Page 138 - 《水产学报》2025年第8期

张铮，等 水产学报, 2025, 49(8): 089512

分子多项式的根为传递函数的零点， exp(−T s) 2 FSSCINET-QNN-PID 控制器
为延迟环节， a i (i = 0,1,2,3)，b k (k = 0,1)，T 为不
确定参数，s 为拉普拉斯变换后的变量。 2.1 FSSCINET-QNN-PID 总体设计原理
将实际养殖中曝气的输入和输出数据与上 本研究引入了一种 FSSCINET-QNN-PID 控
2
述传递函数进行拟合，采用模型拟合 R ，残差 制器，主要包含 FSSCINET 预测模型、QNN 神
的自相关、互相关和阶跃响应分析评价模型的 经网络和增量式 PID 控制器 3 部分。FSSCINET-
拟合效果和模型结构复杂度，选择最终模型。 控制器连接原理图如图 所示。
QNN-PID 4

y d (k) u(k) y(k) y(k−1)

量子神经
网络
QNN

K P (k) K I (k) K D (k)

y d (k) 比例积分微 u(k) 增氧设备 被控对象
分控制器 oxygenating controlled
− PID equipment object

y(k) 快速和慢速学习样 传感器
本卷积交互网络
sensors
FSSCINET

图 4 FSSCINET-QNN-PID 控制器原理图
Fig. 4 FSSCINET-QNN-PID controller schematic diagram

传感器采集到的水质数据作为 FSSCINET 预测结果。该模型的核心 FS 模块结构如图 5-b
模型的输入，利用适配器和记忆模块动态训练 所示，主要包括下采样、扩张卷积和交互三部
预测模型参数，使 FSSCINET 能适应水体环境 分。利用下采样技术将原始水质数据集分成两
条件的实时变化，确保预测结果的准确性和时 组采样频率降低的子数据集，两组子数据集分
效性，预测的 DO 值作为控制器的反馈值。将 别通过扩张卷积进行特征提取，得到在不同时
DO 预测值、设定值、上一时刻的 DO 值和控制 间尺度上 DO 变化的差异性。之后将提取出的
值 作 为 QNN 的 输 入 ， 使 其 对 PID 控 制 器 的 特征进行信息交换，避免因下采样过程造成的
K P (k)、 K I (k)、 K D (k) 3 个参数值进行在线调整， 信息损失。其中扩张卷积结构如图 5-c 所示，
为了提升模型的适应性和训练效率，在每个扩
利用 QNN 的学习能力和非线性拟合能力，使
张卷积的卷积滤波器后加入适配器和记忆模块。
DO 调控系统适应调控过程中的动态变化，提
采用适配器通过动态调整自身参数，实现对
高控制性能。QNN 输出的 3 个参数值和 DO 预
DO 变化的快速适应，提高预测精度。采用记
测值作为 PID 控制器的输入，PID 的控制器作
忆模块存储适配器学习过程中的关键参数，避
用于增氧设备，通过调节曝气流量控制 DO 含量。
免灾难性遗忘，促进快速学习。

2.2 FSSCINET 预测模型 SCINET 模型 SCINET 和 TCN 一样基
FSSCINET 模 型 整 体 架 构 如 图 5-a 所 示 ， 于时间卷积构造，但 SCINET 利用时间序列数
采用树状结构排列多个快速慢速样本卷积和交 据下采样后时间关系可以得到很大的保留特性，
互 (FS) 模块，提取出短期和长期趋势，通过残 解决 TCN 中无法提取的复杂时间动态和时间关
[21]
差连接到原始序列中，最终通过全连接层得到 系丢失的问题 。DO 预测属于时间序列预测问
https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
4