CN117760593A - 一种粮食作物仓储温度异常监测方法 - Google Patents
一种粮食作物仓储温度异常监测方法 Download PDFInfo
- Publication number
- CN117760593A CN117760593A CN202410195762.5A CN202410195762A CN117760593A CN 117760593 A CN117760593 A CN 117760593A CN 202410195762 A CN202410195762 A CN 202410195762A CN 117760593 A CN117760593 A CN 117760593A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- time sequence
- sequence data
- representing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000012937 correction Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及温度测量技术领域,具体涉及一种粮食作物仓储温度异常监测方法,包括:对不同温度时序数据进行拟合和遍历,结合温度时序数据中极值点的数量、温度曲线之间的面积、温度时序数据之间的差异以及在滑动窗口内的差异,分别获得两个修正矩阵,对温度时序数据进行调节获得新温度时序数据,对新温度时序数据进行温度异常监测。本发明利用修正矩阵对温度矩阵进行调节,增强了对温度时序数据的动态调整能力,减小了温度时序数据中噪声对温度时序数据分段时的影响,提高了对粮食作物仓储时不同位置的温度时序数据进行分段的准确性,进一步提高了粮食作物仓储时不同位置下的温度异常监测的准确性。
Description
技术领域
本发明涉及温度测量技术领域,具体涉及一种粮食作物仓储温度异常监测方法。
背景技术
粮食作物在存储过程中容易受到温度影响,因此对粮食作物仓储进行温度监测尤为重要,通过对其温度的监测可以及时发现问题,确保粮食安全。
现有的温度异常监测的方法中,对于长时间的温度序列数据,不同时间段内的数据可能具有不同的统计特征,通过数据分段可以在时间上自适应调整异常检测的策略,使得异常检测方法更加灵活和适应性更强。
但是利用常规的Fisher最优分割法对时序数据进行分段时,容易受到温度序列数据中噪声的影响,从而导致分段结果出现偏差,即噪点可能将原本属于同一数据分段的数据分为两段,进一步导致后续温度异常监测出现错误,即温度异常检测结果准确性低,无法有效对粮食作物仓储温度进行监测,使得出现粮食损失的风险。
发明内容
本发明提供一种粮食作物仓储温度异常监测方法,以解决现有的问题。
本发明的一种粮食作物仓储温度异常监测方法采用如下技术方案:
本发明一个实施例提供了一种粮食作物仓储温度异常监测方法,该方法包括以下步骤:
获取由多个位置的温度时序数据构成的温度矩阵,温度时序数据中一个数据点对应一个时间点和一个温度值;
对温度时序数据进行拟合获得温度曲线,利用温度时序数据的极差对温度曲线之间的积分面积进行调节获得可信系数,所述可信参数用于描述所有温度时序数据存在异常的概率;利用可信系数分别对不同温度时序数据与对应温度曲线之间的差异进行调节,获得第一修正矩阵;
利用预设大小的滑动窗口对温度时序数据进行遍历,根据在不同温度时序数据的同一个时间点下,对应滑动窗口内极值点的数量以及数据点的温度值差异,获得每个时间点下对应数据点的权重所形成的第二修正矩阵;利用第一修正矩阵和第二修正矩阵对温度矩阵进行调节获得新温度矩阵;
对新温度矩阵中的数据进行分段处理并进行温度异常监测。
进一步地,所述获取由多个位置的温度时序数据构成的温度矩阵,包括的具体方法为:
在粮食作物存储仓中,利用温度传感器分别获取预设范围下所对应的上、中、下3层位置处粮食作物表面的温度时序数据;
由上、中、下3层对应温度时序数据形成大小的矩阵,记为温度矩阵,其中/>表示上层对应的温度时序数据的第1个数据点的温度值,表示上层对应的温度时序数据的第/>个数据点的温度值,/>表示下层对应的温度时序数据的第1个数据点的温度值,/>表示下层对应的温度时序数据的第/>个数据点的温度值。
进一步地,所述对温度时序数据进行拟合获得温度曲线,利用温度时序数据的极差对温度曲线之间的积分面积进行调节获得可信系数,包括的具体方法为:
利用最小二乘法分别对所有温度时序数据进行曲线拟合,获得对应的温度曲线,将任意两个温度曲线形成的组合记为曲线组合,获取任意曲线组合的绝对面积参数和相对面积参数;
