鸡舍环境氨气浓度智能监测系统

摘要

本发明公开了一种鸡舍环境氨气浓度智能监测系统，它由鸡舍环境参数采集平台和鸡舍环境氨气浓度智能预测模型2部分组成。本发明针对鸡舍环境氨气浓度变化具有非线性、大时滞、大惯性和时变性的特点以及鸡舍面积较大氨气浓度难以准确预测的难题，设计了一种基于CAN现场总线的鸡舍环境氨气浓度的智能监测系统，该系统由鸡舍环境参数采集平台和鸡舍环境氨气浓度智能预测模型实现对被监测鸡舍环境氨气浓度进行检测、智能预测和管理的智能监测系统，提供对鸡舍环境氨气浓度进行高质高效净化的基础，该系统具有广阔的应用前景和巨大的推广价值。

权利要求

1.一种鸡舍环境氨气浓度智能监测系统，其特征在于由鸡舍环境参数采集平台和鸡舍环境氨气浓度智能预测模型2部分组成，其中：

⑴．鸡舍环境参数采集平台包括检测节点、CAN/RS232模块和检测中心计算机组成，由它们构建成鸡舍环境氨气浓度的监测网络，检测节点负责检测鸡舍环境参数的实际值并通过监测网络上传给检测中心计算机，检测中心计算机负责对鸡舍环境参数进行采集、数据处理、智能预测鸡舍氨气浓度；

⑵．根据鸡舍环境氨气浓度变化非线性、大惯性、大时滞及时变性的特点，在检测中心计算机设计鸡舍环境氨气浓度智能预测模型，该预测模型由每个监测点的4个GM（1,1）灰色预测模型、遗传-BP神经网络和多监测点氨气浓度预测值融合模型组成；由影响鸡舍监测点氨气浓度的温度、湿度、气流和光照度的历史数据作为4个GM（1,1）灰色预测模型的输入，4个GM（1,1）灰色预测模型的输出作为遗传-BP神经网络的输入，应用遗传算法对神经网络权值、阈值进行优化，遗传-BP神经网络的输出为被监测节点氨气浓度的预测值；根据各个监测点氨气浓度预测值序列，计算各个监测点预测值与预测参考特征值的灰色关联度，各个监测点的灰色关联度与鸡舍所有监测点灰色关联度和的比值作为该监测点氨气浓度预测值融合的权重系数，通过对所有监测点氨气浓度的预测值与权重系数的积进行累加得到该鸡舍氨气浓度的预测值，实现对所有被监测点氨气浓度预测值的融合和对整个鸡舍环境氨气浓度的预测；鸡舍环境参数采集平台包括多个检测节点，把鸡舍氨气浓度检测节点布置在鸡舍的一个横面或者一个纵面，同一时刻对鸡舍氨气浓度的多点监测与预测，通过基于灰色关联度理论建立的鸡舍多点氨气浓度预测值融合模型，实现对鸡舍多个氨气浓度监测点氨气预测浓度的融合，养殖户准确地预测同一时刻鸡舍一个横面或者一个纵面氨气浓度的空间分布状况以及整个鸡舍氨气浓度的准确值，根据鸡舍氨气浓度的空间分布状况采用对应的净化策略。

说明书

鸡舍环境氨气浓度智能监测系统

技术领域

[0001] 本发明属于畜禽舍环境参数的信息管理、检测网络和智能预测领域，具体涉及一种鸡舍环境氨气浓度检测与预测系统，实现鸡舍环境氨气浓度的高质高效检测、预测和管理，它属于农业牲畜养殖自动化装备的技术领域。

背景技术

[0002] 氨（NH3）是一种无色而具有强烈刺激性臭味的气体，多由鸡粪产生，越接近地面其含量越高。氨气是一种无色、比空气略轻、刺激性很强的有害气体，能强烈地刺激鸡只呼吸道粘膜和眼结膜，麻痹呼吸道纤毛和损害上皮组织，降低机体对病原微生物侵入的抵抗力。鸡比人对氨气更为敏感，即使在很低的浓度也会引起鸡的粘膜发炎、上呼吸道粘膜充血、水肿和整个呼吸道粘液量增多。氨气在鸡舍中超过允许范围，不但能使鸡发生角膜炎、结膜炎、角膜溃疡和失明等，而且破坏呼吸道绒毛、降低局部抵抗力和降低由口、眼、鼻等接种的免疫。氨气使鸡生长迟缓，鸡群生长发育不均匀，肌肉贫乏，产蛋率下降，易患疾病，鸡群淘汰率高。氨气极易被吸附在潮湿的地面和墙壁，空气中的水汽、灰尘及鸡的口、鼻、眼等粘膜和结膜上。高浓度氨气可刺激上呼吸道柔嫩的组织，致使咽喉和气管的上皮发生水肿和变性，甚至坏死，同时伴发纤毛丧失，分泌粘液的细胞增多，呼吸机能发生紊乱。氨气溶解于眼的分泌物中产生氢氧化氨，诱发角膜结膜炎，使鸡眼睑闭合，角膜混浊。鸡舍内氨气浓度过高时，鸡群表现精神不振，活动能力下降，采食量减少，生长速度和产蛋率都相应降低。总之，氨气是一种有刺激性的气体，氨气对粘膜有刺激作用，可引起结膜、上呼吸道粘膜充血和水肿。鸡在低浓度氨气的长期毒害下，采食量下降，对疾病抵抗力减弱，鸡新城疫和败血霉形体病发生率升高，生产性能下降。高浓度氨气对鸡的毒害作用更大，可引起呼吸道深部和肺泡损伤，使雏鸡大批损伤甚至死亡。当舍内温热潮湿，密度较高，通风不良时，极易导致舍内氨浓度增高。高浓度的氨对鸡群危害很大，主要是诱发呼吸道和眼部疾病，以及降低鸡群的生产水平，然而国内许多鸡场对其严重性尚未引起足够重视。研究表明鸡舍内温度、相对湿度、气流和光照度随时间和空间的变化与氨气浓度变化相关，鸡舍氨气具有非线性、大滞后和时变性等特点，因此，提高对各种复杂状况鸡舍环境氨气浓度监测的可靠性、准确性和鲁棒性是十分必要的，由于国内在鸡舍环境氨气浓度的高质高效监测还一片空白，本发明基于此原因发明鸡舍环境氨气浓度智能监测系统，为鸡舍环境氨气的净化提供可靠根据。

发明内容

[0003] 本发明的目的是提供一种鸡舍环境氨气浓度智能监测系统，本发明针对鸡舍环境氨气浓度变化非线性、大惯性、大时滞及时变性的特点和鸡舍面积较大氨气浓度难以准确预测的难题，设计了一种鸡舍环境氨气浓度智能监测系统，该系统由鸡舍环境氨气浓度检测平台和鸡舍环境氨气浓度智能预测系统组成，形成对鸡舍环境氨气浓度的检测、智能预测与管理的鸡舍环境氨气浓度监测系统。

[0004] 1、鸡舍环境参数采集平台包括检测节点、CAN/RS232模块和检测中心计算机组成，由它们构建成鸡舍环境氨气浓度的监测网络，鸡舍环境参数采集平台见图1；检测节点负责检测鸡舍环境温度、湿度、气流、光照度和氨气浓度的实际值并通过监测网络上传给检测中心计算机，CAN/RS232模块实现检测节点和检测中心计算机通信接口通信协议的转换，检测中心计算机负责对鸡舍环境参数进行数据采集、数据处理、智能预测鸡舍氨气浓度，检测中心计算机软件结构功能见图2。

[0005] 2、根据鸡舍环境氨气浓度变化非线性、大惯性、大时滞及时变性的特点，在检测中心计算机设计鸡舍环境氨气浓度智能预测系统，鸡舍环境氨气浓度智能预测系统见图3，该预测模型由各个监测点温度、湿度、气流和光照度的4个GM（1,1）灰色预测模型、遗传-BP神经网络和多监测点氨气浓度预测值的融合模型组成；在对影响鸡舍被各个监测点氨气浓度的温度、湿度、气流和光照度的历史数据作为4个GM（1,1）灰色预测模型的输入，4个GM（1,1）灰色预测模型的输出作为遗传-BP神经网络的输入，BP神经网络包括4个节点的输入层，7个节点的隐含层和1个节点的输出层构成，输出层的传递函数为线性函数，输入层、隐含层传递函数为Sigmoid型，应用遗传算法对神经网络权值、阈值进行优化，遗传-BP神经网络的输出为被监测节点氨气浓度的预测值，遗传算法优化神经网络流程见图4。

[0006] 3、为了实现对所有被监测点氨气浓度的预测值的融合，实现对整个鸡舍环境氨气浓度的预测，根据各个监测点氨气浓度预测值序列，计算各个监测点预测值与预测特征值的灰色关联度，各个监测点的灰色关联度与鸡舍所有监测点灰色关联度和的比值作为该监测点氨气浓度预测值融合的权重系数，通过对所有监测点氨气浓度的预测值与权重系数的积进行累加得到该鸡舍氨气浓度的预测值，融合模型见鸡舍环境氨气浓度智能预测系统图3的右边。

[0007] 本发明专利与现有技术相比，具有以下明显优点：

[0008] 1、预测准确度高

[0009] 本发明专利把4个GM（1,1）灰色预测模型与GA-BP神经网络模型结合起来建立灰色神经网络组合预测模型，对影响鸡舍氨气浓度的温度、湿度、气流和光照度参数环境参数的历史数据作不同取舍，作为初始数据输入4个GM（1,1）灰色预测模型，4个GM（1,1）灰色预测模型的输出作为GA-BP神经网络的输入对鸡舍氨气浓度进行准确预测。该鸡舍氨气浓度预测模型综合了4个GM（1,1）灰色预测模型所需原始数据少与方法简单的优点和BP 神经网络非线性拟合能力强的特点，通过灰色预测理论对原始数据进行累加生成，突出趋势的影响，使得神经网络的非线性激励函数更易于逼近，减小不确定成分对灰色理论预测值的影响；克服了4个GM（1,1）灰色预测模型精度低和BP 神经网络所需训练数据多的缺点，有效避免了单一模型丢失信息的缺憾，从而提高预测结果的精度；同时采用GA对BP神经网络初始参数进行优化，使用遗传算法来弥补BP神经网络连接权值和阈值选择上的随机性缺陷，残差较小，网络的泛化能力较好，优化后网络模型的学习时间和收敛速度更快，更稳定，预测精度更高，从而大大提高了预测的准确性和精度。总之，利用灰色模型可以弱化数据的随机性以及BP神经网络的高度非线性拟合能力对鸡舍氨气浓度进行了预测，并采用遗传算法对神经网络进行了优化，从而提高了鸡舍氨气浓度预测的准确度。

[0010] 、鲁棒性强

[0011] 本发明专利建立灰色神经优化组合的鸡舍氨气浓度预测模型，体现了鸡舍环境氨气浓度的灰色系统行为，又能动态的进行预测，具有较高精度和稳定性，而灰色理论、神经网络和遗传算法相结合能够较好地利用各单项算法的优点，充分发挥灰色预测、神经网络和遗传算法三者优势，从本质上提高预测精度、稳定性和快速性；灰色系统是通过对样本数据进行累加或累减处理得到新数据，在一定程度上弱化了原始样本的随机性，且具有对样本容量需求较少；GA-BP神经网络能够在小样本、贫信息及数据有波动等情况下能够对样本数据中的内在规律进行自主学习，具有较强的鲁棒性和容错能力，对鸡舍氨气浓度作出比较准确的模拟和预测，弱化原始数据随机性、提高预测模型鲁棒性和容错能力，适合作为各种复杂状况的鸡舍氨气浓度的预测，该鸡舍氨气浓度预测模型的鲁棒性强。

[0012] 、预测鸡舍氨气浓度的时间跨度长

[0013] 用4个GM（1,1）灰色预测模型可以根据前面时刻影响鸡舍氨气浓度的温度、湿度、气流和光照环境参数值预测未来时刻鸡舍的温度、湿度、气流和光照度，输入GA-BP神经网络可以预测未来时刻鸡舍氨气浓度，用上述方法预测出的鸡舍氨气浓度后，把此鸡舍温度、湿度、气流和光照氨气环境参数值再加进原始数列中，相应地去掉数列开头的一个数据建模，再进行未来鸡舍温度、湿度、气流和光照氨气环境参数值的预测。依此类推，预测出鸡舍氨气浓度值。这种方法称为等维灰数递补模型，它可实现较长时间的预测。养殖户可以更加准确地掌握鸡舍环境氨气浓度的变化趋势，为鸡舍氨气的净化做好准备，有效避免氨气对鸡生长过程的影响。

[0014] 、预测鸡舍氨气浓度的分布空间范围广

[0015] 本发明专利包括多个监测节点，可以把鸡舍氨气浓度监测节点布置在鸡舍的一个横面、一个纵面或者任意需要监测点，可以对鸡舍氨气浓度的同一时刻多点监测与预测，通过基于灰色关联度理论建立的鸡舍多点氨气浓度融合模型，实现对鸡舍多个氨气浓度监测点氨气浓度的融合，养殖户可以准确地预测同一时刻鸡舍横面和截面氨气浓度的空间分布状况和整个鸡舍氨气浓度的准确值，可以根据鸡舍氨气浓度的空间分布状况采用对应的净化策略。

附图说明

[0016] 图1 鸡舍环境参数采集平台

[0017] 图2 检测中心计算机软件结构图

[0018] 图3鸡舍环境氨气浓度智能预测系统图

[0019] 图4 遗传算法优化神经网络流程图

[0020] 图5 检测系统平面布置图

[0021] 实施方案：

[0022] 1、系统总体功能的设计

[0023] 针对鸡舍环境氨气浓度变化非线性、大惯性、大时滞及时变性的特点，本发明专利构建了鸡舍环境氨气浓度智能监测系统，设计基于CAN现场总线的鸡舍环境参数采集和氨气浓度智能预测系统，实现对整个鸡舍环境参数的信息采集、氨气浓度智能预测和信息共享。在鸡舍环境现场的检测节点安装在被监测鸡舍区域内，采用CAN现场总线的形式构成监测网络，通过CAN/RS232模块和检测中心计算机的信息交互。检测中心计算机对采集的鸡舍环境参数进行管理、储存和管理，通过多监测节点氨气浓度智能预测模型实现对被监测鸡舍氨气浓度的预测。鸡舍环境参数采集平台见图1。

[0024] 2、检测节点设计

[0025] 检测节点由传感器组、滤波电路、信号调理电路、信号调理电路和C8051F020单片机、CAN协议芯片SJA1000、光电隔离电路和收发电路等组成，其中传感器组包括温度传感器、湿度传感器、气流传感器、光照度传感器组成。在检测节点采集被监测点鸡舍环境温度、湿度、气流、光照度和氨气实际值参数，通过CAN现场总线系统实现检测中心计算机与检测节点的通信，系统采用CAN/RS232模块实现检测中心计算机和现场总线的协议转换，CAN总线通信接口的通信软件包括协议芯片的初始化、接收模块和发送模块等。检测节点的基本组成见图1。

[0026] 3、检测中心计算机

[0027] 检测中心计算机定时从串口读取检测单元上传的从被监测点采集的鸡舍环境参数的温度、湿度、气流、光照度和氨气实际值；计算机对监测点的数据能够进行实时显示、曲线显示、数据存储、历史查询和鸡舍氨气浓度的预测等，检测中心计算机软件结构见图2；下面介绍在检测中心计算机实现多监测节点氨气浓度智能预测模型。

[0028] ⑴、4个GM（1,1）灰色预测模型的建模

[0029] 灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加还原后得出预测结果，微分方程模型具有更高的预测精度。建立4个GM（1,1）灰色预测模型的实质是对原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对系统进行预测。

[0030] ⑵、GA-BP神经网络

[0031] ①、BP神经网络结构的确定。BP神经网络的结构包括对输入层、隐含层和输出层的选取，由三层的BP神经网络可以逼近任意的非线性函数，设置过多的隐含层数增加网络的复杂度和模拟计算的时间，本专利选取隐含层数为1层，根据经验公式选取7个节点。BP神经网络结构为4×7×1。BP神经网络的输出层的传递函数为线性函数，输入层、隐含层传递函数为Sigmoid型，在同时考虑了收敛精度与速度的情况下，训练函数为trainlm 函数，学习函数为learnpbm函数。本发明专利选取对氨气浓度有影响的或相关的变量，确定了检测节点的温度、湿度、气流 和光照度4 个历史数据作为灰色神经网络的输入，灰色神经网络输出点为氨气浓度值。

[0032] ②、遗传算法(GA)对神经网络的优化

[0033] 为了使BP神经网络获得较好的初始权值和阈值，避免神经网络收敛速度慢和陷入极小值点，引入GA对神经网络的初始权值和阈值进行优化，优化步骤如下所述：Ⅰ、将神经网络随机生成的所有初始权值或者阀值进行编码，进而构成一个个二进制码串。Ⅱ、计算神经网络的误差平方和为适应度函数，误差越大，适应值越小。Ⅲ、选择若干适应度大的个体将会被直接遗传给下一代，剩余个体的则按照适应度确定概率遗传。Ⅳ、对个体进行交叉、变异等操作处理，然后产生下一代种群。Ⅴ、重复步骤Ⅱ、Ⅲ，直到产生满意解。评价种群适应度满足停止规则，输出权值阀值偏差是否满足。遗传算法优化神经网络流程见图4。

[0034] ⑶、多点氨气预测值的融合模型

[0035] 鸡舍各个监测点的氨气浓度预测值只能都能在一定程度上反映被监测点氨气浓度的变化趋势，为了集中多个监测点氨气浓度预测值来集中反映某个平面、某个截面或者鸡舍氨气浓度的变化趋势，本发明专利将被多个监测点的氨气浓度预测值有机融合，构成多点氨气预测值的融合模型。设 是鸡舍第i个被监测点氨气浓度预测值，则称式(6)为融合模型，则有

[0036] ，          （1）

[0037] 式中 为氨气浓度融合预测值， 为第i监测点融合模型权重系数。

[0038] 本发明专利采用灰色关联度确定融合模型的权重系数，如果某一监测点氨气浓度预测值与预测参考特征值关联度越大，那么认为该监测点的预测值与实际值越接近，则该监测的氨气浓度预测值应赋予较大的权重系数，以使得组合预测的预测误差尽可能地小。设在K时刻鸡舍n个监测点的氨气浓度预测值序列和预测参考特征值序列分别为：
和

[0039] 设 为K时刻鸡舍氨气浓度预测参考特征值， 表示各监测点的氨气浓度预测值，各个监测点的预测参考特征值与该时刻鸡舍氨气浓度预测值的绝对差为 ，则    （2）

[0040] 式中K表示1，2，…m；j表示1，2，…n。令 为比较序列 对于参考序列在第K时刻的灰关联系数，则其算式为：

[0041]        （3）

[0042] 式中 为分辨系数，本发明专利取0.5。设 为比较序列 对于参考序列的灰关联度，则：

[0043]     （4）

[0044] 各个监测点氨气浓度融合权重的求取为:

[0045]        （5）

[0046] 本发明专利将与被监测鸡舍环境氨气浓度指标相关的输入变量温度、湿度、气流和光照度的历史数据输入进行4个GM（1,1）灰色预测模型，得到4个参数的预测值作为GA-BP 神经网络的输入，GA-BP 神经网络的输出为该检测节点氨气浓度的预测值，通过采用多点氨气预测值的融合模型可以得到多点氨气浓度的预测综合值，多监测节点氨气浓度智能预测模型结构如图3 所示。

[0047] 4、鸡舍环境氨气智能监测系统的设计举例

[0048] 根据鸡舍鸡栏的相对位置，在鸡栏的两侧分别布置两排1-9处检测节点，在每个监测点的0.5米、1米、1.5米、2米和2.5米的高度分别布置1个检测节点，将5种高度检测节点的历史数据输入多监测节点氨气浓度智能预测模型可以预测每个检测节点氨气浓度值和该监测点氨气浓度综合预测值；将1、4和7处，或者2、5和8处，或者3、6和9处节点的历史数据检测节点的历史数据输入多监测节点氨气浓度智能预测模型可以预测每个检测节点、3个截面和5个水平面氨气浓度预测值，检测节点和检测中心计算机的平面布置安装图见图5。

[0049] 本发明未提及技术采用常规技术。