Page 136 - 《水产学报》2025年第8期

张铮，等 水产学报, 2025, 49(8): 089512

应速度快等特性，在水产养殖的 DO 调控中得 提高了神经网络的快速适应能力。Liu等 [21] 设计
到了广泛应用 [7-8] 。但传统 PID 控制器的参数不 了样本卷积交互网络 (SCINET) 的神经网络模型，
能在线调整，难以快速、精确地调整 DO 含量 利用卷积和交互对不同时间分辨率的数据进行
以维持在所需的水平 。因此，部分研究人员 特征提取和信息交换，提升了预测精度。
[9]
利用神经网络等智能技术来提升 PID 控制器的 基于上述研究成果，对于工厂化水产养殖
在线调整能力。Zhou 等 [10] 利用微分进化算法 DO 调控过程中呈现出的非线性、大滞后的特
(DE) 来精确确定 PID 控制器的最佳初始增益值， 点，本研究提出一种基于快速和慢速学习样本
并结合径向基函数 (RBF) 网络，构建了一种 DE- 卷积交互网络 (FSSCINET) 预测与量子神经网
RBF-PID 控制器，并且通过曝气实验建立曝气 络 PID (QNN-PID) 相融合的 DO 调控方法。首
速率和 DO 之间的动态响应关系的传递函数模 先构建 FSSCINET 预测模型，在 SCINET 网络
型，在该模型上验证控制器性能。贺刚等 [11] 提 的基础上引入适配器模块和记忆模块进行 DO
出了一种能自动调整 PID 控制增益的模糊规则 在线预测，优化 SCINET 预测模型在复杂养殖
PID 控制器。Hanna 等 [12] 提出了一种基于量子 环境下对 DO 含量的预测精度及模型的适应能
神经网络 (QNN) 的自适应 PID 控制器，利用 力，从而应对养殖过程中的多种干扰因素。然

QNN 的强大处理能力在线调整 PID 的参数。这 后针对 DO 调控的滞后问题，将预测的 DO 值
些研究展示了如何利用智能化技术弥补 PID 控 作为 QNN-PID 的反馈，利用 QNN 的快速学习
制器在增益优化和在线调整方面的不足，为水 能力动态调整 PID 的控制参数，以期精准控制
产养殖的自动化管控提供了宝贵的参考。 DO 调控过程中的曝气流量。

为了应对控制系统存在的时滞问题，研究
人员将预测技术与经典的 PID 控制策略相结合。 1 传递函数模型构建

预测技术与各种自适应 PID 方法融合时，控制
1.1 实验场景
性能进一步提高 [13] 。Wang 等 [14] 提出了一种使
该实验在崇明裕安养殖场的数字化生态养
用史密斯 (Smith) 预估器补偿纯滞后时间的模糊
殖车间的养殖池中进行，实验过程中操作人员
分数阶 PID。He 等 [15] 提出了一种灰色预测模糊
严格遵守上海海洋大学实验动物伦理规范。实
PID，通过引入改进后的灰色预测模型消除系统
验场景如图 1 所示。水产养殖池是一个半径为
延迟。Wang 等 [16] 提出一种 PID 控制和模型预
2 m，水深为 1 m，壁厚为 0.08 m 的圆柱形容器。
测控制 (MPC) 相结合的控制方法，利用 MPC
养殖物种为大口黑鲈 (Micropterus salmoides)，
的优势改进控制系统的大滞后问题。因此，通
养殖池中约 3 000 尾幼苗，每尾平均重量为
过设计合理的预测模型，并结合自适应 PID 方
(30±2) g。在养殖池底部布置了微孔曝气盘。
法，能够有效缓解 DO 控制系统中的时滞问题，
提升控制系统的整体性能。 DO 传感器实时测量水体中的 DO 含量，并通
过 4G 网络将数据传输至监控系统。监控系统
目前，DO 预测研究受到了广泛的关注，
接收这些数据后，会对比实际测量的 DO 含量
Guo 等 [17] 提出了一种基于门控循环单元 (GRU)
与预设的期望值之间的偏差。根据这一偏差，
的组合预测模型，有效预测了鲈养殖水体中的
控制器能调节液氧的曝气流量，从而调控水体
DO 含量。Li 等 [18] 提出了一种基于长短时记忆
网络 (LSTM) 和时间卷积网络 (TCN) 的融合预
测模型，在工厂化循环水养殖车间的 DO 数据
短期和长期预测中具有良好的性能。这些研究
基于假设的理想条件，即静态数据集与恒定的
输入输出关系。但在实际应用中，数据输入输
[19]
出关系会发生变化 。频繁的重新训练模型会
限制模型的响应速率和可用性。Pham 等 [20] 提
出了一种融合快速与慢速学习机制的网络架构 图 1 养殖场景
(FSNET)，该方法实现了在线时间序列预测， Fig. 1 Breeding scene

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
2