根据不同温度时序数据中温度值的极差分别获得上中温差参数和中下温差参数;
获取可信系数,具体计算方法为:
其中,表示可信系数;/>表示曲线组合的数量;/>表示第/>个曲线组合的绝对面积参数;/>表示第/>个曲线组合的相对面积参数;/>表示上中温差参数;/>表示中下温差参数;表示绝对值符号;/>表示以自然常数为底数的指数函数。
进一步地,所述获取任意曲线组合的绝对面积参数和相对面积参数,包括的具体方法为:
所述绝对面积参数为,相对面积参数为,其中/>表示温度曲线中的最大时间点,/>表示曲线组合中第1个温度曲线的第/>个时间点下数据点的温度值,/>表示曲线组合中第2个温度曲线的第/>个时间点下数据点的温度值,/>表示绝对值符号。
进一步地,所述根据不同温度时序数据中温度值的极差分别获得上中温差参数和中下温差参数,包括的具体方法为:
将任意温度时序数据中温度值的极差记为温度时序数据的温度变化参数,将上层与中层的温度时序数据对应温度变化参数之间的差值记为上中温差参数,将中层与下层的温度时序数据对应温度变化参数之间的差值记为中下温差参数。
进一步地,所述利用可信系数分别对不同温度时序数据与对应温度曲线之间的差异进行调节,获得第一修正矩阵,包括的具体方法为:
获取任意温度时序数据的权重,具体计算方法为:
其中,表示温度时序数据的权重;/>表示可信系数;/>表示温度时序数据对应温度曲线中第/>个时间点下数据点的温度值;/>表示温度时序数据中第/>个时间点下数据点的温度值;/>表示温度曲线中的最大时间点;/>表示绝对值符号;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数;
第一修正矩阵,其中/>表示粮食作物上层的温度时序数据的权重,/>表示粮食作物中层的温度时序数据的权重,/>表示粮食作物下层的温度时序数据的权重。
进一步地,所述利用预设大小的滑动窗口对温度时序数据进行遍历,根据在不同温度时序数据的同一个时间点下,对应滑动窗口内极值点的数量以及数据点的温度值差异,获得每个时间点下对应数据点的权重所形成的第二修正矩阵,包括的具体方法为:
构建长度为的滑动窗口对温度时序数据进行遍历,将任意温度时序数据中任意数据点作为滑动窗口的中心点,将滑动窗口内极值点的数量与滑动窗口内数据点的数量之间的比值,记为滑动窗口的中心点对应数据点的极值频率,将滑动窗口内所有数据点的平均值记为滑动窗口的中心点对应数据点的局部平均参数,其中/>为预设的超参数;
根据极值频率以及数据点的温度值差异获得权重;
将所有时间点下数据点的权重构成的矩阵记为第二修正矩阵,其中,/>表示温度时序数据的第1个时间点下数据点的权重,/>表示温度时序数据的第/>个时间点下数据点的权重。
进一步地,所述根据极值频率以及数据点的温度值差异获得权重,包括的具体方法为:
获取温度样本数据中任意时间点下数据点的权重,具体计算方法为:
其中,表示温度时序数据中数据点的权重;/>表示第/>个温度时序数据内滑动窗口的中心点对应数据点的极值频率;/>表示滑动窗口内数据点的数量;/>表示第/>个温度时序数据内滑动窗口的中心点对应数据点的局部平均参数;/>表示第/>个温度时序数据的滑动窗口内第/>个数据点的温度值;/>表示绝对值符号;/>表示以自然常数为底数的指数函数。
进一步地,所述利用第一修正矩阵和第二修正矩阵对温度矩阵进行调节获得新温度矩阵,包括的具体公式为:
其中,表示新温度矩阵;/>表示第一修正矩阵;/>表示温度矩阵;/>表示第二修正矩阵。
进一步地,所述对新温度矩阵中的数据进行分段处理并进行温度异常监测,包括的具体方法为:
首先,将新温度矩阵中任意一行的元素形成的序列记为新温度时序数据,将新温度时序数据中数据点的温度值记为新温度值,利用费希尔最优分割法对新温度时序数据进行分段,并利用手肘法确定分段获得分段数据的数量;
然后,获取任意分段数据中所有数据点的平均新温度值记为分段数据的标准温度参数,当分段数据中数据点的新温度值与标准温度参数的差值绝对值大于阈值时,粮食作物仓储的报警器进行报警,其中阈值/>为预设的超参数。
本发明的技术方案的有益效果是:通过对不同位置的温度时序数据以及不同时间点下的温度值进行分析,获取反映温度时序数据整体异常概率的可信系数,以及反映温度时序数据在滑动窗口对应局部范围内噪声程度的数据点的权重,利用修正矩阵对温度矩阵进行调节,增强了对温度时序数据的动态调整能力,减小了温度时序数据中噪声对温度时序数据分段时的影响,提高了对粮食作物仓储时不同位置的温度时序数据进行分段的准确性,进一步提高了粮食作物仓储时不同位置下的温度异常监测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种粮食作物仓储温度异常监测方法的步骤流程图;
