Page 141 - 《水产学报》2025年第8期

张铮，等 水产学报, 2025, 49(8): 089512

溶解氧设定值 y d (k) ψ 1 (k) |Img(Z Cr )| 2
DO set value 1 K P (k)
×
Cr 2
ψ 2 (k) |Img(Z 2 )|
曝气流量 u(k)
aeration flow
ψ 3 (k) |Img(Z 3 )|
Cr 2
K I (k)
×
溶解氧预测值 y(k) |Img(Z Cr 4 | ) 2
ψ 4 (k)
predicted value
上一时刻的溶解氧 y(k−1) ψ 5 (k) |Img(Z 5 Cr )| 2
K D (k)
dissolved oxygen at ×
the last moment
|Img(Z Cr | ) 2
ψ 6 (k) 6
输入层 隐藏层 输出层
input layer hidden layer output layer
图 6 量子神经网络结构图
Fig. 6 QNN Structure chart

设 计 了 相 关 实 验 对 FSNET、 SCINET 和 FSS- 但 TOPTD 的残差自相关函数曲线相比其他两
CINET 进行模型的性能评价和比较。为了验证 种模型更好，因为具有更小的残差。TOPTD 的
FSSCINET-QNN-PID 控制器的性能，先结合建 阶跃响应曲线也满足需求 (图 7-e)。所以基于上
立的曝气流量与 DO 动态关系传递函数模型， 述分析，选择 TOPTD 作为 DO 调控过程的传递
在 DO 设定值跟踪仿真实验中将所提出的控制 函数模型是合理的，能够准确描述曝气流量和
器、经典 PID 控制器和 QNN-PID [12] 进行对比。 DO 含量之间的动态响应关系。表 1 列出了 5 个
最后，在实际养殖环境中进行 DO 调控实验， 传递函数模型与曝气实验中获得的数据拟合得
验证所提控制器的实际使用性能。实验基于 到的模型具体参数值。

Python、Py Torch 深度学习库和 Python control
3.2 溶解氧预测实验
库完成，操作系统为 Windows 10。

选取本实验养殖环境下 2024 年 4 月 25 日—
3.1 传递函数拟合结果
4 月 30 日的水质数据，采集间隔为30 s，共计
为了验证不同传递函数模型在描述曝气 12 156 条数据。将数据集按照 8∶2 的比例进行
过程中的准确性和适用性，将曝气实验中采 训练集和测试集划分。FSSCINET预测模型将
样的输入 (曝气流量) 和输出 (DO 含量) 数据与 DO、pH 和温度数据作为模型输入，输出为预
五个传递函数模型进行拟合 (图 7)。 测的 DO 含量。参数设置：学习率为 0.005，
拟合结果显示，TOPTD 的模型与测量数据 dropout 率设为 0.1，解码器和编码器大小设为 7，
2
的 拟 合 R 最 高 ， 达 到 84.56%。 此 外 ， 模 型 批训练大小为 64，时间步长设置为 1，预测 30 s
2
FOPTDLD 也取得了较好的拟合结果，R 值为 后的 DO 含量。
2
83.62%。FOPTD 模型拟合结果较差，R 值为 将 FSSCINET 的预测结果分别与 FSNET、
83.05%，这表示零点模型的引入能够改善系 SCINET 预测模型对比，以均方误差 (MSE)、平
统的性能 (图 7-a)。相反，SOPTD 和 SOPTDLD 均绝对误差 (MAE) 和均方根误差 (RMSE) 作为
模型未能成功拟合 (图 7-b)。对于一个满足需求 评价指标衡量预测精度。3 种模型对 DO 含量
的模型，其残差自相关函数和残差与输入变量 的预测结果如图 8 所示，DO 预测误差如图 9 所
之间的互相关函数应当呈现为在统计置信区间 示，评价指标如表 2 所示。
内 波 动 。 模 型 FOPTD、 TOPTD 和 FOPTDLD FSSCINET 相比于 FSNET 和 SCINET 在 DO
的残差相关函数曲线均在置信区间内 (图 7-c, d)， 预测方面有更好的精度，预测值和实际值偏差

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
7