CN116700408A - 一种基于人工智能的水量自动控制方法及相关设备 - Google Patents

Abstract

本发明涉及智能控制技术领域，更具体地，本发明涉及一种基于人工智能的水量自动控制方法及相关设备，该方法包括将罐状设备中的饲料进行分层并获取每一层饲料的参数信息；对所述参数信息进行主成分分析得到降维后的样本向量，并将降维后的样本向量的投影值作为每一层饲料的环境权重；根据每一层饲料的环境权重计算每一层饲料经过加热后的当前含水量以及含水量阈值波动范围；根据当前含水量和含水量阈值波动范围确定需要补充的水量，以实现水量自动控制。根据本发明的方案，解决了目前智能化生产中水量控制设备无法实现准确而有效的加水控制的问题。

Description

一种基于人工智能的水量自动控制方法及相关设备

技术领域

本发明一般地涉及智能控制技术领域。更具体地，本发明涉及一种基于人工智能的水量自动控制方法及相关设备。

背景技术

随着物联网进步的速度越来越快，现代农业、畜牧业发展利用物联网与自动控制技术的结合来帮助和提升工作效率，我国作为世界上的农业、畜牧业大国，在传统农业、畜牧业领域与现代科技的结合目前还处于初级阶段。现代农业已经从传统的种植模式转变为机械化、智能的种植方式。在发达国家，机械化、智能化的农业管理系统已经十分普及。而畜牧业中，养殖过程的监测、控制和调整也都通过无线传感网络和自动化的方式实现。

以养殖场中动物的饲喂过程为例，需要将饲料按照动物的不同生长阶段调整至对应的配比，例如饲料种类配比、含水量等。然而，各厂区中目前仍然普遍采用较为传统的人工调配的方式，不可避免的是配得饲料的质量主要依赖人工经验，可能造成配比不准确，从而导致动物饲养阶段不能摄入足够的营养，严重影响产能。自动化程度较高的工厂通过自动加水控制，以实现饲料含水量保持。但是目前所采用的方式主要是定时定量的加水方式，即通过定时开启供水管路中的阀门并进行设定时长的加水控制，这种方式容易造成底层的饲料含水量较高，而高层的饲料含水量较低的问题，导致饲料质量不能保证。

基于此，如何解决目前智能化生产中水量控制设备无法实现准确而有效的加水控制，是目前自动化生产过程中研究的重点之一。

发明内容

为解决上述一个或多个技术问题，本发明提出通过动态调整每一层底料的含水量阈值，并结合当前的含水量进行加水量的动态调整，实现了对每层饲料的含水量的精确、可靠控制，有效提升了饲料的质量，有助于提升生产质量和效率。为此，本发明在如下的多个方面中提供方案。

在第一方面中，本发明提供了一种基于人工智能的水量自动控制方法，包括：将罐状设备中的饲料进行分层并获取每一层饲料的参数信息；对所述参数信息进行主成分分析得到降维后的样本向量，并将降维后的样本向量的投影值作为每一层饲料的环境权重；根据每一层饲料的环境权重计算每一层饲料经过加热后的当前含水量以及含水量阈值波动范围，当前含水量和含水量阈值波动范围通过以下公式计算得到：

式中，和/>分别表示第一层、第p层饲料经过加热后的当前含水量；/>和/>分别表示第一层、第p层饲料的环境权重，/>表示含水量阈值波动范围；/>{}表示求{}内结果的均值；/>为第p层的湿度波动的两个极值；/>为第p层预设的含水量阈值区间；根据当前含水量和含水量阈值波动范围确定需要补充的水量，以实现水量自动控制。

在一个实施例中，其中将罐状设备中的饲料进行分层并获取每一层饲料的参数信息包括：根据罐状设备的高度从顶端到底端对饲料进行分层，将每一层中的饲料的参数信息组成一个样本向量，所述参数信息包括每一层饲料的温度、湿度、饲料的加热时间、饲料加入时的含水量以及饲料所在位置高度；利用所有层对应的样本向量组成数据样本集。

在一个实施例中，对所述参数信息进行主成分分析得到降维后的样本向量，并将降维后的样本向量的投影值作为每一层饲料的环境权重包括：对所述数据样本集进行主成分分析，以得到主成分向量及对应的特征值；根据所述特征值和预设的主成分贡献率构建主成分空间；将主成分向量在所述主成分空间中的投影值作为每一层的饲料环境权重。

