CN113837428B - 原烟养护的传感器优化布局及温湿度预测算法 - Google Patents

Abstract

本发明公开了原烟养护的传感器优化布局及温湿度预测算法，属于烟草领域，所述的传感器优化布局及温湿度预测算法，所述的传感器优化布局及温湿度预测算法包括以下步骤：步骤1、传感器数据分析，包括温湿度数据和传感器位置数据；步骤2、传感器布置位置分析，包括异常点位置数据分析，烟垛内可布置传感器的位置分析，传感器的数量；步骤3、根据温湿度信息规划传感器的布置位置，包括确定堆垛A需要的传感器数量，确定堆垛A的布局方案。本发明综合考虑温/湿度传感器的数量、单价、安装费用、烟垛的拆装费用及覆盖率等问题，构建最小化布置温湿度传感器费用，最大化感知覆盖率的目标函数，建立了多原烟烟垛温/湿度传感布局优化数学模型。

Description

原烟养护的传感器优化布局及温湿度预测算法

技术领域

本发明属于烟草领域，更具体的说涉及一种原烟养护的传感器优化布局及温湿度预测算法。

背景技术

中国烟草行业现行产业结构下，物流中心建设的主要问题是仓储***的建设，烟草公司按照行政区域的划分设置，每个行政区域都会拥有相应的仓储货场用来堆放原烟，不同货场之间的日照、温度、湿度等环境因素也不同。根据烟草集团职代会提出的推动原烟仓库从“储”向“养”转型升级，要求每个货场需要对原烟烟垛实行精细养护，通过对原烟烟垛进行温/湿度传感器布置从而达到对烟垛微环境的科学管控。烟垛微环境的监测功能是通过温/湿度实现的，随着温/湿度传感器布置的数量增多，烟垛内的监测数据的准确性就越好。但由于单个烟垛的空间体积较大，且货场的烟垛数量也较多，假如温/湿度传感器布置时没有经过合理的规划，那么整个过程所需要的劳动资源和传感器购买费用都会大大增加。因此，在监测***中布置有限个传感器，以获得尽可能多的微环境信息是一个复杂的传感器布局优化问题，这也是烟草公司物流中心传感器布局优化作业的核心基础问题。

发明内容

本发明综合考虑温/湿度传感器的数量、单价、安装费用、烟垛的拆装费用及覆盖率等问题，构建最小化布置温湿度传感器费用，最大化感知覆盖率的目标函数，建立了多原烟烟垛温/湿度传感布局优化数学模型。

为了实现上述目的，本发明采用以下技术方案实现的：所述的传感器优化布局及温湿度预测算法包括以下步骤：步骤1、传感器数据分析，包括温湿度数据和传感器位置数据；步骤2、传感器布置位置分析，包括异常点位置数据分析，烟垛内可布置传感器的位置分析，传感器的数量；步骤3、根据温湿度信息规划传感器的布置位置，包括确定堆垛A需要的传感器数量，确定堆垛A的布局方案。

优选的，所述的步骤1、步骤2、步骤3中要确定传感器数量和布局位置，来保证总布局费用最小，覆盖范围最大的目的；原烟烟垛A在布置传感器过程中的费用：

其中：

M_{sensor_A}＝numel(X_{A_i})

X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})

布置传感器的总费用：

温/湿度传感器在第A个原烟烟垛中的覆盖率：

设：温/湿度传感器在原烟烟垛中的感知半径为R_{damp_A}

总覆盖率为：

其中：

目标函数：

Ω_{abnor_A}；

A第A个原烟烟垛；

k原烟烟垛的第k层；

P_A第A个烟垛布置温/湿度传感器所需的费用；

M_{sensor_A}第A个原烟烟垛中布置的传感器数量；

P_sensor温/湿度传感器的单价；

P_installation安装一个温/湿度传感器所需要的费用；

P_{smokestack_A}对第A个原烟烟垛安装温/湿度传感器过程中所需的对原烟烟垛的拆卸与重新堆放的固定费用；

X_{A_i}第A个原烟烟垛中温/湿度传感器的位置集合X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})；

P_tatal布置温/湿度传感器过程中所需的总费用；

R_{damp_A}第A个原烟烟垛温/湿度传感器的感知半径；

V_{perception_A}温湿度传感器在烟垛A中的空间感知体积；

V_{butt_A}第A个原烟烟垛的体积；

B_{cover_A}第A个原烟烟垛中温/湿度传感器的空间覆盖率；

B_total温/湿度传感器的总覆盖率；

ω_k表示第k层的权重；

α_{A_1}表示从第i个发货点到第j个收货点的路径；

α_{A_2}表示从第j个收货点到第j’个收货点的路径；

Ω_A表示温/湿度传感器在烟垛A空间内的可行布置位置集合；

Ω_{abnor_A}表示温/湿度传感器在烟垛A空间内的温度异常位置集合；

Ω_{obstacle_A}表示温/湿度传感器在烟垛A空间内不能布置位置集合。

优选的，所述的原烟烟垛A在布置传感器过程中的费用，温/湿度传感器在第A个原烟烟垛中的覆盖率的约束条件为：

约束条件：

温/湿度传感器的数量不能超过每个原烟烟垛布置传感器数量的上下限：

0≤M_{sensor_A}≤80M_{sensor_A}∈Z

原烟烟垛A中温湿度异常的点应该包含在温/湿度传感器的感知范围内：

Ω_{abnor_A}＝{(x_{abnor_A_i},y_{abnor_A_i},z_{abnor_A_i})|(x_{abnor_A_i},y_{abnor_A_i},z_{abnor_A_i})

第A个烟垛温度异常点}

传感器在烟垛中的空间范围限制：

Ω_A＝{(x_{A_i},y_{A_i},z_{A_i})|x_{A_min}≤x_{A_i}≤x_{A_max},y_{A_min}≤y_{A_i}≤y_{A_max},z_{A_min}≤z_{A_i}≤z_{A_max}}

X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})∈Ω(i＝1,2,···,M；A＝1,2,···,N)

烟垛空间内不能布置温/湿度传感器位置限制：

Ω_{obstacle_A}＝{(x_{obstacle_A},y_{obstacle_A},z_{obstacle_A})|(x_{obstacle_A},y_{obstacle_A},z_{obstacle_A})

第A个烟垛不能布置传感器的位置}

A第A个原烟烟垛；

k原烟烟垛的第k层；

P_A第A个烟垛布置温/湿度传感器所需的费用；

M_{sensor_A}第A个原烟烟垛中布置的传感器数量；

P_sensor温/湿度传感器的单价；

P_installation安装一个温/湿度传感器所需要的费用；

P_{smokestack_A}对第A个原烟烟垛安装温/湿度传感器过程中所需的对原烟烟垛的拆卸与重新堆放的固定费用；

X_{A_i}第A个原烟烟垛中温/湿度传感器的位置集合X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})；

P_tatal布置温/湿度传感器过程中所需的总费用；

R_{damp_A}第A个原烟烟垛温/湿度传感器的感知半径；

V_{perception_A}温湿度传感器在烟垛A中的空间感知体积；

V_{butt_A}第A个原烟烟垛的体积；

B_{cover_A}第A个原烟烟垛中温/湿度传感器的空间覆盖率；

B_total温/湿度传感器的总覆盖率；

ω_k表示第k层的权重；

α_{A_1}表示从第i个发货点到第j个收货点的路径；

α_{A_2}表示从第j个收货点到第j’个收货点的路径；

Ω_A表示温/湿度传感器在烟垛A空间内的可行布置位置集合；

Ω_{abnor_A}表示温/湿度传感器在烟垛A空间内的温度异常位置集合；

Ω_{obstacle_A}表示温/湿度传感器在烟垛A空间内不能布置位置集合。

优选的，所述的步骤1、传感器数据分析，包括温湿度数据和传感器位置数据；通过引入K-means聚类算法将无线温湿度传感器收集到的历史数据作为初始数据输入聚类算法进行聚类，然后通过改进粒子群算法对烟垛空间内依靠聚类结果进行无线温湿度传感器布局优化，最后采用LSTM神经网络对前期收集得到的历史数据进行输入学习并对烟垛内的温湿度进行预测。

优选的，所述的K-means聚类算法是通过随机选取K个样本点作为初始聚类中心，并计算各个数据到选取的样本中心的距离，按照距离最近的原则将各样本点分配到各相应的簇中，通过计算每个簇的均值，寻找新的聚类中心，通过迭代直到满足收敛条件时；

计算空间中任意两个样本之间的距离为：

完成迭代后的新聚类中心为：

6.根据权利要求4所述的原烟养护的传感器优化布局及温湿度预测算法，其特征在于：粒子群算法(Particle Swarm Optimization,PSO)其更新进化公式为：

v_ij(t+1)＝w·v_ij(t)+c₁r₁(t)[p_ij(t)-x_ij(t)]+c₂r₂(t)[p_gi(t)-x_ij(t)]

x_ij(t+1)＝x_ij(t)+v_ji(t+1)

但是由于PSO算法在后期的求解过程中，收敛效率较低，因此为扩大搜索空间、提高搜索效率，引入动态加速常速及线性递减惯性权重的自适应策略改进算法，改进公式如下：

优选的，为解决传统LSTM神经网络存在的缺点，以及使算法更适合原烟烟垛内的温湿度预测，基于时间的反向传播算法(back propagation trough time, BPTT)和适应性动量估计算法(adaptive moment estimation,Adam)对LSTM 网络模型训练过程进行改进。

本发明有益效果：

本发明综合考虑温/湿度传感器的数量、单价、安装费用、烟垛的拆装费用及覆盖率等问题，构建最小化布置温湿度传感器费用，最大化感知覆盖率的目标函数，建立了多原烟烟垛温/湿度传感布局优化数学模型。

附图说明

图1，温湿度传感器布局优化***示意图；

图2，算法流程图；

图3，改进粒子群算法流程图；

图4，改进LSTM神经网络算法流程图；

图5，原烟烟垛模型；

图6，原烟烟垛第一层传感器布局位置示意图；

具体实施方式

为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例进一步描述本发明的技术方案。

草堆垛的内部质地均匀

温/湿度传感器布局优化问题是求解构建模型的最优解，通过优化传感器的数量分配和布局方案，以此实现总布局费用最小，覆盖范围最大的目的。根据相关调查，传感器的总布局费用与传感器数量有关，而覆盖范围与传感器布置数量和感知半径有关。

原烟烟垛A在布置传感器过程中的费用：

其中：

M_{sensor_A}＝numel(X_{A_i})

X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})

布置传感器的总费用：

温/湿度传感器在第A个原烟烟垛中的覆盖率：

设：温/湿度传感器在原烟烟垛中的感知半径为R_{damp_A}

总覆盖率为：

其中：

目标函数：

Ω_{abnor_A}

约束条件：

温/湿度传感器的数量不能超过每个原烟烟垛布置传感器数量的上下限：

0≤M_{sensor_A}≤80 M_{sensor_A}∈Z

原烟烟垛A中温湿度异常的点应该包含在温/湿度传感器的感知范围内：

Ω_{abnor_A}＝{(x_{abnor_A_i},y_{abnor_A_i},z_{abnor_A_i})|(x_{abnor_A_i},y_{abnor_A_i},z_{abnor_A_i})

第A个烟垛温度异常点}

传感器在烟垛中的空间范围限制：

Ω_A＝{(x_{A_i},y_{A_i},z_{A_i})|x_{A_min}≤x_{A_i}≤x_{A_max},y_{A_min}≤y_{A_i}≤y_{A_max},z_{A_min}≤z_{A_i}≤z_{A_max}}

X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})∈Ω(i＝1,2,···,M；A＝1,2,···,N)

烟垛空间内不能布置温/湿度传感器位置限制：

Ω_{obstacle_A}＝{(x_{obstacle_A},y_{obstacle_A},z_{obstacle_A})|(x_{obstacle_A},y_{obstacle_A},z_{obstacle_A})

第A个烟垛不能布置传感器的位置}

在原烟养护温湿度传感器布局方案算法的设计过程中，通过引入K-means 聚类算法将无线温湿度传感器收集到的历史数据作为初始数据输入聚类算法进行聚类，然后通过改进粒子群算法对烟垛空间内依靠聚类结果进行无线温湿度传感器布局优化，最后采用LSTM神经网络对前期收集得到的历史数据进行输入学习并对烟垛内的温湿度进行预测。

K-means聚类算法；

K-means聚类算法是通过随机选取K个样本点作为初始聚类中心，并计算各个数据到选取的样本中心的距离，按照距离最近的原则将各样本点分配到各相应的簇中，通过计算每个簇的均值，寻找新的聚类中心，通过迭代直到满足收敛条件时。

计算空间中任意两个样本之间的距离为：

完成迭代后的新聚类中心为：

粒子群算法：

粒子群算法(Particle Swarm Optimization,PSO)是由James Kennedy 和RusselEberhart等人提出的一种借鉴鸟类群体活动规律的方法，它模拟的是鸟类在搜寻食物的过程。通过对粒子随机初始一个解，粒子按照初始解开始在初始轨迹上进行搜索，如果搜索结果不好则偏离原来的搜索轨迹开始搜寻更好的解，如果在搜索过程中其他粒子发现了更好的解，则其他粒子则跟随进行搜索，其更新进化公式为：

v_ij(t+1)＝w·v_ij(t)+c₁r₁(t)[p_ij(t)-x_ij(t)]+c₂r₂(t)[p_gi(t)-x_ij(t)]

x_ij(t+1)＝x_ij(t)+v_ji(t+1)

但是由于PSO算法在后期的求解过程中，收敛效率较低，因此为扩大搜索空间、提高搜索效率，引入动态加速常速及线性递减惯性权重的自适应策略改进算法，改进公式如下：

具体实施思路如图3：

传统LSTM神经网络：

LSTM神经网络是一种特殊的RNNs，可以很好的解决长时间依赖问题。主要刻画的是一个序列当前输出与之前的数据之间的关系。LSTM算法流程主要包括三部分：首先决定选择从单元旧状态中丢弃信息，通过遗忘门记为S层输入，S 层输出[0,1]区间的数字，其中1为完全保留，0为完全遗忘，f_t为旧状态信息保留量，当前输入为x_t，前一时刻的输入为h_t-1，δ为S层函数，W_f为遗忘门记为S层的权值向量，b_f为S层阈值保留信息量为：

f_i＝δ(W_f·[h_t-1,x_t]+b_f)

然后选择决定在单元状态中储存的新信息，更新单元状态

通过S层进行异常运算率决定更新：

i_t＝δ(W_i·[h_t-1,x_i]+b_i)

通过tanh层进行一次运算创建新的处于可添加状态候选值向量:

更新单元状态：

决定单元状态输出部分，通过“输出门”的S层决定要输出的单元状态：

O_t＝δ(W₀·[h_t-1,x_t]+b₀)

h_t＝O_t tanh(C_t)

LSTM神经网络原理

LSTM网络是一种特殊的RNN网络，其主要包含如下三个特性：

1)循环神经网络能够在每个时间节点产生一个输出，且隐单元间的连接是循环的；

2)循环神经网络能够在每各时间节点产生一个输出，且该时间节点上的输出仅与下一时间节点的隐单元有循环连接；

3)循环神经网络包含带有循环连接的隐单元，且能够处理序列数据并输出单一的预测。

但是RNN在处理长依赖序列问题时较难得出结果。

为解决传统LSTM神经网络存在的缺点，以及使算法更适合原烟烟垛内的温湿度预测，基于时间的反向传播算法(back propagation trough time,BPTT) 和适应性动量估计算法(adaptive moment estimation,Adam)对LSTM网络模型训练过程进行改进。具体实施思路如下如图4：

在原烟养护传感器布局问题中，引入LSTM神经网络，将收集到的历史温湿度数据作为样本输入LSTM神经网络进行学习，并构建基于反向传播算法(back propagationtrough time,BPTT)和适应性动量估计算法(adaptive moment estimation,Adam)对LSTM算进行改进。BPTT计算并传递参数梯度误差，Adam 优化算法更新网络权重。

传感器布局优化模型部分仿真及比较：

在某次仿真实验中，对某一原烟烟垛的其中一层进行仿真分析，其中该原烟烟垛的外形尺寸、外部温湿度环境、温湿度传感器布置位置等信息、温湿度传感器参数等均已知。某堆垛的尺寸形状如图5所示，传感器布置位置如图6所示，传感器节点某一时刻的温湿度数据如表1所示：

表1某原烟烟垛第一层的温湿度节点信息

部分仿真结果如下所示，其中表2、3、4、5为聚类中心分别为7和8的温湿度聚类中心的位置和温湿度数据。

表2 K＝8时的温度聚类结果

表3 K＝8时的温度聚类结果

表4 K＝7时的湿度聚类结果

表5K＝8时的湿度聚类结果

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.原烟养护的传感器优化布局及温湿度预测算法，其特征在于：所述的传感器优化布局及温湿度预测算法包括以下步骤：步骤1、传感器数据分析，包括温湿度数据和传感器位置数据；步骤2、传感器布置位置分析，包括异常点位置数据分析，烟垛内可布置传感器的位置分析，传感器的数量；步骤3、根据温湿度信息规划传感器的布置位置，包括确定堆垛A需要的传感器数量，确定堆垛A的布局方案；

所述的步骤1、步骤2、步骤3中要确定传感器数量和布局位置，来保证总布局费用最小，覆盖范围最大的目的；原烟烟垛A在布置传感器过程中的费用：

P_A＝M_{sensor_A}(P_sensor+P_installation)+P_{smokestack_A}

其中：

M_{sensor_A}＝numel(X_{A_i})

X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})

布置传感器的总费用：

温/湿度传感器在第A个原烟烟垛中的覆盖率：

设：温/湿度传感器在原烟烟垛中的感知半径为R_{damp_A}

总覆盖率为：

其中：

目标函数：

Ω_{abnor_A}；

所述的原烟烟垛A在布置传感器过程中的费用，温/湿度传感器在第A个原烟烟垛中的覆盖率的约束条件为：

约束条件：

温/湿度传感器的数量不能超过每个原烟烟垛布置传感器数量的上下限：

0≤M_{sensor_A}≤80 M_{sensor_A}∈Z

原烟烟垛A中温湿度异常的点应该包含在温/湿度传感器的感知范围内：

Ω_{abnor_A}＝{(x_{abnor_A_i},y_{abnor_A_i},z_{abnor_A_i})|(x_{abnor_A_i},y_{abnor_A_i},z_{abnor_A_i})

第A个烟垛温度异常点}

传感器在烟垛中的空间范围限制：

Ω_A＝{(x_{A_i},y_{A_i},z_{A_i})|x_{A_min}≤x_{A_i}≤x_{A_max},y_{A_min}≤y_{A_i}≤y_{A_max},z_{A_min}≤z_{A_i}≤z_{A_max}}

X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})∈Ω(i＝1,2,···,M；A＝1,2,···,N)

