，其特征在于，所述步骤1中，多个参数传感器输出的一段时间被检测的参数值分别作为对应的降噪自编码神经网络-NARX神经网络模型的输入，多个降噪自编码神经网络-NARX神经网络模型输出作为自适应AP聚类器的输入，自适应AP聚类器输出的不同类型降噪自编码神经网络-NARX神经网络模型输出分别作为对应的PSO的小波自适应神经网络模型的输入，多个PSO的小波自适应神经网络模型的输出作为ESN神经网络模型的对应输入，ESN神经网络模型输出作为作为TDL按拍延迟线A的输入，TDL按拍延迟线A的输出作为新陈代谢GM(1，1)趋势模型输入，TDL按拍延迟线A的输出与新陈代谢GM(1，1)趋势模型输出的差和新陈代谢GM(1，1)趋势模型输出分别作为NARX神经网络模型A和NARX神经网络模型B的输入，NARX神经网络模型A和NARX神经网络模型B输出分别作为TDL按拍延迟线B和TDL按拍延迟线C的输入，TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络-NARX神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出的4个参数分别为a、b、c、d，区间犹豫模糊数的BAM神经网络-NARX神经网络模型输出作为参数检测模块的输出。
3.根据权利要求2所述的气体浓度检测方法，其特征在于，a和b组成区间数[a,b]作为被检测参数的极小值，c和d组成区间数[c,d]作为被检测参数的极大值，区间数[a,b]和区间数[c,d]组成([a,b]，[c,d])作为被检测参数的区间犹豫模糊数。
4.物联网气体浓度监控系统，其特征在于，所述监控系统包括测量与控制终端、现场监控端；测量与控制终端负责采集被检测气体浓度参数信息，在现场监控端中有气体浓度智能检测子系统，通过网关节点实现测量与控制终端、现场监控端、云平台和手机APP的双向通信，实现被检测气体浓度参数采集、处理、存储和监视，其中测量与控制终端、现场监控端加载有实现如权利要求1-3任一项所述的气体浓度检测方法的计算机程序步骤。
5.根据权利要求4所述的物联网气体浓度监控系统，其特征在于，所述测量与控制终端包括采集气体浓度参数温度、气体浓度传感器、湿度和压力传感器和对应的信号调理电路、STM32微处理器和CC2530无线传输模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211306413.3A CN115659201A (zh) | 2022-10-24 | 2022-10-24 | 物联网气体浓度检测方法及监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211306413.3A CN115659201A (zh) | 2022-10-24 | 2022-10-24 | 物联网气体浓度检测方法及监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115659201A true CN115659201A (zh) | 2023-01-31 |
Family
ID=84991145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211306413.3A Withdrawn CN115659201A (zh) | 2022-10-24 | 2022-10-24 | 物联网气体浓度检测方法及监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659201A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
-
2022
- 2022-10-24 CN CN202211306413.3A patent/CN115659201A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
| CN117706045B (zh) * | 2024-02-06 | 2024-05-10 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
| CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
| CN115630101B (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
| CN115905938B (zh) | 基于物联网储罐安全监测方法及系统 | |
| CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
| CN116738868A (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
| CN115616163A (zh) | 气体精确配制与浓度测量系统 | |
| 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 | |
| CN117232817A (zh) | 电动阀智能化的大数据监测方法及物联网系统 | |
| CN117306608A (zh) | 基坑大数据采集与智能化监测方法及其物联网系统 | |
| CN114358244B (zh) | 基于物联网的压力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 | |
| 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 | |
| CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
| Lu et al. | Relation-aware attentive neural processes model for remaining useful life prediction | |
| CN116108361B (zh) | 油液质量智能检测方法与监测系统 | |
| CN112183814A (zh) | 一种短期风速预测方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230131 |