一种基于动态调控效应图的鸭舍智能通风控制方法及系统

摘要: 本发明属于智慧养殖、畜禽舍环境智能调控、人工智能和自动控制,具体公开了一种基于动态调控效应图的鸭舍智能通风控制方法及系统。背景技术:1、规模化鸭舍的环境状态受到...
一种基于动态调控效应图的鸭舍智能通风控制方法及系统

本发明属于智慧养殖、畜禽舍环境智能调控、人工智能和自动控制,具体公开了一种基于动态调控效应图的鸭舍智能通风控制方法及系统。

背景技术:

1、规模化鸭舍的环境状态受到室内外温湿度、鸭群日龄与体重、养殖密度、鸭群产热产湿、垫料含水率、通风设备性能及舍内气流组织等多种因素共同影响。鸭舍通风系统不仅需要排出氨气、二氧化碳、水汽和余热,还需要避免舍温下降过快、鸭群活动区域风速过大以及局部冷风直吹等问题。鸭舍内不同调控目标之间通常存在耦合关系,例如提高风机转速能够增加通风量并降低氨气浓度,但同时可能造成舍温下降、能耗增加和鸭群冷应激;增大进风窗开度能够降低进风阻力,但可能改变舍内负压和气流落点;间歇通风能够兼顾空气交换与保温,但通风周期设置不当可能造成有害气体浓度周期性波动。

2、目前,鸭舍或禽舍环境控制领域已提出多种技术方案。例如,中国专利申请cn116029604a公开了一种基于健康舒适度的笼养肉鸭养殖环境调控方法,通过获取鸭舍内外环境监测信息和肉鸭健康表征信息,利用关联分析确定健康舒适度关键指标并构建舒适度指数,再以神经网络预测未来环境状态和舒适度指数,最后根据预测结果进行环境调控。该方法将鸭群健康表征信息纳入调控依据,在一定程度上提高了调控的科学性。然而,该方法的调控决策仍以预测值与预设阈值的偏差作为触发条件,本质上属于“偏差驱动”的阈值触发式调控,未能实现多目标协同优化;其调控输出为单一模糊控制量,未涉及风机调速、进风窗调节、间歇通风、分区通风等多种通风操作的组合策略生成与评价;此外,该方法缺乏基于实际控制响应反馈的在线学习与闭环更新机制,难以适应鸭舍结构、设备性能和养殖批次的动态变化。

3、又如,中国专利申请cn119620808a公开了一种禽舍冬季养殖环境预测及调控方法,通过时间序列分解和因果特征筛选对温度和二氧化碳进行预测,采用pid控制器分别对温度和二氧化碳进行调控,并利用遗传算法优化pid参数。该方法在一定程度上实现了温度与二氧化碳的协同控制。然而,其调控执行层仍为传统的pid反馈控制,控制律固定,无法根据鸭群日龄、养殖密度、季节等场景状态动态调整控制策略的结构和参数;其对通风操作的建模局限于单一设备(风机),未涉及进风窗开度调节、进风方向调节、间歇通风、分区通风等多类型操作的组合效应建模,也未描述不同通风操作之间的协同效应(如风机调速与进风窗开度配合可改善气流分布同时降低能耗)和抵消效应(如增大通风与保温需求之间的冲突);其优化目标仅限于温度和二氧化碳两个参数,未纳入设备负载、能源消耗、鸭群行为响应等多维度调控目标。此外,中国专利申请cn121165860a虽涉及多目标优化和自学习机制,但其调控对象为通用养殖场环境,未针对鸭舍通风操作的特殊性(风机、进风窗、间歇通风、分区通风的组合)进行专门建模;中国专利申请cn121613990a则主要聚焦于环境与饲喂的联动调控,未涉及通风操作的组合效应建模和滚动优化。

4、综上,现有技术主要存在以下不足:(1)多将养殖经验固化为固定阈值或条件-动作规则,难以描述同一调控操作在不同季节、养殖批次、鸭群状态和室外环境下产生的差异化效应;(2)通常分别分析单项设备操作,或对多项操作采用固定组合,不能有效表征风机调速、进风窗调节、进风方向调节、间歇通风和分区通风之间的协同、抵消及时序作用;(3)采用一般机器学习模型直接输出控制量,缺乏养殖知识和安全边界的约束,可能生成不满足最小安全通风量、鸭群允许风速或设备运行能力的控制策略;(4)缺乏基于实际控制响应的闭环学习机制,无法持续优化调控效应模型。

5、针对上述问题,本发明提供了一种基于养殖知识增强的动态调控效应图学习与组合控制策略滚动优化的鸭舍智能通风控制方法及系统。

技术实现思路

1、针对背景技术中提到的现有鸭舍通风控制方法存在养殖经验固化为固定阈值难以适应差异化场景、无法表征多项通风操作之间的协同与抵消效应、缺乏基于实际响应反馈的闭环学习机制等问题,本发明提供一种基于动态调控效应图的鸭舍智能通风控制方法及系统。

2、本发明包括以下技术方案:

3、本发明提供一种基于动态调控效应图的鸭舍智能通风控制方法,包括以下步骤:

4、s1:数据获取与知识获取。

5、获取养殖知识单元、鸭舍历史环境数据、室外气象数据、鸭群状态数据、设备历史操作数据及操作执行前后的响应数据;所述养殖知识单元至少包括适用场景、调控操作、预期效应、安全约束、设备互锁关系和操作时序关系。

6、所述鸭舍历史数据包括温度、相对湿度、氨气浓度、二氧化碳浓度、风速、压差和垫料含水率中的一种或多种;所述设备历史操作数据包括风机启停状态、风机转速、风机电流、风机功率、进风窗开度和进风口方向中的一种或多种;所述响应数据包括环境状态变化量、鸭群行为变化量、设备负载变化量和能源消耗量中的一种或多种。

7、所述养殖知识单元还包括初始环境状态、操作执行强度、操作持续时间、潜在副效应和知识置信度。养殖知识单元分为硬约束知识和软先验知识两类:硬约束知识用于确定不可在线修改的养殖安全边界、设备能力边界、设备互锁关系和方向锁定效应边;软先验知识用于初始化所述有向调控效应边和高阶交互关系的可学习参数,并允许根据运行数据进行限幅更新。所述养殖知识单元不直接作为固定通风控制方案输出,而是用于确定动态调控效应图的初始节点、连接关系、作用方向、参数范围和安全边界。

8、s2:效应图构建。

9、根据所述养殖知识单元和历史运行数据,构建动态调控效应图。所述效应图表示为式(1):

10、

11、其中,为动态调控效应图,为节点集合,为有向调控效应边集合,为高阶交互关系集合,为边和高阶交互关系的参数集合。所述节点集合表示为式(2):

12、

13、其中,为场景节点,为状态节点,为操作节点,为响应节点。

14、所述场景节点包括鸭舍季节、养殖批次、鸭群日龄、体重和养殖密度中的至少一种;所述状态节点包括鸭舍温度、相对湿度、氨气浓度、二氧化碳浓度、风速、压差、垫料含水率和鸭群行为状态中的至少一种;所述操作节点包括风机启停、风机转速调节、进风窗开度调节、进风方向调节、间歇通风和分区通风中的至少一种;所述响应节点包括环境状态变化量、鸭群行为变化量、设备负载变化量和能源消耗量中的至少一种。

15、所述有向调控效应边连接操作节点与状态节点或响应节点,用于表征单项调控操作相对于无新增控制干预基线的变化量。有向调控效应边至少包括起始节点、终止节点、效应方向、效应强度、响应时延、效应持续时间、效应衰减参数和适用场景。当前时刻的边权按照式(3)确定:

16、

17、其中,为当前时刻操作节点至状态节点或响应节点的边权;为场景状态,所述场景节点包括鸭舍季节、养殖批次、鸭群日龄、体重和养殖密度中的至少一种;为鸭舍综合状态,所述状态节点包括鸭舍温度、相对湿度、氨气浓度、二氧化碳浓度、风速、压差、垫料含水率和鸭群行为状态中的至少一种;为第项调控操作,所述操作节点包括风机启停、风机转速调节、进风窗开度调节、进风方向调节、间歇通风和分区通风中的至少一种。

18、所述高阶交互关系同时连接至少两个操作节点与至少一个状态节点或响应节点,用于表征多项调控操作之间的协同效应、抵消效应或时序效应。高阶交互关系至少包括参与调控操作集合、操作执行顺序、操作时间间隔、交互效应方向、交互效应强度和交互效应置信度。

19、操作集合的交互效应按照式(4)确定:

20、

21、其中,为操作集合的交互效应向量,为操作集合执行后相对于无新增控制干预基线产生的实际状态变化向量,为操作集合中第项操作的单项调控效应向量。当与单项调控效应方向一致且绝对值增大时,确定为协同效应;当使综合调控效应减弱或改变方向时,确定为抵消效应;当操作执行顺序或时间间隔引起不同响应结果时,确定为时序效应。

22、为每类节点构建初始特征向量,并通过线性映射将场景节点、状态节点、操作节点和响应节点统一映射为维节点特征,如式(5)所示:

23、

24、其中,为节点的原始特征,为节点类型,和为对应节点类型的映射参数。

25、在一种实施方式中,采用有向图神经网络、图注意力网络或超图神经网络,根据相邻节点信息和高阶交互关系更新节点特征,如式(6)所示:

26、

27、其中,为节点的相邻节点集合,为包含节点的高阶交互关系集合,和分别为边注意力权重和高阶交互权重,为非线性激活函数。

28、s3:基线预测。

29、获取鸭舍当前环境状态、鸭群状态、室外气象状态和设备运行状态,在维持当前设备运行状态及预设安全通风控制不变、且不叠加候选增量操作的条件下,预测未来预设时域内的基线环境状态。将当前鸭舍多区域环境数据、鸭群状态、场景信息和设备状态进行融合,形成鸭舍综合状态。将鸭舍划分为多个环境监测区域,以各区域作为空间节点,根据区域位置关系和气流连通关系建立区域连接边。根据各区域连续采样时刻的环境数据、鸭群状态和设备操作,通过时空预测模型获得未来预设时域内各区域的基线环境状态和鸭群风险预测结果。

30、根据连续多个采样时刻的鸭舍综合状态和历史设备操作,通过时间序列预测模型、状态空间模型或时空图预测模型,获得未来预设时域内的环境状态和鸭群风险,如式(7)所示:

31、

32、其中,为历史观测窗口长度,为预测时域,为历史调控操作序列,为当前场景状态。

33、s4:策略生成。

34、根据当前状态、基线环境状态、调控目标和设备剩余调节能力,生成多个候选组合控制序列,并剔除违反设备能力边界、设备互锁关系、养殖安全边界或控制变化速率约束的候选组合控制序列。

35、第个候选组合控制策略表示为式(8):

36、

37、其中,为第个候选组合控制策略,为操作类型,为执行强度,为控制周期序号,为持续时间,为候选策略包含的操作数量。所述候选组合控制策略通过操作组合、执行强度配置和控制周期排列生成,并剔除违反设备互锁关系或安全约束的序列。操作执行顺序由控制周期的排列顺序确定,操作持续时间由相同或相近操作连续占据的控制周期数量确定。

38、根据当前场景和状态特征,通过权重生成网络获得各单项效应和交互效应的状态相关权重,如式(9)和式(10)所示:

39、

40、其中,为当前场景节点特征、状态节点特征及候选操作特征的拼接结果,为第项单项调控效应权重,为第项高阶交互效应权重。

41、s5:效应预测与评价。

42、基于所述动态调控效应图,按照各操作的响应时延、持续时间和效应衰减过程,预测各候选组合控制序列在未来各控制周期产生的增量效应,将所述增量效应叠加至所述基线环境状态,获得各候选组合控制序列对应的干预后预测状态,并计算综合评价值。候选组合控制策略的预测增量效应按照式(11)获得:

43、

44、其中,为候选组合控制策略在第个控制周期的预测增量效应,为第项操作在第个控制周期的单项调控效应,为第个高阶交互关系在第个控制周期的交互效应,和分别为对应效应权重,为候选组合控制策略包含的操作数量,为激活的高阶交互关系数量。

45、将所述预测增量效应与无新增控制干预条件下的基线预测状态按照式(12)叠加:

46、

47、其中,为候选组合控制策略对应的干预后预测状态,为无新增控制干预条件下的基线预测状态。

48、得到候选组合控制策略对应的干预后预测状态后,计算综合评价值。所述综合评价值根据温度偏差、湿度偏差、有害气体风险、鸭群应激风险、设备运行负载和能源消耗中的至少一种确定,按照式(13)计算:

49、

50、其中,为预测时域,为温度调控代价,为湿度调控代价,为氨气和二氧化碳形成的空气质量风险代价,为鸭群热应激、冷应激或气流刺激风险代价,为设备负载及频繁启停代价,为能源消耗代价,至为根据养殖阶段和场景状态确定的评价权重。各项评价权重根据当前养殖阶段和场景状态动态调整。例如,在氨气快速上升场景下提高空气质量风险权重,在育雏期低温场景下提高温度和冷应激风险权重。

51、s6:滚动优化与执行。

52、在最小安全通风量、鸭群活动区域风速、鸭舍压差、设备控制范围及设备变化速率约束下,确定综合评价值最优的目标控制序列,仅执行所述目标控制序列中当前控制周期对应的控制操作,并在下一控制时刻重新获取状态和求解目标控制序列。所述安全约束至少包括式(14):

53、

54、

55、

56、其中,为当前通风量,为根据鸭群数量、平均体重和空气质量确定的最小安全通风量;为鸭群活动区域的预测风速,为当前日龄鸭群对应的允许风速上限;和分别为对应设备控制量的下限和上限,为第个设备在时刻的控制量。

57、将综合评价值最优且满足安全约束的候选组合控制策略按照式(15)确定为目标控制序列:

58、

59、其中,为目标控制序列,为满足养殖安全边界和设备能力约束的控制策略集合。

60、所述滚动优化包括:在当前控制时刻,对未来预设时域内的多个候选组合控制策略进行效应预测和综合评价,确定综合评价值最优且满足安全约束的目标控制序列;仅执行所述目标控制序列中当前控制周期对应的首个操作向量;在下一控制时刻,根据新获得的环境数据、鸭群状态和设备响应更新鸭舍综合状态,并重新生成和优化后续组合控制策略。

61、将目标控制序列中的当前周期操作转换为通风设备控制指令并发送至执行设备。所述控制指令至少包括:风机启停指令、风机目标转速、进风窗目标开度、进风方向或导流装置角度、风机运行时间、风机停止时间以及分区通风设备组合中的一种或多种。设备控制指令通过可编程逻辑控制器、边缘控制器或工业计算机发送至对应执行设备。

62、s7:反馈更新。

63、获取控制执行后的实际环境响应、鸭群响应和设备响应,计算实际响应与预测响应之间的偏差,基于归一化反事实贡献度将所述偏差分配至对应的有向调控效应边和高阶交互关系,对可学习参数进行限幅更新;更新后的参数首先进入待验证模型,在通过预测精度、安全约束和稳定性验证后再替换当前运行模型;安全硬约束、设备物理边界和紧急控制规则不随在线学习过程改变。

64、控制执行后,采集实际环境响应、鸭群行为响应、设备响应和能源消耗,并计算实际响应与预测响应之间的偏差。根据完整组合策略实际效果与移除单项操作或高阶交互关系后的预测结果之间的差异,确定各单项操作和组合关系的归一化反事实贡献度。当对应效应参数置信度不低于预设置信度阈值,且相似场景历史样本数量不低于预设样本阈值时,基于所述归一化反事实贡献度将实际响应偏差分配至相应有向调控效应边或高阶交互关系;当所述置信度或历史样本数量不满足预设条件时,暂停边级在线更新,并将对应控制样本存入待校准样本集。

65、根据响应偏差、效果贡献度和数据可靠性,对软先验知识对应的有向调控效应边的效应强度、响应时延、效应持续时间和置信度,以及高阶交互关系的交互效应强度和置信度进行限幅更新。当实际响应数据的可靠性、对应效应参数置信度或历史样本充分性中的任一项低于预设条件时,暂停对应参数在线更新。当更新后的动态调控效应图在连续多个控制周期内导致预测误差增加或安全风险上升时,将相应效应参数恢复至更新前的稳定版本。

66、安全硬约束和物理锁定的效应边不随在线更新改变。养殖安全边界、设备硬约束、鸭群安全边界和方向锁定效应边不随在线学习过程自动修改。硬约束知识、最小安全通风量、设备硬约束、鸭群允许风速以及紧急通风条件保持固定,确保智能优化过程的安全稳定。

67、本发明还提供一种基于动态调控效应图的鸭舍智能通风控制系统,包括:

68、数据采集模块,用于采集鸭舍多区域环境数据、室外气象数据、鸭群状态数据和设备运行数据。所述环境数据采集模块包括部署于鸭舍前部、中部、后部及鸭群活动高度各环境监测区域的温湿度传感器、氨气传感器、风速传感器、二氧化碳传感器、压差传感器和垫料含水率传感器。

69、鸭群状态获取模块,用于获取鸭群养殖批次信息和鸭群行为状态。所述鸭群状态获取模块包括设置于鸭舍顶部或侧墙的摄像头和声音传感器,用于获取鸭群分布、聚集、张口呼吸、展翅行为和异常叫声特征。

70、设备状态采集模块,用于获取风机和进风设备的运行状态,包括风机启停状态、风机转速、风机电流、风机功率、进风窗开度、进风口方向、设备故障状态和设备累计运行时间。

71、养殖知识处理模块,用于将养殖专家经验处理为场景、调控操作、预期效应、副效应、安全约束和操作交互关系,形成养殖知识单元。

72、动态调控效应图学习模块,用于构建和更新场景节点、状态节点、操作节点、响应节点、有向加权边及高阶交互关系,执行步骤s2中的动态调控效应图构建与更新操作。

73、无新增控制干预基线预测模块,用于构建鸭舍综合状态并预测未来预设时域内的鸭舍环境状态和鸭群风险,执行步骤s3中的基线预测操作。

74、组合策略生成模块,用于生成包含操作类型、执行强度、执行顺序和持续时间的候选组合控制策略,执行步骤s4中的候选组合控制策略生成操作。

75、效应预测与滚动优化模块,用于预测候选组合控制策略的调控效应,计算综合评价值,并在养殖安全边界和设备能力约束下确定目标组合控制策略,执行步骤s5和s6中的效应预测与滚动优化操作。

76、设备控制模块,用于将目标序列中的当前周期操作转换为设备控制指令并发送至执行设备。所述控制指令至少包括风机启停指令、风机目标转速、进风窗目标开度、进风方向或导流装置角度、风机运行时间、风机停止时间及分区通风设备组合中的一种或多种。

77、反馈更新模块,用于根据实际响应与预测响应的偏差更新所述动态调控效应图中的可学习参数,执行步骤s7中的反馈更新操作。

78、上述模块可部署于同一工业计算机或边缘计算设备,也可分别部署于鸭舍现场控制器和远程服务器。涉及最小安全通风、设备保护和紧急排风的功能优先部署于现场控制器,以便在网络中断时维持基本通风安全。

79、相比于现有技术,本发明具有以下有益效果:

80、(1)养殖知识增强,场景自适应调控。本发明融合养殖经验、历史监测数据、设备操作记录及控制响应,学习不同季节、批次和鸭群状态下各类通风操作的实际调控效应,避免将经验固化为固定阈值或控制规则。通过场景节点和状态节点的动态感知,同一调控操作的效应强度随当前场景状态自适应调整,提高了调控决策的场景适配能力。

81、(2)组合效应建模,预测精度提升。本发明通过动态调控效应图表征单项操作对环境、鸭群状态、设备负载和能耗的影响,并通过高阶交互关系描述多项操作之间的协同、抵消及时序效应。组合操作的实际效果通过公式(4)计算交互效应,弥补了简单叠加预测的偏差,提高了组合控制效果预测的准确性。

82、(3)策略自主优化,多目标协同决策。本发明根据鸭舍实时状态和未来变化趋势,自主生成包含操作类型、执行强度、执行顺序和持续时间的候选策略组合,并通过公式(13)的综合评价函数在温度、湿度、空气质量、鸭群应激、设备负载和能耗多维度间进行权衡,在养殖安全边界和设备能力约束下进行滚动优化,实现了多目标的协同决策。

83、(4)闭环在线学习,持续适应优化。本发明根据实际响应与预测响应之间的偏差,更新单项调控效应、组合交互效应及其置信度,使系统持续适应鸭舍结构、设备性能和养殖批次变化。通过限幅更新和参数回滚机制,在保证学习能力的同时避免因异常数据导致的模型退化。

84、(5)安全性与适应性兼顾。本发明通过最小安全通风量约束(公式14a)、鸭群允许风速约束(公式14b)和设备能力约束(公式14c)构建多重安全防护体系,结合硬约束知识与软先验知识的分离设计、异常数据识别和参数回滚机制,保证智能优化过程的安全稳定,提高了鸭舍环境调控的适应性、协同性和可靠性。