一种基于边缘计算的养殖管理方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115857314A(43)申请公布日2023.03.28(21)申请号202211460055.1(22)申请日2022.11.17(71)申请人四川德立凯软件有限公司地址610000四川省成都市高新区益州大道中段1858号天府软件园G5-1206(72)发明人苟伟张发兴杨燕(74)专利代理机构四川和创智慧专利代理有限公司51350专利代理师江锦利(51)Int.Cl.G05B11/42(2006.01)权利要求书2页说明书10页附图3页(54)发明名称一种基于边缘计算的养殖管理方法及系统(57)摘要本申请提供了一种基于边缘计算的养殖管理方法及系统，包括依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对第一训练集进行训练，获得训练好的第一环境监测模型；优化第一环境监测模型，获得第二环境监测模型，并部署第二环境监测模型至边缘计算终端；获取环境参数，并利用环境参数和参考环境数据，确定误差数据和误差变化率；将误差变化率和误差数据作为预设的PID控制模型的输入数据，获得数据参数调控数据，并依据参数调控数据，输出调控管理方案。通过上述实施例，使得本申请的监测能够更快、更准，为水产养殖提供更优秀的管理。CN115857314ACN115857314A权利要求书1/2页1.一种基于边缘计算的养殖管理方法，用于水产养殖管理，其特征在于，包括：依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；获取环境参数，并利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；其中，所述环境参数，包括水质参数、气象参数以及时令信息；将所述误差变化率和所述误差数据作为预设的PID控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。2.根据权利要求1所述的方法，其特征在于，所述依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型，包括：依据预设的线性拟合模型，利用模糊聚类算法对所述第一训练集进行聚类得到聚类中心；将所述第一训练集作为样本集构建T‑S模糊模型；利用所述聚类中心对所述T‑S模糊模型的参数进行辨识得到第一环境监测模型。3.根据权利要求2所述的方法，其特征在于，所述聚类中心算法，包括：其中，更新隶属矩阵为：其中，所述模糊聚类算法的代价函数为：其中，公式中，ui表示第i个聚类中心点，uij为隶属度矩阵，m为模糊系数，Jm(U,k)为目标的最小化函数，k为聚类类别个数，c为聚类中心个数，n为样本个数，uij为样本xj对聚类中心ui的隶属度，U为隶属度矩阵。4.根据权利要求1所述的方法，其特征在于，所述优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端，包括：依据所述第一环境监测模型中的权重关系进行剪枝，获得剪枝后的网络；通过对所述剪枝后的网络进行微调，恢复损失的性能；重复所述依据所述第一环境监测模型中的权重关系进行剪枝，获得剪枝后的网络的步骤，直到其精度达到预设的阈值，获得第二环境监测模型；部署所述第二环境监测模型至边缘计算终端。5.根据权利要求1或4所述的方法，其特征在于，所述部署所述第二环境监测模型至边缘计算终端，包括：依据所述第二环境监测模型构建推理引擎；2CN115857314A权利要求书2/2页将所述推理引擎以序列化流图的形式部署在边缘计算端；其中，通过反序列化所述序列化流图以启动所述推理引擎。6.根据权利要求1所述的方法，其特征在于，所述误差变化率包括实时误差变化率和历史误差变化率；所述误差数据包括历史误差数据和实时误差数据；所述将所述误差变化率和所述误差数据作为预设的PID控制模型的输入数据，获得数据参数调控数据，还包括：获取多个历史误差变化率和历史变化数据构建第二训练集；通过对所述第二训练集进行模糊化处理，得到模糊化结果；依据所述模糊化结果和预设的模糊规则确定模糊参数增量的隶属度，其中，所述模糊参数增量为所述PID控制模型的模糊参数的增量，所述模糊参数包括比例系数、积分系数和微分系数；对所述模糊参数增量的隶属度进行解模糊处理，获得所述模糊数增量的参量值；依据所述参量值对所述参数进行迭代优化，直至所述PID控制模型的评价指标达到预设要求，得到训练好的所述PID控制模型；将所述实时误差变化率和所述实时误差数据作为所述PID控制模型的输入数据，获得数据参数调控数据。7.根据权利要求6所述的方法，其特征在于，所述获取多个历史误差变化率和历史变化数据构建第二训练集