烟垛空间内不能布置温/湿度传感器位置限制：

Ω_{obstacle_A}＝{(x_{obstacle_A},y_{obstacle_A},z_{obstacle_A})|(x_{obstacle_A},y_{obstacle_A},z_{obstacle_A})

第A个烟垛不能布置传感器的位置}

A第A个原烟烟垛；

k原烟烟垛的第k层；

P_A第A个烟垛布置温/湿度传感器所需的费用；

M_{sensor_A}第A个原烟烟垛中布置的传感器数量；

P_sensor温/湿度传感器的单价；

P_installation安装一个温/湿度传感器所需要的费用；

P_{smokestack_A}对第A个原烟烟垛安装温/湿度传感器过程中所需的对原烟烟垛的拆

卸与重新堆放的固定费用；

X_{A_i}第A个原烟烟垛中温/湿度传感器的位置集合X_{A_i}＝(x_{A_i},y_{A_i},z_{A_i})；

P_tatal布置温/湿度传感器过程中所需的总费用；

R_{damp_A}第A个原烟烟垛温/湿度传感器的感知半径；

V_{perception_A}温湿度传感器在烟垛A中的空间感知体积；

V_{butt_A}第A个原烟烟垛的体积；

B_{cover_A}第A个原烟烟垛中温/湿度传感器的空间覆盖率；

B_total温/湿度传感器的总覆盖率；

ω_k表示第k层的权重；

α_{A_1}表示从第i个发货点到第j个收货点的路径；

α_{A_2}表示从第j个收货点到第j’个收货点的路径；

Ω_A表示温/湿度传感器在烟垛A空间内的可行布置位置集合；

Ω_{abnor_A}表示温/湿度传感器在烟垛A空间内的温度异常位置集合；

Ω_{obstacle_A}表示温/湿度传感器在烟垛A空间内不能布置位置集合。

2.根据权利要求1所述的原烟养护的传感器优化布局及温湿度预测算法，其特征在于：所述的步骤1、传感器数据分析，包括温湿度数据和传感器位置数据；通过引入K-means聚类算法将无线温湿度传感器收集到的历史数据作为初始数据输入聚类算法进行聚类，然后通过改进粒子群算法对烟垛空间内依靠聚类结果进行无线温湿度传感器布局优化，最后采用LSTM神经网络对前期收集得到的历史数据进行输入学习并对烟垛内的温湿度进行预测。

3.根据权利要求2所述的原烟养护的传感器优化布局及温湿度预测算法，其特征在于：所述的K-means聚类算法是通过随机选取K个样本点作为初始聚类中心，并计算各个数据到选取的样本中心的距离，按照距离最近的原则将各样本点分配到各相应的簇中，通过计算每个簇的均值，寻找新的聚类中心，通过迭代直到满足收敛条件时；

计算空间中任意两个样本之间的距离为：

完成迭代后的新聚类中心为：

4.根据权利要求2所述的原烟养护的传感器优化布局及温湿度预测算法，其特征在于：粒子群算法(Particle Swarm Optimization,PSO)其更新进化公式为：

v_ij(t+1)＝w·v_ij(t)+c₁r₁(t)[p_ij(t)-x_ij(t)]+c₂r₂(t)[p_gi(t)-x_ij(t)]

x_ij(t+1)＝x_ij(t)+v_ji(t+1)

但是由于PSO算法在后期的求解过程中，收敛效率较低，因此为扩大搜索空间、提高搜索效率，引入动态加速常速及线性递减惯性权重的自适应策略改进算法，改进公式如下：

5.根据权利要求2所述的原烟养护的传感器优化布局及温湿度预测算法，其特征在于：为解决传统LSTM神经网络存在的缺点，以及使算法更适合原烟烟垛内的温湿度预测，基于时间的反向传播算法和适应性动量估计算法对LSTM网络模型训练过程进行改进。