基於物聯網推薦的智能烘乾遠程控制方法及系統與流程
2023-10-24 06:54:12

本發明涉及智能烘乾技術領域,更為具體地,涉及一種基於物聯網推薦的智能烘乾遠程控制方法及系統。
背景技術:
烘乾房烘乾是一個複雜的工藝過程,人們通常都是通過主觀經驗結合待烘乾原料類型決定烘乾方案,這導致了產品烘乾質量受到極大的影響,造成大量的精力損失和金錢浪費。
目前,亟需解決的問題是建立一套全面的動態模型,並將烘乾房實時參數、產品烘乾進度反饋給用戶,讓用戶能及時對烘乾方案做出調整。影響產品烘乾質量、生產能耗的各個因素之間往往體現出高度的複雜性和非線性,採用常規預測、分析方法存在一定難度,Elman神經網絡(global feed for ward local recurrent,典型的局部回歸網絡)對於非線性系統的建模精度高,非常適合動態烘乾模型的建立。利用SPEA2算法優化動態烘乾模型,將模型輸出的推薦烘乾方案和預測的烘乾度、均勻度、總耗時、總耗能即時反饋給用戶,為大數據時代的智能烘乾提供了一種新的思路。
技術實現要素:
鑑於上述問題,本發明的目的是提供一種基於物聯網推薦的智能烘乾遠程控制方法及系統,以解決現有技術中無法根據產品具體要求實現實時遠程智能控制烘乾房參數的問題。
本發明提供一種基於物聯網推薦的智能烘乾遠程控制方法,包括:
S1:根據採集到的待烘乾原料溼度、烘乾房室內外溫度與溼度曲線、烘乾時間、圖像構成影響因素矩陣,並上傳至雲伺服器,其中,所述烘乾房室內溫度曲線與溼度曲線、烘乾時間為決策變量;
S2:根據在不同所述決策變量影響下採集到的產品烘乾度、均勻度、總耗時、能耗樣本構成指標矩陣,並利用Elman神經網絡對所述指標矩陣進行訓練、檢驗,建立動態烘乾模型;
S3:利用SPEA2算法對所述動態烘乾模型進行優化,獲得各決策變量的一組最優解以及所述最優解對應的烘乾度、均勻度、總耗時和總耗能;
S4:利用所述動態烘乾模型對實時數據進行預測獲得推薦決策,並將所述推薦決策傳輸至用戶終端,在用戶界面顯示所述推薦決策,並通過遠程操作完成自動控制,其中,所述推薦決策為當前最優的室內溫度曲線、溼度曲線、烘乾時間。
此外,優選的方案是,在步驟S1中包括傳感器、採用電路和視頻模塊,其中,
所述傳感器模塊,用於採集烘乾房的環境指標,所述傳感器模塊包括溫度傳感器、溼度傳感器、計時器;
所述採樣電路,與所述傳感器模塊連接,將所述傳感器模塊採集到環境指標轉換成數位訊號;
所述視頻模塊:通過攝像頭採集產品當前時刻圖像,並將採集到的圖像信息轉換成數位訊號;
步驟S1中的變量包括:所述待烘乾原料溼度、所述烘乾房室內外溫度與溼度曲線、所述烘乾時間,其中,烘乾房室內外溫度、溼度、烘乾時間由傳感器測量數據。
此外,優選的方案是,建立動態烘乾模型具體包括如下步驟:
S21:初始化,設迭代次數g初值為0,分別賦給WMI(0)、WJP(0)WJC(0)一個(0,1)區間的隨機值;
S22:隨機輸入樣本Xk;
S23:對輸入樣本Xk,前向計算神經網絡每層神經元的輸入信號和輸出信號;
S24:根據期望輸出dk和實際輸出Yk(g),計算誤差E(g);
S25:判斷誤差E(g)是否滿足要求,如不滿足,則進入步驟S26,如滿足,則進入步驟S29;
S26:判斷迭代次數g+1是否大於最大迭代次數,如大於,則進入步驟S29,否則,進入步驟S27;
S27:對輸入樣本Xk反向計算每層神經元的局部梯度δ;
S28:計算權值修正量ΔW,並修正權值;令g=g+1,跳轉至步驟S23;
S29:判斷是否完成所有的訓練樣本,如果是,則完成建模,否則,繼續跳轉至步驟S22;
在上述步驟S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)為輸入矢量;
S為訓練樣本個數;
WMI(g)為第g次迭代時輸入層M與隱層I之間的權值矢量;
