[0001] 本实用新型涉及浮游植物培养技术领域，特别涉及一种可预测生长趋势的浮游植物自动培养装置。

[0002] 浮游植物是原生生物界一类真核生物(有些也为原核生物，如蓝藻门的浮游植物)，主要水生，无维管束，能进行光合作用。

[0003] 然而浮游植物尤其是蓝藻门发生水华，会降低水体中氧气，从而影响水生动物的生存，造成环境污染，研究浮游植物生长动力学规律，可以提前预知其生长趋势，并合理的对其进行提前控制，以科学可控的控制其生长，是现有环境一直要解决的问题。

[0004] 因而现提出一种可预测生长趋势的浮游植物自动培养装置，以实现浮游植物的高效、科学、可控的培养和预测。实用新型内容

[0005] 本实用新型解决了相关技术中的问题，提出一种可预测生长趋势的浮游植物自动培养装置，通过在光温控制培养器内设置多组浮游植物培养模块，对浮游植物进行自动培养，并通过浮游植物培养监测系统进行pH监测、DO监测、叶绿素a监测、COND监测和 DTN监测，并将监测的数据通过数据传输器传输至计算机内，通过计算机预测系统进行模型预测，利用原有数据建立模型，预测浮游植物生长趋势，并对藻液pH和DO过高和过低的情况进行报警提示。

[0006] 为了解决上述技术问题，本实用新型是通过以下技术方案实现的：一种可预测生长趋势的浮游植物自动培养装置，包括：

[0007] 浮游植物自动培养系统，包括光温控制培养器和设置在光温控制培养器内的多组浮游植物培养模块；

[0008] 浮游植物培养监测系统，包括自动监测器和数据传输器，各所述浮游植物培养模块内均设置有自动监测器，各所述自动监测器与数据传输器相连；

[0009] 计算机预测系统，包括计算机，用于进行模型预测和报警提示。

[0010] 作为优选方案，所述光温控制培养器内设有恒温控制机构，所述光温控制培养器侧壁安装有光源，以进行浮游植物培养环境的光照和温度控制。

[0011] 作为优选方案，所述浮游植物培养模块包括定时自动曝气机构、透明培养皿、pH调节管、循环管和蠕动机构，所述自动曝气机构底端连通在透明培养皿底部，所述pH调节管一端插入透明培养皿内，所述蠕动机构连通透明培养皿和循环管。

[0012] 作为优选方案，所述自动监测器上设置有多个与透明培养皿内部连接的探头。

[0013] 作为优选方案，所述自动监测器对透明培养皿内进行pH监测、 DO监测、叶绿素a监测、COND监测和DTN监测，并将监测的数据通过数据传输器传输至计算机内，通过建立模型，预测浮游植物生长趋势，并对藻液pH和DO过高和过低的情况进行报警提示。

[0014] 与现有技术相比，本实用新型的有益效果是：本实用新型通过在光温控制培养器内设置多组浮游植物培养模块，对浮游植物进行自动培养，并通过浮游植物培养监测系统进行pH监测、DO监测、叶绿素a监测、COND监测和DTN监测，并将监测的数据通过数据传输器传输至计算机内，通过计算机预测系统进行模型预测，利用原有数据建立模型，预测浮游植物生长趋势，并对藻液pH和 DO过高和过低的情况进行报警提示。本实用新型通过存储分析各培养系统的数据值，结合模型，以实现浮游植物的高效、科学、可控的培养和预测。

[0018] 下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本实用新型及其应用或使用的任何限制。基于本实用新型中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。

[0019] 如图1所示，一种可预测生长趋势的浮游植物自动培养装置，包括浮游植物自动培养系统、浮游植物培养监测系统和计算机预测系统，其中，浮游植物自动培养系统包括光温控制培养器1和设置在光温控制培养器1内的多组浮游植物培养模块；浮游植物培养监测系统包括自动监测器6和数据传输器2，各浮游植物培养模块内均设置有自动监测器6，各自动监测器6与数据传输器2相连；计算机预测系统包括计算机4，用于进行模型预测和报警提示。

[0020] 在一个实施例中，光温控制培养器1内设有恒温控制机构5，光温控制培养器1侧壁安装有光源3，以进行浮游植物培养环境的光照和温度控制。

[0021] 在一个实施例中，浮游植物培养模块包括定时自动曝气机构 8、透明培养皿9、pH调节管10、循环管11和蠕动机构12，自动曝气机构8底端连通在透明培养皿9底部，自动调节水体中的溶解氧浓度；pH调节管10一端插入透明培养皿9内，蠕动机构12连通透明培养皿9和循环管11，用于扰动藻液。

[0022] 在一个实施例中，自动监测器6上设置有多个与透明培养皿 9内部连接的探头7，用于探测透明培养皿9内藻液的情况。

[0023] 在一个实施例中，自动监测器6对透明培养皿9内进行pH监测、DO监测、叶绿素a监测、COND监测和DTN监测，并将监测的数据通过数据传输器2传输至计算机4内，通过建立模型，预测浮游植物生长趋势，并对藻液pH和DO过高和过低的情况进行报警提示，当藻液中藻液pH和DO过高时，计算机4控制扬声器发出鸣叫声。

[0024] 在本实施例中，模型可以选择神经网络模型或者生态学模型，也可以选择其他一些相关模型。

[0025] 其中，神经网络模型的建立过程如下：

[0026] (1)读取计算机4中存储的监测数据，利用小波分解算法对监测数据进行清洗，分离数据噪声，将降噪后的pH、DO、COND作为神经网络模型的输入变量，叶绿素a作为神经网络的输出变量，按照7:3比例将数据集划分为训练集和测试集；

[0027] (2)建立神经网络GRU模型，搭建模型结构；

[0028] (3)输入训练集数据，利用机器学习自动调参ACO算法调整模型参数；

[0029] (4)输入测试集数据，验证模型精度；

[0030] (5)保存模型结构和参数至计算机4中；

[0031] (6)读取计算机4中保存的神经网络模型结构和参数，输入监测数据，预测叶绿素a浓度值。

[0032] 生态学模型的建立属于本领域中常见的模型，在此不再赘述其建立过程。

[0033] 以上为本实用新型较佳的实施方式，本实用新型所属领域的技术人员还能够对上述实施方式进行变更和修改，因此，本实用新型并不局限于上述的具体实施方式，凡是本领域技术人员在本实用新型的基础上所作的任何显而易见的改进、替换或变型均属于本实用新型的保护范围。