图2为不同层粮食作物温度变化示意图;
图3为温度曲线相交示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种粮食作物仓储温度异常监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种粮食作物仓储温度异常监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种粮食作物仓储温度异常监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取由多个位置的温度时序数据构成的温度矩阵。
具体的,为了实现本实施例提出的一种粮食作物仓储温度异常监测方法,首先需要采集温度时序数据,具体过程为:
在粮食作物存储仓中,获取粮食作物的堆积物的高度,利用温度传感器分别获取预设范围下所对应的上、中、下3层位置处粮食作物表面的温度时序数据,所述温度时序数据中一个数据点对应一个时间点和一个温度值。
需要说明的是,本实施例将粮食作物仓储中的堆积物分为上、中、下3层,分别对应3个高度区间:,/>,/>,其中/>表示粮食作物的堆积物的高度,另外温度传感器的采样频率为10分钟一次,具体高度区间的划分和温度传感器的采样频率可根据实际情况进行调整,本实施例不进行具体限定。
进一步地,由上、中、下3层对应温度时序数据形成大小的矩阵,记为温度矩阵,其中/>表示上层对应的温度时序数据的第1个数据点的温度值,表示上层对应的温度时序数据的第/>个数据点的温度值,/>表示下层对应的温度时序数据的第1个数据点的温度值,/>表示下层对应的温度时序数据的第/>个数据点的温度值。
至此,通过上述方法得到温度时序数据以及温度矩阵。
步骤S002:对温度时序数据进行拟合获得温度曲线,利用温度时序数据的极差对温度曲线之间的积分面积进行调节获得可信系数,利用可信系数分别对不同温度时序数据与对应温度曲线之间的差异进行调节,获得第一修正矩阵。
需要说明的是,由于粮食作物仓储时其温度从上到下依次降低,上层粮食作物表面距离仓内上层较近,容易上层密度小的热空气的影响,故其温度相对较高,而在温度向下传递的过程中由于热传递会受到一定的损失,故上层的温度变化范围相较于下两层温度变化范围较小,如图2所示为不同层粮食作物温度变化示意图,反映了不同层的粮食作物的温度随储藏时间变化而变化的曲线图。
具体的,步骤(2.1),首先,将任意温度时序数据中温度值的极差记为温度时序数据的温度变化参数,将上层与中层的温度时序数据对应温度变化参数之间的差值记为上中温差参数,将中层与下层的温度时序数据对应温度变化参数之间的差值记为中下温差参数。
然后,利用最小二乘法分别对获取的所有温度时序数据进行曲线拟合,获得对应的温度曲线,一个温度时序数据对应一个温度曲线,将任意两个温度曲线形成的组合记为曲线组合,获取任意曲线组合的绝对面积参数和相对面积参数,所述绝对面积参数为,相对面积参数为/>,其中/>表示温度曲线中的最大时间点,/>表示曲线组合中第1个温度曲线的第/>个时间点下数据点的温度值,表示曲线组合中第2个温度曲线的第/>个时间点下数据点的温度值,/>表示绝对值符号。
需要说明的是,本实施例中不同温度时序数据中数据点的最大时间点均相同,因此对应的温度曲线中的最大时间点也相同,由于温度曲线是由温度时序数据拟合而来,因此本实施例中将温度曲线中数据点的数值也称为温度值,但是在曲线拟合过程中,由于温度时序数据为离散数据且由于数据点的温度值波动,会使得拟合得到的温度曲线中数据点的温度值,与同一时间点下温度时序数据中数据点的温度值之间存在差异,因此所述差异反映了温度时序数据的波动情况;另外,由于本实施例获得了上、中、下3层对应的温度曲线,因此本实施例中3个温度曲线形成的组合的数量为3个。
最后,获取可信系数,具体计算方法为:
其中,表示可信系数;/>表示曲线组合的数量;/>表示第/>个曲线组合的绝对面积参数;/>表示第/>个曲线组合的相对面积参数;/>表示上中温差参数;/>表示中下温差参数;表示绝对值符号;/>表示以自然常数为底数的指数函数。
需要说明的是,反映了温度变化范围呈现从上层到下层依次减小的规律特征。
