一种基于多元非线性回归的纺织物烘干时间判定方法与流程

1.本发明涉及智能分类预测技术领域，尤其涉及一种基于多元非线性回归的纺织物烘干时间判定方法。


背景技术：

2.传统分类算法预测通常采用人工专家经验以及机器学习预测算法对烘干时间进行预测，但由于纺织物材质的多样性、用户投入待烘干纺织物的干湿程度的差异性等原因，预测的结果往往不具有普适性，人们非凡的认知能力启发了许多系统，然而当影响因素的数量显著增加时，人们就难以进行有效分析了，由于大量数据通常带有大量信息，为了提取、分类和预测信息，有必要采取自动化的方法；同时可以通过记录数据整合成图表观察烘干时间与温湿度、材质等之间的关系，但无法很好的描述发现现象的相关性、趋势性的时间序列等，因此很难找到一种通用方法来总结它们的共同特征；机器学习是计算机科学的一个大分支，其目的是通过现有数据集来实现现实中描述性和预测性的模型，因此可以尝试引入传统的分类算法进行预测。
3.如在传统的knn算法(k
‑
nearest neighbor)中，它的基本思想是：在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前k个数据，则该测试数据对应的类别就是k个数据中出现次数最多的那个分类；距离计算使用的是欧式距离，n维空间的欧式距离公式为：
[0004][0005]
但由于knn方法主要靠周围有限的邻近样本，而不是靠判别类域的方法来确定所属类别的，因此对于这种不同待烘干衣物其类域的交叉或重叠较多的待分样本集来说，knn方法存在一些局限性：
[0006]
(1)对各参数都进行计算，计算量太大。
[0007]
(2)对于样本分类不均衡的问题，会产生误判。
[0008]
(3)输出的可解释性不强。
[0009]
决策树(decision tree)学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出决策树表示的分类规则。决策树主要有三类，分别是：id3、c4.5、cart；展示了对象属性与对象值之间的一种映射关系；树中每个叶节点代表的是预测的烘干时间范围值，而每个分叉路径则代表的是某个可能的属性值(如“是否为化纤材质”，“衣物是否温度范围为30
‑
45℃”，“湿度是否小于30％”等)，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
[0010]
决策树算法主要包括三个部分：
[0011]
(1)特征选择：选择出烘干温度、湿度、材质等对训练集有用的特征或属性。
[0012]
(2)生成决策树：通过特征选择递归的生成决策树。
[0013]
(3)剪枝优化：当决策树的判断条件过多，树过于复杂，则主动剪掉一些分支来降低拟合的风险。
[0014]
其具有如下局限性：
[0015]
(1)对个别数据比较敏感：数据集中样本的增减，对模型的训练影响较大。
[0016]
(2)决策树模型的决策边界都是与坐标轴平行的，永远不会产生斜线，导致了绘制出的决策边界很可能不是真实情况的决策边界。
[0017]
(3)对前期样本数据的全面性要求很高(如需要涵盖全部衣物材质)，因为数据的数量不够多，虽然能划出决策边界，但是对于未知的数据来说，得出的结果可能不正确。


技术实现要素：

[0018]
为了缓解传统机器学习分类预测算法中的需要大量人工采样和难以处理离群点、决策边界可能不准确等问题，提供一种基于多元非线性回归的纺织物烘干时间判定方法,采用多元非线性回归模型，除了具有较高的精确度外，还具有结构较简单、解析式清晰、运算结果稳定等优点，步骤如下：
[0019]
步骤一、前期构造样本数据：对不同湿度、不同材质的纺织物在不同烘干温度下于烘干机中进行实验，得到对应的烘干时间，获取纺织物烘干时间数据；
[0020]
步骤二、分析纺织物烘干时间数据：对纺织物烘干数据进行分析，选取烘干温度、湿度、纺织物材质作为纺织物烘干时间数据的特征指标向量；
[0021]
步骤三、对单因素构造一元非线性回归模型；
[0022]
步骤四、构造纺织物烘干时间预测模型：为确定定量分析各影响因素与烘干时间的关系，结合实际测量和收集的不同材质纺织物烘干的速率，确定烘干温度、湿度、纺织物材质的影响因素,建立多元非线性回归预测模型；
[0023]
步骤五、通过纺织物烘干时间数据模型，得到烘干温度、湿度、纺织物材质，获取预测烘干时间，如果预测烘干时间
‑
实际烘干时间≤
±
10秒，模型效果与实际基本符合；如果预测烘干时间
‑
实际烘干时间≥
±
10秒，则模型效果与实际不符合，需要重复上述步骤四，直到多元非线性回归预测模型的预测结果正确率超过95％，得到优化后的多元非线性回归预测模型；当预测烘干时间
‑
实际烘干时间≤
±
10秒，则判断预测结果正确；
[0024]
步骤六、将纺织物的湿度、材质以及烘干温度输入优化后的多元非线性回归预测模型，得到纺织物的预测烘干时间。
[0025]
进一步，所述步骤三中一元非线性回归模型采用双高斯一元非线性模型。
[0026]
进一步，所述步骤四中多元非线性回归预测模型的建立过程如下：
[0027]
s1.设烘干时间定义为因变量y
i
，y
i
为模型输出，代入纺织物烘干时间数据的特征指标向量；建立y
i
＝f(x
i
,β) ε
i
方程，式中f()为烘干时间预测主体函数值，式中i＝(1,2,
…
,n)，n为特征指标自变量的数目，i为特征指标自变量的索引，向量x
i
＝(x1,x2,x3)为烘干特征指标自变量，其中x1为烘干温度，x2为湿度，x3为纺织物材质，将烘干时间定义为因变量y
i
，β为未知参数向量，i为随机误差项，所述误差ε
i
是独立存在且具有相同的分布，误差ε
i
分布服从高斯分布，范围在[
‑
1,1]之间；
[0028]
s2.建立回归拟合的残差平方和函数s(β)：
[0029]
式中σ表示求和，n表示一共有多少维度的自变量；
[0030]
设β的初值为β1，则其近似泰勒展开式为：式中f(x
i
,β)表示关于各影响因素的拟合函数，≈符号表示只保留了泰勒展开式的第一项f(x
i
,β1)以及第二项将基于烘干温度、湿度、衣物材质自变量向量x
i
的函数进行局部线性化，构建一个多项式来近似表达这个函数；
[0031]
代入到残差平方和函数中得到：代入到残差平方和函数中得到：式中表示的是对于特征指标自变量i的烘干时间的预测值，其中表示的是对于特征指标自变量i的烘干时间的预测值，其中表示烘干时间因变量与泰勒展开式求得值之间的差值；式中df(x
i
,β)与dβ表示f函数对β求偏导，令式z
i
中表示的是对拟合函数关于特征指标自变量i的偏导量，则其最小二乘评估为：
[0032][0033]
式中z为关于拟合函数中的全体特性指标自变量的偏导向量，式中为全体特征指标自变量的预测烘干时间结果值，设置一个β的初值β1，代入以上迭代表达式，可以得到新值β2，如此循环直到有β
n 1
‑
β
n
<ε，其中ε为阈值，此时s(β)的求导为0，即残差平方和函数s(β))达到极值；其为函数的最小值点。
[0034]
进一步，对步骤二中所述的纺织物材质进行数据化处理，方式为：对材质进行细分，归类常用面料成分，预先人工进行烘干实验，记录烘干的衣物材质及时间范围，取时间范围均值，设计材质
‑
烘干效率标签宽表，当衣服为组合型材质衣服时，烘干效率取各组合材质的单独材质中烘干效率的最小值作为该类型衣物的烘干效率。
[0035]
进一步，所述步骤二中，所述纺织物烘干温度与湿度的参数，通过传感器获取。
[0036]
进一步，对步骤六进一步说明：获取预测烘干时间，返回给用户界面进行展示；在每次不同用户的使用过程中将成功烘干的数据不断回传到数据库，逐步提升数据库数量形成烘干衣服画像；通过逐步增加的数据不断优化决策或分类算法的准确率，给用户推荐最优的方案；所述的数据库为：以java app mysql为数据库框架建立。
[0037]
进一步，一种实施基于多元非线性回归的纺织物烘干时间判定方法的共享智能烘干机，包括烘干机本体和处于烘干机本体外且与烘干机本体通过可拆卸结构可拆卸连接的储用桶，所述烘干机本体上成形有冷风入口，所述烘干机本体下部成形有第一热风出口，所述储用桶下部成形有与第一热风出口对应的第一热风入口，所述储用桶上部成形有第二热风出口。
[0038]
进一步，所述可拆卸结构包括l形卡块和与l形卡块对应的u形限位块，l形卡块与u形限位块一个固定在储用桶上，另一个固定在烘干机本体；所述烘干机本体上成形有定位凹槽，所述储用桶上安装有与定位凹槽对应的定位块。
[0039]
进一步，所述烘干机本体内安装有冷风通道，所述冷风通道内安装有连通管，所述连通管外部安装有换热片，所述烘干机本体上成形有第二热风入口和第三热风出口，所述
第二热风入口与第二热风出口对应，所述连通管一端穿过冷风通道与第二热风入口连通，所述连通管另一端穿过冷风通道与第三热风出口连通，所述第二热风入口内安装有温湿度传感器；所述冷风通道一端与冷风入口连通，所述冷风通道另一端连通有加热腔，所述加热腔内安装有电加热装置，所述电加热装置后部对应加热腔腔壁安装有风扇，所述风扇电连接有电机，所述加热腔连通第一热风出口，所述第一热风出口内安装有温度传感器；所述烘干机本体顶部嵌入式安装有智能网联器；所述烘干机本体上部安装有紫外线灯，所述储用桶上成形有与紫外线灯对应的连接口。
[0040]
采用上述进一步方案的有益效果如下：
[0041]
温度传感器与温湿度传感器进行数据采集，反馈给智能网联模块；电加热装置、电机、紫外线灯、通过电路控制板收到的执行命令控制频率和开关。
[0042]
进一步，所述智能网联模块关联有智能共享操作平台，所述智能共享操作平台包括有主页展示模块、状态监测模块、故障报警模块、用户通知模块、平台预约模块、干衣功能模块、数据监测模块、代取服务模块、人工调温模块、常见问题及解答模块；所述储用桶包括耐热刚性骨架，所述耐热刚性骨架外套有密封牛津布，所述密封牛津布上安装有拉链，所述储用桶内部安装有挂杆，所述储用桶上部两侧安装有把手；所述电加热装置为超导ptc暖风机；所述通讯模块为nb 蓝牙双通道通讯组；所述换热器为肋片管式换热器；所述第一热风出口、冷风入口、第二热风入口均于烘干机本体上安装有滤网。
[0043]
采用上述进一步方案的有益效果如下：
[0044]
1.主页展示模块：用户在使用干衣机时可以在主页实时查看到干衣的进展、设备运行情况和预计烘干时间、所需要支付的费用估算(费用可通过由自变量温度、时间所构造出来的分段函数估算)，同时会展示洗涤标签说明及烘干温湿度说明等用户帮助性信息；
[0045]
故障报警模块：设定水分或温湿度的报警上限阈值及下限阈值，当实时检测值高于上限阈值或低于下限阈值及时触发报警机制，及时进行断电处理，通知用户以及平台管理团队；
[0046]
用户通知模块：通知用户可以进行干衣及取衣操作。短信发送：在烘干完成后，系统后台发送唯一验证码到用户手机，作为用户取衣物的凭证。公众号推送：推送消息通知；
[0047]
平台预约模块：系统上可识别用户定位找到距离最近的运营点，用户查看该运营点下投放的干衣机，选择空闲的机器，或选择非空闲的机器排队预约等候，当机器可使用时，用户将收到短信告知可用；
[0048]
干衣功能模块：通过各种传感器返回的参数到系统后台中进行业务逻辑处理，当干衣完成后发送信号让机器停止运作，并发送短信提醒用户付款及取衣；
[0049]
数据监测模块：对热风温度、环境湿度、衣物温度、初始水分、当前水分、烘干过程已运行时间、烘干过程结束时间、烘干过程剩余时间、风力大小等参数进行监控，并展示在用户界面中；
[0050]
代取服务模块：在系统上可以选择距离干衣运营点的可配送范围内(300米)的储用桶暂存点的地理位置，系统估算实际距离，如果合乎可配送范围距离，则用户可以提交“代取服务单”，并缴纳相应的服务费用，负责代取的配送人员能在系统上查看到订单消息，提供代取服务，将储用桶及衣物送到用户选择的系统上展示的储用桶暂存点；
[0051]
人工调温模块：用户可以根据自身实际需求(如赶时间等)，人工适当调整温度(温
度需要合乎系统中设置的上下限温度阈值约束范围)，系统会根据用户调整的温度来预测烘干时间，并展示调整温度后的时间给到用户；
[0052]
常见问题及解答模块：通过提供常见洗烘过程中出现的问题及解决方案，最大化的提供高质、舒适的用户体验度。
[0053]
2.储用桶具有良好的抗热与密封性，储用桶还可以将所有权拆分成工作机组所有权与储用空间所有权，既多个用户可以使用一个工作机组，而每个用户都可以拥有一个储用桶。
[0054]
3.超导ptc暖风机可以变频，通过反馈的温度与湿度数据大小，来控制冷风加热的温度，从而保证纺织物烘干效果。
[0055]
4.通讯模块为nb 蓝牙双通道通讯组，能更好的反馈和收集烘干数据。
[0056]
5.肋片管式换热器的设置，有利于回收烘干过程的余热，利用余热与冷风进行热量交换，从而可以更好的控制成本。
[0057]
6.滤网的设置保护了烘干机内部与纺织物的洁净。
[0058]
为实现数据积累和反馈给用户信息建立智能共享操作平台，其基于app，其架构主要分为三层，从上向下依次为业务层、组件层、sdk层：
[0059]
(1)业务层：对业务模块的封装；包含：业务模块与业务数据(对业务数据的封装，统一管控)；
[0060]
(2)组件层：对系统组件的封装，包含通用工具和领域工具；
[0061]
(3)sdk层：系统api；2.层级之间单向依赖(上层依赖下层)，拒绝跨层访问；(实现层与层隔离)；3.层级之间使用接口通信。
[0062]
api管理器：系统的api管理模块，主要管控app各模块共享的api服务；仅供外部调用；调用方式：使用协议调用；
[0063]
hook管理器：用于模块的拦截、横切、解耦；
[0064]
模块管理器：主要管控app所有的模块的加载顺序、加载状态、生命周期；
[0065]
智能共享操作平台ui：封装了智能共享操作平台app的通用ui组件，可动态配置，拦截横切；
[0066]
消息总线：负责app业务层内部(包括业务模块和业务数据)模块间通信；
[0067]
路由总线：负责app业务模块层路由跳转。
[0068]
业务层内各模块之间通信基于消息总线、路由总线。(实现模块内隔离)业务层内各模块内部分别定义自己的消息代理、路由代理，实现内部、外部的消息通信处理。
[0069]
业务层子模块内部职责划分：
[0070]
(1)m(model数据，manager业务逻辑)；
[0071]
(2)v(view，展示与视图逻辑处理)；
[0072]
(3)c(controller调度m层，加载v层，刷新view层)；
[0073]
(4)a(api manager，消息转发与控制)消息代理、(模块间消息交互代理，每个模块一个)路由代理(模块间路由交互代理，每个模块一个)。
[0074]
与现有技术相比，本发明的优点在于：
[0075]
传统分类算法预测通常采用人工专家经验以及机器学习预测算法对烘干时间进行预测，但由于纺织物材质的多样性、用户投入待烘干衣物的干湿程度的差异性等原因，预
测的结果往往不具有普适性；本发明采用多元非线性回归模型，除了具有较高的精确度外，还具有结构较简单、解析式清晰、运算结果稳定等优点。
附图说明
[0076]
图1为决策树示例图；
[0077]
图2为示例拟合函数图；
[0078]
图3为智能共享烘干机工作原理流程图；
[0079]
图4为智能共享操作平台组织架构图；
[0080]
图5为智能共享操作平台数据流程示意图；
[0081]
图6为烘干机本体结构示意图；
[0082]
图7为储用桶侧面示意图；
[0083]
图8为储用桶俯视示意图；
[0084]
图9为储用桶背面示意图；
[0085]
图10为烘干机本体背面示意图。
具体实施方式
[0086]
为更进一步阐述本发明为达成预定目的所采用的技术手段及功效，以下结合附图及较佳实例，详细说明如下：
[0087]
实施例1
[0088]
如图6、7、8、9、10所示的一种共享智能烘干机，其结构组成如下：
[0089]
一种共享智能烘干机，储用桶13与烘干机本体13通过l形卡块18与u形限位块4连接固定，烘干机本体13上成形有定位凹槽25，储用桶24上安装有与定位凹槽25对应的定位块29，烘干机本体13上部成形有冷风入口15，烘干机本体13下部成形有第一热风出口6，储用桶24下部成形有与第一热风出口6对应的第一热风入口28，储用桶24上部成形有第二热风出口27；烘干机本体13内安装有冷风通道10，冷风通道10内安装有连通管11，连通管11外部安装有换热片1，烘干机本体13上成形有第二热风入口16和第三热风出口12，第二热风入口16与第二热风出口27对应，连通管11一端穿过冷风通道10与第二热风入口16连通，连通管11另一端穿过冷风通道10与第三热风出口12连通；冷风通道10一端与冷风入口15连通，冷风通道10另一端连通有加热腔8，加热腔8内安装有电加热装置9，电加热装置9后部对应加热腔8腔壁安装有风扇7，风扇7电连接有电机，加热腔8一端连通第一热风出口6，第一热风出口6内安装有温度传感器5；第一热风出口、冷风入口、第二热风入口均于烘干机本体上安装有滤网3；烘干机本体13顶部嵌入式安装有智能网联器14；烘干机本体13上部安装有紫外线灯2，储用桶24上成形有与紫外线灯2对应的连接口26；第二热风入口16内安装有sht35
‑
dis
‑
b型温湿度传感器17；储用桶24包括耐热刚性骨架20，耐热刚性骨架20外套有密封牛津布23，密封牛津布23上安装有拉链21，储用桶24内部安装有挂杆22，储用桶24上部两侧安装有把手19。
[0090]
本实施例为实现共享与智能化烘干目的的具体过程为：
[0091]
电加热装置9恒温加热功能确保热风始终处于合适温度，并将实时监测数据通过智能网联器14传至app用户端，以便用户对干衣服务进行实时查看，同时用户可以进行特定
温度时间参数设置，以特定温度对其衣物进行舒适烘干；当机组运行一段时间后，紫外灯2开启，杀菌消毒辅助衣物烘干，消除霉菌真菌等微生物，让衣物不再有异味，为用户提供更舒心的干衣服务；通过烘干机本体外13可拆卸连接储用桶24的方式，确保烘干机本体与私人空间的紧密结合，保证每一个用户使用时都能完全享有自己的干衣空间；储用桶24设置两层网格布料25，对空间进行了拆分，湿润衣物可以放置在不同网格中撑开润湿面积，有助于提升烘干效率；这种独具特色的可拆式结构一方面满足了用户的干衣需求，另一方面每一个用户都可以完全享有自己的私密空间，保证私人衣物的安全卫生。
[0092]
本实施例为实现烘干换热的具体流程为：
[0093]
空气通过冷风入口15进入冷风通道10，经过电加热装置9通过风扇7将干燥热风吹入储用桶24中，烘干后的热风通过第二热风入口16进入冷风通道10内的连通管11，通过连通管11外的换热片1进行余热交换，从而达到控制成本的目的。
[0094]
以上所述，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。