一种平房仓粮温异常预警方法、设备及介质

技术领域

本申请涉及数据预测领域，具体涉及一种平房仓粮温异常预警方法、设备及介质。

背景技术

目前国内各级粮库在使用的粮情监测系统的相关功能仅限于对粮情数据的实时监测和分析,至于粮温信息的正确性以及粮温的变化趋势,只能依靠工作人员的相关经验进行主观判断，无法进行未来粮温的预测及预警，并不能体现发现潜在的粮温异常情况。

因此，亟需一种能够对未来粮温异常提前预警的方法。

发明内容

为了解决上述问题，本申请提出了一种平房仓粮温异常预警方法、设备及介质，其中方法包括：

通过粮温检测线缆，获取目标粮仓内多个测温点的历史粮温数据；所述目标粮仓为平房仓；根据目标测温点以及所述目标测温点附近的邻近测温点，将所述历史粮温数据转换为模型输入数据；将所述模型输入数据，输入预训练的时间卷积网络模型，以得到所述多个测温点的粮温预测数据；若所述粮温预测数据超出预设预警阈值，则向所述粮温预测数据对应的测温点进行预警。

在一个示例中，所述根据目标测温点以及所述目标测温点附近的邻近测温点，将所述历史粮温数据转换为模型输入数据，具体包括：以所述目标测温点为原点，构建三维立体坐标系；根据所述三维立体坐标系以及所述多个测温点分布，确定所述目标测温点附件的邻近测温点；根据所述历史粮温数据，确定所述目标测温点对应的历史粮温数据以及历史温度状态以及所述邻近测温点对应的历史粮温数据以及历史温度状态；根据所述目标测温点以及所述邻近测温点分别对应的所述历史粮温数据以及所述历史温度状态，生成所述模型输入数据。

在一个示例中，所述将所述模型输入数据，输入预训练的时间卷积网络模型之前，所述方法还包括：根据所述目标测温点以及所述邻近测温点在所述三维立体坐标系内的坐标，确定所述目标测温点以及所述邻近测温点的直线距离；根据所述直线距离，设定所述邻近测温点对所述目标测温点的影响权重。

在一个示例中，将所述模型输入数据，输入预训练的时间卷积网络模型，以得到所述多个测温点的粮温预测数据，具体包括：通过所述时间卷积网络模型将所述目标测温点对应的模型输入数据以及所述邻近测温点对应的模型输入数据分别进行第一因果卷积，以得到第一卷积结果以及第二卷积结果；根据所述影响权重，将所述第一卷积结果以及所述第二卷积结果进行加权平均，以得到平均卷积结果；通过所述时间卷积网络模型对所述平均卷积结果进行第二因果卷积，以得到所述粮温预测数据。

在一个示例中，所述获取目标粮仓内多个测温点的历史粮温数据之后，所述方法还包括：判断所述历史粮温数据是否超出预设异常阈值，若是，则将所述历史粮温数据判别为异常数据；将所述异常数据修改为预设常数；判断所述异常数据对应的测温点以及粮温检测线缆，并发出预警。

在一个示例中，将所述模型输入数据，输入预训练的时间卷积网络模型之前，所述方法还包括：获取所述目标粮仓的测试数据，并确认预设的初始模型；通过所述测试数据训练所述初始模型，以得到所述时间卷积网络模型。

在一个示例中，所述将所述模型输入数据，输入预训练的时间卷积网络模型之前，所述方法还包括：获取所述目标粮仓的短期历史粮温数据；将所述短期历史粮温数据的平均值，作为所述时间卷积网络模型的滤波器。

在一个示例中，所述时间卷积网络模型的滤波器定义为S＝(s

本申请还提供了一种平房仓粮温异常预警设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：通过粮温检测线缆，获取目标粮仓内多个测温点的历史粮温数据；所述目标粮仓为平房仓；根据目标测温点以及所述目标测温点附近的邻近测温点，将所述历史粮温数据转换为模型输入数据；将所述模型输入数据，输入预训练的时间卷积网络模型，以得到所述多个测温点的粮温预测数据；若所述粮温预测数据超出预设预警阈值，则向所述粮温预测数据对应的测温点进行预警。

本申请还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：通过粮温检测线缆，获取目标粮仓内多个测温点的历史粮温数据；所述目标粮仓为平房仓；根据目标测温点以及所述目标测温点附近的邻近测温点，将所述历史粮温数据转换为模型输入数据；将所述模型输入数据，输入预训练的时间卷积网络模型，以得到所述多个测温点的粮温预测数据；若所述粮温预测数据超出预设预警阈值，则向所述粮温预测数据对应的测温点进行预警。

通过本申请提出的方法能够通过以时间卷积网络为主进行未来粮温的预测，结合粮温数据模型，实现了对未来粮温异常预警，从而帮助粮食仓储保管相关人员，提前得知粮温异常情况，减少粮食仓储保管过程中损失，达到降本增效的目的。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中一种平房仓粮温异常预警方法的流程示意图；

图2为本申请实施例中一种测温点分布空间示意图；

图3为本申请实施例中一种平房仓粮温异常预警设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书一个或多个实施例提供的一种平房仓粮温异常预警方法的流程示意图。该流程可以由相应领域的计算设备执行，流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。

本申请实施例涉及的分析方法的实现可以为终端设备，也可以为服务器，本申请对此不作特殊限制。为了方便理解和描述，以下实施例均以服务器为例进行详细描述。

需要说明的是，该服务器可以是单独的一台设备，可以是有多台设备组成的系统，即，分布式服务器，本申请对此不做具体限定。

如图1所示，本申请实施例提供一种平房仓粮温异常预警方法，包括：

S101：通过粮温检测线缆，获取目标粮仓内多个测温点的历史粮温数据；所述目标粮仓为平房仓。

需要说明的是，本方案的前提是，仓房内部署了粮温检测线缆，可以通过粮温检测线缆对接接口获取到当前时刻的粮温数据。粮温检测线缆中包含多个测温点，粮温数据就是多个测温点在不同时间段内的温度数据。为预测未来时间点的粮温数据，首先需要获取目标粮仓内多个测温点的历史粮温数据。其中，本方案应用的另一个前提是目标粮仓为平房仓。现有的粮仓多为平房仓及圆柱仓，而平房仓与圆柱仓内设置粮温检测线缆的方式不同，因此本方案仅用于平房仓内粮温的异常预警。

在一个实施例中，如果采集到的粮温数据明显不符合粮温基本规律，则可认为该测温点对应的粮温数据为异常数据，此时为减小计算量，可以将异常数据直接修改为预设常数，从而避免进行计算。如粮温小于0摄氏度或者大于80摄氏度时，统一将粮温保存为-1。同时，对于异常数据对应的测温点进行告警，说明此处测温点对应的粮温检测线缆发生故障，需要进行修理。

S102：根据目标测温点以及所述目标测温点附近的邻近测温点，将所述历史粮温数据转换为模型输入数据。

需要明确预测粮温数据时的目标测温点，以及目标测温点附近的邻近测温点，然后将目标测温点以及目标测温点附近的邻近测温点的历史粮温数据转换为模型输入数据，以方便后期输入模型。需要说明的是，由于本方案使用的是时间卷积网络模型，因此，这里的模型输入数据为卷积单元。

在一个实施例中，在将历史粮温数据转换为模型输入数据之前，可以按照“x,y,z$粮温$测温点状态”的形式代表单个测温点的数据，同时多个测温点数据使用#进行连接，从而实现对整个平房仓的粮温数据进行保存。其中x,y,z分别表示粮温检测线缆上的测温点位置，这里的测温点状态具体状态包括：正常点、高温点、故障点。

如图2所示，在一个实施例中，在将历史粮温数据转换为模型输入数据时，将当前测温点标记为A，并将当前坐标点A标记为原点，建立三维立体坐标系X，Y，Z。A点水平往前的测温点B所在的垂直坐标系为X”，Y”，Z，A点水平往后的测温点C所在的垂直坐标系为X’，Y’，Z。根据以上定义，可以将将测温点相邻的测温点转换为对应的三个矩阵来展示相邻的点温度和矩阵，如下所示：

其中，a

进一步地，在将模型输入数据，输入至预训练的时间卷积网络模型之前，还需要根据目标测温点以及邻近测温点在三维立体坐标系内的坐标，确定目标测温点以及所述邻近测温点的直线距离，然后再根据直线距离，设定邻近测温点对目标测温点的影响权重。也可以据测温线缆间距的要求，将对水平或者垂直的直接相邻的测温点影响权重按照比例关系进行设置。

S103：将所述模型输入数据，输入预训练的时间卷积网络模型，以得到所述多个测温点的粮温预测数据。

得到模型输入数据之后，即可将数据输入提前经过训练的时间卷积网络模型，以得到多个测温点的粮温预测数据。

在一个实施例中，时间卷积网络模型中构建有因果卷积，采用一维全卷积网络(FCN)架构作为因果卷积，且在原有因果卷积的架构基础上，同时以目标测温点的粮温数据基本卷积单元，以及前后的相邻测温点的基本卷积单元分别进行因果卷积，并在最后的输出层，将上述两者的计算的输出，按照设置的影响权重，进行加权平均后再进行因果卷积，以输出粮温预测数据。

在一个实施例中，由于因果卷积需要非常多的层级数或较大的卷积核来扩宽感受野，而较大的感受野正式构建长期记忆所必须的。增加感受野一种方法是卷积层数的增加，但是卷积层数的增加就带来梯度消失，训练复杂，拟合效果不好的问题，为了决绝这个问题，出现了膨胀卷积(dilated)，因此在原有扩张卷积的基础上，可以结合粮温数据基本单元短期历史数据的平均值作为滤波器，能够得到很好的膨胀卷积的局部最优解。其中波器滤波器定义为S＝(s

在一个实施例中，在使用时间卷积网络模型之前，首先需要获取目标粮仓的测试数据，并确认预设的初始模型。然后通过测试数据训练所述初始模型，以得到时间卷积网络模型。其中，初始模型为基于时间卷积网络构建的数学模型，通过测试数据集预先对构建的初始模型进行训练，当达到设定的训练精度、准确度时，确定当前次训练的时间卷积网络模型完成训练，以便用于预测处理。

S104：若所述粮温预测数据超出预设预警阈值，则向所述粮温预测数据对应的测温点进行预警。

根据历史粮温数据，预测得到未来时间点的多个测温点的粮温数据之后，判断这些测温点对应的粮温数据是否触发预警条件，若触发，则进行预警，从而帮助粮食仓储保管相关人员，提前得知粮温异常情况，减少粮食仓储保管过程中损失，达到降本增效的目的。

如图3所示，本申请实施例还提供了一种平房仓粮温异常预警设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

通过粮温检测线缆，获取目标粮仓内多个测温点的历史粮温数据；所述目标粮仓为平房仓；根据目标测温点以及所述目标测温点附近的邻近测温点，将所述历史粮温数据转换为模型输入数据；将所述模型输入数据，输入预训练的时间卷积网络模型，以得到所述多个测温点的粮温预测数据；若所述粮温预测数据超出预设预警阈值，则向所述粮温预测数据对应的测温点进行预警。

本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

通过粮温检测线缆，获取目标粮仓内多个测温点的历史粮温数据；所述目标粮仓为平房仓；根据目标测温点以及所述目标测温点附近的邻近测温点，将所述历史粮温数据转换为模型输入数据；将所述模型输入数据，输入预训练的时间卷积网络模型，以得到所述多个测温点的粮温预测数据；若所述粮温预测数据超出预设预警阈值，则向所述粮温预测数据对应的测温点进行预警。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(f l ash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。