WJP(g)為第g次迭代時隱層J與輸出層P之間的權值矢量;
WJC(g)為第g次迭代時隱層J與承接層C之間的權值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)為第g次迭代時網絡的實際輸出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)為期望輸出。
此外,優選的方案是,步驟S3中利用SPEA2算法對所述動態烘乾模型進行優化包括以下步驟:
S31:計算初始個體的適應度F(i)=R(i)+D(i),其中,R(i)和D(i)為影響F(i)大小的兩個因素;
根據帕累託支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P為進化群體,Q為歸檔集;
D(i)為影響F(i)同時考慮支配個體和被支配個體的信息,採用近鄰機制對F(i)求得更科學的評價;
其中,M為存檔集Q的個體數量;為個體i到其第k個相鄰個體之間的歐式距離,計算個體i到進化群體P和歸檔集Q中其他所有個體之間的距離,並按照增序排列;
S32:對種群進行環境選擇,得到新的歸檔集Qt+1;其中,t為當前迭代次數;
S33:通過選擇、交叉、變異操作得到更新後的新種群Pt+1;
S34:將新的種群Pt+1和新的歸檔集Qt+1代入步驟S31中進行重複運算,直到Q中的個體滿足要求或循環運算次數達到上限,則退出運算,並輸出此時的Q。
此外,優選的方案是,在上述步驟S32對種群進行環境選擇,得到新的歸檔集具體包括:
S321:優先選取適應值小於1的種群個體放入外部歸檔集Qt+1中,即:
S322:若Qt+1中的個體數量和Q相等,則直接使用新的存檔集Qt+1;
若Qt+1中的個體數量小於Q,即|Qt+1|<M,則在上一代Pt和Qt中選擇(M-|Q|)個適應度小的優秀個體進入Qt+1中;
若Qt+1中的個體數量大於Q,則按照修建過程依次選擇個體i從Qt+1中刪除:
其中,表示個體i與歸檔集Qt+1中第k個個體的歐式距離,當有若干個體在與其前l個鄰近個體具有相同的最小距離時,而與其第k個鄰近個體具有不同的距離時,刪除一個具有最小距離的個體;
S323:判斷新的歸檔集Qt+1是否滿足要求,若滿足,則返回Qt+1的值,若不滿足,則進入步驟S324;
S324:計算個體適應度:F(i)=R(i)+D(i);其中,R(i)和D(i)為影響F(i)大小的兩個因素,P為進化群體,Q為歸檔集。
本發明還提供一種基於物聯網推薦的智能烘乾遠程控制系統,包括:
影響因素矩陣構成單元,用於根據採集到的待烘乾原料溼度、烘乾房室內外溫度與溼度曲線、烘乾時間、圖像構成影響因素矩陣,並上傳至雲伺服器,其中,所述烘乾房室內溫度曲線與溼度曲線、烘乾時間為決策變量;
動態烘乾模型建立單元,用於根據在不同所述決策變量影響下採集到的產品烘乾度、均勻度、總耗時、能耗樣本構成指標矩陣,並利用Elman神經網絡對所述指標矩陣進行訓練、檢驗,建立動態烘乾模型;
最優解獲取單元,用於利用SPEA2算法對所述動態烘乾模型進行優化,獲得各決策變量的一組最優解以及所述最優解對應的烘乾度、均勻度、總耗時和總耗能;
推薦決策遠程控制單元,用於利用所述動態烘乾模型對實時數據進行預測獲得推薦決策,並將所述推薦決策傳輸至用戶終端,在用戶界面顯示所述推薦決策,並通過遠程操作完成自動控制,其中,所述推薦決策為當前最優的室內溫度曲線、溼度曲線、烘乾時間。
此外,優選的方案是,所述影響因素矩陣構成單元包括傳感器、採用電路和視頻模塊,其中,
所述傳感器模塊,用於採集烘乾房的環境指標,所述傳感器模塊包括溫度傳感器、溼度傳感器、計時器;
所述採樣電路,與所述傳感器模塊連接,將所述傳感器模塊採集到環境指標轉換成數位訊號;
所述視頻模塊:通過攝像頭採集產品當前時刻圖像,並將採集到的圖像信息轉換成數位訊號;
