CN116308293B - 一种基于数字化平台的农业设备智能管理***及方法 - Google Patents
一种基于数字化平台的农业设备智能管理***及方法 Download PDFInfo
- Publication number
- CN116308293B CN116308293B CN202310304800.1A CN202310304800A CN116308293B CN 116308293 B CN116308293 B CN 116308293B CN 202310304800 A CN202310304800 A CN 202310304800A CN 116308293 B CN116308293 B CN 116308293B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- distribution
- unit
- agricultural
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 90
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000007726 management method Methods 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 1
- 238000012271 agricultural production Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于数字化平台的农业设备智能管理***及方法,本发明涉及农业设备管理技术领域;包括:S1:采集目标区域内的相关数据,并进行传输;S2:对接收的相关数据进行分析,分析得到对于农业传感器的分布规划;S3:对按照规划进行布局的农业传感器的上传数据进行监测,并根据实时监测数据,判断是否存在异常,对异常情况进行远程报警;S4:对监测数据进行反馈,判断是否对农业传感器的分布进行调整。实现了多种传感器的协同作业,对多尺度传感器进行了优势最大化的分布规划,对各传感器监测到的多尺度数据进行信息融合,避免了单一传感器进行数据采集带来的误差和风险,实现对农田各项指标的实时监测和管理。
Description
技术领域
本发明涉及农业设备管理技术领域,具体为一种基于数字化平台的农业设备智能管理***及方法。
背景技术
随着全国人口的增加和粮食需求的不断增长,农业生产的效率和质量已经成为一个重要的问题,为了提高农业生产的效率和质量,农业设备的智能化管理已经成为一个必要的趋势。
传统的农业生产方式主要依靠人力和机械设备,生产效率较低,随着信息技术的发展,农业设备智能管理已经成为了现代化农业生产的必要组成部分,数字化平台是一种基于信息技术的平台,用于整合、处理、存储和交换数字化数据和信息。数字化平台通常由软件、硬件和网络等技术组成,可以提供丰富的服务和功能。数字化平台可以应用于各个领域,如金融、医疗、教育、制造业等。在农业领域,数字化平台可以用于帮助农民和农业企业实现智能化决策、精准化管理、在线交易等目标,提高农业生产效率和质量。数字化和智能化的设备可以自动采集数据、通过计算机技术进行数据分析,实现对农业设备的自动控制,提高农业生产效率和质量。
但是,智能化的农业设备管理需要配备大量传感器,而这些产品的成本较高,限制了设备的推广和应用;同时,智能化的农业设备需要定期进行维护和保养,而这些工作需要专业人员进行,限制了智能管理***的普及和发展。
所以,人们需要一种基于数字化平台的农业设备智能管理***及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于数字化平台的农业设备智能管理***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于数字化平台的农业设备智能管理方法,包括以下步骤:
S1:采集目标区域内的相关数据,并进行传输;包括地形数据、土壤数据、环境数据等;
S2:对接收的相关数据进行分析,分析得到对于农业传感器的分布规划;
S3:对按照规划进行布局的农业传感器的上传数据进行监测,并根据实时监测数据,判断是否存在异常,对异常情况进行远程报警;
S4:对监测数据进行反馈,判断是否对农业传感器的分布进行调整。
进一步的,步骤S2包括以下步骤:
S2-1:对获取到的数据集进行预处理;确保数据的准确性和可用性;
S2-2:使用深度学习框架,构建传感器分布规划模型;并使用已有数据集对模型进行训练;优化模型的参数,提高模型的准确度;
其中,传感器分布规划模型的建立包括以下步骤:
S2-2-1:建立影响因素集Y,Y={y1,y2,...,ya,...,yn};其中元素ya代表影响分布结果的第a个因素;
S2-2-2:建立分布结果集F,F={f1,f2,...,fj,...,fm};其中元素fj代表第j个分布结果;
S2-2-3:确定各影响因素的权重Q,即给元素ya确定一个权重qa,其中各影响因素权重集合的模糊集Q={q1,q2,...,qn};
S2-2-4:进行单因素模糊评价,获得评价矩阵;若影响因素集Y中第a个元素对分布结果集F中第1个元素的隶属度为da1,则对第a个元素单影响因素的分布结果用模糊集合表示为:Da={da1,da2,...,dam},以m个单因素分布结果集D1,D2,...Dn为行组成矩阵Dn*m;
S2-2-5:通过模糊变化将影响因素集Y上的模糊向量A变为分布结果集F上的模糊向量A′,即A′=A1n×Dnm;
根据以下公式计算评价结果G:
其中,J为F中相应因素的级分;通过计算获得对多种传感器分布规划方案的评价结果,根据评价结果选择最优方案进行输出;建立得到传感器分布规划模型;
S2-3:将目标区域相关数据和各传感器相关数据输入训练好的模型中,通过传感器分布规划模型进行计算,得到对目标区域的传感器分布规划;
S2-4:根据输出结果,确定需要安装的传感器类型和数量,进行传感器布置。
进一步的,步骤S3中对按照规划进行布局的农业传感器的上传数据进行监测,并根据实时监测数据,判断是否存在异常,对异常情况进行远程报警包括以下步骤:
S3-1:获取到各传感器的实时采集数据;
S3-2:对各传感器上传数据进行数据融合;
S3-3:根据融合后的监测数据判断实时数据是否存在异常,若存在异常情况,则进行远程报警;
所述远程报警包括:离线报警、差值报警和低电量报警等;
离线报警表示当设备由于现场信号干扰等原因无法和平台正常通讯时可以进行报警;
超限报警表示当环境监测数据超过设定上下限值时可以进行报警;
差值报警表示当传感器的数据差值超过设定值时,就会进行报警;
低电量报警表示针对带电池的设备,一旦电池电量超过设定的最低值,就会进行报警提醒,避免因忘记及时充电而出现关机耽误测量的情况发生;
有报警产生会给工作人员进行通知,方便及时发现从而迅速采取应急措施,以便于及时应对现场各种报警情况。
进一步的,步骤S3-2中对多传感器上传数据进行融合包括以下步骤:
S3-2-1:根据以下公式建立各传感器模型:
xi(k+1)=Ai(k)xi(k)+wi(k);
zi(k)=Ci(k)xi(k)+vi(k);
其中,ni=SN/Si;i=1,2,...,N表示传感器,S表示采样速率,xi(k)表示传感器i上第k个采样点的值,N表示最高采样率的传感器;
优选的,xi(k)=xN(nik)表示传感器i上第k个采样点的值与传感器N上第nik时刻采样点的值对应;
Ai(k)表示***矩阵,wi(k)表示***噪声,zi(k)表示第i个传感器在采样率Si下获得的第k个观测值,Ci(k)表示观测矩阵,vi(k)表示一均值为零的高斯白噪声,同时,不同传感器之间的观测噪声互不相关;
S3-2-2:对建模后的各传感器进行局部卡尔曼滤波,得到
S3-2-3:对于每个传感器,通过卡尔曼预估器获得无采样的数据点的预报值,获得各传感器每个时刻的估计值,统一各传感器尺度信息,将转化为/>如以下公式所示:
S3-2-4:通过联邦滤波器对各传感器的状态进行融合,得到联邦滤波公式如下:
其中,
其中,p(k|k)表示各传感器对应的估计误差协方差阵。
进一步的,在步骤S4中,对监测到的各项数据通过***反馈至用户端,根据对融合后的监测数据的判断结果,对报警信息进行分析,对目标区域内的上传异常数据的传感器位置进行记录,对异常情况进行相应处理,若存在传感器失效、损坏等情况时,用户根据实际需求,可使用同型号传感器对其进行替换,若使用不同型号传感器对其替换,可通过传感器分布规划模型判断是否对农业传感器的分布进行调整。
一种基于数字化平台的农业设备智能管理***,所述***包括:数据采集模块、数据分析模块、数据监测模块和调整更新模块;
所述数据采集模块用于对目标区域的相关数据进行采集;
所述数据分析模块用于对接收到的数据进行分析,并根据分析得到的农业传感器分布方案对各传感器进行布置;
所述数据监测模块用于对各传感器获取到的实时数据进行监测,并对异常情况进行远程报警;
所述调整更新模块用于对农业传感器的分布进行调整、更新。
进一步的,所述数据采集模块包括:目标区域数据采集单元、数据处理单元和数据传输单元;
所述目标区域数据采集单元用于对目标区域内的所需相关数据进行采集,包括接口调用和用户输入;采集的目标区域相关数据包括区域内的土壤数据、地形数据、实时环境数据等,通过不同的数据获取方式,能够保证数据的全面性,并减少前期数据准备阶段的工作量;
所述数据处理单元用于对采集到的数据进行处理,包括数据清洗、数据存储和数据分析;以便于保证数据的可用性,并减少后续的计算量;
所述数据传输单元用于对处理后的目标区域数据进行加密传输。通过加密传输可以确保数据的安全性和可靠性。
进一步的,所述数据分析模块包括:数据预处理单元、模型建立单元和分布规划单元;
所述数据预处理单元用于对获取到的数据集进行预处理;包括归一化等处理方式;确保数据的准确性和可用性;获取数据集用于对建立的模型进行训练;
所述模型建立单元用于通过深度学习框架,构建传感器分布规划模型;
所述分布规划单元用于根据输入模型的目标区域数据和各传感器相关数据输出传感器分布规划方案。
进一步的,所述数据监测模块包括:数据获取单元、数据融合单元和异常预警单元;
所述数据获取模块用于获取到各传感器实时采集的上传数据;
所述数据融合单元用于对获取的的各传感器上传的不同尺度的数据进行融合;以便于对数据进行分析判断;
所述异常预警单元用于通过对监测到的实时数据进行判别,根据融合后的监测数据判断实时数据是否存在异常,当判定数据出现异常情况时,进行报警。所述远程报警包括:离线报警、差值报警和低电量报警等;
进一步的,所述调整更新模块包括异常分析单元、分布调整单元和数据更新单元;
所述异常分析单元用于根据异常预警的报警信息对异常情况进行溯源;
所述分布调整单元用于根据异常分析结果对需要更换、维护的传感器进行标记,根据用户需求判断是否对目标区域内的传感器分布进行调整;
所述数据更新单元用于对调整后的传感器布置进行更新;防止信息更新不及时造成的延误,方便及时发现从而迅速采取应急措施,以便于及时应对现场各种意外情况。
所述***还包括:终端显示模块,用于对实时监测数据进行可视化显示,对异常情况进行预警提示,并向用户终端提供对应的异常处理方式;无需专业人员进行监管,促进了智能管理***的普及和发展。
与现有技术相比,本发明所达到的有益效果是:
本发明通过数据采集模块对目标区域的相关数据进行采集;通过数据分析模块对接收到的数据进行分析,并根据分析得到的农业传感器分布方案对各传感器进行布置;通过数据监测模块对各传感器获取到的实时数据进行监测,并对异常情况进行远程报警;通过调整更新模块对农业传感器的分布进行调整、更新;实现了多种传感器的协同作业,对多尺度传感器进行了优势最大化的分布规划,对多传感器监测到的多尺度数据进行信息融合,避免了单一传感器带来的误差和风险,实现对农田各项指标的实时监测和管理,提高农业生产的效率和质量。同时,通过终端显示模块对实时监测数据进行可视化显示,对异常情况进行预警提示,并向用户终端提供对应的异常处理方式;以便于在无需专业人员进行监管的情况下实现农业设备的智能管理,促进了智能管理***的普及和发展。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于数字化平台的农业设备智能管理***及方法的模块结构示意图;
图2是本发明一种基于数字化平台的农业设备智能管理***及方法的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1、图2和具体实施例对本发明作进一步的说明。
实施例1:如图1所示,本实施例提供了一种基于数字化平台的农业设备智能管理***,所述***包括:数据采集模块、数据分析模块、数据监测模块和调整更新模块;
通过数据采集模块对目标区域的相关数据进行采集;数据采集模块包括:目标区域数据采集单元、数据处理单元和数据传输单元;
目标区域数据采集单元用于对目标区域内的所需相关数据进行采集,包括接口调用和用户输入;采集的目标区域相关数据包括区域内的土壤数据、地形数据、实时环境数据等,通过不同的数据获取方式,能够保证数据的全面性,并减少前期数据准备阶段的工作量;
数据处理单元用于对采集到的数据进行处理,包括数据清洗、数据存储和数据分析;以便于保证数据的可用性,并减少后续的计算量;
数据传输单元用于对处理后的目标区域数据进行加密传输。通过加密传输可以确保数据的安全性和可靠性。
通过数据分析模块对接收到的数据进行分析,并根据分析得到的农业传感器分布方案对各传感器进行布置;数据分析模块包括:数据预处理单元、模型建立单元和分布规划单元;
数据预处理单元用于对获取到的数据集进行预处理;包括归一化等处理方式;确保数据的准确性和可用性;获取数据集用于对建立的模型进行训练;
模型建立单元用于通过深度学习框架,如TensorFlow、PyTorch等,构建传感器分布规划模型;
分布规划单元用于根据输入模型的目标区域数据和各传感器相关数据输出传感器分布规划方案。
通过数据监测模块对各传感器获取到的实时数据进行监测,并对异常情况进行远程报警;数据监测模块包括:数据获取单元、数据融合单元和异常预警单元;
数据获取模块用于获取到各传感器实时采集的上传数据;
数据融合单元用于对获取的的各传感器上传的不同尺度的数据进行融合;以便于对数据进行分析判断;
异常预警单元用于通过对监测到的实时数据进行判别,根据融合后的监测数据判断实时数据是否存在异常,当判定数据出现异常情况时,进行报警。所述远程报警包括:离线报警、差值报警和低电量报警等;
通过调整更新模块对农业传感器的分布进行调整、更新;调整更新模块包括异常分析单元、分布调整单元和数据更新单元;
异常分析单元用于根据异常预警的报警信息对异常情况进行溯源;
分布调整单元用于根据异常分析结果对需要更换、维护的传感器进行标记,根据用户需求判断是否对目标区域内的传感器分布进行调整;
数据更新单元用于对调整后的传感器布置进行更新;防止信息更新不及时造成的延误,方便及时发现从而迅速采取应急措施,以便于及时应对现场各种意外情况。
通过终端显示模块对实时监测数据进行可视化显示,对异常情况进行预警提示,并向用户终端提供对应的异常处理方式;无需专业人员进行监管,促进了智能管理***的普及和发展。
实施例2:如图2所示,本实施例提供了一种基于数字化平台的农业设备智能管理方法,其基于实施例中的一种基于数字化平台的农业设备智能管理***实现,具体包括以下步骤:
S1:采集目标区域内的相关数据,并进行传输;包括地形数据、土壤数据、环境数据等;
S2:对接收的相关数据进行分析,分析得到对于农业传感器的分布规划;
步骤S2包括以下步骤:
S2-1:对获取到的数据集进行预处理;确保数据的准确性和可用性;
S2-2:使用深度学习框架,如TensorFlow、PyTorch等,构建传感器分布规划模型;并使用已有数据集对模型进行训练;优化模型的参数,提高模型的准确度;
其中,传感器分布规划模型的建立包括以下步骤:
S2-2-1:建立影响因素集Y,Y={y1,y2,...,ya,...,yn};其中元素ya代表影响分布结果的第a个因素;
S2-2-2:建立分布结果集F,F={f1,f2,...,fj,...,fm};其中元素fj代表第j个分布结果;
S2-2-3:确定各影响因素的权重Q,即给元素ya确定一个权重qa,其中各影响因素权重集合的模糊集Q={q1,q2,...,qn};可通过熵权法或者层次分析法确定权重;
S2-2-4:进行单因素模糊评价,获得评价矩阵;若影响因素集Y中第a个元素对分布结果集F中第1个元素的隶属度为da1,则对第a个元素单影响因素的分布结果用模糊集合表示为:Da={da1,da2,...,dam},以m个单因素分布结果集D1,D2,...Dn为行组成矩阵Dn*m;
S2-2-5:通过模糊变化将影响因素集Y上的模糊向量A变为分布结果集F上的模糊向量A′,即A′=A1n×Dnm;
根据以下公式计算评价结果G:
其中,J为F中相应因素的级分;通过计算获得对多种传感器分布规划方案的评价结果,根据评价结果选择最优方案进行输出;建立得到传感器分布规划模型;
S2-3:将目标区域相关数据和各传感器相关数据输入训练好的模型中,通过传感器分布规划模型进行计算,得到对目标区域的传感器分布规划;
S2-4:根据输出结果,确定需要安装的传感器类型和数量,进行传感器布置。
例如,用户拥有多种不同类型传感器,为了节约经济成本,最大化利用现有资源,通过使用传感器分布规划模型可实现可分析得出对于资源最优化的农业传感器分布方案,进而根据分析得出的分布规划进行传感器布置。
S3:对按照规划进行布局的农业传感器的上传数据进行监测,并根据实时监测数据,判断是否存在异常,对异常情况进行远程报警;
步骤S3中对按照规划进行布局的农业传感器的上传数据进行监测,并根据实时监测数据,判断是否存在异常,对异常情况进行远程报警包括以下步骤:
S3-1:获取到各传感器的实时采集数据;
S3-2:对各传感器上传数据进行数据融合;
S3-3:根据融合后的监测数据判断实时数据是否存在异常,若存在异常情况,则进行远程报警;包括:离线报警、差值报警和低电量报警等;
离线报警表示当设备由于现场信号干扰等原因无法和平台正常通讯时可以进行报警;
超限报警表示当环境监测数据超过设定上下限值时可以进行报警;
差值报警表示当传感器的数据差值超过设定值时,就会进行报警;
低电量报警表示针对带电池的设备,一旦电池电量超过设定的最低值,就会进行报警提醒,避免因忘记及时充电而出现关机耽误测量的情况发生;
有报警产生会给工作人员进行通知,方便及时发现从而迅速采取应急措施,以便于及时应对现场各种报警情况。
步骤S3-2中对多传感器上传数据进行融合包括以下步骤:
S3-2-1:根据以下公式建立各传感器模型:
xi(k+1)=Ai(k)xi(k)+wi(k);
zi(k)=Ci(k)xi(k)+vi(k);
其中,ni=SN/Si;i=1,2,...,N表示传感器,S表示采样速率,xi(k)表示传感器i上第k个采样点的值,N表示最高采样率的传感器;
优选的,xi(k)=xN(nik)表示传感器i上第k个采样点的值与传感器N上第nik时刻采样点的值对应;
Ai(k)表示***矩阵,wi(k)表示***噪声,zi(k)表示第i个传感器在采样率Si下获得的第k个观测值,Ci(k)表示观测矩阵,vi(k)表示一均值为零的高斯白噪声,同时,不同传感器之间的观测噪声互不相关;
S3-2-2:对建模后的各传感器进行局部卡尔曼滤波,得到
S3-2-3:对于每个传感器,通过卡尔曼预估器获得无采样的数据点的预报值,获得各传感器每个时刻的估计值,统一各传感器尺度信息,将转化为/>如以下公式所示:
S3-2-4:通过联邦滤波器对各传感器的状态进行融合,得到联邦滤波公式如下:
其中,
其中,p(k|k)表示各传感器对应的估计误差协方差阵。
S4:对监测数据进行反馈,判断是否对农业传感器的分布进行调整。
在步骤S4中,对监测到的各项数据通过***反馈至用户端,根据对融合后的监测数据的判断结果,对报警信息进行分析,对目标区域内的上传异常数据的传感器位置进行记录,对异常情况进行相应处理,若存在传感器失效、损坏等情况时,用户根据实际需求,可使用同型号传感器对其进行替换,若使用不同型号传感器对其替换,可通过传感器分布规划模型判断是否对农业传感器的分布进行调整。
例如,当前存在A型传感器工作数据异常,使用B型传感器对其进行更换,根据传感器分布规划模型分析调整传感器是否影响目标区域内的数据采集,对传感器分布结果进行评价,若使用B型传感器对原A型传感器进行位置代替符合分布标准,则无需进行传感器分布调整。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,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 (7)
1.一种基于数字化平台的农业设备智能管理方法,其特征在于:包括以下步骤:
S1:采集目标区域内的相关数据,并进行传输;
S2:对接收的相关数据进行分析,分析得到对于农业传感器的分布规划;
S3:对按照规划进行布局的农业传感器的上传数据进行监测,并根据实时监测数据,判断是否存在异常,对异常情况进行远程报警;
S4:对监测数据进行反馈,判断是否对农业传感器的分布进行调整;
其中,步骤S2包括:
S2-1:对获取到的数据集进行预处理;
S2-2:使用深度学习框架,构建传感器分布规划模型;并使用已有数据集对模型进行训练;
其中,传感器分布规划模型的建立包括以下步骤:
S2-2-1:建立影响因素集Y,Y={y1,y2,...,ya,...,yn};其中元素ya代表影响分布结果的第a个因素;
S2-2-2:建立分布结果集F,F={f1,f2,...,fj,...,fm};其中元素fj代表第j个分布结果;
S2-2-3:确定各影响因素的权重Q,即给元素ya确定一个权重qa,其中各影响因素权重集合的模糊集Q={q1,q2,...,qn};
S2-2-4:进行单因素模糊评价,获得评价矩阵;若影响因素集Y中第a个元素对分布结果集F中第1个元素的隶属度为da1,则对第a个元素单影响因素的分布结果用模糊集合表示为:Da={da1,da2,...,dam},以m个单因素分布结果集D1,D2,...Dn为行组成矩阵Dn*m ;
S2-2-5:通过模糊变化将影响因素集Y上的模糊向量A变为分布结果集F上的模糊向量,即/>;
根据以下公式计算评价结果G:
;
其中,J为F中相应因素的级分;通过计算获得对多种传感器分布规划方案的评价结果,根据评价结果选择最优方案进行输出;建立得到传感器分布规划模型;
S2-3:将目标区域相关数据和各传感器相关数据输入训练好的模型中,通过传感器分布规划模型进行计算,得到对目标区域的传感器分布规划;
S2-4:根据输出结果,确定需要安装的传感器类型和数量,进行传感器布置;
步骤S3中对按照规划进行布局的农业传感器的上传数据进行监测,并根据实时监测数据,判断是否存在异常,对异常情况进行远程报警包括以下步骤:
S3-1:获取到各传感器的实时采集数据;
S3-2:对各传感器上传数据进行数据融合,包括以下步骤:
S3-2-1:根据以下公式建立各传感器模型:
;
;
其中,;/>表示传感器,S表示采样速率,/>表示传感器i上第k个采样点的值,N表示最高采样率的传感器;
表示传感器i上第k个采样点的值与传感器N上第/>时刻采样点的值对应;
表示***矩阵,/>表示***噪声,/>表示第i个传感器在采样率Si下获得的第k个观测值,/>表示观测矩阵,/>表示一均值为零的高斯白噪声;
S3-2-2:对建模后的各传感器进行局部卡尔曼滤波,得到;
S3-2-3:对于每个传感器,通过卡尔曼预估器获得无采样的数据点的预报值,获得各传感器每个时刻的估计值,统一各传感器尺度信息,将转化为/>;如以下公式所示:
;
S3-2-4:通过联邦滤波器对各传感器的状态进行融合,得到;联邦滤波公式如下:
;
其中,,/>;
其中,表示各传感器对应的估计误差协方差阵;
S3-3:根据融合后的监测数据判断实时数据是否存在异常,若存在异常情况,则进行远程报警。
2.根据权利要求1所述的一种基于数字化平台的农业设备智能管理方法,其特征在于:在步骤S4中,对监测到的各项数据通过***反馈至用户端,根据对融合后的监测数据的判断结果,对报警信息进行分析,对目标区域内的上传异常数据的传感器位置进行记录,对异常情况进行相应处理,用户根据实际需求,可使用同型号传感器对无效传感器进行替换,若使用不同型号传感器对其替换,可通过传感器分布规划模型判断是否对农业传感器的分布进行调整。
3.一种基于数字化平台的农业设备智能管理***,所述***用于实现权利要求1所述的一种基于数字化平台的农业设备智能管理方法,其特征在于,所述***包括:数据采集模块、数据分析模块、数据监测模块和调整更新模块;
所述数据采集模块用于对目标区域的相关数据进行采集;
所述数据分析模块用于对接收到的数据进行分析,并根据分析得到的农业传感器分布方案对各传感器进行布置;
所述数据监测模块用于对各传感器获取到的实时数据进行监测,并对异常情况进行远程报警;
所述调整更新模块用于对农业传感器的分布进行调整、更新。
4.根据权利要求3所述的一种基于数字化平台的农业设备智能管理***,其特征在于:所述数据采集模块包括:目标区域数据采集单元、数据处理单元和数据传输单元;
所述目标区域数据采集单元用于对目标区域内的所需相关数据进行采集,包括接口调用和用户输入;所述数据处理单元用于对采集到的数据进行处理,包括数据清洗、数据存储和数据分析;所述数据传输单元用于对处理后的目标区域数据进行加密传输。
5.根据权利要求3所述的一种基于数字化平台的农业设备智能管理***,其特征在于:所述数据分析模块包括:数据预处理单元、模型建立单元和分布规划单元;
所述数据预处理单元用于对获取到的数据集进行预处理;
所述模型建立单元用于通过深度学习框架,构建传感器分布规划模型;
所述分布规划单元用于根据输入模型的目标区域数据和各传感器相关数据输出传感器分布规划方案。
6.根据权利要求3所述的一种基于数字化平台的农业设备智能管理***,其特征在于:所述数据监测模块包括:数据获取单元、数据融合单元和异常预警单元;
所述数据获取单元用于获取到各传感器实时采集的上传数据;
所述数据融合单元用于对获取的的各传感器上传的不同尺度的数据进行融合;以便于对数据进行分析判断;
所述异常预警单元用于通过对监测到的实时数据进行判别,根据融合后的监测数据判断实时数据是否存在异常,当判定数据出现异常情况时,进行报警。
7.根据权利要求3所述的一种基于数字化平台的农业设备智能管理***,其特征在于:所述调整更新模块包括异常分析单元、分布调整单元和数据更新单元;
所述异常分析单元用于根据异常预警的报警信息对异常情况进行溯源;
所述分布调整单元用于根据异常分析结果对需要更换、维护的传感器进行标记,根据用户需求判断是否对目标区域内的传感器分布进行调整;
所述数据更新单元用于对调整后的传感器布置进行更新;
所述***还包括:终端显示模块,用于对实时监测数据进行可视化显示,对异常情况进行预警提示,并向用户终端提供对应的异常处理方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310304800.1A CN116308293B (zh) | 2023-03-27 | 2023-03-27 | 一种基于数字化平台的农业设备智能管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310304800.1A CN116308293B (zh) | 2023-03-27 | 2023-03-27 | 一种基于数字化平台的农业设备智能管理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308293A CN116308293A (zh) | 2023-06-23 |
CN116308293B true CN116308293B (zh) | 2023-12-15 |
Family
ID=86834097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310304800.1A Active CN116308293B (zh) | 2023-03-27 | 2023-03-27 | 一种基于数字化平台的农业设备智能管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308293B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071126A (zh) * | 2024-04-25 | 2024-05-24 | 河北圣嘉智慧电子科技有限公司 | 基于数字化农业综合执法平台技术的智慧协同方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679977A (zh) * | 2012-06-20 | 2012-09-19 | 南京航空航天大学 | 基于惯性网络的分布式导航装置及其信息融合方法 |
CN106170020A (zh) * | 2016-08-19 | 2016-11-30 | 北海市蕴芯电子科技有限公司 | 一种基于物联网的智能农业监测*** |
CN108012640A (zh) * | 2017-11-29 | 2018-05-11 | 上海华维节水灌溉股份有限公司 | 一种基于作物环境协同反馈的灌溉施肥*** |
CN108881423A (zh) * | 2018-06-07 | 2018-11-23 | 吉林师范大学 | 一种基于物联网的智慧农业种植*** |
CN109151757A (zh) * | 2018-09-26 | 2019-01-04 | 东莞青柳新材料有限公司 | 一种农田土壤质量实时管控*** |
CN110619457A (zh) * | 2019-08-29 | 2019-12-27 | 武汉理工大学 | 一种基于安全态势评估的监测传感器布设方法及*** |
CN111854847A (zh) * | 2020-08-12 | 2020-10-30 | 中国科学院城市环境研究所 | 基于景感生态学的生态环境物联网监测方法及*** |
CN111964719A (zh) * | 2020-08-11 | 2020-11-20 | 成都大象分形智能科技有限公司 | 基于人工智能的农业传感器作物精准营养***及方法 |
AU2020103340A4 (en) * | 2020-11-10 | 2021-01-21 | Guizhou Provincial Center For Disease Control And Prevention | A Physical and Chemical Data Analysis System for Food Safety Risk Monitoring |
CN113406899A (zh) * | 2021-06-09 | 2021-09-17 | 李仲先 | 一种基于物联网的智能农业监测*** |
CN113919964A (zh) * | 2021-12-14 | 2022-01-11 | 西安航天自动化股份有限公司 | 一种基于bim的智慧农业大棚管理***及方法 |
CN114003771A (zh) * | 2021-09-17 | 2022-02-01 | 中通服和信科技有限公司 | 基于物联网的特殊作业现场异常预警分析***及方法 |
CN114092776A (zh) * | 2021-11-19 | 2022-02-25 | 宜宾学院 | 应用于智慧农业的多传感器数据融合方法 |
WO2023004881A1 (zh) * | 2021-07-28 | 2023-02-02 | 深圳市爱云信息科技有限公司 | 智慧农业aiot分布式大数据存储平台 |
-
2023
- 2023-03-27 CN CN202310304800.1A patent/CN116308293B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679977A (zh) * | 2012-06-20 | 2012-09-19 | 南京航空航天大学 | 基于惯性网络的分布式导航装置及其信息融合方法 |
CN106170020A (zh) * | 2016-08-19 | 2016-11-30 | 北海市蕴芯电子科技有限公司 | 一种基于物联网的智能农业监测*** |
CN108012640A (zh) * | 2017-11-29 | 2018-05-11 | 上海华维节水灌溉股份有限公司 | 一种基于作物环境协同反馈的灌溉施肥*** |
CN108881423A (zh) * | 2018-06-07 | 2018-11-23 | 吉林师范大学 | 一种基于物联网的智慧农业种植*** |
CN109151757A (zh) * | 2018-09-26 | 2019-01-04 | 东莞青柳新材料有限公司 | 一种农田土壤质量实时管控*** |
CN110619457A (zh) * | 2019-08-29 | 2019-12-27 | 武汉理工大学 | 一种基于安全态势评估的监测传感器布设方法及*** |
CN111964719A (zh) * | 2020-08-11 | 2020-11-20 | 成都大象分形智能科技有限公司 | 基于人工智能的农业传感器作物精准营养***及方法 |
CN111854847A (zh) * | 2020-08-12 | 2020-10-30 | 中国科学院城市环境研究所 | 基于景感生态学的生态环境物联网监测方法及*** |
AU2020103340A4 (en) * | 2020-11-10 | 2021-01-21 | Guizhou Provincial Center For Disease Control And Prevention | A Physical and Chemical Data Analysis System for Food Safety Risk Monitoring |
CN113406899A (zh) * | 2021-06-09 | 2021-09-17 | 李仲先 | 一种基于物联网的智能农业监测*** |
WO2023004881A1 (zh) * | 2021-07-28 | 2023-02-02 | 深圳市爱云信息科技有限公司 | 智慧农业aiot分布式大数据存储平台 |
CN114003771A (zh) * | 2021-09-17 | 2022-02-01 | 中通服和信科技有限公司 | 基于物联网的特殊作业现场异常预警分析***及方法 |
WO2023040575A1 (zh) * | 2021-09-17 | 2023-03-23 | 中通服和信科技有限公司 | 基于物联网的特殊作业现场异常预警分析***及方法 |
CN114092776A (zh) * | 2021-11-19 | 2022-02-25 | 宜宾学院 | 应用于智慧农业的多传感器数据融合方法 |
CN113919964A (zh) * | 2021-12-14 | 2022-01-11 | 西安航天自动化股份有限公司 | 一种基于bim的智慧农业大棚管理***及方法 |
Non-Patent Citations (2)
Title |
---|
ACA可控水肥综合利用模式;李银华;《农业工程技术》;26-28 * |
基于联邦滤波的异质异步多传感器组合导航算法;姚晓涵;《航天控制》;27-31,38 * |
Also Published As
Publication number | Publication date |
---|---|
CN116308293A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113325153A (zh) | 水质多参数监测综合信息管理*** | |
CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及*** | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN116308293B (zh) | 一种基于数字化平台的农业设备智能管理***及方法 | |
CN115865992B (zh) | 一种智慧水利在线监测*** | |
CN114518143A (zh) | 一种智能环境感知*** | |
CN109541022A (zh) | 一种桥梁结构裂缝健康监测分析方法 | |
CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及*** | |
CN117932501B (zh) | 一种电能表运行状态管理方法和*** | |
CN112906288A (zh) | 基于正常样本数据的开关柜状态评估方法 | |
CN117553840A (zh) | 一种基于智能化管理的仪表及其*** | |
CN110455370B (zh) | 防汛抗旱远程遥测显示*** | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN116976862A (zh) | 一种工厂设备信息化管理***及方法 | |
KR20210137435A (ko) | 산업 환경에서 에너지 소비를 평가하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及*** | |
CN116127324A (zh) | 不间断电源内部关键部件的故障检测方法和装置 | |
CN115374572B (zh) | 一种工艺平稳度分析***及方法 | |
CN117952328B (zh) | 一种基于数据分析的自动化测试***及方法 | |
CN117391312B (zh) | 一种智慧建筑的告警智能处理方法及*** | |
CN118131705B (zh) | 一种折弯设备折弯速度监测控制*** | |
CN116823215B (zh) | 一种用于电站的智慧运维管控方法及*** | |
CN118280070A (zh) | 基于人工智能地质灾害监测预测预警方法 |
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 |