本發(fā)明涉及移動互聯(lián)網(wǎng)服務領域，特別涉及一種共享直飲水機水質保障管理控制方法及系統(tǒng)。

背景技術：

隨著生活水平的提高，經(jīng)濟飛速發(fā)展，高品質健康的生活理念越來越得到人們的青睞。特別針對日常飲用水的健康性、方便性要求越來越高，市場上目前飲用水方式包括直飲水和桶裝礦泉水，其中桶裝礦泉水質量、容量、價格參差不齊，在現(xiàn)有的經(jīng)濟體系下，桶裝水的質量無法得到安全健康保證，市場上存在大量桶裝礦泉水“以次充好”的現(xiàn)象，不僅存在“暴利”且不合格的桶裝礦泉水會對人民的身體健康帶來潛在威脅。于此同時，在快節(jié)奏的都市生活中，高效的時間利用使得人們對服務產品的便利性要求越來越高。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種共享直飲水機水質保障管理控制方法及系統(tǒng)。

本發(fā)明的目的之一是通過以下技術方案來實現(xiàn)的，一種共享直飲水機水質保障管理控制方法，其特征在于：包括以下步驟：

s110：根據(jù)恒定水箱內水質影響參數(shù)和恒定水箱水質標準，構建建模樣本集；

s120：將建模樣本集進行歸一化處理，獲得歸一化樣本集；

s130：根據(jù)所述歸一化樣本集構建三層的bp神經(jīng)網(wǎng)絡模型；

s140：采用所述bp神經(jīng)網(wǎng)絡模型對通過云端服務器上積累的海量數(shù)據(jù)進行處理，獲取神經(jīng)網(wǎng)絡參數(shù)；

s150：利用上述所建立bp神經(jīng)網(wǎng)絡模塊對云端服務器實時產生的新數(shù)據(jù)進行水質實時預測；

s160：利用專家經(jīng)驗系統(tǒng)對水質進行分類，從而判斷是否啟動水箱排空系統(tǒng)。

進一步，所述步驟s110后還包括預處理步驟，所述預處理步驟為：對構建的建模樣本集對進pca主元提取，獲取新的樣本集，歸一化處理的對象為新的樣本集。

進一步，還包括步驟s170，所述步驟s170為當啟動恒定水箱智能排水時，對水箱進行智能消毒。

進一步，所述bp神經(jīng)網(wǎng)絡模型包括三層神(m-h-o)的拓撲結構，隱含層激發(fā)函數(shù)為s型函數(shù)，輸出層為線性函數(shù)；輸入層節(jié)點數(shù)為m個，即輸入樣本數(shù)，隱含層節(jié)點數(shù)由經(jīng)驗公式所得，α為1-10的常數(shù)，輸出層節(jié)點數(shù)為4個；o表示三層神經(jīng)網(wǎng)絡中輸出層神經(jīng)元個數(shù)。

進一步，步驟s140中，獲取神經(jīng)網(wǎng)絡參數(shù)包括以下子步驟：

第一步：初始化神經(jīng)網(wǎng)絡參數(shù)的權值，輸入層到隱含層權值和閾值為w1、b1，隱含層到輸出層權值和閾值為v2、β2；

第二步：初始化的網(wǎng)絡參數(shù)采用公式(1)計算此時的ypred；

其中，ypred表示預測值；im表示經(jīng)歸一化的輸入樣本；m代表輸入層神經(jīng)元個數(shù)，

第三步：計算此時實際樣本輸出yactul與預測值ypred之間系統(tǒng)對n個訓練樣本的總誤差，總誤差e準則函數(shù)如下：

其中，e表示誤差性能指標函數(shù)；ypred表示bp網(wǎng)絡輸出，即預測值；yactul表示實際輸出，即實際輸出樣本；

第四步：修正神經(jīng)網(wǎng)絡參數(shù)的權值和閾值；

第五步：利用更新得到的神經(jīng)網(wǎng)絡參數(shù)的權值和閾值重新估計ypred，重復第二步至第四步的過程，直到總誤差小于設定值。

本發(fā)明的目的之二是通過以下技術方案來實現(xiàn)的，一種共享直飲水機水質保障管理控制系統(tǒng)，包括參數(shù)選擇單元、歸一化樣本集單元、bp神經(jīng)網(wǎng)絡模型構建單元、bp神經(jīng)網(wǎng)絡模型參數(shù)獲取單元、恒定水箱實時水質指標預測單元和恒定水箱排水單元，

所述參數(shù)選擇單元：根據(jù)恒定水箱內水質影響參數(shù)和恒定水箱水質標準，構建建模樣本集；所述歸一化樣本集單元：將建模樣本集進行歸一化處理，獲得歸一化樣本集；bp神經(jīng)網(wǎng)絡模型構建單元：根據(jù)所述歸一化樣本集構建三層的bp神經(jīng)網(wǎng)絡模型；bp神經(jīng)網(wǎng)絡模型參數(shù)獲取單元：采用所述bp神經(jīng)網(wǎng)絡模型對通過云端服務器上積累的海量數(shù)據(jù)進行處理，獲取神經(jīng)網(wǎng)絡參數(shù)；恒定水箱實時水質指標預測單元：利用上述所建立bp神經(jīng)網(wǎng)絡模塊對云端服務器實時產生的新數(shù)據(jù)進行水質實時預測；恒定水箱排水單元：利用專家經(jīng)驗系統(tǒng)對水質進行分類，從而判斷是否啟動水箱排空系統(tǒng)。

進一步，還包括樣本主元提取單元：對構建的建模樣本集對進pca主元提取，獲取新的樣本集，歸一化處理的對象為新的樣本集。

進一步，還包括恒定水箱消毒單元：利用專家經(jīng)驗系統(tǒng)對水質進行分類，從而判斷是否啟動水箱排空系統(tǒng)。

有益技術效果：

本發(fā)明為用戶提供一種共享直飲水機水質保障管理控制方法及系統(tǒng)，不但可以保證方便喝到飲用水，且真正做到健康、快捷方便飲水。

本發(fā)明改變傳統(tǒng)飲水方式，為用戶提供一種快捷、健康、方便的飲水方式，滿足人民快節(jié)奏生活水平和高質量生活水平要求。

附圖說明

圖1為本發(fā)明方法流程示意圖；

圖2為本發(fā)明邏輯結構示意圖。

具體實施方式

以下將結合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述；應當理解，優(yōu)選實施例僅為了說明本發(fā)明，而不是為了限制本發(fā)明的保護范圍。

一種共享直飲水機水質保障管理控制方法，包括以下步驟：

s110：根據(jù)恒定水箱內水質影響參數(shù)和恒定水箱水質標準，構建建模樣本集；

直飲水機濾芯類別與型號、地區(qū)id號碼、直飲水機累計用水量、水箱內水溫歷史溫度數(shù)據(jù)、出水閥門近期開閉狀態(tài)，這些數(shù)據(jù)通過模塊傳輸?shù)皆贫朔掌饔涗洠憋嬎畽C水質影響因素數(shù)據(jù)構成水質在線監(jiān)測模型的輸入樣本數(shù)據(jù)；

通過定期質檢員巡檢，抽取水箱內飲用水水樣化驗獲得，并標記對應的直飲水機id和取樣時間，存儲到云端服務器，化驗所得水質檢測指標構成水質在線監(jiān)測模型的輸出樣本；

s120：pca主元提取，主元分析算法對狀態(tài)變量x進行主元提取，構建新的狀態(tài)變量x′＝{xz1,xz2,l,xzm}為m個狀態(tài)主元分量，每個狀態(tài)主元分量的維度與所述其它輸入樣本的數(shù)量相同；

s130：將建模樣本集進行歸一化處理，獲得歸一化樣本集；

s140：根據(jù)所述歸一化樣本集構建三層的bp神經(jīng)網(wǎng)絡模型；

s150：采用所述bp神經(jīng)網(wǎng)絡模型對通過云端服務器上積累的海量數(shù)據(jù)進行處理，獲取神經(jīng)網(wǎng)絡參數(shù)；

s160：利用上述所建立bp神經(jīng)網(wǎng)絡模塊對云端服務器實時產生的新數(shù)據(jù)進行水質實時預測；

s170：利用專家經(jīng)驗系統(tǒng)對水質進行分類，從而判斷是否啟動水箱排空系統(tǒng)。

s180：智能恒定水箱消毒系統(tǒng)，當啟動恒定水箱智能排水系統(tǒng)時，對水箱進行智能消毒，完成消毒后方可進行恒定水箱自動補水系統(tǒng)；

在步驟s110中，恒定水箱內溫度傳感器測量水箱內水溫實時數(shù)據(jù)、液位傳感器測量的液位信息、時間計量實時數(shù)據(jù)、酸堿檢測實時數(shù)據(jù)，手機終端向云端服務器發(fā)送的共享直飲水裝置的水過濾方式，地點信息，用戶用水過程中，產生的開關狀態(tài)開關數(shù)字量實時數(shù)據(jù)，恒定水箱累計用水數(shù)據(jù)，用水累計時間；其中，影響恒定水箱內水質的控制參數(shù)如表1所示：

表1參數(shù)及符號表

其中，共享直飲水中過濾器到恒定水箱內排除水量的累計用水量為累計用水時間

在步驟s120中，pca主元提??；其中，主元分析算法對狀態(tài)變量x進行主元提取，構建新的狀態(tài)變量x′＝{xz1,xz2,l,xzm}為m個狀態(tài)主元分量，每個狀態(tài)主元分量的維度與所述樣本的數(shù)量相同；

在步驟s130中，數(shù)據(jù)預處理。利用神經(jīng)網(wǎng)絡建模過程中，其隱含層節(jié)點函數(shù)為s型函數(shù)，其值域為[-1,1]；為提高建模過程精度，故而將所有的采集的樣本進行歸一化處理。即：將樣本集的參量值利用線性歸一化方法映射到[-1,1]范圍內，得到歸一化的樣本集。

在步驟s140中，根據(jù)所述歸一化樣本集構建三層的bp神經(jīng)網(wǎng)絡模型；

三層神經(jīng)網(wǎng)絡包括(m-h-o)的拓撲結構，隱含層激發(fā)函數(shù)為s型函數(shù)，輸出層為線性函數(shù)；

輸入層節(jié)點數(shù)為m個，即輸入樣本數(shù)，隱含層節(jié)點數(shù)由經(jīng)驗公式所得，α為1-10的常數(shù)，輸出層節(jié)點數(shù)為4個；

在步驟s150中，對通過云端服務器上積累的海量數(shù)據(jù)進行處理，

海量數(shù)據(jù)包括：

直飲水機濾芯類別與型號、地區(qū)id號碼、直飲水機累計用水量、水箱內水溫歷史溫度數(shù)據(jù)、出水閥門近期開閉狀態(tài)，這些數(shù)據(jù)通過模塊傳輸?shù)皆贫朔掌饔涗洠憋嬎畽C水質影響因素數(shù)據(jù)構成水質在線監(jiān)測模型的輸入樣本數(shù)據(jù)。

通過定期質檢員巡檢，抽取水箱內飲用水水樣化驗獲得，并標記對應的直飲水機id和取樣時間，存儲到云端服務器，化驗所得水質檢測指標構成水質在線監(jiān)測模型的輸出樣本。

利用bp神經(jīng)網(wǎng)絡算法進行建模，獲取神經(jīng)網(wǎng)絡參數(shù)過程中，

第一步：初始化神經(jīng)網(wǎng)絡參數(shù)的權值，輸入層到隱含層權值和閾值為w1、b1，隱含層到輸出層權值和閾值為v2、β2；

第二步：初始化的網(wǎng)絡參數(shù)采用如下公式計算此時的ypred；

其中，ypred表示預測值；

im表示經(jīng)歸一化的輸入樣本；

第三步：計算此時實際樣本輸出yactul與預測值ypred之間系統(tǒng)對n個訓練樣本的總誤差，總誤差e準則函數(shù)如下：

其中，e表示誤差性能指標函數(shù)；

ypred表示bp網(wǎng)絡輸出，即預測值；

yactul表示實際輸出，即實際輸出樣本；

第四步：修正神經(jīng)網(wǎng)絡參數(shù)的權值和閾值

第五步：利用更新得到的神經(jīng)網(wǎng)絡參數(shù)的權值和閾值重新估計ypred，重復第二步至第四步的過程，直到總誤差小于設定值。

在步驟s160中，利用上述所建立直飲水水質模型對云端服務器實時產生的新數(shù)據(jù)進行水質實時預測；

在步驟s170中，利用專家經(jīng)驗系統(tǒng)對水質進行分類，從而判斷是否啟動水箱排空系統(tǒng)。

在啟動恒定水箱的排水系統(tǒng)時，關閉自動補水系統(tǒng)，同時啟動消毒系統(tǒng)，將水箱排水的時間達到預測時間后，開啟自動補水系統(tǒng)。

在步驟s180中，：智能恒定水箱消毒系統(tǒng)，當啟動恒定水箱智能排水系統(tǒng)時，對水箱進行智能消毒，完成消毒后方可進行恒定水箱自動補水系統(tǒng)；

與上述方法相對應，本發(fā)明一種共享直飲水機水質保障管理控制系統(tǒng)，圖2示出了根據(jù)本發(fā)明實施例一種共享直飲水機水質保障管理控制系統(tǒng)的邏輯結構。

如圖2所示，包括參數(shù)選擇單元210、樣本主元提取單元220、歸一化樣本集單元230、bp神經(jīng)網(wǎng)絡模型構建單元240、bp神經(jīng)網(wǎng)絡模型參數(shù)獲取單元250、恒定水箱實時水質指標預測單元260、恒定水箱排水單元270和恒定水箱消毒單元280。

所述參數(shù)選擇單元210：根據(jù)恒定水箱內水質影響參數(shù)和恒定水箱水質標準，構建建模樣本集；

直飲水機濾芯類別與型號、地區(qū)id號碼、直飲水機累計用水量、水箱內水溫歷史溫度數(shù)據(jù)、出水閥門近期開閉狀態(tài)，這些數(shù)據(jù)通過模塊傳輸?shù)皆贫朔掌饔涗洠憋嬎畽C水質影響因素數(shù)據(jù)構成水質在線監(jiān)測模型的輸入樣本數(shù)據(jù)。

通過定期質檢員巡檢，抽取水箱內飲用水水樣化驗獲得，并標記對應的直飲水機id和取樣時間，存儲到云端服務器，化驗所得水質檢測指標構成水質在線監(jiān)測模型的輸出樣本。

樣本主元提取單元220，對構建的建模樣本集對進pca主元提取，獲取新的樣本集，歸一化處理的對象為新的樣本集。

主元分析算法對狀態(tài)變量x進行主元提取，構建新的狀態(tài)變量x′＝{xz1,xz2,l,xzm}為m個狀態(tài)主元分量，每個狀態(tài)主元分量的維度與所述其它輸入樣本的數(shù)量相同，降低數(shù)據(jù)冗余性，提高模型精度.

歸一化樣本集單元230：將建模樣本集進行歸一化處理，獲得歸一化樣本集；

將pca主元提取后的參數(shù)進行歸一化處理，利用神經(jīng)網(wǎng)絡建模過程中，其隱含層節(jié)點函數(shù)為s型函數(shù)，其值域為[-1,1]；為提高建模過程精度，故而將所有的采集的樣本進行歸一化處理。即：將樣本集的參量值利用線性歸一化方法映射到[-1,1]范圍內，得到歸一化的樣本集，實現(xiàn)該精度建模。

bp神經(jīng)網(wǎng)絡模型構建單元240：根據(jù)所述歸一化樣本集構建三層的bp神經(jīng)網(wǎng)絡模型；

三層神經(jīng)網(wǎng)絡包括(m-h-o)的拓撲結構，隱含層激發(fā)函數(shù)為s型函數(shù)，輸出層為線性函數(shù)；

輸入層節(jié)點數(shù)為m個，即輸入樣本數(shù)，隱含層節(jié)點數(shù)由經(jīng)驗公式所得，α為1-10的常數(shù)，輸出層節(jié)點數(shù)為4個。

bp神經(jīng)網(wǎng)絡模型參數(shù)獲取單元250：采用所述bp神經(jīng)網(wǎng)絡模型對通過云端服務器上積累的海量數(shù)據(jù)進行處理，獲取神經(jīng)網(wǎng)絡參數(shù)。

利用bp神經(jīng)網(wǎng)絡算法進行建模，獲取神經(jīng)網(wǎng)絡參數(shù)過程中，

第一步：初始化神經(jīng)網(wǎng)絡參數(shù)的權值，輸入層到隱含層權值和閾值為w1、b1，隱含層到輸出層權值和閾值為v2、β2；

第二步：初始化的網(wǎng)絡參數(shù)采用如下公式計算此時的ypred；

其中，ypred表示預測值；

im表示經(jīng)歸一化的輸入樣本；

第三步：計算此時實際樣本輸出yactul與預測值ypred之間系統(tǒng)對n個訓練樣本的總誤差，總誤差e準則函數(shù)如下：

其中，e表示誤差性能指標函數(shù)；

ypred表示bp網(wǎng)絡輸出，即預測值；

yactul表示實際輸出，即實際輸出樣本；

第四步：修正神經(jīng)網(wǎng)絡參數(shù)的權值和閾值

第五步：利用更新得到的神經(jīng)網(wǎng)絡參數(shù)的權值和閾值重新估計ypred，重復第二步至第四步的過程，直到總誤差小于設定值。

恒定水箱實時水質指標預測單元260，利用上述所建立bp神經(jīng)網(wǎng)絡模塊對云端服務器實時產生的新數(shù)據(jù)進行水質實時預測；

恒定水箱排水單元270：利用專家經(jīng)驗系統(tǒng)對水質進行分類，從而判斷是否啟動水箱排空系統(tǒng)。

在啟動恒定水箱的排水系統(tǒng)時，關閉自動補水系統(tǒng)，同時啟動消毒系統(tǒng)，將水箱排水的時間達到預測時間后，開啟自動補水系統(tǒng)。

智能恒定水箱消毒單元280，智能恒定水箱消毒系統(tǒng)，當啟動恒定水箱智能排水系統(tǒng)時，對水箱進行智能消毒，完成消毒后方可進行恒定水箱自動補水系統(tǒng)。

本發(fā)明提供的一種共享直飲水機恒定液位水箱水質保障管理與控制系統(tǒng)，在云端服務器積累的海量數(shù)據(jù)選擇影響恒定水箱內水質的控制參數(shù)為信息載體，利用bp神經(jīng)網(wǎng)絡方法挖掘直飲水機濾芯性能、地區(qū)id號碼、直飲水機累計用水量、狀態(tài)變量x(使用過程中實時開關狀態(tài)、實時水溫變化)與水箱內水質指標間的規(guī)律；并通過該模型實現(xiàn)恒定水箱水質預測，用于指導恒定水箱智能排水及排空時間，實現(xiàn)恒定水箱內用水安全，實時保持恒定水箱內的水質質量。

以上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，顯然，本領域的技術人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權利要求及其等同技術的范圍之內，則本發(fā)明也意圖包含這些改動和變型在內。