[0031] 结合附图1‑6，对本申请技术方案作进一步描述：
[0032] 一、系统总体功能设计
[0033] 本发明一种养护室环境参数检测系统由养护室环境参数采集与控制平台和养护室环境大数据处理子系统组成，实现对养护室内外环境参数检测、预测和养护室环境参数的预警。养护室环境参数采集与控制平台包括养护室环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端APP组成，检测节点和控制节点以自组织方式构建成ZigBee监测网络来实现检测节点、控制节点和网关节点之间的ZigBee通信；检测节点将检测的养护室内外环境参数通过网关节点发送给现场监控端和云平台，网关节点、云平台实现现场监控端和移动端APP之间养护室内外环境参数和相关控制信息的双向传输。手机APP采用机智云提供的开源框架APP进行设计，只需在手机APP内集成机智云提供的APP SDK，就可以连接机智云平台并实现基于手机APP的远程检测与调控功能。云平台接入及手机APP监测与调控运行稳定，通过人为干预模拟了养护室环境温度、湿度含量异常等状况，基本可以满足养护室环境监测与调控管理的基本需求。养护室环境参数采集与控制平台结构见图1。
[0034] 二、检测节点的设计
[0035] 采用大量基于ZigBee传感器网络的检测节点1作为养护室内外环境参数感知终端，检测节点通过自组织ZigBee网络实现网关节点之间的信息相互交互。检测节点包括采集养护室内外环境湿度、温度、水分和光照度参数的传感器和对应的信号调理电路、STM32微处理器和ZigBee通信模块CC2530；检测节点的软件主要实现ZigBee通信和养护室内外环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
[0036] 三、控制节点的设计
[0037] 控制节点通过自组织ZigBee网络实现网关节点之间的信息相互交互，控制节点包括控制外部设备对应的2个数模转换电路、STM32微处理器、2个外部设备控制器和ZigBee通信模块CC2530；2个外部设备控制器分别为温度控制器和湿度控制器。控制节点结构见图4。
[0038] 四、网关节点设计
[0039] 网关节点包括CC2530模块、NB‑IoT模块、STM32单片机和RS232接口，网关节点包括CC2530模块实现与检测节点和控制节点之间的通信的自组织网络，NB‑IoT模块实现网关与云平台之间的数据双向交互，RS232接口连接现场监控端，实现网关与现场监控端之间的信息交互。网关节点结构见图5。
[0040] 五、现场监控端软件
[0041] 现场监控端是一台工业控制计算机，现场监控端主要实现对养护室内外环境参数进行采集和处理，实现与网关节点的信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和养护室环境大数据处理子系统。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图
6。养护室环境大数据处理子系统设计过程如下：
[0042] 养护室环境大数据处理子系统由粒子群算法的最小二乘支持向量机模型、减法聚类分类器、多个LSTM神经网络模型、ANFIS自适应神经模糊推理网络模型、模糊数时延神经网络模型、模糊数NARX神经网络模型、养护室环境检测模块和养护室外环境检测模块组成，养护室环境大数据处理子系统结构见图2所示。
[0043] 1、粒子群算法的最小二乘支持向量机模型设计
[0044] 养护室温度和湿度的期望值作为粒子群算法的最小二乘支持向量机模型的输入，粒子群算法的最小二乘支持向量机模型输出与养护室环境检测模块输出的差作为养护室环境评价等级差值，养护室环境评价等级差值作为减法聚类分类器的输入；最小二乘支持向量机(LS‑SVM)模型，支持向量机(support vector machines，SVM)具有较强的泛化能力和全局能力，克服了其他机器学习方法的泛化能力差、过拟合和容易陷入局部最优等缺点，最小二乘支持向量机模型(LS‑SVM)是一种对标准支持向量机的扩展，该算法采用平方和误差损失函数代替标准支持向量机的不敏感损失函数，同时实现了将标准SVM算法中的不等式约束转化为等约束。因此，LS‑SVM算法将二次规划问题化简为求解线性方程组，明显降低了求解的复杂性，提高了计算速度。设训练样本集D＝{(xi,yi)|i＝1,2,…,n}，xi和yi，分别为输入和输出样本数据，n为样本数。设置非线性函数 它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程，将带约束条件的优化问题转化为无约束条件的优化问题，可得到LS‑SVM的线性回归方程如下：
[0045]
[0046] 在求解过程中，为了避免求解复杂的非线性映射函数，引入了径向基核函数(radial basis function，RBF)替代高维空间中的点积运算，可以大大减少计算量，而且RBF核函数容易实现SVM的优化过程，因为它的每个基函数的中心与支持向量一一对应，且这些支持向量和权值都可以通过算法得到。因此，最小二乘支持向量机模型为：
[0047]
[0048] 最小二乘支持向量机模型输出是养护室环境等级值，每个中间节点对应一个支持向量，x1,x2,…xn为输入变量，αi为网络权重。
[0049] 粒子群算法的最小二乘支持向量机(LS‑SVM)模型的优化过程，在该优化算法中，2
每一个粒子代表LS‑SVM的1组参数，分别为惩罚因子C和核参数σ，粒子所对应的适应度是该组参数下算法的性能，基于粒子群算法(PSO)的LS‑SVM模型优化过程的步骤如下：
[0050] ①初始化粒子种群，设定迭代次数、粒子维数、群体规模，随机产生1组参数作为粒子初始解空间位置和初始速度；
[0051] ②用粒子对应的最小二乘支持向量机模型对测试样本进行预测，进行适应度评估。
[0052] ③对每个粒子，比较它的经历过的最好的Pbest的适应度值和群体经历过的最好位置Gbest的适应度值，若比Pbest、Gbest好，则更新Pbest、Gbest，否则保持原来的数据；
[0053] ④整个群体粒子计算后，判断是否满足终止条件，若不满足则更新粒子，产生新的粒子群，返回步骤②；如果满足最大迭代次数或结束条件，计算结束并输出计算结果。
[0054] 2、减法聚类分类器设计
[0055] 粒子群算法的最小二乘支持向量机模型输出与养护室环境检测模块输出的差作为养护室环境评价等级差值，养护室环境评价等级差值作为减法聚类分类器的输入，减法聚类分类器输出多个类型的养护室环境评价等级差值分别作为多个LSTM神经网络模型的输入；减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据养护室环境评价等级差值的样本数据密度即可快速确定养护室环境评价等级差值的聚类中心位置和聚类数，而它把每一个养护室环境评价等级差值数据点作为一个潜在的聚类中心的特性，使得养护室环境评价等级差值聚类的结果与问题的维数无关。因此，养护室环境评价等级差值的减法聚类算法是一种适合养护室环境评价等级差值的数据建模的规则自动提取方法。设定m维空间中的N个养护室环境评价等级差值的数据点(X1,X2,…XN)，每个数据点Xi＝(xi,1,xi,1,…,xi,m)都是聚类中心的候选者，i＝1,2,…,N，数据点Xi的密度函数定义为：
[0056]
[0057] 式中，半径ra是一个正数，ra定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点Xi的密度值，选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1；然后修正密度值，消除前面已有聚类中心的影响。按下式修正密度值:
[0058]
[0059] 其中，Dc1是初始聚类中心对应的最高密度值，修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为rb＝ηra,1.25≤η≤1.5。修正每个数据点的密度指标后，当Dck与Dc1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
[0060] Dck/Dc1＜δ (5)
[0061] 式中，δ是根据实际情况提前设定的阈值。本发明提出的在线聚类方法基本思想如果养护室环境评价等级差值的数据点到一个组的中心的距离小于聚类半径ra，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入养护室环境评价等级差值数空间数据的不断增加，本发明算法通过实时动态的调整养护室环境评价等级差值的数聚类中心与聚类个数获得更好的养护室环境评价等级差值进行空间划分。
[0062] 3、LSTM神经网络模型设计
[0063] 减法聚类分类器输出多个类型的养护室环境评价等级差值分别作为多个LSTM神经网络模型的输入，多个LSTM神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入；LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM神经网络模型时间递归神经网络，通常也被称为LSTM神经网络模型网络。LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络模型神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列的养护室环境评价等级差值的动态变化，LSTM神经网络模型有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络模型可以学习长期的依赖信息，同时避免梯度消失问题。设输入多个养护室环境评价等级差值为(x1,x2,…,xT)，隐含层状态为(h1,h2,…,hT)，则t时刻有：
[0064] it＝sigmoid(Whiht‑1+WxiXt) (6)
[0065] ft＝sigmoid(Whfht‑1+WhfXt) (7)
[0066] ct＝ft⊙ct‑1+it⊙tanh(Whcht‑1+WxcXt) (8)
[0067] ot＝sigmoid(Whoht‑1+WhxXt+Wcoct) (9)
[0068] ht＝ot⊙tanh(ct) (10)
[0069] 其中it、ft、ot代表input门、forget门和output门，ct代表cell单元，Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的4个LSTM神经网络模型来对进行预测养护室环境评价等级差值，该方法首先建立LSTM神经网络模型，利用预处理的多个养护室环境评价等级差值数据建立训练集并对模型进行训练，LSTM神经网络模型考虑了养护室环境评价等级差值变化的时序性和非线性，具有较高养护室环境评价等级差值动态的预测精度。
[0070] 4、ANFIS自适应神经模糊推理网络模型设计
[0071] 多个LSTM神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入，ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出作为模糊数时延神经网络模型的输入，模糊数NARX神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入；ANFIS自适应神经模糊推理网络模型采用与一阶Sugeno型模糊推理系统功能相同的基于自适应网络的模糊推理系统，第一层：将输入变量模糊化，每个节点对应输出可表示为：
[0072]
[0073] 式中n为每个输入隶属函数个数，可根据辨识情况调整，隶属函数采用高斯隶属函数。第二层：实现规则运算，输出规则的适用度，规则运算采用乘法。
[0074]
[0075] 第三层：将各条规则的适用度归一化：
[0076]
[0077] 第四层：每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为：
[0078]
[0079] 式中pi、qi、ri为结论参数。
[0080] 第五层：该层的单节点是一个固定节点，计算输入信号的总输出为：
[0081]
[0082] 决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。训练算法采用最小二乘与梯度下降结合的算法来训练。参数采用线性最小二乘估计算法调整参数。在每一次迭代中，首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论参数；然后，信号继续沿网络正向传递直到输出层(即第5层)。此后，将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高参数的收敛速度。ANFIS自适应神经网络模糊推理模型实现：1)对输入变量进行归一化预处理，输入变量的隶属函数统一取Gauss函数；(2)根据输入变量的特征，将前面4个时刻输入分为4个模糊等级；(3)采用ANFIS网络进行养护室环境等级预测，设定初始学习率为0.06，动量常数为0.9，确定模糊规则256个。
[0083] 5、模糊数时延神经网络模型设计
[0084] ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出作为模糊数时延神经网络模型的输入，模糊数时延神经网络模型的输出作为模糊数NARX神经网络模型的输入，模糊数时延神经网络模型输出的模糊数代表养护室环境等级预警值；模糊数时延神经网络模型是时延神经网络模型输出模糊数的模型，时间延迟神经网络模型(Time Delay Neural Networks，TDNN神经网络)是一个自适应线性网络，它的输入从网络左边进入,通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前K个时刻ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出的信号和K以前的d‑1个ANFIS自适应神经模糊推理网络模型输出和养护室外环境检测模块输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入‑输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对输入进行延迟，使网络可以利用之前的d步的输入与当前的输入共同预测当前时间点的输出，对于一个输入层延迟步数为d的时延神经网络，R为时延神经网络的前向传播算子，可以简单地把输入序列X与输出序列Y之间的关系表示成如下形式：
[0085] Y(t)＝R(X(t),X(t‑1),…,X(t‑d)) (16)
[0086] 根据养护室环境参数检测的工程实践，模糊数时延神经网络模型把养护室环境是否符合用户要求预警等级分为严重超出标准、超标标准、符合标准、较好符合标准和很符合标准对应不同的5个不同的三角模糊数，构建养护室环境预警5种等级与5个三角模糊数对应关系表，计算模糊数时延神经网络模型输出的三角模糊数与代表5种养护室环境预警等级的5个三角模糊数的相似度，其中相似度最大的三角模糊数对应养护室环境预警等级确定为养护室环境预警等级，养护室环境预警5种等级与三角模糊数对应关系表如表1所示。
[0087] 表1养护室环境预警5种等级与三角模糊数对应关系表
[0088]序号 预警等级 三角模糊数
1 严重超出标准 (0.0，0.1，0.2)
2 超标标准 (0.2，0.3，0.4)
3 符合标准 (0.4，0.5，0.6)
4 较好符合标准 (0.6，0.7，0.8)
5 很符合标准 (0.8,0.9,1.0)
[0089] 6、模糊数NARX神经网络模型的设计
[0090] 模糊数时延神经网络模型的输出作为模糊数NARX神经网络模型的输入，模糊数NARX神经网络模型输出作为ANFIS自适应神经模糊推理网络模型的对应输入；模糊数NARX神经网络模型是输入和输出为三角模糊数，模糊数NARX神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。模糊数NARX神经网络模型第i个隐层节点的输出hi为：
[0091]
[0092] NARX神经网络模型第j个输出层节点输出oj为：
[0093]
[0094] 其中j为3代表输出为3个数并构成模糊数。
[0095] 7、养护室环境检测模块设计
[0096] 养护室环境检测模块由多个时延神经网络模型、减法聚类分类器、多个ESN神经网络模型和粒子群算法的最小二乘支持向量机模型组成；多组养护室内温度、湿度传感器分别是对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的时延神经网络模型输出值分别是对应的多个ESN神经网络模型的输入，多个ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型的输入，粒子群算法的最小二乘支持向量机模型的输出值作为养护室环境检测模块的输出值；养护室环境检测模块结构见图2所示。时延神经网络模型、减法聚类分类器和粒子群算法的最小二乘支持向量机模型的设计方法参照本专利的相关部分的设计过程；多个ESN神经网络模型设计过程如下：
[0097] ESN神经网络模型(Echo state network，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:
[0098]
[0099] 式中W为神经网络的状态变量，Win为神经网络的输入变量；Wback为神经网络的输出状态变量连接权矩阵；x(n)表示神经网络的内部状态；Wout为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵； 为神经网络的输出偏差或可以代表噪声；f＝f[f1,f2,…,fn]为“储备池”内部神经元的n个激活函数；fi为双曲正切函数；fout为ESN神经网络模型的ε个输出函数。多个ESN神经网络模型输出为多种类型时延神经网络模型的预测值。
[0100] 8、养护室外环境检测模块设计
[0101] 养护室外环境检测模块由多个时延神经网络模型、减法聚类分类器、多个ESN神经网络模型和粒子群算法的最小二乘支持向量机模型组成；多组养护室外温度、湿度、风速和光照度传感器分别是对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的时延神经网络模型输出值分别是对应的多个ESN神经网络模型的输入，多个ESN神经网络模型输出作为粒子群算法的最小二乘支持向量机模型的输入，粒子群算法的最小二乘支持向量机模型的输出值作为养护室外环境检测模块的输出值；养护室外环境检测模块结构见图2所示。养护室外环境检测模块的设计方法参照养护室环境检测模块的设计过程。
[0102] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
