CN116029435B - 一种生猪设施养殖环境舒适度预警系统 - Google Patents
一种生猪设施养殖环境舒适度预警系统 Download PDFInfo
- Publication number
- CN116029435B CN116029435B CN202310034770.7A CN202310034770A CN116029435B CN 116029435 B CN116029435 B CN 116029435B CN 202310034770 A CN202310034770 A CN 202310034770A CN 116029435 B CN116029435 B CN 116029435B
- Authority
- CN
- China
- Prior art keywords
- pig house
- neural network
- environment
- pig
- concentration
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 140
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 20
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 42
- 238000000354 decomposition reaction Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 34
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 33
- 238000007621 cluster analysis Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 22
- VIEYMVWPECAOCY-UHFFFAOYSA-N 7-amino-4-(chloromethyl)chromen-2-one Chemical compound ClCC1=CC(=O)OC2=CC(N)=CC=C21 VIEYMVWPECAOCY-UHFFFAOYSA-N 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 12
- 210000001638 cerebellum Anatomy 0.000 claims description 11
- 239000000428 dust Substances 0.000 claims description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 3
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000009313 farming Methods 0.000 claims 3
- 238000009395 breeding Methods 0.000 abstract description 14
- 230000001488 breeding effect Effects 0.000 abstract description 14
- 241000282898 Sus scrofa Species 0.000 description 284
- 239000013598 vector Substances 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 241000282887 Suidae Species 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种生猪设施养殖环境舒适度预警系统，包括：基于物联网的猪舍多环境参数采集模块，通过采集猪舍多环境参数，用以对猪舍进行多环境参数的检测和调控；猪舍环境舒适度评价模块，用于对猪舍多环境参数进行检测、预测和猪舍环境舒适度的预警；其中，猪舍环境舒适度评价模块包括：猪舍NH3浓度预测子模块、猪舍温度预测子模块、猪舍风速预测子模块、猪舍NH3浓度动态校正子模块和基于MSCPSO‑Elman神经网络猪舍环境舒适度评价器。本发明的生猪设施养殖环境舒适度预警系统，分析了猪舍关键环境参数对环境舒适度的影响，提出猪舍环境舒适度的温度和风速校正方法，旨在提高生猪设施养殖猪舍环境舒适度的评价精度。
Description
技术领域
本发明涉及农业设施养殖智能自动化装备领域，特别涉及一种生猪设施养殖环境舒适度预警系统。
背景技术
猪舍环境质量是生猪健康养殖的关键，直接影响猪只的生存状态、生长性能和繁殖性能。保持猪舍环境正常处于舒适的状态，可以确保猪群健康，有效预防和减少猪病的发生，提高仔猪的生长发育性能和母猪的繁殖力水平。随着集约化高密度养殖技术的发展，我国生猪养殖模式从人工养殖模式朝规模化的设施养殖模式转变。
目前，我国生猪设施养殖环境监测技术、智能决策手段和生猪设施养殖智能化相对较落后。主要难点在于：生猪设施养殖环境是一个多变量、非线性时变耦合系统，各环境因子之间相互影响、相互制约，作用机理复杂。因此，亟需利用先进的智能感知技术和智能决策技术研究探索生猪设施养殖多环境参数的监测、评价预测理论与方法，实现猪舍环境的精度调控，确保猪只健康生长，提高猪场环境质量管理水平，对国内生猪养猪业的可持续发展具有重要的理论价值和现实意义。
国外有关于应用人工神经网络进行农业养殖环境质量的评价预测研究，国内也有学者曾应用神经网络对农业养殖环境质量进行评价预测。准确评价预测农业养殖舍环境舒适度，有利于养殖管理人员及时了解猪舍环境空气质量状况，对养殖舍环境及时调控提供科学依据，有利于提高动物健康和福利及养殖户的养殖经济效益。但是，上述研究工作均未着重将神经网络等应用于猪舍内生猪养殖环境舒适度评价上。
发明内容
本发明目的之一在于提供了一种生猪设施养殖环境舒适度预警系统，分析了猪舍关键环境参数对环境舒适度的影响，提出猪舍环境舒适度的温度和风速校正方法，旨在提高生猪设施养殖猪舍环境舒适度的评价精度。
本发明实施例提供的一种生猪设施养殖环境舒适度预警系统，包括：
基于物联网的猪舍多环境参数采集模块，通过采集猪舍多环境参数，用以对猪舍进行多环境参数的检测和调控；
