CN114358244B - 基于物联网的压力大数据智能检测*** - Google Patents

Abstract

本发明公开了一种基于物联网的压力大数据智能检测***，其特征在于：所述***包括参数采集平台和压力大数据处理子***两部分，***实现对压力检测和智能化预测，提高压力检测与预测的可靠性和精确性；本发明有效解决了现有压力检测没有根据多点压力检测的强干扰、大滞后、非线性的不确定***对多点压力检测影响，从而极大的影响多点压力准确检测和可靠管理。

Description

基于物联网的压力大数据智能检测***

技术领域

本发明涉及压力检测的自动化控制装备的技术领域，具体涉及一种基于物联网的压力大数据智能检测***。

背景技术

压力是工农业以及建筑行业等控制***中的一种重要参数，对压力的正确测量和控制是保证控制***正常运行的必要条件之一。压力测量***主要由压力变送器与数据采集器、信号处理***和终端显示等单元构成，是一种很重要的自动化现场测量***。它可将压力变量转换为可传送的标准化输出信号，它的测量精度、性能等指标是否符合要求，是否能够准确地测得设备的压力参数并实时反映到控制***中，以便***对生产设备进行安全保护，使运维人员实时掌握设备内部的压力情况，是生产安全运行的重要条件。压力测量***通常在高温、低压、腐蚀、振动等环境下工作，出现故障的几率较大，因此对压力精确测量是确保工业控制***的必要手段。本专利根据工农业以及建筑等行业对压力精确检测的实际需要，开发一种基于物联网的压力大数据智能检测***。

发明内容

本发明提供了一种基于物联网的压力大数据智能检测***，本发明有效解决了现有压力检测没有根据多点压力检测的强干扰、大滞后、非线性的不确定***对多点压力检测影响，从而极大的影响多点压力准确检测和可靠管理。

本发明通过以下技术方案实现：

一种基于物联网的压力大数据智能检测***，其特征在于：所述***包括参数采集平台和压力大数据处理子***两部分，***实现对压力检测和智能化预测，提高压力检测与预测的可靠性和精确性。

本发明进一步技术改进方案是：

参数采集平台包括多个检测节点、网关节点、现场监控端、云平台和移动端App组成，检测节点和网关节点之间通过构建LoRa通信网络来实现多个检测节点和网关节点之间的无线通信；检测节点将检测的压力参数通过网关节点的RS232接口发送给现场监控端，现场监控端对压力参数进行处理和预测；网关节点通过NB-IoT模块与云平台之间以及云平台通过5G网络与移动端App之间实现压力参数的双向传输，网关节点与现场监控端之间通过RS232接口实现压力参数双向传输。参数采集平台结构与功能见图1所示。

本发明进一步技术改进方案是：

压力大数据处理子***多个带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型、二元联系数的小波神经网络模型、压力历史趋势预测模块和二元联系数的LSTM神经网络预测模型组成；多个检测点压力传感器感知被检测环境多点压力值分别作为对应的多个带时滞单元的Adaline神经网络模型的输入，多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入，模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的多个NARX神经网络预测模型的输入，多个NARX神经网络预测模型输出作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出被测量对象压力的确定值a和波动值b构成被测量对象压力的二元联系数为a+bi，二元联系数的小波神经网络模型输出被测量对象压力的确定值a和波动值b分别作为对应的2个按拍延迟线TDL输入和二元联系数的小波神经网络模型的对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出分别作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出和压力历史趋势预测模块输出分别作为二元联系数的LSTM神经网络预测模型的对应输入，二元联系数的LSTM神经网络预测模型输出被测量对象压力预测的确定值e和波动值f构成被测量对象压力预测值的二元联系数为e+fi，二元联系数的LSTM神经网络预测模型输出被测量对象压力预测的确定值e和波动值f分别作为二元联系数的LSTM神经网络预测模型的对应输入，二元联系数的LSTM神经网络预测模型输出的二元联系数为被测量对象的二元联系数的压力预测值。压力大数据处理子***的结构与功能见图2所示。

本发明进一步技术改进方案是：

压力历史趋势预测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的BAM神经网络模型组成；压力历史值作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的压力低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个压力高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出被测量对象压力趋势变化的确定值c和波动值d构成被测量对象压力趋势变化值的二元联系数为c+di，二元联系数的BAM神经网络模型输出压力趋势变化的确定值c和波动值d分别作为对应的2个按拍延迟线TDL的输入和二元联系数的BAM神经网络模型的对应输入，2个按拍延迟线TDL输出作为对应的ARIMA预测模型的输入，2个ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出的二元联系数作为被测量对象的压力历史趋势变化值。压力历史趋势预测模块的结构与功能见图2所示。

本发明与现有技术相比，具有以下明显优点：

一、本发明通过EMD经验模态分解模型将原始带时滞单元的Adaline神经网络模型输出序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。压力的高频波动部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与压力的周期性变化相符合；低频成分代表压力原序列的变化趋势。可见EMD能够逐级分解出压力过程的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征信息之间的相互干涉，且分解出的各分量变化曲线比原始压力变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的压力过程变形数据，分解得到的各分量有GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型的建立和更好地预测。最后将各分量预测结果叠加得到最终融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。

二、本发明采用GM(1,1)灰色预测模型预测压力低频趋势的时间跨度长。用GM(1,1)灰色预测模型模型可以根据压力低频趋势值预测未来时刻压力低频趋势值，用上述方法预测出的压力低频趋势后，把压力低频趋势值再加分别加入压力低频趋势的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测压力低频趋势的预测。依此类推，预测出压力低频趋势值。这种方法称为等维灰数递补模型，它可实现较长时间的预测。可以更加准确地掌握压力低频趋势的变化趋势，为有效避免压力低频趋势波动做好准备。

三、本发明采用ARIMA预测模型基于压力的确定值和波动值的原始数据服从时间序列分布，利用压力的确定值和波动值变化均具有一定惯性趋势的原理，整合了趋势因素、周期因素和随机误差等因素的压力的确定值和波动值的原始时间序列变量，通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理想的模型进行压力的确定值和波动值数值拟合和预测。该方法结合了自回归和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，是一种短期预测压力的确定值和波动值的模型。

四、本发明采用二元联系数的BAM神经网络是一种双层反馈神经网络，用它可实现异联想记忆功能；其当向其中一层加入输入信号时，另一层得到输出。由于初始模式可以作用于网络的任一层，信息也可以双向传播，所以没有明确的输入层或输出层。二元联系数的BAM神经网络模型学习速度快,而BP学习时收敛速度慢,最终收敛达到的还有可能是局部最小点而非全局最小点,而BAM达到的一定是能量最小点；二元联系数的BAM神经网络模型是有反馈网络，当输入出现错误时,二元联系数的BAM神经网络模型不但可以输出准确的故障原因,还可纠正原始输入的错误。故该二元联系数的BAM神经网络模型适于要求对错误输入征兆进行纠正***。二元联系数的BAM神经网络模型利用二元联系数的BAM神经网络双向联想存储的特性，提高推理过程中压力传感器预测值的不确定信息处理能力。

五、本发明针对压力测量过程中，传感器精度误差、干扰和测量值异常等问题存在的不确定性和随机性，本发明专利将压力传感器测量的参数值通过压力大数据处理子***转化为二元联系数形式表示，有效地处理了压力传感器测量参数的模糊性、动态性和不确定性，提高了压力传感器值检测参数的客观性和可信度。

附图说明

图1为本发明参数采集平台；

图2为本发明压力大数据处理子***；

图3为本发明检测节点；

图4为本发明网关节点；

图5为本发明现场监控端软件；

具体实施方式

结合附图1-5，对本发明技术方案作进一步描述：

一、***总体功能的设计

本发明实现对压力参数进行检测和预测，该***由参数采集平台和压力大数据处理子***两部分组成。参数采集平台包括压力参数的检测节点、网关节点、现场监控端、云平台和移动端App组成，检测节点和网关节点之间通过构建LoRa通信网络来实现检测节点和网关节点之间的无线通信；检测节点将检测的压力参数通过网关节点的RS232接口发送给现场监控端并对传感器数据进行理和对压力进行预测；网关节点通过NB-IoT与云平台之间和云平台通过5G网络与移动端App之间实现压力参数信息的双向传输，网关节点与现场监控端之间通过RS232接口实现压力信息的双向传输。参数采集平台结构见图1所示。

二、检测节点的设计

采用大量检测节点作为压力参数感知终端，检测节点和网关节点之间通过LoRa通信网络进行信息双向传输。检测节点包括采集多点压力和对应的信号调理电路、STM32微处理器和SX1278射频模块；检测节点的软件主要实现通信和压力参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。

三、网关节点设计

网关节点包括SX1278射频模块、NB-IoT模块、STM32单片机和RS232接口，网关节点通过SX1278射频模块实现与检测节点和网关节点之间的LoRa通信网络，通过NB-IoT模块实现网关节点与云平台之间的数据双向交互，RS232接口连接现场监控端实现网关节点与现场监控端之间的信息交互。

四、现场监控端软件

现场监控端是一台工业控制计算机，现场监控端主要实现对压力参数进行采集和预测，实现与网关节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和压力大数据处理子***。压力参数大数据处理子***结构见图2。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用***的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。压力大数据处理子***多个带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型、二元联系数的小波神经网络模型、压力历史趋势预测模块和二元联系数的LSTM神经网络预测模型组成；压力参数大数据处理子***的设计如下：

1、带时滞单元的Adaline神经网络模型设计

多个检测点压力传感器感知被检测环境多点压力值分别作为对应的多个带时滞单元的Adaline神经网络模型的输入，多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入；带时滞单元的Adaline神经网络模型由2个按拍延迟线TDL和Adaline神经网络组成，压力传感器输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出作为Adaline神经网络的输入，Adaline神经网络的输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出为带时滞单元的Adaline神经网络模型的输出；Adaline神经网络模型的自适应线性单元(Adaptive Linear Element)是早期的神经网络模型之一，该模型的输入信号可写成向量的形式:X(K)＝[x₀(K),x₁(K),…x_n(K)]^T，每一组输入信号对应有一组权值向量相对应表示为:W(K)＝[k₀(K),k₁(K),…k(K)]，x₀(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为：

在Adaline神经网络模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。

2、模糊C均值聚类FCM模型设计

多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入，模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的多个NARX神经网络预测模型的输入；设有限集X＝{x₁,x₂,…x_n}是n个带时滞单元的Adaline神经网络模型输出样本组成的集合，C为预定的类别，m_i(i＝1,2,…c)是每一个聚类的中心，μ_j(x_i)是第i个样本关于第j类的隶属度，聚类准则函数由隶属函数定义为:

式中:||x_i-m_j||是x_i到m_j之间的欧氏距离；b是模糊加权幂指数，是可以控制聚类结果模糊程度的参数；M是X的模糊C划分矩阵，V是X的聚类中心集合，模糊C均值聚类FCM模型的结果就是要获得使准则函数达到最小的M和V。在模糊C均值聚类方法中，要求样本对各个聚类的隶属度之和为1，即:

模糊C均值聚类FCM模型可以按照以下迭代步骤完成:A、设定聚类数目c和参数b，算法终止阈值ε，迭代次数t＝1，允许最大迭代数为t_max；B、初始化各个聚类中心m_i；C、用当前聚类中心计算隶属函数；D、用当前隶属函数更新各类聚类中心；E、选取合适的矩阵范数，如果||V(t+1)-V(t)||≤ε或者t≥t_max，停止运算；否则，t＝t+1，返回步骤C。当算法收敛时，得到各类的聚类中心和各个样本对于各类的隶属度，完成模糊聚类划分。最后将模糊聚类结果进行去模糊化，将模糊聚类转变为确定性分类，实现最终的聚类分割。

3、NARX神经网络预测模型设计

模糊C均值聚类FCM模型输出的多组带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入，多个NARX神经网络预测模型输出作为二元联系数的BAM神经网络模型的对应输入；NARX神经网络预测模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络预测模型第i个隐层节点的输出h_i为：

NARX神经网络预测模型第j个输出层节点输出o_j为：

4、ARIMA预测模型设计

2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出分别作为二元联系数的小波神经网络模型的对应输入；ARIMA(Auto regressiveIntegrated Moving Average)预测模型是自回归积分滑动平均模型，它将自回归模型(Autoregressive，AR)和滑动平均模型(Moving Average，MA)有机地组合起来，使之成为一种综合的预测方法。作为有效的现代数据处理方法之一，它被誉为时间序列预测方法中最复杂最高级的模型，在实际应用中，由于输入原始数据序列往往表现出一定的趋势或循环特征，不满足ARMA模型对时间序列的平稳性要求，而取差分是消除数据趋势性的一种方便和有效的方法。基于差分后的数据序列建立的模型称为ARIMA预测模型，记为{Xt}-ARIMA(p，d，q)，其中p、q称为模型的阶，d表示差分的次数。显然，当d为0时，ARIMA预测模型为ARMA模型，其定义为:

x_t＝b₁x_t-1+…+b_px_t-p+ε_t+a₁ε_t-1+…+a_qε_t-q (6)

{x_t}为要预测的二元联系数的小波神经网络输出的压力确定值a和波动值b的数据序列，{ε_t}～WN(0,σ²)。ARIMA预测模型建立主要包括模型的识别、参数估计和模型诊断。模型识别主要包括时间序列的预处理和模型参数的初步定阶；模型定阶完成之后需要通过时间序列观察值并结合p，d，q值来对模型中的未知参数进行估计；模型的诊断主要是针对整个模型的显著性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程，模型优化常用的为AIC和BIC准则，即最小信息量准则其值越小，模型越合适，BIC准则是针对AIC准则对大样本序列的不足所做的改进。

5、二元联系数的小波神经网络模型设计

多个NARX神经网络预测模型输出作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出被测量对象压力的确定值a和波动值b构成被测量对象压力的二元联系数为a+bi，二元联系数的小波神经网络模型输出被测量对象压力的确定值a和波动值b分别作为对应的2个按拍延迟线TDL输入和二元联系数的小波神经网络模型的对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出分别作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出和压力历史趋势预测模块输出分别作为二元联系数的LSTM神经网络预测模型的对应输入；二元联系数的小波神经网络模型为输出为二元联系数的小波神经网络模型，小波神经网络模型WNN(Wavelet Neural Networks)是在小波理论基础上，结合人工神经网络而提出的一种前馈型网络。它是以小波函数为神经元的激励函数，小波的伸缩、平移因子以及连接权重，在对误差能量函数的优化过程中被自适应调整。设小波神经网络模型的输入信号可以表示为输入的一维向量x_i(i＝1,2,…,n)，输出信号表示为y_k(k＝1,2,…,m)，小波神经网络模型输出层输出值的计算公式为：

公式中ω_ij输入层i节点和隐含层j节点间的连接权值，

为小波基函数，b_j为小波基函数的平移因子，a_j小波基函数的伸缩因子，ω_jk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波神经网络输出不断逼近期望输出。小波神经网络模型的输出为代表一段时间压力传感器值大小的动态二元联系数，动态二元联系数为a+bi,a+bi构成在一段时间参数压力传感器输出的被测量对象压力的动态二元联系数值。

6、压力历史趋势预测模块设计

压力历史趋势预测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的BAM神经网络模型组成；压力历史趋势预测模块结构与功能见图2所示。

(1)、带时滞单元的Adaline神经网络模型设计

压力历史值作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，带时滞单元的Adaline神经网络模型的设计方法参照本专利的步骤1。

(2)、EMD经验模态分解模型设计

带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的压力低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个压力高频趋势值分别作为对应的多个NARX神经网络预测模型的输入；EMD经验模态分解是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于压力信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了压力信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取压力趋势信息。IMF分量必须同时满足两个条件：①在待分解压力信号中，极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由局部极大值和局部极小值定义的包络均值为零。EMD经验模态分解方法针对带时滞单元的Adaline神经网络模型输出值信号的“筛分”过程步骤如下：

(a)带时滞单元的Adaline神经网络模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。

(b)在用三次样条线将带时滞单元的Adaline神经网络模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。

(c)上、下包络线的平均值记为m₁(t)，求出：

x(t)-m₁(t)＝h₁(t) (8)

x(t)为带时滞单元的Adaline神经网络模型输出值原始信号，如果h₁(t)是一个IMF，那么h₁(t)就是x(t)的第一个IMF分量。记c₁(t)＝h_1k(t)，则c₁(t)为信号x(t)的第一个满足IMF条件的分量。

(d)将c₁(t)从x(t)中分离出来，得到：

r₁(t)＝x(t)-c₁(t) (9)

