CN114442686B - 溶解氧浓度的控制方法、装置、电子设备及存储介质 - Google Patents
溶解氧浓度的控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114442686B CN114442686B CN202210039353.7A CN202210039353A CN114442686B CN 114442686 B CN114442686 B CN 114442686B CN 202210039353 A CN202210039353 A CN 202210039353A CN 114442686 B CN114442686 B CN 114442686B
- Authority
- CN
- China
- Prior art keywords
- target
- dissolved oxygen
- concentration
- aerator
- aeration
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 195
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 195
- 239000001301 oxygen Substances 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005276 aerator Methods 0.000 claims abstract description 95
- 238000005273 aeration Methods 0.000 claims abstract description 85
- 238000003062 neural network model Methods 0.000 claims description 44
- 238000006213 oxygenation reaction Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 22
- 230000001276 controlling effect Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009360 aquaculture Methods 0.000 description 5
- 244000144974 aquaculture Species 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 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
- 230000001766 physiological effect Effects 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D11/00—Control of flow ratio
- G05D11/02—Controlling ratio of two or more flows of fluid or fluent material
- G05D11/13—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means
- G05D11/139—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means by measuring a value related to the quantity of the individual components and sensing at least one property of the mixture
-
- 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
- A01K63/042—Introducing gases into the water, e.g. aerators, air pumps
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种溶解氧浓度的控制方法、装置、电子设备及存储介质，其中溶解氧浓度的控制方法，包括：获取养殖池内溶解氧的目标实际浓度；基于目标实际浓度，确定溶解氧的目标控制参数，目标控制参数包括增氧机的目标开启时间及目标曝气流量；基于目标控制参数，对所述增氧机进行控制。本发明方法通过目标控制参数控制增氧机的开启时间和曝气流量的方式对溶解氧的浓度进行跟踪控制，实现实时对溶解氧进行精准控制的目的，确保养殖池内的氧气实时满足养殖水体需求，从而大幅度提高了循环水养殖中溶解氧调控效率。
Description
技术领域
本发明涉及农业计算机信息处理技术领域，尤其涉及一种溶解氧浓度的控制方法、装置、电子设备及存储介质。
背景技术
