基于云平台大数据推荐的智能烘干远程控制方法及系统.pdf

本发明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，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。

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W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间的随
机值；
S22：随机输入样本X_k；
S23：对输入样本X_k，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d_k和实际输出Y_k(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X_k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，X_k＝[x_k1,x_k2,…,x_kM] (k＝1,2,…,S)为输入矢量；
S为训练样本个数；
W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量；
W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量；
W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量；
Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)] (k＝1,2,…,S)为第g次迭代时网络的实际输出；
d_k＝[d_k1,d_k2,…,d_kP] (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，…,x_n，
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p_i和个体最优适应度进行比较，若当前适应度p_i支配个
体最优适应度则将当前适应度p_i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：
$v_{id}^{k+1}=h\[w\·v_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)\];$
粒子的位置更新公式为：
$x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1};$
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：
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。
7.如权利要求6所述的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，
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。
8.如权利要求6所述的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，
所述动态烘干模型建立单元在建立动态烘干模型的过程中：
S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间的随
机值；
S22：随机输入样本X_k；
S23：对输入样本X_k，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d_k和实际输出Y_k(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X_k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，X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入矢量；
S为训练样本个数；
W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量；
W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量；
W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量；
Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)] (k＝1,2,…,S)为第g次迭代时网络的实际输出；
d_k＝[d_k1,d_k2,…,d_kP] (k＝1,2,…,S)为期望输出。
9.如权利要求6所述的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，
所述最优解获取单元在利用MOPSO算法对所述动态烘干模型进行优化的过程中：
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，…,x_n，
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p_i和个体最优适应度进行比较，若当前适应度p_i支配个
体最优适应度则将当前适应度p_i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：
$v_{id}^{k+1}=h\[w\·v_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)\];$
粒子的位置更新公式为：
$x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1};$
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。
10.根据权利要求6所述的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，
所述推荐决策远程控制单元，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。

基于云平台大数据推荐的智能烘干远程控制方法及系统

技术领域

本发明涉及智能烘干技术领域，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。

背景技术

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(global feed for ward local recurrent，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。

发明内容

鉴于上述问题，本发明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。

本发明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W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间
的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，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d_k和实际输出Y_k(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X_k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，X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入矢量；

S为训练样本个数；

W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量；

W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量；

W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量；

Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输
出；

d_k＝[d_k1,d_k2,…,d_kP](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，…,x_n，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p_i和个体最优适应度进行比较，若当前适应度p_i支
配个体最优适应度则将当前适应度p_i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。

本发明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的过程中：

S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间
的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，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d_k和实际输出Y_k(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X_k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，X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入矢量；

S为训练样本个数；

W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量；

W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量；

W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量；

Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输
出；

d_k＝[d_k1,d_k2,…,d_kP](k＝1,2,…,S)为期望输出。

此外，优选的方案是，所述最优解获取单元在利用MOPSO算法对所述动态烘干模型
进行优化的过程中：

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，…,x_n，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p_i和个体最优适应度进行比较，若当前适应度p_i支
配个体最优适应度则将当前适应度p_i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，推荐决策远程控制单元，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。

从上面的技术方案可知，本发明提供的基于云平台大数据推荐的智能烘干远程控
制方法及系统，建立一套全面的动态模型，确定烘干房的当前最优环境参数，并将烘干房实
时参数、产品烘干进度反馈给用户，使得用户随时随地都能了解产品实时状况，让用户能及
时对烘干方案做出调整，实现远程控制。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特
征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅
是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以
及它们的等同物。

附图说明

通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它
目的及结果将更加明白及易于理解。在附图中：

图1为根据本发明实施例的基于云平台大数据推荐的智能烘干远程控制方法流程
示意图；

图2为根据本发明实施例的基于云平台大数据推荐的智能烘干远程控制方法框架
图；

图3为根据本发明实施例的用户界面示意图；

图4为根据本发明实施例的烘干度预测结果图；

图5为根据本发明实施例的烘干度预测误差图

图6为根据本发明实施例的均匀度预测结果图；

图7为根据本发明实施例的均匀度预测误差图；

图8为根据本发明实施例的总耗时预测结果图；

图9为根据本发明实施例的总耗时预测误差图；

图10为根据本发明实施例的总耗能预测能耗图；

图11为根据本发明实施例的总耗能预测误差图；

图12为根据本发明实施例的基于云平台大数据推荐的智能烘干远程控制系统逻
辑结构框图。

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐
述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。

以下将结合附图对本发明的具体实施例进行详细描述。

为了说明本发明提供的基于云平台大数据推荐的智能烘干远程控制方法，图1示
出了根据本发明实施例的基于云平台大数据推荐的智能烘干远程控制方法流程。

如图1所示，本发明提供的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。

图2示出了基于云平台大数据推荐的智能烘干远程控制方法逻辑结构，在图1和图
2共同所示的实施例中，展示了基于云平台大数据推荐的智能烘干远程控制方法基体过程。
首先，利用传感器等硬件采集待烘干原料湿度、烘干房室内外温度与湿度曲线、烘干时间
等，然后将采集到的数据上传至云服务器进行存储，利用MOPSO算法建立动态烘干模型，得
到各决策变量的一组最优值，并将这组最优解作为推荐决策下发至用户的PC或APP终端，最
后用户可根据推荐策略和自身经验决定烘干房设备的参数设置，实现远程控制。

具体地，在步骤S1中，包括传感器、采用电路和视频模块，其中，传感器模块，用于
采集烘干房的环境指标，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。

故在步骤S1中，利用传感器等硬件采集待烘干原料湿度、烘干房室内外温度与湿
度曲线、烘干时间，并构成影响因素矩阵X上传至云服务器，其中决策变量为室内温度曲线、
湿度曲线、烘干时间。

通过对烟草烘干的数据进行统计得到对烘干度y₁、均匀度y₂、总耗时y₃、总耗能y₄、
影响最大的变量为：采集待烘干原料湿度x₁、室外温度x₂、室外湿度x₃、室内温度向量x₄、室
内湿度向量x₅、烘干时间x₆共6变量。

在步骤S2中，结合专家经验采集在不同决策变量影响下的产品烘干度、均匀度、总
耗时、能耗样本为指标矩阵Y，利用Elman神经网络进行训练、检验，建立动态烘干模型；

设置X_k＝[x_k1,x_k2,…,x_kM] (k＝1,2,…,S)为输入矢量，N为训练样本个数，

其中，W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量；W_JP(g)为第g次迭代
时隐层J与输出层P之间的权值矢量；W_JC(g)为第g次迭代时隐层J 与承接层C之间的权值矢
量；Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出；d_k＝
[d_k1,d_k2,…,d_kP](k＝1,2,…,S)为期望输出，迭代次数g取500。

步骤S2中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W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间
的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，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d_k和实际输出Y_k(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X_k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，计算公式为：ΔW_ij＝η·δ_ij·a_j，W_ij(g+1)
＝W_ij(g)+ΔW_ij(g)，式中，η为学习效率；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。

在神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是神
经网络设计中的难点，这里采用试凑法来确定隐层的节点数。

表1神经网络设置参数

表1神经网络设置参数

通过上述过程，可得到Elman神经网络预测效果如图4-11所示。智能烘干的基础是
模型的建立，模型精度直接影响输出结果。通过对图4-11分析可知，烘干度最大测误误差为
2.0％，均匀度最大预测误差为2.9％，总耗时最大预测误差为-3.3％，总耗能最大预测误差
为-3.8％模型预测精度高，满足建模要求。

在步骤S3中利用MOPSO算法对动态烘干模型进行优化的具体方法包括以下步骤：

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，…,x_n，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p_i和个体最优适应度进行比较，若当前适应度p_i支
配个体最优适应度则将当前适应度p_i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。

传感器每0.5小时采集一次数据上传至云服务器，云服务器接数据并通过模型给
出当前推荐温度、相对湿度、烘干时间分别为65℃、30％、18h。

在步骤S4中，实时数据是指烘干房的温湿度环境与原材料湿度。用户可以在移动
终端上打开智能烘干界面，界面显示产品简要信息包括烘干房图像、当前烘干进度等，用户
可在界面设置产品的理想烘干度、均匀度、总耗时、能耗，由云服务器下发推荐烘干方案。

其中，需要说明的是，本发明采用的智能化算法的，核心是MOPSO算法，MOPSO算法
的处理对象是大数据；大数据是存储在云平台的，计算是在云平台完成的；数据是通过智能
硬件(传感器、摄像头等)采集的，再通过物联网传到云平台的。

与上述方法相对应，本发明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，图12示出了根据本发明实施例的基于云平台大数据推荐的智能烘干远程控制系统
逻辑结构。

如图12所示，本发明提供的基于云平台大数据推荐的智能烘干远程控制系统1200
包括影响因素矩阵构成单元1210、动态烘干模型建立单元1220、最优解获取单元1230和推
荐决策远程控制单元1240。

其中，影响因素矩阵构成单元1210，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1220，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1230，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1240，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。

其中，影响因素矩阵构成单元1210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。

其中，动态烘干模型建立单元1220在建立动态烘干模型的过程中：

S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间
的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，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d_k和实际输出Y_k(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X_k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，X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入矢量；

S为训练样本个数；

W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量；

W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量；

W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量；

Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输
出；

d_k＝[d_k1,d_k2,…,d_kP](k＝1,2,…,S)为期望输出。

其中，最优解获取单元1230在利用MOPSO算法对所述动态烘干模型进行优化的过
程中：

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，…,x_n，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p_i和个体最优适应度进行比较，若当前适应度p_i支
配个体最优适应度则将当前适应度p_i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。

其中，述推荐决策远程控制单元1240，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。

通过上述实施方式可以看出，本发明提供的基于云平台大数据推荐的智能烘干远
程控制方法及系统，建立一套全面的动态模型，确定烘干房的当前最优环境参数，并将烘干
房实时参数、产品烘干进度反馈给用户，使得用户随时随地都能了解产品实时状况，让用户
能及时对烘干方案做出调整，实现远程控制。

如上参照附图以示例的方式描述了根据本发明提出的基于云平台大数据推荐的
智能烘干远程控制方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的
基于云平台大数据推荐的智能烘干远程控制方法及系统，还可以在不脱离本发明内容的基
础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。