【技术实现步骤摘要】
本专利技术涉及温度智能化检测及参数监控物联网装置的自动化装备，具体涉及一种温度智能检测方法及物联网装置。
技术介绍
1、在工农业生产很多场合需要实现智能化多点温度智能检测和参数监控，传统的温度检测方法存在现场布线复杂、无法实现现场与远程监视相结合和多点温度测量精确度不高等问题，没有根据被检测对象的多点温度之间强耦合、强干扰、大滞后、非线性的不确定对多点温度检测的精确度低的问题，因而需要设计一种远程多点温度检测及其参数监控物联网装置，该装置实现多点温度检测及其参数监控和远程数据传输功能。
2、在进行多点温度检测与参数监控时可以布置若干个参数采集终端，每个参数终端采集数据后，通过无线模块发送到中心节点，中心节点接收参数采集终端数据。由于lora模块因具备低功耗、远距离和可靠性高的优势而得到广泛应用，采用lora模块进行多点参数采集，中心节点的lora模块与各个参数采集终端的lora模块可采用透明传输模式，当中心节点的lora模块接收到单片机，单片机通过wifi模块连接阿里云物联网平台实现数据的远程访问，用户在远程监控端和手机app端可以实现智能化温度检测方法和远程监控参数采集和其他预警等监控功能。一种温度智能检测方法及参数监控物联网装置实现了多点参数采集与智能化温度检测方法和远程数据传输，数据传输完整及时，具有较好的实用性。
技术实现思路
1、专利技术目的：针对
技术介绍
中指出的问题，本专利技术公开了一种温度智能检测方法及物联网装置，将温度、湿度和风速检测数据通过经验模态分解
2、技术方案：本专利技术公开一种温度智能检测方法，包括如下步骤：
3、步骤1：构建温度检测模块，温度检测模块包括温度经验模态分解模型、湿度经验模态分解模型、风速经验模态分解模型、tcn-bilstm神经网络模型1～tcn-bilstm神经网络模型n、gcn-bilstm神经网络模型1～gcn-bilstm神经网络模型3和narx神经网络模型-hrfnn递归模糊神经网络模型；温度检测模块结构与功能见图1所示。
4、温度、湿度、风速传感器输出后经过温度经验模态分解模型、湿度经验模态分解模型、风速经验模态分解模型得到分解信号，各自的分解信号均经过对应的tcn-bilstm神经网络模型后输入至对应的gcn-bilstm神经网络模型，经过narx神经网络模型-hrfnn递归模糊神经网络模型校准输出；
5、步骤2：构建温度检测系统，温度检测系统包括模糊c均值聚类器、所述温度检测模块、gcn-bilstm神经网络模型4、elman神经网络模型、tcn-bilstm神经网络模型a、tcn-bilstm神经网络模型b、tcn-bilstm神经网络模型c、narx神经网模型-pid控制器和narx神经网络模型-bilstm神经网络模型；温度检测系统结构与功能见图2所示。
6、参数传感器组包括温度传感器、湿度传感器和风速传感器，多个参数传感器组采集的数据作为模糊c均值聚类器输入，模糊c均值聚类器输出的多组参数传感器组数据分别作为对应的温度检测模块输入，多个温度检测模块输出作为gcn-bilstm神经网络模型4的对应输入，gcn-bilstm神经网络模型4输出分别作为elman神经网络模型的对应输入和narx神经网络模型-bilstm神经网络模型的对应输入，elman神经网络模型输出分别作为tcn-bilstm神经网络模型a输入和narx神经网络模型-bilstm神经网络模型的对应输入，elman神经网络模型输出与narx神经网络模型-bilstm神经网络模型输出的误差和误差变化率分别作为tcn-bilstm神经网络模型b输入、narx神经网模型-pid控制器输入和narx神经网络模型-bilstm神经网络模型的对应输入，narx神经网模型-pid控制器输出分别作为tcn-bilstm神经网络模型c输入和narx神经网络模型-bilstm神经网络模型的对应输入，narx神经网络模型-bilstm神经网络模型输出作为elman神经网络模型的对应输入，tcn-bilstm神经网络模型a、tcn-bilstm神经网络模型b和tcn-bilstm神经网络模型c的输出分别作为gcn-bilstm神经网络模型4的对应输入，narx神经网络模型-bilstm神经网络模型输出对象的温度预测值。
7、进一步地，温度检测模块的结构具体如下：
8、温度传感器输出作为温度经验模态分解模型输入，温度经验模态分解模型输出的低频趋势部分和多个高频波动部分分别作为其对应的tcn-bilstm神经网络模型输入，多个tcn-bilstm神经网络模型分别作为gcn-bilstm神经网络模型1输入；
9、湿度传感器输出作为湿度经验模态分解模型输入，湿度经验模态分解模型输出的低频趋势部分和多个高频波动部分分别作为对应的tcn-bilstm神经网络模型输入，多个tcn-bilstm神经网络模型分别作为gcn-bilstm神经网络模型2输入；
10、风速传感器输出作为风速经验模态分解模型输入，风速经验模态分解模型输出的低频趋势部分和多个高频波动部分分别作为对应的tcn-bilstm神经网络模型输入，多个tcn-bilstm神经网络模型分别作为gcn-bilstm神经网络模型3输入；
11、gcn-bilstm神经网络模型1、gcn-bilstm神经网络模型2和gcn-bilstm神经网络模型3分别作为narx神经网络模型-hrfnn递归模糊神经网络模型的对应输入，narx神经网络模型-hrfnn递归模糊神经网络模型输出分别作为gcn-bilstm神经网络模型1、gcn-bilstm神经网络模型2和gcn-bilstm神经网络模型3的对应输入，narx神经网络模型-hrfnn递归模糊神经网络模型输出被检测点的温度值作为温度检测模块输出。
12、进一步地，温度经验模态分解模型、湿度经验模态分解模型以及风速经验模态分解模型将存在于温度、湿度、风速历史数据信息中不同特征的趋势逐级筛选出来，将温度、湿度、风速历史数据信息分解成低频趋势部分和多个高频波动部分。
13、进一步地，所述tcn-bilstm神经网络模型为tcn时序卷积神经网络模型与bilstm神经网络模型串联，tcn时序神经网络模型学习温度、湿度、风速数据的时序特征和空间特征，bilstm神经网络模型加深温度、湿度、风速数据时序特征和空间特征的学习。
14、进一步地，所述gcn-bilstm神经网络模型是gcn图神经网络与bilstm神经网络模型串联，gcn图神经网络模型通过提取多个tcn-bilstm神经网络模型输出信息的特征数据，对所提取的数据做一系列的卷积运算，对于单个节点，从与节点相连的邻居提取信息，利用聚合函数节点特征信息与邻居特征信息进行聚合，从本文档来自技高网...
【技术保护点】
1.一种温度智能检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种温度智能检测方法，其特征在于，温度检测模块的结构具体如下：
3.根据权利要求1所述的一种温度智能检测方法，其特征在于，温度经验模态分解模型、湿度经验模态分解模型以及风速经验模态分解模型将存在于温度、湿度、风速历史数据信息中不同特征的趋势逐级筛选出来，将温度、湿度、风速历史数据信息分解成低频趋势部分和多个高频波动部分。
4.根据权利要求1所述的一种温度智能检测方法，其特征在于，所述TCN-BiLSTM神经网络模型为TCN时序卷积神经网络模型与BiLSTM神经网络模型串联，TCN时序神经网络模型学习温度、湿度、风速数据的时序特征和空间特征，BiLSTM神经网络模型加深温度、湿度、风速数据时序特征和空间特征的学习。
5.根据权利要求1所述的一种温度智能检测方法，其特征在于，所述GCN-BiLSTM神经网络模型是GCN图神经网络与BiLSTM神经网络模型串联，GCN图神经网络模型通过提取多个TCN-BiLSTM神经网络模型输出信息的特征数据，对所提取的数据做一
6.根据权利要求1所述的一种温度智能检测方法，其特征在于，NARX神经网络模型-HRFNN递归模糊神经网络模型是NARX神经网络模型与HRFNN递归模糊神经网络模型串联；
7.根据权利要求1所述的一种温度智能检测方法，其特征在于，所述NARX神经网模型-PID控制器为NARX神经网模型输出的3个值作为PID控制器的Kp、Ki和Kd，实现NARX神经网模型对PID的比例因子、积分因子和微分因子的动态调整。
8. 一种参数监控物联网装置，其特征在于，由参数采集终端、参数控制终端、中心节点、远程监控端、云平台和手机APP组成，参数采集终端、参数控制终端以及中心节点通过LoRa 通信模块通过自组织网络方式通信，通过中心节点实现参数采集终端和参数控制终端与远程监控端、云平台和手机APP之间的通信，远程监控端和云平台进行大数据监控、存储与处理，手机APP通过云平台与中心节点进行双向通信，远程监控端和手机APP实现管理人员远程监控参数采集终端和参数控制终端运行状态进行监控，所述参数采集终端、参数控制终端中部署有权利要求1至7任一所述的一种温度智能检测方法的计算机程序步骤。
...【技术特征摘要】
1.一种温度智能检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种温度智能检测方法，其特征在于，温度检测模块的结构具体如下：
3.根据权利要求1所述的一种温度智能检测方法，其特征在于，温度经验模态分解模型、湿度经验模态分解模型以及风速经验模态分解模型将存在于温度、湿度、风速历史数据信息中不同特征的趋势逐级筛选出来，将温度、湿度、风速历史数据信息分解成低频趋势部分和多个高频波动部分。
4.根据权利要求1所述的一种温度智能检测方法，其特征在于，所述tcn-bilstm神经网络模型为tcn时序卷积神经网络模型与bilstm神经网络模型串联，tcn时序神经网络模型学习温度、湿度、风速数据的时序特征和空间特征，bilstm神经网络模型加深温度、湿度、风速数据时序特征和空间特征的学习。
5.根据权利要求1所述的一种温度智能检测方法，其特征在于，所述gcn-bilstm神经网络模型是gcn图神经网络与bilstm神经网络模型串联，gcn图神经网络模型通过提取多个tcn-bilstm神经网络模型输出信息的特征数据，对所提取的数据做一系列的卷积运算，对于单个节点，从与节点相连的邻居提取信息，利用聚合函数...
【专利技术属性】
技术研发人员：周涛，丁卫红，董佳欣，丁晓红，马从国，王建国，秦小芹，李亚洲，张静，黄凤芝，金德飞，马海波，周恒瑞，李月，庄褀，
申请(专利权)人：淮阴工学院，
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。