一種高效節能環保的養殖系統的制作方法

本發明涉及水產養殖領域，具體涉及一種高效節能環保的養殖系統。

背景技術：

隨著海水養殖技術水平的提高和市場需求的擴大，我過水產養殖技術得到了迅速的發展。水產養殖過程中，會產生大量的養殖廢水，目前大多數的水產養殖均將這些養殖廢水外排，而不是采用回收利用的方法，造成了較大的浪費，限制了養殖產能。

技術實現要素：

針對上述問題，本發明提供一種高效節能環保的養殖系統。

本發明的目的采用以下技術方案來實現：

一種高效節能環保的養殖系統，包括養殖池本體，養殖池本體上部設置有用隔板隔開的蝦蟹類養殖池和魚類養殖池，養殖池本體的下部為沉淀區，沉淀區連通有排污泵，排污泵排出的污水經過污水凈化裝置凈化后送回蝦蟹類養殖池的上部；魚類養殖池的側面連通有用于向養殖池本體送入氧氣的增氧風機。

本發明的有益效果為：通過將蝦蟹類和魚類分開養殖，將經過凈化后的污水重新送入對水質要求比較低的蝦蟹類養殖池中，提高了養殖產能，有效回收養殖資源，節能環保。

附圖說明

利用附圖對本發明作進一步說明，但附圖中的實施例不構成對本發明的任何限制，對于本領域的普通技術人員，在不付出創造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。

圖1是本發明的整體結構示意圖；

圖2是故障分析裝置的結構框圖。

附圖標記：

隔板-1；蝦蟹類養殖池-2；魚類養殖池-3；沉淀區-4；排污泵-5；污水凈化裝置-6；增氧風機-7；離子式空氣凈化裝置-8；濾網-9；故障分析裝置-10；樣本數據采集模塊-11；振動信號數據預處理模塊-12；歷史故障特征提取模塊-13；實時故障診斷特征向量采集模塊-14；故障診斷模型建立模塊-15；故障診斷識別模塊-16。

具體實施方式

結合以下實施例對本發明作進一步描述。

如圖1所示的一種高效節能環保的養殖系統，包括養殖池本體，養殖池本體上部設置有用隔板1隔開的蝦蟹類養殖池2和魚類養殖池3，養殖池本體的下部為沉淀區4，沉淀區4連通有排污泵5，排污泵5排出的污水經過污水凈化裝置6凈化后送回蝦蟹類養殖池2的上部；魚類養殖池3的側面連通有用于向養殖池本體送入氧氣的增氧風機7。

優選地，增氧風機7與離子式空氣凈化裝置8連通，養殖池本體的上部與下部之間用濾網9隔開，污水凈化裝置6為過濾池或者微生物反應池。

本發明上述實施例通過將蝦蟹類和魚類分開養殖，將經過凈化后的污水重新送入對水質要求比較低的蝦蟹類養殖池中，提高了養殖產能，有效回收養殖資源，節能環保。

優選地，增氧風機7還包括用于診斷增氧風機7故障的故障分析裝置10。

優選地，所述故障分析裝置10包括依次連接的樣本數據采集模塊11、振動信號數據預處理模塊12、歷史故障特征提取模塊13、實時故障診斷特征向量采集模塊14、故障診斷模型建立模塊15和故障診斷識別模塊16。

優選地，所述樣本數據采集模塊11用于通過傳感器采集該增氧風機7在正常狀態下及各種故障狀態下運行時多個測點的歷史振動信號數據。

優選地，所述振動信號數據預處理模塊12用于對采集到的原始歷史振動信號數據進行預處理，具體為：

假設采集到的原始歷史振動信號數據集為X′，利用FIR數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信號數據，c為測點的個數，o＝1，2，3…c-1；h為FIR數字濾波器結合所用傳感器的過濾系數，且h＝τ/2f₀，其中τ為由數字濾波器自身特性決定的常數，f₀為所用傳感器的固有采集頻率。

本優選實施例中，通過FIR濾波器進行振動信號濾波，能夠自適應不同的振動信號，消除原始歷史振動信號數據中的時域波形畸變，輸出過濾了部分噪音且沒有時域畸變的振動信號，提高對用于診斷增氧風機7故障的數據進行處理的精度。

優選地，該歷史故障特征提取模塊13用于從經過振動信號數據預處理模塊12過濾后的歷史振動信號數據中提取小波包奇異值特征構成故障診斷特征向量樣本；優選地，該傳感器為電渦流傳感器。

優選地，所述從經過振動信號數據預處理模塊12過濾后的歷史振動信號數據中提取小波包奇異值特征構成故障診斷特征向量樣本，具體為：

(1)設該增氧風機7處于狀態θ時從測點μ測量到的一個時刻的歷史振動信號為θ_μ(X)，μ＝1,…,c，c為測點的個數，對θ_μ(X)進行K層離散小波包分解，提取第K層中的2^K個分解系數，對所有的分解系數進行重構，以X_j(j＝0,1,…,2^K-1)表示第K層各節點的重構信號，構建特征矩陣其中K的值根據歷史經驗和實際情況結合確定，對特征矩陣T_K進行奇異值分解，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分解的奇異值的個數，定義歷史振動信號θ_μ(X)對應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)對計算得到的故障診斷特征向量進行篩選，排除不合格的故障診斷特征向量，設排除的不合格的故障診斷特征向量的數量為c′，則該增氧風機7處于狀態θ時在該時刻的故障診斷特征向量樣本為：

本優選實施例中，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，提高了對增氧風機7進行診斷的容錯性，有效降低了數據噪音的影響，準確率高且計算時間短。

優選地，所述對計算得到的故障診斷特征向量進行篩選，排除不合格的故障診斷特征向量，具體為：將該增氧風機7處于狀態θ時在該時刻的所有計算得到的故障診斷特征向量作為該時刻的特征向量篩選樣本集，計算該特征向量篩選樣本集的標準差σ和期望值μ，則設定該增氧風機7處于狀態θ時在該時刻的數據篩選閾值為其中為期望值μ的最大似然估計，為標準差σ的最大似然估計，若計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：

本優選實施例中，采用上述方式對計算得到的故障診斷特征向量進行篩選，排除不合格的故障診斷特征向量，客觀科學，提高了對養殖系統的增氧風機7進行故障診斷的精確度。

優選地，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儲存到一個臨時數據儲存器中，當滿足時，對歷史故障特征提取模塊13中的K值進行進一步修正，具體如下：如果則K的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為K+1；如果則K的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為K+2；其中，c為測點的個數，c′為不合格的故障診斷特征向量的數量，N為人為設定的整數閥值。

本優選實施例中，能夠根據不合格的故障診斷特征向量占測點個數的比例，自動調節K值，進一步減小了不合格的故障診斷特征向量對增氧風機7進行故障診斷的影響，提高了故障診斷的精確度，從而能夠在增氧風機7發生故障時及時維修，進一步確保養殖系統的正常運行。

優選地，所述實時故障診斷特征向量采集模塊14用于獲取該增氧風機7的實時故障診斷特征向量。

優選地，所述故障診斷模型建立模塊15用于建立基于改進的支持向量機的故障診斷模型，并使用故障診斷特征向量樣本對故障診斷模型進行訓練，計算出故障診斷模型參數的最優解，得到訓練完成的故障診斷模型；其中，所述建立基于改進的支持向量機的故障診斷模型，包括：

(1)采用徑向基函數作為核函數，利用該核函數將該故障診斷特征向量樣本從原空間映射到高維空間，在高維空間構造最優決策函數實現故障診斷特征向量樣本分類，構造最優決策函數為：

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應的輸出，J(x)表示徑向基函數，q為權重向量，a為偏差，exp(-q²-a²)為引入的關于q和a的勢能優化函數，為人為設定的勢能優化函數參量，由歷史故障特征提取模塊13中的臨時數據儲存器的數據計算得到，其中c為測點的個數，c′為不合格的故障診斷特征向量的數量；

(2)定義支持向量機的目標函數為：

支持向量機的約束條件為：

S.t y_i(qx_i+)≥1-λ_i，λ_i≥0,i＝1,…,M

式中，minY(q,a,λ_i)為支持向量機的目標函數，C^*為優化后的懲罰因子，M為故障診斷特征向量樣本的數量；x_i為輸入的第i個故障診斷特征向量樣本，y_i(qx_i+a)為輸入的第i個故障診斷特征向量樣本對應的輸出，q為權重向量，a為偏差，λ_i為引入的誤差變量；

(3)求解該支持向量機的目標函數，得到權重向量q和偏差a；

(4)以得到的權重向量q和偏差a代入最優決策函數即為所建立的故障診斷模型。

本優選實施例中，通過引入即故障診斷特征向量不合格率，以及關于q和a的勢能優化函數，進一步提高了該最優決策函數的實際精確度，為故障診斷模型的建立提供良好的函數基礎，從而構建更為精確的故障診斷模型，提高對增氧風機7進行故障診斷的精度。

其中通過下述方式進行懲罰因子和所述核函數的半徑參數的值的優化：

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、設定懲罰因子和所述核函數的半徑參數的值的取值范圍，對每個粒子的位置向量進行二維編碼，產生初始粒子群；

C、對各粒子對應的參數選定訓練集進行交叉驗證，得到的預測模型分類準確率作為粒子對應的目標函數值；

D、對粒子群中的粒子進行迭代；

E、用目標函數值評價所有粒子，當某個粒子的當前評價值優于其歷史評價值時，將其作為該粒子的最優歷史評價，記錄當前粒子最優位置向量；

F、尋找全局最優解，如果其值優于當前歷史最優解，則更新，達到設定的終止準則時，則停止搜索，輸出最優的懲罰因子和所述核函數的半徑參數的值，否則返回去重新搜索。

本實施例采用上述方式對懲罰因子和所述核函數的半徑參數的值進行優化，優化時間相對較短，優化效果好，從而能夠得到性能較好的支持向量機，進一步提高對增氧風機7進行故障診斷的精度。

優選地，所述故障診斷識別模塊16用于將該增氧風機7的實時故障診斷特征向量輸入到訓練完成的故障診斷模型中，完成故障的診斷識別。

根據上述實施例，發明人進行了一系列測試，以下是進行測試得到的實驗數據，該實驗數據表明，本發明能夠有效凈化水質、回收養殖資源，節能環保，并且能夠精確、快速地對養殖系統中的增氧風機7進行故障檢測和維修，由此可見，本發明在應用于養殖系統的有關故障檢測時產生了非常顯著的有益效果：

最后應當說明的是，以上實施例僅用以說明本發明的技術方案，而非對本發明保護范圍的限制，盡管參照較佳實施例對本發明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的實質和范圍。