需要说明的是,所述可信参数用于描述所有温度时序数据存在异常的概率,可信参数越大,所有温度时序数据存在异常的概率越小,反之越大;通常情况下,不同层之间同一时刻下其温度应该是从上层到下层温度依次降低,这意味着三条温度曲线不会存在相交的情况,如果温度相交说明获取到的温度时序数据存在异常,则所有温度时序数据的可信度低,且当温度曲线之间相交程度越大时,则所有温度时序数据的可信度越低,所述相交程度反映了两条温度曲线围成的闭合区域的面积大小,如图3所示为温度曲线相交示意图,其中绝对面积为/>,相对面积为/>,如果绝对面积越大于相对面积则相交程度越高,可信度越低;如果变化范围越呈现从上层到下层依次减小的规律则可信度越高。
需要说明的是,利用不同层的温度时序数据的数据变化的稳定性,如果某一层数据变化较为稳定说明该层数据受到的噪声影响较小,则该层数据在进行离差平方和计算时占有更大的权重。因为噪声会导致温度时序数据在局部范围内数据变化剧烈即其稳定性差,那么数据变化剧烈的范围中在其进行曲线拟合过程中其损失较多,因此利用拟合过程中的温度时序数据损失表征其稳定性,其中损失越多则稳定性越差,稳定性越差则权重越低。
步骤(2.2),获取任意温度时序数据的权重,具体计算方法为:
其中,表示温度时序数据的权重;/>表示可信系数;/>表示温度时序数据对应温度曲线中第/>个时间点下数据点的温度值;/>表示温度时序数据中第/>个时间点下数据点的温度值;/>表示温度曲线中的最大时间点;/>表示绝对值符号;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数。
需要说明的是,由于温度曲线由温度时序数据拟合而来,因此温度时序数据的最大时间点与温度曲线中的最大时间点相同;另外,在相同时间范围内,温度时序数据与对应温度曲线之间的差异,反映了温度时序数据的波动情况,因此对温度时序数据进行拟合得到的曲线,即温度曲线,与温度时序数据之间的差异越大,表示温度时序数据波动越频繁。
进一步地,由所有温度时序数据的权重构成第一修正矩阵,其中/>表示粮食作物上层的温度时序数据的权重,/>表示粮食作物中层的温度时序数据的权重,/>表示粮食作物下层的温度时序数据的权重。
需要说明的是,第一修正矩阵旨在确定粮食作物仓储时各个位置下温度时序数据的可信度,温度时序数据的可信度较高,则通过费舍尔最优分割法计算温度时序数据的离差平方和,以对温度时序数据进行分割时,对应温度时序数据中数据点的温度值的权重越大。
至此,通过上述方法得到任意温度时序数据的权重。
步骤S003:利用预设大小的滑动窗口对温度时序数据进行遍历,根据在不同温度时序数据的同一个时间点下,对应滑动窗口内极值点的数量以及数据点的温度值差异,获得每个时间点下对应数据点的权重所形成的第二修正矩阵,利用第一修正矩阵和第二修正矩阵对温度矩阵进行调节获得新温度矩阵。
需要说明的是,第二修正矩阵旨在确定每个时刻的数据的可信度,如果某个时间点下数据的噪声程度较大,那么在计算离差平方和在对应时间点下数据点的权重较小。该过程为对每个时刻下的上、中、下三次数据进行修正的过程,因此第二修正矩阵为一个大小的矩阵,/>表示温度曲线中的最大时间点。
需要说明的是,在噪声影响下,温度时序数据在局部范围内数据点的温度值变化较为剧烈,因此本实施例利用数据点在局部范围内的变化频率以及变化幅度反映温度时序数据的噪声程度,温度时序数据的变化频率越大且变化幅度越大,则温度时序数据的噪声程度越大,而噪声程度越大,则在利用费希尔最优分割法获取温度时序数据的离差平方和计算时该时刻数据点的权重越小。
具体的,首先,构建长度为的滑动窗口对温度时序数据进行遍历,将任意温度时序数据中任意数据点作为滑动窗口的中心点,将滑动窗口内极值点的数量与滑动窗口内数据点的数量之间的比值,记为滑动窗口的中心点对应数据点的极值频率,将滑动窗口内所有数据点的平均值记为滑动窗口的中心点对应数据点的局部平均参数,其中/>为预设的超参数。
需要说明的是,根据经验预设超参数为13,可根据实际情况进行调节,本实施例不进行具体限定。
需要说明的是,极值频率越大,滑动窗口对应的局部范围内数据点的温度值起伏的频率越大。
需要说明的是,当滑动窗口出现超边界问题时,即滑动窗口内数据点的数量不足个时,通过复制填充的方法使得滑动窗口内数据点的数量达到/>个;另外,滑动窗口对温度时序数据进行遍历过程中,滑动窗口的中心点对应一个数据点,因此一个数据点作为滑动窗口的中心点时,数据点与滑动窗口相互对应。
然后,获取温度样本数据中任意时间点下数据点的权重,具体计算方法为:
其中,表示温度时序数据中数据点的权重;/>表示第/>个温度时序数据内滑动窗口的中心点对应数据点的极值频率;/>表示滑动窗口内数据点的数量;/>表示第/>个温度时序数据内滑动窗口的中心点对应数据点的局部平均参数;/>表示第/>个温度时序数据的滑动窗口内第/>个数据点的温度值;/>表示绝对值符号;/>表示以自然常数为底数的指数函数。
