CN114935590A - 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 - Google Patents
沼液水质在线监测装置、沼液精准化配肥还田系统及方法 Download PDFInfo
- Publication number
- CN114935590A CN114935590A CN202210599220.5A CN202210599220A CN114935590A CN 114935590 A CN114935590 A CN 114935590A CN 202210599220 A CN202210599220 A CN 202210599220A CN 114935590 A CN114935590 A CN 114935590A
- Authority
- CN
- China
- Prior art keywords
- biogas slurry
- fertilizer
- water quality
- calculating
- nutrient
- 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.)
- Granted
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 264
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 168
- 239000003337 fertilizer Substances 0.000 title claims abstract description 130
- 238000002360 preparation method Methods 0.000 title claims abstract description 61
- 238000012806 monitoring device Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 38
- 235000015097 nutrients Nutrition 0.000 claims abstract description 60
- 230000002262 irrigation Effects 0.000 claims abstract description 58
- 238000003973 irrigation Methods 0.000 claims abstract description 58
- 239000002689 soil Substances 0.000 claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000002156 mixing Methods 0.000 claims abstract description 20
- 244000005700 microbiome Species 0.000 claims abstract description 14
- 230000004720 fertilization Effects 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract 7
- 238000001514 detection method Methods 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 32
- 239000007788 liquid Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 17
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 15
- 235000021049 nutrient content Nutrition 0.000 claims description 13
- 239000013589 supplement Substances 0.000 claims description 12
- 238000003756 stirring Methods 0.000 claims description 11
- 241000233866 Fungi Species 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 229910021397 glassy carbon Inorganic materials 0.000 claims description 8
- 238000004090 dissolution Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 241000186361 Actinobacteria <class> Species 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 244000000000 soil microbiome Species 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 claims description 3
- 230000000813 microbial effect Effects 0.000 claims description 2
- 238000001075 voltammogram Methods 0.000 claims 2
- 238000005457 optimization Methods 0.000 claims 1
- 230000001737 promoting effect Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 239000000618 nitrogen fertilizer Substances 0.000 description 7
- 239000007787 solid Substances 0.000 description 6
- 238000003950 stripping voltammetry Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 229910052697 platinum Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 235000012041 food component Nutrition 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000007747 plating Methods 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910052770 Uranium Inorganic materials 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000004832 voltammetry Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/007—Metering or regulating systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/28—Electrolytic cell components
- G01N27/30—Electrodes, e.g. test electrodes; Half-cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Processing Of Solid Wastes (AREA)
- Fertilizers (AREA)
Abstract
本发明涉及一种沼液水质在线监测装置、沼液精准化配肥还田系统及方法，沼液水质在线监测装置及方法使用沼液的营养成分标准数据和电化学特征训练RBF‑ANN网络构建沼液营养成分预测模型、在线监测沼液的营养成分，沼液精准化配肥还田系统及方法包括连接有沼液输入管道、清水输入管道、配料机构和输出管道的混溶装置和控制台，系统具备半自动模式和全自动灌溉两种模式，全自动灌溉以沼液营养成分信息和包括大田面积、土壤水肥状态及土壤微生物丰度的田间信息为依据决策配肥，以提高土壤微生物生态响应和促进沼液精准化还田为目标，解决了沼液利用率低下问题，严格把控沼液还田具体灌溉量，制肥与施肥同时进行，确保养殖沼液精准化高效安全灌溉还田。
Description
技术领域
本发明属于农业沼液灌溉领域，具体涉及一种沼液水质在线监测装置、沼液精准化配肥还田系统及方法。
背景技术
养殖业向集约化、规模化模式转型的养殖模式虽然能给养殖户带来经济效益，但存在农业农村畜禽粪污环境污染风险，其产生的养殖粪水体量大、气味重且富含营养物质，如何实现其高效安全的资源化利用是养殖产业和节水灌溉事业面临的重大问题。养殖沼液的资源化利用应以肥化还田为主，沼液还田灌溉模式主要包括漫灌、浇灌、喷灌以及滴灌等，存在以下问题：(1)沼液水质检测操作繁琐且效率较低，难以进行营养成分在线监测满足沼液高效精准化还田配肥需求；(2)沼液灌溉量在灌溉还田过程中难以精准确定，故沼液配肥还田对土壤环境存在一定的灌溉安全风险性；(3)制肥与施肥不同时进行，需额外建立储肥空间，成本和设备空间需求较大；(4)土壤中的微生物承担了土壤营养物质运转、环境污染净化等重要的生态功能，土壤养分元素的形态转化几乎完全依赖于土壤微生物，故土壤微生物生态结构健康对土壤至关重要，现有配肥决策控制方法未能结合土壤水肥状态及土壤微生物丰度进行决策、影响还田效果。因此，需以提高土壤微生物生态响应和促进沼液精准化还田为目标，开发一种沼液水质在线监测装置、沼液精准化配肥还田系统及方法，严格把控沼液还田具体灌溉量，确保养殖沼液高效安全灌溉还田。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一，本发明提供一种沼液水质在线监测装置、沼液精准化配肥还田系统及方法，确保养殖沼液精准化配肥、肥水高效安全灌溉还田。
本发明解决其技术问题所采用的技术方案是：
沼液水质在线监测装置，包括检测池、感知器、控制电路和监测端，所述感知器包括伸入检测池的若干电极，所述控制电路用于采集处理感知器的电化学特征并输入监测端，所述监测端用于使用沼液的营养成分标准数据和电化学特征训练RBF-ANN网络构建沼液营养成分预测模型，根据控制电路的电化学特征计算沼液营养成分预测模型、获得沼液的营养成分。
上述沼液水质在线监测装置，进一步地，若干电极包括镀Bi工作电极、铂丝参比电极和玻碳对电极，所述镀Bi工作电极和铂丝参比电极之间连接有溶出电流检测器，所述铂丝参比电极和玻碳对电极之间连接有溶出电位检测器，所述控制电路包括恒电位控制模块、信号微电流检测模块、核心控制器及通信模块，所述恒电位控制模块用于为感知器提供恒定电位，所述信号微电流检测模块用于通过采集感知器的模拟信号并滤波、放大、模数转换反馈至核心控制器，所述核心控制器用于通过通信模块与监测端信息交互。
沼液水质在线监测方法，基于如上所述的沼液水质在线监测装置，方法包括：
采集多个沼液样本并测定每个沼液样本目标水质参数和多元散射曲线校正的电化学溶出伏安曲线图，基于GA-GARS算法选取电化学溶出伏安曲线图的电化学特征；
以多个沼液样本的电化学特征作为RBF-ANN网络训练集和测试集的输入层，以对应电化学特征的目标水质参数作为RBF-ANN网络训练集的输出层和实测集，以训练集解算隐藏层建构建沼液营养成分预测模型；
以测试集的输入层解算沼液营养成分预测模型的输出层作为预测集，以预测集与实测集的损失函数最小化为目标训练优化沼液营养成分预测模型；
输入控制电路的电化学特征，计算优化的沼液营养成分预测模型、获得沼液的营养成分。
上述沼液水质在线监测方法，进一步地，所述沼液营养成分预测模型为Cn*m＝An* pBp*m+En*m，上式中Cn*m表示n个沼液样本中每m个目标水质参数的训练集标准水质数据矩阵，An*p表示n个沼液样本中每p个电化学特征的训练集特征矩阵，Bp*m表示p个电化学特征对应m个目标水质参数的参数权重，En*m表示n个沼液样本中每m个目标水质参数的残差矩阵，以Cn*m和An*p解算Bp*m和En*m构建沼液营养成分预测模型；
以实测集的定标均方根偏差与预测集的预测均方根偏差比值在0.8-1.2之间为目标训练优化沼液营养成分预测模型；
优化的沼液营养成分预测模型为c1*m＝a1*pBp*m+a1*p*(||En*m||2/||Bp*m||2)，上式中c1*m表示沼液的m个营养成分矩阵，a1*p表示沼液的p个电化学特征矩阵，||En*m||2表示En*m的欧式范数，||Bp*m||2表示Bp*m的欧式范数。
沼液精准化配肥还田系统，包括混溶装置和控制台，所述混溶装置连接有沼液输入管道、清水输入管道、配料机构和输出管道，所述沼液输入管道上设有如上所述的第一沼液水质在线监测装置，所述控制台用于接收田间反馈信息、结合第一沼液水质在线监测装置的反馈信息计算配肥参数或输入灌溉参数、控制沼液输入管道、清水输入管道、配料机构和输出管道启闭。
上述沼液精准化配肥还田系统，进一步地，所述沼液输送管道、清水输入管道和输出管道上均设有过滤阀、与控制台电连接的第一水泵、流量计和电磁阀，所述配料机构包括与控制台电连接的蛟龙，所述混溶装置包括与控制台电连接的搅拌机构和液位传感器，所述沼液水质在线监测装置连接有与控制台电连接的第二水泵，所述控制台包括核心控制单元、与核心控制单元相连的电源管理模块、通信模块、搅拌电极驱动、液位感知模块、水泵驱动模块和电磁阀驱动模块，所述通信模块连接有田间检测站。
上述沼液精准化配肥还田系统，进一步地，所述配肥参数包括配肥浓度、肥料补充量、沼液灌溉量和清水补充量，所述输出管道上设有上所述的第二沼液水质在线监测装置，所述控制台用于根据输出管道上第二沼液水质在线监测装置的反馈信息、控制沼液输入管道、清水输入管道、配料机构和输出管道启闭。
沼液精准化配肥还田方法，基于如上任意一项所述的沼液精准化配肥还田系统，其方法包括：获取沼液营养成分信息和包括大田面积、土壤水肥状态及土壤微生物丰度的田间信息，以沼液营养成分信息和田间信息为决策依据对配肥比例进行决策并形成决策指令。
上述沼液精准化配肥还田方法，进一步地，其方法包括：所述沼液营养成分信息包括污染物浓度cw，所述田间信息包括土壤速效养分含量N0、大田灌区面积S和表层土壤微生物种群在最佳外界环境下能达到的最佳种群量k；
依据N0和k计算施肥需求量Ma；
依据大田灌区面积S计算土壤承受的最大沼液灌溉量Vm和田间需要的最小灌水量Vw；
依据沼液营养成分信息和Vm计算沼液中的肥料量Mbb和含水量Vbw；
当Ma≥Mbb时，依据mcf＝Ma-Mbb计算肥料补充量mcf；
当Ma＜Mbb时，依据Vm＝Ma/cw计算Vm并返回重新计算肥料量Mbb和含水量Vbw；
当Vbw≥Vw时，依据Vf＝Vbw计算最终制肥量Vf；
当Vbw＜Vw时，依据Vf＝Vw计算最终制肥量Vf；
依据Vcw＝Vf-Vbw计算清水补充量Vcw。
上述沼液精准化配肥还田方法，进一步地，其方法包括：所述沼液营养成分信息包括营养成分浓度cN；
依据Mbb＝cN·Vm计算肥料量Mbb；
依据Vbw＝(1-cN-cw)·Vm计算Vbw；
依据cΔ＝mcf/Vf计算配肥浓度cΔ。
上述沼液精准化配肥还田方法，进一步地，其方法包括：所述田间信息包括农田水质灌溉标准中的污染物浓度cS、土壤含水量W，表层土壤细菌在最佳外界环境下能达到的最佳种群量k0，表层土壤真菌在最佳外界环境下能达到的最佳种群量k1、表层土壤放线菌在最佳外界环境下能达到的最佳种群量k2，作物需水量U，作物蒸腾量Et，深层渗漏量D，作物截流量Ic，降水量P；
依据K0＝min(k0/Ka,k1/Kb,k2/Kc)，上式中Ka表示单位面积的真菌个数，Kb表示单位面积的真菌个数，Kc表示单位面积的放线菌个数，计算补施肥系数K0；
依据Ma＝N0/K0计算施肥需求量Ma；
依据Vm＝(cs·S)/cw计算土壤承受的最大沼液灌溉量Vm；
依据Vw＝U+Et+W+D+Ic-P计算田间需要的最小灌水量Vw。
与现有技术相比，本发明的有益效果是：
(1)沼液水质在线监测装置感应灵敏，使用沼液的营养成分标准数据和电化学特征训练RBF-ANN网络构建沼液营养成分预测模型，实现沼液水质的在线监测，显著降低了检测限制、提高了检测效率，为沼液高效精准化还田配肥提供保障。
(2)沼液水质在线监测方法以表征矩阵An*p和Cn*m构建沼液营养成分预测模型，以实测集的定标均方根偏差与预测集的预测均方根偏差训练优化沼液营养成分预测模型，以优化的Bp*m，En*m和Bp*m间的欧式距离修正预测结果，获得包括氮、磷、钾的营养成分浓度，提高监测精准性。
(3)沼液精准化配肥还田系统具备半自动模式和全自动灌溉两种模式，半自动灌溉针对作物种类不明的情况输入灌溉参数，全自动灌溉结合田间和沼液水质在线监测装置的反馈信息计算配肥参数、控制沼液输入管道、清水输入管道、配料机构和输出管道启闭，实现沼液精准化还田配肥。
(4)沼液精准化配肥还田方法的中沼液配肥决策控制以沼液所含营养成分、大田面积、土壤水肥状态及土壤微生物丰度为决策依据，对清水及沼液的配肥比例进行决策，形成决策指令控制清/沼制肥混溶装置完成配肥，确保养殖沼液高效安全灌溉还田。
综上，本发明以提高土壤微生物生态响应和促进沼液精准化还田为目标，解决了规模化、集约化养殖产生的大体量沼液利用率低下的问题，严格把控沼液还田具体灌溉量，制肥与施肥同时进行，无需额外建立储肥空间，为实现高效的沼液精准化配肥还田再利用提供了技术支持。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例1的结构示意图。
图2是本发明实施例1的控制电路结构示意图。
图1、2中标记：溶出电流检测器501，溶出电位检测器502，沼液进水管503，透气孔504，镀Bi工作电极505，铂丝参比电极506，沼液样本507，玻碳对电极508，检测池509，第二水泵510，沼液出水管511。
图3是本发明实施例2的方法流程图。
图4是本发明实施例3的结构示意图。
图4中标记：沼液输入管道1，第一过滤阀2，沼液水泵3，第一流量计4，第一沼液水质在线监测装置5，第一电磁阀6，清水输入管道7，第二过滤阀8，清水水泵9，第二流量计10，第二电磁阀11，混溶装置12，斗箱13，搅拌机构14，调速电机15，配料机构16，第三过滤阀17，输出水泵18，第三流量计19，第二沼液水质在线监测装置20，输出管道21，第三电磁阀22，通信总线23，控制台24。
图5是本发明实施例3的控制台结构示意图。
图6是本发明实施例4的方法框架图。
图7是本发明实施例4的方法流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“若干”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1：
如图1所示，为本发明所述沼液水质在线监测装置的一种较佳实施方式，所述沼液水质在线监测装置，包括检测池509、感知器、控制电路和监测端，所述感知器包括伸入检测池509的若干电极，所述控制电路用于采集处理感知器的电化学特征并输入监测端，所述监测端用于使用沼液的营养成分标准数据和电化学特征训练RBF-ANN网络构建沼液营养成分预测模型，根据控制电路的电化学特征计算沼液营养成分预测模型、获得沼液的营养成分。
上述沼液水质在线监测装置，进一步地，所述感知器为三电极体系感知器，三电极为镀Bi工作电极505、铂丝参比电极506和玻碳对电极508，所述镀Bi工作电极505和铂丝参比电极506之间连接有溶出电流检测器501，所述铂丝参比电极506和玻碳对电极508之间连接有溶出电位检测器502。
镀Bi工作电极505、铂丝参比电极506和玻碳对电极508为感知沼液营养成分的电化学特征的主要结构，由于沼液成分复杂，选择Bi材料进行修饰，克服了Hg材料修饰引起的环境重金属污染风险，同时抑制沼液复杂背景产生的背景电流，使电极感应更加灵敏。
进一步地，所述检测池509选用透明亚克力检测池509体，便于观察，检测池509上设有透气孔504，透过沼液中残留沼气和防止样本过量使检测池509发生爆炸，所述检测池509连接有沼液进水管503和沼液出水管511，所述沼液出水管511有与监测端电连接的第二水泵510，使处理后的沼液样本507以及清洗沼液池的清水从沼液进水管503入口进入检测池509中，经控制电路采集处理感知器的电化学特征并输入监测端完成在线检测并存储，检测完成的沼液样本和检测池509的清洗水由第二水泵510抽出腔体以待下一次检测，实现沼液水质的在线监测。
如图2所示，上述沼液水质在线监测装置，进一步地，所述控制电路包括恒电位控制模块、微电流检测模块、核心控制器MCU及通信模块，所述恒电位控制模块用于为感知器提供恒定电位，所述微电流检测模块用于通过采集感知器的模拟信号并滤波、放大、模数转换反馈至核心控制器MCU，所述核心控制器MCU用于通过通信模块与监测端信息交互。
进一步地，所述恒电流恒电位控制模块包括相连的D/A转换器、扫描电压电路和恒电位电路，用于维持镀Bi工作电极505和铂丝参比电极506之间的电压，以控制电化学反应并输出与产生的电流成比例的输出信号，所述微电流检测模块包括相连的I/V转换器、滤波电路、电压放大电路和A/D转换器，采集感知器的沼液电化学信号反馈给核心控制器MCU，核心控制器MCU通过通信模块将沼液电化学信号发送至监测端，以便监测端计算获得沼液的营养成分。
实施例2：
如图3所示，为本发明所述沼液水质在线监测方法的一种较佳实施方式，监测方法基于如实施例1所述的沼液水质在线监测装置，包括以下步骤：
F1：采集2n个沼液样本；
F2：测定步骤F1中每个沼液样本的m个目标水质参数，m个目标水质参数包括总氮TN、总磷TP、总钾TK和可溶性盐的浓度Ec；
F3：将步骤F2中获取的2n个m维的向量按每组n个m维分成两组，一组用于构建RBF-ANN网络训练集标准水质数据矩阵Cn*m，另一组用于构建RBF-ANN网络实测集标准水质数据矩阵Tn*m；
F4：测定步骤F1中每个沼液样本的电化学溶出伏安曲线图，并进行多元散射曲线校正；
F5：基于GA-GARS算法对步骤F4中电化学溶出伏安曲线图进行电化学特征提取，选择p个有效电电化学溶出伏安特征；
F6：将步骤F5中获取的2n个p维沼液样本的电化学溶出伏安特征数据按每组n个p维分成两组，一组用于构建RBF-ANN网络训练集伏安曲线特征数据矩阵An*p，另一组用于构建RBF-ANN网络测试集伏安曲线特征数据矩阵A'n*p；
F7：模型训练，表征矩阵An*p和Cn*m间的关系为Cn*m＝An*pBp*m+En*m，Bp*m表示p个电化学特征对应m个目标水质参数的参数权重，En*m表示n个沼液样本中每m个目标水质参数的残差矩阵；
F8：将步骤F3的Cn*m和步骤F6的An*p带入Cn*m＝An*pBp*m+En*m，求解系数矩阵Bp*m和En*m，构建沼液营养成分预测模型；
F9：测试模型，基于系数矩阵Bp*m和En*m，带入步骤F6的A'n*p，依据T'n*m＝A'n*pBp*m+En*m计算预测集标准水质数据矩阵T'n*m；
F10：分析步骤F3的实测集标准水质数据矩阵Tn*m的定标均方根偏差RMSEC，分析步骤F9的预测集标准水质数据矩阵T'n*m的预测均方根偏差RMSEP，判断RMSEC：RMSEP是否合理；
F11：RMSEC：RMSEP在0.8-1.2之间则模型训练成功，预测能力较强，可用于实际预测，否则表明模型预测能力较弱，需要返回步骤F6重新训练模型，如此获得沼液营养成分预测模型优化的En*m和Bp*m；
F12：沼液检测样本进入检测池509，经感知器和控制电路将沼液的p个电化学特征矩阵a1*p输入监测端，监测端依据优化的沼液营养成分预测模型c1*m＝a1*pBp*m+a1*p*(||En*m||2/||Bp*m||2)，上式中||En*m||2表示En*m的欧式范数，||Bp*m||2表示Bp*m的欧式范数，用En*m和Bp*m的欧式范数比来分析残差矩阵En*m和参数权重矩阵Bp*m间的欧式距离，以此判定对预测结果的修正幅度，计算获得沼液的m个营养成分矩阵c1*m，从而实现沼液水质在线监测，较现有检测手段显著降低了检测限制、提高了检测效率，为沼液高效精准化还田配肥提供保障。
实施例3：
如图4所示，为本发明所述沼液精准化配肥还田系统的一种较佳实施方式，沼液精准化配肥还田系统包括混溶装置12和控制台24，所述混溶装置12连接有沼液输入管道1、清水输入管道7、配料机构16和输出管道21，所述沼液输入管道1上设有如权利要求1所述的第一沼液水质在线监测装置5，所述控制台24用于接收田间反馈信息、结合第一沼液水质在线监测装置5的反馈信息计算配肥参数或输入灌溉参数、控制沼液输入管道1、清水输入管道7、配料机构16和输出管道21启闭。
上述沼液精准化配肥还田系统，进一步地，所述沼液输送管道上设有第一过滤阀2、与控制台24电连接的沼液水泵3、第一流量计4和第一电磁阀6，所述清水输入管道7上设有第二过滤阀8、与控制台24电连接的清水水泵9、第二流量计10和第二电磁阀11，所述输出管道21上设有第三过滤阀17、与控制台24电连接的输出水泵18、第三流量计19和第三电磁阀22，所述沼液水质在线监测装置连接有与控制台24电连接的第二水泵510。
进一步地，第一流量计4、第二流量计10和第三流量计19选择数字流量计，具有压力损失小、量程宽、精度高等优点。
进入系统的沼液经过沼液输送管道的沼液水泵3泵送，经第一过滤阀2滤除大直径杂质，再通过第一流量计4测量沼液流量信息发送给控制台24，之后经过第一沼液水质在线监测装置5进行营养成分及浓度的水质信息在线检测，并将检测出的沼液水质信息通过通信总线23发送给控制台24，控制台24可以作为沼液水质在线监测装置的监测端，通过第二水泵510控制沼液样本的排出，以便再次检测，控制台24通过调节沼液输送管道上的第一电磁阀6开度实现沼液比例调整。
进入系统的清水经过清水输入管道7的清水水泵9泵送，经第二过滤阀8滤除水中大粒径杂质，再通过第二流量计10测量清水流量信息发送给控制台24，控制台24通过调节清水输入管道7上的第二电磁阀11开度实现清水比例调整。
进一步地，所述混溶装置12顶部设有用于储存固体肥和/或药剂的斗箱13，所述配料机构16包括与控制台24电连接且位于斗箱13底部的蛟龙，所述混溶装置12包括与控制台24电连接的搅拌机构14和液位传感器，搅拌机构14采用调速电机15，混溶配肥比例由内置于控制台24的水肥决策机制计算，即控制台24根据根据作物所需固体肥或药量计算控制蛟龙启闭来调整固体肥料或药剂的比例、实现配料，控制台24根据调速电机15调节搅拌机构14的转速促进混溶装置12内沼液、清水、固体肥和/或药剂的固液充分混合溶解，实现清/沼混溶制肥装置中可沼液、清水和固体肥料或药剂按比例混溶制肥；
上述沼液精准化配肥还田系统，进一步地，所述配肥参数包括配肥浓度、肥料补充量、沼液灌溉量和清水补充量，所述输出管道21上设有如权利要求1所述的第二沼液水质在线监测装置20，所述控制台24用于根据输出管道21上第二沼液水质在线监测装置20的反馈信息、控制沼液输入管道1、清水输入管道7、配料机构16和输出管道21启闭，使第二沼液水质在线监测装置20的反馈信息满足配肥参数，提高控制精准性。
流出系统的混合肥液经过输出管道21的输出水泵18泵送，经第三过滤阀17滤除少量未溶解的固体物质，控制台24通过调节输出管道21上的第三电磁阀22开度实现田间灌溉流量调整。
如图5所示，上述沼液精准化配肥还田系统，进一步地，所述控制台24包括核心控制单元STM32FZGT6、与核心控制单元STM32FZGT6相连的电源管理模块、通信模块、搅拌电极驱动、液位感知模块、水泵驱动模块和电磁阀驱动模块，所述通信模块连接有田间检测站，电源管理模块用于配置系统的电源管理，通信模块可以通过总线或无线连接通信，通过田间检测站反馈田间信息，搅拌电极驱动用于驱动搅拌机构14的调速电机15，液位感知模块用于驱动混溶装置12的液位传感器监测液位，水泵驱动模块用于驱动沼液输送管道、清水输入管道7和输出管道21的各第一水泵和沼液水质在线监测装置的第二水泵510启闭，电磁阀驱动模块用于驱动各电磁阀的启闭和开度。
上述沼液精准化配肥还田系统具备半自动模式和全自动灌溉两种模式，沼液营养成分在线检测装置可在线检测输入系统的沼液各营养成分浓度和输出系统的肥液中包括氮、磷、钾等各营养成分浓度等信息并反馈给控制台24，半自动灌溉针对作物种类不明的情况，需要手动输入灌溉参数，自动模式自动接收田间检测站传回的信息，使控制台24通过田间反馈信息结合沼液水质在线监测装置的反馈信息计算配肥参数、生成匹配制肥指令对水肥决策进行调整，控制系统运行自动决策灌溉，从而完成高效地沼液精准化配肥还田，制肥与施肥同时进行，无需额外建立储肥空间。
实施例4：
如图6-7所示，为本发明所述沼液精准化配肥还田方法的一种较佳实施方式，基于如实施例3所述的沼液精准化配肥还田系统，控制台24内置决策机制，通过田间检测站传回的大田面积信息、土壤主要水肥信息和微生物丰度等信息进行配肥比例决策，由于沼液营养成分中氮含量较其他营养成分含量显著较大，以氮肥作用肥料补充，其方法包括以下步骤：
S0：第一沼液水质在线监测装置5反馈获取沼液营养成分信息，所述沼液营养成分信息包括氨氮浓度cN和污染物浓度cW，田间检测站反馈获取农田水质灌溉标准中的污染物浓度cS；
S1：田间检测站反馈获取土壤含水量W，大田灌区面积S，土壤速效氮含量N0、表层土壤细菌在最佳外界环境下能达到的最佳种群量k0，表层土壤真菌在最佳外界环境下能达到的最佳种群量k1、表层土壤放线菌在最佳外界环境下能达到的最佳种群量k2；
S2：田间检测站反馈获取作物需水量U，作物蒸腾量Et，深层渗漏量D，作物截流量Ic，降水量P；
S3：依据K0＝min(k0/Ka,k1/Kb,k2/Kc)，上式中Ka表示单位面积的真菌个数，Ka为30.95*108个/m2，Kb表示单位面积的真菌个数，Kb为50.16*105个/m2，Kc表示单位面积的放线菌个数，Kc为53.27*106个/m2，步骤S1的k0、k1和k2代入上式计算补施肥系数K0；
S4：依据Ma＝N0/K0，将步骤S1的N0和S3的K0代入上式计算施肥需求量Ma；
S5：依据Vm＝(cs·S)/cw，将步骤S0的cS、cW和步骤S1的S代入上式计算土壤承受的最大沼液灌溉量Vm；
S6：依据Vw＝U+Et+W+D+Ic-P，将步骤S1的U、Et、W、D、Ic、P代入上式计算田间需要的最小灌水量Vw；
S7：依据Mbb＝cN·Vm，将土壤承受的最大沼液灌溉量Vm和步骤S0的cN和代入上式计算氮肥量Mbb；
S8：依据Vbw＝(1-cN-cw)·Vm，将土壤承受的最大沼液灌溉量Vm和步骤S0的cN、cW代入上式计算沼液中的含水量Vbw；
S9：判断所需肥和沼液中含有氮肥匹配度，即步骤S4和S7获得的Ma＞Mbb是否成立？
S10：当Ma＞Mbb成立，则沼液供肥不足，依据mcf＝Ma-Mbb计算氮肥补充量mcf；
S11：当Ma＝Mbb成立，则不需要补充氮肥，依据mcf＝Ma-Mbb计算氮肥补充量mcf＝0；
S12：当Ma＜Mbb成立，则沼液供肥过量，需要减少沼液灌溉用量，依据Vm＝Ma/cw重新计算Vm并返回步骤S7；
S13：计算沼液中的含水量和需要的灌水量匹配度，即经步骤S12后的Vbw和Vw，Vbw≥Vw是否成立？
S14：当Vbw≥Vw成立，则沼液中的含水量能够满足要求，依据Vf＝Vbw计算最终制肥量Vf；
S15：当Vbw＜Vw成立，则沼液中的含水量不足以满足灌溉需求，依据Vf＝Vw计算最终制肥量Vf；
S16：依据Vcw＝Vf-Vbw，将步骤S14或S15的Vf和经步骤S12后的Vbw代入上式计算清水补充量Vcw；
S17：依据cΔ＝mcf/Vf，将步骤14或S15的Vf、经步骤12后的mcf计算配肥浓度cΔ；
S18：输出配肥参数：配肥浓度cΔ、氮肥补充量mcf、土壤承受的最大沼液灌溉量Vm和清水补充量Vcw；
S19：控制台24依据步骤S18的配肥参数生成制肥比例控制指令，控制沼液输入管道1、清水输入管道7、配料机构16的启闭配肥，控制混溶装置12混溶，控制输出管道21的启闭，依据第二沼液水质在线监测装置20的反馈信息与配肥参数校正制肥比例控制指令，完成配肥；
S20：控制台24控制输出管道21的启闭、控制沼液精准化还田。
同理针对作物种类不明的情况、半自动配肥还田时，在控制台24手动输入灌溉参数，参照上述步骤S19和S20控制沼液精准化还田。
上述沼液精准化配肥还田系统和方法中，沼液配肥决策控制以沼液所含营养成分、大田面积、土壤水肥状态及土壤微生物丰度为决策依据，对清水及沼液的配肥比例进行决策，形成决策指令控制清/沼制肥混溶装置12完成配肥，以提高土壤微生物生态响应和促进沼液精准化还田为目标，解决规模化、集约化养殖产生的大体量沼液利用率低下的问题，为实现高效的沼液精准化配肥还田再利用提供了技术支持，严格把控沼液还田具体灌溉量，确保养殖沼液高效安全灌溉还田。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (10)
1.沼液水质在线监测装置，其特征在于，包括检测池(509)、感知器、控制电路和监测端，所述感知器包括伸入检测池(509)的若干电极，所述控制电路用于采集处理感知器的电化学特征并输入监测端，所述监测端用于使用沼液的营养成分标准数据和电化学特征训练RBF-ANN网络构建沼液营养成分预测模型，根据控制电路的电化学特征计算沼液营养成分预测模型、获得沼液的营养成分。
2.根据权利要求1所述的沼液水质在线监测装置，其特征在于，若干电极包括镀Bi工作电极(505)、铂丝参比电极(506)和玻碳对电极(508)，所述镀Bi工作电极(505)和铂丝参比电极(506)之间连接有溶出电流检测器(501)，所述铂丝参比电极(506)和玻碳对电极(508)之间连接有溶出电位检测器(502)，所述控制电路包括恒电位控制模块、微电流检测模块、核心控制器及通信模块，所述恒电位控制模块用于为感知器提供恒定电位，所述微电流检测模块用于通过采集感知器的模拟信号并滤波、放大、模数转换反馈至核心控制器，所述核心控制器用于通过通信模块与监测端信息交互。
3.沼液水质在线监测方法，其特征在于，基于权利要求1所述的沼液水质在线监测装置，方法包括：
采集多个沼液样本并测定每个沼液样本目标水质参数和多元散射曲线校正的电化学溶出伏安曲线图，基于GA-GARS算法选取电化学溶出伏安曲线图的电化学特征；
以多个沼液样本的电化学特征作为RBF-ANN网络训练集和测试集的输入层，以对应电化学特征的目标水质参数作为RBF-ANN网络训练集的输出层和实测集，以训练集解算隐藏层建构建沼液营养成分预测模型；
以测试集的输入层解算沼液营养成分预测模型的输出层作为预测集，以预测集与实测集的损失函数最小化为目标训练优化沼液营养成分预测模型；
输入控制电路的电化学特征，计算优化的沼液营养成分预测模型、获得沼液的营养成分。
4.根据权利要求3所述的沼液水质在线监测方法，其特征在于，所述沼液营养成分预测模型为Cn*m＝An*pBp*m+En*m，上式中Cn*m表示n个沼液样本中每m个目标水质参数的训练集标准水质数据矩阵，An*p表示n个沼液样本中每p个电化学特征的训练集特征矩阵，Bp*m表示p个电化学特征对应m个目标水质参数的参数权重，En*m表示n个沼液样本中每m个目标水质参数的残差矩阵，以Cn*m和An*p解算Bp*m和En*m构建沼液营养成分预测模型；
以实测集的定标均方根偏差与预测集的预测均方根偏差比值在0.8-1.2之间为目标训练优化沼液营养成分预测模型；
优化的沼液营养成分预测模型为c1*m＝a1*pBp*m+a1*p*(||En*m||2/||Bp*m||2)，上式中c1*m表示沼液的m个营养成分矩阵，a1*p表示沼液的p个电化学特征矩阵，||En*m||2表示En*m的欧式范数，||Bp*m||2表示Bp*m的欧式范数。
5.沼液精准化配肥还田系统，其特征在于，包括混溶装置(12)和控制台(24)，所述混溶装置(12)连接有沼液输入管道(1)、清水输入管道(7)、配料机构(16)和输出管道(21)，所述沼液输入管道(1)上设有如权利要求1所述的第一沼液水质在线监测装置(5)，所述控制台(24)用于接收田间反馈信息、结合第一沼液水质在线监测装置(5)的反馈信息计算配肥参数或输入灌溉参数、控制沼液输入管道(1)、清水输入管道(7)、配料机构(16)和输出管道(21)启闭。
6.根据权利要求5所述的沼液精准化配肥还田系统，其特征在于，所述沼液输送管道、清水输入管道(7)和输出管道(21)上均设有过滤阀、与控制台(24)电连接的第一水泵、流量计和电磁阀，所述配料机构(16)包括与控制台(24)电连接的蛟龙，所述混溶装置(12)包括与控制台(24)电连接的搅拌机构(14)和液位传感器，所述沼液水质在线监测装置连接有与控制台(24)电连接的第二水泵(510)，所述控制台(24)包括核心控制单元、与核心控制单元相连的电源管理模块、通信模块、搅拌电极驱动、液位感知模块、水泵驱动模块和电磁阀驱动模块，所述通信模块连接有田间检测站。
7.根据权利要求6所述的沼液精准化配肥还田系统，其特征在于，所述配肥参数包括配肥浓度、肥料补充量、沼液灌溉量和清水补充量，所述输出管道(21)上设有如权利要求1所述的第二沼液水质在线监测装置(20)，所述控制台(24)用于根据第二沼液水质在线监测装置(20)的反馈信息、控制沼液输入管道(1)、清水输入管道(7)、配料机构(16)和输出管道(21)启闭。
8.沼液精准化配肥还田方法，其特征在于，基于权利要求5～7任意一项所述的沼液精准化配肥还田系统，其方法包括：获取沼液营养成分信息和包括大田面积、土壤水肥状态及土壤微生物丰度的田间信息，以沼液营养成分信息和田间信息为决策依据对配肥比例进行决策并形成决策指令。
9.根据权利要求8所述的沼液精准化配肥还田方法，其特征在于，其方法包括：所述沼液营养成分信息包括污染物浓度cw，所述田间信息包括土壤速效养分含量N0、大田灌区面积S和表层土壤微生物种群在最佳外界环境下能达到的最佳种群量k；
依据N0和k计算施肥需求量Ma；
依据大田灌区面积S计算土壤承受的最大沼液灌溉量Vm和田间需要的最小灌水量Vw；
依据沼液营养成分信息和Vm计算沼液中的肥料量Mbb和含水量Vbw；
当Ma≥Mbb时，依据mcf＝Ma-Mbb计算肥料补充量mcf；
当Ma＜Mbb时，依据Vm＝Ma/cw计算Vm并返回重新计算肥料量Mbb和含水量Vbw；
当Vbw≥Vw时，依据Vf＝Vbw计算最终制肥量Vf；
当Vbw＜Vw时，依据Vf＝Vw计算最终制肥量Vf；
依据Vcw＝Vf-Vbw计算清水补充量Vcw。
10.根据权利要求9所述的沼液精准化配肥还田方法，其特征在于，其方法包括：所述沼液营养成分信息包括营养成分浓度cN；
依据Mbb＝cN·Vm计算肥料量Mbb；
依据Vbw＝(1-cN-cw)·Vm计算Vbw；
依据cΔ＝mcf/Vf计算配肥浓度cΔ；
所述田间信息包括农田水质灌溉标准中的污染物浓度cS、土壤含水量W，表层土壤细菌在最佳外界环境下能达到的最佳种群量k0，表层土壤真菌在最佳外界环境下能达到的最佳种群量k1、表层土壤放线菌在最佳外界环境下能达到的最佳种群量k2，作物需水量U，作物蒸腾量Et，深层渗漏量D，作物截流量Ic，降水量P；
依据K0＝min(k0/Ka,k1/Kb,k2/Kc)，上式中Ka表示单位面积的真菌个数，Kb表示单位面积的真菌个数，Kc表示单位面积的放线菌个数，计算补施肥系数K0；
依据Ma＝N0/K0计算施肥需求量Ma；
依据Vm＝(cs·S)/cw计算土壤承受的最大沼液灌溉量Vm；
依据Vw＝U+Et+W+D+Ic-P计算田间需要的最小灌水量Vw。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210599220.5A CN114935590B (zh) | 2022-05-30 | 2022-05-30 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210599220.5A CN114935590B (zh) | 2022-05-30 | 2022-05-30 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114935590A true CN114935590A (zh) | 2022-08-23 |
| CN114935590B CN114935590B (zh) | 2024-05-10 |
Family
ID=82867411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210599220.5A Active CN114935590B (zh) | 2022-05-30 | 2022-05-30 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114935590B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274903A (zh) * | 2023-09-25 | 2023-12-22 | 安徽南瑞继远电网技术有限公司 | 基于智能ai芯片的电力巡检智能预警设备及其方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012055791A (ja) * | 2010-09-06 | 2012-03-22 | Dkk Toa Corp | 水質検出器の洗浄方法及び洗浄装置 |
| CN104182794A (zh) * | 2014-09-05 | 2014-12-03 | 北京工业大学 | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 |
| CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
| CN110122024A (zh) * | 2019-06-10 | 2019-08-16 | 福建省致青生态环保有限公司 | 一种可施用沼液的智能一体化施肥系统 |
| CN111121859A (zh) * | 2018-10-31 | 2020-05-08 | 卉森(上海)生物科技有限公司 | 沼液浓度实时检测装置 |
| CN111242380A (zh) * | 2020-01-17 | 2020-06-05 | 中国水利水电科学研究院 | 一种基于人工智能算法的湖（库）富营养化预测方法 |
| CN112499846A (zh) * | 2020-09-29 | 2021-03-16 | 华航环境发展有限公司 | 用于沼液中营养物质浓缩与回收的方法 |
| CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
| CN113735311A (zh) * | 2021-09-03 | 2021-12-03 | 内蒙古大学 | 一种氧化塘粪水作水培液的处理工艺及装置 |
-
2022
- 2022-05-30 CN CN202210599220.5A patent/CN114935590B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012055791A (ja) * | 2010-09-06 | 2012-03-22 | Dkk Toa Corp | 水質検出器の洗浄方法及び洗浄装置 |
| CN104182794A (zh) * | 2014-09-05 | 2014-12-03 | 北京工业大学 | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 |
| CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
| CN111121859A (zh) * | 2018-10-31 | 2020-05-08 | 卉森(上海)生物科技有限公司 | 沼液浓度实时检测装置 |
| CN110122024A (zh) * | 2019-06-10 | 2019-08-16 | 福建省致青生态环保有限公司 | 一种可施用沼液的智能一体化施肥系统 |
| CN111242380A (zh) * | 2020-01-17 | 2020-06-05 | 中国水利水电科学研究院 | 一种基于人工智能算法的湖（库）富营养化预测方法 |
| CN112499846A (zh) * | 2020-09-29 | 2021-03-16 | 华航环境发展有限公司 | 用于沼液中营养物质浓缩与回收的方法 |
| CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
| CN113735311A (zh) * | 2021-09-03 | 2021-12-03 | 内蒙古大学 | 一种氧化塘粪水作水培液的处理工艺及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274903A (zh) * | 2023-09-25 | 2023-12-22 | 安徽南瑞继远电网技术有限公司 | 基于智能ai芯片的电力巡检智能预警设备及其方法 |
| CN117274903B (zh) * | 2023-09-25 | 2024-04-19 | 安徽南瑞继远电网技术有限公司 | 基于智能ai芯片的电力巡检智能预警设备及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114935590B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN205665198U (zh) | 一种营养液成分在线检测系统 | |
| CN211721372U (zh) | 一种能实现反馈控制的自动精准灌溉施肥装置 | |
| CN114935590B (zh) | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 | |
| CN107155840B (zh) | 一种鱼菜共生水肥处理系统及方法 | |
| CN114402968B (zh) | 一种沼液灌溉施肥系统及其应用 | |
| CN113642729A (zh) | 基于机器学习的智能沼液施用方法、系统及存储介质 | |
| CN115885837A (zh) | 一种水耕栽培营养液流速试验装置及方法 | |
| CN209260098U (zh) | 生物反应器控制系统 | |
| CN212278848U (zh) | 一种自动控制水肥一体化滴灌系统 | |
| CN111239195B (zh) | 一种用于离子浓度监测和供给的培养装置及根盒 | |
| CN108107958A (zh) | 一种水肥一体化智能系统 | |
| CN210406208U (zh) | 一种利用开度阀进行ec控制的水肥设备控制装置 | |
| CN114967779B (zh) | 一种食用菌栽培料搅拌机智能化搅拌控制系统 | |
| CN116965318A (zh) | 一种自动有机栽培系统及方法 | |
| DE19629835A1 (de) | Vorrichtung zur Analyse von Flüssigkeiten | |
| CN115643876A (zh) | 一种水肥气一体混合机 | |
| CN108848847A (zh) | 车载式变量配肥灌溉施肥系统及滴灌施肥方法 | |
| CN210868735U (zh) | 水肥一体化系统 | |
| CN210406548U (zh) | 水肥调配装置 | |
| CN113332897A (zh) | 一种营养液调配装置 | |
| CN104977166A (zh) | 一种滴管带性能综合测评系统 | |
| CN210410423U (zh) | 一种可调节混合比例的沼液混合罐 | |
| CN207148661U (zh) | 一种多种液体原料自动配肥和检测系统 | |
| CN110771332A (zh) | 一种集成式沼液水肥一体化系统 | |
| CN217521497U (zh) | 远程控制动态循环给肥系统 |
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 |