猪舍环境舒适度评价模块，用于对所述猪舍多环境参数进行检测、预测和猪舍环境舒适度的预警；
其中，所述猪舍环境舒适度评价模块包括：猪舍NH3浓度预测子模块、猪舍温度预测子模块、猪舍风速预测子模块、猪舍NH3浓度动态校正子模块和基于MSCPSO-Elman神经网络的猪舍环境舒适度评价器。
优选的，所述猪舍多环境参数采集模块包括：终端监控设备、网络通信层和应用层；
终端监控设备和网络通信层之间通过LoRa网络进行长距离通信；
网络通信层和应用层之间通过GPRS网络进行远距离通信。
优选的，所述终端监控设备包括：信息采集模块、信息传输模块和设备控制模块；
所述信息采集模块包括：温湿度传感器、氨气传感器、二氧化碳传感器、硫化氢传感器、风速传感器和灰尘传感器；
所述信息传输模块为LoRa无线通信模块；
所述设备控制模块为由PLC控制的负压风机、湿帘、加热器、气体净化器和触摸屏；所述PLC负责采集、发送传感器数据并控制现场设备；
所述LoRa无线通信模块将采集的猪舍环境信息发送至LoRa汇聚节点并接收下发的控制指令。
优选的，所述网络通信层包括：LoRa汇聚节点和GPRS-DTU模块；
所述LoRa汇聚节点汇聚各LoRa终端信息采集点采集的猪舍多环境参数数据，通过GPRS-DTU模块和上位机建立通信连接。
优选的，所述应用层包括：所述猪舍环境舒适度评价模块、猪舍环境监控模块和网络通信接口；
所述猪舍环境监控模块的功能包括：猪舍信息汇总、历史数据统计分析、实时数据获取、系统管理；
所述网络通信接口实现上位机监控平台和下位机测控系统间的网络通信。
优选的，所述猪舍NH3浓度预测子模块包括：基于密度的猪舍NH3浓度聚类分析分类器、多个小波分解模型、多组LSTM神经网络预测模型和小波神经网络猪舍NH3浓度预测结果重构模型；
所述猪舍多环境参数中的猪舍内多个NH3浓度检测点的NH3浓度值作为所述猪舍NH3浓度聚类分析分类器的输入；
所述猪舍NH3浓度聚类分析分类器对所述NH3浓度值进行分类，分类后的每种类型的猪舍检测点NH3浓度值作为对应所述小波分解模型的输入；
所述小波分解模型的低频分量和多个高频分量作为每组所述LSTM神经网络模型的输入；
每组所述LSTM神经网络模型的预测值经等权重线性求和得到融合预测值；
每组所述LSTM神经网络模型的所述融合预测值作为所述小波神经网络NH3浓度预测结果重构模型的输入；
所述小波神经网络NH3浓度预测结果重构模型的输出值作为猪舍NH3浓度预测子模块的最终NH3浓度预测输出值。
优选的，所述猪舍温度预测子模块包括：基于模型的猪舍温度聚类分析分类器、多个CMAC小脑模型神经网络温度预测模型和小波神经网络猪舍温度预测结果重构模型；
所述猪舍多环境参数中的猪舍内多个温度检测点的温度值作为所述猪舍温度聚类分析分类器的输入；
所述猪舍温度聚类分析分类器对所述温度值进行分类，分类后的每种类型的猪舍温度检测点温度值作为对应所述CMAC小脑模型神经网络温度预测模型的输入；
所述CMAC小脑模型神经网络温度预测模型的温度预测值作为所述小波神经网络猪舍温度预测结果重构模型的输入；
所述小波神经网络猪舍温度预测结果重构模型的输出值作为猪舍温度预测子模块的最终温度预测输出值。
优选的，所述猪舍风速预测子模块包括：猪舍风速EEMD分解模型、样本熵合并重组模型、3个ELM神经网络模型和小波神经网络猪舍风速预测结果重构模型；
猪舍风速EEMD分解模型将所述猪舍多环境参数中的猪舍内多个风速检测点的风速值分解为多个IMF分量和一个残余量；
样本熵合并重组模型将多个IMF分量和一个残余量重组为随机分量、细节分量和趋势分量；
随机分量、细节分量和趋势分量分别作为3个ELM神经网络风速预测模型的输入；
3个ELM神经网络风速预测模型的输出作为小波神经网络猪舍风速预测结果重构模型的输入；
小波神经网络猪舍风速预测结果重构模型的输出值作为猪舍风速预测子模块的最终猪舍风速预测输出值。
优选的，所述猪舍NH3浓度动态校正子模块包括：4个dy/dt和DRNN神经网络；
所述4个dy/dt均分2组，每组2个dy/dt串联构成变化率回路1和变化率回路2；
猪舍NH3浓度预测子模块的输出作为DRNN神经网络a端的输入；
猪舍温度预测子模块的输出作为变化率回路1的输入和DRNN神经网络b端的输入；
变化率回路1的2个dy/dt的连接端的输出为DRNN神经网络d端的输入；
变化率回路1的输出为DRNN神经网络c端的输入；
猪舍风速预测子模块的输出作为变化率回路2的输入和DRNN神经网络e端的输入；
变化率回路2的2个dy/dt的连接端的输出为DRNN神经网络g端的输入；
变化率回路2的输出为DRNN神经网络f端的输入；
DRNN神经网络由7个输入节点、16个中间节点和1个输出节点组成。
优选的，所述猪舍环境舒适度评价器根据猪舍NH3浓度动态校正子模块输出的猪舍NH3浓度预测值的大小、猪舍温度预测子模块输出的猪舍温度预测值的大小、猪舍风速预测子模块输出的猪舍风速预测值的大小、所述猪舍多环境参数中的湿度检测值、CO2检测值、H2S检测值、灰尘检测值、预设的猪舍环境参数要求、猪舍类型和生猪品种作为输入，输出猪舍环境舒适度等级；
所述猪舍环境舒适度等级包括：猪舍环境舒适、猪舍环境比较舒适、猪舍环境良好、猪舍环境差和猪舍环境极差。
本发明取得了以下有益效果：
1、本发明根据猪舍环境NH3和温度参数样本差异的特点，构建猪舍环境NH3和温度的基于密度的聚类分析分类器对猪舍多个检测点NH3和温度预测样本参数进行分类，设计关于NH3的多个LSTM神经网络预测模型和小波神经网络预测结果重构模型，设计关于温度的多个CMAC小脑模型神经网络预测模型和小波神经网络预测结果重构模型，分别再对猪舍多个检测点NH3和温度的样本参数进行预测，充分考虑NH3、温度的时间空间分布特性，把特性相近、相对均质的数据从猪舍环境NH3、温度海量级的数据中提取出来，从而建立针对性更强，更能反映任意时间空间段的预测模型，提高猪舍环境NH3和温度的预测精度。