在一个实施例中，根据所述特征值和预设的主成分贡献率构建主成分空间包括：将每个样本向量均减去参考向量，以得到修正后的样本向量，所述参考向量包括罐状设备最底层的样本向量；根据所述修正后的样本向量构建协方差矩阵，以得到主成分空间对应的特征向量和特征值；将特征值从大到小进行排序，并根据主成分贡献率公式选择最大的k个特征值，主成分贡献率公式包括：

式中，表示排名第k的特征值，/>表示所有特征值之和，/>表示主成分贡献率；根据k个特征值对应的特征向量作为列向量，以组成特征向量矩阵；利用所述特征向量矩阵将参数信息转换至k个特征向量组成的主成分空间中。

在一个实施例中，将主成分向量在所述主成分空间中的投影值作为每一层的饲料环境权重包括：计算主成分空间中每个特征向量的投影值，将所述投影值作为每一层的饲料环境权重。

在一个实施例中，根据当前含水量和含水量阈值波动范围确定需要补充的水量，以实现水量自动控制包括：根据含水量阈值波动范围和预设的含水量最小值计算每一层饲料的含水量阈值区间；根据当前含水量与所述含水量阈值区间中的最大值之间的差异确定需要补充的水量。

在一个实施例中，根据当前含水量与所述含水量阈值区间中的最大值之间的差异确定需要补充的水量包括：计算当前含水量与含水量阈值区间中的最大值之间的差异；根据所述差异和每一层饲料的体积计算得到需补充水量。

在一个实施例中，所述水量自动控制方法还包括：获取设定时间内连续采样得到的每一层饲料的湿度信息，并计算得到湿度序列方差；将所述方差与设定阈值进行比较；响应于方差低于设定阈值，判定对应层的湿度变化不稳定，根据含水量阈值波动范围修正对应层的含水量阈值区间。

在第二方面中，本发明还提供了一种基于人工智能的水量自动控制系统，包括：处理器；以及存储器，其存储有基于人工智能的水量自动控制的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据前述一个或多个实施例中所述的基于人工智能的水量自动控制方法。

在第三方面中，本发明还提供了一种计算机可读存储介质，其特征在于，其上存储有基于人工智能的水量自动控制的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如前述一个或多个实施例所述的基于人工智能的水量自动控制方法。

本发明的有益效果在于：通过对每一层饲料的环境权重进行计算，环境权重可以对当前的含水量和含水量阈值波动范围进行动态计算，从而实现对当前含水量和含水量阈值的准确、实时地调整，实现了对水量的准确、自动化控制，保证了饲料的质量，能够有效提升生产效率。

进一步，还通过将罐状设备最底层样本向量作为参考向量，使得数据整体向稳定参数方向倾斜，有助于减小每一层数据之间的差异，从而更加准确地反映每一层中饲料状态的变化趋势。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示出根据本发明实施例的基于人工智能的水量自动控制方法的流程图；

图2是示出根据本发明实施例的环境权重的计算方法的流程图；

图3是示出根据本发明实施例的主成分空间的构建方法的流程图；

图4是示出根据本发明实施例的确定需要补充的水量的方法的流程图；

图5是示出根据本发明实施例的湿度变化稳定性的判定方法的流程图；

图6是示出根据本发明实施例的基于人工智能的水量自动控制系统的示意框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图来详细描述本发明的具体实施方式。

现有智能化工厂中，各环节通过自动化设备实现生产控制。以动物饲料的制备和贮存过程为例，动物饲料在制作完成后，有些饲料制作的过程可能需要控制加热温度，例如在饲料中添加某些成分时需要进行融合或活化处理，这时候可能需要恒温加热。另外，如果饲料中包含一些微生物，需要对其进行杀菌或灭活，也需要控制加热温度来保证饲料的卫生安全。但在加热的过程中，饲料中的水分会被蒸发掉，此时就需要向罐状设备中加水。通常来说，加水管道位于罐状设备的最顶端。需要注意加水量，水分含量过高可能导致饲料变质和霉变，而水分含量过低可能影响咀嚼和消化。

目前的加水过程主要是通过定时定量的控制阀门开启或关闭，来控制加水量。这种方式虽然在一定程度上节省了人力，实现了自动化的加水控制，但是无法控制好加水量，可能会因为加水过少而导致罐状设备内饲料含水量不达标，也可能由于加水过多而导致环境潮湿增加微生物滋生从而饲料酸化的问题。

因此，本发明通过对每一层饲料中的环境权重进行计算，并通过该环境权重动态更新每一层饲料的含水量阈值范围，从而根据当前含水量和含水量阈值确定需要补充的水量，有效提升了水量控制过程的准确性。

图1是示出根据本发明实施例的基于人工智能的水量自动控制方法的流程图。

如图1所示，在步骤S101处，将罐状设备中的饲料进行分层并获取每一层饲料的参数信息。在一些实施例中，将罐状设备按照高度从顶端到底部分为若干层，并采集每一层中的温度、湿度、加热时间、加入时的含水量信息等参数信息。

在步骤S102处，对参数信息进行主成分分析得到降维后的样本向量，并将降维后的样本向量的投影值作为每一层饲料的环境权重。在一些实施例中，可以利用主成分分析算法，从而减小数据维度，实现利用较少的变量来表征对环境权重的影响。

在步骤S103处，根据每一层饲料的环境权重计算每一层饲料经过加热后的当前含水量以及含水量阈值波动范围。当前含水量和含水量阈值波动范围通过以下公式计算得到：

式中，和/>分别表示第一层、第p层饲料经过加热后的当前含水量；/>和/>分别表示第一层、第p层饲料的环境权重，/>表示含水量阈值波动范围；/>{}表示求{}内结果的均值；/>为第p层的湿度波动的两个极值；/>为第p层预设的含水量阈值区间。

在步骤S104处，根据当前含水量和含水量阈值波动范围确定需要补充的水量，以实现水量自动控制。在一些实施例中，通过确定当前含水量和含水量阈值波动范围，可以确定需要补充的水量，从而实现对水量自动而准确地控制。

图2是示出根据本发明实施例的环境权重的计算方法的流程图。

如图2所示，在步骤S201处，根据罐状设备的高度从顶端到底端对饲料进行分层，将每一层中的饲料的参数信息组成一个样本向量。参数信息包括每一层饲料的温度、湿度、饲料的加热时间、饲料加入时的含水量以及饲料所在位置高度。

在一些实施例中，在饲料加入罐状设备时，测量单位体积饲料的质量，此质量表示饲料及其包含水的总质量，随后将所测饲料蒸干称重，获得未含水分饲料的质量/>，两个质量做差求得饲料在加入罐状设备时的含水量。罐状设备内部温度和湿度数据均由放置在内部的传感器获得。

将罐状设备按照高度从顶端到底部分为5层，每一层为一个样本向量，每个样本向量包含5个维度，5个维度由罐状设备内部温度T、罐状设备内部湿度S、饲料的加热时间t、饲料加入时的含水量C以及饲料所在位置高度H组成。

在步骤S202处，利用所有层对应的样本向量组成数据样本集。通过对上述5层对应的样本向量进行汇总，可以组成对应的样本矩阵，即数据样本集，样本矩阵x(5×5)为：

示例性的，某一罐状设备对应的样本矩阵：

。

在步骤S203处，对数据样本集进行主成分分析，以得到主成分向量及对应的特征值。

在步骤S204处，根据特征值和预设的主成分贡献率构建主成分空间。

在步骤S205处，将主成分向量在主成分空间中的投影值作为每一层的饲料环境权重。由于该利用主成分向量计算在主成分空间中的投影的内容属于现有技术，此处将不再重复说明。

图3是示出根据本发明实施例的主成分空间的构建方法300的流程图。需要说明的是，主成分空间的构建方法300可以理解为是图2中步骤S204的一种可能的示例性实现。因此，前文结合图2中的相关描述同样也适用于下文。

如图3所示，在步骤S301处，将每个样本向量均减去参考向量，以得到修正后的样本向量。参考向量包括罐状设备最底层的样本向量。在一些实施例中，把罐状设备最底层样本向量作为参考向量，然后将N个样本向量都减去参考向量，使数据整体向稳定参数方向倾斜，这是由于罐状设备内部每一层饲料环境从下至上差异越来越大，最底层的饲料环境较为稳定不易被改变。将最底层样本向量作为参考向量，减去参考向量后有助于减小每一层数据间的差异，这样能够使得数据倾向于参考数据的特征，体现罐状设备的状态变化趋势。

在步骤S302处，根据修正后的样本向量构建协方差矩阵，以得到主成分空间对应的特征向量和特征值。在一些实施例中，构建维度的协方差矩阵：

矩阵中每个元素代表两个维度之间的相关性，通过计算两个维度之间的协方差获得相关性。示例性的计算罐状设备内部温度维度与罐状设备内部湿度维度之间的相关性可以用如下公式表示：

。

在步骤S303处，将特征值从大到小进行排序，并根据主成分贡献率公式选择最大的k个特征值。上述5×5的协方差矩阵当中包含5个特征向量p，每个特征向量对应一个特征值，将5个特征值按照从大到小排序/>。根据主成分贡献率设置/>为85％。主成分贡献率公式包括：

式中，表示排名第k的特征值，/>表示所有特征值之和，/>表示主成分贡献率。

在步骤S304处，根据k个特征值对应的特征向量作为列向量，以组成特征向量矩阵。

在步骤S305处，利用所述特征向量矩阵将参数信息转换至k个特征向量组成的主成分空间中。在一些实施例中，可以计算主成分空间中每个特征向量的投影值，将投影值作为每一层的饲料环境权重。权重的作用是根据每一层不同的环境稳定来约束修正后的含水量阈值的波动范围，湿度波动的两个极值同样作为约束防止湿度过大导致微生物易滋生从而使饲料酸化，也能防止湿度过低导致饲料的含水量不达标造成饲料营养价值和口感的变化。

通过使用样本向量的投影值作为此时每一层的饲料环境权重，即较大的投影值对应的主成分权重较大，从而实现降低数据处理的维度，提升数据计算效率。

进一步，由于将主成分分析算法中原有的平均向量变换为设定的罐状设备最底层的样本数据，故计算得到的权重会逐渐倾向于罐状设备的最底层，即每一层的饲料环境权重从上到下依次增大，从而有效提升了水量控制的精确性和可靠性。

图4是示出根据本发明实施例的确定需要补充的水量的方法的流程图。

不同品种的饲料含水量所要求的阈值区间不同，此数据可根据实际情况进行设定。在本方案中，按照实际情况，罐状设备内每一层饲料含水量阈值也是不同的，由于底部的饲料温度不宜散失造成蒸发速率比表面的饲料蒸发速率低，所以罐状设备内每一层饲料含水量阈值从顶层到底层逐渐减小，且每一层的阈值之差与饲料环境权重ω呈正相关，将技术人员设定的每一层含水量阈值作为初步的每一层饲料的含水量阈值。

示例性的：罐状设备内部饲料划分为五层。第一层预设的含水量阈值为[90,180]，第二层预设的含水量阈值为[90,160]，第三层预设的含水量阈值为[90,140]，第四层预设的含水量阈值为[90,120]，第五层预设的含水量阈值为[90,110]。

如图4所示，在步骤S401处，根据含水量阈值波动范围和预设的含水量最小值计算每一层饲料的含水量阈值区间。在一些实施例中，其他层饲料经过加热后当前含水量与第一层饲料经过加热后当前含水量/>之比和其他层饲料的饲料环境权重/>与第一层饲料的饲料环境权重/>之比呈正相关。基于此可以计算得到每一层饲料的含水量阈值区间。即当前含水量和含水量阈值波动范围通过以下公式计算得到：

。

在步骤S402处，根据当前含水量与所述含水量阈值区间中的最大值之间的差异确定需要补充的水量。在一些实施例中，可以首先计算当前含水量与含水量阈值区间中的最大值之间的差异。然后根据差异和每一层饲料的体积计算得到需补充水量。基于每一层饲料环境权重、湿度K和经过加热后当前含水量/>修正含水量的阈值波动范围/>(含水量阈值的波动范围数据是由含水量阈值最大值与含水量阈值最小值做差得到的)，从而确定加水量。

图5是示出根据本发明实施例的湿度变化稳定性的判定方法的流程图。

如图5所示，在步骤S501处，获取设定时间内连续采样得到的每一层饲料的湿度信息，并计算得到湿度序列方差。在一些实施例中，先对每一层的湿度传感器进行预设时间段内的持续监测，计算每一层各自的湿度序列方差，将方差归一化后若小于0.5，表示当前层的湿度变化较为稳定，相对应的置信度高于0.5，那么基于权重得到的含水量的阈值区间可信度就越高。

在步骤S502处，将所述方差与设定阈值进行比较。在一些实施例中，可以将置信度低于0.5的层筛选出来，对其进行含水量阈值的波动范围更新。

在步骤S503处，响应于方差低于设定阈值，判定对应层的湿度变化不稳定，根据含水量阈值波动范围修正对应层的含水量阈值区间。

在一个应用场景中，假如第三层的置信度低于0.5，此时将判定第三层的湿度变化不稳定，需要对第三层含水量阈值的波动范围进行更新。第三层预设的含水量阈值为，含水量阈值波动范围为50。通过计算得到第三层含水量阈值的波动范围为/>：

此时第三层含水量阈值的波动范围为34.32，第三层含水量阈值更新为。利用该更新后的含水量阈值中的最大值（即124.32）与当前的含水量的的差值进行需补充水量的计算。

进一步，通过更新所有置信度小于0.5的层的含水量阈值，置信度高于0.5的层的含水量阈值保留作为新的含水量阈值指导每一层具体的加水量，并循环过程。

图6是示出根据本发明实施例的基于人工智能的水量自动控制系统600的示意框图。

如图6中所示，该系统600主要包括设备601，设备601可以包括CPU6011，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，设备601还可以包括大容量存储器6012和只读存储器ROM 6013，其中大容量存储器6012可以配置用于存储各类数据以及计算当前含水量和含水量阈值波动范围等所需的各种程序，ROM 6013可以配置成存储对于设备601的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。

进一步，设备601还包括其他的硬件平台或组件，例如示出的TPU（TensorProcessing Unit，张量处理单元）6014、GPU（Graphic Processing Unit，图形处理器）6015、FPGA（Field Programmable Gate Array，现场可编程逻辑门阵列）6016和MLU（MemoryLogic Unit)，存储器逻辑单元）6017。可以理解的是，尽管在设备601中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件。例如，设备601可以仅包括CPU作为公知硬件平台和另一硬件平台作为本发明的测试硬件平台。

本发明的设备601还包括通信接口6018，从而可以通过该通信接口6018连接到局域网/无线局域网（LAN/WLAN）605，进而可以通过LAN/WLAN连接到本地服务器606或连接到因特网（“Internet”）607。替代地或附加地，本发明的设备601还可以通过通信接口6018基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第三代（“3G”）、第四代（“4G”）或第5代（“5G”）的无线通信技术。在一些应用场景中，本发明的设备601还可以根据需要访问外部网络的服务器608以及可能的数据库609。

设备601的外围设备可以包括显示装置602、输入装置603以及数据传输接口604。在一个实施例中，显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机，或其他输入按钮或控件，其配置用于接收数据的输入或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口（“USB”）、小型计算机系统接口（“SCSI”）、串行ATA、火线（“FireWire”）、PCI Express和高清多媒体接口（“HDMI”）等，其配置用于与其他设备或系统的数据传输和交互。

本发明的设备601的上述CPU 6011、大容量存储器6012、只读存储器ROM 6013、TPU6014、GPU 6015、FPGA 6016、MLU 6017和通信接口6018可以通过总线6019相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线6019，CPU 6011可以控制设备601中的其他硬件组件及其外围设备。

在工作中，本发明的设备601的处理器CPU 6011可以通过输入装置603或数据传输接口604获取每一层饲料的参数信息，并调取存储于大容量存储器6012中的计算机程序指令或代码每一层饲料经过加热后的当前含水量以及含水量阈值波动范围进行计算，以确定需要补充的水量。

从上面关于本发明模块化设计的描述可以看出，本发明的系统可以根据应用场景或需求进行灵活地布置而不限于附图所示出的架构。进一步，还应当理解，本发明示例的执行操作的任何模块、单元、组件、服务器、计算机或设备可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备（可移除的）和/或不可移动的）例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。

基于此，本发明也公开了一种计算机可读存储介质，其上存储有基于人工智能的水量自动控制的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现在前结合附图所描述的方法和操作。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (10)

1.一种基于人工智能的水量自动控制方法，其特征在于，包括：

将罐状设备中的饲料进行分层并获取每一层饲料的参数信息；

对所述参数信息进行主成分分析得到降维后的样本向量，并将降维后的样本向量的投影值作为每一层饲料的环境权重；

根据每一层饲料的环境权重计算每一层饲料经过加热后的当前含水量以及含水量阈值波动范围，当前含水量和含水量阈值波动范围通过以下公式计算得到：

式中，和/>分别表示第一层、第p层饲料经过加热后的当前含水量；/>和/>分别表示第一层、第p层饲料的环境权重，/>表示含水量阈值波动范围；/>{}表示求{}内结果的均值；/>为第p层的湿度波动的两个极值；/>为第p层预设的含水量阈值区间；

根据当前含水量和含水量阈值波动范围确定需要补充的水量，以实现水量自动控制。

2.根据权利要求1所述的基于人工智能的水量自动控制方法，其特征在于，其中将罐状设备中的饲料进行分层并获取每一层饲料的参数信息包括：

根据罐状设备的高度从顶端到底端对饲料进行分层，将每一层中的饲料的参数信息组成一个样本向量，所述参数信息包括每一层饲料的温度、湿度、饲料的加热时间、饲料加入时的含水量以及饲料所在位置高度；

利用所有层对应的样本向量组成数据样本集。

3.根据权利要求2所述的基于人工智能的水量自动控制方法，其特征在于，对所述参数信息进行主成分分析得到降维后的样本向量，并将降维后的样本向量的投影值作为每一层饲料的环境权重包括：

对所述数据样本集进行主成分分析，以得到主成分向量及对应的特征值；

根据所述特征值和预设的主成分贡献率构建主成分空间；

将主成分向量在所述主成分空间中的投影值作为每一层的饲料环境权重。

4.根据权利要求3所述的基于人工智能的水量自动控制方法，其特征在于，根据所述特征值和预设的主成分贡献率构建主成分空间包括：

将每个样本向量均减去参考向量，以得到修正后的样本向量，所述参考向量包括罐状设备最底层的样本向量；

根据所述修正后的样本向量构建协方差矩阵，以得到主成分空间对应的特征向量和特征值；

将特征值从大到小进行排序，并根据主成分贡献率公式选择最大的k个特征值，主成分贡献率公式包括：

式中，表示排名第k的特征值，/>表示所有特征值之和，/>表示主成分贡献率；

根据k个特征值对应的特征向量作为列向量，以组成特征向量矩阵；

利用所述特征向量矩阵将参数信息转换至k个特征向量组成的主成分空间中。

5.根据权利要求3所述的基于人工智能的水量自动控制方法，其特征在于，将主成分向量在所述主成分空间中的投影值作为每一层的饲料环境权重包括：

计算主成分空间中每个特征向量的投影值，将所述投影值作为每一层的饲料环境权重。

6.根据权利要求1所述的基于人工智能的水量自动控制方法，其特征在于，根据当前含水量和含水量阈值波动范围确定需要补充的水量，以实现水量自动控制包括：

根据含水量阈值波动范围和预设的含水量最小值计算每一层饲料的含水量阈值区间；

根据当前含水量与所述含水量阈值区间中的最大值之间的差异确定需要补充的水量。

7.根据权利要求6所述的基于人工智能的水量自动控制方法，其特征在于，根据当前含水量与所述含水量阈值区间中的最大值之间的差异确定需要补充的水量包括：

计算当前含水量与含水量阈值区间中的最大值之间的差异；

根据所述差异和每一层饲料的体积计算得到需补充水量。

8.根据权利要求1所述的基于人工智能的水量自动控制方法，其特征在于，所述水量自动控制方法还包括：

获取设定时间内连续采样得到的每一层饲料的湿度信息，并计算得到湿度序列方差；

将所述方差与设定阈值进行比较；

响应于方差低于设定阈值，判定对应层的湿度变化不稳定，根据含水量阈值波动范围修正对应层的含水量阈值区间。

9. 一种基于人工智能的水量自动控制系统，其特征在于，包括：

处理器；以及

存储器，其存储有基于人工智能的水量自动控制的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据权利要求1-8的任意一项所述的基于人工智能的水量自动控制方法。

10.一种计算机可读存储介质，其特征在于，其上存储有基于人工智能的水量自动控制的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求1-8任意一项所述的基于人工智能的水量自动控制方法。