一种水质智能监控方法及水产养殖物联网系统

本发明涉及智能化水产养殖水质的水质智能监控方法及水产养殖的自动化装备，具体涉及一种水质智能监控方法及水产养殖物联网系统。背景技术：1、水产养殖水质是决定水产养殖成败的关键因素之一，精确地监控水质参数变化特征实现水产养殖的智能化水质调控，降低养殖风险具有重要意义。如果对水产养殖的水质参数采取有效监控，可以提高水产养殖质量和经济收益。水产养殖水质监控设备均已经较大规模使用并且在水产养殖方面取得较好成果，而且水质监控技术也有着不断突破。2、国内水产养殖技术及水质监控手段研究有一定的发展，并研制适宜国内水产养殖监控设备并实现水产养殖水质多点监测。而现有的通过传感器监测水质数据，容易收到环境、设备等因素影响，容易出现精度不准的问题，而且如何根据采集的水质参数去控制调控设备进行智能化调控，目前还缺少有效的智能系统实现，针对水产养殖过程中水质监控精确度低和管理落后的现状，本发明提供一种水质智能监控方法及水产养殖物联网系统实现水产养殖智能化控制和提高水产质量。技术实现思路1、发明目的：针对背景技术中指出的问题，本发明提供一种水质智能监控方法及水产养殖物联网系统，通过将物联网技术和智能控制应用于水产养殖业，提供信息化、智能化和集约化水产养殖管理解决方案，实现养殖水质环境和投喂的智能监控，为养殖者提供智能化和高效化的养殖管理工具，推动水产养殖业的持续发展和创新。2、技术方案：本发明公开一种水质智能监控方法，包括如下步骤：3、步骤1：构建养殖水质检测模块，以参数传感器输出值经过校正后得到参数传感器反馈值；4、步骤2：构建养殖水质控制器，参数设定值与参数传感器反馈值作为养殖水质控制器的输入，参数设定值与参数传感器反馈值的差经过控制优化后输出优化控制值；5、步骤3：构建水质智能监控子系统，包括溶解氧传感器、温度传感器、所述养殖水质控制器、所述养殖水质检测模块、增氧装置、温度装置，所述增氧装置上设置有检测转速的转速传感器，所述温度装置上设置有能够检测电流的电流传感器；溶解氧传感器、温度传感器、转速传感器以及电流传感器均与一个养殖水质检测模块连接；6、溶解氧设定值、溶解氧传感器反馈值经过养殖水质控制器后与增氧泵历史转速值经过神经网络模型训练后得到所述转速目标值；温度设定值、温度传感器反馈值作为对应的养殖水质控制器的输入，经过养殖水质控制器后与温度装置历史电流值经过神经网络模型训练后得到所述电流目标值；7、溶解氧设定值、温度设定值、转速目标值、电流目标值分别与经过其对应养殖水质检测模块得到的传感器反馈值作为对应的养殖水质控制器的输入；8、转速目标值、电流目标值与其对应的传感器反馈值经过养殖水质控制器后利用神经网络模型减少转速扰动与电流扰动后输出至增氧装置、温度装置，控制增氧装置、温度装置的转速和电流。9、进一步地，所述养殖水质检测模块包括tcn时间卷积网络模型和bilstm神经网络模型，参数传感器输出分别作为tcn时间卷积网络模型1、bilstm神经网络模型1和bilstm神经网络模型2的对应输入，tcn时间卷积网络模型1输出作为bilstm神经网络模型1的对应输入，bilstm神经网络模型1输出分别作为tcn时间卷积网络模型1、tcn时间卷积网络模型2和bilstm神经网络模型2的对应输入，tcn时间卷积网络模型2输出作为bilstm神经网络模型2对应输入，bilstm神经网络模型2输出作为tcn时间卷积网络模型2的对应输入和养殖水质检测模块输出，养殖水质检测模块见图1所示。10、进一步地，所述养殖水质控制器包括elman神经网络模型1、bilstm神经网络模型3和anfis自适应神经模糊推理模型-pid控制器；参数设定值与传感器参数反馈值作为养殖水质控制器的输入，参数设定值与传感器参数反馈值的差与bilstm神经网络模型3输出分别作为bilstm神经网络模型3的对应输入，bilstm神经网络模型3输出和bilstm神经网络模型3输出的变化率作为anfis自适应神经模糊推理模型-pid控制器1的对应输入，参数设定值与传感器参数反馈值的差和差的变化率作为anfis自适应神经模糊推理模型-pid控制器2的对应输入，anfis自适应神经模糊推理模型-pid控制器2和anfis自适应神经模糊推理模型-pid控制器1的输出作为elman神经网络模型1的对应输入，elman神经网络模型1输出分别作为anfis自适应神经模糊推理模型-pid控制器2和anfis自适应神经模糊推理模型-pid控制器1的对应输入和最终养殖水质控制器输出，养殖水质控制器见图2所示。11、进一步地，水质智能监控子系统还包括elman神经网络模型、anfis自适应神经模糊推理模型-elman神经网络模型；12、溶解氧设定值与养殖水质检测模块1输出值分别作为养殖水质控制器1的对应输入，温度设定值与养殖水质检测模块4输出分别作为养殖水质控制器2的对应输入，养殖水质控制器1输出与anfis自适应神经模糊推理模型-elman神经网络模型2输出的溶解氧扰动量的差和差的变化率分别作为anfis自适应神经模糊推理模型-elman神经网络模型1的对应输入，养殖水质控制器2输出与anfis自适应神经模糊推理模型-elman神经网络模型2输出的温度扰动量的差和差的变化率分别作为anfis自适应神经模糊推理模型-elman神经网络模型1的对应输入，anfis自适应神经模糊推理模型-elman神经网络模型1输出为增氧装置的转速目标值和温度装置的电流目标值，转速目标值、电流目标值、养殖水质检测模块1输出和养殖水质检测模块4输出分别作为anfis自适应神经模糊推理模型-elman神经网络模型2的对应输入；13、转速目标值和养殖水质检测模块2输出值作为养殖水质控制器3的对应输入，电流目标值和养殖水质检测模块3输出值作为养殖水质控制器3的对应输入，养殖水质控制器3输出和anfis自适应神经模糊推理模型-elman神经网络模型3输出的转速扰动量作为elman神经网络模型2的对应输入，养殖水质控制器4输出和anfis自适应神经模糊推理模型-elman神经网络模型3输出的电流扰动量作为elman神经网络模型3的对应输入，elman神经网络模型2输出、elman神经网络模型3输出、检测模块2和检测模块3输出作为anfis自适应神经模糊推理模型-elman神经网络模型3的对应输入，elman神经网络模型2输出和elman神经网络模型3输出分别作为增氧装置和温度装置的输入，增氧装置和温度装置对水产养殖水质的溶解氧和温度进行调节；14、溶解氧传感器、转速传感器、电流传感器和温度传感器输出分别作为养殖水质检测模块1、养殖水质检测模块2、养殖水质检测模块3和养殖水质检测模块4的输入，溶解氧传感器、转速传感器、电流传感器和温度传感器分别测量水产养殖水质的溶解氧、增氧装置的转速、温度装置的电流和水产养殖水质的温度。水质智能监控子系统见图3所示。15、本发明还公开一种水产养殖物联网系统，包括水质监控与投喂端、气象检测端、水产养殖信息汇集端、水产养殖阿里云mqtt服务器、水产养殖远程监控端和水产养殖客户端，水质监控与投喂端用于监测养殖水质参数和控制养殖设备，气象检测端用于监测水产养殖环境气象参数，水产养殖信息汇集端用于实现水质监控与投喂端、气象检测端和水产养殖阿里云mqtt服务器之间的双向通信，通过mqtt协议发送水质监控与投喂端和气象检测端的信息到水产养殖阿里云mqtt服务器并储存到mysql数据库中为水产养殖客户端和水产养殖远程监控端提供水产养殖监控服务，水产养殖客户端和水产养殖远程监控端的参数采集与控制信息通过水产养殖阿里云mqtt服务器和水产养殖信息汇集端发送给水质监控与投喂端和气象检测端，水产养殖客户端和水产养殖远程监控端实现养殖水质监控、历史数据查询、数据分析和数据报警；16、所述水质监控与投喂端设置有如上述水质智能监控方法。一种水产养殖物联网系统见图4所示。17、本发明与现有技术相比，具有以下明显优点：18、一、lstm神经网络模型对于较长时间水产养殖参数序列，会遗忘较早的信息，从而学习不到水产养殖参数数据的全部内容，因此bilstm神经网络模型作为双向长短记忆网络作为lstm神经网络模型的延伸被提出，它可以考虑到水产养殖数据的全局双向信息，避免水产养殖参数时序数据太长而遗忘较早的内容。19、二、本发明bilstm神经网络模型对输入水产养殖数据进行双向学习，同时捕获水产养殖参数历史以及未来时间序列中的全部特征，在对输入水产养殖参数信息的时间序列值进行预测时具有较高的预测精度。20、三、tcn时间卷积网络模型的膨胀因果卷积的每个时刻的输出都依赖于前一个时刻的水产养殖数据，随着扩张系数增大，所覆盖的水产养殖参数信息范围也就更多，相比于普通卷积网络，tcn时间卷积网络模型只需较少的层数，就能实现更广泛水产养殖参数的感知范围；tcn时间卷积网络模型的残差连接模块解决了深层传统神经网络中梯度爆炸和网络退化的困扰，tcn时间卷积网络模型的残差模块可以在特征提取过程中减少水产养殖参数信息的大量损失，进而提升了模型的准确性。21、四、本发明设置的elman神经网络模型，由于承接层的引入能够水产养殖参数记忆并处理过去的状态，它的反馈结构有利于水产养殖参数短期信息的保留，因此具有较强的优化计算和联想记忆功能，从而在提高对输入水产养殖参数信息预测的精确度。22、五、养殖水质控制器包括elman神经网络模型、bilstm神经网络模型和anfis自适应神经模糊推理模型-pid控制器；elman神经网络模型和bilstm神经网络模型对水产养殖参数控制误差进行再预测与处理，根据再处理后的误差和误差变化率作为anfis自适应神经模糊推理模型-pid控制器输入，提高养殖水质控制器的可靠性和鲁棒性。