需要说明的是,反映了在第/>层温度时序数据中滑动窗口对应局部范围内数据点与局部平均参数之间的差异,差异越大,表示局部范围内数据点的温度值起伏的幅度越大;/>反映了第/>层温度时序数据在滑动窗口对应局部范围内的噪声程度,本实施例将3层温度时序数据在滑动窗口内的平均噪声程度作为滑动窗口的中心点处对应时间点下数据点的权重,平均噪声程度越大,对应时间点下数据点的权重越大。
进一步地,将所有时间点下数据点的权重构成的矩阵记为第二修正矩阵,其中,/>表示温度时序数据的第1个时间点下数据点的权重,/>表示温度时序数据的第/>个时间点下数据点的权重。
最后,利用第一修正矩阵和第二修正矩阵对温度矩阵进行调节,获得新温度矩阵,具体计算方法为:
其中,表示新温度矩阵;/>表示第一修正矩阵;/>表示温度矩阵;/>表示第二修正矩阵。
需要说明的是,新温度矩阵中每一行的数据分别对应上、中、下3层的温度时序数据调节后的数据。
至此,通过上述方法得到新温度矩阵。
步骤S004:对新温度矩阵中的数据进行分段处理并进行温度异常监测。
具体的,首先,将新温度矩阵中任意一行的元素形成的序列记为新温度时序数据,将新温度时序数据中数据点的温度值记为新温度值,利用费希尔最优分割法对新温度时序数据进行分段,并利用手肘法确定分段获得分段数据的数量。
需要说明的是,由于手肘法为现有方法,因此本实施例不进行赘述。
然后,获取任意分段数据中所有数据点的平均新温度值记为分段数据的标准温度参数,当分段数据中数据点的新温度值与标准温度参数的差值绝对值大于阈值时,粮食作物仓储的报警器进行报警,其中阈值/>为预设的超参数。
需要说明的是,根据经验预设超参数为0.5℃,可根据实际情况进行调整,本实施例不进行具体限定。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种粮食作物仓储温度异常监测方法,其特征在于,该方法包括以下步骤:
获取由多个位置的温度时序数据构成的温度矩阵,温度时序数据中一个数据点对应一个时间点和一个温度值;
对温度时序数据进行拟合获得温度曲线,利用温度时序数据的极差对温度曲线之间的积分面积进行调节获得可信系数,所述可信参数用于描述所有温度时序数据存在异常的概率;利用可信系数分别对不同温度时序数据与对应温度曲线之间的差异进行调节,获得第一修正矩阵;
利用预设大小的滑动窗口对温度时序数据进行遍历,根据在不同温度时序数据的同一个时间点下,对应滑动窗口内极值点的数量以及数据点的温度值差异,获得每个时间点下对应数据点的权重所形成的第二修正矩阵;利用第一修正矩阵和第二修正矩阵对温度矩阵进行调节获得新温度矩阵;
对新温度矩阵中的数据进行分段处理并进行温度异常监测。
2.根据权利要求1所述一种粮食作物仓储温度异常监测方法,其特征在于,所述获取由多个位置的温度时序数据构成的温度矩阵,包括的具体方法为:
在粮食作物存储仓中,利用温度传感器分别获取预设范围下所对应的上、中、下3层位置处粮食作物表面的温度时序数据;
由上、中、下3层对应温度时序数据形成大小的矩阵,记为温度矩阵,其中/>表示上层对应的温度时序数据的第1个数据点的温度值,表示上层对应的温度时序数据的第/>个数据点的温度值,/>表示下层对应的温度时序数据的第1个数据点的温度值,/>表示下层对应的温度时序数据的第/>个数据点的温度值。
3.根据权利要求1所述一种粮食作物仓储温度异常监测方法,其特征在于,所述对温度时序数据进行拟合获得温度曲线,利用温度时序数据的极差对温度曲线之间的积分面积进行调节获得可信系数,包括的具体方法为:
利用最小二乘法分别对所有温度时序数据进行曲线拟合,获得对应的温度曲线,将任意两个温度曲线形成的组合记为曲线组合,获取任意曲线组合的绝对面积参数和相对面积参数;
根据不同温度时序数据中温度值的极差分别获得上中温差参数和中下温差参数;
获取可信系数,具体计算方法为:
其中,表示可信系数;/>表示曲线组合的数量;/>表示第/>个曲线组合的绝对面积参数;表示第/>个曲线组合的相对面积参数;/>表示上中温差参数;/>表示中下温差参数;/>表示绝对值符号;/>表示以自然常数为底数的指数函数。
4.根据权利要求3所述一种粮食作物仓储温度异常监测方法,其特征在于,所述获取任意曲线组合的绝对面积参数和相对面积参数,包括的具体方法为:
所述绝对面积参数为,相对面积参数为,其中/>表示温度曲线中的最大时间点,/>表示曲线组合中第1个温度曲线的第/>个时间点下数据点的温度值,/>表示曲线组合中第2个温度曲线的第/>个时间点下数据点的温度值,/>表示绝对值符号。
5.根据权利要求3所述一种粮食作物仓储温度异常监测方法,其特征在于,所述根据不同温度时序数据中温度值的极差分别获得上中温差参数和中下温差参数,包括的具体方法为:
将任意温度时序数据中温度值的极差记为温度时序数据的温度变化参数,将上层与中层的温度时序数据对应温度变化参数之间的差值记为上中温差参数,将中层与下层的温度时序数据对应温度变化参数之间的差值记为中下温差参数。
6.根据权利要求1所述一种粮食作物仓储温度异常监测方法,其特征在于,所述利用可信系数分别对不同温度时序数据与对应温度曲线之间的差异进行调节,获得第一修正矩阵,包括的具体方法为:
获取任意温度时序数据的权重,具体计算方法为:
其中,表示温度时序数据的权重;/>表示可信系数;/>表示温度时序数据对应温度曲线中第/>个时间点下数据点的温度值;/>表示温度时序数据中第/>个时间点下数据点的温度值;/>表示温度曲线中的最大时间点;/>表示绝对值符号;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数;
第一修正矩阵,其中/>表示粮食作物上层的温度时序数据的权重,表示粮食作物中层的温度时序数据的权重,/>表示粮食作物下层的温度时序数据的权重。
7.根据权利要求1所述一种粮食作物仓储温度异常监测方法,其特征在于,所述利用预设大小的滑动窗口对温度时序数据进行遍历,根据在不同温度时序数据的同一个时间点下,对应滑动窗口内极值点的数量以及数据点的温度值差异,获得每个时间点下对应数据点的权重所形成的第二修正矩阵,包括的具体方法为:
构建长度为的滑动窗口对温度时序数据进行遍历,将任意温度时序数据中任意数据点作为滑动窗口的中心点,将滑动窗口内极值点的数量与滑动窗口内数据点的数量之间的比值,记为滑动窗口的中心点对应数据点的极值频率,将滑动窗口内所有数据点的平均值记为滑动窗口的中心点对应数据点的局部平均参数,其中/>为预设的超参数;
根据极值频率以及数据点的温度值差异获得权重;
将所有时间点下数据点的权重构成的矩阵记为第二修正矩阵,其中,表示温度时序数据的第1个时间点下数据点的权重,/>表示温度时序数据的第/>个时间点下数据点的权重。
8.根据权利要求7所述一种粮食作物仓储温度异常监测方法,其特征在于,所述根据极值频率以及数据点的温度值差异获得权重,包括的具体方法为:
获取温度样本数据中任意时间点下数据点的权重,具体计算方法为:
其中,表示温度时序数据中数据点的权重;/>表示第/>个温度时序数据内滑动窗口的中心点对应数据点的极值频率;/>表示滑动窗口内数据点的数量;/>表示第/>个温度时序数据内滑动窗口的中心点对应数据点的局部平均参数;/>表示第/>个温度时序数据的滑动窗口内第/>个数据点的温度值;/>表示绝对值符号;/>表示以自然常数为底数的指数函数。
9.根据权利要求1所述一种粮食作物仓储温度异常监测方法,其特征在于,所述利用第一修正矩阵和第二修正矩阵对温度矩阵进行调节获得新温度矩阵,包括的具体公式为:
其中,表示新温度矩阵;/>表示第一修正矩阵;/>表示温度矩阵;/>表示第二修正矩阵。
10.根据权利要求1所述一种粮食作物仓储温度异常监测方法,其特征在于,所述对新温度矩阵中的数据进行分段处理并进行温度异常监测,包括的具体方法为:
首先,将新温度矩阵中任意一行的元素形成的序列记为新温度时序数据,将新温度时序数据中数据点的温度值记为新温度值,利用费希尔最优分割法对新温度时序数据进行分段,并利用手肘法确定分段获得分段数据的数量;
然后,获取任意分段数据中所有数据点的平均新温度值记为分段数据的标准温度参数,当分段数据中数据点的新温度值与标准温度参数的差值绝对值大于阈值时,粮食作物仓储的报警器进行报警,其中阈值/>为预设的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195762.5A CN117760593B (zh) | 2024-02-22 | 2024-02-22 | 一种粮食作物仓储温度异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195762.5A CN117760593B (zh) | 2024-02-22 | 2024-02-22 | 一种粮食作物仓储温度异常监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117760593A true CN117760593A (zh) | 2024-03-26 |
CN117760593B CN117760593B (zh) | 2024-05-10 |
