CN106444379A - 基于物联网推荐的智能烘干远程控制方法及*** - Google Patents
基于物联网推荐的智能烘干远程控制方法及*** Download PDFInfo
- Publication number
- CN106444379A CN106444379A CN201610884358.4A CN201610884358A CN106444379A CN 106444379 A CN106444379 A CN 106444379A CN 201610884358 A CN201610884358 A CN 201610884358A CN 106444379 A CN106444379 A CN 106444379A
- Authority
- CN
- China
- Prior art keywords
- individual
- time
- decision
- dried
- collection
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于物联网推荐的智能烘干远程控制方法及***,其中的方法包括:根据待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间、图像构成影响因素矩阵;根据在不同决策变量影响下采集到的产品烘干度、均匀度、总耗时、能耗样本构成指标矩阵,并利用Elman神经网络对指标矩阵进行训练、检验,建立动态烘干模型;利用SPEA2算法对动态烘干模型进行优化,获得各决策变量的一组最优解以及最优解对应的烘干度、均匀度、总耗时和总耗能;利用动态烘干模型对实时数据进行预测获得推荐决策,并将推荐决策传输至用户终端,并通过远程操作完成自动控制。利用本发明,可以让用户即时了解烘干房内情况和原料的当前烘干进度,提高产品质量并降低能耗。
Description
技术领域
本发明涉及智能烘干技术领域,更为具体地,涉及一种基于物联网推荐的智能烘干远程控制方法及***。
背景技术
烘干房烘干是一个复杂的工艺过程,人们通常都是通过主观经验结合待烘干原料类型决定烘干方案,这导致了产品烘干质量受到极大的影响,造成大量的精力损失和金钱浪费。
目前,亟需解决的问题是建立一套全面的动态模型,并将烘干房实时参数、产品烘干进度反馈给用户,让用户能及时对烘干方案做出调整。影响产品烘干质量、生产能耗的各个因素之间往往体现出高度的复杂性和非线性,采用常规预测、分析方法存在一定难度,Elman神经网络(global feed for ward local recurrent,典型的局部回归网络)对于非线性***的建模精度高,非常适合动态烘干模型的建立。利用SPEA2算法优化动态烘干模型,将模型输出的推荐烘干方案和预测的烘干度、均匀度、总耗时、总耗能即时反馈给用户,为大数据时代的智能烘干提供了一种新的思路。
发明内容
鉴于上述问题,本发明的目的是提供一种基于物联网推荐的智能烘干远程控制方法及***,以解决现有技术中无法根据产品具体要求实现实时远程智能控制烘干房参数的问题。
本发明提供一种基于物联网推荐的智能烘干远程控制方法,包括:
S1:根据采集到的待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间、图像构成影响因素矩阵,并上传至云服务器,其中,所述烘干房室内温度曲线与湿度曲线、烘干时间为决策变量;
S2:根据在不同所述决策变量影响下采集到的产品烘干度、均匀度、总耗时、能耗样本构成指标矩阵,并利用Elman神经网络对所述指标矩阵进行训练、检验,建立动态烘干模型;
S3:利用SPEA2算法对所述动态烘干模型进行优化,获得各决策变量的一组最优解以及所述最优解对应的烘干度、均匀度、总耗时和总耗能;
S4:利用所述动态烘干模型对实时数据进行预测获得推荐决策,并将所述推荐决策传输至用户终端,在用户界面显示所述推荐决策,并通过远程操作完成自动控制,其中,所述推荐决策为当前最优的室内温度曲线、湿度曲线、烘干时间。
此外,优选的方案是,在步骤S1中包括传感器、采用电路和视频模块,其中,
所述传感器模块,用于采集烘干房的环境指标,所述传感器模块包括温度传感器、湿度传感器、计时器;
所述采样电路,与所述传感器模块连接,将所述传感器模块采集到环境指标转换成数字信号;
所述视频模块:通过摄像头采集产品当前时刻图像,并将采集到的图像信息转换成数字信号;
步骤S1中的变量包括:所述待烘干原料湿度、所述烘干房室内外温度与湿度曲线、所述烘干时间,其中,烘干房室内外温度、湿度、烘干时间由传感器测量数据。
此外,优选的方案是,建立动态烘干模型具体包括如下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22;
在上述步骤S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量;
S为训练样本个数;
WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量;
WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量;
WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
此外,优选的方案是,步骤S3中利用SPEA2算法对所述动态烘干模型进行优化包括以下步骤:
S31:计算初始个体的适应度F(i)=R(i)+D(i),其中,R(i)和D(i)为影响F(i)大小的两个因素;
根据帕累托支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P为进化群体,Q为归档集;
D(i)为影响F(i)同时考虑支配个体和被支配个体的信息,采用近邻机制对F(i)求得更科学的评价;
其中,M为存档集Q的个体数量;为个体i到其第k个相邻个体之间的欧式距离,计算个体i到进化群体P和归档集Q中其他所有个体之间的距离,并按照增序排列;
S32:对种群进行环境选择,得到新的归档集Qt+1;其中,t为当前迭代次数;
