基于PSO-DNN的平养鸡舍冬季氨气浓度预测模型研究

[目的]氨气是鸡舍内影响肉鸡生长发育的主要有害气体,由于冬季鸡舍低通风量会导致氨气浓度超标,使肉鸡的免疫功能下降,导致呼吸系统疾病发生。针对鸡舍氨气预测精度不高、效率不理想等问题,提出基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network,DNN)的预测模型,实现冬季氨气浓度预警并及时调控鸡舍内氨气的浓度。[方法]选取自建平养鸡舍环境参数数据(温度、相对湿度和氨气浓度)和鸡自身情况数据(鸡龄和鸡进入鸡舍时间)建立模型,对鸡舍内未来1 h氨气浓度进行预测。PSO-DNN预测模型首先采用PSO优化DNN中的batch_size参数,以平均绝对误差(mean absolute error,MAE)作为目标函数,经过多次迭代后,得到最佳的batch_size,再以此构建DNN模型,以数据集的前70%数据作为训练集进行DNN模型训练,经过DNN的线性运算和激活运算后,采用数据集的后30%数据对模型进行验证,并对模型进行评估。[结果]将PSO-DNN模型与DNN和随机森林模型对比,PSO-DNN模型氨气预测结果的MAE为1.886 mg·m^-3,DNN和随机森林模型预测的MAE分别为4.297和2.855 mg·m^-3。[结论]PSO-DNN模型的预测精度最高,与DNN和随机森林模型预测结果相比,其MAE分别降低56.1%和33.9%,可为平养鸡舍内氨气浓度预测提供方法参考,有助于及时、准确地调控鸡舍内氨气浓度。

基于MCU和CFD的鸡舍氨气检测装置设计与试验

为了准确测量肉鸡养殖过程中鸡舍内的氨气浓度,实现舍内氨气环境的精准调控,设计了一种由气体检测系统、气体循环系统和辅助装置构成的主动式氨气检测装置。装置通过控制风扇实现状态切换,使用电化学氨气模组检测气体,通过微控制器(Micro control unit,MCU)实现浓度数据分析、处理,并运用计算流体力学(Computational fluid dynamics,CFD)技术模拟装置在不同状态下的速度云图和速度矢量图,由此得到空气龄,确定单次进气时间。装置在氨气检测状态时气流呈逆时针循环流动,使氨气浓度更均匀,最大空气龄为0.804 s,装置设定单次检测时间为1 s,每10 s检测一次,每6个值的均值作为1 min的值。在养殖鸡舍内进行现场试验,结果表明本文装置检测的氨气浓度和氨气变送器检测值的Pearson相关系数达到0.832,与检测结果趋势相符,平均相差为3.46%,方差也较小,总体比氨气变送器检测值波动小,检测更稳定。该检测装置具有速度快、精度高和稳定性强等优点。