System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及农业生产,更具体地,涉及一种基于人工智能的温室设备故障诊断方法及系统。
技术介绍
1、目前,温室作为设施农业的一种重要表现形式,能够利用环境控制系统调节温室内空气温度、湿度、光照等多种环境因子,满足不同气候条件下温室作物的生长需求,有效提高了作物的产量和品质。
2、然而,当环境调控设备控制失效时,温室环境长时间无法调节,恶劣的环境会对作物的生长和发育造成不可逆转的损伤。为了及时发现设备工作异常情况,现有技术是在温室环境控制系统中增加现场设备监测模块,利用监测模块来监视设备工作状态,但此方法仅限于监视。当远程调控环境出现故障时,因缺少对现场设备的故障分析,导致无法及时掌握设备故障类型,并在最短时间内做出应对。
技术实现思路
1、本专利技术的一个目的是提供一种基于人工智能的温室设备故障诊断方法及系统的新技术方案,至少能够解决现有技术中因对现场设备缺少故障分析,导致无法及时掌握设备故障类型等问题。
2、本专利技术的第一方面,提供了一种基于人工智能的温室设备故障诊断方法,包括:
3、s1、采集预定时间段内的数据信息;所述数据信息包括:温室内外的环境因子数据、设备运行操作数据和作物生理生态数据;
4、s2、对所有数据信息进行清洗处理,将处理后的样本数据集划分为训练集和测试集;
5、s3、利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模
6、s4、基于图像数据的所述训练集和所述测试集,利用基于注意力机制的所述深度学习方法构建设备开启工作状态和关闭工作状态的图像分类模型。
7、s5、实时采集温室内外的所述环境因子数据、所述设备运行操作数据和所述作物生理生态数据,将实时数据输入所述预测模型以获得作物叶片温度和叶片湿度未来值;
8、s6、温室内环境调控设备执行操作后,通过比较作物叶片温湿度的真实值与预测值,以及检查设备当前运行状态数值数据,确定设备工作故障类型。
9、可选地,所述基于人工智能的温室设备故障诊断方法,还包括:
10、利用摄像头采集的当前设备工作状态图像和图像分类模型,识别当前设备的工作状态,并根据识别结果确定设备工作故障类型。
11、可选地,将处理后的样本数据集划分为训练集和测试集的步骤包括:
12、根据季节变化将所述样本数据集划分为冬天、夏天和春秋三种数据集类型;
13、针对每种类型分别划分所述训练集和所述测试集。
14、可选地,利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模型的步骤包括:
15、采用卷积神经网络算法获取输入数据的特征重要性;
16、筛选能够表征作物叶片温度和叶片湿度的主要特征因子。
17、可选地,利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模型的步骤还包括:
18、采用萤火虫算法优化基于注意力机制的深度学习方法模型的超参数,所述超参数包括:编码器层数、自注意力机制头数、批量大小和学习率;
19、选择训练样本集,构建基于所述萤火虫算法和基于注意力机制的深度学习模型的时序预测模型。
20、可选地,基于注意力机制的深度学习方法的整个网络结构包括注意力机制和前馈神经网络,所述深度学习模型包括位置编码、编码器和线性变换,所述位置编码的公式为:
21、
22、其中,pe表示所述位置编码,pos为数据所在输入序列中的位置索引;dml为输入序列的维度;i为向量的某一维度。
23、可选地,所述编码器基于自注意力机制,所述自注意力机制通过缩放点积注意力计算特征矩阵的注意力值,所述注意力值的计算公式为:
24、
25、q=xwq,k=xwk,v=xwv
26、其中,q为查询矩阵;k为键值矩阵;v为值矩阵;dk为矩阵q和k的维度,x表示输入序列,w分别表示注意力头中q的权重矩阵、k的权重矩阵和v的权重矩阵。
27、可选地,所述自注意力机制包括多头注意力机制,所述多头注意力机制由多组缩放点积注意力构成的,所述多组缩放点积注意力的计算公式为:
28、multihead(q,k,v)=concat(head1,head2,...,headh)·w
29、headi=attention(qi,ki,vi)
30、其中,q为查询矩阵;k为键值矩阵;v为值矩阵;headi表示第i组缩放点积注意力,w分别表示注意力头中q的权重矩阵、k的权重矩阵和v的权重矩阵。
31、可选地,采用萤火虫算法优化基于注意力机制的深度学习方法模型的超参数的步骤包括:
32、初始化萤火虫算法的初始数据,所述初始数据包括萤火虫种群规模、吸引度和最大迭代次数;
33、将所述深度学习模型的超参数转化为萤火虫的位置坐标,根据适应度函数计算萤火虫个体的亮度,更新萤火虫的位置,并循环上述流程;
34、当达到最大迭代次数时,得到所述深度学习模型的编码器层数、自注意力机制头数、批量大小和学习率的最优值。
35、本专利技术的第二方面,提供一种基于人工智能的温室设备故障诊断系统,应用于上述实施例中所述的基于人工智能的温室设备故障诊断方法,所述温室设备故障诊断系统包括:数据采集模块、云平台服务模块和报警模块,其中,所述云平台服务模块包括:数据存储与处理模块、智能预测与识别模块和设备故障诊断模块;
36、所述数据采集模块用于采集预定时间段内的数据信息;所述数据信息包括:温室内外的环境因子数据、设备运行操作数据和作物生理生态数据;并且实时采集温室内外的所述环境因子数据、所述设备运行操作数据和所述作物生理生态数据,将实时数据输入所述预测模型以获得作物叶片温度和叶片湿度未来值;
37、所述云平台服务模块用于无线传输、大数据技术存储和清洗采集的海量数据,通过数据预测方法和图像识别技术,实时监测环境调控设备工作状态,并针对工作异常情况精准定位故障类型;
38、智能预测与识别模块,所述智能预测与识别模块用于利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模型;并且基于图像数据的所述训练集和所述测试集,利用基于注意力机制的所述深度学习方法构建设备开启工作状态和关闭工作状态的图像分类模型。
39、设备故障诊断模块,所述设备故障诊断模块用于温室内环境调控设备执行操作后,通过比较作物叶片温湿度的真实值与预测值,以及检查设备当前运行状态数值数据,确定设备工作故障类型。
40、本专利技术的基于本文档来自技高网...
【技术保护点】
1.一种基于人工智能的温室设备故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于人工智能的温室设备故障诊断方法,其特征在于,还包括:
3.根据权利要求1所述的基于人工智能的温室设备故障诊断方法,其特征在于,将处理后的样本数据集划分为训练集和测试集的步骤包括:
4.根据权利要求1所述的基于人工智能的温室设备故障诊断方法,其特征在于,利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模型的步骤包括:
5.根据权利要求4所述的基于人工智能的温室设备故障诊断方法,其特征在于,利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模型的步骤还包括:
6.根据权利要求5所述的基于人工智能的温室设备故障诊断方法,其特征在于,基于注意力机制的深度学习方法的整个网络结构包括注意力机制和前馈神经网络,所述深度学习模型包括位置编码、编码器和线性变换,所述位置编码的公式为:<
...【技术特征摘要】
1.一种基于人工智能的温室设备故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于人工智能的温室设备故障诊断方法,其特征在于,还包括:
3.根据权利要求1所述的基于人工智能的温室设备故障诊断方法,其特征在于,将处理后的样本数据集划分为训练集和测试集的步骤包括:
4.根据权利要求1所述的基于人工智能的温室设备故障诊断方法,其特征在于,利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模型的步骤包括:
5.根据权利要求4所述的基于人工智能的温室设备故障诊断方法,其特征在于,利用数值数据的所述训练集和所述测试集,分别基于卷积神经网络、萤火虫算法和基于注意力机制的深度学习方法构建作物叶片温度和叶片湿度的预测模型的步骤还包括:
6.根据权利要求5所述的基于人工智能的温室设备故障诊断方法,其特征在于,基于注意力机制的深度学习方法的整个网络结构包括注意力机制和前馈神经网络,所述...
【专利技术属性】
技术研发人员:毛晓娟,金晶,任妮,王宝佳,程雅文,李远,
申请(专利权)人:江苏省农业科学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。