S33:通过选择、交叉、变异操作得到更新后的新种群Pt+1;
S34:将新的种群Pt+1和新的归档集Qt+1代入步骤S31中进行重复运算,直到Q中的个体满足要求或循环运算次数达到上限,则退出运算,并输出此时的Q。
此外,优选的方案是,在上述步骤S32对种群进行环境选择,得到新的归档集具体包括:
S321:优先选取适应值小于1的种群个体放入外部归档集Qt+1中,即:
S322:若Qt+1中的个体数量和Q相等,则直接使用新的存档集Qt+1;
若Qt+1中的个体数量小于Q,即|Qt+1|<M,则在上一代Pt和Qt中选择(M-|Q|)个适应度小的优秀个体进入Qt+1中;
若Qt+1中的个体数量大于Q,则按照修建过程依次选择个体i从Qt+1中删除:
其中,表示个体i与归档集Qt+1中第k个个体的欧式距离,当有若干个体在与其前l个邻近个体具有相同的最小距离时,而与其第k个邻近个体具有不同的距离时,删除一个具有最小距离的个体;
S323:判断新的归档集Qt+1是否满足要求,若满足,则返回Qt+1的值,若不满足,则进入步骤S324;
S324:计算个体适应度:F(i)=R(i)+D(i);其中,R(i)和D(i)为影响F(i)大小的两个因素,P为进化群体,Q为归档集。
本发明还提供一种基于物联网推荐的智能烘干远程控制***,包括:
影响因素矩阵构成单元,用于根据采集到的待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间、图像构成影响因素矩阵,并上传至云服务器,其中,所述烘干房室内温度曲线与湿度曲线、烘干时间为决策变量;
动态烘干模型建立单元,用于根据在不同所述决策变量影响下采集到的产品烘干度、均匀度、总耗时、能耗样本构成指标矩阵,并利用Elman神经网络对所述指标矩阵进行训练、检验,建立动态烘干模型;
最优解获取单元,用于利用SPEA2算法对所述动态烘干模型进行优化,获得各决策变量的一组最优解以及所述最优解对应的烘干度、均匀度、总耗时和总耗能;
推荐决策远程控制单元,用于利用所述动态烘干模型对实时数据进行预测获得推荐决策,并将所述推荐决策传输至用户终端,在用户界面显示所述推荐决策,并通过远程操作完成自动控制,其中,所述推荐决策为当前最优的室内温度曲线、湿度曲线、烘干时间。
此外,优选的方案是,所述影响因素矩阵构成单元包括传感器、采用电路和视频模块,其中,
所述传感器模块,用于采集烘干房的环境指标,所述传感器模块包括温度传感器、湿度传感器、计时器;
所述采样电路,与所述传感器模块连接,将所述传感器模块采集到环境指标转换成数字信号;
所述视频模块:通过摄像头采集产品当前时刻图像,并将采集到的图像信息转换成数字信号;
所述影响因素矩阵构成单元中的变量包括:所述待烘干原料湿度、所述烘干房室内外温度与湿度曲线、所述烘干时间,其中,烘干房室内外温度、湿度、烘干时间由传感器测量数据。
此外,优选的方案是,所述动态烘干模型建立单元在建立动态烘干模型的过程中:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22;
在上述步骤S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量;
S为训练样本个数;
WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量;
WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量;
WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
此外,优选的方案是,所述最优解获取单元在利用SPEA2算法对所述动态烘干模型进行优化的过程中:
S31:计算初始个体的适应度F(i)=R(i)+D(i),其中,R(i)和D(i)为影响F(i)大小的两个因素;
根据帕累托支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P为进化群体,Q为归档集;
D(i)为影响F(i)同时考虑支配个体和被支配个体的信息,采用近邻机制对F(i)求得更科学的评价;
其中,M为存档集Q的个体数量;为个体i到其第k个相邻个体之间的欧式距离,计算个体i到进化群体P和归档集Q中其他所有个体之间的距离,并按照增序排列;
S32:对种群进行环境选择,得到新的归档集Qt+1;其中,t为当前迭代次数;
S33:通过选择、交叉、变异操作得到更新后的新种群Pt+1;
S34:将新的种群Pt+1和新的归档集Qt+1代入步骤S31中进行重复运算,直到Q中的个体满足要求或循环运算次数达到上限,则退出运算,并输出此时的Q。
此外,优选的方案是,所述最优解获取单元在对种群进行环境选择,得到新的归档集的过程中:
S321:优先选取适应值小于1的种群个体放入外部归档集Qt+1中,即:
S322:若Qt+1中的个体数量和Q相等,则直接使用新的存档集Qt+1;
若Qt+1中的个体数量小于Q,即|Qt+1|<M,则在上一代Pt和Qt中选择(M-|Q|)个适应度小的优秀个体进入Qt+1中;
若Qt+1中的个体数量大于Q,则按照修建过程依次选择个体i从Qt+1中删除:
其中,表示个体i与归档集Qt+1中第k个个体的欧式距离,当有若干个体在与其前l个邻近个体具有相同的最小距离时,而与其第k个邻近个体具有不同的距离时,删除一个具有最小距离的个体;
S323:判断新的归档集Qt+1是否满足要求,若满足,则返回Qt+1的值,若不满足,则进入步骤S324;
S324:计算个体适应度:F(i)=R(i)+D(i);其中,R(i)和D(i)为影响F(i)大小的两个因素,P为进化群体,Q为归档集。
从上面的技术方案可知,本发明提供的基于物联网推荐的智能烘干远程控制方法及***,建立一套全面的动态模型,确定烘干房的当前最优环境参数,并将烘干房实时参数、产品烘干进度反馈给用户,使得用户随时随地都能了解产品实时状况,让用户能及时对烘干方案做出调整,实现远程控制。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的基于物联网推荐的智能烘干远程控制方法流程示意图;
图2为根据本发明实施例的基于物联网推荐的智能烘干远程控制方法框架图;
图3为根据本发明实施例的用户界面示意图;
图4为根据本发明实施例的烘干度预测结果图;
图5为根据本发明实施例的烘干度预测误差图
图6为根据本发明实施例的均匀度预测结果图;
图7为根据本发明实施例的均匀度预测误差图;
图8为根据本发明实施例的总耗时预测结果图;
图9为根据本发明实施例的总耗时预测误差图;
图10为根据本发明实施例的总耗能预测能耗图;
图11为根据本发明实施例的总耗能预测误差图;
图12为根据本发明实施例的基于物联网推荐的智能烘干远程控制***逻辑结构框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的基于物联网推荐的智能烘干远程控制方法,图1示出了根据本发明实施例的基于物联网推荐的智能烘干远程控制方法流程。
如图1所示,本发明提供的基于物联网推荐的智能烘干远程控制方法包括:
S1:根据采集到的待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间、图像构成影响因素矩阵,并上传至云服务器,其中,所述烘干房室内温度曲线与湿度曲线、烘干时间为决策变量;
S2:根据在不同所述决策变量影响下采集到的产品烘干度、均匀度、总耗时、能耗样本构成指标矩阵,并利用Elman神经网络对所述指标矩阵进行训练、检验,建立动态烘干模型;
S3:利用SPEA2算法对所述动态烘干模型进行优化,获得各决策变量的一组最优解以及所述最优解对应的烘干度、均匀度、总耗时和总耗能;
S4:利用所述动态烘干模型对实时数据进行预测获得推荐决策,并将所述推荐决策传输至用户终端,在用户界面显示所述推荐决策,并通过远程操作完成自动控制,其中,所述推荐决策为当前最优的室内温度曲线、湿度曲线、烘干时间。
图2示出了基于物联网推荐的智能烘干远程控制方法逻辑结构,在图1和图2共同所示的实施例中,展示了基于物联网推荐的智能烘干远程控制方法基体过程。首先,利用传感器等硬件采集待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间等,然后将采集到的数据上传至云服务器进行存储,利用SPEA2算法建立动态烘干模型,得到各决策变量的一组最优值,并将这组最优解作为推荐决策下发至用户的PC或APP终端,最后用户可根据推荐策略和自身经验决定烘干房设备的参数设置,实现远程控制。
具体地,在步骤S1中,包括传感器、采用电路和视频模块,其中,传感器模块,用于采集烘干房的环境指标,传感器模块包括温度传感器、湿度传感器、计时器。
所述采样电路,与所述传感器模块连接,将所述传感器模块采集到环境指标转换成数字信号。
所述视频模块:通过摄像头采集产品当前时刻图像,并将采集到的图像信息转换成数字信号。
故在步骤S1中,利用传感器等硬件采集待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间,并构成影响因素矩阵X上传至云服务器,其中决策变量为室内温度曲线、湿度曲线、烘干时间。
通过对烟草烘干的数据进行统计得到对烘干度y1、均匀度y2、总耗时y3、总耗能y4、影响最大的变量为:采集待烘干原料湿度x1、室外温度x2、室外湿度x3、室内温度向量x4、室内湿度向量x5、烘干时间x6共6变量。
在步骤S2中,结合专家经验采集在不同决策变量影响下的产品烘干度、均匀度、总耗时、能耗样本为指标矩阵Y,利用Elman神经网络进行训练、检验,建立动态烘干模型;
设置Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量,N为训练样本个数,
其中,WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量;WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量;WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量;Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出;dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出,迭代次数g取500。
步骤S2中建立动态烘干模型具体包括如下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值,计算公式为:ΔWij=η·δij·aj,Wij(g+1)=Wij(g)+ΔWij(g),式中,η为学习效率;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22。
在神经网络设计中,隐层节点数的多少是决定神经网络模型好坏的关键,也是神经网络设计中的难点,这里采用试凑法来确定隐层的节点数。
式中,p为隐层神经元节点数,n为输入层神经元数,m为输出层神经元数,k为1-10之间的常数。神经网络的设置参数如下表1所示。
表1神经网络设置参数
通过上述过程,可得到Elman神经网络预测效果如图4-11所示。智能烘干的基础是模型的建立,模型精度直接影响输出结果。通过对图4-11析可知,烘干度最大预测误差为-3.95%,均匀度最大预测误差为3.75%,总耗时最大预测误差为-3.81%,总耗能最大预测误差为-3.8%模型预测精度高,满足建模要求。
在步骤S3中利用SPEA2算法对动态烘干模型进行优化的具体方法包括以下步骤:
S31:计算初始个体的适应度F(i)=R(i)+D(i),其中R(i)和D(i)是影响F(i)大小的两个因素;
根据帕累托支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
式中,P为进化群体,Q为归档集;
D(i)是影响F(i)同时考虑支配个体和被支配个体的信息,采用近邻机制对F(i)求得更科学的评价,