在循环水养殖中，溶解氧是养殖动物氧气需求的重要来源，也是养殖动物生存及正常生理活动的最根本保证，溶解氧含量过低会胁迫水产品的健康生长，严重时会造成鱼类大范围死亡。因此，如何控制溶解氧成为亟需解决的关键问题。
相关技术中，针对循环水养殖过程中的溶解氧调控，通常依赖于养殖人员经验，采用定时加氧或者全天大功率开启增氧机的方式为循环水养殖提供动物生存所需要的氧气。
然而，由于定时加氧方式存在没有及时加氧所导致的高风险问题，全天大功率开启增氧机方式存在成本过高的问题，从而导致现有循环水养殖中溶解氧调控的效率不高。
发明内容
本发明提供一种溶解氧浓度的控制方法、装置、电子设备及存储介，用以解决现有技术中使用定时加氧方式或全天大功率开启增氧机方式为循环水养殖提供氧气所导致的溶解氧控制效率不高的缺陷，实现循环水养殖中溶解氧的精准控制。
本发明提供一种溶解氧浓度的控制方法，包括：
获取养殖池内溶解氧的目标实际浓度；
基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；
基于所述目标控制参数，对所述增氧机进行控制。
根据本发明提供的一种溶解氧浓度的控制方法，所述获取养殖池内溶解氧的目标实际浓度，包括：
获取养殖池内溶解氧的目标初始浓度、增氧机的目标曝气流量及所述增氧机的目标增氧时长；
将所述目标初始浓度、所述目标曝气流量及所述目标增氧时长输入至预设神经网络模型中，得到所述溶解氧的目标实际浓度。
根据本发明提供的一种溶解氧浓度的控制方法，所述基于所述目标实际浓度，确定所述溶解氧的目标控制参数，包括：
基于所述溶解氧的预设浓度阈值和所述目标实际浓度，确定所述溶解氧的目标浓度偏差值和目标浓度偏差变化率；
基于预设模糊规则映射关系，确定与所述目标浓度偏差值和所述目标浓度偏差变化率匹配的目标控制参数。
根据本发明提供的一种溶解氧浓度的控制方法，所述基于所述目标控制参数，对所述增氧机进行控制，包括：
基于所述目标曝气流量控制调节所述增氧机的转速，以及基于所述目标开启时间控制调节所述增氧机的增氧时间，从而得到所述溶解氧的目标初始浓度和所述增氧机的目标增氧时长。
根据本发明提供的一种溶解氧浓度的控制方法，
所述预设神经网络模型的确定过程，包括：
确定增氧训练样本和增氧测试样本；
基于增氧训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；
基于增氧测试样本对所述训练后的神经网络模型进行测试，得到网络评价指标值；
当所述网络评价指标值满足预设评价指标阈值时，确定所述训练后的神经网络模型为预设神经网络模型。
根据本发明提供的一种溶解氧浓度的控制方法，
所述预设模糊规则映射关系的确定过程，包括：
预先确定M个浓度偏差范围以及N个浓度偏差变化率范围，每个所述浓度偏差范围对应一个偏差等级，每个所述浓度偏差变化率范围对应一个变化率等级；其中，M、N分别为正整数；
确定所述偏差等级和所述变化率等级分别映射控制参数，从而得到预设模糊规则映射关系；其中，所述控制参数包括增氧机的开启时间及曝气流量。
本发明还提供一种溶解氧浓度的控制装置，包括：
获取模块，用于获取养殖池内溶解氧的目标实际浓度；
确定模块，用于基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；
控制模块，用于基于所述目标控制参数，对所述增氧机进行控制。
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溶解氧浓度的控制方法的步骤。
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溶解氧浓度的控制方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述溶解氧浓度的控制方法的步骤。
本发明提供的溶解氧浓度的控制方法、装置、电子设备及存储介质，其中溶解氧浓度的控制方法，首先获取养殖池内溶解氧的目标实际浓度，并基于该目标实际浓度，确定溶解氧的目标控制参数，进一步基于目标控制参数控制增氧机。由于目标控制参数包括增氧机的目标开启时间及目标曝气流量，因此能够通过目标控制参数控制增氧机的开启时间和曝气流量的方式对养殖池内溶解氧的浓度进行跟踪控制，实现实时对溶解氧进行精准控制的目的，确保养殖池内的氧气实时满足养殖水体需求，从而大幅度提高了循环水养殖中溶解氧调控效率。
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是本发明提供的溶解氧浓度的控制方法的流程示意图；
图2是本发明提供的溶解氧浓度随时间变化的响应曲线图；
图3是本发明提供的溶解氧浓度的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。
目前，循环水养殖是今后水产养殖的发展趋势，溶解氧是最重要的水质因子，确保循环水养殖过程中的氧气供给是水产行业的重中之重。研究表明，溶解氧含量过低会胁迫水产品的健康生长，严重时会造成鱼类大范围死亡。
通常情况下，水产养殖溶解氧调控基本上都是依靠养殖工人经验，采用定时加氧或者全天大功率开启增氧机方式为养殖鱼类提供生存所需的氧气。然而，这种溶解氧调控方式经常会使溶解氧发生过高或者过低的情况，对养殖造成一定的风险。为此，溶解氧自动化精准控制迫切需要被研究。
基于上述问题，本发明提供一种溶解氧浓度的控制方法、装置、电子设备及存储介质，下面结合图1-图4描述本发明的溶解氧浓度的控制方法、装置、电子设备及存储介质。
参照图1，为本发明提供的溶解氧浓度的控制方法的流程示意图，其中溶解氧浓度的控制方法的执行主体可以是溶解氧浓度的控制装置，该溶解氧浓度的控制装置可以通过软件、硬件或者软硬件结合的方式实现成为终端设备的部分或者全部，并且终端设备至少具备控制功能、运算功能和模拟仿真功能。可选的，终端设备可以为个人计算机(PersonalComputer，PC)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等其它电子设备，也可以为至少具备运算功能和模拟仿真功能的控制器。本发明对终端设备的具体形式不做限定。
需要说明的是，下述方法实施例的执行主体可以是上述终端设备的部分或者全部。下述方法实施例以执行主体为终端设备为例进行说明。
如图1所示，该溶解氧浓度的控制方法，包括以下步骤：
步骤110、获取养殖池内溶解氧的目标实际浓度。
具体的，针对固定水体的养殖池，若循环水体流量一定，则使用两种不同曝气流量在养殖池处于较低浓度溶解氧状态下进行溶解氧增氧预实验，并用溶解氧传感器记录溶解氧的浓度随时间变化的响应曲线。示例性的，当以0.9m3/h和3.6m3/h两种曝气流量在较低浓度溶解氧状态下进行溶解氧增氧预实验时，可以得到如图2所示的溶解氧浓度随时间变化的响应曲线图。由图2可知，当曝气流量越大时，溶解氧响应速度越快，曲线则越趋近于收敛，直至最终达到饱和浓度；并且，可以根据如图2所示的响应曲线图衍生出多组数据，每组数据包括溶解氧的初始浓度、增氧机的开启时间、增氧机的曝气流量以及溶解氧的实际浓度。因此，可以通过溶解氧增氧预实验的方式获取养殖池内溶解氧的目标实际浓度。
步骤120、基于所述目标实际浓度，确定所述溶解氧的目标控制参数。
其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量。
具体的，由于图2所示的溶解氧浓度随时间变化的响应曲线图表明，当曝气流量越大时，溶解氧响应速度越快，曲线则越趋近于收敛，直至最终达到饱和浓度。因此，可以通过溶解氧的实际浓度获取控制增氧机的开启时间和曝气流量的方式实现控制溶解氧浓度的目的，也即，基于溶解氧的目标实际浓度，获取养殖池内溶解氧的目标控制参数，以为后续控制增氧机提供依据。
步骤130、基于所述目标控制参数，对所述增氧机进行控制。
具体的，当终端设备确定出目标控制参数时，可以进一步将该目标控制参数输出至增氧机，以使得增氧机基于该目标控制参数控制增氧机的增氧时长及增氧速率，从而实现对养殖池内溶解氧的控制。
本发明提供的溶解氧浓度的控制方法，首先获取养殖池内溶解氧的目标实际浓度，并基于该目标实际浓度，确定溶解氧的目标控制参数，进一步基于目标控制参数控制增氧机。由于目标控制参数包括增氧机的目标开启时间及目标曝气流量，因此能够通过目标控制参数控制增氧机的开启时间和曝气流量的方式对养殖池内溶解氧的浓度进行跟踪控制，实现实时对溶解氧进行精准控制的目的，确保养殖池内的氧气实时满足养殖水体需求，从而大幅度提高了循环水养殖中溶解氧调控效率。
可选的，步骤110的具体实现过程可以包括：
获取养殖池内溶解氧的目标初始浓度、增氧机的目标曝气流量及所述增氧机的目标增氧时长；将所述目标初始浓度、所述目标曝气流量及所述目标增氧时长输入至预设神经网络模型中，得到所述溶解氧的目标实际浓度。
具体的，溶解氧控制系统中不仅包括终端设备，还可以至少包括增氧机与养殖池，养殖池可以为养殖水缸。在溶解氧控制系统的设计与分析中，通常首先需要使用终端设备对溶解氧控制系统进行建模，最常用的建模方式包括系统辨识和机理建模，并且其模型的形式一般为传递函数模型、微分方程模型，比如可将该模型设置为一元一次方程，也即y＝a*x+b，a和b分别为常数，y为溶解氧的浓度，x为增氧机的曝气流量，该方程明确表征了溶解氧的浓度与输入的曝气流量的数学关系，基于该方程，终端设备即可模拟仿真，在模拟的环境下对溶解氧控制系统进行调试，然后再将调试好的经验参数应用到溶解氧控制系统中。基于此，在确定溶解氧的目标实际浓度时，可以先基于图2所示的响应曲线图分析溶解氧的初始浓度、增氧机的曝气流量和增氧时长以及溶解氧的实际浓度之间具备的映射关系，然后，再进一步获取养殖池内溶解氧的目标初始浓度、增氧机的目标曝气流量及增氧机的目标增氧时长，以此使得基于该映射关系能够快速确定与溶解氧的目标初始浓度、增氧机的目标增氧时长及目标曝气流量对应的目标实际浓度。本发明提供的溶解氧浓度的控制方法，终端设备通过将获取的养殖池内溶解氧的目标初始浓度、增氧机的目标曝气流量及增氧机的目标增氧时长输入至预设神经网络模型的方式，实现快速输出溶解氧的目标实际浓度的目的，以此结合神经网络模型，既能够避免损害溶解氧控制系统中的生产设备，而且也能够在模拟环境下对提出的控制方法进行可行性测试，避免不必要的实际系统搭建，减少成本。
可选的，步骤120的具体实现过程可以包括：
基于所述溶解氧的预设浓度阈值和所述目标实际浓度，确定所述溶解氧的目标浓度偏差值和目标浓度偏差变化率；基于预设模糊规则映射关系，确定与所述目标浓度偏差值和所述目标浓度偏差变化率匹配的目标控制参数。
具体的，为了确定养殖池内水体的安全性和满足实际需求，可以预先设置溶解氧的预设浓度阈值，并且，当首次执行针对养殖池内水体的增氧操作时，其溶解氧的初始实际浓度可以人为设置，也可以自动随机生成，此处不作具体限定。
进一步的，针对溶解氧的目标实际浓度，还可以重复执行溶解氧浓度的精准控制，也即，终端设备基于溶解氧的目标实际浓度A与预设浓度阈值B，确定溶解氧的目标浓度偏差值E和目标浓度偏差变化率EC，E＝A-B，EC＝(A-B)/A。进一步的，预先确定表征溶解氧的浓度阈值和实际浓度，与浓度偏差值和浓度偏差变化率之间映射关系的预设模糊规则映射关系，使得当基于养殖池内溶解氧的目标实际浓度A和预设浓度阈值B，确定出溶解氧的目标浓度偏差值E和目标浓度偏差变化率EC时，可以基于预设模糊规则映射关系快速确定与目标实际浓度A和预设浓度阈值B匹配的目标控制参数。
本发明提供的溶解氧浓度的控制方法，通过基于溶解氧的预设浓度阈值和目标实际浓度，确定溶解氧的目标浓度偏差值和目标浓度偏差变化率，再进一步基于预设模糊规则映射关系，确定与目标浓度偏差值和目标浓度偏差变化率匹配的目标控制参数，以此实现对养殖池内溶解氧浓度的连续精准控制，从而也有效提高了循环水养殖中溶解氧调控效率。
可选的，步骤130的具体实现过程包括：
基于所述目标曝气流量控制调节所述增氧机的转速，以及基于所述目标开启时间控制调节所述增氧机的增氧时间，从而得到所述溶解氧的目标初始浓度和所述增氧机的目标增氧时长。
具体的，基于增氧机的目标开启时间及目标曝气流量控制增氧机时，可以基于目标曝气流量调节所述增氧机的转速，以此使得增氧机的曝气流量达到目标曝气流量要求，以及基于增氧机的目标开启时间控制调节增氧机的开启时刻和关闭时刻，以此获得增氧机的目标增氧时长以及增氧机未启动时养殖池内溶解氧的浓度，也即确定出溶解氧的目标初始浓度和增氧机的目标增氧时长。
本发明提供的溶解氧浓度的控制方法，通过目标控制参数中的目标曝气流量控制调节增氧机的转速，以及目标控制参数中的目标开启时间控制调节增氧机的增氧时间的方式，确定溶解氧的目标初始浓度和增氧机的目标增氧时长，以此为后续精准控制养殖池内溶解氧的浓度提供可靠保障，同时也提高了增氧机的工作效率。
可选的，所述预设神经网络模型的确定过程，包括：
确定增氧训练样本和增氧测试样本；基于增氧训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；基于增氧测试样本对所述训练后的神经网络模型进行测试，得到网络评价指标值；当所述网络评价指标值满足预设评价指标阈值时，确定所述训练后的神经网络模型为预设神经网络模型。
具体的，可以先获取增氧训练样本和增氧测试样本，比如以图2所示的曲线图基准获取多组样本，每组样本包括溶解氧的初始浓度、增氧机的开启时间、曝气流量和实际浓度，再将多组样本的80％划分为增氧训练样本，将多组样本中的20％划分为增氧测试样本，然后，基于增氧训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；其中，初始神经网络模型可以为BP神经网络、极限学习机(Extreme Learning Machine,ELM)网络、径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)。
进一步的，基于增氧测试样本对训练后的神经网络模型进行测试，得到网络评价指标值，比如以均方根误差RMSE作为网络评价指标对训练后的神经网络模型性能进行评价，其中，N为增氧测试样本的数量，yi为第i个增氧测试样本的真实实际浓度，也即基于图2所获取的对应样本中的实际浓度，/>为第i个增氧测试样本测试训练后的神经网络后输出的浓度值；最后，当网络评价指标值满足预设评价指标阈值时，确定训练后的神经网络模型为预设神经网络模型；反之，当网络评价指标值不满足预设评价指标阈值时，可以经由当前神经网络模型自动调参和/或重新获取多组样本确定增氧训练样本和增氧测试样本，然后再次执行网络训练。直至对训练后的网络的网络模型评价指标值达到预设评价指标阈值。
此时训练所得的预设神经网络模型，表征溶解氧的初始浓度、增氧机的曝气流量和增氧时长之间满足函数映射关系，且通过该函数映射关系可以计算得到对应溶解氧的实际浓度。因此，当将目标初始浓度、目标曝气流量及目标增氧时长输入至预设溶解氧控制系统的预设神经网络模型中，可以快速输出溶解氧的目标实际浓度。
本发明提供的溶解氧浓度的控制方法，基于增氧训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型，并基于增氧测试样本测试训练后的神经网络模型所得到的网络评价指标值判定当前训练后的神经网络模型为预设神经网络模型，因此能够通过神经网络建模应用到实际溶解氧控制系统的建模中的方式精准控制养殖池内氧气的供给量，也能够确保养殖水体环境的安全健康性和可靠稳定性。
可选的，所述预设模糊规则映射关系的确定过程，包括：
预先确定M个浓度偏差范围以及N个浓度偏差变化率范围，每个所述浓度偏差范围对应一个偏差等级，每个所述浓度偏差变化率范围对应一个变化率等级；其中，M、N分别为正整数；确定所述偏差等级和所述变化率等级分别映射控制参数，从而得到预设模糊规则映射关系；其中，所述控制参数包括增氧机的开启时间及曝气流量。
具体的，终端设备中可以根据实际需要预先确定M个浓度偏差范围以及N个浓度偏差变化率范围，每个浓度偏差范围对应一个偏差等级，每个浓度偏差变化率范围对应一个变化率等级；比如M取值为8，8个浓度偏差范围为[1，2]且对应偏差等级A1、[2，3]且对应偏差等级A2、[3，4]且对应偏差等级A3、[4，5]且对应偏差等级A4、[5，6]且对应偏差等级A5、[6，7]且对应偏差等级A6、[7，8]且对应偏差等级A7、[8，9]且对应偏差等级A8；N取值为6，6个浓度偏差变化率范围为[0.1，0.2]且对应变化率等级B1、[0.2，0.3]且对应变化率等级B2、[0.3，0.4]且对应变化率等级B3、[0.4，0.5]且对应变化率等级B4、[0.5，0.6]且对应变化率等级B5、[0.6，0.7]且对应变化率等级B6。基于此，预设模糊规则映射关系可以表征每组偏差等级和变化率等级分别映射控制参数，比如A1和B2对应控制参数1且控制参数1包括增氧机的开启时间1及曝气流量1，A2和B1对应控制参数3且控制参数3包括增氧机的开启时间3及曝气流量3，每个控制参数的设置原则包括响应速度最快且误差最小，其设置原则也可称为模糊规则。
本发明提供的溶解氧浓度的控制方法，首先确定M个浓度偏差范围以及N个浓度偏差变化率范围，每个浓度偏差范围对应一个偏差等级，每个浓度偏差变化率范围对应一个变化率等级；然后确定偏差等级和变化率等级分别映射控制参数，且控制参数包括增氧机的开启时间及曝气流量，以此能够快速且准确获取养殖池内溶解氧的目标控制参数，从而为后续提高循环水养殖中溶解氧调控效率奠定基础。
下面对本发明提供的溶解氧浓度的控制装置进行描述，下文描述的溶解氧浓度的控制装置与上文描述的溶解氧浓度的控制方法可相互对应参照。
图3示例了一种溶解氧浓度的控制装置，如图3所示，该溶解氧浓度的控制装置300，包括：获取模块310，用于获取养殖池内溶解氧的目标实际浓度；确定模块320，用于基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；控制模块330，用于基于所述目标控制参数，对所述增氧机进行控制。
可选的，获取模块310，可以具体用于获取养殖池内溶解氧的目标初始浓度、增氧机的目标曝气流量及所述增氧机的目标增氧时长；将所述目标初始浓度、所述目标曝气流量及所述目标增氧时长输入至预设神经网络模型中，得到所述溶解氧的目标实际浓度。
可选的，确定模块320，具体可以用于基于所述溶解氧的预设浓度阈值和所述目标实际浓度，确定所述溶解氧的目标浓度偏差值和目标浓度偏差变化率；基于预设模糊规则映射关系，确定与所述目标浓度偏差值和所述目标浓度偏差变化率匹配的目标控制参数。
可选的，控制模块330，具体可以用于基于所述目标曝气流量控制调节所述增氧机的转速，以及基于所述目标开启时间控制调节所述增氧机的增氧时间，从而得到所述溶解氧的目标初始浓度和所述增氧机的目标增氧时长。
可选的，确定模块320，具体还可以用于确定增氧训练样本和增氧测试样本；基于增氧训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；基于增氧测试样本对所述训练后的神经网络模型进行测试，得到网络评价指标值；当所述网络评价指标值满足预设评价指标阈值时，确定所述训练后的神经网络模型为预设神经网络模型。
可选的，确定模块320，具体还可以用于预先确定M个浓度偏差范围以及N个浓度偏差变化率范围，每个所述浓度偏差范围对应一个偏差等级，每个所述浓度偏差变化率范围对应一个变化率等级；其中，M、N分别为正整数；确定所述偏差等级和所述变化率等级分别映射控制参数，从而得到预设模糊规则映射关系；其中，所述控制参数包括增氧机的开启时间及曝气流量。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备400可以包括：处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行溶解氧浓度的控制方法，该方法包括：
获取养殖池内溶解氧的目标实际浓度；
基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；
基于所述目标控制参数，对所述增氧机进行控制。
此外，上述的存储器430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设备(可以是个人计算机，服务器，或者网络设备等)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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的溶解氧浓度的控制方法，该方法包括：
获取养殖池内溶解氧的目标实际浓度；
基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；
基于所述目标控制参数，对所述增氧机进行控制。
又一方面，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方法提供的溶解氧浓度的控制方法，该方法包括：
获取养殖池内溶解氧的目标实际浓度；
基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；
基于所述目标控制参数，对所述增氧机进行控制。
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设备(可以是个人计算机，服务器，或者网络设备等)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 (9)
1.一种溶解氧浓度的控制方法，其特征在于，包括：
获取养殖池内溶解氧的目标实际浓度；其中，所述获取养殖池内溶解氧的目标实际浓度，包括：获取养殖池内溶解氧的目标初始浓度、增氧机的目标曝气流量及所述增氧机的目标增氧时长；将所述目标初始浓度、所述目标曝气流量及所述目标增氧时长输入至预设神经网络模型中，得到所述溶解氧的目标实际浓度；
基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；
基于所述目标控制参数，对所述增氧机进行控制，以使得所述增氧机基于所述目标控制参数控制所述增氧机的增氧时长及增氧速率。
2.根据权利要求1所述的溶解氧浓度的控制方法，其特征在于，所述基于所述目标实际浓度，确定所述溶解氧的目标控制参数，包括：
基于所述溶解氧的预设浓度阈值和所述目标实际浓度，确定所述溶解氧的目标浓度偏差值和目标浓度偏差变化率；
基于预设模糊规则映射关系，确定与所述目标浓度偏差值和所述目标浓度偏差变化率匹配的目标控制参数。
3.根据权利要求1所述的溶解氧浓度的控制方法，其特征在于，所述基于所述目标控制参数，对所述增氧机进行控制，包括：
基于所述目标曝气流量控制调节所述增氧机的转速，以及基于所述目标开启时间控制调节所述增氧机的增氧时间，从而得到所述溶解氧的目标初始浓度和所述增氧机的目标增氧时长。
4.根据权利要求1所述的溶解氧浓度的控制方法，其特征在于，所述预设神经网络模型的确定过程，包括：
确定增氧训练样本和增氧测试样本；
基于增氧训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；
基于增氧测试样本对所述训练后的神经网络模型进行测试，得到网络评价指标值；
当所述网络评价指标值满足预设评价指标阈值时，确定所述训练后的神经网络模型为预设神经网络模型。
5.根据权利要求2所述的溶解氧浓度的控制方法，其特征在于，所述预设模糊规则映射关系的确定过程，包括：
预先确定M个浓度偏差范围以及N个浓度偏差变化率范围，每个所述浓度偏差范围对应一个偏差等级，每个所述浓度偏差变化率范围对应一个变化率等级；其中，M、N分别为正整数；
确定所述偏差等级和所述变化率等级分别映射控制参数，从而得到预设模糊规则映射关系；其中，所述控制参数包括增氧机的开启时间及曝气流量。
6.一种溶解氧浓度的控制装置，其特征在于，包括：
获取模块，用于获取养殖池内溶解氧的目标实际浓度；其中，所述获取养殖池内溶解氧的目标实际浓度，包括：获取养殖池内溶解氧的目标初始浓度、增氧机的目标曝气流量及所述增氧机的目标增氧时长；将所述目标初始浓度、所述目标曝气流量及所述目标增氧时长输入至预设神经网络模型中，得到所述溶解氧的目标实际浓度；
确定模块，用于基于所述目标实际浓度，确定所述溶解氧的目标控制参数；其中，所述目标控制参数包括所述增氧机的目标开启时间及目标曝气流量；
控制模块，用于基于所述目标控制参数，对所述增氧机进行控制，以使得所述增氧机基于所述目标控制参数控制所述增氧机的增氧时长及增氧速率。
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程序时实现如权利要求1至5任一项所述溶解氧浓度的控制方法的步骤。
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任一项所述溶解氧浓度的控制方法的步骤。
9.一种计算机程序产品，包括计算机程序，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任一项所述溶解氧浓度的控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210039353.7A CN114442686B (zh) | 2022-01-13 | 2022-01-13 | 溶解氧浓度的控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210039353.7A CN114442686B (zh) | 2022-01-13 | 2022-01-13 | 溶解氧浓度的控制方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114442686A CN114442686A (zh) | 2022-05-06 |
| CN114442686B true CN114442686B (zh) | 2024-02-06 |
Family
ID=81367057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210039353.7A Active CN114442686B (zh) | 2022-01-13 | 2022-01-13 | 溶解氧浓度的控制方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114442686B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114698583B (zh) * | 2022-05-17 | 2023-04-28 | 青岛国信蓝色硅谷发展有限责任公司 | 工厂化鱼类养殖智能溶解氧自调控方法及其系统 |
| CN116495903B (zh) * | 2023-01-19 | 2024-08-09 | 环浔科技(苏州)有限公司 | 一种氧捕捉动态do曝气控制方法和装备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324119A (zh) * | 2013-06-06 | 2013-09-25 | 中国农业大学 | 增氧控制装置 |
| 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 |
| CN106560755A (zh) * | 2016-03-24 | 2017-04-12 | 浙江农林大学 | 水产养殖水体增氧装置及自动控制方法 |
| CN108694797A (zh) * | 2018-06-20 | 2018-10-23 | 江苏网域科技有限公司 | 一种基于物联网的楼宇自控消防报警系统 |
| CN108966578A (zh) * | 2018-08-15 | 2018-12-07 | 郑州云海信息技术有限公司 | 一种机柜式数据中心 |
| CN109814642A (zh) * | 2018-12-25 | 2019-05-28 | 浙江省淡水水产研究所 | 一种池塘内循环流水养殖水体溶氧调控的方法 |
| CN209529941U (zh) * | 2018-11-28 | 2019-10-25 | 广州兴进消防设备有限公司 | 一种集装箱消防装置 |
| CN110853283A (zh) * | 2019-11-19 | 2020-02-28 | 北京中电普华信息技术有限公司 | 火灾管控系统及方法 |
| CN111145487A (zh) * | 2019-12-30 | 2020-05-12 | 中交一航局安装工程有限公司 | 一种柴油发电站电缆及设备防火监控系统和方法 |
| CN111273706A (zh) * | 2020-03-02 | 2020-06-12 | 软通动力信息技术（集团）有限公司 | 一种曝气池溶解氧控制方法、装置、计算机设备及介质 |
| CN212593613U (zh) * | 2020-08-31 | 2021-02-26 | 南京南瑞继保电气有限公司 | 一种储能电池舱消防系统 |
| CN112619016A (zh) * | 2020-12-09 | 2021-04-09 | 威特龙消防安全集团股份公司 | 一种基于消防气瓶的消防监控系统及管理平台 |
| CN112661259A (zh) * | 2020-12-15 | 2021-04-16 | 海天水务集团股份公司 | 一种曝气过程自适应控制方法及系统 |
| 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 |
-
2022
- 2022-01-13 CN CN202210039353.7A patent/CN114442686B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324119A (zh) * | 2013-06-06 | 2013-09-25 | 中国农业大学 | 增氧控制装置 |
| CN106560755A (zh) * | 2016-03-24 | 2017-04-12 | 浙江农林大学 | 水产养殖水体增氧装置及自动控制方法 |
| 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 |
| CN108694797A (zh) * | 2018-06-20 | 2018-10-23 | 江苏网域科技有限公司 | 一种基于物联网的楼宇自控消防报警系统 |
| CN108966578A (zh) * | 2018-08-15 | 2018-12-07 | 郑州云海信息技术有限公司 | 一种机柜式数据中心 |
| CN209529941U (zh) * | 2018-11-28 | 2019-10-25 | 广州兴进消防设备有限公司 | 一种集装箱消防装置 |
| CN109814642A (zh) * | 2018-12-25 | 2019-05-28 | 浙江省淡水水产研究所 | 一种池塘内循环流水养殖水体溶氧调控的方法 |
| CN110853283A (zh) * | 2019-11-19 | 2020-02-28 | 北京中电普华信息技术有限公司 | 火灾管控系统及方法 |
| CN111145487A (zh) * | 2019-12-30 | 2020-05-12 | 中交一航局安装工程有限公司 | 一种柴油发电站电缆及设备防火监控系统和方法 |
| CN111273706A (zh) * | 2020-03-02 | 2020-06-12 | 软通动力信息技术（集团）有限公司 | 一种曝气池溶解氧控制方法、装置、计算机设备及介质 |
| CN212593613U (zh) * | 2020-08-31 | 2021-02-26 | 南京南瑞继保电气有限公司 | 一种储能电池舱消防系统 |
| CN112619016A (zh) * | 2020-12-09 | 2021-04-09 | 威特龙消防安全集团股份公司 | 一种基于消防气瓶的消防监控系统及管理平台 |
| CN112661259A (zh) * | 2020-12-15 | 2021-04-16 | 海天水务集团股份公司 | 一种曝气过程自适应控制方法及系统 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114442686A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114442686B (zh) | 溶解氧浓度的控制方法、装置、电子设备及存储介质 | |
| CN110476839B (zh) | 一种基于鱼类生长的优化调控方法及系统 | |
| CN110503253A (zh) | 一种种植环境自适应控制方法及装置 | |
| CN108445746B (zh) | 一种智能投喂控制方法及装置 | |
| CN112348113B (zh) | 离线元强化学习模型的训练方法、装置、设备及存储介质 | |
| CN113126490B (zh) | 智能变频增氧控制方法及装置 | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及系统 | |
| CN107728477A (zh) | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 | |
| CN115879771B (zh) | 一种养殖池塘溶解氧智能调控方法及系统 | |
| CN115994308B (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
| CN109856973A (zh) | 一种基于模糊神经网络的温室环境控制方法及系统 | |
| CN112132700A (zh) | 用于调控水质的配方决策方法 | |
| CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
| 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 | |
| Kuroki et al. | Development of simulator for efficient aquaculture of Sillago japonica using reinforcement learning | |
| Rachman et al. | Optimization of Catfish Pond Water pH with PID Control using Outseal PLC | |
| CN113866375A (zh) | 出水含氮物智能在线监测方法和系统 | |
| CN109255200B (zh) | 一种养殖水体氨氮的软测量方法及装置 | |
| CN107783416A (zh) | 一种水体溶解氧含量的控制方法 | |
| CN111274538B (zh) | 一种生食水产品储运过程中质量状态判别方法及系统 | |
| CN115316314A (zh) | 一种叉尾鲇的人工繁殖方法 | |
| TWI793879B (zh) | 水產養殖之水質調節方法 | |
| Candra et al. | Analysis and design of pool water quality monitoring system bioflok engineering using Artificial Neural Network based on internet of things | |
| CN111708748A (zh) | 一种网络日志分析算法的管理系统及方法 | |
| CN118092324B (zh) | 一种基于物联网的化工生产控制系统 |
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 |