周新輝 黃 琳 樊宇星 段青玲

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083；2.中國農(nóng)業(yè)大學(xué)國家數(shù)字漁業(yè)創(chuàng)新中心，北京 100083；3.寧波市海洋與漁業(yè)研究院，寧波 315000)

0 引言

工廠化養(yǎng)殖作為未來水產(chǎn)養(yǎng)殖重要的生產(chǎn)模式，其生產(chǎn)效率將直接決定水產(chǎn)養(yǎng)殖的總產(chǎn)量和收益[1-2]。養(yǎng)殖水環(huán)境是水產(chǎn)品賴以生存的棲息地，其中水體溶解氧含量是衡量養(yǎng)殖水質(zhì)的關(guān)鍵水質(zhì)因子[3-4]。工廠化養(yǎng)殖中，由于養(yǎng)殖密度大，且養(yǎng)殖環(huán)境具有封閉性，養(yǎng)殖過程經(jīng)常面臨低氧帶來的風(fēng)險(xiǎn)。為了提高溶解氧含量，養(yǎng)殖工廠通常全天開啟大功率增氧機(jī)，但是這種增氧操作存在能耗過大等問題。因此，構(gòu)建整套溶解氧控制系統(tǒng)，最大程度優(yōu)化增氧效果、降低能耗是水產(chǎn)養(yǎng)殖行業(yè)主要的目標(biāo)。

隨著工廠化養(yǎng)殖的不斷發(fā)展，國內(nèi)外許多學(xué)者對(duì)溶解氧的調(diào)控開展了大量的研究[5-8]。其中，溶解氧最為普遍的調(diào)控方法是基于閾值的開關(guān)定時(shí)控制。這種調(diào)控方式需要根據(jù)養(yǎng)殖水產(chǎn)品的實(shí)際生長需求設(shè)定溶解氧含量的閾值區(qū)間，如果溶解氧含量低于下限就開啟增氧機(jī)，高于上限就關(guān)閉增氧機(jī)。由于曝氣增氧過程具有一定的滯后性，如果監(jiān)測到溶解氧低于閾值時(shí)再開啟增氧機(jī)，短時(shí)間內(nèi)溶解氧含量不能達(dá)到設(shè)定值，仍然會(huì)對(duì)養(yǎng)殖生物造成一定損害。因此，建立溶解氧預(yù)測模型，對(duì)未來溶解氧含量進(jìn)行預(yù)測，提前指導(dǎo)增氧機(jī)進(jìn)行相關(guān)動(dòng)作是基于閾值的開關(guān)定時(shí)控制最為關(guān)鍵的環(huán)節(jié)。目前，溶解氧含量預(yù)測已經(jīng)被廣泛研究，許多成熟的預(yù)測模型被開發(fā)出來，普遍使用的模型主要包括BP神經(jīng)網(wǎng)絡(luò)[9-10]、極限學(xué)習(xí)機(jī)[11]和支持向量機(jī)[12]等?；陂撝档拈_關(guān)定時(shí)控制雖然可以在一定程度上減少了能源消耗，避免了低氧導(dǎo)致的養(yǎng)殖風(fēng)險(xiǎn)問題，但是無法滿足溶解氧高精度控制的要求。

針對(duì)開關(guān)定時(shí)控制的多種缺點(diǎn)，學(xué)者提出了基于智能控制算法的溶解氧精準(zhǔn)控制方法。首先需要搭建溶解氧控制系統(tǒng)硬件平臺(tái)，然后確保系統(tǒng)各個(gè)硬件之間能夠保持良好的通信，最后智能控制算法根據(jù)溶解氧實(shí)際值與理想設(shè)定值的偏差對(duì)增氧機(jī)進(jìn)行反饋控制，調(diào)節(jié)增氧機(jī)工作功率，讓溶解氧始終保持在理想設(shè)定值范圍內(nèi)。目前，一些單一的智能控制算法，如模糊控制[13-14]和PID控制[15]是水產(chǎn)養(yǎng)殖溶解氧調(diào)控中最常用的兩種控制器。然而，由于水產(chǎn)養(yǎng)殖環(huán)境復(fù)雜多變，這些單一的控制器參數(shù)不能在線調(diào)整，在溶解氧控制精度上仍存在一些不足。針對(duì)這一缺點(diǎn)，學(xué)者提出了一些混合的自適應(yīng)PID控制器，如模糊-PID控制[16]、BP-PID[17]和RBF-PID[18]控制器。該類控制器可以利用模糊規(guī)則或者神經(jīng)網(wǎng)絡(luò)對(duì)PID的3個(gè)控制參數(shù)進(jìn)行在線調(diào)整，以滿足復(fù)雜多變的水產(chǎn)養(yǎng)殖溶解氧的控制需求，使溶解氧含量始終維持在理想范圍內(nèi)?；谥悄芸刂扑惴ǖ姆答伩刂齐m然能夠滿足溶解氧控制高精度的需求，提升了水產(chǎn)養(yǎng)殖的自動(dòng)化程度，但是對(duì)養(yǎng)殖硬件設(shè)施的要求很高，極大增加了養(yǎng)殖成本，不利于推廣使用[19]。

