两个人的电影免费视频_国产精品久久久久久久久成人_97视频在线观看播放_久久这里只有精品777_亚洲熟女少妇二三区_4438x8成人网亚洲av_内谢国产内射夫妻免费视频_人妻精品久久久久中国字幕

基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)方法及系統(tǒng)與流程

文檔序號:40635631發(fā)布日期:2025-01-10 18:41閱讀:3來源:國知局
基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)方法及系統(tǒng)與流程

本發(fā)明涉及數(shù)據(jù)預測調(diào)節(jié),具體涉及基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)方法及系統(tǒng)。


背景技術(shù):

1、溶解氧作為水體環(huán)境中的重要參數(shù),直接影響水生生物的生長與存活率,水體中的溶解氧濃度受多種因素的影響,包括水溫、ph值及氨氮濃度類環(huán)境參數(shù),傳統(tǒng)的人工增氧方法效率較低,難以實現(xiàn)對氧氣需求的精準控制,同時,不同的增氧設(shè)備工作模式單一,難以根據(jù)水體的實時需求進行靈活調(diào)整,導致能源浪費及養(yǎng)殖成本上升。

2、當前的水產(chǎn)養(yǎng)殖氧氣供應系統(tǒng)或方法雖已引入了部分自動化技術(shù),但仍存在較多不足,具體為:

3、其一,現(xiàn)有系統(tǒng)普遍依賴固定的增氧策略,缺乏對環(huán)境參數(shù)的實時監(jiān)控與智能調(diào)節(jié)功能,無法根據(jù)實際需求動態(tài)調(diào)整增氧設(shè)備的工作強度和模式;其二,環(huán)境參數(shù)的采集和處理較為簡單,未充分利用現(xiàn)代數(shù)據(jù)分析與機器學習技術(shù)來預測未來的氧氣需求;其三,傳統(tǒng)系統(tǒng)往往只能單一地依賴某種增氧模式,無法在不同氧氣需求場景下靈活切換最適合的增氧模式,這些問題限制了水產(chǎn)養(yǎng)殖的精細化管理,無法確保水生生物的最佳生存環(huán)境。

4、因此,亟需提出基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)方法及系統(tǒng)。


技術(shù)實現(xiàn)思路

1、本發(fā)明提供基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)方法及系統(tǒng),旨在解決相關(guān)技術(shù)中缺乏對環(huán)境參數(shù)的實時監(jiān)控與智能調(diào)節(jié)功能,無法根據(jù)實際需求動態(tài)調(diào)整增氧設(shè)備的工作強度和模式的技術(shù)問題,規(guī)避未充分利用現(xiàn)代數(shù)據(jù)分析與機器學習技術(shù)來預測未來的氧氣需求使用問題,避免無法在不同氧氣需求場景下靈活切換最適合的增氧模式的后續(xù)問題,通過實時計算未來一段時間內(nèi)水體中的氧氣需求量,動態(tài)調(diào)整增氧設(shè)備的工作模式及強度,實現(xiàn)增氧模式的自動切換,并根據(jù)水體的氧氣需求進行精細化調(diào)控,提高增氧設(shè)備的使用效率,改善水體環(huán)境的穩(wěn)定性,為水產(chǎn)養(yǎng)殖提供自動化的解決方案。

2、為了實現(xiàn)上述目的,本技術(shù)的實施例通過如下方式實現(xiàn):

3、第一方面,本技術(shù)實施例提供基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)方法,包括如下:

4、步驟s100、獲取水產(chǎn)養(yǎng)殖區(qū)域內(nèi)的環(huán)境參數(shù)數(shù)據(jù);

5、步驟s200、基于步驟s100所獲取的環(huán)境參數(shù)數(shù)據(jù)進行數(shù)據(jù)分類及預處理;

6、步驟s300、采用深度學習算法構(gòu)建氧氣需求預測模型,并基于預處理后環(huán)境參數(shù)數(shù)據(jù)訓練并優(yōu)化氧氣需求預測模型;

7、步驟s400、基于步驟s300中所得優(yōu)化后的氧氣需求預測模型,對未來一段時間內(nèi)水體中的氧氣需求進行預測;

8、步驟s500、基于步驟s400所得預測結(jié)果,自動選擇并切換增氧模式,調(diào)整增氧設(shè)備的工作強度。

9、在本技術(shù)實施例中,通過獲取水產(chǎn)養(yǎng)殖區(qū)域內(nèi)的環(huán)境參數(shù)數(shù)據(jù),并基于所獲取的環(huán)境參數(shù)數(shù)據(jù)進行數(shù)據(jù)分類及預處理,采用深度學習算法構(gòu)建氧氣需求預測模型,并基于預處理后環(huán)境參數(shù)數(shù)據(jù)訓練并優(yōu)化氧氣需求預測模型,基于所得優(yōu)化后的氧氣需求預測模型,對未來一段時間內(nèi)水體中的氧氣需求進行預測,自動選擇并切換增氧模式,調(diào)整增氧設(shè)備的工作強度,該方法并不是單純切換增氧模式,而是根據(jù)預測結(jié)果與實際所得環(huán)境參數(shù)進行自動切換,通過實時計算未來時段內(nèi)水體中的氧氣需求量,動態(tài)調(diào)整增氧設(shè)備的工作模式及強度,實現(xiàn)增氧設(shè)備工作模式的自動切換,并根據(jù)水體的氧氣需求進行精細化調(diào)控,提高增氧設(shè)備的使用效率,降低能源消耗,改善水體環(huán)境的穩(wěn)定性,為水產(chǎn)養(yǎng)殖提供自動化的解決方案。

10、結(jié)合第一方面,在一些具體實施方式中,獲取水產(chǎn)養(yǎng)殖區(qū)域內(nèi)的環(huán)境參數(shù)數(shù)據(jù),具體包括:

11、步驟s101、獲取環(huán)境參數(shù)數(shù)據(jù),布設(shè)環(huán)境參數(shù)數(shù)據(jù)傳感器獲取水產(chǎn)養(yǎng)殖區(qū)域的環(huán)境參數(shù),環(huán)境參數(shù)包括水溫、溶解氧濃度、ph值、氨氮濃度、水流速度、大氣壓和氣溫。

12、其中,環(huán)境參數(shù)數(shù)據(jù)傳感器包括如下:

13、水溫傳感器,用于監(jiān)測水體溫度。

14、溶解氧傳感器,用于監(jiān)測水體中溶解氧的濃度。

15、ph傳感器,用于測量水的酸堿度。

16、氨氮傳感器,用于測量水體中氨氮的濃度,氨氮是水產(chǎn)養(yǎng)殖中的重要水質(zhì)指標。

17、流速傳感器,用于監(jiān)測水體流動的速度,流速會影響水中的氧氣傳遞。

18、大氣壓傳感器,用于監(jiān)測養(yǎng)殖區(qū)域的氣壓,因為氣壓變化會影響水體中的氧氣交換。

19、氣溫傳感器,用于監(jiān)測外部環(huán)境溫度,氣溫影響水體溫度及氧氣的需求。

20、步驟s102、環(huán)境參數(shù)數(shù)據(jù)傳輸,基于環(huán)境參數(shù)數(shù)據(jù)傳感器將獲取的環(huán)境參數(shù)數(shù)據(jù)通過無線通信網(wǎng)絡(luò)傳輸至云端數(shù)據(jù)庫。

21、其中,數(shù)據(jù)庫為分布式時序數(shù)據(jù)庫,支持數(shù)據(jù)寫入與查詢,并支持數(shù)據(jù)冗余和定期備份。

22、結(jié)合第一方面,在一些具體實施方式中,基于步驟s100所獲取的環(huán)境參數(shù)數(shù)據(jù)進行分類及預處理,具體包括:

23、預處理包括數(shù)據(jù)清洗、異常值檢測和降維處理。

24、步驟s201、數(shù)據(jù)分類,基于步驟s100中獲取的環(huán)境參數(shù)數(shù)據(jù),將數(shù)據(jù)分類為不同類別,并基于不同類別的數(shù)據(jù)進行分組處理。

25、分組處理包括按時間分類、按空間分類及按數(shù)據(jù)源分類,具體為:

26、按時間分類,基于數(shù)據(jù)采集的時間點或時間間隔進行時間軸上的分類,使實時性數(shù)據(jù)與歷史數(shù)據(jù)的分離,時間間隔包括秒級、分鐘級及小時級。

27、按空間分類,對于養(yǎng)殖區(qū)域內(nèi)多個傳感器的數(shù)據(jù),基于傳感器的物理位置進行空間上的分類,物理位置包括不同深度及不同水域區(qū)域。

28、按數(shù)據(jù)源分類,基于傳感器類型對數(shù)據(jù)進行分組處理。

29、步驟s202、數(shù)據(jù)清洗,基于分組后的環(huán)境參數(shù)數(shù)據(jù)進行清洗,數(shù)據(jù)清洗包括缺失值填補及錯誤值剔除。

30、步驟s203、異常值檢測,采用自編碼器對數(shù)據(jù)清洗后的環(huán)境參數(shù)數(shù)據(jù)進行異常檢測。

31、步驟s204、降維處理,采用主成分分析法,對去除異常數(shù)據(jù)之后的環(huán)境參數(shù)數(shù)據(jù)進行降維處理,得出預處理后的環(huán)境參數(shù)數(shù)據(jù)。

32、結(jié)合第一方面,在一些具體實施方式中,采用深度學習算法構(gòu)建氧氣需求預測模型,并基于預處理后環(huán)境參數(shù)數(shù)據(jù)訓練并優(yōu)化氧氣需求預測模型,具體包括:

33、步驟s301、配置氧氣需求預測模型,采用標準化lstm網(wǎng)絡(luò)架構(gòu),標準化lstm網(wǎng)絡(luò)架構(gòu)包括,輸入層、lstm隱藏層、全連接層及輸出層。

34、配置氧氣需求預測模型還包括,配置lstm隱藏層、設(shè)定時間步長、設(shè)定損失函數(shù)及激活函數(shù)。

35、配置lstm隱藏層,數(shù)量限定為3層,單層包含64個神經(jīng)元。

36、設(shè)定時間步長,設(shè)定為過去的24小時。

37、設(shè)定損失函數(shù),采用均方誤差作為損失函數(shù),具體為:

38、

39、式中,yi是實際氧氣需求值,是模型預測值,n是數(shù)據(jù)點數(shù)量;

40、步驟s302、訓練氧氣需求預測模型,使用lstm輸入特征作為輸入訓練數(shù)據(jù),使用歷史氧氣需求值作為輸出訓練數(shù)據(jù),將lstm輸入特征輸入至氧氣需求預測模型,得出初步預測結(jié)果,再將模型的預測結(jié)果與實際歷史氧氣需求值進行比較,最小化誤差。

41、訓練數(shù)據(jù)的批量大小設(shè)定為32。

42、步驟s303、驗證評估,驗證包括選用評估指標及交叉驗證;

43、選用評估指標,通過采用平均絕對誤差選用指標,具體為:

44、

45、式中,n表示樣本的數(shù)量,yi表示第i個樣本的真實值,表示第i個樣本的預測值,表示預測值與真實值的絕對誤差。

46、步驟s304、優(yōu)化氧氣需求預測模型,采用增量學習,基于新數(shù)據(jù)的獲取,lstm模型通過增量學習的方式進行持續(xù)優(yōu)化,每次新數(shù)據(jù)到達時,基于原有模型的參數(shù),進行小規(guī)模的迭代更新,并非完全重新訓練氧氣需求預測模型。

47、結(jié)合第一方面,在一些具體實施方式中,基于步驟s300中所得優(yōu)化后的氧氣需求預測模型,對未來一段時間內(nèi)水體中的氧氣需求進行預測,具體為:

48、步驟s400、基于優(yōu)化后模型,將預處理后的環(huán)境參數(shù)數(shù)據(jù)作為輸入特征,并輸入至優(yōu)化后lstm模型中,lstm模型將輸出未來一段時間內(nèi)水體中的氧氣需求值,具體為:

49、

50、其中,od(t)表示未來一段時間內(nèi)水體中的氧氣需求量,flstm表示通過lstm模型的預測函數(shù),表示預處理后的環(huán)境參數(shù)數(shù)據(jù),表示在時間為t時的環(huán)境參數(shù)數(shù)據(jù)向量,n表示時間步長,h(t)表示lstm模型時間為t時的隱狀態(tài)。

51、結(jié)合第一方面,在一些具體實施方式中,基于步驟s400所得預測結(jié)果,自動選擇并切換增氧模式,調(diào)整增氧設(shè)備的工作強度,具體包括:

52、步驟s501、基于未來一段時間內(nèi)水體中的氧氣需求量od(t)與水體的溶解氧濃度c(t)選擇增氧模式,具體為:

53、

54、式中,mselected為選擇的增氧模式,od(t)表示未來一段時間內(nèi)水體中的氧氣需求量,th和tl分別表示高需求和低需求的氧氣量閾值,c(t)表示當前水體的溶解氧濃度,cl和ch分別表示溶解氧濃度的低閾值和高閾值,θ(t)表示當前水溫,θoptimal表示預設(shè)的水溫;δθ表示水溫偏差允許范圍,g表示氣體增氧,e表示電解增氧,b表示微泡增氧。

55、增氧模式的選擇如下:

56、a1、氣體增氧,適用于水體氧氣需求量大且溶解氧濃度較低的場景,通過快速注入氧氣或空氣,提升水中氧氣含量。

57、a2、電解增氧,適用于穩(wěn)定的環(huán)境,長時間維持溶解氧含量,通過電解水產(chǎn)生氧氣,能耗低且效率高。

58、a3、微泡增氧,適用于精細控制,針對水體局部區(qū)域進行氧氣補給,通過微泡發(fā)生器產(chǎn)生細小氣泡,提高氧氣傳遞效率。

59、步驟s502、基于步驟s501所選擇的增氧模式激活相應的增氧設(shè)備,并基于未來一段時間內(nèi)水體中的氧氣需求量od(t)和水體的溶解氧濃度c(t)自動調(diào)整增氧設(shè)備的工作強度,具體為:

60、p(t)=α·(od(t)-c(t))+β

61、式中,p(t)表示增氧設(shè)備在時間t的工作強度,od(t)表示未來一段時間內(nèi)水體中的氧氣需求量,c(t)表示水體的溶解氧濃度,od(t)-c(t)表示未來一段時間內(nèi)水體中的氧氣需求量和水體的溶解氧濃度之間的差異,若水體的溶解氧濃度低于需求,即od(t)>c(t),則增大設(shè)備的工作強度,若水體的溶解氧濃度已經(jīng)接近需求,則減小工作強度,α表示調(diào)整系數(shù),用于控制工作強度對需求和濃度差異的響應靈敏度,β表示基礎(chǔ)工作強度,即設(shè)備的最低工作強度。

62、步驟s503、應急控制,為確保氧氣供應的連續(xù)性,設(shè)置應急模式,在設(shè)備故障及氧氣需求預測出現(xiàn)較大誤差時,啟動備用設(shè)備或選擇更高效的增氧模式,確保水體中的氧氣供應不中斷。

63、當檢測到增氧設(shè)備故障或預測誤差超過設(shè)定閾值δt,立即啟動備用設(shè)備,并自動切換到高效增氧模式,具體為:

64、memergency=g,ifδod(t)>δt

65、式中,memergency為應急狀態(tài)下的增氧模式,應急狀態(tài)下的增氧模式為氣體增氧,δod(t)為氧氣需求預測誤差,δt為誤差容忍閾值。

66、第二方面,本技術(shù)實施例另提供基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)系統(tǒng),包括如下:

67、參數(shù)獲取單元,用于獲取水產(chǎn)養(yǎng)殖區(qū)域內(nèi)的環(huán)境參數(shù)數(shù)據(jù);

68、預處理分類單元,用于將所獲取的環(huán)境參數(shù)數(shù)據(jù)進行數(shù)據(jù)分類及預處理;

69、模型配置單元,用于采用深度學習算法構(gòu)建氧氣需求預測模型,并基于預處理后環(huán)境參數(shù)數(shù)據(jù)訓練并優(yōu)化氧氣需求預測模型;

70、預測單元,用于基于所得優(yōu)化后的氧氣需求預測模型,對未來一段時間內(nèi)水體中的氧氣需求進行預測;

71、模式切換單元,用于基于氧氣需求預測模型所得預測結(jié)果,自動選擇并切換增氧模式,調(diào)整增氧設(shè)備的工作強度。

72、為使本技術(shù)的上述目的、特征和優(yōu)點能更明顯易懂,下文特舉較佳實施例,并配合所附附圖,作詳細說明如下。

73、附圖說明

74、為了更清楚地說明本技術(shù)實施例的技術(shù)方案,下面將對本技術(shù)實施例中所需要使用的附圖作簡單的介紹,應當理解,以下附圖僅示出了本技術(shù)的某些實施例,因此不應被看作是對范圍的限定,對于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動的前提下,還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

75、圖1為本技術(shù)實施例提供的基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)方法的流程圖。

76、圖2為本技術(shù)實施例提供的基于環(huán)境參數(shù)的水產(chǎn)養(yǎng)殖增氧設(shè)備自動調(diào)節(jié)系統(tǒng)的示意圖。

當前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
简阳市| 姚安县| 肇东市| 云霄县| 治多县| 商河县| 金山区| 张家口市| 两当县| 宽甸| 治县。| 龙井市| 原阳县| 新津县| 林芝县| 舒城县| 德阳市| 贵港市| 宕昌县| 孝义市| 揭阳市| 凤台县| 大洼县| 汉源县| 金秀| 霍山县| 天水市| 东阳市| 延吉市| 仲巴县| 洮南市| 丰宁| 长寿区| 景东| 潜江市| 贵州省| 郧西县| 武川县| 文山县| 宜春市| 舞钢市|