将r₁(t)作为原始数据重复步骤(a)-步骤(c)，得到x(t)的第2个满足IMF条件的分量c₂。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样通过经验模态分解模型把带时滞单元的Adaline神经网络模型输出分解为低频趋势部分和多个高频波动部分，EMD经验分解模型如图2所示。

(3)、GM(1，1)灰色预测模型设计

EMD经验模态分解模型输出的压力低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个压力高频趋势值分别作为对应的多个NARX神经网络预测模型的输入；GM(1，1)灰色预测模型方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据压力的二元联系数输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，压力的二元联系数原始值还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1,1)灰色预测模型的实质是对压力的二元联系数原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对压力的二元联系数进行预测。

(4)、多个NARX神经网络预测模型设计

EMD经验模态分解模型输出的压力低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个压力高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入；NARX神经网络预测模型的设计方法参照本专利的步骤3。

(5)、ARIMA预测模型设计

2个按拍延迟线TDL输出作为对应的ARIMA预测模型的输入，2个ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入，ARIMA预测模型设计方法参照本专利步骤4。

(6)、二元联系数的BAM神经网络模型设计

GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出被测量对象压力趋势变化的确定值c和波动值d构成被测量对象压力趋势变化值的二元联系数为c+di，二元联系数的BAM神经网络模型输出压力趋势变化的确定值c和波动值d分别作为对应的2个按拍延迟线TDL的输入和二元联系数的BAM神经网络模型的对应输入，2个按拍延迟线TDL输出作为对应的ARIMA预测模型的输入，2个ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出的二元联系数作为被测量对象的压力历史趋势变化值。二元联系数的BAM神经网络模型为输出为二元联系数的BAM神经网络模型，BAM神经网络模型是一种反馈型的双向联想记忆神经网络，通过多次反馈训练的模式来进行对被检测对象压力变化趋势的进一步预测，它具有联想记忆被检测对象压力变化趋势的功能，自适应性能力强，并且预测被检测对象压力变化趋势误差较小，自出现以来便得到广泛应用；BAM神经网络模型拓扑结构中，网络输入端的初始模式为x(t)，通过权值矩阵W₁加权后到达输出端y端，经过输出节点的转移特性f_y的非线性变换和W₂矩阵加权后返回到输入端x，再经过x端输出节点转移特性f_x的非线性变换，变为输入端x的输出，反复这一运行过程，BAM神经网络模型状态转移方程见式(10)。

BAM神经网络模型的输出为代表一段时间多个对象压力变化趋势大小的动态二元联系数，动态二元联系数为a+bi,a+bi构成在一段时间对象压力变化趋势的动态二元联系数值。

7、二元联系数的LSTM神经网络预测模型设计

二元联系数的小波神经网络模型输出和压力历史趋势预测模块输出分别作为二元联系数的LSTM神经网络预测模型的对应输入，二元联系数的LSTM神经网络预测模型输出被测量对象压力预测的确定值e和波动值f构成被测量对象压力预测值的二元联系数为e+fi，二元联系数的LSTM神经网络预测模型输出被测量对象压力预测的确定值e和波动值f分别作为二元联系数的LSTM神经网络预测模型的对应输入，二元联系数的LSTM神经网络预测模型输出的二元联系数为被测量对象的二元联系数的压力预测值。二元联系数的LSTM神经网络预测模型为输入和输出都是二元联系数的LSTM神经网络预测模型，LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递，一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(InputGate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制二元联系数的小波神经网络模型和压力历史趋势预测模块的输出信息的加入或滤出；遗忘门能忘记需要丢掉的二元联系数的小波神经网络模型输出和压力历史趋势预测模块输出的输出信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的二元联系数的小波神经网络模型和压力历史趋势预测模块的输出信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络是可以持续较长时间短期记忆的模型适合用预测时间序列二元联系数的小波神经网络模型和压力历史趋势预测模块的输出信息的变化，LSTM神经网络有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络可以学习长期的二元联系数的小波神经网络模型和压力历史趋势预测模块的输出依赖信息，同时避免梯度消失问题。LSTM神经网络在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的二元联系数的小波神经网络模型和压力历史趋势预测模块的输出动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制二元联系数的小波神经网络模型和压力历史趋势预测模块的输出历史信息的使用。设输入二元联系数的小波神经网络模型和压力历史趋势预测模块的输出的时间序列值为(x₁,x₂,…,x_T)，隐含层状态为(h₁,h₂,…,h_T)，则t时刻有：

i_t＝sigmoid(W_hih_t-1+W_xiX_t) (11)

f_t＝sigmoid(W_hfh_t-1+W_hfX_t) (12)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_hch_t-1+W_xcX_t) (13)

o_t＝sigmoid(W_hoh_t-1+W_hxX_t+W_coc_t) (14)

h_t＝o_t⊙tanh(c_t) (15)

其中i_t、f_t、o_t代表input门、forget门和output门，c_t代表cell单元，W_h代表递归连接的权重，W_x代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。

五、参数采集平台的设计举例

根据参数采集平台的实际状况，***布置了参数采集平台的检测节点、网关节点和现场监控端的平面布置安装图，其中检测节点的压力传感器根据检测的需要均衡布置在被检测对象的各个方位，通过该***实现对压力参数进行采集。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰这些改进和润饰也视为本发明的保护范围。

Claims (4)

1.基于物联网的压力大数据智能检测***，其特征在于：所述检测***包括参数采集平台和压力大数据处理子***两部分，***实现对压力检测和智能化预测；

所述压力大数据处理子***由带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、NARX神经网络预测模型、按拍延迟线TDL、ARIMA预测模型、二元联系数的小波神经网络模型、压力历史趋势预测模块和二元联系数的LSTM神经网络预测模型组成；

多个检测点压力传感器感知被检测环境多点压力值分别作为对应的多个带时滞单元的Adaline神经网络模型的输入，多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入，模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的多个NARX神经网络预测模型的输入，多个NARX神经网络预测模型输出作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出被测量对象压力的确定值a和波动值b构成被测量对象压力的二元联系数为a+bi，二元联系数的小波神经网络模型输出被测量对象压力的确定值a和波动值b分别作为对应的按拍延迟线TDL输入和二元联系数的小波神经网络模型的对应输入，按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，ARIMA预测模型输出分别作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出和压力历史趋势预测模块输出分别作为二元联系数的LSTM神经网络预测模型的对应输入，二元联系数的LSTM神经网络预测模型输出被测量对象压力预测的确定值e和波动值f构成被测量对象压力预测值的二元联系数为e+fi，二元联系数的LSTM神经网络预测模型输出被测量对象压力预测的确定值e和波动值f分别作为二元联系数的LSTM神经网络预测模型的对应输入，二元联系数的LSTM神经网络预测模型输出的二元联系数为被测量对象的二元联系数的压力预测值；

所述压力历史趋势预测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM（1，1）灰色预测模型、NARX神经网络预测模型、按拍延迟线TDL、ARIMA预测模型和二元联系数的BAM神经网络模型组成。

2.根据权利要求1所述的基于物联网的压力大数据智能检测***，其特征在于：压力历史值作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的压力低频趋势值作为GM（1，1）灰色预测模型的输入，EMD经验模态分解模型输出的多个压力高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM（1，1）灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出被测量对象压力趋势变化的确定值c和波动值d构成被测量对象压力趋势变化值的二元联系数为c+di，二元联系数的BAM神经网络模型输出压力趋势变化的确定值c和波动值d分别作为对应的按拍延迟线TDL的输入和二元联系数的BAM神经网络模型的对应输入，按拍延迟线TDL输出作为对应的ARIMA预测模型的输入， ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出的二元联系数作为被测量对象的压力历史趋势变化值。

3.根据权利要求1所述的基于物联网的压力大数据智能检测***，其特征在于：所述参数采集平台包括多个检测节点、网关节点、现场监控端、云平台和移动端App组成，检测节点和网关节点之间通过构建LoRa通信网络来实现多个检测节点和网关节点之间的无线通信。

4.根据权利要求3所述的基于物联网的压力大数据智能检测***，其特征在于：所述检测节点将检测的压力参数通过网关节点的RS232接口发送给现场监控端，现场监控端对压力参数进行处理和预测；网关节点通过NB-IoT模块与云平台之间以及云平台通过5G网络与移动端App之间实现压力参数的双向传输，网关节点与现场监控端之间通过RS232接口实现压力参数双向传输。

Images