本发明涉及工厂化水产养殖技术领域，更具体地，涉及一种用于工厂化水产养殖微滤机故障诊断的系统和方法。
背景技术：
工厂化水产养殖是集电子技术，自动化，土建工程等现代手段，在半封闭或全封闭的条件下，对养殖生产全过程进行自动化管控的一种生产模式。该方式的最大特点是可在高密度养殖条件下，始终维持较佳的生物生长条件，从而达到缩短养殖时间，提高养殖效率，降低能耗的目的。通常情况下，整个工厂化养殖系统包括设施系统和养殖技术两大体系。设施系统又分为养殖系统和水处理系统。
微滤机又称固体颗粒分离器,是去除粪便、残饵及大颗粒悬浮物的重要设备,该设备的正常工作与否，决定了水质的环境，非正常工作状态下，会导致水中的固体颗粒物增加，从而降低了溶解氧的浓度，影响生物的正常生长，更进一步会造成很大的经济损失，因此有必要对微滤机的故障进行快速诊断、快速修复，以降低经济损失。
技术实现要素：
本发明提供一种克服上述问题或者至少部分地解决上述问题的用于工厂化水产养殖微滤机故障诊断的系统和方法。
根据本发明的一个方面，提供一种用于工厂化水产养殖微滤机故障诊断的系统，包括：
监测模块，用于获得工作微滤机的监测数据，对所述监测数据进行经验熵决策树算法的处理，将处理产生的第一调度命令发送至调度模块，所述监测数据包括不同部位的滤网压力、振动、声音和电压；
所述调度模块，用于接收所述第一调度命令或第二调度命令，切换所述工作微滤机至备用微滤机；
所述总控模块用于对监测模块和调度模块的运行状态进行记录，并向所述调度模块发送所述第二调度命令。
优选地，所述监测模块包括第一计算机，多个参数传感器，转换接口及第一数据信号通路；
所述参数传感器安放在工作微滤机的不同位置，用于采集监测数据，所述监测数据通过所述数据信号通路传送至转换接口，所述转换接口将所述检测数据进行格式转换后发送至所述第一计算机，所述第一计算机用于对所述转换接口传送的检测数据进行经验熵决策树处理，将处理后获得的异常结果传送至调度模块，并将全程状态发送至总控模块。
优选地，所述总控模块包括第二计算机、接口选择控制器及第二数据信号通路；
所述第二计算机中安装系统数据库，所述系统数据库对所述系统的运行状态进行记录，所述接口选择控制器用于实现命令的转换及切换微滤机，所述第二数据信号通路用于在第二计算机和接口选择控制器之间的数据传输。
优选地，所述调度模块包括命令接收发送器和接口控制器；
所述命令接收发送器，用于接收第一调度命令或第二调度命令及将所执行的第一调度命令和/或第二调度命令进行反馈；
所述接口控制器，与所述命令接收发送器连接，用于实施第一调度命令或第二调度命令命令。
根据本发明的另一个方面，还提供一种用于工厂化水产养殖微滤机故障诊断的方法，包括：
步骤1、对所监测的微滤机的各传感器的参数进行采集，所述传感器参数包括：所监测的微滤机不同部位的滤网压力、振动、声音和电压；
步骤2、通过转换器将监测数据转换至计算机格式数据；
步骤3、使用经验熵决策树对所述计算机格式数据进行数据分析，获得分析结果；
步骤4.、将所述分析结果进行保存或生成微滤机切换命令。
优选地，所述步骤3包括：
步骤3.1、建立经验熵决策树模型，确定在计算决策树时，各内部结点的经验权值，总的经验权值之和为1；
步骤3.2、通过已有的故障数据对经验熵决策树进行训练；
步骤3.3、使用所述计算机格式数据进行系统分析。
优选地，所述步骤3.1包括：
步骤3.1.1，确定经验熵决策树模型中各决策因子项的经验比重；
步骤3.1.2，搭建算法详细模型，确定分层的深度和最终结构。
优选地，所述步骤3.3具体包括：对所述计算机格式数据进行算法分析，并生成切换命令。
本发明提出的一种用于工厂化水产养殖微滤机故障诊断的系统，实现了对微滤机故障诊断的全面自动化，实现了对故障的快速定位及原因分析，增强了该故障诊断模块的工业化适应性，避免了传统人工方法下较为耗时的故障寻找定位过程，降低了人工成本，提高了经济效益。
1、本发明通过监测模块，调度模块及总控模块，实现了系统的完整控制及故障诊断体系，在对系统精准控制的同时，实现了故障诊断的自动化，可以对故障进行快速定位及可能性原因分析。改善了传统人工方法下故障诊断中的耗时寻找过程。
2、本发明通过监测模块下管理的各参数传感器，实现了故障所需诊断数据的全面采集，以便于进一步的经验熵决策树过程分析。为整体系统的故障诊断过程打下坚实基础。
3、本发明通过调度模块实现具体的微滤机切换操作，当前工作微滤机发生故障时，由调度模块根据命令进行具体切换。该单元可以由单片机和加控制器实现。
4、本发明通过总控模块对整体过程进行记录，并进行必要的人工干预。
5、本发明通过使用已经有的故障数据得到最终的经验熵决策树模型，并使用此模型进行故障的快速定位及可能性原因分析。
附图说明
图1为根据本发明实施例的用于工厂化水产养殖微滤机故障诊断的系统的功能框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
为了克服现有技术的上述问题，本发明实施例提供一种用于工厂化水产养殖微滤机故障诊断的系统，参见图1，包括：
监测模块101，用于获得工作微滤机的监测数据，对监测数据进行经验熵决策树算法的处理，将处理产生的第一调度命令发送至调度模块，监测数据包括不同部位的滤网压力、振动、声音和电压；
调度模块102，用于接收第一调度命令或第二调度命令，切换工作微滤机至备用微滤机；
总控模块103用于对监测模块和调度模块的运行状态进行记录，并向调度模块发送第二调度命令。
监测模块具体包括：滤网压力传感器，振动传感器，声音传感器，电压传感器。
从上述描述可知，通过各模块的设置，组成了一种对工厂化水产养殖微滤机故障诊断方法及系统的整体，在实现对微滤机全自动化控制的同时，实现了故障诊断定位、原因分析的自动化。降低了人工查找故障的成本。
在一个可选实施例中，监测模块包括第一计算机，多个参数传感器，转换接口及第一数据信号通路；
参数传感器安放在工作微滤机的不同位置，用于采集监测数据，监测数据通过数据信号通路传送至转换接口，转换接口将检测数据进行格式转换后发送至第一计算机，第一计算机用于对转换接口传送的检测数据进行经验熵决策树处理，将处理后获得的异常结果传送至调度模块，并将全程状态发送至总控模块。
在一个可选实施例中，总控模块包括第二计算机、接口选择控制器及第二数据信号通路；
第二计算机中安装系统数据库，系统数据库对系统的运行状态进行记录，接口选择控制器用于实现命令的转换及切换微滤机，第二数据信号通路用于在第二计算机和接口选择控制器之间的数据传输。
在一个可选实施例中，调度模块包括命令接收发送器和接口控制器；
命令接收发送器，用于接收第一调度命令或第二调度命令及将所执行的第一调度命令和/或第二调度命令进行反馈；
接口控制器，与命令接收发送器连接，用于实施第一调度命令或第二调度命令命令。
根据本发明的另一个方面，还提供一种用于工厂化水产养殖微滤机故障诊断的方法，包括：
步骤1、对所监测的微滤机的各传感器的参数进行采集，传感器参数包括：所监测的微滤机不同部位的滤网压力、振动、声音和电压；
步骤2、通过转换器将监测数据转换至计算机格式数据；
步骤3、使用经验熵决策树对计算机格式数据进行数据分析，获得分析结果；
步骤4.、将分析结果进行保存或生成微滤机切换命令。
在一个可选实施例中，步骤3包括：
步骤3.1、建立经验熵决策树模型，确定在计算决策树时，各内部结点的经验权值，总的经验权值之和为1；不同的经验权值代表了该决策项目在故障诊断中的重要程度。
步骤3.2、通过已有的故障数据对经验熵决策树进行训练；
步骤3.3、使用计算机格式数据进行系统分析。
在一个可选实施例中，步骤3.1包括：
步骤3.1.1，确定经验熵决策树模型中各决策因子项的经验比重；如滤网压力0.3，振动0.4，声音0.2，电压0.1，其总和为0.3+0.4+0.2+0.1＝1。该因子是根据经验所得，不同的数值可以自由选择，但数值的不同，会影响到决策树的收敛速度。
步骤3.1.2，搭建算法详细模型，确定分层的深度和最终结构。
在一个可选实施例中，步骤3.3具体包括：对计算机格式数据进行算法分析，并生成切换命令。
为具体说明该方法，该方法还提供一种基于经验熵故障诊断方法的具体应用例。具体如下：
传感器检测各参数实时数据后，传送器通过数据通路传输给转换器，监测模块通过基于经验熵的决策树获得故障诊断的结果，通过使用转换后的传感器参数，进行故障的诊断与分析，若结果正常，则保存，若结果出现异常，则发送调度命令并保存。
经验熵决策树的建立过程：
s1：根据已有的故障数据，建立数据集；
s2：对故障数据集进行集中化预处理，剔除不必要的混杂项。供经验熵决策树模型使用。
s3：初步建立基于经验熵的决策树模型。
基于经验熵的决策树模型，
在建立决策树的某结点时，要在该结点的传统计算熵前乘一个经验因子，以调整该结点的权重，由此进行故障的分类，其余与传统决策树一致，如下：
经验熵决策树结点权重＝经验因子*计算熵；
传统决策树情况下：
决策树结点权重＝计算熵
二者的对比可以发现本发明和现有技术建立的故障决策树可能完全不同，树结构的不同，影响了故障诊断的准确程度，实验证明，基于经验熵的决策树准确度要高一些。
该经验因子的取值完全取决于个人经验，并人为不断调整，以取得最好的经验树结点，该因子主要有以下几个作用：
1：加速决策树的收敛，通常情况下，技术人员在积累了大量经验的前提下，可以通过某一方面的原因迅速确定故障，该原因此时所占的决策比重就要大于其它原因的比重，而经验因子所扮演的就是这个角色，可以调整权重来迅速的让决策树收敛。
2：提高特定情况下的准确率，同一组数据，不同的经验因子，可以形成结构完全不同的决策树，而不同结构的决策树，其准确程度是不同的，在微滤机的特定情形下，实验表明经验熵的决策树准确度要大于传统的决策树。
s4：通过已经建立的经验熵决策树，进行进一步的训练和调整，通过不断的人为调整经验因子，来得到准确率符合要求的最终决策树结构。
s5：将该模型投入运行。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。