式中,M为存档集Q的个体数量,为个体i到其第k个相邻个体之间的欧式距离,为了计算需要计算个体i到进化群体P和归档集Q中其他所有个体之间的距离,并按照增序排列;
S32:对种群进行环境选择,得到新的归档集Qt+1,t为当前迭代次数;
S321:优先选取适应值小于1的种群个体放入外部归档集Qt+1中,即:
S322:若Qt+1中的个体数量和Q相等,则直接使用新的存档集Qt+1;
若Qt+1中的个体数量小于Q,即|Qt+1|<M,则在上一代Pt和Qt中选择(M-|Q|)个适应度小的优秀个体进入Qt+1中;
若Qt+1中的个体数量大于Q,则按照修建过程依次选择个体i从Qt+1中删除:
在上式中,表示个体i与归档集Qt+1中第k个个体的欧式距离,当有多个个体在与其前l个邻近个体具有相同的最小距离时,而与其第k个邻近个体具有不同的距离时,删除一个具有最小距离的个体;
S323:判断新的归档集Qt+1是否满足要求,若满足,则返回Qt+1的值,若不满足,则进入步骤S324;
S324:计算个体适应度:F(i)=R(i)+D(i);
S33:通过选择、交叉、变异操作得到更新后的新种群Pt+1;
S34:将新的种群Pt+1和新的归档集Qt+1代入步骤S31中进行重复运算,直到Q中的个体满足要求或循环运算次数达到上限,则退出运算,并输出此时的Q。
传感器每0.5小时采集一次数据上传至云服务器,云服务器接数据并通过模型给出当前推荐温度、相对湿度、烘干时间分别为65℃、30%、18h。
在步骤S4中,实时数据是烘干房的温湿度环境与原材料湿度。用户可以在移动终端上打开智能烘干界面,界面显示产品简要信息包括烘干房图像、当前烘干进度等,用户可在界面设置产品的理想烘干度、均匀度、总耗时、能耗,由云服务器下发推荐烘干方案。
其中,需要说明的是,本发明采用的智能化算法的,核心是SPEA2算法,SPEA2算法的处理对象是大数据;大数据是存储在云平台的,计算是在云平台完成的;数据是通过智能硬件(传感器、摄像头等)采集的,再通过物联网传到云平台的。
与上述方法相对应,本发明还提供一种基于物联网推荐的智能烘干远程控制***,图12示出了根据本发明实施例的基于物联网推荐的智能烘干远程控制***逻辑结构。
如图12所示,本发明提供的基于物联网推荐的智能烘干远程控制***1200包括影响因素矩阵构成单元1210、动态烘干模型建立单元1220、最优解获取单元1230和推荐决策远程控制单元1240。
其中,影响因素矩阵构成单元1210,用于根据采集到的待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间、图像构成影响因素矩阵,并上传至云服务器,其中,所述烘干房室内温度曲线与湿度曲线、烘干时间为决策变量;
动态烘干模型建立单元1220,用于根据在不同所述决策变量影响下采集到的产品烘干度、均匀度、总耗时、能耗样本构成指标矩阵,并利用Elman神经网络对所述指标矩阵进行训练、检验,建立动态烘干模型;
最优解获取单元1230,用于利用SPEA2算法对所述动态烘干模型进行优化,获得各决策变量的一组最优解以及所述最优解对应的烘干度、均匀度、总耗时和总耗能;
推荐决策远程控制单元1240,用于利用所述动态烘干模型对实时数据进行预测获得推荐决策,并将所述推荐决策传输至用户终端,在用户界面显示所述推荐决策,并通过远程操作完成自动控制,其中,所述推荐决策为当前最优的室内温度曲线、湿度曲线、烘干时间。
其中,影响因素矩阵构成单元1210包括传感器、采用电路和视频模块,其中,
所述传感器模块,用于采集烘干房的环境指标,所述传感器模块包括温度传感器、湿度传感器、计时器;
所述采样电路,与所述传感器模块连接,将所述传感器模块采集到环境指标转换成数字信号;
所述视频模块:通过摄像头采集产品当前时刻图像,并将采集到的图像信息转换成数字信号;
所述影响因素矩阵构成单元中的变量包括:所述待烘干原料湿度、所述烘干房室内外温度与湿度曲线、所述烘干时间,其中,烘干房室内外温度、湿度、烘干时间由传感器测量数据。
其中,动态烘干模型建立单元1220在建立动态烘干模型的过程中:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22;
在上述步骤S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量;
S为训练样本个数;
WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量;
WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量;
WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
其中,最优解获取单元1230在利用SPEA2算法对所述动态烘干模型进行优化的过程中:
S31:计算初始个体的适应度F(i)=R(i)+D(i),其中,R(i)和D(i)为影响F(i)大小的两个因素;
根据帕累托支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P为进化群体,Q为归档集;
D(i)为影响F(i)同时考虑支配个体和被支配个体的信息,采用近邻机制对F(i)求得更科学的评价;
其中,M为存档集Q的个体数量;为个体i到其第k个相邻个体之间的欧式距离,计算个体i到进化群体P和归档集Q中其他所有个体之间的距离,并按照增序排列;
S32:对种群进行环境选择,得到新的归档集Qt+1;其中,t为当前迭代次数;
S33:通过选择、交叉、变异操作得到更新后的新种群Pt+1;
S34:将新的种群Pt+1和新的归档集Qt+1代入步骤S31中进行重复运算,直到Q中的个体满足要求或循环运算次数达到上限,则退出运算,并输出此时的Q。
其中,最优解获取单元1230在对种群进行环境选择,得到新的归档集的过程中:
S321:优先选取适应值小于1的种群个体放入外部归档集Qt+1中,即:
S322:若Qt+1中的个体数量和Q相等,则直接使用新的存档集Qt+1;
