本發(fā)明涉及水產(chǎn)養(yǎng)殖領(lǐng)域，具體涉及一種高效節(jié)能環(huán)保的養(yǎng)殖系統(tǒng)。

背景技術(shù)：

隨著海水養(yǎng)殖技術(shù)水平的提高和市場(chǎng)需求的擴(kuò)大，我過(guò)水產(chǎn)養(yǎng)殖技術(shù)得到了迅速的發(fā)展。水產(chǎn)養(yǎng)殖過(guò)程中，會(huì)產(chǎn)生大量的養(yǎng)殖廢水，目前大多數(shù)的水產(chǎn)養(yǎng)殖均將這些養(yǎng)殖廢水外排，而不是采用回收利用的方法，造成了較大的浪費(fèi)，限制了養(yǎng)殖產(chǎn)能。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明提供一種高效節(jié)能環(huán)保的養(yǎng)殖系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：

一種高效節(jié)能環(huán)保的養(yǎng)殖系統(tǒng)，包括養(yǎng)殖池本體，養(yǎng)殖池本體上部設(shè)置有用隔板隔開(kāi)的蝦蟹類養(yǎng)殖池和魚(yú)類養(yǎng)殖池，養(yǎng)殖池本體的下部為沉淀區(qū)，沉淀區(qū)連通有排污泵，排污泵排出的污水經(jīng)過(guò)污水凈化裝置凈化后送回蝦蟹類養(yǎng)殖池的上部；魚(yú)類養(yǎng)殖池的側(cè)面連通有用于向養(yǎng)殖池本體送入氧氣的增氧風(fēng)機(jī)。

本發(fā)明的有益效果為：通過(guò)將蝦蟹類和魚(yú)類分開(kāi)養(yǎng)殖，將經(jīng)過(guò)凈化后的污水重新送入對(duì)水質(zhì)要求比較低的蝦蟹類養(yǎng)殖池中，提高了養(yǎng)殖產(chǎn)能，有效回收養(yǎng)殖資源，節(jié)能環(huán)保。

附圖說(shuō)明

利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明的整體結(jié)構(gòu)示意圖；

圖2是故障分析裝置的結(jié)構(gòu)框圖。

附圖標(biāo)記：

隔板-1；蝦蟹類養(yǎng)殖池-2；魚(yú)類養(yǎng)殖池-3；沉淀區(qū)-4；排污泵-5；污水凈化裝置-6；增氧風(fēng)機(jī)-7；離子式空氣凈化裝置-8；濾網(wǎng)-9；故障分析裝置-10；樣本數(shù)據(jù)采集模塊-11；振動(dòng)信號(hào)數(shù)據(jù)預(yù)處理模塊-12；歷史故障特征提取模塊-13；實(shí)時(shí)故障診斷特征向量采集模塊-14；故障診斷模型建立模塊-15；故障診斷識(shí)別模塊-16。

具體實(shí)施方式

結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。

如圖1所示的一種高效節(jié)能環(huán)保的養(yǎng)殖系統(tǒng)，包括養(yǎng)殖池本體，養(yǎng)殖池本體上部設(shè)置有用隔板1隔開(kāi)的蝦蟹類養(yǎng)殖池2和魚(yú)類養(yǎng)殖池3，養(yǎng)殖池本體的下部為沉淀區(qū)4，沉淀區(qū)4連通有排污泵5，排污泵5排出的污水經(jīng)過(guò)污水凈化裝置6凈化后送回蝦蟹類養(yǎng)殖池2的上部；魚(yú)類養(yǎng)殖池3的側(cè)面連通有用于向養(yǎng)殖池本體送入氧氣的增氧風(fēng)機(jī)7。

優(yōu)選地，增氧風(fēng)機(jī)7與離子式空氣凈化裝置8連通，養(yǎng)殖池本體的上部與下部之間用濾網(wǎng)9隔開(kāi)，污水凈化裝置6為過(guò)濾池或者微生物反應(yīng)池。

本發(fā)明上述實(shí)施例通過(guò)將蝦蟹類和魚(yú)類分開(kāi)養(yǎng)殖，將經(jīng)過(guò)凈化后的污水重新送入對(duì)水質(zhì)要求比較低的蝦蟹類養(yǎng)殖池中，提高了養(yǎng)殖產(chǎn)能，有效回收養(yǎng)殖資源，節(jié)能環(huán)保。

優(yōu)選地，增氧風(fēng)機(jī)7還包括用于診斷增氧風(fēng)機(jī)7故障的故障分析裝置10。

優(yōu)選地，所述故障分析裝置10包括依次連接的樣本數(shù)據(jù)采集模塊11、振動(dòng)信號(hào)數(shù)據(jù)預(yù)處理模塊12、歷史故障特征提取模塊13、實(shí)時(shí)故障診斷特征向量采集模塊14、故障診斷模型建立模塊15和故障診斷識(shí)別模塊16。

優(yōu)選地，所述樣本數(shù)據(jù)采集模塊11用于通過(guò)傳感器采集該增氧風(fēng)機(jī)7在正常狀態(tài)下及各種故障狀態(tài)下運(yùn)行時(shí)多個(gè)測(cè)點(diǎn)的歷史振動(dòng)信號(hào)數(shù)據(jù)。

優(yōu)選地，所述振動(dòng)信號(hào)數(shù)據(jù)預(yù)處理模塊12用于對(duì)采集到的原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理，具體為：

假設(shè)采集到的原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)集為X′，利用FIR數(shù)字濾波器按下式濾除X′的帶外分量：

其中，X為濾波后得到的歷史振動(dòng)信號(hào)數(shù)據(jù)，c為測(cè)點(diǎn)的個(gè)數(shù)，o＝1，2，3…c-1；h為FIR數(shù)字濾波器結(jié)合所用傳感器的過(guò)濾系數(shù)，且h＝τ/2f₀，其中τ為由數(shù)字濾波器自身特性決定的常數(shù)，f₀為所用傳感器的固有采集頻率。

本優(yōu)選實(shí)施例中，通過(guò)FIR濾波器進(jìn)行振動(dòng)信號(hào)濾波，能夠自適應(yīng)不同的振動(dòng)信號(hào)，消除原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)中的時(shí)域波形畸變，輸出過(guò)濾了部分噪音且沒(méi)有時(shí)域畸變的振動(dòng)信號(hào)，提高對(duì)用于診斷增氧風(fēng)機(jī)7故障的數(shù)據(jù)進(jìn)行處理的精度。

優(yōu)選地，該歷史故障特征提取模塊13用于從經(jīng)過(guò)振動(dòng)信號(hào)數(shù)據(jù)預(yù)處理模塊12過(guò)濾后的歷史振動(dòng)信號(hào)數(shù)據(jù)中提取小波包奇異值特征構(gòu)成故障診斷特征向量樣本；優(yōu)選地，該傳感器為電渦流傳感器。

優(yōu)選地，所述從經(jīng)過(guò)振動(dòng)信號(hào)數(shù)據(jù)預(yù)處理模塊12過(guò)濾后的歷史振動(dòng)信號(hào)數(shù)據(jù)中提取小波包奇異值特征構(gòu)成故障診斷特征向量樣本，具體為：

(1)設(shè)該增氧風(fēng)機(jī)7處于狀態(tài)θ時(shí)從測(cè)點(diǎn)μ測(cè)量到的一個(gè)時(shí)刻的歷史振動(dòng)信號(hào)為θ_μ(X)，μ＝1,…,c，c為測(cè)點(diǎn)的個(gè)數(shù)，對(duì)θ_μ(X)進(jìn)行K層離散小波包分解，提取第K層中的2^K個(gè)分解系數(shù)，對(duì)所有的分解系數(shù)進(jìn)行重構(gòu)，以X_j(j＝0,1,…,2^K-1)表示第K層各節(jié)點(diǎn)的重構(gòu)信號(hào)，構(gòu)建特征矩陣其中K的值根據(jù)歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定，對(duì)特征矩陣T_K進(jìn)行奇異值分解，得到該矩陣的特征向量Y_X＝(η₁，η₂,…,η_v)，其中η₁，η₂,…,η_v為由特征矩陣T_K分解的奇異值，v為由特征矩陣T_K分解的奇異值的個(gè)數(shù)，定義歷史振動(dòng)信號(hào)θ_μ(X)對(duì)應(yīng)的故障診斷特征向量為：

式中，max(Y_x)表示特征向量Y_x中的最大奇異值，min(Y_X)表示特征向量Y_x中的最小奇異值；

(2)對(duì)計(jì)算得到的故障診斷特征向量進(jìn)行篩選，排除不合格的故障診斷特征向量，設(shè)排除的不合格的故障診斷特征向量的數(shù)量為c′，則該增氧風(fēng)機(jī)7處于狀態(tài)θ時(shí)在該時(shí)刻的故障診斷特征向量樣本為：

本優(yōu)選實(shí)施例中，提取小波包奇異值特征作為故障診斷特征向量，并定義了故障診斷特征向量的特征參數(shù)，提高了對(duì)增氧風(fēng)機(jī)7進(jìn)行診斷的容錯(cuò)性，有效降低了數(shù)據(jù)噪音的影響，準(zhǔn)確率高且計(jì)算時(shí)間短。

優(yōu)選地，所述對(duì)計(jì)算得到的故障診斷特征向量進(jìn)行篩選，排除不合格的故障診斷特征向量，具體為：將該增氧風(fēng)機(jī)7處于狀態(tài)θ時(shí)在該時(shí)刻的所有計(jì)算得到的故障診斷特征向量作為該時(shí)刻的特征向量篩選樣本集，計(jì)算該特征向量篩選樣本集的標(biāo)準(zhǔn)差σ和期望值μ，則設(shè)定該增氧風(fēng)機(jī)7處于狀態(tài)θ時(shí)在該時(shí)刻的數(shù)據(jù)篩選閾值為其中為期望值μ的最大似然估計(jì)，為標(biāo)準(zhǔn)差σ的最大似然估計(jì)，若計(jì)算得到的故障診斷特征向量不滿足下列公式，則剔除該故障診斷特征向量：

本優(yōu)選實(shí)施例中，采用上述方式對(duì)計(jì)算得到的故障診斷特征向量進(jìn)行篩選，排除不合格的故障診斷特征向量，客觀科學(xué)，提高了對(duì)養(yǎng)殖系統(tǒng)的增氧風(fēng)機(jī)7進(jìn)行故障診斷的精確度。

優(yōu)選地，所述歷史故障特征提取模塊13還將剔除的不合格的故障診斷特征向量?jī)?chǔ)存到一個(gè)臨時(shí)數(shù)據(jù)儲(chǔ)存器中，當(dāng)滿足時(shí)，對(duì)歷史故障特征提取模塊13中的K值進(jìn)行進(jìn)一步修正，具體如下：如果則K的值在根據(jù)原有歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定的基礎(chǔ)上修改為K+1；如果則K的值在根據(jù)原有歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定的基礎(chǔ)上修改為K+2；其中，c為測(cè)點(diǎn)的個(gè)數(shù)，c′為不合格的故障診斷特征向量的數(shù)量，N為人為設(shè)定的整數(shù)閥值。

本優(yōu)選實(shí)施例中，能夠根據(jù)不合格的故障診斷特征向量占測(cè)點(diǎn)個(gè)數(shù)的比例，自動(dòng)調(diào)節(jié)K值，進(jìn)一步減小了不合格的故障診斷特征向量對(duì)增氧風(fēng)機(jī)7進(jìn)行故障診斷的影響，提高了故障診斷的精確度，從而能夠在增氧風(fēng)機(jī)7發(fā)生故障時(shí)及時(shí)維修，進(jìn)一步確保養(yǎng)殖系統(tǒng)的正常運(yùn)行。

優(yōu)選地，所述實(shí)時(shí)故障診斷特征向量采集模塊14用于獲取該增氧風(fēng)機(jī)7的實(shí)時(shí)故障診斷特征向量。

優(yōu)選地，所述故障診斷模型建立模塊15用于建立基于改進(jìn)的支持向量機(jī)的故障診斷模型，并使用故障診斷特征向量樣本對(duì)故障診斷模型進(jìn)行訓(xùn)練，計(jì)算出故障診斷模型參數(shù)的最優(yōu)解，得到訓(xùn)練完成的故障診斷模型；其中，所述建立基于改進(jìn)的支持向量機(jī)的故障診斷模型，包括：

(1)采用徑向基函數(shù)作為核函數(shù)，利用該核函數(shù)將該故障診斷特征向量樣本從原空間映射到高維空間，在高維空間構(gòu)造最優(yōu)決策函數(shù)實(shí)現(xiàn)故障診斷特征向量樣本分類，構(gòu)造最優(yōu)決策函數(shù)為：

式中，x為輸入的故障診斷特征向量樣本，ZY(x)為輸入的故障診斷特征向量樣本對(duì)應(yīng)的輸出，J(x)表示徑向基函數(shù)，q為權(quán)重向量，a為偏差，exp(-q²-a²)為引入的關(guān)于q和a的勢(shì)能優(yōu)化函數(shù)，為人為設(shè)定的勢(shì)能優(yōu)化函數(shù)參量，由歷史故障特征提取模塊13中的臨時(shí)數(shù)據(jù)儲(chǔ)存器的數(shù)據(jù)計(jì)算得到，其中c為測(cè)點(diǎn)的個(gè)數(shù)，c′為不合格的故障診斷特征向量的數(shù)量；

(2)定義支持向量機(jī)的目標(biāo)函數(shù)為：

支持向量機(jī)的約束條件為：

S.t y_i(qx_i+)≥1-λ_i，λ_i≥0,i＝1,…,M

式中，minY(q,a,λ_i)為支持向量機(jī)的目標(biāo)函數(shù)，C^*為優(yōu)化后的懲罰因子，M為故障診斷特征向量樣本的數(shù)量；x_i為輸入的第i個(gè)故障診斷特征向量樣本，y_i(qx_i+a)為輸入的第i個(gè)故障診斷特征向量樣本對(duì)應(yīng)的輸出，q為權(quán)重向量，a為偏差，λ_i為引入的誤差變量；

(3)求解該支持向量機(jī)的目標(biāo)函數(shù)，得到權(quán)重向量q和偏差a；

(4)以得到的權(quán)重向量q和偏差a代入最優(yōu)決策函數(shù)即為所建立的故障診斷模型。

本優(yōu)選實(shí)施例中，通過(guò)引入即故障診斷特征向量不合格率，以及關(guān)于q和a的勢(shì)能優(yōu)化函數(shù)，進(jìn)一步提高了該最優(yōu)決策函數(shù)的實(shí)際精確度，為故障診斷模型的建立提供良好的函數(shù)基礎(chǔ)，從而構(gòu)建更為精確的故障診斷模型，提高對(duì)增氧風(fēng)機(jī)7進(jìn)行故障診斷的精度。

其中通過(guò)下述方式進(jìn)行懲罰因子和所述核函數(shù)的半徑參數(shù)的值的優(yōu)化：

A、將所有故障診斷特征向量樣本平均分成互不包含的子集；

B、設(shè)定懲罰因子和所述核函數(shù)的半徑參數(shù)的值的取值范圍，對(duì)每個(gè)粒子的位置向量進(jìn)行二維編碼，產(chǎn)生初始粒子群；

C、對(duì)各粒子對(duì)應(yīng)的參數(shù)選定訓(xùn)練集進(jìn)行交叉驗(yàn)證，得到的預(yù)測(cè)模型分類準(zhǔn)確率作為粒子對(duì)應(yīng)的目標(biāo)函數(shù)值；

D、對(duì)粒子群中的粒子進(jìn)行迭代；

E、用目標(biāo)函數(shù)值評(píng)價(jià)所有粒子，當(dāng)某個(gè)粒子的當(dāng)前評(píng)價(jià)值優(yōu)于其歷史評(píng)價(jià)值時(shí)，將其作為該粒子的最優(yōu)歷史評(píng)價(jià)，記錄當(dāng)前粒子最優(yōu)位置向量；

F、尋找全局最優(yōu)解，如果其值優(yōu)于當(dāng)前歷史最優(yōu)解，則更新，達(dá)到設(shè)定的終止準(zhǔn)則時(shí)，則停止搜索，輸出最優(yōu)的懲罰因子和所述核函數(shù)的半徑參數(shù)的值，否則返回去重新搜索。

本實(shí)施例采用上述方式對(duì)懲罰因子和所述核函數(shù)的半徑參數(shù)的值進(jìn)行優(yōu)化，優(yōu)化時(shí)間相對(duì)較短，優(yōu)化效果好，從而能夠得到性能較好的支持向量機(jī)，進(jìn)一步提高對(duì)增氧風(fēng)機(jī)7進(jìn)行故障診斷的精度。

優(yōu)選地，所述故障診斷識(shí)別模塊16用于將該增氧風(fēng)機(jī)7的實(shí)時(shí)故障診斷特征向量輸入到訓(xùn)練完成的故障診斷模型中，完成故障的診斷識(shí)別。

根據(jù)上述實(shí)施例，發(fā)明人進(jìn)行了一系列測(cè)試，以下是進(jìn)行測(cè)試得到的實(shí)驗(yàn)數(shù)據(jù)，該實(shí)驗(yàn)數(shù)據(jù)表明，本發(fā)明能夠有效凈化水質(zhì)、回收養(yǎng)殖資源，節(jié)能環(huán)保，并且能夠精確、快速地對(duì)養(yǎng)殖系統(tǒng)中的增氧風(fēng)機(jī)7進(jìn)行故障檢測(cè)和維修，由此可見(jiàn)，本發(fā)明在應(yīng)用于養(yǎng)殖系統(tǒng)的有關(guān)故障檢測(cè)時(shí)產(chǎn)生了非常顯著的有益效果：

最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。