所述影響因素矩陣構成單元中的變量包括:所述待烘乾原料溼度、所述烘乾房室內外溫度與溼度曲線、所述烘乾時間,其中,烘乾房室內外溫度、溼度、烘乾時間由傳感器測量數據。
此外,優選的方案是,所述動態烘乾模型建立單元在建立動態烘乾模型的過程中:
S21:初始化,設迭代次數g初值為0,分別賦給WMI(0)、WJP(0)WJC(0)一個(0,1)區間的隨機值;
S22:隨機輸入樣本Xk;
S23:對輸入樣本Xk,前向計算神經網絡每層神經元的輸入信號和輸出信號;
S24:根據期望輸出dk和實際輸出Yk(g),計算誤差E(g);
S25:判斷誤差E(g)是否滿足要求,如不滿足,則進入步驟S26,如滿足,則進入步驟S29;
S26:判斷迭代次數g+1是否大於最大迭代次數,如大於,則進入步驟S29,否則,進入步驟S27;
S27:對輸入樣本Xk反向計算每層神經元的局部梯度δ;
S28:計算權值修正量ΔW,並修正權值;令g=g+1,跳轉至步驟S23;
S29:判斷是否完成所有的訓練樣本,如果是,則完成建模,否則,繼續跳轉至步驟S22;
在上述步驟S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)為輸入矢量;
S為訓練樣本個數;
WMI(g)為第g次迭代時輸入層M與隱層I之間的權值矢量;
WJP(g)為第g次迭代時隱層J與輸出層P之間的權值矢量;
WJC(g)為第g次迭代時隱層J與承接層C之間的權值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)為第g次迭代時網絡的實際輸出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)為期望輸出。
此外,優選的方案是,所述最優解獲取單元在利用SPEA2算法對所述動態烘乾模型進行優化的過程中:
S31:計算初始個體的適應度F(i)=R(i)+D(i),其中,R(i)和D(i)為影響F(i)大小的兩個因素;
根據帕累託支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P為進化群體,Q為歸檔集;
D(i)為影響F(i)同時考慮支配個體和被支配個體的信息,採用近鄰機制對F(i)求得更科學的評價;
其中,M為存檔集Q的個體數量;為個體i到其第k個相鄰個體之間的歐式距離,計算個體i到進化群體P和歸檔集Q中其他所有個體之間的距離,並按照增序排列;
S32:對種群進行環境選擇,得到新的歸檔集Qt+1;其中,t為當前迭代次數;
S33:通過選擇、交叉、變異操作得到更新後的新種群Pt+1;
S34:將新的種群Pt+1和新的歸檔集Qt+1代入步驟S31中進行重複運算,直到Q中的個體滿足要求或循環運算次數達到上限,則退出運算,並輸出此時的Q。
此外,優選的方案是,所述最優解獲取單元在對種群進行環境選擇,得到新的歸檔集的過程中:
S321:優先選取適應值小於1的種群個體放入外部歸檔集Qt+1中,即:
S322:若Qt+1中的個體數量和Q相等,則直接使用新的存檔集Qt+1;
若Qt+1中的個體數量小於Q,即|Qt+1|<M,則在上一代Pt和Qt中選擇(M-|Q|)個適應度小的優秀個體進入Qt+1中;
若Qt+1中的個體數量大於Q,則按照修建過程依次選擇個體i從Qt+1中刪除:
其中,表示個體i與歸檔集Qt+1中第k個個體的歐式距離,當有若干個體在與其前l個鄰近個體具有相同的最小距離時,而與其第k個鄰近個體具有不同的距離時,刪除一個具有最小距離的個體;
S323:判斷新的歸檔集Qt+1是否滿足要求,若滿足,則返回Qt+1的值,若不滿足,則進入步驟S324;
S324:計算個體適應度:F(i)=R(i)+D(i);其中,R(i)和D(i)為影響F(i)大小的兩個因素,P為進化群體,Q為歸檔集。
從上面的技術方案可知,本發明提供的基於物聯網推薦的智能烘乾遠程控制方法及系統,建立一套全面的動態模型,確定烘乾房的當前最優環境參數,並將烘乾房實時參數、產品烘乾進度反饋給用戶,使得用戶隨時隨地都能了解產品實時狀況,讓用戶能及時對烘乾方案做出調整,實現遠程控制。
為了實現上述以及相關目的,本發明的一個或多個方面包括後面將詳細說明的特徵。下面的說明以及附圖詳細說明了本發明的某些示例性方面。然而,這些方面指示的僅僅是可使用本發明的原理的各種方式中的一些方式。此外,本發明旨在包括所有這些方面以及它們的等同物。
附圖說明
通過參考以下結合附圖的說明,並且隨著對本發明的更全面理解,本發明的其它目的及結果將更加明白及易於理解。在附圖中:
圖1為根據本發明實施例的基於物聯網推薦的智能烘乾遠程控制方法流程示意圖;
圖2為根據本發明實施例的基於物聯網推薦的智能烘乾遠程控制方法框架圖;
圖3為根據本發明實施例的用戶界面示意圖;
圖4為根據本發明實施例的烘乾度預測結果圖;
圖5為根據本發明實施例的烘乾度預測誤差圖
圖6為根據本發明實施例的均勻度預測結果圖;
圖7為根據本發明實施例的均勻度預測誤差圖;
圖8為根據本發明實施例的總耗時預測結果圖;
圖9為根據本發明實施例的總耗時預測誤差圖;
圖10為根據本發明實施例的總耗能預測能耗圖;
圖11為根據本發明實施例的總耗能預測誤差圖;
圖12為根據本發明實施例的基於物聯網推薦的智能烘乾遠程控制系統邏輯結構框圖。
在所有附圖中相同的標號指示相似或相應的特徵或功能。
具體實施方式
在下面的描述中,出於說明的目的,為了提供對一個或多個實施例的全面理解,闡述了許多具體細節。然而,很明顯,也可以在沒有這些具體細節的情況下實現這些實施例。
以下將結合附圖對本發明的具體實施例進行詳細描述。
為了說明本發明提供的基於物聯網推薦的智能烘乾遠程控制方法,圖1示出了根據本發明實施例的基於物聯網推薦的智能烘乾遠程控制方法流程。
如圖1所示,本發明提供的基於物聯網推薦的智能烘乾遠程控制方法包括:
S1:根據採集到的待烘乾原料溼度、烘乾房室內外溫度與溼度曲線、烘乾時間、圖像構成影響因素矩陣,並上傳至雲伺服器,其中,所述烘乾房室內溫度曲線與溼度曲線、烘乾時間為決策變量;
S2:根據在不同所述決策變量影響下採集到的產品烘乾度、均勻度、總耗時、能耗樣本構成指標矩陣,並利用Elman神經網絡對所述指標矩陣進行訓練、檢驗,建立動態烘乾模型;
S3:利用SPEA2算法對所述動態烘乾模型進行優化,獲得各決策變量的一組最優解以及所述最優解對應的烘乾度、均勻度、總耗時和總耗能;
S4:利用所述動態烘乾模型對實時數據進行預測獲得推薦決策,並將所述推薦決策傳輸至用戶終端,在用戶界面顯示所述推薦決策,並通過遠程操作完成自動控制,其中,所述推薦決策為當前最優的室內溫度曲線、溼度曲線、烘乾時間。
圖2示出了基於物聯網推薦的智能烘乾遠程控制方法邏輯結構,在圖1和圖2共同所示的實施例中,展示了基於物聯網推薦的智能烘乾遠程控制方法基體過程。首先,利用傳感器等硬體採集待烘乾原料溼度、烘乾房室內外溫度與溼度曲線、烘乾時間等,然後將採集到的數據上傳至雲伺服器進行存儲,利用SPEA2算法建立動態烘乾模型,得到各決策變量的一組最優值,並將這組最優解作為推薦決策下發至用戶的PC或APP終端,最後用戶可根據推薦策略和自身經驗決定烘乾房設備的參數設置,實現遠程控制。
具體地,在步驟S1中,包括傳感器、採用電路和視頻模塊,其中,傳感器模塊,用於採集烘乾房的環境指標,傳感器模塊包括溫度傳感器、溼度傳感器、計時器。
所述採樣電路,與所述傳感器模塊連接,將所述傳感器模塊採集到環境指標轉換成數位訊號。
所述視頻模塊:通過攝像頭採集產品當前時刻圖像,並將採集到的圖像信息轉換成數位訊號。
故在步驟S1中,利用傳感器等硬體採集待烘乾原料溼度、烘乾房室內外溫度與溼度曲線、烘乾時間,並構成影響因素矩陣X上傳至雲伺服器,其中決策變量為室內溫度曲線、溼度曲線、烘乾時間。
通過對菸草烘乾的數據進行統計得到對烘乾度y1、均勻度y2、總耗時y3、總耗能y4、影響最大的變量為:採集待烘乾原料溼度x1、室外溫度x2、室外溼度x3、室內溫度向量x4、室內溼度向量x5、烘乾時間x6共6變量。
在步驟S2中,結合專家經驗採集在不同決策變量影響下的產品烘乾度、均勻度、總耗時、能耗樣本為指標矩陣Y,利用Elman神經網絡進行訓練、檢驗,建立動態烘乾模型;
設置Xk=[xk1,xk2,…,xkM](k=1,2,…,S)為輸入矢量,N為訓練樣本個數,
其中,WMI(g)為第g次迭代時輸入層M與隱層I之間的權值矢量;WJP(g)為第g次迭代時隱層J與輸出層P之間的權值矢量;WJC(g)為第g次迭代時隱層J與承接層C之間的權值矢量;Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)為第g次迭代時網絡的實際輸出;dk=[dk1,dk2,…,dkP](k=1,2,…,S)為期望輸出,迭代次數g取500。
步驟S2中建立動態烘乾模型具體包括如下步驟:
S21:初始化,設迭代次數g初值為0,分別賦給WMI(0)、WJP(0)WJC(0)一個(0,1)區間的隨機值;
S22:隨機輸入樣本Xk;
S23:對輸入樣本Xk,前向計算神經網絡每層神經元的輸入信號和輸出信號;
S24:根據期望輸出dk和實際輸出Yk(g),計算誤差E(g);
S25:判斷誤差E(g)是否滿足要求,如不滿足,則進入步驟S26,如滿足,則進入步驟S29;
S26:判斷迭代次數g+1是否大於最大迭代次數,如大於,則進入步驟S29,否則,進入步驟S27;
S27:對輸入樣本Xk反向計算每層神經元的局部梯度δ;
S28:計算權值修正量ΔW,並修正權值,計算公式為:ΔWij=η·δij·aj,Wij(g+1)=Wij(g)+ΔWij(g),式中,η為學習效率;令g=g+1,跳轉至步驟S23;
S29:判斷是否完成所有的訓練樣本,如果是,則完成建模,否則,繼續跳轉至步驟S22。
在神經網絡設計中,隱層節點數的多少是決定神經網絡模型好壞的關鍵,也是神經網絡設計中的難點,這裡採用試湊法來確定隱層的節點數。
式中,p為隱層神經元節點數,n為輸入層神經元數,m為輸出層神經元數,k為1-10之間的常數。神經網絡的設置參數如下表1所示。
表1神經網絡設置參數
通過上述過程,可得到Elman神經網絡預測效果如圖4-11所示。智能烘乾的基礎是模型的建立,模型精度直接影響輸出結果。通過對圖4-11析可知,烘乾度最大預測誤差為-3.95%,均勻度最大預測誤差為3.75%,總耗時最大預測誤差為-3.81%,總耗能最大預測誤差為-3.8%模型預測精度高,滿足建模要求。
在步驟S3中利用SPEA2算法對動態烘乾模型進行優化的具體方法包括以下步驟:
S31:計算初始個體的適應度F(i)=R(i)+D(i),其中R(i)和D(i)是影響F(i)大小的兩個因素;
根據帕累託支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
式中,P為進化群體,Q為歸檔集;
D(i)是影響F(i)同時考慮支配個體和被支配個體的信息,採用近鄰機制對F(i)求得更科學的評價,
式中,M為存檔集Q的個體數量,為個體i到其第k個相鄰個體之間的歐式距離,為了計算需要計算個體i到進化群體P和歸檔集Q中其他所有個體之間的距離,並按照增序排列;
S32:對種群進行環境選擇,得到新的歸檔集Qt+1,t為當前迭代次數;
S321:優先選取適應值小於1的種群個體放入外部歸檔集Qt+1中,即:
S322:若Qt+1中的個體數量和Q相等,則直接使用新的存檔集Qt+1;
若Qt+1中的個體數量小於Q,即|Qt+1|<M,則在上一代Pt和Qt中選擇(M-|Q|)個適應度小的優秀個體進入Qt+1中;
若Qt+1中的個體數量大於Q,則按照修建過程依次選擇個體i從Qt+1中刪除:
在上式中,表示個體i與歸檔集Qt+1中第k個個體的歐式距離,當有多個個體在與其前l個鄰近個體具有相同的最小距離時,而與其第k個鄰近個體具有不同的距離時,刪除一個具有最小距離的個體;
S323:判斷新的歸檔集Qt+1是否滿足要求,若滿足,則返回Qt+1的值,若不滿足,則進入步驟S324;
S324:計算個體適應度:F(i)=R(i)+D(i);
S33:通過選擇、交叉、變異操作得到更新後的新種群Pt+1;
S34:將新的種群Pt+1和新的歸檔集Qt+1代入步驟S31中進行重複運算,直到Q中的個體滿足要求或循環運算次數達到上限,則退出運算,並輸出此時的Q。
傳感器每0.5小時採集一次數據上傳至雲伺服器,雲伺服器接數據並通過模型給出當前推薦溫度、相對溼度、烘乾時間分別為65℃、30%、18h。
在步驟S4中,實時數據是烘乾房的溫溼度環境與原材料溼度。用戶可以在移動終端上打開智能烘乾界面,界面顯示產品簡要信息包括烘乾房圖像、當前烘乾進度等,用戶可在界面設置產品的理想烘乾度、均勻度、總耗時、能耗,由雲伺服器下發推薦烘乾方案。
其中,需要說明的是,本發明採用的智能化算法的,核心是SPEA2算法,SPEA2算法的處理對象是大數據;大數據是存儲在雲平臺的,計算是在雲平臺完成的;數據是通過智能硬體(傳感器、攝像頭等)採集的,再通過物聯網傳到雲平臺的。
與上述方法相對應,本發明還提供一種基於物聯網推薦的智能烘乾遠程控制系統,圖12示出了根據本發明實施例的基於物聯網推薦的智能烘乾遠程控制系統邏輯結構。
如圖12所示,本發明提供的基於物聯網推薦的智能烘乾遠程控制系統1200包括影響因素矩陣構成單元1210、動態烘乾模型建立單元1220、最優解獲取單元1230和推薦決策遠程控制單元1240。
其中,影響因素矩陣構成單元1210,用於根據採集到的待烘乾原料溼度、烘乾房室內外溫度與溼度曲線、烘乾時間、圖像構成影響因素矩陣,並上傳至雲伺服器,其中,所述烘乾房室內溫度曲線與溼度曲線、烘乾時間為決策變量;
動態烘乾模型建立單元1220,用於根據在不同所述決策變量影響下採集到的產品烘乾度、均勻度、總耗時、能耗樣本構成指標矩陣,並利用Elman神經網絡對所述指標矩陣進行訓練、檢驗,建立動態烘乾模型;
最優解獲取單元1230,用於利用SPEA2算法對所述動態烘乾模型進行優化,獲得各決策變量的一組最優解以及所述最優解對應的烘乾度、均勻度、總耗時和總耗能;
推薦決策遠程控制單元1240,用於利用所述動態烘乾模型對實時數據進行預測獲得推薦決策,並將所述推薦決策傳輸至用戶終端,在用戶界面顯示所述推薦決策,並通過遠程操作完成自動控制,其中,所述推薦決策為當前最優的室內溫度曲線、溼度曲線、烘乾時間。
其中,影響因素矩陣構成單元1210包括傳感器、採用電路和視頻模塊,其中,
所述傳感器模塊,用於採集烘乾房的環境指標,所述傳感器模塊包括溫度傳感器、溼度傳感器、計時器;
所述採樣電路,與所述傳感器模塊連接,將所述傳感器模塊採集到環境指標轉換成數位訊號;
所述視頻模塊:通過攝像頭採集產品當前時刻圖像,並將採集到的圖像信息轉換成數位訊號;
所述影響因素矩陣構成單元中的變量包括:所述待烘乾原料溼度、所述烘乾房室內外溫度與溼度曲線、所述烘乾時間,其中,烘乾房室內外溫度、溼度、烘乾時間由傳感器測量數據。
其中,動態烘乾模型建立單元1220在建立動態烘乾模型的過程中:
S21:初始化,設迭代次數g初值為0,分別賦給WMI(0)、WJP(0)WJC(0)一個(0,1)區間的隨機值;
S22:隨機輸入樣本Xk;
S23:對輸入樣本Xk,前向計算神經網絡每層神經元的輸入信號和輸出信號;
S24:根據期望輸出dk和實際輸出Yk(g),計算誤差E(g);
S25:判斷誤差E(g)是否滿足要求,如不滿足,則進入步驟S26,如滿足,則進入步驟S29;
S26:判斷迭代次數g+1是否大於最大迭代次數,如大於,則進入步驟S29,否則,進入步驟S27;
S27:對輸入樣本Xk反向計算每層神經元的局部梯度δ;
S28:計算權值修正量ΔW,並修正權值;令g=g+1,跳轉至步驟S23;
S29:判斷是否完成所有的訓練樣本,如果是,則完成建模,否則,繼續跳轉至步驟S22;
在上述步驟S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)為輸入矢量;
S為訓練樣本個數;
WMI(g)為第g次迭代時輸入層M與隱層I之間的權值矢量;
WJP(g)為第g次迭代時隱層J與輸出層P之間的權值矢量;
WJC(g)為第g次迭代時隱層J與承接層C之間的權值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)為第g次迭代時網絡的實際輸出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)為期望輸出。
其中,最優解獲取單元1230在利用SPEA2算法對所述動態烘乾模型進行優化的過程中:
S31:計算初始個體的適應度F(i)=R(i)+D(i),其中,R(i)和D(i)為影響F(i)大小的兩個因素;
根據帕累託支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P為進化群體,Q為歸檔集;
D(i)為影響F(i)同時考慮支配個體和被支配個體的信息,採用近鄰機制對F(i)求得更科學的評價;
其中,M為存檔集Q的個體數量;為個體i到其第k個相鄰個體之間的歐式距離,計算個體i到進化群體P和歸檔集Q中其他所有個體之間的距離,並按照增序排列;
S32:對種群進行環境選擇,得到新的歸檔集Qt+1;其中,t為當前迭代次數;
S33:通過選擇、交叉、變異操作得到更新後的新種群Pt+1;
S34:將新的種群Pt+1和新的歸檔集Qt+1代入步驟S31中進行重複運算,直到Q中的個體滿足要求或循環運算次數達到上限,則退出運算,並輸出此時的Q。
其中,最優解獲取單元1230在對種群進行環境選擇,得到新的歸檔集的過程中:
S321:優先選取適應值小於1的種群個體放入外部歸檔集Qt+1中,即:
S322:若Qt+1中的個體數量和Q相等,則直接使用新的存檔集Qt+1;
若Qt+1中的個體數量小於Q,即|Qt+1|<M,則在上一代Pt和Qt中選擇(M-|Q|)個適應度小的優秀個體進入Qt+1中;
若Qt+1中的個體數量大於Q,則按照修建過程依次選擇個體i從Qt+1中刪除:
其中,表示個體i與歸檔集Qt+1中第k個個體的歐式距離,當有若干個體在與其前l個鄰近個體具有相同的最小距離時,而與其第k個鄰近個體具有不同的距離時,刪除一個具有最小距離的個體;
S323:判斷新的歸檔集Qt+1是否滿足要求,若滿足,則返回Qt+1的值,若不滿足,則進入步驟S324;
S324:計算個體適應度:F(i)=R(i)+D(i);其中,R(i)和D(i)為影響F(i)大小的兩個因素,P為進化群體,Q為歸檔集。
通過上述實施方式可以看出,本發明提供的基於物聯網推薦的智能烘乾遠程控制方法及系統,建立一套全面的動態模型,確定烘乾房的當前最優環境參數,並將烘乾房實時參數、產品烘乾進度反饋給用戶,使得用戶隨時隨地都能了解產品實時狀況,讓用戶能及時對烘乾方案做出調整,實現遠程控制。
如上參照附圖以示例的方式描述了根據本發明提出的基於物聯網推薦的智能烘乾遠程控制方法及系統。但是,本領域技術人員應當理解,對於上述本發明所提出的基於物聯網推薦的智能烘乾遠程控制方法及系統,還可以在不脫離本發明內容的基礎上做出各種改進。因此,本發明的保護範圍應當由所附的權利要求書的內容確定。