若Qt+1中的个体数量小于Q,即|Qt+1|<M,则在上一代Pt和Qt中选择(M-|Q|)个适应度小的优秀个体进入Qt+1中;
若Qt+1中的个体数量大于Q,则按照修建过程依次选择个体i从Qt+1中删除:
其中,表示个体i与归档集Qt+1中第k个个体的欧式距离,当有若干个体在与其前l个邻近个体具有相同的最小距离时,而与其第k个邻近个体具有不同的距离时,删除一个具有最小距离的个体;
S323:判断新的归档集Qt+1是否满足要求,若满足,则返回Qt+1的值,若不满足,则进入步骤S324;
S324:计算个体适应度:F(i)=R(i)+D(i);其中,R(i)和D(i)为影响F(i)大小的两个因素,P为进化群体,Q为归档集。
通过上述实施方式可以看出,本发明提供的基于物联网推荐的智能烘干远程控制方法及***,建立一套全面的动态模型,确定烘干房的当前最优环境参数,并将烘干房实时参数、产品烘干进度反馈给用户,使得用户随时随地都能了解产品实时状况,让用户能及时对烘干方案做出调整,实现远程控制。
如上参照附图以示例的方式描述了根据本发明提出的基于物联网推荐的智能烘干远程控制方法及***。但是,本领域技术人员应当理解,对于上述本发明所提出的基于物联网推荐的智能烘干远程控制方法及***,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (10)
1.一种基于物联网推荐的智能烘干远程控制方法,其特征在于,包括:
S1:根据采集到的待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间、图像构成影响因素矩阵,并上传至云服务器,其中,所述烘干房室内温度曲线与湿度曲线、烘干时间为决策变量;
S2:根据在不同所述决策变量影响下采集到的产品烘干度、均匀度、总耗时、能耗样本构成指标矩阵,并利用Elman神经网络对所述指标矩阵进行训练、检验,建立动态烘干模型;
S3:利用SPEA2算法对所述动态烘干模型进行优化,获得各决策变量的一组最优解以及所述最优解对应的烘干度、均匀度、总耗时和总耗能;
S4:利用所述动态烘干模型对实时数据进行预测获得推荐决策,并将所述推荐决策传输至用户终端,在用户界面显示所述推荐决策,并通过远程操作完成自动控制,其中,所述推荐决策为当前最优的室内温度曲线、湿度曲线、烘干时间。
2.如权利要求1所述的基于物联网推荐的智能烘干远程控制方法,其特征在于,
在步骤S1中包括传感器、采用电路和视频模块,其中,
所述传感器模块,用于采集烘干房的环境指标,所述传感器模块包括温度传感器、湿度传感器、计时器;
所述采样电路,与所述传感器模块连接,将所述传感器模块采集到环境指标转换成数字信号;
所述视频模块:通过摄像头采集产品当前时刻图像,并将采集到的图像信息转换成数字信号;
步骤S1中的变量包括:所述待烘干原料湿度、所述烘干房室内外温度与湿度曲线、所述烘干时间,其中,烘干房室内外温度、湿度、烘干时间由传感器测量数据。
3.如权利要求1所述的基于物联网推荐的智能烘干远程控制方法,其特征在于,建立动态烘干模型具体包括如下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22;
在上述步骤S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量;
S为训练样本个数;
WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量;
WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量;
WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
4.如权利要求1所述的基于物联网推荐的智能烘干远程控制方法,其特征在于,步骤S3中利用SPEA2算法对所述动态烘干模型进行优化包括以下步骤:
S31:计算初始个体的适应度F(i)=R(i)+D(i),其中,R(i)和D(i)为影响F(i)大小的两个因素;
根据帕累托支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P为进化群体,Q为归档集;
D(i)为影响F(i)同时考虑支配个体和被支配个体的信息,采用近邻机制对F(i)求得更科学的评价;
其中,M为存档集Q的个体数量;为个体i到其第k个相邻个体之间的欧式距离,计算个体i到进化群体P和归档集Q中其他所有个体之间的距离,并按照增序排列;
S32:对种群进行环境选择,得到新的归档集Qt+1;其中,t为当前迭代次数;
S33:通过选择、交叉、变异操作得到更新后的新种群Pt+1;
S34:将新的种群Pt+1和新的归档集Qt+1代入步骤S31中进行重复运算,直到Q中的个体满足要求或循环运算次数达到上限,则退出运算,并输出此时的Q。
5.根据权利要求4所述的一种基于物联网推荐的智能烘干远程控制方法,其特征在于,
在上述步骤S32对种群进行环境选择,得到新的归档集具体包括:
S321:优先选取适应值小于1的种群个体放入外部归档集Qt+1中,即:
S322:若Qt+1中的个体数量和Q相等,则直接使用新的存档集Qt+1;
若Qt+1中的个体数量小于Q,即|Qt+1|<M,则在上一代Pt和Qt中选择(M-|Q|)个适应度小的优秀个体进入Qt+1中;
若Qt+1中的个体数量大于Q,则按照修建过程依次选择个体i从Qt+1中删除:
其中,表示个体i与归档集Qt+1中第k个个体的欧式距离,当有若干个体在与其前l个邻近个体具有相同的最小距离时,而与其第k个邻近个体具有不同的距离时,删除一个具有最小距离的个体;
S323:判断新的归档集Qt+1是否满足要求,若满足,则返回Qt+1的值,若不满足,则进入步骤S324;
S324:计算个体适应度:F(i)=R(i)+D(i);其中,R(i)和D(i)为影响F(i)大小的两个因素,P为进化群体,Q为归档集。
6.一种基于物联网推荐的智能烘干远程控制***,其特征在于,包括:
影响因素矩阵构成单元,用于根据采集到的待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间、图像构成影响因素矩阵,并上传至云服务器,其中,所述烘干房室内温度曲线与湿度曲线、烘干时间为决策变量;
动态烘干模型建立单元,用于根据在不同所述决策变量影响下采集到的产品烘干度、均匀度、总耗时、能耗样本构成指标矩阵,并利用Elman神经网络对所述指标矩阵进行训练、检验,建立动态烘干模型;
最优解获取单元,用于利用SPEA2算法对所述动态烘干模型进行优化,获得各决策变量的一组最优解以及所述最优解对应的烘干度、均匀度、总耗时和总耗能;
推荐决策远程控制单元,用于利用所述动态烘干模型对实时数据进行预测获得推荐决策,并将所述推荐决策传输至用户终端,在用户界面显示所述推荐决策,并通过远程操作完成自动控制,其中,所述推荐决策为当前最优的室内温度曲线、湿度曲线、烘干时间。
7.如权利要求6所述的基于物联网推荐的智能烘干远程控制***,其特征在于,
所述影响因素矩阵构成单元包括传感器、采用电路和视频模块,其中,
所述传感器模块,用于采集烘干房的环境指标,所述传感器模块包括温度传感器、湿度传感器、计时器;
所述采样电路,与所述传感器模块连接,将所述传感器模块采集到环境指标转换成数字信号;
所述视频模块:通过摄像头采集产品当前时刻图像,并将采集到的图像信息转换成数字信号;
所述影响因素矩阵构成单元中的变量包括:所述待烘干原料湿度、所述烘干房室内外温度与湿度曲线、所述烘干时间,其中,烘干房室内外温度、湿度、烘干时间由传感器测量数据。
8.如权利要求6所述的基于物联网推荐的智能烘干远程控制***,其特征在于,所述动态烘干模型建立单元在建立动态烘干模型的过程中:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22;
在上述步骤S21至S29中,Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量;
S为训练样本个数;
WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量;
WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量;
WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量;
Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出;
dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
9.如权利要求6所述的基于物联网推荐的智能烘干远程控制***,其特征在于,所述最优解获取单元在利用SPEA2算法对所述动态烘干模型进行优化的过程中:
S31:计算初始个体的适应度F(i)=R(i)+D(i),其中,R(i)和D(i)为影响F(i)大小的两个因素;
根据帕累托支配概念,求出R(i),即:
S(j)=|{j|j∈P+Q∧i>j}|
其中,P为进化群体,Q为归档集;
D(i)为影响F(i)同时考虑支配个体和被支配个体的信息,采用近邻机制对F(i)求得更科学的评价;
其中,M为存档集Q的个体数量;为个体i到其第k个相邻个体之间的欧式距离,计算个体i到进化群体P和归档集Q中其他所有个体之间的距离,并按照增序排列;
S32:对种群进行环境选择,得到新的归档集Qt+1;其中,t为当前迭代次数;
S33:通过选择、交叉、变异操作得到更新后的新种群Pt+1;
S34:将新的种群Pt+1和新的归档集Qt+1代入步骤S31中进行重复运算,直到Q中的个体满足要求或循环运算次数达到上限,则退出运算,并输出此时的Q。
10.根据权利要求9所述的一种基于物联网推荐的智能烘干远程控制***,其特征在于,
所述最优解获取单元在对种群进行环境选择,得到新的归档集的过程中:
S321:优先选取适应值小于1的种群个体放入外部归档集Qt+1中,即:
S322:若Qt+1中的个体数量和Q相等,则直接使用新的存档集Qt+1;
若Qt+1中的个体数量小于Q,即|Qt+1|<M,则在上一代Pt和Qt中选择(M-|Q|)个适应度小的优秀个体进入Qt+1中;
若Qt+1中的个体数量大于Q,则按照修建过程依次选择个体i从Qt+1中删除:
其中,表示个体i与归档集Qt+1中第k个个体的欧式距离,当有若干个体在与其前l个邻近个体具有相同的最小距离时,而与其第k个邻近个体具有不同的距离时,删除一个具有最小距离的个体;
S323:判断新的归档集Qt+1是否满足要求,若满足,则返回Qt+1的值,若不满足,则进入步骤S324;
S324:计算个体适应度:F(i)=R(i)+D(i);其中,R(i)和D(i)为影响F(i)大小的两个因素,P为进化群体,Q为归档集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610884358.4A CN106444379A (zh) | 2016-10-10 | 2016-10-10 | 基于物联网推荐的智能烘干远程控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610884358.4A CN106444379A (zh) | 2016-10-10 | 2016-10-10 | 基于物联网推荐的智能烘干远程控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106444379A true CN106444379A (zh) | 2017-02-22 |
Family
ID=58173073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610884358.4A Pending CN106444379A (zh) | 2016-10-10 | 2016-10-10 | 基于物联网推荐的智能烘干远程控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106444379A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797459A (zh) * | 2017-09-15 | 2018-03-13 | 珠海格力电器股份有限公司 | 终端设备的控制方法、装置、存储介质及处理器 |
CN108142976A (zh) * | 2017-11-29 | 2018-06-12 | 昆明理工大学 | 一种叶丝干燥工艺参数优化方法 |
CN108694444A (zh) * | 2018-05-15 | 2018-10-23 | 重庆科技学院 | 一种基于智能数据采集与云服务技术的植物培育方法 |
CN108830381A (zh) * | 2018-09-03 | 2018-11-16 | 陈怡� | 一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 |
CN109146960A (zh) * | 2018-09-03 | 2019-01-04 | 吴佳雨 | 一种基于智能数据采集的实心球投掷姿势矫正方法 |
CN109355880A (zh) * | 2017-12-29 | 2019-02-19 | 广州Tcl智能家居科技有限公司 | 一种智能选择晾晒模式控制方法、智能晾衣机及存储介质 |
CN110688758A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 基于spea2算法的锻造电阻炉生产优化方法 |
CN113175794A (zh) * | 2021-04-25 | 2021-07-27 | 福建工程学院 | 一种基于bp神经网络的农产品智能烘干控制方法 |
CN114091629A (zh) * | 2022-01-21 | 2022-02-25 | 西安羚控电子科技有限公司 | 一种试飞数据智能处理***及其方法 |
CN114505212A (zh) * | 2022-02-28 | 2022-05-17 | 霍邱县亨兴工艺品有限公司 | 一种木制品定型后喷涂加工用烘干装置及其方法 |
CN115615153A (zh) * | 2022-08-09 | 2023-01-17 | 珠海格力电器股份有限公司 | 干燥***控制方法、装置及干燥*** |
CN118066807A (zh) * | 2024-04-19 | 2024-05-24 | 广东人仁康科技有限公司 | 一种智能烘干舱体的控制*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN103177155A (zh) * | 2013-02-28 | 2013-06-26 | 重庆科技学院 | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN104636987A (zh) * | 2015-02-06 | 2015-05-20 | 东南大学 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN105302976A (zh) * | 2015-11-06 | 2016-02-03 | 重庆科技学院 | 基于spea2算法的铝电解生产优化方法 |
-
2016
- 2016-10-10 CN CN201610884358.4A patent/CN106444379A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN103177155A (zh) * | 2013-02-28 | 2013-06-26 | 重庆科技学院 | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN104636987A (zh) * | 2015-02-06 | 2015-05-20 | 东南大学 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN105302976A (zh) * | 2015-11-06 | 2016-02-03 | 重庆科技学院 | 基于spea2算法的铝电解生产优化方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797459A (zh) * | 2017-09-15 | 2018-03-13 | 珠海格力电器股份有限公司 | 终端设备的控制方法、装置、存储介质及处理器 |
CN107797459B (zh) * | 2017-09-15 | 2020-09-25 | 珠海格力电器股份有限公司 | 终端设备的控制方法、装置、存储介质及处理器 |
CN108142976B (zh) * | 2017-11-29 | 2020-05-15 | 昆明理工大学 | 一种叶丝干燥工艺参数优化方法 |
CN108142976A (zh) * | 2017-11-29 | 2018-06-12 | 昆明理工大学 | 一种叶丝干燥工艺参数优化方法 |
CN109355880B (zh) * | 2017-12-29 | 2021-04-13 | 深圳Tcl新技术有限公司 | 一种智能选择晾晒模式控制方法、智能晾衣机及存储介质 |
CN109355880A (zh) * | 2017-12-29 | 2019-02-19 | 广州Tcl智能家居科技有限公司 | 一种智能选择晾晒模式控制方法、智能晾衣机及存储介质 |
CN108694444A (zh) * | 2018-05-15 | 2018-10-23 | 重庆科技学院 | 一种基于智能数据采集与云服务技术的植物培育方法 |
CN109146960A (zh) * | 2018-09-03 | 2019-01-04 | 吴佳雨 | 一种基于智能数据采集的实心球投掷姿势矫正方法 |
CN108830381A (zh) * | 2018-09-03 | 2018-11-16 | 陈怡� | 一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 |
CN110688758A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 基于spea2算法的锻造电阻炉生产优化方法 |
CN110688758B (zh) * | 2019-09-30 | 2024-02-02 | 北京工业大学 | 基于spea2算法的锻造电阻炉生产优化方法 |
CN113175794A (zh) * | 2021-04-25 | 2021-07-27 | 福建工程学院 | 一种基于bp神经网络的农产品智能烘干控制方法 |
CN114091629A (zh) * | 2022-01-21 | 2022-02-25 | 西安羚控电子科技有限公司 | 一种试飞数据智能处理***及其方法 |
CN114091629B (zh) * | 2022-01-21 | 2022-07-15 | 西安羚控电子科技有限公司 | 一种试飞数据智能处理***及其方法 |
CN114505212A (zh) * | 2022-02-28 | 2022-05-17 | 霍邱县亨兴工艺品有限公司 | 一种木制品定型后喷涂加工用烘干装置及其方法 |
CN115615153A (zh) * | 2022-08-09 | 2023-01-17 | 珠海格力电器股份有限公司 | 干燥***控制方法、装置及干燥*** |
CN115615153B (zh) * | 2022-08-09 | 2024-06-07 | 珠海格力电器股份有限公司 | 干燥***控制方法、装置及干燥*** |
CN118066807A (zh) * | 2024-04-19 | 2024-05-24 | 广东人仁康科技有限公司 | 一种智能烘干舱体的控制*** |
CN118066807B (zh) * | 2024-04-19 | 2024-06-14 | 广东人仁康科技有限公司 | 一种智能烘干舱体的控制*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106444379A (zh) | 基于物联网推荐的智能烘干远程控制方法及*** | |
CN106482502B (zh) | 基于云平台大数据推荐的智能烘干远程控制方法及*** | |
CN110119844B (zh) | 引入情绪调控机制的机器人运动决策方法、***、装置 | |
CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
Donate et al. | Time series forecasting by evolving artificial neural networks with genetic algorithms, differential evolution and estimation of distribution algorithm | |
Li et al. | Optimized neural network combined model based on the induced ordered weighted averaging operator for vegetable price forecasting | |
Tijskens et al. | Neural networks for metamodelling the hygrothermal behaviour of building components | |
CN112434787B (zh) | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 | |
CN106472332A (zh) | 基于动态智能算法的宠物喂养方法及*** | |
CN109961142A (zh) | 一种基于元学习的神经网络优化方法及装置 | |
CN108563755A (zh) | 一种基于双向循环神经网络的个性化推荐***及方法 | |
CN111061959B (zh) | 一种基于开发者特征的群智化软件任务推荐方法 | |
CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
CN106650212A (zh) | 基于数据分析的植物智能培育方法及*** | |
CN115186097A (zh) | 一种基于知识图谱和强化学习的交互式推荐方法 | |
CN113011487B (zh) | 一种基于联合学习与知识迁移的开放集图像分类方法 | |
CN105471631A (zh) | 基于流量趋势的网络流量预测方法 | |
CN110781595A (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及*** | |
CN110852808A (zh) | 基于深度神经网络的电子产品异步自适应价值评估方法 | |
Sharma et al. | Comparative analysis of machine learning techniques in sale forecasting | |
Khan et al. | A multi-perspective revisit to the optimization methods of Neural Architecture Search and Hyper-parameter optimization for non-federated and federated learning environments | |
Peng et al. | Integrative soft computing approaches for optimizing thermal energy performance in residential buildings | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |