技术领域
[0001] 本发明涉及粮食仓储安全技术领域，具体的说是一种基于数字孪生和深度学习的储粮温度预测方法和装置。
相关背景技术
[0002] 粮食安全事关民生国计，我国粮食产量每年都在不断增长，但也存在着粮食在储存过程中的损耗问题，如何降低粮食的损耗量是亟待解决的问题。在粮食储藏过程中，粮食主要受温度、水分和虫害的影响，水分和虫害等因素会导致粮食温度升高，而温度升高则会加快粮食的生命活动，导致粮食品质劣化和损失，影响储粮安全工作。
[0003] 粮仓温度是判断储粮环境安全的重要指标，预测储粮温度的变化对于储粮安全的监测和预警至关重要。然而，粮仓传统的粮食信息化监测系统主要靠传感器和光纤进行仓内温湿度数据的实时采集和监测，缺乏对储粮温度变化趋势的精准预测。并且，传统的储粮温度预测通常采用数值模拟或建立数学模型的方法，但由于粮堆温度受多种因素的耦合影响，不能准确的得出粮堆内温度与其影响因素之间的非线性关系，导致预测效果差，预测不及时等问题发生，影响储粮安全工作。
具体实施方式
[0048] 本实施例的一种基于数字孪生系统和深度学习的储粮温度预测方法，基于数字孪生和深度学习的储粮温度预测，该方法的处理流程包括以下的步骤：
[0049] S1、根据粮库仓储实体，建立粮库数字孪生系统，模拟出真实粮库的结构特点、物理属性，根据所述粮库数字孪生系统获取实时粮情温度数据，具体的：
[0050] 首先搭建工业互联网平台，建立粮库数字孪生系统，模拟出真实粮库的结构特点、物理属性以及粮库内仓储装置。以数字孪生系统为基础，采用相关通信协议与粮库设备通信，采集粮库设备的实时运行信息，并通过API接口与粮库业务系统的数据库连接来获取粮库业务系统的数据信息，具体数据信息包括温度、湿度等粮情数据，并且对粮情数据进行实时跟踪，实现对粮情数据的管理和存储。
[0051] S2、构建基于深度学习的储粮温度预测模型。
[0052] 上述步骤S2包括如下步骤S21‑S24：
[0053] S21、获取粮情数据。
[0054] 粮情数据包括粮仓的温度和湿度、大气的温度和湿度以及粮仓内各层的平均温度。
[0055] S22、对粮情数据填补缺失值和数据归一化，按比例划分为训练集和测试集，前者使用前后相邻时刻的均值填补方法，如下式(1)(2)所示。
[0056]
[0057] 式中，st是时刻的粮情数据；
[0058]
[0059] 式中，S*为归一化处理后得到的粮情数据，Smin为粮情数据最小值，Smax为粮情数据最大值，s为粮情数据。
[0060] S23、基于卷积神经网络CNN提取粮情数据的周期以及趋势性等时序特征。
[0061] 卷积神经网络(CNN)模型主要由卷积层和池化层组成，具有出色的特征提取能力。其本质是使用过滤器从数据中提取特征从而获得特征向量，并使用激活函数来解决分类或回归问题，采用一维卷积从原始粮情数据中提取特征。卷积层通过权值共享减少网络参数个数，池化层主要实现对提取特征的整合压缩，如下式(3)所示：
[0062]
[0063] 式中，yt为输出特征数据，Wt卷积核，xt‑k+1是输入数据，b是偏差，k是数据长度。
[0064] S24、Informer模型是transformer模型改进而来的轻量化模型，其主要包括编码器模块和解码器模块。
[0065] 上述步骤S24包括如下步骤S24‑1‑S24‑4：
[0066] S24‑1、将一维卷积提取特征输出后的数据输入到编码器模块和解码器模块。
[0067] Informer模型的编码器模块和解码器模块的输入部分用来接收一维卷积后的输出。
[0068] S24‑2、输入编码器模块的数据，执行编码器模块的概率稀疏自注意力机制和蒸馏机制。
[0069] 标准自注意力机制这种计算方式的复杂度高，在处理长时间序列问题上的开销大从而导致预测能力降低。因此为了实现这一目标采取概率稀疏自注意力机制。概率稀疏自注意力机制包括以下内容：
[0070] 首先，标准自注意力机制的特征点积计算如下式(4)所示：
[0071]
[0072] 式中，A(Q，K，V)表示QKV的注意力，Q，K，V分别是查询向量(queries)、键向量(keys)和值向量(values)组成的矩阵，Softmax为归一化方程，d为输入特征的维度。
[0073] 其次，引入稀疏性度量定义，接着为了简化计算给出的上下界，并得到其近似结果，如下式(5)(6)所示：
[0074]
[0075] 式中，qi为Q矩阵的第i行，LK为查询向量的长度。
[0076] 最后，根据稀疏性得分，选取稀疏性分数最高的几个Query参与后续的计算，得到最终的概率稀疏自注意力如下式(7)所示：
[0077]
[0078] 式中，为筛选后的稀疏矩阵，该计算方式的时间复杂度减少为O(LlogL)。
[0079] 在经过多头概率稀疏注意力等操作后，输出进入蒸馏层，经过一维卷积后跟随激活函数，接着进行最大池化下采样，使得输入长度变为原来的一半，然后重复上述操作直至输出最后结果。蒸馏机制可以包括以下内容：
[0080] 依次通过卷积层和池化层对数据进行降维处理，所述降维处理将数据的长度降职原有的一半，具体的，从j层到j+1层的蒸馏操作如下式(8)所示：
[0081]
[0082] 式中， 表示从j层到j+1层的蒸馏操作， 表示第j层第t时刻的相关自注意力块操作，Conv1d表示一维卷积操作，ELU是激活函数，MaxPool是最大池化操作。
[0083] S24‑3、编码器模块输出的结果和解码器模块的输入经过解码器得到结果，所述过程包括掩码概率自注意力机制和标准自注意力机制。
[0084] 采用掩码概率自注意力机制是为了避免左向信息流，防止自回归。掩码概率自注意力机制包括：
[0085] 通过如下公式(9)进行处理：
[0086]
[0087] 式中， 为所述粮情样本数据， 表示要预测的序列，先用0填充， 为所述掩码概率自注意力机制的输出结果，Ltoken表示解码器的输入数据 在时间维度上的长度，Ly表示 在时间维度上的长度，Concat表示将两者拼接起来，d model表示将拼接得到的数据格式转换为模型能够接收到的数据格式。
[0088] 标准自注意力机制包括对所述掩码概率自注意力机制的输出结果作为Q，将所述编码器的输出作为K和V，进行注意力评分。
[0089] S24‑4、解码器模块输出的结果，经过一个全连接层，用于对其执行线性变化、特征降维等全连接处理。
[0090] 经过解码器后，每个待预测位置都有一个向量，然后输入到一个全连接层进行全连接处理得到预测结果。
[0091] S3、根据粮库实时粮情数据以及基于深度学习的储粮温度预测模型，得到粮库精准的温度预测结果。
[0092] 将获取的实时数据输入到基于深度学习的储粮温度预测模型中，以数据驱动模型得到温度预测结果。
[0093] 本实施例实现粮情远程监控及精准实时预测，满足管理人员立即识别问题并采取措施的需求，提高粮食仓储品质及效率，保证粮库仓储安全工作的完成，减少粮食损耗。
[0094] 本实施例还提供了一种基于数字孪生和深度学习的储粮温度预测装置，该装置应用于实现基于数字孪生和深度学习的储粮温度预测方法，包括：
[0095] 获取模块：用于粮库仓储实体，建立粮库数字孪生系统，模拟出真实粮库的结构特点、物理属性，根据所述粮库数字孪生系统获取实时粮情温度数据；
[0096] 训练模块：使用获取的粮情数据对深度学习模型进行训练，得到训练好的深度学习储粮温度预测模型；
[0097] 预测模块：用于根据所述实时粮情数据以及训练好的深度学习储粮温度预测模型，得到粮库精准的温度预测结果。
[0098] 上述训练模块进一步用于以上步骤S21‑S24，以及S24中的S24‑1至S24‑4。
[0099] 上述输出模块，进一步用于：根据所述粮库实时粮情数据以及基于深度学习的储粮温度预测模型，以数字孪生系统为基础，同时在线数据驱动深度学习模型得到粮库精准的温度预测结果，并通过人机交互系统将预测结果可视化。
