CN107728477A - 一种工厂化水产养殖水质溶解氧预测控制方法及*** - Google Patents
一种工厂化水产养殖水质溶解氧预测控制方法及*** Download PDFInfo
- Publication number
- CN107728477A CN107728477A CN201710859780.9A CN201710859780A CN107728477A CN 107728477 A CN107728477 A CN 107728477A CN 201710859780 A CN201710859780 A CN 201710859780A CN 107728477 A CN107728477 A CN 107728477A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- layer
- value
- water quality
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种工厂化水产养殖水质溶解氧预测控制方法及***,其中,所述方法包括:S1,在线获取工厂化水产养殖***的气象数据和水质数据,根据所述气象数据和水质数据获取训练数据集;S2,基于训练数据集,应用遗传粒子群算法优化模糊神经网络模型的模糊规则数和隶属度函数值,获取溶解氧预测模型;S3,将实时气象数据和水质数据输入溶解氧预测模型,获取溶解氧预测值;S4,根据溶解氧预测值调节工厂化水产养殖水质溶解氧的含量。本发明提供的一种工厂化水产养殖水质溶解氧预测控制方法及***,建立了精确的溶解氧预测模型,提高了预测精度,实现了溶解氧的实时控制,提高了增氧的准确性和及时性,降低溶氧的经济成本。
Description
技术领域
本发明涉及工厂化水产养殖技术领域,尤其涉及一种工厂化水产养殖水质溶解氧预测控制方法及***。
背景技术
随着工厂化水产养殖业中网箱养殖和池塘养殖模式的日益推广和普及,养殖密度不断提高,饲料投放、疾病防治、水温、水中溶解氧浓度的检测与控制对提高养殖产量与质量非常重要,其中溶解氧浓度检测与控制成为提高养殖密度、产量与质量的关键因素。
据有关资料显示,养殖鱼类在溶解氧含量3mg/L时的饲料系数要比4mg/L时增大1倍;在溶解氧量7mg/L时,鱼的生长速度要比在溶解氧4mg/L时快20%~30%,而饲料系数降低30%~50%。当水中溶解氧量达到4.5mg/L以上时,养殖鱼、虾的食欲增强极为明显;溶解氧量上升到5mg/L以上时,饲料系数达到最佳值。如果水中溶解氧过低,就会给鱼类生长和繁殖带来不利影响,还可能造成鱼类大面积死亡。在淡水养殖中,水体加氧一般是根据经验,随意性较大,由于加氧不及时而造成养殖损失的现象时有发生。传统的池塘水质控制手段很难满足现代化养殖的精确和实时性要求,无法提供水产的最佳生长环境。因此,有必要对养殖场所的养殖水域建立溶解氧监控***以达到对溶解氧含量进行实时监控。
然而,目前针对溶解氧的预测方式大都过于简单,没有深入分析溶解氧的特点,操作人员仅凭经验设定每个阶段养殖池塘溶解氧浓度的值。而影响溶解氧的因素主要有气象因素空气湿度、光照、大气压、二氧化碳,水中水温、pH值和电导率等,这些影响因素本身存在错综复杂的相互关系。溶解氧与不同季节、测量时间、测量点的位置和深度以及鱼池的深度和表面积有关,很难建立一个精确的预测模型,溶解氧的预测面临着控制精度低和控制成本高的问题。
发明内容
本发明为解决现有技术中存在的溶解氧预测精度低、控制成本高的问题,提供了一种工厂化水产养殖水质溶解氧预测控制方法及***。
一方面,本发明提出一种工厂化水产养殖水质溶解氧预测控制方法,包括:S1,在线获取工厂化水产养殖***的气象数据和水质数据,根据所述气象数据和水质数据获取训练数据集;S2,基于所述训练数据集,应用遗传粒子群算法优化模糊神经网络模型的模糊规则数和隶属度函数值,获取溶解氧预测模型;S3,将实时气象数据和水质数据输入所述溶解氧预测模型,获取溶解氧预测值;S4,根据所述溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量。
优选地,还包括步骤S5:重复步骤S3和S4,实现所述工厂化水产养殖水质溶解氧的动态预测和调节。
优选地,所述步骤S1进一步包括:S101,在线获取工厂化水产养殖***的气象数据和水质数据;S102,基于工厂化水产养殖***的气象数据和水质数据,建立原始数据集;S103,归一化处理所述原始数据集,获取训练数据集。
优选地,所述步骤S2进一步包括:S201,建立模糊神经网络模型;S202,根据所述训练数据集训练所述模糊神经网络模型;S203,应用遗传粒子群算法优化所述模糊神经网络模型的模糊规则数和隶属度函数值,获取基于遗传粒子群优化模糊神经网络的溶解氧预测模型。
优选地,所述步骤S2中,所述模糊神经网络模型包括五层网络结构:第一层:输入层,第一层每个节点表示一个输入变量,第二层:模糊化层,通过一个或多个隶属函数将所述输入变量模糊化,第三层:模糊条件层,第三层节点进行模糊规则条件部分的组合配合,第四层:模糊判决层,第四层节点与第三层节点的连接关系表示模糊规则的结论,获取对应输出节点的模糊值,第五层:去模糊化层,将输出量从模糊值还原乘数值形式,实现输出清晰化,
其中,和分别表示第k层第i个节点的输入和输出,为第k-1层的第i个节点与第k层的第j个节点的连接权,f()为相应节点的隶属函数,mk、σk分别表示隶属函数的中心值和宽度,第一层至第四层的连接权均为1。
优选地,所述步骤S1中,所述气象数据包括空气湿度、光照强度、大气压强和二氧化碳含量,所述水质数据包括溶解氧含量、电导率、pH值和水温。
优选地,所述步骤S4进一步包括:S401,根据所述溶解氧预测值和溶解氧实际值获取溶解氧误差和溶解氧误差率;S402,将所述溶解氧误差和溶解氧误差率输入模糊神经网络控制模型,获取溶解氧修正值;S403,根据所述溶解氧修正值生成控制指令;S404,根据所述控制指令调节所述工厂化水产养殖***中增氧设备的增氧速度;S405,重复步骤S404,实现所述工厂化水产养殖水质溶解氧的含量的自动调节。
优选地,根据所述步骤S402中获取的溶解氧修正值修正当前溶解氧含量,并将修正后的所述当前溶解氧含量作为一个输入参数输入所述溶解氧预测模型。
另一方面,本发明提出一种工厂化水产养殖水质溶解氧预测控制***,包括:采集模块、预测模块和控制执行模块,所述采集模块和控制执行模块分别与所述预测模块电连接;其中,所述采集模块用于在线获取所述工厂化水产养殖的气象数据和水质数据;所述预测模块根据所述气象数据和水质数据通过溶解氧预测模型获取溶解氧预测值;所述溶解氧预测模型为模糊神经网络模型,应用遗传粒子群算法对所述模糊神经网络模型的模糊规则数和隶属度函数值进行优化;所述控制执行模块根据所述溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量。
优选地,所述控制执行模块包括指令生成单元和执行单元;所述指令生成单元根据所述溶解氧预测值生成控制指令,通过所述控制指令控制所述执行单元调节所述工厂化水产养殖水质溶解氧的含量。
本发明提供的一种工厂化水产养殖水质溶解氧预测控制方法及***,通过遗传粒子群算法优化模糊神经网络模糊规则数、隶属度函数参数值,建立了精确的溶解氧预测模型,提高了溶解氧的预测精度,实现了溶解氧的实时控制,提高了增氧的准确性和及时性,降低溶氧的经济成本。
附图说明
图1为本发明具体实施例的一种工厂化水产养殖水质溶解氧预测控制方法的流程示意图;
图2为本发明具体实施例的遗传粒子群算法的流程示意图;
图3为本发明具体实施例的模糊神经网络模型的结构示意图;
图4为本发明具体实施例的溶解氧预测控制***框图;
图5为本发明具体实施例的一种工厂化水产养殖水质溶解氧预测控制***的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
随着工厂化水产养殖业的快速发展,溶解氧作为水产养殖业的重要指标,对鱼类、虾类等水产品的生长、病害、预测有着非常重要的影响。影响溶解氧的因素主要有空气湿度、光照、大气压、二氧化碳、水温、pH值和电导率等,这些影响因素本身存在错综复杂的相互关系。溶解氧与不同季节、测量时间、测量点的位置和深度以及鱼池的深度和表面积有关,很难建立一个精确的预测模型。针对溶解氧难以建立准确的预测模型,和传统神经网络预测模型存在易陷入局部最优解、过学习、不适于高维数等缺陷的问题,本发明提出了基于遗传粒子群优化模糊神经网络的溶解氧预测模型,用以实现工厂化水产养殖水质溶解氧的预测与控制。
图1为本发明具体实施例的一种工厂化水产养殖水质溶解氧预测控制方法的流程示意图,如图1所示,一种工厂化水产养殖水质溶解氧预测控制方法,包括:S1,在线获取工厂化水产养殖***的气象数据和水质数据,根据所述气象数据和水质数据获取训练数据集;S2,基于所述训练数据集,应用遗传粒子群算法优化模糊神经网络模型的模糊规则数和隶属度函数值,获取溶解氧预测模型;S3,将实时气象数据和水质数据输入所述溶解氧预测模型,获取溶解氧预测值;S4,根据所述溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量。
具体地,首先,***在线采集一定时间段内工厂化水产养殖的气象数据和水质数据,并根据所述气象数据和水质数据获取模糊神经网络模型的训练数据集。
其次,***应用所述训练数据集训练模糊神经网络模型,并应用遗传粒子群(GA-PSO)复合算法优化所述模糊神经网络模型的模糊规则数、隶属度函数参数值,即网络的中间层数、隶属函数的中心和宽度,以获取基于遗传粒子群优化模糊神经网络的溶解氧预测模型。
其中,所述模糊神经网络将模糊逻辑***与神经网络结合起来,在保持模糊控制***较强的知识表达能力的同时又提高了其自适应能力、自学习能力。此外,遗传算法和粒子群算法的结合,既能保证模型全局收敛性,又能克服梯度法对初始值的依赖和局部收敛问题,同时还克服了单纯粒子群算法造成的随机性、概率性问题。
随后,***在线实时采集工厂化水产养殖的气象数据和水质数据,并将所采集的数据输入到上一步骤中获取的所述溶解氧预测模型中,获取水产养殖溶解氧预测值。
最后,***根据溶解氧预测值生成控制指令,并通过所述控制指令调节所述工厂化水产养殖水质溶解氧的含量,在实现溶解氧精确预测的基础上,加入了溶解氧控制***,实现了溶解氧浓度的在线预测与实时控制。
本发明具体实施例中,通过遗传粒子群算法优化模糊神经网络模糊规则数、隶属度函数参数值,建立了精确的溶解氧预测模型,提高了溶解氧的预测精度,实现了溶解氧的实时控制,提高了增氧的准确性和及时性,降低溶氧的经济成本。
基于上述具体实施例,一种工厂化水产养殖水质溶解氧预测控制方法,包括步骤S5:重复步骤S3和S4,实现所述工厂化水产养殖水质溶解氧的动态预测和调节。
具体地,基于遗传粒子群优化模糊神经网络的溶解氧预测模型建立后,重复将实时采集的气象数据和水质数据输入溶解氧预测模型,并根据获取的溶解氧预测值对工厂化水产养殖***水质的溶解氧含量进行控制调节,通过实时数据进行预测控制,实现了溶解氧预测控制的动态优化。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制方法,所述步骤S1进一步包括:S101,在线获取工厂化水产养殖***的气象数据和水质数据;S102,基于工厂化水产养殖***的气象数据和水质数据,建立原始数据集;S103,归一化处理所述原始数据集,获取训练数据集。
具体地,首先,***在线采集一定时间段内工厂化水产养殖的气象数据和水质数据。
其次,***根据所述工厂化水产养殖的气象数据和水质数据,建立原始数据集。其中,原始数据集建立之前,可以对所述气象数据和水质数据进行筛除丢失数据、错误数据的处理操作,但不限于此。
随后,为了提高预测精度、规范化试验数据,***对所述原始数据集进行归一化处理,获取模糊神经网络模型的训练数据集。其中,通过归一化mapminmax函数将原始数据集转换为[-1,1]内的值,所述归一化mapminmax函数如下:
其中,xmax和xmin分别表示输入参数的最小值和最大值,ymin和ymax为-1和1,x为输入的数据,y为归一化后的数据。
本发明具体实施例中,归一化操作的执行,规范了试验数据,提高了溶解氧预测模型的精度。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制方法,所述步骤S2进一步包括:
S201,建立模糊神经网络模型;
S202,根据所述训练数据集训练所述模糊神经网络模型;
S203,应用遗传粒子群算法优化所述模糊神经网络模型的模糊规则数和隶属度函数值,获取基于遗传粒子群优化模糊神经网络的溶解氧预测模型。
具体地,所述步骤S2中根据训练数据集,获取基于遗传粒子群优化模糊神经网络的溶解氧预测模型,进一步包括:
首先,根据影响所述工厂化水产养殖***中溶解氧含量的因素,确认输入变量的具体种类数量,建立模糊神经网络溶解氧预测模型。
其次,根据步骤S1中获取的训练数据集训练所述模糊神经网络溶解氧预测模型,初步确定所述模糊神经网络溶解氧预测模型中需要的模糊规则数和隶属度函数值。
最后,在上述步骤的基础上,应用遗传粒子群算法优化所述模糊神经网络溶解氧预测模型的模糊规则数和隶属度函数值,即网络中间层数、隶属函数的中心和宽度。
进一步地,图2为本发明具体实施例的遗传粒子群算法的流程示意图,如图2所示,步骤S203中,应用遗传粒子群算法优化所述模糊神经网络溶解氧预测模型的模糊规则数和隶属度函数值,所述遗传粒子群的具体算法如下:
1.粒子群初始化。随机产生一组粒子,粒子数标记为n;随机产生粒子的初始速度及位置。
2.适应度评价并更新全局极值与个体极值。根据适应度函数求得粒子的适应度值。若粒子的适应度值优于当前个体极值pbest,则将当前适应度值作为该粒子的个体极值;与当前全局极值相比,若所有粒子的最优个体极值更优,则将最优个体极值作为当前全局极值gbest。
3.变异操作。
1)针对粒子i产生一个均匀分布在0和1之间的随机数,记为r。
2)若r<Pm(变异概率),则对粒子i的局部最优值进行变易操作。首先,产生一个满足标准正太分布的随机数η,然后对该局部最优值增加扰动,若局部最优值记为pbest,则将增加的扰动表示为:
pbest=pbest×(1+η)
4.根据粒子速度和位置更新公式更新每个粒子的速度和位置,所述粒子速度和位置更新公式如下:
v(k+1)=c0v(k)+c1[pbest(k)+x(k)]+c2[pbest(k)+x(k)]
x(k+1)=x(k)+v(k+1)
其中,v(k+1)为第k+1次迭代粒子的速度,v(k)为第k次迭代粒子的速度;x(k+1)为第k+1次迭代粒子的位置,x(k)为第k次迭代粒子的位置;c0为惯性权重,c1、c2为加速度常数。
5.检查是否符合终止条件。若满足条件,则终止迭代;否则,返回步骤2。
本发明具体实施例提出了获取基于遗传粒子群优化模糊神经网络的溶解氧预测模型的具体步骤,提高了溶解氧预测的精确度。
基于上述任一具体实施例,图3为本发明具体实施例的模糊神经网络模型的结构示意图,如图3所示,一种工厂化水产养殖水质溶解氧预测控制方法,所述步骤S2中,所述模糊神经网络模型包括五层网络结构:
第一层:输入层,第一层每个节点表示一个输入变量,其中,和分别表示第1层第i个节点的输入和输出,xi表示第i个输入变量。
第二层:模糊化层,通过一个或多个隶属函数将所述输入变量模糊化,其中,和分别表示第2层第j个节点的输入和输出,为第1层的第i个节点与第2层的第j个节点的连接权,f()为相应节点的隶属函数。
第三层:模糊条件层,第三层节点进行模糊规则条件部分的组合配合,实现各个输入模糊值的“乘”运算,其中,和分别表示第3层第l个节点的输入和输出,为第2层的第j个节点与第3层的第l个节点的连接权,Π为累乘符号。
第四层:模糊判决层,第四层节点与第三层节点的连接关系表示模糊规则的结论,获取对应输出节点的模糊值, 其中,和分别表示第4层第k个节点的输入和输出,为第3层的第l个节点与第4层的第k个节点的连接权。
第五层:去模糊化层,第五层节点实现“解模糊化”,将输出量从模糊值还原乘数值形式,实现输出清晰化,
其中,I5和O5分别表示第5层节点的输入和输出,y为所述溶解氧预测模型的输出值;为第4层的第k个节点与第5层的节点的连接权,mk、σk分别表示隶属函数的中心值和宽度,第一层至第四层的连接权均为1。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制方法,所述步骤S1中,所述气象数据包括空气湿度、光照强度、大气压强和二氧化碳含量,所述水质数据包括溶解氧含量、电导率、pH值和水温。
具体地,所述气象数据包括空气湿度、光照强度、大气压强和二氧化碳含量。所述气象数据的获取方式有多种,例如通过湿度传感器、光照传感器、压强计等采集装置的组合,或者气象站实时采集等时间间隔连续的气象数据。
所述水质数据包括溶解氧含量、电导率、pH值和水温。所述水质数据的获取实现方式有多种,例如通过多个智能传感器结合使用实现等时间间隔连续的水质数据的实时采集。
上述气象数据和水质数据均为影响所述工厂化水产养殖***中溶解氧含量的因素。
本发明具体实施例中,提出了具体的气象数据和水质数据的参数,为实现溶解氧含量的精确测量提供了全面完整的影响因素,提高了溶解氧预测模型的准确性。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制方法,所述步骤S4进一步包括:S401,根据所述溶解氧预测值和溶解氧实际值获取溶解氧误差和溶解氧误差率;S402,将所述溶解氧误差和溶解氧误差率输入模糊神经网络控制模型,获取溶解氧修正值;S403,根据所述溶解氧修正值生成控制指令;S404,根据所述控制指令调节所述工厂化水产养殖***中增氧设备的增氧速度;S405,重复步骤S404,实现所述工厂化水产养殖水质溶解氧的含量的自动调节。
具体地,对照图4所示的本发明具体实施例的溶解氧预测控制***框图,步骤S4根据所述溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量进一步包括:
首先,将步骤S3中获取的溶解氧预测值y(k+Δk(与溶解氧实际值y(k(进行比较,获取所述溶解氧预测值和溶解氧实际值的误差E(k+△k(和误差率EC(k+△k)。
其次,将误差E(k+Δk)和误差率EC(k+Δk)作为两个输入变量,输入到模糊神经网络控制模型中,获取溶解氧修正值Δu(k)。
接着,应用溶解氧修正值Δu(k)对当前溶解氧含量u(k)进行修正,并根据修正结果生成控制指令。
然后,根据所述控制指令调节所述工厂化水产养殖***中增氧设备的增氧速度。
最后,重复上述步骤,对所述增氧设备进行持续控制,完成溶氧量的自动调整。
本发明具体实施例提出了调节溶解氧含量的具体步骤,完善了工厂化水产养殖水质溶解氧的预测控制***,提高了溶解氧含量的控制精度和***的稳定性。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制方法,根据所述步骤S402中获取的溶解氧修正值修正当前溶解氧含量,并将修正后的所述当前溶解氧含量输入所述溶解氧预测模型。
具体地,对照图4所示的本发明具体实施例的溶解氧预测控制***框图,应用溶解氧修正值Δu(k)对当前溶解氧含量u(k)进行修正,并将修正后的溶解氧含量u作为一个输入参数输入到溶解氧预测模型中,提高了所述溶解氧预测模型的预测精度。
基于上述任一方法具体实施例,图5为本发明具体实施例的一种工厂化水产养殖水质溶解氧预测控制***的结构示意图,如图5所示,一种工厂化水产养殖水质溶解氧预测控制***,包括:采集模块501、预测模块502和控制执行模块503,所述采集模块501和控制执行模块503分别与所述预测模块502电连接;其中,所述采集模块501用于在线获取所述工厂化水产养殖的气象数据和水质数据;所述预测模块502根据所述气象数据和水质数据通过溶解氧预测模型获取溶解氧预测值;所述溶解氧预测模型为模糊神经网络模型,应用遗传粒子群算法对所述模糊神经网络模型的模糊规则数和隶属度函数值进行优化;所述控制执行模块503根据所述溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量。
具体地,采集模块501用于实时获取工厂化水产养殖***中影响水质溶解氧含量的因素,包括气象数据和水质数据。所述采集模块501将获取的所述气象数据和水质数据传输给预测模块502。
所述预测模块502接收到所述采集模块501发送的气象数据和水质数据后,将所述气象数据和水质数据输入到溶解氧预测模型中,获取溶解氧预测值。所述溶解氧预测模型为基于遗传粒子群优化模糊神经网络的溶解氧预测模型,所述溶解氧预测模型的参数包括经过遗传和粒子群复合算法优化寻得的模型最优模糊规则数、模糊规则数和隶属度函数参数值,即网络中间层数、隶属函数的中心和宽度。
随后,所述预测模块502将获取的溶解氧预测值发送给控制执行模块503,所述控制执行模块503根据溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量。
本发明具体实施例提供的一种工厂化水产养殖水质溶解氧预测控制***,通过遗传粒子群算法优化模糊神经网络模糊规则数、隶属度函数参数值,建立了精确的溶解氧预测模型,提高了溶解氧的预测精度,实现了溶解氧的实时控制,提高了增氧的准确性和及时性,降低溶氧的经济成本。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制***,所述控制执行模块503包括指令生成单元和执行单元;所述指令生成单元根据所述溶解氧预测值生成控制指令,通过所述控制指令控制所述执行单元调节所述工厂化水产养殖水质溶解氧的含量。
具体地,所述控制执行模块503包括指令生成单元和执行单元,其中,所述指令生成单元根据预测模块502获取的溶解氧预测值生成控制指令,并将所述控制指令发送给执行单元。
所述执行单元包括增氧设备,通过所述增氧设备的增氧速度,调节溶解氧的含量。
进一步地,所述增氧设备包括叶轮式增氧机、水车式增氧机、喷水式增氧机、充气式增氧机、吸入式增氧机、涡流式增氧机和增氧泵等。本发明具体实施例中采用液氧增氧设备实现对溶解氧含量的调节,但不限于此。
本发明具体实施例,在实现溶解氧精确预测的基础上,加入了溶解氧控制***,实现了溶解氧浓度的在线预测与实时控制。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制***,所述采集模块501包括气象数据采集单元和水质数据采集单元。
具体地,其中所述气象数据采集单元用于实时采集等时间间隔连续的空气湿度、光照强度、大气压强和二氧化碳含量,所述气象数据采集单元的实现方式有多种,例如湿度传感器、光照传感器、压强计等采集装置的组合,或者气象站。
所述水质数据采集单元用于实时采集等时间间隔连续的溶解氧含量、电导率、pH值和水温,所述水质数据采集单元的实现方式有多种,本发明具体实施例中通过多个智能传感器结合使用实现多个数据的采集。
所述采集模块获取工厂化水产养殖***的气象数据和水质数据,并将所述气象数据和水质数据发送给预测模块502。
本发明具体实施例中,提出了通过采集模块获取数据,为实现溶解氧含量的精确测量提供了全面完整的影响因素,提高了溶解氧预测模型的准确性。
基于上述任一具体实施例,一种工厂化水产养殖水质溶解氧预测控制***,所述控制执行模块503还包括模糊神经网络控制模型,所述模糊神经网络控制模型的输入变量为所述溶解氧预测值和溶解氧实际值的误差和误差率,所述模糊神经网络控制模型的输出变量为溶解氧修正值。
具体地,预测模块502将气象数据和水质数据输入基于遗传粒子群优化模糊神经网络的溶解氧预测模型,获取溶解氧预测值y(k+Δk(,并将所述溶解氧预测值y(k+Δk)发送给控制执行模块503。
所述控制执行模块503接收到预测模块502发送的溶解氧预测值y(k+Δk)后,将所述溶解氧预测值y(k+Δk)与溶解氧实际值y(k)进行比较,获取所述溶解氧预测值和溶解氧实际值的误差E(k+Δk)和误差率EC(k+Δk),并将误差E(k+Δk)和误差率EC(k+Δk)作为两个输入变量,输入到模糊神经网络控制模型中,获取溶解氧修正值Δu(k),应用溶解氧修正值Δu(k)对当前溶解氧含量u(k)进行修正,并根据修正结果生成控制指令,将所述控制指令发送给增氧设备,用于调节所述工厂化水产养殖水质溶解氧的含量。
本发明具体实施例中提出了包括模糊神经网络控制模型的闭环控制***,完善了工厂化水产养殖水质溶解氧的预测和控制***,提高了溶解氧含量的控制精度和***的稳定性。
本发明应用遗传粒子群算法优化模糊神经网络,获取优化网络模糊规则数、隶属度函数参数值,建立了遗传粒子群模糊神经网络溶解氧预测模型,提高了预测精度。此外,本发明还提出了模糊神经网络控制模型,解决了非线性***难以控制的问题,实现了溶解氧浓度的在线预测与实时控制。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种工厂化水产养殖水质溶解氧预测控制方法,其特征在于,包括:
S1,在线获取工厂化水产养殖***的气象数据和水质数据,根据所述气象数据和水质数据获取训练数据集;
S2,基于所述训练数据集,应用遗传粒子群算法优化模糊神经网络模型的模糊规则数和隶属度函数值,获取溶解氧预测模型;
S3,将实时气象数据和水质数据输入所述溶解氧预测模型,获取溶解氧预测值;
S4,根据所述溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量。
2.根据权利要求1所述的方法,其特征在于,还包括步骤S5:重复步骤S3和S4,实现所述工厂化水产养殖水质溶解氧的动态预测和调节。
3.根据权利要求1所述的方法,其特征在于,所述步骤S1进一步包括:
S101,在线获取工厂化水产养殖***的气象数据和水质数据;
S102,基于工厂化水产养殖***的气象数据和水质数据,建立原始数据集;
S103,归一化处理所述原始数据集,获取训练数据集。
4.根据权利要求1所述的方法,其特征在于,所述步骤S2进一步包括:
S201,建立模糊神经网络模型;
S202,根据所述训练数据集训练所述模糊神经网络模型;
S203,应用遗传粒子群算法优化所述模糊神经网络模型的模糊规则数和隶属度函数值,获取基于遗传粒子群优化模糊神经网络的溶解氧预测模型。
5.根据权利要求1所述的方法,其特征在于,所述步骤S2中,所述模糊神经网络模型包括五层网络结构:
第一层:输入层,第一层每个节点表示一个输入变量,
第二层:模糊化层,通过一个或多个隶属函数将所述输入变量模糊化,
第三层:模糊条件层,第三层节点进行模糊规则条件部分的组合配合,
第四层:模糊判决层,第四层节点与第三层节点的连接关系表示模糊规则的结论,获取对应输出节点的模糊值,
第五层:去模糊化层,将输出量从模糊值还原乘数值形式,实现输出清晰化,
<mrow>
<mi>y</mi>
<mo>=</mo>
<msup>
<mi>O</mi>
<mn>5</mn>
</msup>
<mo>=</mo>
<mfrac>
<msup>
<mi>I</mi>
<mn>5</mn>
</msup>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mi>k</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>O</mi>
<mi>k</mi>
<mn>4</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
其中,和分别表示第k层第i个节点的输入和输出,为第k-1层的第i个节点与第k层的第j个节点的连接权,f()为相应节点的隶属函数,mk、σk分别表示隶属函数的中心值和宽度,第一层至第四层的连接权均为1。
6.根据权利要求1所述的方法,其特征在于,所述步骤S1中,所述气象数据包括空气湿度、光照强度、大气压强和二氧化碳含量,所述水质数据包括溶解氧含量、电导率、pH值和水温。
7.根据权利要求1所述的方法,其特征在于,所述步骤S4进一步包括:
S401,根据所述溶解氧预测值和溶解氧实际值获取溶解氧误差和溶解氧误差率;
S402,将所述溶解氧误差和溶解氧误差率输入模糊神经网络控制模型,获取溶解氧修正值;
S403,根据所述溶解氧修正值生成控制指令;
S404,根据所述控制指令调节所述工厂化水产养殖***中增氧设备的增氧速度;
S405,重复步骤S404,实现所述工厂化水产养殖水质溶解氧的含量的自动调节。
8.根据权利要求7所述的方法,其特征在于,根据所述步骤S402中获取的溶解氧修正值修正当前溶解氧含量,并将修正后的所述当前溶解氧含量作为一个输入参数输入所述溶解氧预测模型。
9.一种工厂化水产养殖水质溶解氧预测控制***,其特征在于,包括:采集模块、预测模块和控制执行模块,所述采集模块和控制执行模块分别与所述预测模块电连接;
其中,所述采集模块用于在线获取所述工厂化水产养殖的气象数据和水质数据;
所述预测模块根据所述气象数据和水质数据通过溶解氧预测模型获取溶解氧预测值;所述溶解氧预测模型为模糊神经网络模型,应用遗传粒子群算法对所述模糊神经网络模型的模糊规则数和隶属度函数值进行优化;
所述控制执行模块根据所述溶解氧预测值调节所述工厂化水产养殖水质溶解氧的含量。
10.根据权利要求9所述的***,其特征在于,所述控制执行模块包括指令生成单元和执行单元;
所述指令生成单元根据所述溶解氧预测值生成控制指令,通过所述控制指令控制所述执行单元调节所述工厂化水产养殖水质溶解氧的含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710859780.9A CN107728477A (zh) | 2017-09-21 | 2017-09-21 | 一种工厂化水产养殖水质溶解氧预测控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710859780.9A CN107728477A (zh) | 2017-09-21 | 2017-09-21 | 一种工厂化水产养殖水质溶解氧预测控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107728477A true CN107728477A (zh) | 2018-02-23 |
Family
ID=61207587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710859780.9A Pending CN107728477A (zh) | 2017-09-21 | 2017-09-21 | 一种工厂化水产养殖水质溶解氧预测控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107728477A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694474A (zh) * | 2018-06-26 | 2018-10-23 | 青岛盛景电子科技有限公司 | 基于粒子群的模糊神经网络池塘溶解氧预测 |
CN110451626A (zh) * | 2019-09-02 | 2019-11-15 | 泉州师范学院 | 中小尺度养殖水体中溶解氧和pH精确控制的装置及方法 |
CN110647032A (zh) * | 2019-10-31 | 2020-01-03 | 电子科技大学 | 一种基于粒子群与遗传算法优化的模糊pid的三轴稳定器 |
CN110826749A (zh) * | 2018-08-07 | 2020-02-21 | 中国农业大学 | 基于snn的溶解氧含量预测方法、电子设备及*** |
CN110836683A (zh) * | 2018-08-15 | 2020-02-25 | 光大水务科技发展(南京)有限公司 | 河道管理方法、河道管理装置及终端 |
CN111538229A (zh) * | 2020-04-28 | 2020-08-14 | 重庆工商大学 | 基于氨氮和溶解氧精准控制的水产养殖循环水处理*** |
CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及*** |
CN113126490A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 智能变频增氧控制方法及装置 |
CN114169242A (zh) * | 2021-12-10 | 2022-03-11 | 浙江嘉科新能源科技有限公司 | 一种基于参数不确定性分析河道生态增氧的智能控制算法 |
CN114340384A (zh) * | 2019-08-20 | 2022-04-12 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
CN116755478A (zh) * | 2023-08-22 | 2023-09-15 | 华南师范大学 | 一种基于深海养殖的溶解氧控制方法及*** |
CN117084200A (zh) * | 2023-08-22 | 2023-11-21 | 盐城工业职业技术学院 | 应用大数据分析的水产养殖投药控制*** |
CN117247132A (zh) * | 2023-11-15 | 2023-12-19 | 成都之维安科技股份有限公司 | 一种基于aao工艺的智能精准曝气方法 |
CN117970784A (zh) * | 2024-04-01 | 2024-05-03 | 广东海洋大学 | 一种用于水产养殖的增氧设备控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及*** |
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及*** |
CN106022502A (zh) * | 2015-10-13 | 2016-10-12 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于气象数据的淡水养殖水质预测方法 |
CN106227042A (zh) * | 2016-08-31 | 2016-12-14 | 马占久 | 基于模糊神经网络的溶解氧控制方法 |
CN106292802A (zh) * | 2016-09-18 | 2017-01-04 | 中国农业大学 | 一种用于鱼菜共生***的智能预测控制***及方法 |
-
2017
- 2017-09-21 CN CN201710859780.9A patent/CN107728477A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及*** |
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及*** |
CN106022502A (zh) * | 2015-10-13 | 2016-10-12 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于气象数据的淡水养殖水质预测方法 |
CN106227042A (zh) * | 2016-08-31 | 2016-12-14 | 马占久 | 基于模糊神经网络的溶解氧控制方法 |
CN106292802A (zh) * | 2016-09-18 | 2017-01-04 | 中国农业大学 | 一种用于鱼菜共生***的智能预测控制***及方法 |
Non-Patent Citations (3)
Title |
---|
周志坚 等: "一种基于遗传算法的模糊神经网络最优控制", 《控制理论与应用》 * |
孙伟 等: "基于自适应遗传粒子群优化模糊神经", 《汽车工程》 * |
成慧翔: "基于复合粒子群优化的模糊神经预测控制的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694474A (zh) * | 2018-06-26 | 2018-10-23 | 青岛盛景电子科技有限公司 | 基于粒子群的模糊神经网络池塘溶解氧预测 |
CN110826749A (zh) * | 2018-08-07 | 2020-02-21 | 中国农业大学 | 基于snn的溶解氧含量预测方法、电子设备及*** |
CN110836683A (zh) * | 2018-08-15 | 2020-02-25 | 光大水务科技发展(南京)有限公司 | 河道管理方法、河道管理装置及终端 |
CN114340384A (zh) * | 2019-08-20 | 2022-04-12 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
CN114340384B (zh) * | 2019-08-20 | 2023-09-26 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
CN110451626A (zh) * | 2019-09-02 | 2019-11-15 | 泉州师范学院 | 中小尺度养殖水体中溶解氧和pH精确控制的装置及方法 |
CN110647032A (zh) * | 2019-10-31 | 2020-01-03 | 电子科技大学 | 一种基于粒子群与遗传算法优化的模糊pid的三轴稳定器 |
CN111538229B (zh) * | 2020-04-28 | 2022-11-18 | 重庆工商大学 | 基于氨氮和溶解氧精准控制的水产养殖循环水处理*** |
CN111538229A (zh) * | 2020-04-28 | 2020-08-14 | 重庆工商大学 | 基于氨氮和溶解氧精准控制的水产养殖循环水处理*** |
CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及*** |
CN113065687B (zh) * | 2021-03-16 | 2023-09-05 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及*** |
CN113126490A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 智能变频增氧控制方法及装置 |
CN114169242A (zh) * | 2021-12-10 | 2022-03-11 | 浙江嘉科新能源科技有限公司 | 一种基于参数不确定性分析河道生态增氧的智能控制算法 |
CN116755478A (zh) * | 2023-08-22 | 2023-09-15 | 华南师范大学 | 一种基于深海养殖的溶解氧控制方法及*** |
CN116755478B (zh) * | 2023-08-22 | 2023-11-03 | 华南师范大学 | 一种基于深海养殖的溶解氧控制方法及*** |
CN117084200A (zh) * | 2023-08-22 | 2023-11-21 | 盐城工业职业技术学院 | 应用大数据分析的水产养殖投药控制*** |
CN117084200B (zh) * | 2023-08-22 | 2024-01-19 | 盐城工业职业技术学院 | 应用大数据分析的水产养殖投药控制*** |
CN117247132A (zh) * | 2023-11-15 | 2023-12-19 | 成都之维安科技股份有限公司 | 一种基于aao工艺的智能精准曝气方法 |
CN117247132B (zh) * | 2023-11-15 | 2024-01-30 | 成都之维安科技股份有限公司 | 一种基于aao工艺的智能精准曝气方法 |
CN117970784A (zh) * | 2024-04-01 | 2024-05-03 | 广东海洋大学 | 一种用于水产养殖的增氧设备控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728477A (zh) | 一种工厂化水产养殖水质溶解氧预测控制方法及*** | |
Ren et al. | A method for predicting dissolved oxygen in aquaculture water in an aquaponics system | |
CN105404151B (zh) | 污水处理过程动态多目标优化控制方法 | |
CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和*** | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及*** | |
CN103218669B (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN113126490B (zh) | 智能变频增氧控制方法及装置 | |
CN106292802A (zh) | 一种用于鱼菜共生***的智能预测控制***及方法 | |
CN107016453A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及*** | |
CN115983131B (zh) | 一种水产品生长含氧量调控方法及装置 | |
CN105701280B (zh) | 南美白对虾围塘养殖水质预测方法 | |
CN106802563A (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN105427241A (zh) | 一种大视场显示设备的畸变校正方法 | |
CN105404142B (zh) | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 | |
CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
CN106950824A (zh) | 基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制***及方法 | |
CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
Li et al. | An adaptive method for fish growth prediction with empirical knowledge extraction | |
CN109726857A (zh) | 基于GA-Elman网络的蓝藻水华预测方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN106022502A (zh) | 一种基于气象数据的淡水养殖水质预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |