Page 144 - 《水产学报》2025年第8期

张铮，等 水产学报, 2025, 49(8): 089512

显示，PID 调节时间最长，超调量最大，分别 网络在线调整参数后，控制器的跟踪效果得到
为 1 557 s 和 9.6% (图 10)。QNN-PID 超调现象 了明显的提升。此外，使用 FSSCINET 对 DO
2.7% 和调节时间 1 062 s 相对得到改善。FSS- 调控过程的信号进行预测并引入反馈量中，使
CINET-QNN-PID 超调现象基本没有，调节时间 控制器更好地捕捉状态变化，目标追踪性能得
为 738 s，相比其他两种控制器，超调和调节时 到了改善，同时提高了响应速度。
间明显减小了。FSSCINET-QNN-PID 的跟踪控
制误差比 PID 和 QNN-PID 更小 (图 11)。 表 4 DO 设定值跟踪仿真实验结果性能比较
Tab. 4 DO setpoint tracking simulation results
量子神经网络-比例积分微分控制 QNN-PID
performance comparison
18 参考值`reference value
快速和慢速学习样本卷积交互网络 控制器 均方根误差 绝对误差积分
-量子神经网络-比例积分微分控制 controller RMSE IAE
16
FSSCINET-QNN-PID 比例积分微分控制 0.871 9 779 398.00
比例积分微分控制 PID PID
14
误差 error 量子神经网络-比例积分微分控制 0.788 6 307 959.48
QNN-PID
12
快速和慢速学习样本卷积交互网络- 0.762 6 223 710.46
量子神经网络-比例积分微分控制
10 FSSCINET-QNN-PID

8
0 1 000 2 000 3 000 4 000 5 000 6 000
时间/s 3.4 DO 调控实验
time 为验证 的可用性，在
图 10 3 种控制器的 DO 设定值跟踪曲线 FSSCINET-QNN-PID
本实验的养殖池中搭建了水产养殖物联网远程
Fig. 10 DO setpoint tracking curves for three controllers
监控系统 (图 12)。
水 产 养 殖 物 联 网 远 程 监 控 系 统 中 采 用

量子神经网络-比例积分微分控制 QNN-PID
快速和慢速学习样本卷积交互网络 STM32L471 作为微控制器，多参数水质传感器
4 -量子神经网络-比例积分微分控制
FSSCINET-QNN-PID 型号为 DO-S20，该传感器可以采集 DO、pH 和
`PID
比例积分微分控制 量程范围为 0~20.00 mg/L，分辨
2 温度数据，DO
率为 0.01 mg/L，精度为±0.4 mg/L，pH 测量范围
误差 error 0 为 4~11，精度为 0.1，温度测量范围为 0~40 ℃，
精度为±0.1 ℃，满足本实验需求。水质传感器
−2 用于采集 DO、pH 和温度数据并通过 RS485 总
线传输至微控制器，微控制器通过 MQTT 协议
0 1 000 2 000 3 000 4 000 5 000 6 000
时间/s 使用 4G 模块将数据发送至数据库进行存储。
time FSSCINET 模型和 QNN 根据实时数据输出 PID
图 11 3 种控制器的 DO 设定值跟踪误差
控制器参数和预测的 DO 值，并通过 MQTT 发
Fig. 11 DO setpoint tracking error of three controllers
送到微控制器中，微控制器使用 PID 算法调节
与经典的 PID 和 QNN-PID 控制器相比， 增氧设备的曝气流量。在养殖池中进行 DO 调
FSSCINET-QNN-PID 控制器在跟踪 DO 设定值 控验证实验，循环水入水口 DO 含量为 8.45
的实验中 RMSE 和 IAE 的性能指标表现最优 mg/L，DO 目标值设定为 10 mg/L，DO 传感器
(表 4)。结果表明，预测 PID 适合处理存在时滞 每隔 30 s 采集 1 次数据。
的工厂化养殖 DO 调控。在工厂化养殖 DO 调 使 用 PID 控 制 器 时 ， DO 含 量 先 上 升 到
控过程中，PID 控制器的参数通常由经验和计 10.7 mg/L，之后降到约 10.0 mg/L，调节时间约
算得出，由于参数设定完成后不能在线修改， 在 1 680 s (图 13)；使用 FSSCINET-QNN-PID 控
所以面对 DO 调控过程中的动态变化，在三种 制器时，调节时间约 810 s，达到设定值后波动
控制器中跟踪控制效果最差。在引入 QNN 神经 比 PID 控制器更小、更稳定。因此，FSSCINET-

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
10