基于此，本文綜合上述2種溶解氧調(diào)控方式的優(yōu)點(diǎn)，提出一種基于建模預(yù)測與關(guān)系規(guī)則庫的溶解氧精準(zhǔn)調(diào)控方法。首先構(gòu)建自適應(yīng)增強(qiáng)的粒子群優(yōu)化極限學(xué)習(xí)機(jī)(AdaBoost-PSO-ELM)預(yù)測模型，實(shí)現(xiàn)對(duì)溶解氧含量準(zhǔn)確預(yù)測；然后進(jìn)行曝氣增氧實(shí)驗(yàn)，探索溶解氧初始質(zhì)量濃度、曝氣流量和增氧機(jī)開啟時(shí)間三者之間相互作用關(guān)系，制作成增氧機(jī)控制規(guī)則庫；最后，將溶解氧含量的預(yù)測模型與增氧機(jī)控制規(guī)則庫進(jìn)行結(jié)合，以期合理控制增氧機(jī)的開啟時(shí)間與功率，起到節(jié)能增效的目的。

1 研究方法

1.1 數(shù)據(jù)采集與預(yù)處理

以浙江省寧波市海洋與漁業(yè)研究院養(yǎng)殖基地為實(shí)驗(yàn)場地，搭建了一個(gè)小型循環(huán)水養(yǎng)殖系統(tǒng)，如圖1所示。該系統(tǒng)包括全自動(dòng)增氧機(jī)、微孔曝氣設(shè)備、循環(huán)水泵、水質(zhì)傳感器和遠(yuǎn)程水質(zhì)無線監(jiān)控系統(tǒng)等。養(yǎng)殖水缸為一個(gè)圓柱形容器，其半徑為0.75 m，水深為0.8 m。通過計(jì)算，養(yǎng)殖水體體積約為1.4 m3。養(yǎng)殖品種為南美白對(duì)蝦，約500尾。

圖1 搭建的循環(huán)水養(yǎng)殖實(shí)驗(yàn)系統(tǒng)Fig.1 Established circulating water aquaculture system

本文的數(shù)據(jù)采集方式包括手動(dòng)采集和自動(dòng)采集2種方式。手動(dòng)采集的數(shù)據(jù)為曝氣增氧數(shù)據(jù)，自動(dòng)采集的為水質(zhì)數(shù)據(jù)。增氧數(shù)據(jù)采集過程中，采用鼓入氮?dú)獾姆绞綄⑷芙庋踅档偷讲煌某跏假|(zhì)量濃度，然后再進(jìn)行曝氣增氧實(shí)驗(yàn)，記錄數(shù)據(jù)。增氧機(jī)微孔氣頭置于養(yǎng)殖水缸底部中央位置。另外，水缸中部署了多種水質(zhì)傳感器，置于水缸底部邊緣位置，通過物聯(lián)網(wǎng)平臺(tái)自動(dòng)采集水質(zhì)數(shù)據(jù)。由于養(yǎng)殖水缸搭建在室內(nèi)，受環(huán)境因素影響小，且水體體積較小，可認(rèn)為溶解氧在水缸空間內(nèi)呈均勻分布。采集的數(shù)據(jù)信息如表1所示。

表1 采集數(shù)據(jù)信息Tab.1 Collected data information

圖3 預(yù)測算法流程圖Fig.3 Flow chart of forecast algorithm

實(shí)驗(yàn)時(shí)間為2020年9月3—22日，共采集2 908條數(shù)據(jù)。其中，前2 650條為模型訓(xùn)練集，后258條為測試集。系統(tǒng)采集數(shù)據(jù)時(shí)，由于受到網(wǎng)絡(luò)波動(dòng)等影響，會(huì)造成采集的數(shù)據(jù)存在異常值和缺失值[20]。采用線性插值法對(duì)異常值進(jìn)行處理，采用均值填充法對(duì)缺失值進(jìn)行處理。

1.2 溶解氧調(diào)控方法總體流程

本文提出了一種基于建模預(yù)測與關(guān)系規(guī)則庫的溶解氧含量精準(zhǔn)調(diào)控方法，其總體流程如圖2所示。

圖2 方法的總體流程圖Fig.2 Overall flow chart of proposed method

(1)溶解氧預(yù)測。采集水產(chǎn)養(yǎng)殖水環(huán)境數(shù)據(jù)，如溶解氧質(zhì)量濃度、水溫、pH值和鹽度等，構(gòu)建AdaBoost-PSO-ELM溶解氧預(yù)測模型，預(yù)測未來溶解氧含量。

(2)規(guī)則庫構(gòu)建。進(jìn)行溶解氧增氧預(yù)實(shí)驗(yàn)，對(duì)溶解氧初始質(zhì)量濃度、曝氣流量和增氧機(jī)開啟時(shí)間進(jìn)行量化，構(gòu)建增氧機(jī)控制規(guī)則表。

(3)溶解氧調(diào)控。將關(guān)系規(guī)則庫和預(yù)測模型嵌入計(jì)算機(jī)監(jiān)控中心，得到增氧機(jī)調(diào)控專家系統(tǒng)，專家系統(tǒng)根據(jù)溶解氧含量的預(yù)測值(如果低于設(shè)定閾值)，并結(jié)合當(dāng)前溶解氧含量，調(diào)用控制規(guī)則表，合理指導(dǎo)增氧機(jī)的開啟時(shí)間與功率。

1.3 自適應(yīng)AdaBoost-PSO-ELM強(qiáng)預(yù)測模型

AdaBoost算法可以將多個(gè)弱預(yù)測器組合成一個(gè)強(qiáng)預(yù)測器，用于提升模型的預(yù)測精度[21]。本文提出的AdaBoost-PSO-ELM算法基本思想是：首先初始化一個(gè)ELM基學(xué)習(xí)器；然后反復(fù)迭代訓(xùn)練得到多個(gè)ELM弱預(yù)測器，每次迭代中，對(duì)預(yù)測誤差較大的樣本進(jìn)行加大權(quán)重，對(duì)其進(jìn)行重點(diǎn)學(xué)習(xí)，實(shí)現(xiàn)“優(yōu)中選優(yōu)”；最后結(jié)合AdaBoost算法將多個(gè)弱預(yù)測器通過加權(quán)組合成一個(gè)強(qiáng)預(yù)測器，進(jìn)一步提高ELM網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率?；贏daBoost的強(qiáng)預(yù)測器算法流程如圖3所示。

AdaBoost-PSO-ELM算法的詳細(xì)步驟為：

(1)ELM網(wǎng)絡(luò)初始化。對(duì)于給定輸入樣本，首先確定ELM網(wǎng)絡(luò)結(jié)構(gòu)，并對(duì)網(wǎng)絡(luò)相關(guān)參數(shù)進(jìn)行初始化，ELM網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of extreme learning machine

ELM網(wǎng)絡(luò)結(jié)構(gòu)中，輸入向量X=(x1,x2,…,xn)，代表傳感器采集的各種水質(zhì)數(shù)據(jù)，例如溶解氧質(zhì)量濃度、水溫、pH值和鹽度等。隱含層偏置B=(b1,b2,…,bn)和輸入權(quán)值W=(w11,w12,…,w1m,w2m,…,wnm)的初值是在模型訓(xùn)練時(shí)隨機(jī)給定的。輸出向量β=(β1,β2,…,βn)由輸入向量X、輸入權(quán)值W和隱含層偏置B共同決定。

(2)初始化樣本分布權(quán)值。從樣本空間選擇m組數(shù)據(jù)，初始化每一個(gè)輸入樣本的分布權(quán)值

(1)

(3)PSO-ELM弱預(yù)測器預(yù)測。通過PSO算法對(duì)ELM網(wǎng)絡(luò)初始參數(shù)進(jìn)行優(yōu)化，得到多個(gè)ELM弱預(yù)測器；在訓(xùn)練第n個(gè)ELM弱預(yù)測器時(shí)，采用訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，得到預(yù)測序列的預(yù)測誤差和Serror，計(jì)算公式為

(2)

(4)計(jì)算預(yù)測序列權(quán)重。根據(jù)預(yù)測序列的Serror計(jì)算序列的權(quán)重，n為弱預(yù)測器PSO-ELM編號(hào)，相應(yīng)的權(quán)重an計(jì)算公式為

(3)

(5)權(quán)值更新。根據(jù)式(3)對(duì)第n+1個(gè)弱預(yù)測器的樣本權(quán)值進(jìn)行調(diào)整，重點(diǎn)對(duì)上一個(gè)弱預(yù)測器中預(yù)測誤差較大的樣本進(jìn)行調(diào)整，即對(duì)預(yù)測誤差較大樣本的權(quán)值進(jìn)行加重，適度降低預(yù)測準(zhǔn)確的樣本的權(quán)值，調(diào)整公式為

(4)

式中yn——溶解氧質(zhì)量濃度實(shí)際值

fn(xi)——第n個(gè)弱預(yù)測器第i個(gè)樣本的預(yù)測值

Dn——第n個(gè)弱預(yù)測器的分布權(quán)值

Zn——?dú)w一化因子，其作用是使所有分布權(quán)值之和為1

(6)輸出強(qiáng)預(yù)測器函數(shù)。經(jīng)過n次迭代后，得到第n個(gè)弱預(yù)測器的函數(shù)為fn(x)，相應(yīng)的n個(gè)弱預(yù)測器的權(quán)重集合為{a1,a2,…,an}，將n個(gè)弱預(yù)測器加權(quán)組合，可得到的強(qiáng)預(yù)測器函數(shù)Y(x)，表達(dá)式為

(5)

式中 sign()——符號(hào)函數(shù)

1.4 基于多項(xiàng)式擬合的增氧機(jī)控制規(guī)則庫建立

水產(chǎn)養(yǎng)殖曝氣增氧過程中，增氧能力主要與養(yǎng)殖生物品種、養(yǎng)殖密度、水體體積、曝氣流量和溶解氧濃度有關(guān)。實(shí)驗(yàn)過程中，養(yǎng)殖品種、養(yǎng)殖密度和養(yǎng)殖水體短時(shí)間內(nèi)不會(huì)發(fā)生巨大變化，因此，曝氣流量是溶解氧調(diào)控過程的主要操控變量。相關(guān)研究指出，水體溶解氧質(zhì)量濃度越高，增氧效率就會(huì)越低，當(dāng)水體溶解氧達(dá)到飽和時(shí)，增氧效率基本為零[22]。為了提高能源利用效率，針對(duì)本文的溶解氧含量調(diào)控模式，對(duì)增氧能力進(jìn)行精確量化，構(gòu)建規(guī)則庫是實(shí)現(xiàn)溶解氧含量合理調(diào)控的前提。

關(guān)系規(guī)則庫構(gòu)建是增氧機(jī)控制的關(guān)鍵部分，需基于溶解氧增氧初始濃度、曝氣流量和增氧機(jī)開啟時(shí)間之間的量化結(jié)果。關(guān)系規(guī)則庫的構(gòu)建主要分為3個(gè)步驟：

(1)進(jìn)行增氧實(shí)驗(yàn)，掌握不同曝氣流量下的溶解氧響應(yīng)規(guī)律。

(2)設(shè)置一個(gè)理想的溶解氧質(zhì)量濃度，進(jìn)行曝氣實(shí)驗(yàn)，并記錄增氧初始質(zhì)量濃度和溶解氧達(dá)到理想值時(shí)增氧機(jī)的開啟時(shí)間。將記錄的數(shù)據(jù)導(dǎo)入Matlab擬合工具箱，選擇最小二乘擬合法和多項(xiàng)式先驗(yàn)方程對(duì)三者之間的相互作用關(guān)系進(jìn)行量化。

以一元線性擬合為例，最小二乘法的最優(yōu)擬合原理是使采樣點(diǎn)與被擬合直線之間的距離平方和最小，具體公式為

(6)

式中a、b——代求系數(shù)yt——擬合值

xt——實(shí)際值

多變量的曲面擬合數(shù)學(xué)方程式有多項(xiàng)式函數(shù)和傅里葉級(jí)數(shù)2種形式，其中最常用的是多項(xiàng)式函數(shù)形式。因?yàn)槎囗?xiàng)式能夠逼近任何連續(xù)函數(shù)，因此，用多項(xiàng)式作為多變量擬合的先驗(yàn)方程，能夠精確反映出變量之間的非線性關(guān)系。目前，常用的多項(xiàng)式形式為：

二次多項(xiàng)式

z=a0+a1x+a2y+a3x2+a4xy+a5y2

(7)

三次多項(xiàng)式

z=a0+a1x+a2y+a3x2+a4xy+a5y2+a6x3+
a7x2y+a8xy2+a9y3

(8)

式中z、x、y——變量

a0～a9——待定常量

(3)為了合理地制定控制規(guī)則，減少計(jì)算量，首先需要基于多項(xiàng)式的量化結(jié)果，對(duì)3個(gè)變量(曝氣流量、溶解氧初始質(zhì)量濃度、增氧機(jī)開啟時(shí)間)進(jìn)行模糊等級(jí)劃分。然后，結(jié)合實(shí)際的養(yǎng)殖系統(tǒng)情況和專家經(jīng)驗(yàn)，歸納總結(jié)得出合理的增氧機(jī)控制規(guī)則庫。

1.5 溶解氧預(yù)測模型與規(guī)則庫的聯(lián)合調(diào)控原理

本文提出的溶解氧調(diào)控方法主要包括溶解氧含量建模預(yù)測和關(guān)系規(guī)則庫構(gòu)建。溶解氧建模預(yù)測主要對(duì)未來時(shí)刻溶解氧含量進(jìn)行預(yù)測，提供溶解氧含量變化的先驗(yàn)曲線。關(guān)系規(guī)則庫制定了不同溶解氧質(zhì)量濃度下的增氧機(jī)開啟方式(時(shí)間與功率)，為溶解氧合理調(diào)控提供基礎(chǔ)。

在養(yǎng)殖水質(zhì)監(jiān)控平臺(tái)中，溶解氧預(yù)測模型根據(jù)傳感器采集的水質(zhì)數(shù)據(jù)對(duì)未來時(shí)刻溶解氧含量進(jìn)行預(yù)測，如果預(yù)測值低于設(shè)定的安全閾值，增氧機(jī)控制專家系統(tǒng)會(huì)調(diào)用規(guī)則庫，并結(jié)合當(dāng)前時(shí)刻的溶解氧含量，通過查表的方式輸出增氧機(jī)調(diào)控方式，即最優(yōu)的增氧機(jī)開啟時(shí)間和開啟功率?；谌芙庋踅ｎA(yù)測與規(guī)則庫的溶解氧調(diào)控流程如圖5所示。

圖5 溶解氧調(diào)控整體流程圖Fig.5 Overall process of dissolved oxygen regulation

1.6 性能評(píng)價(jià)指標(biāo)

本文采用決定系數(shù)(Coefficient of determination,R2)、誤差平方和(Sum of squares due to error,SSE)、平均絕對(duì)誤差(Mean absolute error,MAE)、均方誤差(Mean squared error,MSE)以及均方根誤差(Root mean squared error,RMSE)評(píng)估預(yù)測模型和曲面擬合的準(zhǔn)確性。一般情況下，決定系數(shù)絕對(duì)值越接近于1，擬合精度越高；其余指標(biāo)值越小，模型預(yù)測精準(zhǔn)度越高[23-24]。

2 試驗(yàn)與結(jié)果分析

2.1 基于Adaboost-PSO-ELM的溶解氧含量預(yù)測結(jié)果

為避免ELM網(wǎng)絡(luò)參數(shù)隨機(jī)化，利用PSO算法尋優(yōu)得到ELM的最優(yōu)輸入權(quán)值和隱含層偏置。PSO參數(shù)設(shè)置：種群規(guī)模為25，最大迭代次數(shù)為100，最大慣性權(quán)重為0.8，最小慣性權(quán)重為0.4，最大速度為1，最小速度為-1，學(xué)習(xí)因子分別為2.4和1.6。在PSO迭代過程中，本文以溶解氧質(zhì)量濃度實(shí)際值與預(yù)測值均方誤差(MSE)作為粒子尋優(yōu)的目標(biāo)函數(shù)，迭代次數(shù)與均方誤差的關(guān)系曲線如圖6所示。

圖6 PSO尋優(yōu)過程的均方誤差Fig.6 Mean square error of PSO optimization process

從圖6中可以看出，在迭代的初始時(shí)刻，粒子種群的收斂速度很快，均方誤差迅速下降。隨著迭代次數(shù)的增加，粒子種群的收斂速度趨于平緩，當(dāng)PSO在尋優(yōu)過程中迭代到80次左右時(shí)，均方誤差已不再下降，此時(shí)得到最優(yōu)解。將獲得的最優(yōu)網(wǎng)絡(luò)權(quán)值和偏置輸入ELM網(wǎng)絡(luò)訓(xùn)練溶解氧預(yù)測模型。

為了說明本文提出的模型有更優(yōu)越的預(yù)測性能，將AdaBoost-PSO-ELM的預(yù)測結(jié)果分別與PSO-ELM、ELM、BPNN和WNN模型進(jìn)行對(duì)比，以MSE、MAE和RMSE作為模型性能的評(píng)價(jià)指標(biāo)。AdaBoost-PSO-ELM采用PSO優(yōu)化后的權(quán)值和隱含層偏置作為網(wǎng)絡(luò)輸入?yún)?shù)，選擇“sigmoid”函數(shù)作為網(wǎng)絡(luò)的激活函數(shù)。實(shí)驗(yàn)中，所有的預(yù)測模型運(yùn)行都是基于Matlab 2014a環(huán)境。本文使用同一批水質(zhì)數(shù)據(jù)集，以預(yù)測1 h后的溶解氧含量為例，5種模型對(duì)溶解氧質(zhì)量濃度的預(yù)測結(jié)果見圖7。

圖7 不同模型的溶解氧預(yù)測結(jié)果Fig.7 Dissolved oxygen prediction results of different models

從圖7a可以看出，ELM的預(yù)測效果最差，溶解氧含量預(yù)測值與真實(shí)值偏差較大。當(dāng)使用PSO對(duì)ELM的網(wǎng)絡(luò)初始參數(shù)進(jìn)行優(yōu)化以后，ELM的預(yù)測效果得到極大改善。在PSO-ELM預(yù)測模型的基礎(chǔ)上，構(gòu)造由3個(gè)PSO-ELM組成的弱預(yù)測器，然后采用AdaBoost算法將3個(gè)PSO-ELM弱預(yù)測器組成1個(gè)強(qiáng)預(yù)測器，再次對(duì)溶解氧含量進(jìn)行預(yù)測。預(yù)測結(jié)果表明，相較于PSO-ELM模型，AdaBoost-PSO-ELM模型再次提升了預(yù)測精度。從圖7c可以看出，AdaBoost-PSO-ELM模型的預(yù)測效果遠(yuǎn)遠(yuǎn)優(yōu)于BPNN和WNN模型。從圖7b、7d可以明顯看出，AdaBoost-PSO-ELM模型的預(yù)測誤差偏離零線最小，也說明本文提出的模型有更高的預(yù)測精度。5種預(yù)測模型的評(píng)價(jià)指標(biāo)見表2。

從表2可以看出，在5種模型中，AdaBoost-PSO-ELM的各種預(yù)測性能評(píng)價(jià)指標(biāo)值MSE、MAE和RMSE，均為最小，表示其性能最優(yōu)。結(jié)果說明AdaBoost-PSO-ELM模型的預(yù)測精度相比于其它4種模型提高很大。

表2 5種預(yù)測模型的評(píng)價(jià)指標(biāo)Tab.2 Evaluation indicators of five prediction models

2.2 增氧機(jī)控制規(guī)則庫構(gòu)建結(jié)果

在已搭建的循環(huán)水養(yǎng)殖系統(tǒng)中，進(jìn)行多組不同曝氣流量下的溶解氧增氧預(yù)實(shí)驗(yàn)，記錄溶解氧質(zhì)量濃度隨時(shí)間的變化曲線，如圖8所示。

圖8 不同曝氣流量下的溶解氧增氧響應(yīng)曲線Fig.8 Dissolved oxygen aeration response curves at different airflow rates

從圖8中可以看出，當(dāng)水體溶解氧質(zhì)量濃度較低時(shí)(5.0 mg/L以下)，其上升速度比較快，基本呈線性增長，說明增氧效率比較高。當(dāng)水體溶解氧質(zhì)量濃度較高時(shí)，增氧曲線逐漸收斂，增氧效率開始下降。當(dāng)溶解氧達(dá)到飽和時(shí)，無論曝氣流量多大，增氧效率基本為零。因此，結(jié)合溶解氧增氧響應(yīng)規(guī)律，本文探索曝氣流量、溶解氧初始質(zhì)量濃度與增氧機(jī)開啟時(shí)間之間的相互作用關(guān)系，為合理控制增氧機(jī)提供科學(xué)依據(jù)。

溶解氧質(zhì)量濃度設(shè)定值根據(jù)實(shí)際情況設(shè)置，可以為溶解氧飽和質(zhì)量濃度，也可以為養(yǎng)殖生物生長的最適質(zhì)量濃度。本文以溶解氧質(zhì)量濃度設(shè)定值為6.0、8.6 mg/L(飽和質(zhì)量濃度)為例，選擇4種不同曝氣流量(0.9、1.8、2.7、3.6 m3/h)在不同溶解氧初始質(zhì)量濃度下進(jìn)行增氧實(shí)驗(yàn)，記錄溶解氧達(dá)到設(shè)定值時(shí)增氧機(jī)的開啟時(shí)間，根據(jù)記錄的數(shù)據(jù)，分別選擇二次多項(xiàng)式和三次多項(xiàng)式作為先驗(yàn)公式進(jìn)行擬合，得到三維關(guān)系曲面圖，如圖9所示。

圖9 基于不同多項(xiàng)式的增氧能力擬合曲面Fig.9 Fitting surface graphs of aeration capacity based on different polynomials

從圖9中可以看出，當(dāng)溶解氧初始質(zhì)量濃度越低，曝氣流量越小，溶解氧質(zhì)量濃度達(dá)到設(shè)定值所需的時(shí)間就越長。在相同曝氣流量下，溶解氧初始質(zhì)量濃度越高，到達(dá)設(shè)定值時(shí)，增氧機(jī)開啟時(shí)間就越少。在相同初始溶解氧質(zhì)量濃度下，曝氣流量越大，到達(dá)設(shè)定值時(shí)，增氧機(jī)開啟時(shí)間就越少?；?種多項(xiàng)式的擬合結(jié)果如表3所示。

從表3可以看出，基于三次多項(xiàng)的擬合指標(biāo)值均優(yōu)于二次多項(xiàng)式。因此，為了提高控制精確度，本文選擇三次多項(xiàng)式對(duì)增氧能力進(jìn)行精確量化，結(jié)果如圖9b、9d所示。其中，圖9b中標(biāo)出的坐標(biāo)點(diǎn)表示，當(dāng)溶解氧初始質(zhì)量濃度為2.847 mg/L，在曝氣流量為3.116 m3/h的持續(xù)作用下，養(yǎng)殖水體溶解氧質(zhì)量濃度達(dá)到6.0 mg/L時(shí)，增氧機(jī)需要開啟0.137 3 h。圖9d中標(biāo)出的坐標(biāo)點(diǎn)表示，當(dāng)溶解氧初始質(zhì)量濃度為5.412 mg/L，在曝氣流量為2.931 m3/h的持續(xù)作用下，養(yǎng)殖水體溶解氧質(zhì)量濃度達(dá)到8.6 mg/L時(shí)，增氧機(jī)需要開啟0.661 1 h。結(jié)果表明，曝氣流量、溶解氧初始質(zhì)量濃度與增氧機(jī)開啟時(shí)間的關(guān)系已被精確量化。

表3 各種情況的擬合度評(píng)價(jià)指標(biāo)Tab.3 Evaluation index of goodness of fit in various situations

根據(jù)三次多項(xiàng)式的量化結(jié)果，構(gòu)建增氧機(jī)開啟時(shí)間控制關(guān)系規(guī)則庫。以溶解氧達(dá)到飽和質(zhì)量濃度時(shí)(8.6 mg/L)為例，根據(jù)現(xiàn)場實(shí)驗(yàn)數(shù)據(jù)和養(yǎng)殖經(jīng)驗(yàn)，將曝氣流量劃分為4個(gè)等級(jí)[QS,QM,QB,QL]，分別代表[1.0，2.0，3.0，4.0] m3/h；將溶解氧質(zhì)量濃度劃分為7個(gè)等級(jí)[DS,DM,DB,DL,DX,DY,DZ]，分別代表[0～1.5，1.5～3.0，3.0～4.5，4.5～6.0，6.0～7.5，7.5～9.0，>9.0] mg/L；將增氧機(jī)的開啟時(shí)間劃分為8個(gè)等級(jí)[TC,TS,TM,TB,TL,TX,TY,TZ]，分別代表[0，0.1，0.3，0.6，1.0，1.5，2.0，2.5]h。針對(duì)本文循環(huán)水養(yǎng)殖系統(tǒng)的增氧特點(diǎn)，并結(jié)合實(shí)際養(yǎng)殖經(jīng)驗(yàn)，可以歸納總結(jié)得出增氧機(jī)控制的經(jīng)驗(yàn)規(guī)則共28條，如表4所示。

表4 增氧機(jī)開啟時(shí)間控制規(guī)則表(1.4 m3水體)Tab.4 Control rules for working time of aerator (1.4 m3 water body)

2.3 基于增氧機(jī)控制專家系統(tǒng)的溶解氧調(diào)控結(jié)果

將本文訓(xùn)練的溶解氧預(yù)測模型和構(gòu)建的增氧機(jī)控制規(guī)則表寫入計(jì)算機(jī)監(jiān)控中心可得到增氧機(jī)控制專家系統(tǒng)。專家系統(tǒng)可根據(jù)溶解氧預(yù)測值，通過制定的規(guī)則表，合理地向增氧機(jī)發(fā)送控制指令，實(shí)現(xiàn)溶解氧的合理調(diào)控。

根據(jù)表4的結(jié)果可知，當(dāng)溶解氧處于較高等級(jí)時(shí)，如“DY”，優(yōu)先讓增氧機(jī)以較小氣量(QM,QS)短時(shí)開啟，較大氣量(QL,QB)時(shí)不開啟，盡量減少噪聲對(duì)水產(chǎn)品產(chǎn)生的影響。當(dāng)溶解氧處于最低等級(jí)時(shí)，如“DS”，則優(yōu)先以較大氣量(QL)曝氣增氧，盡快提升水體溶解氧含量，避免缺氧現(xiàn)象發(fā)生。增氧機(jī)控制規(guī)則觸發(fā)時(shí)，專家系統(tǒng)優(yōu)先以當(dāng)前溶解氧含量決定增氧機(jī)曝氣流量，然后根據(jù)二者數(shù)值通過查表推斷出增氧機(jī)的開啟時(shí)間。

從以上敘述中可以看出，將溶解氧建模預(yù)測與增氧機(jī)控制規(guī)則庫結(jié)合起來可實(shí)現(xiàn)溶解氧含量的合理調(diào)控。在此基礎(chǔ)上，已制定的增氧機(jī)控制規(guī)則庫也可以為溶解氧自動(dòng)控制和手動(dòng)控制提供依據(jù)。

2.4 討論

基于AdaBoost的強(qiáng)預(yù)測器模型能夠根據(jù)預(yù)測誤差調(diào)整若干組弱預(yù)測器的權(quán)重，能夠把PSO算法隨機(jī)選擇交叉、變異優(yōu)化后的ELM模型的不同預(yù)測結(jié)果組合起來，實(shí)現(xiàn)AdaBoost強(qiáng)預(yù)測器“優(yōu)中選優(yōu)”的優(yōu)點(diǎn)，相較于ELM、PSO-ELM和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，不僅大幅度地改善了溶解氧含量的預(yù)測精度，同時(shí)也提升了模型的泛化能力。

本文通過進(jìn)行不同曝氣流量下的增氧預(yù)實(shí)驗(yàn)，對(duì)增氧機(jī)的增氧能力進(jìn)行了量化，得出了增氧機(jī)開啟時(shí)間與溶解氧質(zhì)量濃度以及曝氣流量之間的非線性關(guān)系，并結(jié)合實(shí)際養(yǎng)殖經(jīng)驗(yàn)，總結(jié)制定了一系列增氧機(jī)控制規(guī)則。但是由于實(shí)驗(yàn)條件限制，所使用的增氧機(jī)型號(hào)較小，本實(shí)驗(yàn)結(jié)論僅適應(yīng)于小型魚缸養(yǎng)殖，后期工作應(yīng)該對(duì)大型養(yǎng)殖水池進(jìn)行探究。

傳統(tǒng)的溶解氧調(diào)控通常面臨控制精度不高，且能源損耗過大等問題，而本文提出的溶解氧調(diào)控方法將溶解氧含量預(yù)測模型與自建的經(jīng)驗(yàn)規(guī)則庫結(jié)合起來，不僅避免了基于閾值調(diào)控增氧滯后的問題，而且對(duì)系統(tǒng)整體硬件設(shè)施要求不高，有很大的應(yīng)用前景。但是本文結(jié)論僅在實(shí)驗(yàn)室理想條件下實(shí)驗(yàn)得到，還沒有在實(shí)際現(xiàn)場應(yīng)用驗(yàn)證，后期工作應(yīng)進(jìn)行實(shí)際養(yǎng)殖工廠中的應(yīng)用，以檢驗(yàn)其可靠性。

3 結(jié)論

(1)通過采集溶解氧質(zhì)量濃度、水溫、pH值和鹽度4種水質(zhì)因子作為模型的輸入變量，訓(xùn)練AdaBoost-PSO-ELM預(yù)測模型，能夠?qū)? h后的溶解氧含量進(jìn)行準(zhǔn)確預(yù)測。與PSO-ELM、ELM、BPNN和WNN模型相比，本文提出的模型有更高的預(yù)測精度，其評(píng)價(jià)指標(biāo)MSE、MAE和RMSE均為最小，分別為0.005 5 mg2/L2、0.053 1 mg/L和0.074 5 mg/L。

(2)在循環(huán)水養(yǎng)殖系統(tǒng)增氧預(yù)實(shí)驗(yàn)中，增氧機(jī)開啟時(shí)間與曝氣流量、溶解氧初始質(zhì)量濃度之間的非線性關(guān)系明顯?；诖私Y(jié)果，采用三次多項(xiàng)式作為先驗(yàn)方程對(duì)增氧能力進(jìn)行了精確量化，闡明了三者之間的相互作用數(shù)學(xué)關(guān)系，并制作成增氧機(jī)控制關(guān)系規(guī)則表，為合理控制增氧機(jī)開啟時(shí)間與開啟功率提供依據(jù)。