[0033] 下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
[0034] 如图1所示的一种组合式发酵堆温湿度传感器,整体为针状,从上到下依次为主控制盒、连接杆、检测杆模块和尖头9,主控制盒下端通过航空插头10与连接杆上端连接,连接杆下端通过航空插头10与检测杆模块上端连接,检测杆模块下端通过航空插头10与尖头9连接。尖头9用于减少杆体插入时所受阻力。如图2所示,检测杆模块内部设置湿度补偿控制器11,检测杆模块外部凹槽12内设置环形传感器探头8,通过凹槽内导线连接湿度补偿控制器11,环形传感器探头8实时采集发酵堆温度、湿度值,并将数据传输给湿度补偿控制器11,进行湿度补偿。
[0035] 主控制盒顶部设置显示屏1,内部设有微控制器2和供电电源5,侧部设有数据接口3,用于与外部进行通信,微控制器2与显示屏1、数据接口3以及供电电源5连接,供电电源5上设置有电源充电接口4,用于给供电电源5充电。微控制器2还通过连接杆内部的通信总线
6和电源线与湿度补偿控制器11连接。
[0036] 如图3所示,环形传感器探头8由陶瓷温敏探头13、柔性PCB板14、高分子薄膜电容15组成,高分子薄膜电容15包括上、中、下三个电容极板,上、下两个极板作为电容一端,中间极板作为电容另一端;高分子薄膜电容15嵌在柔性PCB板14内部,并涂上具有防腐蚀效用的衬聚四氟乙烯涂层,作为湿敏探头;陶瓷温敏探头13嵌在柔性PCB板14内部,陶瓷温敏探头13由测温芯片嵌入导热陶瓷片构成,测温芯片可选取DS18B20数字芯片。湿度补偿控制器
11通过内部的AD采集功能读取湿度探头采集的发酵堆湿度模拟信号,以及温度探头的采集的发酵堆温度数字信号。
[0037] 连接杆和检测杆模块的组合根据实际需求进行增加,此时,每个检测杆模块都设有特定的ID号,各自独立进行信号采集、湿度补偿工作,微控制器2通过发送ID请求信号后,检测杆模块中的湿度补偿控制器11接收请求信号,将湿度补偿后的数据传输给微控制器2,获取每一层温湿度数据后通过显示屏1进行输出显示。微控制器2与湿度补偿控制器11的通信协议采用两线制通信协议,通过航空插头10的其中两根插针进行数据传递。
[0038] 一种组合式发酵堆温湿度传感器的工作原理为:每一层检测杆模块上的环形传感器探头8获取发酵堆温度的数字信号以及发酵堆湿度的模拟信号,湿度补偿控制器11对信号进行采样,并利用获取的温度值对采样湿度进行补偿,微控制器2发出ID请求信号后,湿度补偿控制器11通过通信总线上传数据,完成整个检测过程。
[0039] 上述湿度补偿的方法具体为:
[0040] 步骤一:建立预测湿度与温度的关系模型。
[0041] 环形传感器探头8采集发酵堆温湿度数据,选取数量为m的数据样本集合{xi,yi},其中xi为温度,yi为湿度,构造凸二次规划问题:
[0042]
[0043] 其中:
[0044]
[0045] 径向函数取为:
[0046] K(xi,xj)=exp(‑|xi‑xj|2/2δ2) (3)
[0047] 温度数据方差:
[0048]
[0049] 在(2)式的约束条件下,使(1)式取到最小值,计算出系数αi,将这组αi记为α*:
[0050]
[0051] 构造决策函数:
[0052]
[0053] 其中,常数
[0054] 由此得预测湿度f(x)与温度xi的关系模型为:
[0055]
[0056] 在环形传感器探头8测量时,首先保存一组实时测得的湿度值与温度值,获取温湿度的变化趋势,把该变化趋势和式f(x)的变化趋势进行匹配,找到两者变化趋势相同的部分,将公式(7)沿纵坐标平移到实时采集的温湿度值处,得到矫正后的预测公式fpred1(x)。
[0057] 步骤二:堆肥湿度与深度在四个时期(升温、高温、降温、后熟)均存在着一定的线性关系,对应不同时期分别选取四组深度与湿度的样本数据集合,再通过线性拟合得到湿度关于深度的变化趋势及斜率Ki,之后通过多个检测杆模块实时测得的若干组发酵堆湿度数据及其深度数据,以深度横坐标、湿度为纵坐标,计算湿度与深度之间关系的斜率,对四个时期的Ki值进行匹配,由计算得到的斜率与Ki进行比对,找到与计算的斜率最接近的Ki值,确定Ki值后对线性模型y=Kid+bi进行最小二乘估算解出参数b,得到预测湿度与深度的关系模型:
[0058]
[0059] 步骤三:建立预测湿度与时间的关系模型。
[0060] 堆肥湿度随时间变化满足二次动力学方程:
[0061] MC=A1t2+A2t+MC0 (9)
[0062] 通过实时采集到的湿度值与堆肥发酵时间作为样本集合(ti,yi),求解出二次动力学方程的参数A1、A2、MC0,得到预测湿度与时间的关系模型为:
[0063] fpred3(t)=A1t2+A2t+MC0 (10)
[0064] 步骤四:将三种预测湿度模型进行融合。
[0065] 将式(7)作为基模型mode1、式(8)作为mode2、式(10)作为mode3,采用集成学习stacking算法进行融合运算;在融合前,为了避免过拟合,先对每个模型进行K折交叉验证,取模型输出值aij(即预测湿度)为训练集进行K折交叉验证得到fpred1为例:
[0066]
[0067] 将其划分为K个部分,将每一个部分单独提出用来训练其余部分的训练集:
[0068]
[0069] 轮番计算K次后,将预测得到的K个预测集进行拼接得到:
[0070]
[0071] 每一次训练,直接对测试集进行预测运算,这样K折交叉验证后相当于预测了K次,然后将K次预测结果求平均得到test1,K次预测结果为:
[0072]
[0073] 对于fpred2、test2和fpred3、test3,重复同样的过程即可。
[0074] 将三种模型的fpred1、fpred2、fpred3以及test1、test2、test3合并,得到新的训练集和测试集:
[0075]
[0076] 再对合并后的训练集和预测集进行训练并做综合预测,输出最终湿度预测结果:
[0077]
[0078] 所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。