一种可预测生长趋势的浮游植物自动培养装置及方法与流程

1.本发明涉及浮游植物培养技术领域，特别涉及一种可预测生长趋势的浮游植物自动培养装置及方法。


背景技术：

2.浮游植物是原生生物界一类真核生物(有些也为原核生物，如蓝藻门的浮游植物)，主要水生，无维管束，能进行光合作用。
3.然而浮游植物尤其是蓝藻门发生水华，会降低水体中氧气，从而影响水生动物的生存，造成环境污染，研究浮游植物生长动力学规律，可以提前预知其生长趋势，并合理的对其进行提前控制，以科学可控的控制其生长，是现有环境一直要解决的问题。
4.因而现提出一种可预测生长趋势的浮游植物自动培养装置及方法，以实现浮游植物的高效、科学、可控的培养和预测。


技术实现要素：

5.本发明解决了相关技术中的问题，提出一种可预测生长趋势的浮游植物自动培养装置及方法，通过在光温控制培养器内设置多组浮游植物培养模块，对浮游植物进行自动培养，并通过浮游植物培养监测系统进行ph监测、do监测、叶绿素a监测、cond监测和dtn监测，并将监测的数据通过数据传输器传输至计算机内，通过计算机预测系统进行模型预测，利用原有数据建立模型，预测浮游植物生长趋势，并对藻液ph和do过高和过低的情况进行报警提示。
6.为了解决上述技术问题，本发明是通过以下技术方案实现的：一种可预测生长趋势的浮游植物自动培养装置，包括：
7.浮游植物自动培养系统，包括光温控制培养器和设置在光温控制培养器内的多组浮游植物培养模块；
8.浮游植物培养监测系统，包括计算机、自动监测器和数据传输器，各所述浮游植物培养模块内均设置有自动监测器，各所述自动监测器与数据传输器相连；
9.计算机预测系统，包括计算机，用于进行模型预测和报警提示。
10.作为优选方案，所述光温控制培养器内设有恒温控制机构，所述光温控制培养器侧壁安装有光源，以进行浮游植物培养环境的光照和温度控制。
11.作为优选方案，所述浮游植物培养模块包括定时自动曝气机构、透明培养皿、ph调节管、循环管和蠕动机构，所述自动曝气机构底端连通在透明培养皿底部，所述ph调节管一端插入透明培养皿内，所述蠕动机构连通透明培养皿和循环管。
12.作为优选方案，所述自动监测器上设置有多个与透明培养皿内部连接的探头。
13.作为优选方案，所述自动监测器对透明培养皿内进行ph监测、do监测、叶绿素a监测、cond监测和dtn监测，并将监测的数据通过数据传输器传输至计算机内，通过建立模型，预测浮游植物生长趋势，并对藻液ph和do过高和过低的情况进行报警提示。
14.本发明的另一方面，还提供一种可预测生长趋势的浮游植物自动培养方法，步骤如下：
15.s1、进行至少3轮浮游植物自动培养，其中，每一轮至少设置3组生长环境数据不同的浮游植物进行培养，且每一轮中各对应组的生长环境数据均相同；
16.s2、计算机将s1中各轮浮游植物自动培养中每组的数据保存，并计算多轮浮游植物自动培养对应组的平均值；
17.s3、根据s2中得到的数值，采用小波分解耦合gru神经网络的方法建立神经网络模型；
18.s4、测定湖泊中浮游植物生长环境数据后，并再次取一个光温控制培养器，内置至少3组浮游植物培养模块，且各组浮游植物培养模块内的生长环境数据均相同，且各个数值均与测定的湖泊中的浮游植物生长环境数据值相同；
19.s5、监测至少10天，对比s4中光温控制培养器内的各组浮游植物的生长环境数据值，与所测定的s4中提取的湖泊中浮游植物各生长环境数据数值，取最接近湖泊浮游植物各生长环境数据值的几组，利用s3中建立的神经网络模型，来预测湖泊中浮游植物生长变化；
20.s6、通过s5中得出的s4中湖泊中的浮游植物生长变化预测情况，及s3中建立的神经网络模型，对s4中湖泊内浮游植物环境数据值进行调整，以达到控制浮游植物生长的目的。
21.作为优选方案，s3中神经网络模型的建立过程如下：
22.(1)读取计算机4中存储的监测数据，利用小波分解算法对监测数据进行清洗，分离数据噪声，将降噪后的ph、do、cond作为神经网络模型的输入变量，叶绿素a作为神经网络的输出变量，按照7:3比例将数据集划分为训练集和测试集；
23.(2)建立神经网络gru模型，搭建模型结构；
24.(3)输入训练集数据，利用机器学习自动调参aco算法调整模型参数；
25.(4)输入测试集数据，验证模型精度；
26.(5)保存模型结构和参数至计算机4中；
27.(6)读取计算机4中保存的神经网络模型结构和参数，输入监测数据，预测叶绿素a浓度值。
28.作为优选方案，生长环境数据包括ph值、do值、叶绿素a值、cond值和氮磷碳值。
29.与现有技术相比，本发明的有益效果是：本发明通过在光温控制培养器内设置多组浮游植物培养模块，对浮游植物进行自动培养，并通过浮游植物培养监测系统进行ph监测、do监测、叶绿素a监测、cond监测和dtn监测，并将监测的数据通过数据传输器传输至计算机内，通过计算机预测系统进行模型预测，利用原有数据建立模型，预测浮游植物生长趋势，并对藻液ph和do过高和过低的情况进行报警提示，则本发明通过存储分析各培养系统的数据值，结合模型，可以对相同比例数据生长的浮游植物进行科学的培养控制。
附图说明
30.图1是本发明的结构示意图。
31.图中：
32.1、光温控制培养器，2、数据传输器，3、光源，4、计算机，5、恒温控制机构，6、自动监测器，7、探头，8、定时自动曝气机构，9、透明培养皿，10、ph调节管，11、循环管，12、蠕动机构。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
35.除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
36.在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
37.为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
38.此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
39.实施例1
40.如图1所示，一种可预测生长趋势的浮游植物自动培养装置，包括浮游植物自动培养系统、浮游植物培养监测系统和计算机预测系统，其中，浮游植物自动培养系统包括光温控制培养器1和设置在光温控制培养器1内的多组浮游植物培养模块；浮游植物培养监测系统包括计算机4、自动监测器6和数据传输器2，各浮游植物培养模块内均设置有自动监测器6，各自动监测器6与数据传输器2相连；计算机预测系统包括计算机4，用于进行模型预测和报警提示。
41.在一个实施例中，光温控制培养器1内设有恒温控制机构5，光温控制培养器1侧壁安装有光源3，以进行浮游植物培养环境的光照和温度控制。
42.在一个实施例中，浮游植物培养模块包括定时自动曝气机构8、透明培养皿9、ph调节管10、循环管11和蠕动机构12，自动曝气机构8底端连通在透明培养皿9底部，自动调节水体中的溶解氧浓度；ph调节管10一端插入透明培养皿9内，蠕动机构12连通透明培养皿9和循环管11，用于扰动藻液。
43.在一个实施例中，自动监测器6上设置有多个与透明培养皿9内部连接的探头7，用于探测透明培养皿9内藻液的情况。
44.在一个实施例中，自动监测器6对透明培养皿9内进行ph监测、do监测、叶绿素a监测、cond监测和dtn监测，并将监测的数据通过数据传输器2传输至计算机4内，通过建立模型，预测浮游植物生长趋势，并对藻液ph和do过高和过低的情况进行报警提示，当藻液中藻液ph和do过高时，计算机4控制扬声器发出鸣叫声。
45.实施例2
46.一种可预测生长趋势的浮游植物自动培养方法，步骤如下：
47.s1、进行至少3轮浮游植物自动培养，其中，每一轮至少设置3组生长环境数据(其中，生长环境数据包括ph值、do值、叶绿素a值、cond值和氮磷碳值)不同的浮游植物进行培养，且每一轮中各对应组的生长环境数据均相同；
48.s2、计算机将s1中各轮浮游植物自动培养中每组的数据保存，并计算多轮浮游植物自动培养对应组的平均值；
49.s3、根据s2中得到的数值，采用小波分解耦合gru神经网络的方法建立神经网络模型；
50.s4、测定湖泊中浮游植物生长环境数据(其中，生长环境数据包括ph值、do值、叶绿素a值、cond值和氮磷碳值)后，并再次取一个光温控制培养器，内置至少3组浮游植物培养模块，且各组浮游植物培养模块内的生长环境数据均相同，且各个数值均与测定的湖泊中的浮游植物生长环境数据值相同；
51.s5、监测至少10天，对比s4中光温控制培养器内的各组浮游植物的生长环境数据值，与所测定的s4中提取的湖泊中浮游植物各生长环境数据数值，取最接近湖泊浮游植物各生长环境数据值的几组，利用s3中建立的神经网络模型，来预测湖泊中浮游植物生长变化；
52.s6、通过s5中得出的s4中湖泊中的浮游植物生长变化预测情况，及s3中建立的神经网络模型，对s4中湖泊内浮游植物环境数据值进行调整，以达到控制浮游植物生长的目的。
53.在一个实施例中，s3中神经网络模型的建立过程如下：
54.(1)读取计算机4中存储的监测数据，利用小波分解算法对监测数据进行清洗，分离数据噪声，将降噪后的ph、do、cond作为神经网络模型的输入变量，叶绿素a作为神经网络的输出变量，按照7:3比例将数据集划分为训练集和测试集；
55.(2)建立神经网络gru模型，搭建模型结构；
56.(3)输入训练集数据，利用机器学习自动调参aco算法调整模型参数；
57.(4)输入测试集数据，验证模型精度；
58.(5)保存模型结构和参数至计算机4中；
59.(6)读取计算机4中保存的神经网络模型结构和参数，输入监测数据，预测叶绿素a浓度值。
60.以上为本发明较佳的实施方式，本发明所属领域的技术人员还能够对上述实施方式进行变更和修改，因此，本发明并不局限于上述的具体实施方式，凡是本领域技术人员在本发明的基础上所作的任何显而易见的改进、替换或变型均属于本发明的保护范围。