基于深度学习的密闭式猪舍内温湿度预测模型

针对目前猪舍环境控制中传感器只能实现对当前环境状况的监测,无法对猪舍内环境变化趋势作出预判,不能提前对环境控制设备运行状态进行调节,在一定程度上造成环境控制效果滞后的问题,基于深度学习方法,结合实际传感器监测的历史数据和猪舍外影响数据,建立了长短时记忆(Long short-term memory,LSTM)网络预测模型,实现了精确的猪舍内温湿度变化预测。结果表明,猪舍内冬季和夏季温湿度预测值与实测值变化趋势一致,温度最大误差1.9℃,平均误差为0.5℃;相对湿度最大误差为13.5%,平均误差为2.3%;温度和相对湿度预测的平均决定系数分别为0.821和0.645。本文建立的预测模型具有较优性能,可为制定优化的猪舍内环境控制策略,解决环境控制效果滞后问题提供可行的参考。

密闭式猪舍多环境因子调控系统设计及调控策略

大多数猪舍环境调控是建立在传统控制方法基础上的单一环境变量控制系统,难以对具有多个变量的系统建立精确的数值模型。该文基于模糊控制理论,以温度偏差和温度偏差变化率作为输入量,以通风模式和加热模式为输出控制量建立温度控制器;以相对湿度偏差和氨气浓度偏差为输入量,以通风模式为输出控制量建立通风控制器;并对不同季节多环境因子进行模糊化及逻辑推理,生成不同季节的调控策略及规则,建立2个具有双输入变量的非线性控制系统,加入动态补偿控制,优化猪舍环境调控系统。该文以在美国普渡大学环境研究猪舍监测所得的数据对建立的方法进行了模拟验证。结果表明,舍内温度与设定值最大相对误差为5%,实现了舍内温度稳定控制;舍内相对湿度与设定值最大相对误差为6.3%,充分满足湿度控制要求;猪舍氨气浓度变化范围为2.0~3.7 mg/m^3,远远小于设定值9.1 mg/m^3。因此,该文提出的猪舍多环境因子模糊控制系统及策略,能够很好地满足猪舍环境控制要求,为解决寒冷冬季猪舍温度与通风调控提供可行的思路。

基于能质平衡的密闭猪舍内小气候环境模拟与验证

良好的猪舍内小气候可以显著提高猪的生长性能和健康水平,然而由于猪舍内小气候受地域、季节、饲养数量等因素影响,难以实现可靠的预测及控制。该文基于能量及质量平衡方程,建立热量、湿度交换模型,以实际监测数据为基础,利用多元非线性回归方法(multiple nonlinear regression method)确定模型中的部分参数,建立适用于北方夏季密闭式猪舍环境模拟模型。对夏季北向背阴面和南向朝阳面的2个猪舍内温度及湿度进行模拟及验证,结果表明,南北2个朝向的猪舍内温度、湿度模拟与实测值变化趋势一致,温度最大误差为2.4℃,最大相对误差为9.2%,决定系数分别为0.836 9和0.786 9;舍内相对湿度最大误差为13.34%,最大相对误差为49.66%,决定系数分别为0.912和0.899 7。研究结果可为密闭式猪舍内环境调控及能量需求提供参考。