CN113126490B - 智能变频增氧控制方法及装置 - Google Patents
智能变频增氧控制方法及装置 Download PDFInfo
- Publication number
- CN113126490B CN113126490B CN202110360989.7A CN202110360989A CN113126490B CN 113126490 B CN113126490 B CN 113126490B CN 202110360989 A CN202110360989 A CN 202110360989A CN 113126490 B CN113126490 B CN 113126490B
- Authority
- CN
- China
- Prior art keywords
- value
- dissolved oxygen
- oxygen content
- ideal
- fuzzy pid
- 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.)
- Active
Links
- 238000006213 oxygenation reaction Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 235
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 235
- 239000001301 oxygen Substances 0.000 claims abstract description 235
- 238000009360 aquaculture Methods 0.000 claims abstract description 108
- 244000144974 aquaculture Species 0.000 claims abstract description 108
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 82
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 61
- 230000007613 environmental effect Effects 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 33
- 230000001105 regulatory effect Effects 0.000 claims abstract description 23
- 230000001276 controlling effect Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims description 44
- 241000251468 Actinopterygii Species 0.000 claims description 23
- 125000004122 cyclic group Chemical group 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000009395 breeding Methods 0.000 abstract 1
- 230000001488 breeding effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005273 aeration Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明提供一种智能变频增氧控制方法及装置，方法包括：根据水产养殖环境中溶解氧含量理想值，确定影响水产养殖环境中溶解氧含量理想值的多项关键环境数据变量；将多项关键环境数据变量和溶解氧含量理想值输入至训练好的预测模型中，获取水产养殖环境当前时刻的溶解氧含量预测值；将溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据增氧调控量对水产养殖环境中的溶解氧含量进行调控。所述装置用于执行上述方法。本发明提供的智能变频增氧控制方法及装置，通过构建基于模糊PID控制算法以及神经网络相结合的控制模型，对水中溶解氧含量进行动态调控，保证了溶解氧含量的稳定，避免了资源的浪费，提高了养殖的效益。
Description
技术领域
本发明涉及水产养殖技术领域，尤其涉及一种智能变频增氧控制方法及装置。
背景技术
随着人口的不断增长和资源环境约束的日益加强，推动绿色发展以及高效、集约的利用自然资源成为当前农业发展的主要目标。工厂化水产养殖作为一种新型养殖模式，突破了传统养殖方式的弊端。对养殖生产全过程中的水质参数和污水处理、疾病预防等过程进行全面自动化监控和处理，降低了养殖的风险，提高了经济效益。
我国水产养殖的规模越来越大，传统的养殖增氧控制模式已经越来越满足不了现代化密集型养殖的增氧需求。在水产养殖领域，尤其是工厂化水产养殖模式中，没有光照和水草等水生植物的光合作用，水中溶氧的维持只能依靠机械增氧的方式，该方式不但无法做到精确控制水中溶氧的浓度，对养殖池中的生物造成危害，而且还会浪费大量的资源，无形中增加了养殖成本。
发明内容
本发明提供的智能变频增氧控制方法及装置，用于克服现有技术中存在的上述问题，能够通过构建基于模糊PID控制算法以及神经网络相结合的控制模型，对水中溶解氧含量进行动态调控，保证了溶解氧含量的稳定，避免了资源的浪费，提高了养殖的效益。
本发明提供的一种智能变频增氧控制方法，包括：
根据水产养殖环境中溶解氧含量理想值，确定影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量；
将所述多项关键环境数据变量和所述溶解氧含量理想值输入至训练好的预测模型中，获取所述水产养殖环境当前时刻的溶解氧含量预测值；
将所述溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据所述增氧调控量对所述水产养殖环境中的溶解氧含量进行调控；
其中，所述溶解氧含量理想值是由所述水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的。
根据本发明提供的一种智能变频增氧控制方法，所述根据水产养殖环境中溶解氧含量理想值，确定影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量，包括：
获取所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的关联度，并选取关联度靠前的多项环境数据变量作为影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量；
其中，所述每一项环境数据变量包括采集预定时间段内的多个时间点的环境数据变量序列；
所述环境数据变量包括如下数据：水温、二氧化碳含量、pH值、氨氮含量、亚硝酸盐含量、硫化物含量、水面气压值、总磷含量、浊度值和液位信息。
根据本发明提供的一种智能变频增氧控制方法，所述获取所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的关联度，包括：
对所述每一项环境数据变量序列中的每一时间点的环境数据变量进行初值化；
获取初值化后的每一项环境数据变量序列与溶解氧含量理想值序列对应的绝对差值、第二级小差和两级最大差；
根据所述绝对差值、所述第二级小差和所述两级最大差，确定所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的灰色关联系数；
根据所述灰色关联系数和所述每一项环境数据变量序列中环境数据变量的个数，确定所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的关联度。
根据本发明提供的一种智能变频增氧控制方法，将所述溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，包括：
将所述溶解氧含量预测值和所述当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID算法模型中，得到模糊PID输出值；
对所述模糊PID输出值和变频器预测值求加权平均值，获取变频器输出最终值，并将所述变频器输出最终值输入到变频控制设备中，以获取所述增氧调控量；
其中，所述变频器预测值为将所述水产养殖环境中的变频器运行值输入至训练好的预测模型中获取的；
所述变频器运行值是与所述多项关键环境数据变量同时刻采集的。
根据本发明提供的一种智能变频增氧控制方法，所述训练好的预测模型通过如下方式获取：
将不同时间段的所述多项关键环境数据变量、所述溶解氧含量理想值和变频器运行值输入预设循环神经网络模型进行训练，以获取对应的每一时间段的所述溶解氧含量预测值和所述变频器预测值；
根据每一时间段的所述溶解氧含量预测值与所述溶解氧含量理想值之间的第一损失函数和所述变频器预测值与所述变频器运行值之间的第二损失函数，对所述预设循环神经网络模型的参数进行优化，直至所述第一损失函数和所述第二损失函数均满足预设收敛条件，停止训练，以确定所述预设循环神经网络模型的参数；
根据所述预设神经网络模型以及所述预设神经网络模型的参数，确定训练后的预测模型。
根据本发明提供的一种智能变频增氧控制方法，所述训练好的模糊PID控制算法模型通过如下方式获取：
根据预设模糊控制规则，确定模糊控制规则表；
将所述溶解氧含量预测值与溶解氧含量实际值的误差值以及误差值变化率输入到所述模糊控制规则表中，以获取所述误差值与所述误差值变化率的隶属度；
根据所述隶属度及预设隶属度的横坐标，对所述模糊PID控制算法模型的参数进行优化，并在所述模糊PID控制算法模型的评价指标达到预设要求时，停止对所述模糊PID控制算法模型的参数进行优化；
根据优化后的模糊PID控制算法模型的参数和所述模糊PID控制算法模型，确定所述训练好的模糊PID控制算法模型；
其中，所述模糊PID控制算法模型的参数包括比例系数、积分系数和微分系数。
根据本发明提供的一种智能变频增氧控制方法，所述模糊PID控制算法模型的评价指标达到预设要求，包括：
所述模糊PID控制算法模型的评价指标达到预设要求，包括：所述模糊PID控制算法模型满足稳定运行状态要求、所述模糊PID控制算法模型达到稳定运行状态的时间满足要求以及所述模糊PID控制算法模型响应的超调量要满足稳定的要求。
本发明还提供一种智能变频增氧控制装置，包括：数据处理模块、数据获取模块以及调控模块；
所述数据处理模块，用于根据水产养殖环境中溶解氧含量理想值，确定影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量；
所述数据获取模块，用于将所述多项关键环境数据变量和所述溶解氧含量理想值输入至训练好的预测模型中，获取所述水产养殖环境当前时刻的溶解氧含量预测值；
所述调控模块，用于将所述溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据所述增氧调控量对所述水产养殖环境中的溶解氧含量进行调控；
其中，所述溶解氧含量理想值是由所述水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述智能变频增氧控制方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述智能变频增氧控制方法的步骤。
本发明提供的智能变频增氧控制方法及装置，研究了一种全新的路基工厂车间养殖变频增氧方式，通过构建神经网络模型以及模糊PID控制算法相结合的控制模型，对水中溶解氧含量进行动态调控，保证了溶解氧含量的稳定，避免了资源的浪费，提高了养殖的效益。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的智能变频增氧控制方法的流程示意图；
图2是本发明提供的基于单片机的智能变频增氧控制***的结构示意图；
图3是本发明提供的智能变频增氧控制装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着路基工厂车间化水产养殖的快速发展和养殖密度不断增加，水体中鱼类赖以生存的氧气的供给量就变得越来越重要。不同天气，不同时间段以及各养殖环境变量之间的相互作用，都会影响水中溶解氧的含量变化，如何根据这些变量实现水中溶解氧的含量的动态调控，一直以来都没有一个十分完整且有效的方法。因此，为了实现水中溶解氧含量的动态调控，保证水中溶解氧含量的稳定，减少能耗和资源消耗，获得更大的经济效益。
随着国内科技水平的快速发展，神经网络的应用场景也在越来越多元化，在预测控制领域，出现了很多神经网络与控制算法相结合的方法，并且已经成功解决了许多领域中的部分预测控制的问题。基于此，本发明提供了一种智能变频增氧控制方法，具体地：
图1是本发明提供的智能变频增氧控制方法的流程示意图，如图1所示，方法包括：
S1、根据水产养殖环境中溶解氧含量理想值，确定影响水产养殖环境中溶解氧含量理想值的多项关键环境数据变量；
S2、将多项关键环境数据变量和溶解氧含量理想值输入至训练好的预测模型中，获取水产养殖环境当前时刻的溶解氧含量预测值；
S3、将溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据增氧调控量对水产养殖环境中的溶解氧含量进行调控；
其中，溶解氧含量理想值是由水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的。
需要说明的是，上述方法的执行主体可以是计算机设备。
下面以计算机设备部署如图2所示的基于单片机的智能变频增氧控制***执行本发明提供的智能变频增氧控制方法为例对本发明进行详细说明。
如图2所示，基于单片机的智能变频增氧控制***：包括核心控制器以及设置在路基工厂养殖池边的增氧机，增氧机通过变频器与核心控制器相连，各类水质传感器包括溶解氧传感器、水温传感器、PH传感器等，并实时采集养殖池中水体溶解氧含量，各类水质传感器通过RS485有线方式与核心控制器相连，控制器通过无线通信方式与云端界面相连，其中，可以选择曝气式风机作为增氧机。
所采用的核心控制器芯片为STM32系列芯片，核心控制器上存储有嵌入式程序(例如循环神经网络模型的代码以及模糊PID算法模型的代码)，并通过***电路与各类水质传感器以及变频器相连，实现智能变频增氧的控制。
更具体地，核心控制芯片为STM32F407系列，各类水质传感器中溶解氧传感器采用的是in-situ传感器，并采用太阳能板作为辅助供电方式，同时装置采用基于NB-IoT的无线传输方式，将采集的数据以及设备信息上传到云端，实现数据和设备信息的监控。
具体地，本发明通过各类水质传感器主要采集两方面的数据，一方面是水产养殖环境中一定时间段内的水中溶解氧含量，另一方面是一定时间段内的多项环境数据变量，并将采集到的数据经RS485通信口中的Modbus通信协议格式传输到基于STM32的核心控制器中进行数据分析和存储。
其中，溶解氧含量可以借助各类水质传感器中的溶解氧传感器进行获取，环境数据变量可以借助多参数水质检测仪或其他水质传感器进行采集，比如，将多参数检测仪放入待检测水中，并放置于水产养殖池的中央，从而获取环境数据变量，其他水质传感器置于水产养殖环境水体内部。
根据水产养殖***中溶解氧含量理想值，确定多项环境变量中影响水中溶解氧含量的多项关键环境数据变量。
在计算影响水中溶解氧理想含量的多项关键环境数据变量之前，还需要获取水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温等信息；并根据获得的上述信息得到水产养殖环境中溶解氧含量理想值。
具体地：根据所获得的信息，结合专家知识经验，建立函数关系式，计算得到水产养殖环境中溶解氧含量理想值Y0＝f(ρ，g，s，m，t)，其中，Y0为养殖环境中溶解氧含量理想指标，ρ表示水产养殖环境中鱼类养殖密度，g表示鱼类生长阶段，如幼年期和成年期等，s表示当前所处的生长季节，m表示当前所处一天中的生长时段，t表示养殖环境中养殖池的水温信息。
将确定的多项关键环境数据变量和水产养殖环境中溶解氧含量理想值输入到训练好的预测模型，可以得到对应时刻的溶解氧含量预测值。
根据当前时刻的溶解氧含量预测值与当前时刻实时采集的水中溶解氧含量的实际值的误差和误差变化率，具体地：
获取当前时刻溶解氧含量预测值和当前时刻的水中溶解氧实际值时，利用in-situ传感器实现水中溶解氧含量的实时获取，并利用传感器自带的数据校正功能，获取当前时刻准确的溶解氧含量实际值。再利用所述循环神经网络预测模型输出的当前时刻溶解氧预测值，计算并得到当前时刻溶解氧预测值与当前时刻溶解氧实际值之间的误差，并存储，记当前时刻为t1时刻，误差为et1，获取下一时刻溶解氧含量预测值和对应下一时刻的溶解氧含量实际值，并计算它们之间的差值，并存储，记录该时刻为t2时刻，此时误差记为et2，并根据t1和t2时刻的误差值e，计算得到该时刻的误差变化率ec。
结合训练好的模糊PID控制算法模型，得到增氧调控量，并根据增氧调控量对水产养殖环境中溶解氧含量进行动态调控，使水产养殖环境中溶解氧含量达到水生生物的理想标椎，保证水生生物的健康成长。
本发明提供的智能变频增氧控制方法，研究了一种全新的路基工厂车间养殖变频增氧方式，通过构建神经网络模型以及模糊PID控制算法相结合的控制模型，对水中溶解氧含量进行动态调控，保证了溶解氧含量的稳定，避免了资源的浪费，提高了养殖的效益。
进一步地，在一个实施例中，步骤S1中可以具体包括：
S11、获取水产养殖环境中的每一项环境数据变量与溶解氧含量理想值之间的关联度，并选取关联度靠前的多项环境数据变量作为影响水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量；
其中，每一项环境数据变量包括采集预定时间段内的多个时间点的环境数据变量序列；
环境数据变量包括如下数据：水温、二氧化碳含量、pH值、氨氮含量、亚硝酸盐含量、硫化物含量、水面气压值、总磷含量、浊度值和液位信息。
具体地，采集预定时间段内水产养殖环境中的多个时间点的环境数据变量序列，主要包括水温、二氧化碳含量、pH值、氨氮含量、亚硝酸盐含量、硫化物含量、水面气压值、总磷含量、浊度值和液位信息等，通过计算每一项环境数据变量与溶解氧理想含量值之间的关联度，并选取关联度靠前的多项(例如5项)环境数据变量作为影响水中溶解氧含量理想值的关键环境数据变量。
本发明提供的智能变频增氧控制方法，探寻了影响水中溶解氧含量变化的关键环境变量，为后续基于多项关键环境数据变量得到较为准确的溶解氧含量预测值奠定了基础。
进一步地，在一个实施例中，步骤S11可以具体包括：
S111、对每一项环境数据变量序列中的每一时间点的环境数据变量进行初值化；
S112、获取初值化后的每一项环境数据变量序列与溶解氧含量理想值序列对应的绝对差值、第二级小差和两级最大差；
S113、根据绝对差值、第二级小差和所述两级最大差，确定水产养殖环境中的每一项环境数据变量与溶解氧含量理想值之间的灰色关联系数；
S114、根据灰色关联系数和每一项环境数据变量序列中环境数据变量的个数，确定水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的关联度。
具体地，对每一项环境数据变量序列中的每一时间点的环境数据变量进行初值化，并计算每一项水质环境数据变量序列中初值化后的每一时间点的环境数据变量：
其中，
表示第i个环境数据变量序列中第k个时间点的环境数据变量，
为第i个环境数据变量序列的初值，即第一个时间点的环境数据变量，xi(k)表示初值后的第i个环境数据变量序列中第k个时间点的环境数据变量；
数据序列初值化后，逐个计算每一项环境数据变量序列与溶解氧含量理想值序列对应的绝对差值，并确定第二级小差和两级最大差：
Δoi(k)＝|x0(k)-xi(k)|
其中，x0(k)表示溶解氧含量理想值序列在第k个时间点的数值变量，xi(k)表示均值后的第i个环境数据变量序列中第k个时间点的环境数据变量，Δoi(k)表示第i个环境数据变量序列与溶解氧含量理想值序列对应的绝对差值，Δmin oi(k)表示第i个环境数据变量序列与溶解氧含量理想值序列对应的第二级小差，Δmax oi(i)表示第i个环境数据变量序列与溶解氧含量理想值序列对应的两级最大差。
根据上述计算后的每一项环境数据变量序列中每一时间点的环境数据变量与养殖水中溶解氧含量理想值之间的灰色关联系数ξ0i(k)：
其中，φ为分辨系数，取值范围为0到1。
计算每一项环境数据变量序列与溶解氧含量理想值之间的关联度；
其中，γ0i表示第i项环境数据变量序列与所述溶解氧含量指标之间的关联度，n表示第i项环境数据变量序列中环境数据变量的个数。
通过上述的计算过程即可求得每一项环境数据变量与溶解氧含量理想值之间的关联度。
本发明提供的智能变频增氧控制方法，通过灰度关联分析法探寻了环境数据变量与水中溶解氧含量变化的相互作用机理，可以确定影响水中溶解氧含量的关键环境因素及其分布情况，对水质保护与富营养化治理意义重大。
进一步地，在一个实施例中，步骤S3中将溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，可以具体包括：
S31、将溶解氧含量预测值和所述当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID算法模型中，得到模糊PID输出值；
S32、对模糊PID输出值和变频器预测值求加权平均值，获取变频器输出最终值，并将变频器输出最终值输入到变频控制设备中，以获取增氧调控量；
其中，变频器预测值为将水产养殖环境中的变频器运行值输入至训练好的预测模型中获取的；
变频器运行值是与多项关键环境数据变量同时刻采集的。
具体地，计算当前时刻预测模型中得到的溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差以及误差变化率，将当前时刻预测模型中的溶解氧含量预测值与溶解氧含量实际值的误差以及误差变化率输入到训练好的模糊PID控制算法模型中，得到模糊PID输出值，将得到的模糊PID输出值与预测模型中得到的变频器预测值进行加权平均值，得到最终的变频器输出最终值(即变频器实际运行值)，将变频器实际运行值通过如图2所示的RS485通信口并基于Modbus通信协议格式传送到变频控制设备当中，得到相应的增氧控制量，根据增氧控制量控制增氧机，实现水产养殖环境水体中溶实现对水中溶解氧含量的实时智能调控。
本方法提供的智能变频增氧控制方法可以采用同一时刻模糊PID输出值与变频器预测值加权系数为0.5和0.5，计算后得到当前时刻最终的变频器实际运行值，并输入到变频控制设备中，实现水中溶解氧含量的实时在线调控。
本发明提供的智能变频增氧控制方法，通过利用模糊PID控制算法模型，实现对水产养殖***中溶解氧含量的动态调控，保证了水中溶氧含量的稳定。
进一步地，在一个实施例中，步骤S2中训练好的预测模型通过如下方式获取：
S21、将不同时间段的多项关键环境数据变量、溶解氧含量理想值和变频器运行值输入预设循环神经网络模型进行训练，以获取对应的每一时间段的溶解氧含量预测值和变频器预测值；
S22、根据每一时间段的所述溶解氧含量预测值与溶解氧含量理想值之间的第一损失函数和变频器预测值与变频器运行值之间的第二损失函数，对预设循环神经网络模型的参数进行优化，直至第一损失函数和第二损失函数均满足预设收敛条件，停止训练，以确定预设循环神经网络模型的参数；
S23、根据预设神经网络模型以及所述预设神经网络模型的参数，确定训练后的预测模型。
具体地，本发明提供的智能变频增氧控制方法中的预测模型可以为循环神经网络模型，通过如下方式对循环神经网络模型进行训练：将训练集中不同时间段的多项关键环境数据变量、溶解氧含量理想值和变频器运行值输入构建的循环神经网络模型中，输出对应的每一时间段的溶解氧含量预测值和变频器预测值，其中，在训练集中，变频器运行值与溶解氧含量理想值已知。
具体的，本发明实施例中的预测模型采用循环神经网络模型。并将不同时间段采集的水产养殖环境中的数据划分为训练集和测试集，比如，按照3：2的比例将样本数据划分为训练集和测试集。其中，训练集和测试集中包括水产养殖环境中不同时间段的多项关键环境数据变量、溶解氧含量理想值以及变频器运行值，根据每一个时间段的溶解氧含量理想值与变频器运行值，给出对应的溶解氧含量预测值和变频器运行预测值。
将训练集中不同时间段的多项关键环境数据变量、溶解氧含量理想值和变频器运行值输入构建的循环神经网络模型中，输出对应的每一时间段的溶解氧含量预测值和变频器预测值。
分别计算循环神经网络模型输出的对应每一时间段的溶解氧含量预测值和已知的溶解氧含量理想值之间的第一损失函数，以及计算循环神经网络模型输出的变频器预测值和已知的变频器运行值之间的第二损失函数，调整循环神经网络模型的参数，使得所述第一损失函数和所述第二损失函数均满足收敛条件。
训练好循环神经网络模型后，为了验证循环神经网络模型的效果，利用测试集中的数据对其进行验证，将测试集中不同时间段的多项关键环境数据变量、溶解氧含量理想值和变频器运行值输入构建的循环神经网络模型中，输出对应的每一时间段的溶解氧含量预测值和变频器预测值。将循环神经网络模型输出的每一个时间段的溶解氧含量预测值和变频器运行预测值和已知的溶解氧含量理想值和变频器运行值进行比较，并计算循环神经网络模型的准确率。
比如，测试集中有50个不同时间段的数据，将50个不同时间段的多项关键环境数据变量、溶解氧含量理想值和变频器运行值输入构建的循环神经网络模型中，分别输出50个溶解氧含量预测值和变频器预测值，分别对应50个不同时间段。将循环神经网络模型输出的每一个时间段的溶解氧含量预测值和变频器预测值和已知的溶解氧含量理想值和变频器运行值进行对比，若一致，则表明循环神经网络模型输出的溶解氧含量预测值和变频器预测值为正确，否则，则错误。
计算出测试集中50个不同时间段循环神经网络模型输出的溶解氧含量预测值和变频器预测值的正确个数，进而计算准确率，若准确率达到条件，则表明训练后的循环神经网络模型达标，否则，不达标，还需要训练。
本发明提供的智能变频增氧控制方法，通过不断调整循环神经网络模型的参数，来提高预测模型的预测精度，进而提高利用预测模型对溶解氧含量以及变频器运行的预测准确度。
进一步地，在一个实施例中，步骤S3中训练好的模糊PID控制算法模型通过如下方式获取：
S33、根据预设模糊控制规则，确定模糊控制规则表；
S34、将溶解氧含量预测值与溶解氧含量实际值的误差值以及误差值变化率输入到模糊控制规则表中，以获取误差值与误差值变化率的隶属度；
S35、根据隶属度及预设隶属度的横坐标，对模糊PID控制算法模型的参数进行优化，并在模糊PID控制算法模型的评价指标达到预设要求时，停止对模糊PID控制算法模型的参数进行优化；
S36、根据优化后的模糊PID控制算法模型的参数和模糊PID控制算法模型，确定训练好的模糊PID控制算法模型；
其中，模糊PID控制算法模型的参数包括比例系数、积分系数和微分系数。
进一步地，在一个实施例中，步骤S35中模糊PID控制算法模型的评价指标达到预设要求，包括：
S351、模糊PID控制算法模型满足稳定运行状态要求、模糊PID控制算法模型达到稳定运行状态的时间满足要求以及模糊PID控制算法模型响应的超调量要满足稳定的要求。
具体地，根据专家经验确定模糊控制规则，并制定模糊控制规则表；
将溶解氧含量预测值以及采集的溶解氧含量实际值之间的误差值e以及误差值变化率ec输入到模糊控制规则表中，输出误差e以及误差变化率ec的隶属度；
利用所得出的隶属度及相应隶属度的横坐标带入公式：
求得Δkp、Δki和Δkd，其中uAi(x)、uBi(y)表示求出的隶属度，zi表示对应隶属度的横坐标；
由kp＝kp+Δkp、ki＝ki+Δki和kd＝kd+Δkd求得模糊PID控制算法模型的参数包括比例系数kp、积分系数ki和微分系数kd，并利用PID算法公式计算可求得最终模糊PID输出值，PID算法公式如下：
根据隶属度及预设隶属度的横坐标，对模糊PID控制算法模型的参数进行优化，以调整模糊PID控制算法模型的参数，并在模糊PID控制算法模型的评价指标达到预设要求时，停止对模糊PID控制算法模型的参数进行优化。
其中，评价指标主要是指模糊PID控制算法模型达到稳定运行状态要求、所述模糊PID控制算法模型达到稳定运行状态的响应时间满足越短越好的要求以及所述模糊PID控制算法模型达到稳定运行状态的超调量要满足越小越好的要求。
若同时满足以上三点要求，则表明模糊PID控制算法模型的各参数达到理想值，若未能达到以上三点要求的任一点，则还需要继续训练。
根据优化后的模糊PID控制算法模型的比例系数、积分系数和微分系数和模糊PID控制算法模型，确定训练好的模糊PID控制算法模型。
本发明提供的智能变频增氧控制方法，通过不断调整模糊PID控制算法模型的参数，得到理想值的参数组合，并由此确定训练好的模糊PID控制算法模型，使得后续可以基于训练好的模糊PID控制算法模型获得精确的增氧调控量，实现了对水产养殖环境中溶解氧含量的动态、精确调控。
下面对本发明提供的智能变频增氧控制装置进行描述，下文描述的智能变频增氧控制装置与上文描述的智能变频增氧控制方法可相互对应参照。
图3是本发明提供的智能变频增氧控制装置的结构示意图，如图3所示，包括：数据处理模块310、数据获取模块311以及调控模块312；
数据处理模块310，用于根据水产养殖环境中溶解氧含量理想值，确定影响水产养殖环境中溶解氧含量理想值的多项关键环境数据变量；
数据获取模块311，用于将多项关键环境数据变量和溶解氧含量理想值输入至训练好的预测模型中，获取水产养殖环境当前时刻的溶解氧含量预测值；
调控模块312，用于将溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据增氧调控量对所述水产养殖环境中的溶解氧含量进行调控；
其中，溶解氧含量理想值是由所述水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的。
本发明提供的智能变频增氧控制装置，研究了一种全新的路基工厂车间养殖变频增氧方式，通过构建神经网络模型以及模糊PID控制算法相结合的控制模型，对水中溶解氧含量进行动态调控，保证了溶解氧含量的稳定，避免了资源的浪费，提高了养殖的效益。
图4是本发明提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413，其中，处理器410，通信接口411，存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令，以执行如下方法：
根据水产养殖环境中溶解氧含量理想值，确定影响水产养殖环境中溶解氧含量理想值的多项关键环境数据变量；
将多项关键环境数据变量和溶解氧含量理想值输入至训练好的预测模型中，获取水产养殖环境当前时刻的溶解氧含量预测值；
将溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据增氧调控量对水产养殖环境中的溶解氧含量进行调控；
其中，溶解氧含量理想值是由水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的智能变频增氧控制方法，例如包括：
根据水产养殖环境中溶解氧含量理想值，确定影响水产养殖环境中溶解氧含量理想值的多项关键环境数据变量；
将多项关键环境数据变量和溶解氧含量理想值输入至训练好的预测模型中，获取水产养殖环境当前时刻的溶解氧含量预测值；
将溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据增氧调控量对水产养殖环境中的溶解氧含量进行调控；
其中，溶解氧含量理想值是由水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的智能变频增氧控制方法，例如包括：
根据水产养殖环境中溶解氧含量理想值，确定影响水产养殖环境中溶解氧含量理想值的多项关键环境数据变量；
将多项关键环境数据变量和溶解氧含量理想值输入至训练好的预测模型中，获取水产养殖环境当前时刻的溶解氧含量预测值；
将溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据增氧调控量对水产养殖环境中的溶解氧含量进行调控；
其中，溶解氧含量理想值是由水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种智能变频增氧控制方法，其特征在于，包括：
根据水产养殖环境中溶解氧含量理想值，确定影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量；
将所述多项关键环境数据变量和所述溶解氧含量理想值输入至训练好的预测模型中，获取所述水产养殖环境当前时刻的溶解氧含量预测值；
将所述溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据所述增氧调控量对所述水产养殖环境中的溶解氧含量进行调控；
其中，所述溶解氧含量理想值是由所述水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的；
所述将所述溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，包括：
将所述溶解氧含量预测值和所述当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID算法模型中，得到模糊PID输出值；
对所述模糊PID输出值和变频器预测值求加权平均值，获取变频器输出最终值，并将所述变频器输出最终值输入到变频控制设备中，以获取所述增氧调控量；
所述变频器预测值为将所述水产养殖环境中的变频器运行值输入至训练好的预测模型中获取的；
所述变频器运行值是与所述多项关键环境数据变量同时刻采集的；
所述训练好的预测模型通过如下方式获取：
将不同时间段的所述多项关键环境数据变量、所述溶解氧含量理想值和变频器运行值输入预设循环神经网络模型进行训练，以获取对应的每一时间段的所述溶解氧含量预测值和所述变频器预测值；
根据每一时间段的所述溶解氧含量预测值与所述溶解氧含量理想值之间的第一损失函数和所述变频器预测值与所述变频器运行值之间的第二损失函数，对所述预设循环神经网络模型的参数进行优化，直至所述第一损失函数和所述第二损失函数均满足预设收敛条件，停止训练，以确定所述预设循环神经网络模型的参数；
根据所述预设循环神经网络模型以及所述预设循环神经网络模型的参数，确定训练后的预测模型。
2.根据权利要求1所述的智能变频增氧控制方法，其特征在于，所述根据水产养殖环境中溶解氧含量理想值，确定影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量，包括：
获取所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的关联度，并选取关联度靠前的多项环境数据变量作为影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量；
其中，所述每一项环境数据变量包括采集预定时间段内的多个时间点的环境数据变量序列；
所述环境数据变量包括如下数据：水温、二氧化碳含量、pH值、氨氮含量、亚硝酸盐含量、硫化物含量、水面气压值、总磷含量、浊度值和液位信息。
3.根据权利要求2所述的智能变频增氧控制方法，其特征在于，所述获取所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的关联度，包括：
对所述每一项环境数据变量序列中的每一时间点的环境数据变量进行初值化；
获取初值化后的每一项环境数据变量序列与溶解氧含量理想值序列对应的绝对差值、第二级小差和两级最大差；
根据所述绝对差值、所述第二级小差和所述两级最大差，确定所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的灰色关联系数；
根据所述灰色关联系数和所述每一项环境数据变量序列中环境数据变量的个数，确定所述水产养殖环境中的每一项环境数据变量与所述溶解氧含量理想值之间的关联度。
4.根据权利要求1所述的智能变频增氧控制方法，其特征在于，所述训练好的模糊PID控制算法模型通过如下方式获取：
根据预设模糊控制规则，确定模糊控制规则表；
将所述溶解氧含量预测值与溶解氧含量实际值的误差值以及误差值变化率输入到所述模糊控制规则表中，以获取所述误差值与所述误差值变化率的隶属度；
根据所述隶属度及预设隶属度的横坐标，对所述模糊PID控制算法模型的参数进行优化，并在所述模糊PID控制算法模型的评价指标达到预设要求时，停止对所述模糊PID控制算法模型的参数进行优化；
根据优化后的模糊PID控制算法模型的参数和所述模糊PID控制算法模型，确定所述训练好的模糊PID控制算法模型；
其中，所述模糊PID控制算法模型的参数包括比例系数、积分系数和微分系数。
5.根据权利要求4所述的智能变频增氧控制方法，其特征在于，
所述模糊PID控制算法模型的评价指标达到预设要求，包括：
所述模糊PID控制算法模型满足稳定运行状态要求、所述模糊PID控制算法模型达到稳定运行状态的时间满足要求以及所述模糊PID控制算法模型响应的超调量要满足稳定的要求。
6.一种智能变频增氧控制装置，其特征在于，包括：数据处理模块、数据获取模块以及调控模块；
所述数据处理模块，用于根据水产养殖环境中溶解氧含量理想值，确定影响所述水产养殖环境中所述溶解氧含量理想值的多项关键环境数据变量；
所述数据获取模块，用于将所述多项关键环境数据变量和所述溶解氧含量理想值输入至训练好的预测模型中，获取所述水产养殖环境当前时刻的溶解氧含量预测值；
所述调控模块，用于将所述溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，并根据所述增氧调控量对所述水产养殖环境中的溶解氧含量进行调控；
其中，所述溶解氧含量理想值是由所述水产养殖环境中鱼类养殖密度、鱼类生长阶段以及当前所处的生长季节、当前所处一天中的生长时段和养殖环境中水温信息确定的；
所述将所述溶解氧含量预测值与当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID控制算法模型中，获取增氧调控量，包括：
将所述溶解氧含量预测值和所述当前时刻采集的溶解氧含量实际值的误差和误差变化率输入到训练好的模糊PID算法模型中，得到模糊PID输出值；
对所述模糊PID输出值和变频器预测值求加权平均值，获取变频器输出最终值，并将所述变频器输出最终值输入到变频控制设备中，以获取所述增氧调控量；
所述变频器预测值为将所述水产养殖环境中的变频器运行值输入至训练好的预测模型中获取的；
所述变频器运行值是与所述多项关键环境数据变量同时刻采集的；
所述训练好的预测模型通过如下方式获取：
将不同时间段的所述多项关键环境数据变量、所述溶解氧含量理想值和变频器运行值输入预设循环神经网络模型进行训练，以获取对应的每一时间段的所述溶解氧含量预测值和所述变频器预测值；
根据每一时间段的所述溶解氧含量预测值与所述溶解氧含量理想值之间的第一损失函数和所述变频器预测值与所述变频器运行值之间的第二损失函数，对所述预设循环神经网络模型的参数进行优化，直至所述第一损失函数和所述第二损失函数均满足预设收敛条件，停止训练，以确定所述预设循环神经网络模型的参数；
根据所述预设循环神经网络模型以及所述预设循环神经网络模型的参数，确定训练后的预测模型。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述智能变频增氧控制方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述智能变频增氧控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110360989.7A CN113126490B (zh) | 2021-04-02 | 2021-04-02 | 智能变频增氧控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110360989.7A CN113126490B (zh) | 2021-04-02 | 2021-04-02 | 智能变频增氧控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113126490A CN113126490A (zh) | 2021-07-16 |
| CN113126490B true CN113126490B (zh) | 2022-11-15 |
Family
ID=76774749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110360989.7A Active CN113126490B (zh) | 2021-04-02 | 2021-04-02 | 智能变频增氧控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113126490B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114442686B (zh) * | 2022-01-13 | 2024-02-06 | 中国农业大学 | 溶解氧浓度的控制方法、装置、电子设备及存储介质 |
| CN114611336A (zh) * | 2022-05-11 | 2022-06-10 | 中国农业大学 | 一种循环水养殖溶解氧预测控制方法、装置、设备及介质 |
| CN115316314B (zh) * | 2022-07-08 | 2023-06-09 | 西双版纳云博水产养殖开发有限公司 | 一种叉尾鲇的人工繁殖方法 |
| CN116185104A (zh) * | 2022-12-30 | 2023-05-30 | 宁波市海洋与渔业研究院 | 一种水产养殖溶解氧与水温的解耦控制方法与*** |
| CN116027835B (zh) * | 2023-03-27 | 2023-06-09 | 山东华东风机有限公司 | 一种高速增氧机控制方法及控制*** |
| 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*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002219481A (ja) * | 1996-07-23 | 2002-08-06 | Mitsubishi Chemicals Corp | 曝気槽の溶存酸素濃度の制御装置 |
| CN107728477A (zh) * | 2017-09-21 | 2018-02-23 | 中国农业大学 | 一种工厂化水产养殖水质溶解氧预测控制方法及*** |
| CN108996666A (zh) * | 2018-07-17 | 2018-12-14 | 北京首创环境科技有限公司 | 一种垃圾渗滤液好氧曝气自动控制方法 |
| CN110476839B (zh) * | 2019-07-24 | 2020-07-31 | 中国农业大学 | 一种基于鱼类生长的优化调控方法及*** |
| CN111080464A (zh) * | 2019-11-27 | 2020-04-28 | 中国农业大学 | 一种池塘养殖水质关键因子预测方法及装置 |
-
2021
- 2021-04-02 CN CN202110360989.7A patent/CN113126490B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113126490A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113126490B (zh) | 智能变频增氧控制方法及装置 | |
| CN112817354B (zh) | 一种畜禽舍养殖环境温度预测控制***及其调控方法 | |
| CN109634098A (zh) | 一种育肥猪舍环境调控***及方法 | |
| US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
| CN103218669B (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
| CN103336503B (zh) | 水产养殖池塘溶解氧控制*** | |
| CN101796928B (zh) | 养殖水体水质参数对养殖生物生长状态影响的预测方法 | |
| CN110476839A (zh) | 一种基于鱼类生长的优化调控方法及*** | |
| CN110244626B (zh) | 基于强化学习的多用户水产养殖自动调控***及方法 | |
| CN107728477A (zh) | 一种工厂化水产养殖水质溶解氧预测控制方法及*** | |
| KR20030097425A (ko) | 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 | |
| CN108614422B (zh) | 陆基工厂循环水养殖中溶解氧优化控制方法、装置及*** | |
| CN110045771B (zh) | 一种鱼塘水质智能监测*** | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及*** | |
| CN109816267A (zh) | 一种智能大豆生产管理方法及*** | |
| Hsiao et al. | Building a fish–vegetable coexistence system based on a wireless sensor network | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| Rana et al. | Fuzzy logic based control system for fresh water aquaculture: A MATLAB based simulation approach | |
| CN112132700A (zh) | 用于调控水质的配方决策方法 | |
| CN114611336A (zh) | 一种循环水养殖溶解氧预测控制方法、装置、设备及介质 | |
| CN109116827B (zh) | 基于物联网的日光温室水肥一体化灌溉控制方法及装置 | |
| CN114637351A (zh) | 一种设施作物温室环境调控方法及*** | |
| CN110197704A (zh) | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 | |
| CN117354988A (zh) | 基于环境光传感的温室led照明闭环控制方法及*** | |
| CN116562813B (zh) | 一种基于农业物联网的智慧农业综合管理*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |