CN115014445B - 一种智慧渔场多维全景感知监控方法、***与装置 - Google Patents

一种智慧渔场多维全景感知监控方法、***与装置 Download PDF

Info

Publication number
CN115014445B
CN115014445B CN202210952683.5A CN202210952683A CN115014445B CN 115014445 B CN115014445 B CN 115014445B CN 202210952683 A CN202210952683 A CN 202210952683A CN 115014445 B CN115014445 B CN 115014445B
Authority
CN
China
Prior art keywords
information
water quality
model
electrical equipment
sensor
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
Application number
CN202210952683.5A
Other languages
English (en)
Other versions
CN115014445A (zh
Inventor
位耀光
周冰倩
安冬
李道亮
刘金存
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN202210952683.5A priority Critical patent/CN115014445B/zh
Publication of CN115014445A publication Critical patent/CN115014445A/zh
Application granted granted Critical
Publication of CN115014445B publication Critical patent/CN115014445B/zh
Priority to US18/303,341 priority patent/US11758887B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K63/00—Receptacles for live fish, e.g. aquaria; Terraria
    • A01K63/04—Arrangements for treating water specially adapted to receptacles for live fish
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • Mining & Mineral Resources (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及渔场监控技术领域，特别是涉及一种智慧渔场多维全景感知监控方法、***与装置，方法包括：采用时间序列分析方法对预处理的多维状态全景感知信息进行分析，得到线性拟合模型；根据线性拟合模型构建水质预测预警模型；将融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；利用水质预测预警模型和电气设备故障诊断模型对渔场进行监控。本发明通过利用线性拟合模型构建水质预测预警模型，然后将水质信息和电气设备状态信息进行融合并进行训练得到电气设备故障诊断模型，同时利用水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出警报，大大提高了渔场的运维效率。

Description

一种智慧渔场多维全景感知监控方法、***与装置
技术领域
本发明涉及渔场监控技术领域，特别是涉及一种智慧渔场多维全景感知监控方法、***与装置。
背景技术
当前，渔业发展面临一些制约和挑战。例如：资源环境刚性约束突出，渔业资源衰退、水域生态环境退化，并且传统养殖空间日益受限，生产成本持续上涨，渔业比较效益优势不断下降；高品质水产品供给比重偏低，符合国民消费***低，养殖尾水处理、渔船环保、渔港清洁等环保设施装备建设不足，渔业生产信息化、数字化、智能化水平低。并且，随着人民生活水平的快速提升，不断增长的对优质蛋白的需求与日益加大的生态压力间矛盾突出，发展智能、高效的渔业养殖方法是突破生态环境和自然资源束缚的重要方向。
传统的渔业养殖场景存在以下几个方面的问题：（1）渔场电力设备信息采集困难，传输距离受限，电力设备的接入和数据传输存在安全问题；（2）对于渔场环境的信息获取缺乏有效的信息感知手段，存在养殖水质、养殖大气环境、养殖电气设备等信息数字化监测水平低等问题；（3）现有养殖调控大多依赖经验，养殖水质-大气环境-电气设备间耦合作用机理复杂，存在电气设备智能化控制水平低、养殖能耗高、风险防范水平低等问题；（4）传统的渔场环境大都采用单一信息来作为故障判别的标准，但是单一信息源的使用对于设备预警检测来说只能获得所监测对象的部分特征信息，这些特征信息比较片面，不足以描述所监测对象的全貌，只能用来描述所监测对象某些方面的特征；（5）渔场智能化运维程度低，基本上还是需要大量的人工进行管理；（6）对于渔场的设备数据信息管理不当，存在用户非法入侵获取相应的设备信息，对于信息的安全存储和传输存在一定的威胁。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种智慧渔场多维全景感知监控方法、***与装置。
为实现上述目的，本发明提供了如下方案：
一种智慧渔场多维全景感知监控方法，包括：
使用传感器采集渔场的多维状态全景感知信息；所述多维状态全景感知信息包括水质信息、大气环境信息和渔场内电气设备状态信息；所述水质信息包括含氧量、pH值、电导率、温度和浊度；所述大气环境信息包括大气环境的温湿度、光照强度和气压强度；所述渔场内电气设备状态信息包括电气设备的电流值、电压值、表面温度值和电功率值；
采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状态全景感知信息；
对所述预处理后的多维状态全景感知信息进行特征提取，确定预处理后的多维状态全景感知信息的阈值范围；
采用时间序列分析方法对所述预处理的多维状态全景感知信息进行分析，得到线性拟合模型；
根据所述线性拟合模型构建水质预测预警模型；
对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据；
将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；
利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警。
优选地，所述根据所述线性拟合模型构建水质预测预警模型，包括：
根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得到聚类中心；
将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊模型；
利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质预测预警模型。
优选地，所述模糊聚类算法的目标函数为：
Figure 100002_DEST_PATH_IMAGE002
；
其中，
Figure 100002_DEST_PATH_IMAGE004
为第k个样本，N为样本的个数，
Figure 100002_DEST_PATH_IMAGE006
为样本
Figure DEST_PATH_IMAGE004A
对聚类中心
Figure 100002_DEST_PATH_IMAGE008
的隶属度，m表示聚类的簇数，
Figure DEST_PATH_IMAGE008A
表示第i个聚类中心，c表示聚类中心的个数，
Figure 100002_DEST_PATH_IMAGE010
为正则化参数，
Figure 100002_DEST_PATH_IMAGE012
表示
Figure DEST_PATH_IMAGE008AA
的一个先验估计值。
优选地，所述对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据，包括：
根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感器信号总的相关能量；其中，所述同类传感器信号为预处理后的水质信息或者预处理后的电气设备状态信息；
对所述相关能量进行归一化，并计算出归一化相关能量的方差贡献率；
根据所述方差贡献率对同类传感器信号进行融合得到融合后的数据。
优选地，所述根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感器信号的相关能量，包括：
采用公式:
Figure 100002_DEST_PATH_IMAGE014
；
Figure 100002_DEST_PATH_IMAGE016
；
得到相关能量；其中，
Figure 100002_DEST_PATH_IMAGE018
表示第i个传感器的相关能量，m表示同类传感器的个数，n表示传感器采集的数据点的个数，
Figure DEST_PATH_IMAGE020
表示信号时间序列，
Figure DEST_PATH_IMAGE022
表示同类传感器信号之间的互相关性，
Figure DEST_PATH_IMAGE024
表示在
Figure DEST_PATH_IMAGE026
时刻第i个传感器采集的值，
Figure DEST_PATH_IMAGE028
表示在
Figure DEST_PATH_IMAGE030
时刻第j个传感器采集的值。
优选地，所述对所述相关能量进行归一化，并计算出归一化相关能量的方差贡献率，包括：
采用公式：
Figure DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE034
；
得到方差贡献率；其中，
Figure DEST_PATH_IMAGE036
表示第i个传感器采集的第I个数据的方差贡献率，
Figure DEST_PATH_IMAGE038
表示能量归一化信号
Figure DEST_PATH_IMAGE040
的第I个数据点，
Figure DEST_PATH_IMAGE042
表示第i个传感器采集的数据点，
Figure DEST_PATH_IMAGE044
表示能量归一化信号
Figure DEST_PATH_IMAGE040A
的均值，
Figure DEST_PATH_IMAGE046
表示能量归一化信号
Figure DEST_PATH_IMAGE040AA
的方差。
优选地，所述根据所述方差贡献率对同类传感器信号进行融合得到融合后的数据，包括：
根据所述方差贡献率得到传感器采集的各个数据点的分配系数；其中，所述分配系数的计算公式为：
Figure DEST_PATH_IMAGE048
；
其中，
Figure DEST_PATH_IMAGE050
表示第i个传感器采集的第I个数据点的分配系数；
基于所述分配系数对同类传感器采集的数据点进行融合得到融合后的数据。
本发明还提供了一种智慧渔场多维全景感知监控***，包括：
感知信息获取模块，用于使用传感器采集渔场的多维状态全景感知信息；所述多维状态全景感知信息包括水质信息、大气环境信息和渔场内电气设备状态信息；所述水质信息包括含氧量、pH值、电导率、温度和浊度；所述大气环境信息包括大气环境的温湿度、光照强度和气压强度；所述渔场内电气设备状态信息包括电气设备的电流值、电压值、表面温度值和电功率值；
预处理模块，用于采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状态全景感知信息；
特征提取模块，用于对所述预处理后的多维状态全景感知信息进行特征提取，确定预处理后的多维状态全景感知信息的阈值范围；
时间序列分析模块，用于采用时间序列分析方法对所述预处理的多维状态全景感知信息进行分析，得到线性拟合模型；
水质预测预警模型构建模块，用于根据所述线性拟合模型构建水质预测预警模型；
数据融合模块，用于对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据；
训练模块，用于将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；
监控模块，用于利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警。
优选地，所述水质预测预警模型构建模块，包括：
聚类单元，用于根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得到聚类中心；
模型构建模块，用于将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊模型；
参数辨识模块，用于利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质预测预警模型。
本发明还提供了一种智慧渔场多维全景感知监控装置，包括：
多参数水质传感器模块，用于采集渔场的水质信息；
多种气象传感器模块，用于采集大气环境信息；
渔场设备监测模块，用于采集渔场内电气设备状态信息；
智能网关，分别与所述多参数水质传感器模块、所述多种气象传感器模块和所述渔场设备监测模块通信连接；
边缘计算终端，所述边缘计算终端上设置有HPLC通信路由器和LTE通信路由器，所述HPLC通信路由器和所述LTE通信路由器均与所述智能网关通信连接；所述边缘计算终端用于根据所述水质信息、所述大气环境信息和所述电气设备状态信息对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种智慧渔场多维全景感知监控方法、***与装置的有益效果在于：与现有技术相比，本发明通过利用线性拟合模型构建水质预测预警模型，然后将水质信息和电气设备状态信息进行融合并对融合后的数据进行训练得到电气设备故障诊断模型，这样就可以同时利用水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出警报，大大提高了渔场的运维效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的智慧渔场多维全景感知监控***的整体架构图；
图2为本发明提供的HPLC通信组网图；
图3为本发明提供的LTE通信网络架构图；
图4为本发明提供的模糊聚类算法流程图；
图5为本发明提供的电气设备故障诊断判决流程图；
图6为本发明提供的HTTP请求和响应模型图
图7为本发明提供的智慧渔场多维全景感知监控装置原理图；
图8为本发明提供的可信认证流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
请参阅图1，一种智慧渔场多维全景感知监控方法，包括：
步骤1：使用传感器采集渔场的多维状态全景感知信息；所述多维状态全景感知信息包括水质信息、大气环境信息和渔场内电气设备状态信息；所述水质信息包括含氧量、pH值、电导率、温度和浊度；所述大气环境信息包括大气环境的温湿度、光照强度和气压强度；所述渔场内电气设备状态信息包括电气设备的电流值、电压值、表面温度值和电功率值。
在实际的水产化养殖过程中，鱼类的成活率与品质很大程度上取决于好的水质环境，本发明实施例集成多种水质传感器对渔场环境的水质进行实时检测，实现水质多参数在线感知，其中主要采用的传感器类型包括：
水质溶解氧传感器：用于检测给定温度和大气压力下溶解在水中的氧气量，该传感器对含氧量进行实时检测，避免因缺氧造成鱼类大量死亡；
水质pH传感器：用于检测水中的酸度和碱度，该传感器对水质pH值进行实时检测，避免因水质pH值过高或过低造成鱼类的产量降低；
电导率传感器：用于检测水体中总离子的浓度，该传感器对水体的导电率进行实时监测，反映水中无机酸、碱或盐等化学物质以及重金属含量，给鱼类提供高质量的水体生存环境；
温度传感器：用于检测水体温度的温度传感器，该传感器对水体温度进行实时检测，避免因水温过高或过低影响鱼类的正常生理活动，如进食、繁殖等；
浊度传感器：通过测量透过水的光量来测量水中的悬浮固体，用于反映出水体受污染的情况，避免因浊度超标引发多种鱼类疾病。
外界环境的变化也会对鱼类的生长和行为造成影响。外界环境的各种刺激会使鱼类长时间处于生理紧张状态，导致鱼体耗能过多、生长速率减慢、疾病抵抗力下降，其中最突出的便是鱼类摄食行为的强弱会受外界自然环境的影响，例如气温、光照、气压等。本发明实施例旨在集成多种气象传感器对渔场的大气环境进行实时检测，获取渔场环境中的温湿度、光照、气压等数据信息，实现一体化气象检测，为鱼类营造有利生存条件，其中主要利用的传感器类型包括：
温湿度传感器：用于测量大气环境的温湿度，该传感器对环境的温湿度进行实时检测，避免因温湿度值过高或过低影响鱼类的正常生长；
光照传感器：用于检测光照强度，该传感器对环境的光照进行实时检测，避免因光照强度不合适影响鱼类生长发育和繁殖；
气压传感器：用于检测气压强度，该传感器对气压强度进行实时检测，因气压变化会直接影响水中的溶解氧浓度，其上传的数据可以辅助管理人员对水中溶解氧含量进行判断；
本发明实施例集成多种设备传感器对渔场的增氧机、投饵机、光伏设备等电气设备运行状态进行实时检测，获取不同设备的运行电流、电压、温度、电功率值等多维数据，实现设备运行状态实时监测和设备异常运行预警，其中主要利用的传感器类型包括：
电流传感器：用于检测流过电气设备的电流值，避免因电流过载造成电气设备的损坏；
电压传感器：用于检测施加在电气设备上的电压值，避免因电压过载造成电气设备的损坏；
红外温度传感器：用于检测电气设备表面温度，从而发现设备的缺陷和异常情况，便于管理人员对电气设备进行维护；
功率传感器：用于检测各电气设备消耗的功率值，确定设备的工作效率，并且根据功率与电压、电流的相互关系，即可更好的对设备工作状态的好坏进行决策和判定，减少因单一测量因素造成电气故障决策异常的情况。
步骤2：采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状态全景感知信息；
在本发明中，多维状态全景感知信息的预处理过程是在边缘计算终端完成的，因此本发明首先需要将各个传感器采集多维状态全景感知信息上传到边缘计算终端。
本发明为了减少重复布线带来的麻烦，并且根据渔场复杂环境各类设备接入需求及数据传输需求，提出了以HPLC通信为主，LTE无线通信为辅的双模通信技术，并在边缘计算终端安装上HPLC和LTE通信路由，上电后HPLC和LTE将会分别完成组网，建立同智能网关之间的通信连接。
为了增强设备的接入管理能力和数据通信处理能力，双模通信采用IP化的电力线载波，即基于IPv6的HPLC通信网络在MAC层采用IEEE 802.15.4标准，每个具有IP化通信能力的设备都有一个唯一的地址进行区分；IP化电力线载波在分层组网的同时会将同一组网层级中的多个设备进行分组，边缘计算终端对它们进行统一管理并为不同组的设备分配不同的组网时段，保证多层级设备的有序可靠组网；
通信组网成功后，双模通信路由会根据设备数据通信情况实时计算该通信链路下的信噪比以及数据一次传输的上行成功率、下行成功率等关键指标，边缘计算终端会依照这些指标数据，判断HPLC和LTE双模组网通信方式的组网状态及组网结果并呈现给后台，便于有效跟踪通信连接进展。
如图2所示，本实施例中给出了HPLC通信组网图。HPLC是利用现有电力线，通过载波方式将模拟或数字信号进行高速传输的技术，是电力***特有的通信方式。HPLC通信频段为700KHz~12MHz之间，应用层通信速率最大可达2Mbps，支持多级组网与自动选路等特性，完全满足渔场养殖环境下对带宽、通信距离和可靠性需求。HPLC网络中有三种节点，它们分别为：CCO中央协调节点（HPLC头端）、PCO代理协调节点（HPLC尾端）、STA终端节点（HPLC尾端），这三个节点组成树形结构。其通信方式采用中央调度的方式，CCO上电后会进行全网检测，确定PCO和STA，然后侦听STA的报文或者主动询问STA，通过CSMA载波检测多址的方式进行传输管理和控制。
如图3所示，本实施例中给出了LTE通信网络架构图。LTE（Long Term Evolution，长期演进）引入了OFDM（Orthogonal Frequency Division Multiplexing，正交频分复用）和MIMO（Multi-Input & Multi-Output，多输入多输出）等关键技术，显著增加了频谱效率和数据传输速率，并支持多种带宽分配，频谱分配更加灵活，***容量和覆盖也显著提升。LTE由四个主要组件组成：包括终端（EU）、无线接入网（E-UTRAN）、核心网（EPC）、公网（PDN）。其中，每个基站通过S1接口与EPC连接，它也可以连接到附近的基站通过X2接口，它主要用于在越区切换过程中的信令和数据包转发；EPC主要由MME（移动性管理实体），SGW（服务网关）和PGW（分组数据网关）组成。多个EPC的集合称为EPS。EPC和E-UTRAN间的接口是S1，由于用户面和控制面的分离，S1接口也可分为用户面接口S1-U和控制面接口S1-MME；HSS（归属用户服务器）是核心网中的一个数据库服务器，里面存放着所有属于该核心网的用户的数据信息。当用户连接到MME（核心网控制面网元）的时候，用户提交的资料会和HSS数据服务器中的资料进行比对来进行鉴权。
边缘计算终端对渔业养殖场景下实时在线获取的大气、水质和电气设备数据采用统计分析方法对数据进行预处理：
（1）对于缺失的数据采用统计量填充的方法对其进行修复，即先确定数据的缺失率，若缺失率较低（小于95%）且重要性较低，则根据数据分布的情况进行填充。对于数据符合均匀分布，用该变量的均值填补缺失，对于数据存在倾斜分布的情况，采用中位数进行填补。
（2）对于异常的数据采用结合箱线图和MAD（基于绝对离差中位数）的统计方法判断变量的异常点，然后对其进行剔除。
步骤3：对所述预处理后的多维状态全景感知信息进行特征提取，确定预处理后的多维状态全景感知信息的阈值范围；
进一步的，步骤3包括：
针对经过预处理后的数据信息，本实施例采用主成分分析法、粗糙集理论对数据进行特征提取，确定渔场环境下大气、水质和电气设备等关键参数的最佳阈值范围。
其中，主成分分析法原理如下：
主成分分析法（PCA）是一种利用降维技术把多元变量简化为少数几个变量的分析方法，PCA操作可将样本区分开来，且可识别多变量数据矩阵中最重要的变量，从而筛选出较优的处理方式。（1）将输入数据集变量的范围标准化，以使它们中的每一个均可以大致成比例的分析，标准差公式如下：
Figure DEST_PATH_IMAGE052
；
进行协方差矩阵计算，以便更好的了解输入数据集的变量相对于平均值变化的情况，揭示它们之间的数据关联性；（3）计算协方差矩阵的特征向量和特征值，以筛选主要成分。计算特征向量并按其特征值依降序排列，使我们能够按重要性顺序找到主成分。在这个步骤中丢弃那些重要性较低的成分（低特征值），并与其他成分形成一个向量矩阵，即为特征向量；（4）使用协方差矩阵的特征向量去形成新特征向量，通过原始数据集的转置乘以特征向量的转置的方法将数据从原始轴重新定位到主成分轴中。
粗糙集理论原理如下：
粗糙集理论是一种可以定量分析处理不精确、不一致、不完整信息与知识的数学工具，原理为从近似空间导出的一对近似算子，设M为信息表，则M的形式化描述为：
Figure DEST_PATH_IMAGE054
；
其中，U为有限对象的集合；At为有限非空的属性集合；
Figure DEST_PATH_IMAGE056
表示属性
Figure DEST_PATH_IMAGE058
的属性值范围，即属性a的值域；
Figure DEST_PATH_IMAGE060
为
Figure DEST_PATH_IMAGE062
是一个信息函数，
Figure DEST_PATH_IMAGE064
表示对象x在属性a的取值。
步骤4：采用时间序列分析方法对所述预处理的多维状态全景感知信息进行分析，得到线性拟合模型；
具体的，步骤4包括：
本实施例采用时间序列分析的方法对经过预处理的不同时间尺度下大气、水质和电气设备数据进行时空变化规律分析，得出大气、水质、电气设备运行状态的动态变化趋势（线性拟合模型）。本发明中的时间序列分析方法原理如下：
对于一个时间序列
Figure DEST_PATH_IMAGE066
，任意时刻的序列值
Figure DEST_PATH_IMAGE068
都是一个随机变量，记其分布函数为
Figure DEST_PATH_IMAGE070
，则其特征统计量均值、方差、自协方差函数、自相关系数的定义分别如下：
均值：表示时间序列在各个时刻取值的平均值，其定义如下：
Figure DEST_PATH_IMAGE072
；
方差：表示时间序列在各个时刻围绕其均值波动的平均程度，其定义如下：
Figure DEST_PATH_IMAGE074
；
自协方差函数：表示时间序列任意两个时刻直接的相关性，任取t，
Figure DEST_PATH_IMAGE076
，则其定义如下：
Figure DEST_PATH_IMAGE078
；
自相关系数：同自协方差函数，其定义如下：
Figure DEST_PATH_IMAGE080
；
时间序列建模基本步骤是：（1）用观测、调查、统计、抽样等方法取得被观测***时间序列动态数据；（2）根据动态数据作相关图，进行相关分析，求自相关函数。根据相关图可以发现跳点和拐点，跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值，在建模时应考虑进去，如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列；
（3）辨识合适的随机模型，进行曲线拟合，即用通用随机模型去拟合时间序列的观测数据。经过线性拟合的模型为：
Figure DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE084
Figure DEST_PATH_IMAGE086
则随机时间序列模型一般形式为：
Figure DEST_PATH_IMAGE088
；
如果取线性方程、一阶滞后以及白噪声随机扰动项
Figure DEST_PATH_IMAGE090
，模型变为：
Figure DEST_PATH_IMAGE092
；
其中，
Figure DEST_PATH_IMAGE094
表示一阶白噪声。
步骤5：根据所述线性拟合模型构建水质预测预警模型；
进一步的，步骤5包括：根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得到聚类中心；
将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊模型；
利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质预测预警模型。
下面结合具体的实施例对步骤5进行进一步的说明：
本发明根据时间序列分析得到的不同时间尺度下水质、电气设备运行状态的动态变化趋势，结合获取的大气数据利用模糊聚类算法对传感器数据进行数据关联和T-S模糊模型***辨识分析，构建水质预测预警模型，为渔场的智能化养殖和运维提供理论支撑。其中，如图4所示为模糊矩阵的数据关联处理流程图，本发明的模糊聚类算法原理如下：
在分类过程中，如果分类矩阵元素
Figure DEST_PATH_IMAGE096
的取值由仅为集合{0,1}中的0、1二值，转变为闭区间[0,1]内的任意值时，那么分类过程则由硬划分转变为模糊聚类，其中
Figure DEST_PATH_IMAGE096A
为样本
Figure DEST_PATH_IMAGE098
与
Figure DEST_PATH_IMAGE100
的相似系数。模糊聚类所对应的模糊矩阵性质如下：
对任意的i，j，
Figure DEST_PATH_IMAGE096AA
∈[0,1]；
对任意的i，
Figure DEST_PATH_IMAGE102
。
考虑一个样本集合：
Figure DEST_PATH_IMAGE104
；
其中
Figure DEST_PATH_IMAGE106
，N为样本数。分样本集合为c类，
Figure DEST_PATH_IMAGE108
，记
Figure DEST_PATH_IMAGE110
为第i类的中心，令
Figure DEST_PATH_IMAGE112
为聚类中心矩阵，则每一类可以用它的聚类中心
Figure DEST_PATH_IMAGE110A
来代表。
模糊聚类算法会找到代表每一类特征的点，作为这一类的中心点以及每个数据点在各类中的隶属度。这个目标常通过最小化目标函数来实现。由于不同的传感器上报的目标属性信息会有所不同，因此本发明需要从其共有属性中去选择聚类中心。
在本发明中，模糊聚类算法的目标函数定义如下：
Figure DEST_PATH_IMAGE002A
；
其中，
Figure DEST_PATH_IMAGE004AA
为第k个样本，N为样本的个数，
Figure DEST_PATH_IMAGE006A
为样本
Figure DEST_PATH_IMAGE004AAA
对聚类中心
Figure DEST_PATH_IMAGE008AAA
的隶属度(即
Figure DEST_PATH_IMAGE004AAAA
属于
Figure DEST_PATH_IMAGE008AAAA
的概率)，m表示聚类的簇数（类数），
Figure DEST_PATH_IMAGE008_5A
表示第i个聚类中心，c表示聚类中心的个数，
Figure DEST_PATH_IMAGE010A
为正则化参数，
Figure DEST_PATH_IMAGE012A
表示
Figure DEST_PATH_IMAGE008_6A
的一个先验估计值。正则化参数
Figure DEST_PATH_IMAGE010AA
控制着：
Figure DEST_PATH_IMAGE114
；
和
Figure DEST_PATH_IMAGE116
；
的贡献度。
Figure DEST_PATH_IMAGE012AA
是
Figure DEST_PATH_IMAGE008_7A
的一个先验估计值，可利用拉格朗日乘积因子法求解目标函数的最优解，令：
Figure DEST_PATH_IMAGE118
即有：
Figure DEST_PATH_IMAGE120
；
Figure DEST_PATH_IMAGE122
；
则隶属度计算公式为：
Figure DEST_PATH_IMAGE124
；
计算
Figure DEST_PATH_IMAGE126
关于
Figure DEST_PATH_IMAGE128
的偏导数并令其等于零，可得：
Figure DEST_PATH_IMAGE130
；
于是有：
Figure DEST_PATH_IMAGE132
；
Figure DEST_PATH_IMAGE134
；
模糊聚类算法在迭代过程中优化分类，不断改善参数U和V，若：
Figure DEST_PATH_IMAGE136
；
则停止计算，输出模糊划矩阵U和聚类中心V。
T-S模糊模型***辨识分析流程为：
T-S模糊模型可以表示如下：
Figure DEST_PATH_IMAGE138
；
其中，i=1,2,...,R；
Figure DEST_PATH_IMAGE140
为第i个模糊规则，R是模糊规则数；
Figure DEST_PATH_IMAGE142
是第k个输入变量，k=1,2,...,N；
Figure DEST_PATH_IMAGE144
为前件模糊子集，j=1,2,...,n；N代表所含样本的个数；n代表每个样本所含的变量数；
Figure DEST_PATH_IMAGE146
为第i个规则的输出；
Figure DEST_PATH_IMAGE148
是后件参数，l=0,1,...,n。
对模糊集
Figure DEST_PATH_IMAGE144A
采用高斯类隶属函数：
Figure DEST_PATH_IMAGE150
；
其中，
Figure DEST_PATH_IMAGE152
为输入变量的聚类中心值，
Figure DEST_PATH_IMAGE154
为高斯类隶属函数的宽度，
Figure DEST_PATH_IMAGE154A
的计算公式为：
Figure DEST_PATH_IMAGE156
；
当R=c时，T-S模糊***辨识得到的第k个输入对应的输出为每个规则输出的加权平均：
Figure DEST_PATH_IMAGE158
；
其中：
Figure DEST_PATH_IMAGE160
；
Figure DEST_PATH_IMAGE162
；
Figure DEST_PATH_IMAGE164
；
为第i条规则的结论参数，其中：
Figure DEST_PATH_IMAGE166
；
Figure DEST_PATH_IMAGE168
；
当给定一组输入输出数据：
Figure DEST_PATH_IMAGE170
；
时，可令
Figure DEST_PATH_IMAGE172
，其中，
Figure DEST_PATH_IMAGE174
，矩阵X由下式确定：
Figure DEST_PATH_IMAGE176
；
Figure DEST_PATH_IMAGE178
；
Figure DEST_PATH_IMAGE180
；
其中，i=1,2,...,n，由此结论参数的计算公式为：
Figure DEST_PATH_IMAGE182
；
当前件变量已经选定，而且模糊子空间划分的个数已确定，确定模糊子空间的问题就是确定前件中的隶属函数，也即是确定使性能指标达到极小的隶属函数中的参数。
步骤6：对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据；
进一步的，所述步骤6，包括：
根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感器信号总的相关能量；其中，所述同类传感器信号为预处理后的水质信息或者预处理后的电气设备状态信息；
采用公式:
Figure DEST_PATH_IMAGE184
；
Figure DEST_PATH_IMAGE186
；
得到相关能量；其中，
Figure DEST_PATH_IMAGE188
表示第i个传感器的相关能量，m表示同类传感器的个数，n表示传感器采集的数据点的个数，
Figure DEST_PATH_IMAGE190
表示信号时间序列，
Figure DEST_PATH_IMAGE192
表示同类传感器信号之间的互相关性，
Figure DEST_PATH_IMAGE194
表示在t0时刻第i个传感器采集的值，
Figure DEST_PATH_IMAGE196
表示在
Figure DEST_PATH_IMAGE198
时刻第j个传感器采集的值。
对所述相关能量进行归一化，并计算出归一化相关能量的方差贡献率；
根据所述方差贡献率对同类传感器信号进行融合得到融合后的数据。
下面结合具体的实施例对本发明的步骤6做进一步的说明：
仅仅依靠电气设备监控传感器传回的信息对传感器运行的状态进行判断是及其不科学的，因为电气设备监控传感器传回的信息可能因为外界的噪声干扰存在不可靠的问题，采用多个传感器信息便可解决这个问题，监测到的多源信息经过集成和融合后，便可较为完整的反映所监测对象的特征。所以，本实施例结合反馈的环境水质信息，利用多源信息融合技术对水质信息和电气设备监测信息进行数据融合，构建多源信息设备故障诊断判决模型，提高电气设备故障诊断的监测效率。其中，如图5所示为电气设备故障诊断判决流程图，则多源信息融合技术的原理如下：
本实施例根据水质传感器以及电气设备传感器检测的信息，对其进行数据划分，采用相关性方差贡献率实现各传感器数据之间的数据融合，最后将融合后的数据作为自适应深度卷积神经网络（ADCNN）的输入，并利用此方法实现电气设备故障诊断。
基于相关性方差贡献率的多源同类信息数据层融合：相关性方差贡献率法有效利用了传感器各信号间的相关性及互补性。此方法以方差贡献率为依据，根据信息间的相关重要程度去分配融合系数，将多个同类信号融合为一个信号，实现了同类信息间的动态融合，从而避免了有效信息的漏频及丢失。
假设m个同类传感器信号
Figure DEST_PATH_IMAGE200
，则任意两个信号的互相关性可表示为：
Figure DEST_PATH_IMAGE202
；
式中：n为每个信号数据点的个数；
Figure DEST_PATH_IMAGE204
表示信号时间序列。第i个传感器与所有同类传感器信号总的相关能量可表示为：
Figure DEST_PATH_IMAGE206
；
式中：
Figure DEST_PATH_IMAGE208
为离散信号的能量表达公式，表示经互相关计算得到的信号能量。得到相关能量
Figure DEST_PATH_IMAGE210
后，对m个同类传感器信号进行能量归一化处理，能量归一化公式为：
Figure DEST_PATH_IMAGE212
；
式中：
Figure DEST_PATH_IMAGE214
为第i个传感器在时间T内以一定的采样频率采集到的数据信号序列，其能量归一化信号
Figure DEST_PATH_IMAGE216
的离散的n个数据值为
Figure DEST_PATH_IMAGE218
，定义其方差贡献率为：
Figure DEST_PATH_IMAGE220
；
式中：
Figure DEST_PATH_IMAGE222
代表能量归一化信号
Figure DEST_PATH_IMAGE216A
的第I个数据点，
Figure DEST_PATH_IMAGE224
表示第i个传感器采集的第I个数据的方差贡献率，
Figure DEST_PATH_IMAGE226
是能量归一化信号
Figure DEST_PATH_IMAGE216AA
的均值；
Figure DEST_PATH_IMAGE228
是能量归一化信号
Figure DEST_PATH_IMAGE216AAA
的方差。
由某一时刻m个同类传感器采集到的同类信号的方差贡献率，得到任一传感器信号
Figure DEST_PATH_IMAGE214A
个第I个数据点
Figure DEST_PATH_IMAGE230
的分配系数为：
Figure DEST_PATH_IMAGE232
；
基于所得的分配系数，m个同类传感器信号被融合为一个信号。融合后所得信号x第I个数据点的值为：
Figure DEST_PATH_IMAGE234
；
步骤7：将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；
进一步的，步骤7包括：
将融合的信息输入到构建的自适应深度卷积神经网络（ADCNN）中，利用ADCNN自适应地提取各类信息的故障特征并实现特征融合。这种融合模式考虑了同类信号间的相关性及互补性，避免了关键故障信息的丢失。ADCNN可以根据实际网络性能，优化网络层次结构，以收敛速度为评价指标，对网络进行自适应扩展，提取各多源信息的代表性故障特征。其中，ADCNN的卷积层由多个特征图组成，每个特征图通过卷积核与上一层特征图的局部区域相连，通过对各输入特征图的卷积滤波，提取数据特征。卷积层的数学模型可表示为：
Figure DEST_PATH_IMAGE236
；
式中：
Figure DEST_PATH_IMAGE238
为输入特征图；
Figure DEST_PATH_IMAGE240
为I层第j个输出特征图；
Figure DEST_PATH_IMAGE242
为卷积核；
Figure DEST_PATH_IMAGE244
为偏置；符号*代表卷积运算；
Figure DEST_PATH_IMAGE246
为激活函数。
池化层主要通过对上一层特征图的缩放映射以降低数据维度，其最大池化函数最常用的池化函数，其数学表达式为：
Figure DEST_PATH_IMAGE248
；
式中：
Figure DEST_PATH_IMAGE250
表示池化层的第j个输出；S为池化窗口大小。
ADCNN一共有r条支路，包括初始支路和扩展支路。初始化网络只包含一条初始支路，并以网络收敛速度为评价指标判断是否需要进行自适应扩展。其收敛速度
Figure DEST_PATH_IMAGE252
应满足如下条件：
Figure DEST_PATH_IMAGE254
；
式中：
Figure DEST_PATH_IMAGE256
为前一次网络训练平均误差；
Figure DEST_PATH_IMAGE258
为当前网络训练平均误差；
Figure DEST_PATH_IMAGE260
为收敛速度的期望阈值。在本实施例中，网络训练平均误差的计算公式为：
Figure DEST_PATH_IMAGE262
；
式中：N为训练样本总数；c为类别数；
Figure DEST_PATH_IMAGE264
为第j幅训练样本对应的第i个神经元的输出；
Figure DEST_PATH_IMAGE266
为训练样本的真实类别标签。
当进行自适应扩展时，在扩展结构中，需要一个新的全连接层将初始支路和扩展支路的输出结果进行融合，并获得新的输出结果。进一步的，输出层激励函数融合输出结果为：
Figure DEST_PATH_IMAGE268
；
式中：
Figure DEST_PATH_IMAGE270
与
Figure DEST_PATH_IMAGE272
是初始支路与扩展支路k的输出结果；
Figure DEST_PATH_IMAGE274
为扩展支路k的输出权值；初始支路输出权值为1。
本发明在利用ADCNN网络进行训练的过程中，初始支路的网络结构与相关参数保持不变，先保留其输出结果
Figure DEST_PATH_IMAGE270A
，待扩展支路训练完成后再与其输出结果
Figure DEST_PATH_IMAGE270AA
进行融合，通过BP算法更新扩展支路的相应权值，当所有扩展支路扩展完毕时，即完成自适应扩展学习。待扩展支路完成后，通过网络输出层即可得到诊断结果。
步骤8：利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警。
本发明利用水质预测预警模型，可以将异常水质情况及时反馈给管理人员，便于渔场水质的及时调整，减少养殖过程中因养殖条件不适造成鱼类大量死亡的损失；与此同时，本发明通过设备故障诊断模型，可以根据采集的电流、电压、设备外表温度和电功率等数据信息，确定发生故障的电气设备，便于维修人员及时维修。
需要说明的是，本发明在利用边缘计算终端对水质信息、大气环境信息和渔场内电气设备状态信息进行分析并处理之后还需要将最后的处理结果通过HPPT协议上传至物联网云平台，并且将控制信号经电力线载波传输至智能开关，对终端设备，例如增氧机、投饵机、光伏设备进行智能控制。
其中，HTTP协议是从万维网（WWW:World Wide Web ）服务器传输超文本到本地浏览器的传送协议，其基于TCP/IP通信协议传输数据。HTTP协议工作于客户端-服务端架构之上，如图6所示。边缘计算终端作为HTTP客户端通过URL向HTTP服务端即WEB服务器（物联网云平台）发送所有请求。Web服务器根据接收到的请求后，向客户端发送响应信息。发送的HTTP的请求消息主要由四部分组成：分别是用来说明请求类型，要访问的资源以及所使用的HTTP版本的请求行；用来说明服务器要使用的附加信息的请求头部；空行；以及请求数据也叫主体，在该部分添加任意的其他数据。响应的消息也由四部分组成：分别是由HTTP协议版本号，状态码，状态消息三部分组成的状态行；用来说明客户端要使用的一些附加信息的消息报头；空行；以及响应正文，即服务器返回给客户端的文本信息。本实施例具体数据传输流程为：
1）客户端连接到Web服务器：客服端与Web服务器的HTTP端口（默认为80）建立一个TCP套接字连接；
2）发送HTTP请求：通过TCP套接字，客户端向Web服务器发送一个文本的请求报文；
3）服务器接受请求并返回HTTP响应：Web服务器解析请求，定位请求资源。服务器将资源复本写到TCP套接字，由客户端读取；
4）释放连接TCP连接：若connection 模式为close，则服务器主动关闭TCP连接，客户端被动关闭连接，释放TCP连接；若connection 模式为keepalive，则该连接会保持一段时间，在该时间内可以继续接收请求；
5）客户端浏览器解析HTML内容：客户端浏览器首先解析状态行，查看表明请求是否成功的状态代码。然后解析每一个响应头，响应头告知以下为若干字节的HTML文档和文档的字符集。客户端浏览器读取响应数据HTML，根据HTML的语法对其进行格式化，并在浏览器窗口中显示；
6）管理人员通过查看上传的数据结果，以电力线载波作为控制信号的传输载体，利用智能开关实现对底层设备，例如智能开关、增氧机、投饵机、光伏设备进行智能控制。
基于上述的一种智慧渔场多维全景感知监控方法，本发明还提供一种智慧渔场多维全景感知监控装置，包括：多参数水质传感器模块，用于采集渔场的水质信息；多种气象传感器模块，用于采集大气环境信息；渔场设备监测模块，用于采集渔场内电气设备状态信息；智能网关，分别与所述多参数水质传感器模块、所述多种气象传感器模块和所述渔场设备监测模块通信连接；边缘计算终端，所述边缘计算终端上设置有HPLC通信路由器和LTE通信路由器，所述HPLC通信路由器和所述LTE通信路由器均与所述智能网关通信连接；所述边缘计算终端用于根据所述水质信息、所述大气环境信息和所述电气设备状态信息对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警。
在实际应用中，本发明的一种智慧渔场多维全景感知监控装置还包括多模混合组网通信模块、可信认证模块、多维状态全景感知模块、数据分析与***辨识模块以及渔场智能运维模块。其***模块执行流程框图，如图7所示，所述多维状态全景感知模块包括渔场水质环境感知传感器、渔场大气环境感知传感器以及渔场电气设备感知***，该感知模块采集到的所有环境信息数据和电气设备信息，均通过多模混合组网通信模块进行数据传输；所述多模混合组网通信模块包括HPLC通信和无线LTE通信，其不仅可以进行单一通信方式组网，也可以进行双模混合组网，提高实际应用场景适配度；所述数据分析与***辨识模块依赖于边缘计算终端，对收集到的数据采用统计分析、模糊聚类、时间序列分析等方法进行数据模糊关联分析和***辨识；所述可信认证模块在物联网云平台引入人员身份授权认证功能，确保设备数据的信息安全；所述渔场智能运维模块利用感知传感器设备、边缘计算终端、物联网平台、智能运维监测等方式，实现渔场的水产养殖物联网全覆盖和全程监控，实现全电渔场的智能运维。
进一步的，用户必须经过可信认证的流程，方可实现终端设备的接入或者数据的查询，请参阅图8，其具体的可信认证流程为：
1）用户必须通过第三方应用进入***平台登录页面进行身份注册，创建相应的用户名和密码，绑定身份证、手机号等个人信息；
2）创建成功后，进行用户登录，账户密码输入验证成功后，方可进入用户的个人设备管理界面，在个人设备管理界面，用户根据需要进行项目创建和设备创建，依次填写项目和设备的基本信息，然后按照引导完成终端设备和边缘设备的双向认证；
3）根据需要安装***提供的安全协议开发固件，然后从第三方密钥生成中心获取自己的公私钥对，边缘网关将公私钥对秘密存储在内存中，并且在密钥的获取和加密过程中，为确保加密安全，密钥不会以明文形式出现；
4）待接入设备开始运行时首先需要检查自己是否已经完成认证，如果没有便会向边缘计算终端发起身份认证请求，边缘计算终端收到认证请求后会通过身份认证模块和终端设备进行身份认证；
5）认证成功后，智能网关使用密钥协商协议生成的会议密钥对传感器设备采集的数据进行加密，最后上传给边缘计算终端；
6）边缘计算终端接收到密文后，对其进行解密，然后提取其中的关键数据并按照***中定义的报文格式进行封装，通过HTTP协议传输至物联网云平台；
7）物联网云平台解析报文后，将数据存入对应的数据库，利于用户对传感器设备采集的数据实时进行查询。
与传统的渔业养殖方式相比，本发明具有以下有益效果：（1）本发明提出渔场复杂环境下以HPLC和LTE双模组网的电力可信通信技术，为电网和渔场的融合应用提供更多的可能性，减少重复布线带来的昂贵费用；（2）实现了养殖水质-大气环境-电气设备多维信息智能感知，解决养殖水质、养殖大气环境、养殖电气设备等信息数字化监测水平低等问题；（3）利用养殖水质-大气环境-电气设备间数据的关联性和耦合作用机理，解决了电气设备智能化控制水平低、养殖能耗高、风险防范水平低等问题；（4）结合水质与电气设备信息，利用多源信息融合技术构建多源信息电气设备故障诊断判决模型，实现电气设备实时状态感知和高效故障诊断监测；（5）将水产养殖物联网、大数据等先进技术进行融合，提高全电渔场的运维效率；（6）通过引入可信认证方式，满足渔场复杂环境下电气设备的接入和数据传输的安全性需求。
本发明还提供了一种智慧渔场多维全景感知监控***，包括：
感知信息获取模块，用于使用传感器采集渔场的多维状态全景感知信息；所述多维状态全景感知信息包括水质信息、大气环境信息和渔场内电气设备状态信息；所述水质信息包括含氧量、pH值、电导率、温度和浊度；所述大气环境信息包括大气环境的温湿度、光照强度和气压强度；所述渔场内电气设备状态信息包括电气设备的电流值、电压值、表面温度值和电功率值；
预处理模块，用于采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状态全景感知信息；
特征提取模块，用于对所述预处理后的多维状态全景感知信息进行特征提取，确定预处理后的多维状态全景感知信息的阈值范围；
时间序列分析模块，用于采用时间序列分析方法对所述预处理的多维状态全景感知信息进行分析，得到线性拟合模型；
水质预测预警模型构建模块，用于根据所述线性拟合模型构建水质预测预警模型；
数据融合模块，用于对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据；
训练模块，用于将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；
监控模块，用于利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警。
优选地，所述水质预测预警模型构建模块，包括：
聚类单元，用于根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得到聚类中心；
模型构建模块，用于将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊模型；
参数辨识模块，用于利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质预测预警模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种智慧渔场多维全景感知监控方法、***与装置的有益效果在于：与现有技术相比，本发明通过利用线性拟合模型构建水质预测预警模型，然后将水质信息和电气设备状态信息进行融合并对融合后的数据进行训练得到电气设备故障诊断模型，这样就可以同时利用水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出警报，大大提高了渔场的运维效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种智慧渔场多维全景感知监控方法，其特征在于，包括：
使用传感器采集渔场的多维状态全景感知信息；所述多维状态全景感知信息包括水质信息、大气环境信息和渔场内电气设备状态信息；所述水质信息包括含氧量、pH值、电导率、温度和浊度；所述大气环境信息包括大气环境的温湿度、光照强度和气压强度；所述渔场内电气设备状态信息包括电气设备的电流值、电压值、表面温度值和电功率值；
采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状态全景感知信息；
对所述预处理后的多维状态全景感知信息进行特征提取，确定预处理后的多维状态全景感知信息的阈值范围；
采用时间序列分析方法对所述预处理的多维状态全景感知信息进行分析，得到线性拟合模型；
根据所述线性拟合模型构建水质预测预警模型；
对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据；
将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；
利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警；
所述根据所述线性拟合模型构建水质预测预警模型，包括：
根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得到聚类中心；
将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊模型；
利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质预测预警模型；
所述模糊聚类算法的目标函数为：
Figure DEST_PATH_IMAGE001
；
其中，
Figure DEST_PATH_IMAGE002
为第k个样本，N为样本的个数，
Figure DEST_PATH_IMAGE003
为样本
Figure 370892DEST_PATH_IMAGE002
对聚类中心
Figure DEST_PATH_IMAGE004
的隶属度，m表示聚类的簇数，
Figure 661934DEST_PATH_IMAGE004
表示第i个聚类中心，c表示聚类中心的个数，
Figure DEST_PATH_IMAGE005
为正则化参数，
Figure DEST_PATH_IMAGE006
表示
Figure 428289DEST_PATH_IMAGE004
的一个先验估计值，V为聚类中心矩阵，
Figure DEST_PATH_IMAGE007
，U为模糊化矩阵。
2.根据权利要求1所述的一种智慧渔场多维全景感知监控方法，其特征在于，所述对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据，包括：
根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感器信号总的相关能量；其中，所述同类传感器信号为预处理后的水质信息或者预处理后的电气设备状态信息；
对所述相关能量进行归一化，并计算出归一化相关能量的方差贡献率；
根据所述方差贡献率对同类传感器信号进行融合得到融合后的数据。
3.根据权利要求2所述的一种智慧渔场多维全景感知监控方法，其特征在于，所述根据同类传感器信号之间的互相关性得到任意一个传感器信号与所有同类传感器信号的相关能量，包括：
采用公式:
Figure DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
；
得到相关能量；其中，
Figure DEST_PATH_IMAGE010
表示第i个传感器的相关能量，m表示同类传感器的个数，n表示传感器采集的数据点的个数，
Figure DEST_PATH_IMAGE011
表示信号时间序列，
Figure DEST_PATH_IMAGE012
表示同类传感器信号之间的互相关性，
Figure DEST_PATH_IMAGE013
表示在
Figure DEST_PATH_IMAGE014
时刻第i个传感器采集的值，
Figure DEST_PATH_IMAGE015
表示在
Figure DEST_PATH_IMAGE016
时刻第j个传感器采集的值。
4.根据权利要求3所述的一种智慧渔场多维全景感知监控方法，其特征在于，所述对所述相关能量进行归一化，并计算出归一化相关能量的方差贡献率，包括：
采用公式：
Figure DEST_PATH_IMAGE017
；
Figure DEST_PATH_IMAGE018
；
得到方差贡献率；其中，KiI表示第i个传感器采集的第I个数据的方差贡献率，yi（I）表示能量归一化信号yi的第I个数据点，xi表示第i个传感器采集的数据点，μi表示能量归一化信号yi的均值，σi 2表示能量归一化信号yi的方差。
5.根据权利要求4所述的一种智慧渔场多维全景感知监控方法，其特征在于，所述根据所述方差贡献率对同类传感器信号进行融合得到融合后的数据，包括：
根据所述方差贡献率得到传感器采集的各个数据点的分配系数；其中，所述分配系数的计算公式为：
Figure DEST_PATH_IMAGE019
；
其中，kiI表示第i个传感器采集的第I个数据点的分配系数；
基于所述分配系数对同类传感器采集的数据点进行融合得到融合后的数据。
6.一种智慧渔场多维全景感知监控***，其特征在于，包括：
感知信息获取模块，用于使用传感器采集渔场的多维状态全景感知信息；所述多维状态全景感知信息包括水质信息、大气环境信息和渔场内电气设备状态信息；所述水质信息包括含氧量、pH值、电导率、温度和浊度；所述大气环境信息包括大气环境的温湿度、光照强度和气压强度；所述渔场内电气设备状态信息包括电气设备的电流值、电压值、表面温度值和电功率值；
预处理模块，用于采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状态全景感知信息；
特征提取模块，用于对所述预处理后的多维状态全景感知信息进行特征提取，确定预处理后的多维状态全景感知信息的阈值范围；
时间序列分析模块，用于采用时间序列分析方法对所述预处理的多维状态全景感知信息进行分析，得到线性拟合模型；
水质预测预警模型构建模块，用于根据所述线性拟合模型构建水质预测预警模型；
数据融合模块，用于对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据；
训练模块，用于将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；
监控模块，用于利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警；
所述水质预测预警模型构建模块，包括：
聚类单元，用于根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得到聚类中心；
模型构建模块，用于将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊模型；
参数辨识模块，用于利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质预测预警模型；
所述模糊聚类算法的目标函数为：
Figure 184017DEST_PATH_IMAGE001
；
其中，
Figure 60707DEST_PATH_IMAGE002
为第k个样本，N为样本的个数，
Figure 197683DEST_PATH_IMAGE003
为样本
Figure 74503DEST_PATH_IMAGE002
对聚类中心
Figure 335721DEST_PATH_IMAGE004
的隶属度，m表示聚类的簇数，
Figure 316184DEST_PATH_IMAGE004
表示第i个聚类中心，c表示聚类中心的个数，
Figure 371864DEST_PATH_IMAGE005
为正则化参数，
Figure 939243DEST_PATH_IMAGE006
表示
Figure 738572DEST_PATH_IMAGE004
的一个先验估计值，V为聚类中心矩阵，
Figure 588190DEST_PATH_IMAGE007
，U为模糊化矩阵。
7.一种智慧渔场多维全景感知监控装置，其特征在于，包括：
多参数水质传感器模块，用于采集渔场的水质信息；
多种气象传感器模块，用于采集大气环境信息；
渔场设备监测模块，用于采集渔场内电气设备状态信息；所述水质信息、所述大气环境信息和所述渔场内电气设备状态信息构成多维状态全景感知信息；
智能网关，分别与所述多参数水质传感器模块、所述多种气象传感器模块和所述渔场设备监测模块通信连接；
边缘计算终端，所述边缘计算终端上设置有HPLC通信路由器和LTE通信路由器，所述HPLC通信路由器和所述LTE通信路由器均与所述智能网关通信连接；所述边缘计算终端用于根据所述水质信息、所述大气环境信息和所述电气设备状态信息对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警；
所述边缘计算终端具体为：
采用统计分析方法对所述多维状态全景感知信息进行预处理得到预处理后的多维状态全景感知信息；
对所述预处理后的多维状态全景感知信息进行特征提取，确定预处理后的多维状态全景感知信息的阈值范围；
采用时间序列分析方法对所述预处理的多维状态全景感知信息进行分析，得到线性拟合模型；
根据所述线性拟合模型构建水质预测预警模型；
对预处理后的水质信息和电气设备状态信息进行融合得到融合后的数据；
将所述融合后的数据输入到卷积神经网络中进行训练得到电气设备故障诊断模型；
利用所述水质预测预警模型和电气设备故障诊断模型对渔场进行监控，当水质不合格或者电气设备发生故障时，发出报警；
所述根据所述线性拟合模型构建水质预测预警模型，包括：
根据线性拟合模型利用模糊聚类算法对预处理的多维状态全景感知信息进行聚类得到聚类中心；
将所述预处理的多维状态全景感知信息作为样本集构建T-S模糊模型；
利用所述聚类中心对所述T-S模糊模型的参数进行辨识得到水质预测预警模型；
所述模糊聚类算法的目标函数为：
Figure 80351DEST_PATH_IMAGE001
；
其中，
Figure 135026DEST_PATH_IMAGE002
为第k个样本，N为样本的个数，
Figure 206887DEST_PATH_IMAGE003
为样本
Figure 427522DEST_PATH_IMAGE002
对聚类中心
Figure 559426DEST_PATH_IMAGE004
的隶属度，m表示聚类的簇数，
Figure 101397DEST_PATH_IMAGE004
表示第i个聚类中心，c表示聚类中心的个数，
Figure 242528DEST_PATH_IMAGE005
为正则化参数，
Figure 55020DEST_PATH_IMAGE006
表示
Figure 888984DEST_PATH_IMAGE004
的一个先验估计值，V为聚类中心矩阵，
Figure 652671DEST_PATH_IMAGE007
，U为模糊化矩阵。
CN202210952683.5A 2022-08-10 2022-08-10 一种智慧渔场多维全景感知监控方法、***与装置 Active CN115014445B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210952683.5A CN115014445B (zh) 2022-08-10 2022-08-10 一种智慧渔场多维全景感知监控方法、***与装置
US18/303,341 US11758887B1 (en) 2022-08-10 2023-04-19 Method, system and apparatus for intelligently monitoring aquafarm with multi-dimensional panoramic perception

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210952683.5A CN115014445B (zh) 2022-08-10 2022-08-10 一种智慧渔场多维全景感知监控方法、***与装置

Publications (2)

Publication Number Publication Date
CN115014445A CN115014445A (zh) 2022-09-06
CN115014445B true CN115014445B (zh) 2022-11-15

Family

ID=83065260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210952683.5A Active CN115014445B (zh) 2022-08-10 2022-08-10 一种智慧渔场多维全景感知监控方法、***与装置

Country Status (2)

Country Link
US (1) US11758887B1 (zh)
CN (1) CN115014445B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115014445B (zh) 2022-08-10 2022-11-15 中国农业大学 一种智慧渔场多维全景感知监控方法、***与装置
CN117470306B (zh) * 2023-10-31 2024-04-02 上海永大菌业有限公司 一种菇棚生长环境监测分析方法及***
CN117196881B (zh) * 2023-11-03 2024-02-27 福建乾动海上粮仓科技有限公司 基于大数据的智慧养殖信息管理***
CN117473446B (zh) * 2023-12-27 2024-03-15 深圳市明心数智科技有限公司 基于深度学习的异常检测和处理方法及***
CN117807382B (zh) * 2024-02-29 2024-05-10 广东慧航天唯科技有限公司 基于智慧物联的排水管网污染监测数据智能处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520449A (zh) * 2009-02-26 2009-09-02 孟伟 一种近岸海域水质采样点优化装置及优化方法
CN109640032A (zh) * 2018-04-13 2019-04-16 河北德冠隆电子科技有限公司 基于人工智能多要素全景监控检测五维预警***
CN111687689A (zh) * 2020-06-23 2020-09-22 重庆大学 一种基于lstm和cnn的刀具磨损状态预测方法及装置
CN112766303A (zh) * 2020-12-23 2021-05-07 湖南大学 一种基于cnn的航空发动机故障诊断方法
CN113902207A (zh) * 2021-10-19 2022-01-07 南京工程学院 一种基于tcn-lstm的短期负荷预测方法
CN114169638A (zh) * 2021-12-23 2022-03-11 中国农业大学 一种水质预测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10120103B2 (en) * 2015-12-30 2018-11-06 International Business Machines Corporation Intelligent/autonomous thermocline mapping and monitoring for marine and freshwater applications
WO2018014658A1 (zh) * 2016-07-22 2018-01-25 上海海洋大学 一种柔鱼类的中心渔场预测方法
CN111290349A (zh) * 2019-12-23 2020-06-16 江苏鸿佑环保有限公司 一种基于物联网的农业水产养殖智能监控***
CN111356108B (zh) * 2020-03-06 2022-04-19 山东交通学院 基于神经网络的水下无线传感器网络异常诊断方法
CN115014445B (zh) 2022-08-10 2022-11-15 中国农业大学 一种智慧渔场多维全景感知监控方法、***与装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520449A (zh) * 2009-02-26 2009-09-02 孟伟 一种近岸海域水质采样点优化装置及优化方法
CN109640032A (zh) * 2018-04-13 2019-04-16 河北德冠隆电子科技有限公司 基于人工智能多要素全景监控检测五维预警***
CN111687689A (zh) * 2020-06-23 2020-09-22 重庆大学 一种基于lstm和cnn的刀具磨损状态预测方法及装置
CN112766303A (zh) * 2020-12-23 2021-05-07 湖南大学 一种基于cnn的航空发动机故障诊断方法
CN113902207A (zh) * 2021-10-19 2022-01-07 南京工程学院 一种基于tcn-lstm的短期负荷预测方法
CN114169638A (zh) * 2021-12-23 2022-03-11 中国农业大学 一种水质预测方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Soft-sensor Method for Surface Water Qualities Based on Fuzzy Neural Network;Qiang Gao 等;《Proceedings of the 38th Chinese Control Conference》;20190730;第6877-6880页 *
基于T-S模型的焦炉集气管压力综合预测控制;刘昕明 等;《江苏科技信息》;20191231;第36卷(第36期);第49-51页 *
基于物联网的螃蟹养殖基地监控***设计及应用;刘雨青等;《农业工程学报》;20180822(第16期);第205-211页 *
基于自适应模糊核聚类的多模型软测量建模研究;陈贵华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120615;第11-20页 *
张建波 等.智慧渔业时代的深远海养殖平台控制***.《智慧渔业时代的深远海养殖平台控制***》.2017,第5卷(第4期), *
智慧渔业时代的深远海养殖平台控制***;张建波 等;《智慧渔业时代的深远海养殖平台控制***》;20170331;第5卷(第4期);第120-134页 *

Also Published As

Publication number Publication date
CN115014445A (zh) 2022-09-06
US11758887B1 (en) 2023-09-19

Similar Documents

Publication Publication Date Title
CN115014445B (zh) 一种智慧渔场多维全景感知监控方法、***与装置
Gao et al. CRISLoc: Reconstructable CSI fingerprinting for indoor smartphone localization
CN107770263B (zh) 一种基于边缘计算的物联网终端安全接入方法及***
CN112203282B (zh) 一种基于联邦迁移学习的5g物联网入侵检测方法及***
CN109543829A (zh) 在终端和云端上混合部署深度学习神经网络的方法和***
CN107480699A (zh) 一种基于信道状态信息和支持向量机的入侵检测方法
CN101953287A (zh) 基于多数据的作物需水检测***及检测方法
Sharma et al. IoFT-FIS: Internet of farm things based prediction for crop pest infestation using optimized fuzzy inference system
CN116545954B (zh) 基于物联网的通信网关数据传输方法及***
CN113408087A (zh) 一种基于云边***和视频智能分析的变电站巡视方法
CN114297907A (zh) 温室环境空间分布预测方法及装置
Wang et al. Optimizing quality-of-information in cost-sensitive sensor data fusion
US20220172054A1 (en) Intermediate network node and method performed therein for handling data of communication networks
CN104834813B (zh) 物联网多源异构数据统计分析处理方法和装置
Ma et al. Integration agricultural knowledge and Internet of Things for multi-agent deficit irrigation control
Meshram et al. Border-Square net: a robust multi-grade fruit classification in IoT smart agriculture using feature extraction based Deep Maxout network
CN109509558A (zh) 基于b/s架构的发热疫情快速反应智能公卫服务***
Lijun et al. Analysis of intelligent agricultural system and control mode based on fuzzy control and sensor network
Dinakaran et al. RETRACTED ARTICLE: Quality of service (Qos) and priority aware models for adaptive efficient image retrieval in WSN using TBL routing with RLBP features
Huang et al. Multisource data acquisition based on single-chip microcomputer and sensor technology
Coppola et al. Innovative Vineyards Environmental Monitoring System Using Deep Edge AI
Wang et al. Image detection system based on smart sensor network and ecological economy in the context of fine agriculture
CN108305426A (zh) 火场智能分析***
Rossi et al. Energy efficient data collection via supervised in-network classification of sensor data
Yan et al. freeLoc: Wireless-Based Cross-Domain Device-Free Fingerprints Localization to Free User’s Motions

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