基于云平台大数据推荐的智能烘干远程控制方法及系统技术方案

本发明专利技术提供一种基于云平台大数据推荐的智能烘干远程控制方法及系统，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MOPSO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控制。利用本发明专利技术，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。

【技术实现步骤摘要】

本专利技术涉及智能烘干
，更为具体地，涉及一种基于云平台大数据推荐的智能烘干远程控制方法及系统。
技术介绍
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(globalfeedforwardlocalrecurrent，典型的局部回归网络)对于非线性系统的建模精度高，非常适合动态烘干模型的建立。利用MOPSO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。
技术实现思路
鉴于上述问题，本专利技术的目的是提供一种基于云平台大数据推荐的智能烘干远程控制方法及系统，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。本专利技术提供一种基于云平台大数据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MOPSO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MOPSO算法对所述动态烘干模型进行优化包括以下步骤：S31：评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换；S32：初始化系统参数，包括种群规模R，最大迭代次数T，随机生成n个粒子x1,x2，…,xn，加速因子c1、c2，其中c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，令外部存档集Q为空；S33：计算初始适应度，衡量粒子在当前位置的优化程度；S34：将每个粒子当前适应度pi和个体最优适应度进行比较，若当前适应度pi支配个体最优适应度则将当前适应度pi代替个体最优适应度否则，保留原有的个体最优适应度S35：更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒子；S36：利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；S37更新粒子自身的速度和位置，其中粒子速度更新公式为：粒子的位置更新公式为：S38：判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T；如果是，则输出当前全局最优解；否则，跳转至步骤S33进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T。此外，优选的方案是，在步骤S4中，在移动终端上打所述开用户界面，所述用户界面显示产品简要信息包括烘干房图像和当前烘干进度，在所述用户界面设置产品的理想烘干度、均匀度、总耗时和总能耗，并由所述云服务器推荐烘干方案。本专利技术还提供一种基于云平台大数据推荐的智能烘干远程控制系统，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MOPSO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本文档来自技高网...

【技术保护点】
一种基于云平台大数据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MOPSO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。

【技术特征摘要】
1.一种基于云平台大数据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MOPSO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所述的基于云平台大数据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所述的基于云平台大数据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所述的基于云平台大数据推荐的智能烘干远程控制方法，其特征在于，步骤S3中利用MOPSO算法对所述动态烘干模型进行优化包括以下步骤：S31：评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换；S32：初始化系统参数，包括种群规模R，最大迭代次数T，随机生成n个粒子x1,x2，…,xn，加速因子c1、c2，其中c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，令外部存档集Q为空；S33：计算初始适应度，衡量粒子在当前位置的优化程度；S34：将每个粒子当前适应度pi和个体最优适应度进行比较，若当前适应度pi支配个体最优适应度则将当前适应度pi代替个体最优适应度否则，保留原有的个体最优适应度S35：更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒子；S36：利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；S37更新粒子自身的速度和位置，其中粒子速度更新公式为：vidk+1=h[w·vidk+c1r1(pidk-xidk)+c2r2(pgdk-xidk)];]]>粒子的位置更新公式为：xidk+1=xidk+vidk+1;]]>S38：判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T；如果是，则输出当前全局最优解；否则，跳转至步骤S33进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T。5.根据权利要求1所述的一种基于云平台大数据推荐的智能烘干远程控制方法，其特征在于，在步骤S4中，在移动终端上打所述开用户界面，所述用户界面显示产品简要信息包括烘干房图像和当前烘干进度，在所述用户界面设置产品的理想烘干度、均匀度、总耗时和总能耗，并由所述云服务器推荐烘干方案。6.一种基于云平台大数据推荐的智能烘干远程控制系统，其特征在于，包括：...

【专利技术属性】
技术研发人员：李太福，刘怀旭，李燕梅，舒清录，司飙，任连城，杜明华，任君坪，苟鑫华，袁力，
申请(专利权)人：重庆科技学院，滇西科技师范学院，
类型：发明
国别省市：重庆;50