鱼塘溶解氧自动监控系统的设计与研究

为了提高水产养殖技术的自动化水平以及鱼类产品饲养的数量和质量,系统地研究了溶解氧的检测与控制,设计出溶解氧自动监控系统.该系统由上下两级单片机、测氧量传感器、无线数传模块等组成,可以实时监测鱼塘的含氧量、控制增氧机工作状态,并能实现故障报警与故障紧急处理等功能,使水产品生产在最适宜的环境下,达到增产、节能、减轻工人劳动强度和减少污染的效果.     

基于荧光法的溶解氧传感器研制及试验

溶解氧含量的测量对水产养殖具有极其重要的意义,但目前中国市面上的溶解氧传感器存在价格昂贵、不能持续在线测量及更新部件维护困难等问题,难以在水产养殖物联网中大规模推广和发挥作用。本研究基于荧光淬灭原理,利用水中溶解氧浓度与荧光信号相位差的关系进行低成本、易维护溶解氧传感器的研发。首先利用自制备溶氧敏感膜,经激发光照射后产生红色荧光,该荧光寿命可由溶解氧浓度调节;然后利用光信号敏感器件设计光电转化电路实现光信号感知;再以STM32F103微处理器作为主控芯片,编写下位机程序实现激发光脉冲产生,利用相敏检波原理以及快速傅里叶变换（FFT）计算激发光与参照光的相位差,进而转化为溶解氧浓度,实现溶解氧的测量。荧光探测部分与系统主控部分采用分离式设计思想,利用屏蔽排线直接插拔连接,便于传感器探测头的拆卸、更换、维护以及实现远距离在线测量。经测试,本溶解氧传感器的测量范围是0~20 mg/L,响应延迟小于2 s,溶氧敏感膜使用寿命约1年,可以实时不间断地对溶解氧浓度进行测量。同时,本传感器具有测量方便、制作成本低、体积小等特点,为中国水产养殖低成本溶解氧传感器的研发与市场化奠定了良好的基础。     

水产养殖中溶解氧模糊控制系统的研究

溶解氧是水产养殖中重要的水质因子。通过对溶解氧控制系统的分析,建立了系统的数学模型;借助MATLAB软件中模糊逻辑工具箱,对系统的输入和输出进行了模糊化,并建立了控制规则;通过SIMULINK软件设计了溶解氧仿真系统;通过仿真验证模糊控制,能够达到较好的控制效果。上述措施为水产养殖的溶解氧控制探索出一条新途径。     

物理因素对白洋淀溶解氧的影响

通过对白洋淀水体中溶解氧与其影响因素(温度、光照强度、水深、pH和透明度)的相关关系进行研究分析,可知:溶解氧总体上随着水温的升高而降低,温度小于5℃时,溶解氧受温度影响不明显,当温度大于5℃时,溶解氧明显呈现随着水温的升高而降低的趋势;光照强度的增加使藻类等浮游植物的光合作用增强,进而使水中溶解氧含量升高;水深越深溶解氧含量越低;溶解氧在一定的pH范围内随着pH值的升高而升高;溶解氧随水体的透明度增加而增加.     

轮式拖拉机实时安全检测装置的研制

设计了一种轮式拖拉机实时安全检测装置。系统以8098单片机为核心，采用光电耦合非接触式信号传输技术，可实时检测轮式拖拉机转矩、转速及输出功率，具有安装方便、实时性好、精度高、体积小等优点。     

基于Simulink的水产养殖溶解氧监控系统

在水产养殖中,水体的溶氧量对鱼类生长和发育有很大影响,很有必要对其进行监控.为了提高监控的效果,建立了水产养殖溶解氧监控系统的数学模型,利用Simulink软件设计了PID控制器,并利用该软件中的非线性控制设计模块优化了控制器的参数.系统仿真分析表明,系统稳定,且优化后系统的超调量很小,响应变快,能够得到较好的控制效果.通过对水产养殖溶解氧监控系统的建模与仿真,可以为分析该系统提供重要基础,同时在实际应用方面积累了经验.     

溶解氧影响河流底泥中氮释放的实验研究

通过自制的柱状模拟实验装置,研究了溶解氧对河流底泥氮转化的影响。研究结果表明:好氧环境可以抑制河流底泥中的氮向上覆水体释放,而厌氧条件下有利于底泥中氮向上覆水体释放;高溶解氧水平下,河流水体中氮的迁移转化作用主要为硝化和反硝化作用。且硝化作用进行得很彻底,氨氮转化率达到100%。     

基于遗传算法与RBF网络的养殖池塘溶解氧模型

在分析了工厂化水产养殖池塘溶解氧影响因素的基础上,利用RBF神经网络良好的非线性逼近能力建立了池塘溶解氧的神经网络预测模型.常规的RBF神经网络模型常导致训练时间较长且易陷入局部极小点,因此,采用自适应遗传算法对RBF神经网络进行优化,模型的收敛速度明显加快.采用了养殖池塘的外部可控环境水体温度T、水流量Q、酸度(pH)以及增氧机器的转速V作为模型的输入.实验结果表明采用该方法预报溶解氧的预测精度较常规RBF递推算法的预测精度明显提高.该方法为研制开发智能水产养殖环境监控系统以及工厂化水产养殖奠定了基础.     

烤烟烟叶水分快速检测仪的研制

烤烟烟叶水分含量的高低直接关系到烟叶的收购品质。为实现对烤烟水分含量进行客观、快速判定,设计开发了一种基于单片机的便携式烤烟烟叶水分含量检测仪。以微型单片机和光电转换器为核心,利用近红外光透射分析方法,采用机采和人工输入相结合的判别模型构建,能够脱离PC机完成数据采集和建模运算,即时判别烤烟烟叶水分含量是否达标,并具有判别模型存储、判别结果输出报警等功能,较好地解决了烟叶收购工作中水分含量客观判定的问题。     

基于LM算法的溶解氧神经网络预测控制

针对污水处理溶解氧时变、非线性以及设定值难以跟踪控制的问题,提出了一种基于Levenberg-Marquardt算法(LM算法)的溶解氧浓度神经网络预测控制器的设计方法。首先在国际水协会提出的活性污泥1号模型(ASM1)基础上,经过合理的假设和约束,得到简化的溶解氧浓度模型,经过BP神经网络系统辨识和模型预测设计了溶解氧神经网络预测控制器。并采用LM算法改进了BP神经网络,克服了容易陷入局部极小值、收敛速度慢的缺点,提高了神经网络预测精度。仿真结果表明,神经网络预测控制具有很好的自适应性和鲁棒性,提高了溶解氧跟踪控制性能。     

自走式喷雾机自动控制系统的研制

根据小型自走式喷雾机在田间固定轨道完成自动行走以及自动喷雾的作业要求，成功研制了基于单片机的喷雾机自动控制系统，利用线性霍尔器件，成功设计了可以远距离检测到磁标志的位置传感器，解决了田间喷雾机移动位置的信号传感问题。该控制系统可以实现自走式喷雾机的运动及喷雾控制。     

基于DeepAR-RELM的池塘溶解氧时空预测方法研究

水体溶解氧(Dissolved oxygen,DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network,DeepAR)和正则化极限学习机(Regularized extreme learning machine,RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy,SE)衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数(Maximum mutual information coefficient,MIC)衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型,结合中心监测点溶解氧时间序列预测值和池塘空间坐标,实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时,实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试,预测未来24h的池塘空间溶解氧值,均方根误差(RMSE)为1.2633mg/L、平均绝对误差(MAE)为0.9755mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机（Extreme learning machine,ELM）、径向基神经网络（Radial basis function neural network,RBFNN）、梯度提升回归树（Gradient boosting regression tree ,GBRT）和随机森林（Random forest,RF）4种预测方法进行对比,各评价指标的性能均有较大幅度提升,表明该方法有较好的预测精度和泛化能力,能够较准确地实现池塘溶解氧时空预测。     

人工湿地改善微污染水体溶解氧的中试研究

水体溶解氧指标的优劣对生态净化技术去除有机物、营养盐等污染指标有着显著影响.本研究在盐城市龙冈镇境内蟒蛇河南岸设计构建了饮用水源生态净化工程中试系统,通过长期研究表明:中试采取的前段曝气+中部跌水+后段增设沉水植物模式,对蟒蛇河原水DO的改善效果显著,出水的DO在夏、秋、冬、春季分别达到7.02、10.38、10.98、11.43 mg/L,平均提升率分别为384.1％、147.7％、31.0％、23.0％;跌水增氧效果与跌水高度显著相关,跌水高度越高,增氧效果越好.     

河套灌区总排干沟溶解氧变化与影

通过2007年与2008年实测数据分析显示,内蒙古特殊的地理气候环境使当地的水体溶解氧也呈现出其特殊性,在年变化趋势上DO值为春季高于夏、秋两季,Chl.a值与DO值变化在2007年成正相关,而风速值与DO值变化在2008年成正相关;DO值的日变化为周期性波动,为20:00时>14:00时>8:00时;在5月初所测的42个溶解氧数据中共有31个饱和度大于100%为过饱和值,11个低于饱和值。上述变化均由于水生植物的光合作用和大气复氧的综合作用,使水体中DO值呈现不同的变化趋势。最终确定研究区DO值的主导因子为Chl.a值与风速,而pH值则为被动因子。     

基于物联网的浮标水质监测系统与溶解氧浓度预测模型

为促进近海养殖业信息化发展,更好地实现对近海养殖环境的监控,设计了基于浮标平台的环境监测系统。利用STM32L475微控制器定时采集光照、温度、pH值、溶解氧浓度等信息,通过物联网技术将数据传输至云监测平台,实现了多区域环境信息远程监测和多终端访问。提出了改进遗传算法BP神经网络的溶解氧浓度预测模型,实现对近海养殖环境的预测;根据所采集的数据,利用改进遗传算法对初始权重和阈值进行优化得到最优参数,在此基础上构建BP神经网络溶解氧浓度预测模型。通过试验验证了该系统海洋环境信息采集的准确性与可靠性,以及溶解氧浓度预测模型的有效性;与传统遗传算法BP神经网络预测模型相比,平均误差由0.0778mg/L降至0.0178mg/L,能够满足近海养殖的实际需求。     

不同加气方式对微咸水和中水溶解氧的影响

为了探讨不同加气方式对微咸水和中水溶解氧随时间的变化规律以及溶解氧随温度的变化规律,找出最佳的加气方式,采用对比试验,研究了8个不同处理即微纳米发泡器(F₁)、12气石头增氧泵(F₂)、28气石头增氧泵(F₃)、文丘里器(F₄)、文丘里器与12气石头增氧泵组合(F₅)、文丘里器与28气石头增氧泵组合(F₆)、微纳米发泡器与12气石头增氧泵组合(F₇)、微纳米发泡器与28气石头增氧泵组合(F₈)加气,以及7个不同水温(F₉)(15,20,25,30,35,40,45 ℃)对微咸水(W₁)和中水(W₂)的溶解氧影响.结果表明:(1) 与对照CKW₁相比,处理F₃W₁,F₁W₁,F₂W₁,F₄W₁的溶解氧分别增加了59.65%,53.10%,44.43%,39.47%;与对照CKW₂相比,处理F₃W₂,F₁W₂,F₂W₂,F₄W₂的溶解氧分别增加了80.17%,78.04%,60.13%,55.22%.(2) 与对照CKW₁相比,处理F₈W₁和F₇W₁的溶解氧分别增加了73.98%,67.79%;与对照CKW₂相比,处理F₈W₂和F₇W₂的溶解氧分别增加了100.21%,94.67%.(3) 与对照CKW₁相比,处理F₆W₁和F₅W₁的溶解氧分别增加了63.84%,57.44%;与对照CKW₂相比,处理F₆W₂和F₅W₂的溶解氧分别增加了79.45%,73.79%.(4) 与对照CKW₁相比,处理F₉W₁的溶解氧在不同水温下分别降低了0,9.82%,12.86%,14.86%,26.56%,29.43%,34.24%;与对照CKW₂相比,处理F₉W₂在不同水温下分别降低0,15.32%,15.69%,19.24%,23.65%,25.59%,32.55%.以最大溶解氧为参考时,最佳加气方式为微纳米发泡器+28气石头增氧泵(F₈W₁ 9.83 mg/L,F₈W₂ 9.39 mg/L).     

水产养殖中溶解氧的检测与控制技术的研究

针对工厂化水产养殖的现状,系统地研究了溶解氧的检测与控制以及水体温度、溶解氧的相互耦合与补偿关系;并设计出相应的检测与控制技术,建立了智能化水产养殖监控体系,使水产品生产在最适宜的环境下,达到增产、节能、减轻工人劳动强度,减少污染的效果.     

河套灌区总排干沟溶解氧变化与影响因子分析

通过2007年与2008年实测数据分析显示,内蒙古特殊的地理气候环境使当地的水体溶解氧也呈现出其特殊性,在年变化趋势上DO值为春季高于夏、秋两季,Chl.a值与DO值变化在2007年成正相关,而风速值与DO值变化在2008年成正相关;DO值的日变化为周期性波动,为20:00时＞14:00时＞8:00时;在5月初所测的42个溶解氧数据中共有31个饱和度大于100%为过饱和值,11个低于饱和值.上述变化均由于水生植物的光合作用和大气复氧的综合作用,使水体中DO值呈现不同的变化趋势.最终确定研究区DO值的主导因子为Chl.a值与风速,而pH值则为被动因子.     

基于BiLSTM-GRU融合网络的稻虾养殖溶解氧含量预测

在稻虾养殖模式中溶解氧含量(浓度)是养殖水体的重要指标之一,其直接影响小龙虾的摄食量和新陈代谢,因此在养殖过程中精准预测溶解氧含量至关重要。针对稻虾养殖中溶解氧含量变化复杂,难以快速准确预测的问题,提出了BiLSTM-GRU融合神经网络预测模型。为了保证精准预测,首先对传感器进行了清洗校准,并根据偏移量对历史数据进行了修正。在此基础上构建了基于BiLSTM和GRU的融合神经网络训练模型,BiLSTM提取更多特征因子,GRU实现快速预测,快速准确预测溶解氧含量变化。为了使监测预测性能更优,对不同采样周期下的资源损耗及预测模型性能进行综合对比分析,确定了传感器数据最优采样周期为30 min。进一步与LSTM、GRU、BiLSTM以及BiGRU模型对比,表明本文提出的BiLSTM-GRU融合神经网络模型的预测效果更好,其平均绝对误差、均方根误差和决定系数分别为0.275 9 mg/L、0.616 0 mg/L和0.954 7,比传统的LSTM神经网络模型分别高25.14%、13.25%和2.22%。