2、本发明多个小波分解模型将猪舍NH3浓度时间序列信号分解得到不同频段的分量，低频分量代表原始序列的变化趋势，高频分量代表原始序列的波动成分，具有一定的周期性和随机性，这与猪舍NH3浓度的周期性变化相符合。因此，猪舍NH3浓度小波分解模型能够逐级分解出猪舍NH3浓度的趋势分量、波动分量和周期分量，分解出的各分量变化曲线比原始序列曲线光滑，从而有效分析多个因素共同作用下的猪舍NH3浓度变形数据，有利于多个LSTM神经网络NH3预测模型更好地预测。使用各分量分别建立LSTM神经网络预测模型，为突出同类子序列的相关性，首先对各分量进行样本熵合并重组，再进行相空间重构，接着将各分量的预测结果进行等权重叠加得到融合预测结果，最后将多个LSTM神经网络NH3预测模型的融合预测结果进行非线性叠加得到最终的NH3浓度输出值。实例研究表明，所提出的最终预测结果具有较高的猪舍NH3浓度预测精度。
3、本发明基于SOM网络分类器对猪舍多个检测点的温度值进行分类，然后为每一类学习样本建立一个相应的CMAC小脑模型子网络进行学习，构成一个分布式CMAC神经网络。在预测时，符合同一类温度参数的数据利用相应的CMAC子网络进行预测。实例研究表明，利用多个CMAC子网络构建的模型进行预测，增强了模型对未知数据的预测精度。
4、本发明由于猪舍风速具有复杂的非线性和非平稳性，若直接建立其预测模型，预测精度达不到要求。通过猪舍风速EEMD分解模型将猪舍风速参数时间序列分解为多个IMFx分量和一个残余量，随着阶次x的增加，分量序列呈现规整和平稳化，残余量呈长周期性，体现猪舍风速的长期平均趋势。为突出同类子序列的相关性，采用样本熵合并子序列，将相近的模态函数合并得到猪舍风速的随机分量、细节分量和趋势分量。分解合并后的子序列规律性更强，符合原始猪舍风速序列的特性。利用各分量分别构建ELM神经网络风速预测模型，最后通过小波神经网络将各分量的预测结果进行非线性叠加得到最终的风速输出值。实例研究表明，所提出的最终预测结果具有较高的猪舍风速预测精度。
5、本发明基于MSCPSO-Elman神经网络猪舍环境舒适度等级评价器根据猪舍NH3浓度动态校正系统输出猪舍NH3浓度预测值的大小、猪舍温度预测子模块输出猪舍温度预测值的大小、猪舍风速预测子模块输出猪舍风速预测值的大小、湿度检测值、CO2检测值、H2S检测值和灰尘检测值对环境参数要求不同的猪舍类型和生猪品种作为基于MSCPSO-Elman神经网络猪舍环境舒适度评价器的输入，基于MSCPSO-Elman神经网络猪舍环境舒适度评价器的输出把猪舍环境参数满足不同品种猪在不同生长阶段的需求分为猪舍环境舒适、猪舍环境比较舒适、猪舍环境良好、猪舍环境差和猪舍环境极差五个猪舍环境舒适度等级。根据对环境参数要求不同的猪舍类型和生猪品种对猪舍环境舒适度进行评价，提高猪舍环境舒适度评价的准确性和科学性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种生猪设施养殖环境舒适度预警系统的示意图；
图2为本发明实施例中猪舍多环境参数采集模块的示意图；
图3为本发明实施例中猪舍环境舒适度评价模块的示意图；
图4为本发明实施例中远程服务器监控端软件功能框图；
图5为本发明实施例中猪场LoRa星形网络设备布置图；
图6为本发明实施例中基于物联网的猪舍多环境参数采集模块传感器节点平面布置图；
图7为本发明实施例中基于物联网的猪舍多环境参数采集模块传感器平面布置图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种生猪设施养殖环境舒适度预警系统，如图1所示，包括：
基于物联网的猪舍多环境参数采集模块，通过采集猪舍多环境参数，用以对猪舍进行多环境参数的检测和调控；
猪舍环境舒适度评价模块，用于对所述猪舍多环境参数进行检测、预测和猪舍环境舒适度的预警；
其中，所述猪舍环境舒适度评价模块包括：猪舍NH3浓度预测子模块、猪舍温度预测子模块、猪舍风速预测子模块、猪舍NH3浓度动态校正子模块和基于MSCPSO-Elman神经网络的猪舍环境舒适度评价器。
所述猪舍多环境参数采集模块包括：终端监控设备、网络通信层和应用层；
终端监控设备和网络通信层之间通过LoRa网络进行长距离通信；
网络通信层和应用层之间通过GPRS网络进行远距离通信。
所述终端监控设备包括：信息采集模块、信息传输模块和设备控制模块；
所述信息采集模块包括：温湿度传感器、氨气传感器、二氧化碳传感器、硫化氢传感器、风速传感器和灰尘传感器；
所述信息传输模块为LoRa无线通信模块；
所述设备控制模块为由PLC控制的负压风机、湿帘、加热器、气体净化器和触摸屏；所述PLC负责采集、发送传感器数据并控制现场设备；
所述LoRa无线通信模块将采集的猪舍环境信息发送至LoRa汇聚节点并接收下发的控制指令。
所述网络通信层包括：LoRa汇聚节点和GPRS-DTU模块；
所述LoRa汇聚节点汇聚各LoRa终端信息采集点采集的猪舍多环境参数数据，通过GPRS-DTU模块和上位机建立通信连接。
所述应用层包括：所述猪舍环境舒适度评价模块、猪舍环境监控模块和网络通信接口；
所述猪舍环境监控模块的功能包括：猪舍信息汇总、历史数据统计分析、实时数据获取、系统管理；
所述网络通信接口实现上位机监控平台和下位机测控系统间的网络通信。
上述技术方案的工作原理及有益效果为：
基于物联网的猪舍多环境参数采集模块包括终端监控设备、网络通信层和应用层，终端监控设备通过LoRa无线通信将检测的猪舍多环境参数发送至网络通信层；网络通信层的LoRa汇聚节点汇聚各终端监控设备发送的环境信息，再通过GPRS无线通信发送至应用层的上位机服务器；上位机服务器将采集的猪舍多环境参数存储至数据库中，猪舍环境舒适度评价系统根据存储的猪舍多环境参数进行舒适度评价。整个系统结构见图2和图3。
终端监控设备包括多个LoRa终端采集点。LoRa终端采集点包括采集猪舍温湿度、CO2浓度、NH3浓度、H2S浓度、风速和灰尘参数的传感器、PLC、控制猪舍环境的负压风机、湿帘、加热器、气体净化器和触摸屏等现场设备。PLC采集的猪舍环境信息通过LoRa模块发送至LoRa汇聚节点。为避免数据碰撞，各LoRa终端采集点间隔一定的时间向LoRa汇聚节点发送采集的多环境参数。LoRa终端采集点的软件主要实现猪舍多环境参数的采集和预处理、猪舍关键环境参数的控制及LoRa无线通信。软件采用梯形图程序设计，简便且直观，提高了程序的可读性，从而发挥出设备强大的可靠性。
应用层服务器监控软件基于C/S架构，使用C#.Net语言在VisualStudio2021环境下开发。其功能结构如图4所示，包括猪舍环境舒适度评价系统、猪舍环境监控系统与网络通信接口。猪舍环境舒适度评价系统根据猪舍NH3浓度动态校正系统的输出、猪舍温度重构预测值、猪舍风速重构预测值、湿度检测值、CO2检测值、H2S检测值、灰尘检测值、生猪品种、猪舍类型来评价猪舍环境舒适度等级。猪舍环境监控系统可以查看和管理猪场所有猪舍的多环境参数历史数据。网络通信接口实现服务器和客户端之间的通信。
在具体应用的时候，根据生猪养殖场实际状况，对不同类型的猪舍进行LoRa星形组网，汇聚网关布置在猪场管理办公室，如图5所示；传感器节点均衡布置在被检测的不同类型的猪舍环境中，传感器节点平面布置如图6所示；传感器均衡布置在被检测的不同类型的猪舍环境中，距地0.5米、1.0米和1.5米三个不同高度，传感器平面布置如图7所示，，0.5米、1.0米位置猪可能会破坏传感器，为了防止猪只对传感器进行破坏，可安装声光驱赶器对靠近的猪只进行警示驱离，通过该系统实现对不同类型的猪舍三维空间多环境参数检测和猪舍环境舒适度的智能化预警。
在一个实施例中，所述猪舍NH3浓度预测子模块包括：基于密度的猪舍NH3浓度聚类分析分类器、多个小波分解模型、多组LSTM神经网络预测模型和小波神经网络猪舍NH3浓度预测结果重构模型；
所述猪舍多环境参数中的猪舍内多个NH3浓度检测点的NH3浓度值作为所述猪舍NH3浓度聚类分析分类器的输入；
所述猪舍NH3浓度聚类分析分类器对所述NH3浓度值进行分类，分类后的每种类型的猪舍检测点NH3浓度值作为对应所述小波分解模型的输入；
所述小波分解模型的低频分量和多个高频分量作为每组所述LSTM神经网络模型的输入；
每组所述LSTM神经网络模型的预测值经等权重线性求和得到融合预测值；
每组所述LSTM神经网络模型的所述融合预测值作为所述小波神经网络NH3浓度预测结果重构模型的输入；
所述小波神经网络NH3浓度预测结果重构模型的输出值作为猪舍NH3浓度预测子模块的最终NH3浓度预测输出值。
上述技术方案的工作原理及有益效果为：
本专利采用的基于密度的聚类分析分类器，聚类中心的特点在于：本身的密度大，即它被密度不超过它的近邻包围；与其他密度更大的数据点之间的距离相对更大。等权重线性求和为基于线性加权法求和，各权重设置为相同。
聚类中心的选取方法：设NH3浓度待聚类的数据集
，/>
为相应指标集，/>
表示数据点/>
和/>
之间的距离，N为数据点的数量，e为指数函数的底。
采用高斯核建立局部密度
公式中
为截断距离。
设
表示/>
的一个降序排列的下标序，满足/>
，则距离/>
计算公式：
其中，qi是一个下标序，min为取最小值函数，max为取最大值函数；
根据
决策图可定性确定聚类中心，进一步根据/>
可定量确定聚类中心的个数，/>
值越大，越有可能是聚类中心；其中，/>
值为横轴，/>
值为纵轴，
为综合考虑量。
聚类算法如下：
①.初始化和预处理。设定用于确定截断距离
的参数/>
。计算距离/>
，并令/>
。将计算的距离/>
共/>
个进行升序排列，设得到的序列为/>
，取/>
；其中，M为计算的距离数量，
表示对Mt进行四舍五入后得到的整数。按公式（1）计算局部密度/>
，并生成其降序排列下标序/>
。按公式（2）计算距离/>
和非聚类中心数据点的编号/>
。
②.确定聚类中心
，初始化数据点归类属性标记/>
，即
；其中，/>
为聚类中心的簇数。
③.对非聚类中心数据点进行归类。
④.若数据集
中包含的簇/>
，则将每个聚类中的数据点进一步分为簇核心和簇晕。簇核心标记为/>
，为每一个簇生成一个平均局部密度上界/>
。如果/>
，则簇晕标记为/>
。
基于密度的猪舍NH3浓度聚类分析分类器将猪舍NH3浓度检测值分为多种类型，每种猪舍NH3浓度分别作为对应猪舍NH3浓度小波分解模型的输入，每个小波分解模型的输出为该类型猪舍NH3浓度的低频分量和多个高频分量。
基于密度的猪舍NH3浓度聚类算法根据猪舍NH3浓度的特点分成多个种类，每种猪舍NH3浓度作为对应小波分解模型的输入，对应的小波分解模型把对应种类的NH3浓度分解为低频分量和多个高频分量。每组低频分量和高频分量作为每组LSTM神经网络预测模型组的输入，提高猪舍NH3浓度的预测精度。本专利采用小波分析对猪舍NH3浓度时间序列数据进行分解，对分解后的各层信息进行自相关和互相关分析。小波分解对数据进了平滑处理，便于后续使用。根据各层分解信号分别建立对应的LSTM神经网络预测模型预测猪舍NH3浓度，最后把各组预测结果等权重相加重构，得到各类猪舍NH3浓度预测值。小波多分辨率分解过程一般采用Mallat算法，其分解算法为：
公式中
、/>
分别为低通和高通分解滤波器。/>
、/>
分别为分辨率/>
下的低频系数和高频系数。其重构算法为：
公式中
、/>
分别为低通和高通重构滤波器。/>
、/>
分别为分辨率/>
下的低频分量和高频分量。Mallat算法将每一层分解得到的低频信号再次分解，经过层层分解，原始信号/>
进行/>
层分解后得到的结果为：
公式中
为第/>
层分解后的低频分量，/>
为第/>
层分解后的高频分量。小波分解模型可以将NH3浓度数据序列信号分解到不同的分辨率空间，有益效果在于分解到不同的分辨率空间猪舍NH3浓度数据序列比原始猪舍NH3浓度数据序列更简单并且预测猪舍NH3浓度更准确。
长短时记忆LSTM神经网络是一种特殊的循环神经网络RNN。LSTM通过对时序数据历史特征的提取实现数据的未来变化的预测，适合于多个领域时序数据的处理及预测。它主要包括记忆单元和输入门、输出门、遗忘门。遗忘门负责决定从记忆单元中丢弃哪些信息，表达式为
公式中
、/>
、/>
和/>
分别为遗忘门的权重系数和偏置，/>
为遗忘门，/>
为t时刻的输入，/>
为t-1时刻的候选向量。/>
为t-1时刻的输出。
输入门负责决定哪些信息可以保存在记忆单元中，表达式为
公式中
、/>
、/>
和/>
分别为输入门的权重系数和偏置。/>
、/>
和/>
分别为候选向量的权重系数和偏置。/>
为输入门，/>
和/>
为t时刻的候选向量和候选向量更新值。
输出门决定将输出哪些信息，表达式为
公式中
、/>
、/>
分别为输出门的权重系数。/>
为sigmoid激活函数，
为双曲正切激活函数，/>
为输出门，/>
为t时刻的输出。
LSTM神经网络预测模型的输出是NH3浓度数据在低频和高频状态下的预测值，
为猪舍NH3浓度历史数据经过小波分解后的低频和高频信息。
设小波神经网络预测预测结果重构模型的输入信号为一维向量
，输出信号为/>
，小波神经网络预测模型输出层的预测值为
公式中
为输入层i节点和隐含层j节点间的连接权，/>
为隐含层j节点和输出层k节点间的连接权，/>
为小波基函数，/>
为小波基函数的尺度因子，/>
为小波基函数的平移因子。本专利采用梯度修正小波神经网络预测模型的权值和小波基函数参数，使得小波神经网络的预测输出不断逼近期望输出。
小波神经网络NH3浓度预测结果重构模型的输入为猪舍NH3浓度的多个LSTM神经网络预测模型的输出，小波神经网络NH3浓度预测结果重构模型的输出值为猪舍风速预测子模块风速的预测输出值。
在一个实施例中，所述猪舍温度预测子模块包括：基于模型的猪舍温度聚类分析分类器、多个CMAC小脑模型神经网络温度预测模型和小波神经网络猪舍温度预测结果重构模型；
所述猪舍多环境参数中的猪舍内多个温度检测点的温度值作为所述猪舍温度聚类分析分类器的输入；
所述猪舍温度聚类分析分类器对所述温度值进行分类，分类后的每种类型的猪舍温度检测点温度值作为对应所述CMAC小脑模型神经网络温度预测模型的输入；
所述CMAC小脑模型神经网络温度预测模型的温度预测值作为所述小波神经网络猪舍温度预测结果重构模型的输入；
所述小波神经网络猪舍温度预测结果重构模型的输出值作为猪舍温度预测子模块的最终温度预测输出值。
上述技术方案的工作原理及有益效果为：
基于模型的猪舍温度聚类分析分类器为SOM网络分类器，SOM网络是一种无指导的聚类方法，通过寻找最优参考矢量集来对输入模式集进行分类，形成的聚类中心能映射到一个曲面或平面上，并保持网络拓扑结构不变，实现未知聚类中心的判别。SOM网络的结构包括输入层和竞争层。输入层接收输入的猪舍温度数据，竞争层通过竞争学习产生最终优胜的输出神经元。SOM网络学习算法如下：
①.设定竞争层各神经元的初始权值
，赋予[0,1]间的随机小数，设置初始学习速率/>
和最大训练样本数/>
。
②.输入猪舍温度维向量为
，竞争层各神经元/>
与输入向量/>
的欧氏距离为/>
，将欧氏距离最小的神经元作为优胜神经元/>
。
③.获胜神经元
的邻域为/>
，/>
为/>
的邻域内神经元，
随学习进行而减小，调整领域内的神经元/>
的权值：
，/>
，/>
随时间增加趋向于0，使得邻域内的神经元向量朝着输入向量的方向靠拢。其中，exp是以自然常数e为底的指数函数。
为高斯函数的方差。
④.
，判断是否达到最后一个样本，如果没有，转入步骤②，重复各步骤直至处理完最后一个样本。
猪舍温度SOM网络分类器把猪舍温度检测值分为种类型，每种猪舍温度作为对应猪舍温度CMAC子网络预测模型的输入，每种CMAC子网络预测模型的输出为该类型猪舍温度的预测输出值。
CMAC神经网络是一种局部逼近网络，它把信息存储在局部的结构上，在保证函数逼近性能的前提下，学习速度快，CMAC函数逼近器对学习数据出现的次序不敏感，网络结构简单，易于实现。设猪舍温度CMAC子网络预测模型的输入信号为一维向量
，输出信号为/>
，则猪舍温度CMAC子网络预测模型输出的预测值为
公式中
为基函数的输出值，/>
为权值向量，/>
为泛化参数。本专利中采用误差纠正算法修正CMAC神经网络的权值，使得CMAC神经网络的预测输出不断逼近期望输出。
在一个实施例中，所述猪舍风速预测子模块包括：猪舍风速EEMD分解模型、样本熵合并重组模型、3个ELM神经网络模型和小波神经网络猪舍风速预测结果重构模型；
猪舍风速EEMD分解模型将所述猪舍多环境参数中的猪舍内多个风速检测点的风速值分解为多个IMF分量和一个残余量；
样本熵合并重组模型将多个IMF分量和一个残余量重组为随机分量、细节分量和趋势分量；
随机分量、细节分量和趋势分量分别作为3个ELM神经网络风速预测模型的输入；
3个ELM神经网络风速预测模型的输出作为小波神经网络猪舍风速预测结果重构模型的输入；
小波神经网络猪舍风速预测结果重构模型的输出值作为猪舍风速预测子模块的最终猪舍风速预测输出值。
上述技术方案的工作原理及有益效果为：
EEMD分解算法在分解过程中加入了白噪声，克服了EMD的模态混叠现象，适用于分析非线性和不稳定的数据序列。猪舍风速集合经验模态分解（EEMD）能将猪舍风速时间序列数据信息中不同特征的分量分解出来，得到多个IMF分量和一个残余项Res，反映原始猪舍风速信号不同的波动信息。猪舍风速集合经验模态分解加入的白噪声使得IMF的个数增多，使得分解后的分量逐渐趋于平滑。猪舍风速集合经验模态分解方法针对猪舍风速时间序列数据的分解过程步骤如下：
①.将标准正态分布的白噪声
添加到原始猪舍风速信号/>
中，产生新信号
。
②.对含噪声的新信号
进行EMD分解，得到一组IMF分量/>
和一个残余量
，则/>
,/>
为IMF的数量。
③.重复步骤①、②，每次分解加入幅值不同的白噪声信号，得到不同的IMF分量和残余量。
④.EEMD分解后最终结果为IMF分量和残余量的总体均值，即
，其中，M为总体平均次数，/>
为第a次加入白噪声后分解得到的第i个IMF分量。
这样猪舍风速集合经验模态分解模型就把猪舍风速时间序列数据分解为多个IMF分量和残余项Res。
样本熵是一种新的时间序列复杂性度衡量方法，具有更强的抗噪能力和优异的一致性。样本熵值越小，表明序列的自相似性越高；反之，自相似性越低。采用样本熵合并重组猪舍风速EEMD分解模型分解得到的模态函数分量序列，可以减少猪舍风速预测计算量并且突出同类子序列时间的相关性。样本熵计算步骤如下：
设猪舍风速数据序列为
，共/>
个数据点。
①.将猪舍风速数据序列按照顺序组成一维矢量，
，
其中，
。
②.定义向量
和/>
之间的距离，/>
为两者对应元素中最大差值的绝对值。
③.给定相似性容限阈值
，对每一个/>
值，统计/>
的数目计作/>
，计算该数目与距离总数的比值并求其平均值为/>
。
④.将维数增加1，即对于维矢量，重复步骤①~③，得到
。
⑤.当N为有限值时，时间序列样本熵可表示为
，其中，
为样本熵，N为数据的长度，m为维数，r为容限。
Matlab中可以调用样本熵函数SampEn(data,m,r)对猪舍风速EEMD分解模型分解得到的IMF进行样本熵求解，然后将样本熵值相接近的IMF分量进行叠加得到随机分量、细节分量和趋势分量，这样通过样本熵重组合并能够减少分量个数，强化同类分量的典型特性。
ELM极限学习机器属单隐层前馈神经网络，与传统BP神经网络和支持向量机相比，其参数设置容易、收敛速度快、泛化能力强，且效果也很精确，同时可以克服局部极小过拟合问题。ELM三层网络结构能逼近任何非线性函数。网络模型通常分为输入层、隐含层和输出层。设风速历史数据训练样本集
，/>
和/>
分别为输入和输出样本数据，/>
为样本数。用激活函数以零误差逼近这/>
个样本，得到ELM神经网络的模型为：/>
公式中
为隐藏层节点数，/>
为隐藏层与输出层之间的权值，/>
为输入层与隐藏层之间的权值，/>
为偏置向量，/>
为激活函数。
3个ELM神经网络风速预测模型的预测值作为小波神经网络猪舍风速预测结果重构模型的输入，小波神经网络猪舍风速预测结果重构模型实现对3个ELM神经网络风速预测模型的预测值非线性叠加得到最终的猪舍风速预测值，小波神经网络猪舍风速预测结果重构模型设计的设计方法可以参照本专利的小波神经网络NH3浓度预测结果重构模型设计方法。
在一个实施例中，所述猪舍NH3浓度动态校正子模块包括：4个dy/dt和DRNN神经网络；
所述4个dy/dt均分2组，每组2个dy/dt串联构成变化率回路1和变化率回路2；
猪舍NH3浓度预测子模块的输出作为DRNN神经网络a端的输入；
猪舍温度预测子模块的输出作为变化率回路1的输入和DRNN神经网络b端的输入；
变化率回路1的2个dy/dt的连接端的输出为DRNN神经网络d端的输入；
变化率回路1的输出为DRNN神经网络c端的输入；
猪舍风速预测子模块的输出作为变化率回路2的输入和DRNN神经网络e端的输入；
变化率回路2的2个dy/dt的连接端的输出为DRNN神经网络g端的输入；
变化率回路2的输出为DRNN神经网络f端的输入；
DRNN神经网络由7个输入节点、16个中间节点和1个输出节点组成。
上述技术方案的工作原理及有益效果为：
猪舍NH3浓度动态校正子模块由4个dy/dt和对角递归神经网络（DRNN）组成，4个dy/dt均分2组，每组2个dy/dt串联构成变化率回路1和变化率回路2。猪舍NH3浓度预测子模块的输出作为DRNN神经网络a端的输入。猪舍温度预测子模块的输出作为变化率回路1的输入和DRNN神经网络b端的输入，变化率回路1的2个dy/dt的连接端的输出为DRNN神经网络d端的输入，变化率回路1的输出为DRNN神经网络c端的输入。猪舍风速预测子模块的输出作为变化率回路2的输入和DRNN神经网络e端的输入，变化率回路2的2个dy/dt的连接端的输出为DRNN神经网络g端的输入，变化率回路2的输出为DRNN神经网络f端的输入。DRNN神经网络由7个输入节点分别为a、b、c、d、e、f和g，16个中间节点和1个输出节点组成。本专利构建的DRNN神经网络，采用7-16-1的三层网络结构，隐含层为递归层。设DRNN的网络输入向量为
，其中/>
为第/>
个神经元/>
时刻的输入，/>
为第/>
个递归神经元的输入总和，/>
为第/>
个递归层的输出。/>
为/>
的函数，取Sigmoid函数。则DRNN神经网络输出层的输出为：
其中，
为输出层权系数。
本专利采用梯度法修正DRNN神经网络的权值，使得DRNN神经网络的预测输出不断逼近期望输出。猪舍NH3浓度动态校正系统实现对猪舍温度和风速对猪舍NH3浓度影响程度的校正，反映了猪舍温度和风速实际检测值变化对猪舍NH3浓度的影响大小，提高猪舍NH3浓度预测的精准度。
在一个实施例中，所述猪舍环境舒适度评价器根据猪舍NH3浓度动态校正子模块输出的猪舍NH3浓度预测值的大小、猪舍温度预测子模块输出的猪舍温度预测值的大小、猪舍风速预测子模块输出的猪舍风速预测值的大小、所述猪舍多环境参数中的湿度检测值、CO2检测值、H2S检测值、灰尘检测值、预设的猪舍环境参数要求、猪舍类型和生猪品种作为输入，输出猪舍环境舒适度等级；
所述猪舍环境舒适度等级包括：猪舍环境舒适、猪舍环境比较舒适、猪舍环境良好、猪舍环境差和猪舍环境极差。
上述技术方案的工作原理及有益效果为：
Elman神经网络是一种动态递归神经网络,它在BP网络基础上，在隐藏层增加一个关联层，作为一步延时算子，达到记忆上一状态的效果，从而使系统具有适应时变特性的能力，增加了网络的全局稳定性。Elman神经网络结构类似于4层BP神经网络，隐藏层的输出通过关联层的延迟与存储，自联到隐藏层的输入。这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增强了网络本身处理动态信息的能力，从而达到动态建模的目的。设Elman神经网络的输入层、隐藏层和输出层节点个数分别为m、n和l，网络的隐藏层、关联层和输出层的输出值分别为：
公式中
为关联层到隐藏层的连接权矩阵，/>
为输入层到隐藏层的连接权矩阵，/>
为隐藏层和输出层的连接权矩阵，/>
为关联层和输出层到输出层的连接矩阵，
为输入层输入；/>
隐藏层的输出值，/>
为关联层的输出值，/>
为输出层的输出值。
基于MSCPSO-Elman神经网络的猪舍环境舒适度评价器根据猪舍NH3浓度动态校正子模块的NH3浓度输出值、猪舍温度预测子模块温度预测值、猪舍风速预测子模块风速预测值、湿度检测值、CO2检测值、H2S检测值、灰尘检测值、猪舍类型、生猪品种作为基于MSCPSO-Elman神经网络猪舍环境舒适度评价器的输入，基于MSCPSO-Elman神经网络猪舍环境舒适度评价器的输出为猪舍环境舒适、猪舍环境比较舒适、猪舍环境良好、猪舍环境差和猪舍环境极差共五个猪舍环境舒适度等级。生猪品种量化方法为长白为1、大白为2、杜洛克为3、皮特兰为4等根据不同生猪品种量化为不同的数字输入Elman神经网络代替不同的猪只品种；猪舍类型量化方法为育肥舍为1、妊娠舍为2、哺乳舍为3、保育舍为4等根据猪舍不同类型量化为不同的数字输入Elman神经网络代替不同的猪舍类型，基于MSCPSO-Elman神经网络猪舍环境舒适度评价器中Elman神经网络的输入层、隐藏层和输出层节点个数分别为9、19和1，猪舍环境舒适、猪舍环境比较舒适、猪舍环境良好、猪舍环境差和猪舍环境极差对应基于MSCPSO-Elman神经网络猪舍环境舒适度评价器的输出大小分别为
，/>
，
，/>
和/>
。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种生猪设施养殖环境舒适度预警系统，其特征在于，包括：
基于物联网的猪舍多环境参数采集模块，通过采集猪舍多环境参数，用以对猪舍进行多环境参数的检测和调控；
猪舍环境舒适度评价模块，用于对所述猪舍多环境参数进行检测、预测和猪舍环境舒适度的预警；
其中，所述猪舍环境舒适度评价模块包括：猪舍NH3浓度预测子模块、猪舍温度预测子模块、猪舍风速预测子模块、猪舍NH3浓度动态校正子模块和基于MSCPSO-Elman神经网络的猪舍环境舒适度评价器；
所述猪舍NH3浓度预测子模块包括：基于密度的猪舍NH3浓度聚类分析分类器、多个小波分解模型、多组LSTM神经网络预测模型和小波神经网络猪舍NH3浓度预测结果重构模型；
所述猪舍多环境参数中的猪舍内多个NH3浓度检测点的NH3浓度值作为所述猪舍NH3浓度聚类分析分类器的输入；
所述猪舍NH3浓度聚类分析分类器对所述NH3浓度值进行分类，分类后的每种类型的猪舍检测点NH3浓度值作为对应所述小波分解模型的输入；
所述小波分解模型的低频分量和多个高频分量作为每组所述LSTM神经网络模型的输入；
每组所述LSTM神经网络模型的预测值经等权重线性求和得到融合预测值；
每组所述LSTM神经网络模型的所述融合预测值作为所述小波神经网络NH3浓度预测结果重构模型的输入；
所述小波神经网络NH3浓度预测结果重构模型的输出值作为猪舍NH3浓度预测子模块的最终NH3浓度预测输出值；
所述猪舍温度预测子模块包括：基于模型的猪舍温度聚类分析分类器、多个CMAC小脑模型神经网络温度预测模型和小波神经网络猪舍温度预测结果重构模型；
所述猪舍多环境参数中的猪舍内多个温度检测点的温度值作为所述猪舍温度聚类分析分类器的输入；
所述猪舍温度聚类分析分类器对所述温度值进行分类，分类后的每种类型的猪舍温度检测点温度值作为对应所述CMAC小脑模型神经网络温度预测模型的输入；
所述CMAC小脑模型神经网络温度预测模型的温度预测值作为所述小波神经网络猪舍温度预测结果重构模型的输入；
所述小波神经网络猪舍温度预测结果重构模型的输出值作为猪舍温度预测子模块的最终温度预测输出值；
所述猪舍风速预测子模块包括：猪舍风速EEMD分解模型、样本熵合并重组模型、3个ELM神经网络模型和小波神经网络猪舍风速预测结果重构模型；
猪舍风速EEMD分解模型将所述猪舍多环境参数中的猪舍内多个风速检测点的风速值分解为多个IMF分量和一个残余量；
样本熵合并重组模型将多个IMF分量和一个残余量重组为随机分量、细节分量和趋势分量；
随机分量、细节分量和趋势分量分别作为3个ELM神经网络风速预测模型的输入；
3个ELM神经网络风速预测模型的输出作为小波神经网络猪舍风速预测结果重构模型的输入；
小波神经网络猪舍风速预测结果重构模型的输出值作为猪舍风速预测子模块的最终猪舍风速预测输出值；
所述猪舍NH3浓度动态校正子模块包括：4个dy/dt和DRNN神经网络；
所述4个dy/dt均分2组，每组2个dy/dt串联构成变化率回路1和变化率回路2；
猪舍NH3浓度预测子模块的输出作为DRNN神经网络a端的输入；
猪舍温度预测子模块的输出作为变化率回路1的输入和DRNN神经网络b端的输入；
变化率回路1的2个dy/dt的连接端的输出为DRNN神经网络d端的输入；
变化率回路1的输出为DRNN神经网络c端的输入；
猪舍风速预测子模块的输出作为变化率回路2的输入和DRNN神经网络e端的输入；
变化率回路2的2个dy/dt的连接端的输出为DRNN神经网络g端的输入；
变化率回路2的输出为DRNN神经网络f端的输入；
DRNN神经网络由7个输入节点、16个中间节点和1个输出节点组成；
所述猪舍环境舒适度评价器根据猪舍NH3浓度动态校正子模块输出的猪舍NH3浓度预测值的大小、猪舍温度预测子模块输出的猪舍温度预测值的大小、猪舍风速预测子模块输出的猪舍风速预测值的大小、所述猪舍多环境参数中的湿度检测值、CO2检测值、H2S检测值、灰尘检测值、预设的猪舍环境参数要求、猪舍类型和生猪品种作为输入，输出猪舍环境舒适度等级；
所述猪舍环境舒适度等级包括：猪舍环境舒适、猪舍环境比较舒适、猪舍环境良好、猪舍环境差和猪舍环境极差。
2.如权利要求1所述的一种生猪设施养殖环境舒适度预警系统，其特征在于，所述猪舍多环境参数采集模块包括：终端监控设备、网络通信层和应用层；
终端监控设备和网络通信层之间通过LoRa网络进行长距离通信；
网络通信层和应用层之间通过GPRS网络进行远距离通信。
3.如权利要求2所述的一种生猪设施养殖环境舒适度预警系统，其特征在于，所述终端监控设备包括：信息采集模块、信息传输模块和设备控制模块；
所述信息采集模块包括：温湿度传感器、氨气传感器、二氧化碳传感器、硫化氢传感器、风速传感器和灰尘传感器；
所述信息传输模块为LoRa无线通信模块；
所述设备控制模块为由PLC控制的负压风机、湿帘、加热器、气体净化器和触摸屏；所述PLC负责采集、发送传感器数据并控制现场设备；
所述LoRa无线通信模块将采集的猪舍环境信息发送至LoRa汇聚节点并接收下发的控制指令。
4.如权利要求2所述的一种生猪设施养殖环境舒适度预警系统，其特征在于，所述网络通信层包括：LoRa汇聚节点和GPRS-DTU模块；
所述LoRa汇聚节点汇聚各LoRa终端信息采集点采集的猪舍多环境参数数据，通过GPRS-DTU模块和上位机建立通信连接。
5.如权利要求2所述的一种生猪设施养殖环境舒适度预警系统，其特征在于，所述应用层包括：所述猪舍环境舒适度评价模块、猪舍环境监控模块和网络通信接口；
所述猪舍环境监控模块的功能包括：猪舍信息汇总、历史数据统计分析、实时数据获取、系统管理；
所述网络通信接口实现上位机监控平台和下位机测控系统间的网络通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310034770.7A CN116029435B (zh) | 2023-01-10 | 2023-01-10 | 一种生猪设施养殖环境舒适度预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310034770.7A CN116029435B (zh) | 2023-01-10 | 2023-01-10 | 一种生猪设施养殖环境舒适度预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116029435A CN116029435A (zh) | 2023-04-28 |
| CN116029435B true CN116029435B (zh) | 2023-07-07 |
Family
ID=86081349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310034770.7A Active CN116029435B (zh) | 2023-01-10 | 2023-01-10 | 一种生猪设施养殖环境舒适度预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029435B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116957169B (zh) * | 2023-09-18 | 2023-12-19 | 深圳市博安智控科技有限公司 | 基于信息化的猪舍环境感知调控方法及系统 |
| CN117073768B (zh) * | 2023-10-16 | 2023-12-29 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
| CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
| CN111353640A (zh) * | 2020-02-26 | 2020-06-30 | 西南交通大学 | 一种组合法风速预测模型构建方法 |
| CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
| WO2022166919A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 |
-
2023
- 2023-01-10 CN CN202310034770.7A patent/CN116029435B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
| CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
| CN111353640A (zh) * | 2020-02-26 | 2020-06-30 | 西南交通大学 | 一种组合法风速预测模型构建方法 |
| WO2022166919A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 |
| CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络猪舍氨气浓度预测方法研究;谢秋菊;罗文博;李妍;王莉薇;闫丽;;东北农业大学学报(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116029435A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116029435B (zh) | 一种生猪设施养殖环境舒适度预警系统 | |
| CN107168402B (zh) | 基于can现场总线的鸡舍环境温度智能监测系统 | |
| CN107289998B (zh) | 基于can总线的猪舍环境温度智能监测系统 | |
| CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
| CN109214503B (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN111814878B (zh) | 基于ssda-helm-softmax的农业投入品实时分类预测方法 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| Cao et al. | Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
| CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| CN110119086A (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| Tembusai et al. | K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Yang et al. | A prediction model of aquaculture water quality based on multiscale decomposition | |
| Lu et al. | Image classification and identification for rice leaf diseases based on improved WOACW_SimpleNet | |
| CN109886721A (zh) | 一种猪肉价格预测系统算法 | |
| Chen et al. | Short-term Wind Speed Forecasting Based on Singular Spectrum Analysis, Fuzzy C-Means Clustering, and Improved POABP | |
| CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231224 Address after: Room 211, Building 1, No. 20 Xinyuan Road, Xinyi Community, Xinhe Street Office, Yannan High tech Zone, Yancheng City, Jiangsu Province, 224000 Patentee after: Qimingxing Yancheng Technology Co.,Ltd. Address before: 224000 No. 1 Hope Avenue Middle Road, Tinghu District, Yancheng City, Jiangsu Province Patentee before: YANCHENG INSTITUTE OF TECHNOLOGY |