Family
ID=90324293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410195762.5A Active CN117760593B (zh) | 2024-02-22 | 2024-02-22 | 一种粮食作物仓储温度异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117760593B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2741061A1 (de) * | 2012-12-04 | 2014-06-11 | BSH Bosch und Siemens Hausgeräte GmbH | Verfahren und Vorrichtung zum Bestimmen einer effektiven Kerntemperatur eines Garguts |
CN108482168A (zh) * | 2018-04-28 | 2018-09-04 | 北京新能源汽车股份有限公司 | 一种电池包内部温度的调节方法、装置及汽车 |
WO2019166986A1 (en) * | 2018-02-28 | 2019-09-06 | Smart Soft Solutions Spolka Z Ograniczona Odpowiedzialnoscia | Device, method and system for monitoring of animal body temperature |
CN110533173A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于多级注意力网络的仓储粮堆温度预测方法及装置 |
WO2022141871A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 时序数据异常检测方法、装置、设备及存储介质 |
CN116108008A (zh) * | 2023-04-13 | 2023-05-12 | 山东明远生物科技有限公司 | 一种装饰材料甲醛检测数据处理方法 |
CN116380289A (zh) * | 2023-05-24 | 2023-07-04 | 中央储备粮镇江直属库有限公司 | 一种用于粮仓的粮食温度自动监测分析系统 |
CN117113265A (zh) * | 2023-10-25 | 2023-11-24 | 山东鹤来香食品有限公司 | 一种食品加工设备智能监测管理方法及系统 |
CN117236084A (zh) * | 2023-11-16 | 2023-12-15 | 青岛永强木工机械有限公司 | 一种木工机械加工生产智能管理方法及系统 |
CN117390573A (zh) * | 2023-12-12 | 2024-01-12 | 深圳前海慧联科技发展有限公司 | 基于时序预测的风电机组运行异常预警方法 |
-
2024
- 2024-02-22 CN CN202410195762.5A patent/CN117760593B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2741061A1 (de) * | 2012-12-04 | 2014-06-11 | BSH Bosch und Siemens Hausgeräte GmbH | Verfahren und Vorrichtung zum Bestimmen einer effektiven Kerntemperatur eines Garguts |
WO2019166986A1 (en) * | 2018-02-28 | 2019-09-06 | Smart Soft Solutions Spolka Z Ograniczona Odpowiedzialnoscia | Device, method and system for monitoring of animal body temperature |
CN108482168A (zh) * | 2018-04-28 | 2018-09-04 | 北京新能源汽车股份有限公司 | 一种电池包内部温度的调节方法、装置及汽车 |
CN110533173A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于多级注意力网络的仓储粮堆温度预测方法及装置 |
WO2022141871A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 时序数据异常检测方法、装置、设备及存储介质 |
CN116108008A (zh) * | 2023-04-13 | 2023-05-12 | 山东明远生物科技有限公司 | 一种装饰材料甲醛检测数据处理方法 |
CN116380289A (zh) * | 2023-05-24 | 2023-07-04 | 中央储备粮镇江直属库有限公司 | 一种用于粮仓的粮食温度自动监测分析系统 |
CN117113265A (zh) * | 2023-10-25 | 2023-11-24 | 山东鹤来香食品有限公司 | 一种食品加工设备智能监测管理方法及系统 |
CN117236084A (zh) * | 2023-11-16 | 2023-12-15 | 青岛永强木工机械有限公司 | 一种木工机械加工生产智能管理方法及系统 |
CN117390573A (zh) * | 2023-12-12 | 2024-01-12 | 深圳前海慧联科技发展有限公司 | 基于时序预测的风电机组运行异常预警方法 |
Non-Patent Citations (1)
Title |
---|
叶廷东;彭选荣;高艺康;梁豪;: "基于物联网的室内微环境智能监测系统", 自动化与信息工程, no. 01, 15 February 2016 (2016-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117760593B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310889B (zh) | 一种基于深度神经网络的蒸发波导剖面估计方法 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN111610312B (zh) | 一种开放型多气室法土壤呼吸值监测方法 | |
CN117332341B (zh) | 基于物联网的飞机轮挡数据智能管理方法及系统 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN113240198A (zh) | 一种基于tcn模型的港口船舶轨迹预测方法 | |
CN117760593B (zh) | 一种粮食作物仓储温度异常监测方法 | |
CN116559977A (zh) | 一种基于bp神经网络的nps-gryanik20蒸发波导高度预测方法 | |
CN117764290A (zh) | 一种水利工程施工用bim模型数据管理方法 | |
CN117574305A (zh) | 一种设备运行状态实时监测方法及系统 | |
CN107644267B (zh) | 一种基于d-s证据理论的温室控制决策融合方法 | |
CN117094608A (zh) | 结合应用需求的钛带生产控制方法及系统 | |
CN116991841A (zh) | 一种用于混合风数据模型的数据智能清洗方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN107507885B (zh) | 基于多通道传感器数据的太阳能电池生产过程监测方法 | |
CN110765420A (zh) | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 | |
CN115796361A (zh) | 一种架空线路工程可研阶段的风速区间预测方法和装置 | |
CN112633549A (zh) | 基于统计规律的负荷概率区间建模方法 | |
CN112632785A (zh) | 一种改进非参数核密度估计光伏出力建模方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN117992894B (zh) | 基于物联网的农业大棚环境异常数据监测方法 | |
CN117611031B (zh) | 一种冷链物联网物流温度实时监控方法及系统 | |
CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
CN118010939B (zh) | 一种智能化甲醛检测方法 | |
CN111257824B (zh) | 基于扩散卡尔曼滤波的分布式检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |