Structural design and research of underwater robot for aquaculture ship operation
-
摘要:
水质检测是深远海集约化养殖的重要环节，水质好坏直接影响着鱼类的生长。目前，水质检测的主要方式是构建水质监测网络系统和人力采集水样检测，这些检测方式存在操作复杂且效率低、作业区域受限、监测周期长等问题。为此，研发设计了一款用于养殖工船水质检测的作业型水下机器人。首先提出水质检测系统和水下机器人系统的总体设计方案。然后利用Solidworks建模软件对水下机器人机械结构进行整体设计，外壳采用流线型结构，其上搭载抽水管口，采用水平2个和垂直4个推进器布局设计，保证水下机器人能够自由运动；基于Ansys软件对机器人的外壳、固定结构和耐压舱等进行应力数值模拟，并结合理论计算对机器人的设计进行完善。最后完成机器人样机软件调试以及性能、自由度和水质检测等水下试验测试。结果表明：水下机器人的密封性、自由度、抽水检测等性能试验均满足工作要求，可以达到对指定位置进行分层和定点水质采样，所获得的水质检测数据可为水产养殖提供数据参考。
Abstract:Water quality detection is important for intensive deep-sea aquaculture, and water quality affects fish growth directly. At present, the main ways of water quality detection is to build a water quality monitoring network system and manpower collection of water samples for detection, which are complicated and inefficient, with limited operation area, long monitoring cycle and other problems. Thus, this paper designed an operational underwater robot for water quality detection on aquaculture ships. Firstly, the overall design of water quality detection system and underwater robot system was proposed. Then the mechanical structure of underwater robot was designed by modelling software Solidworks. The housing adopted a streamlined structural design, and was equipped with pumping hose port. The design of two horizontal and four vertical propellers is to ensure that the underwater robot can move freely. Based on the Ansys software, stress numerical simulation was conducted on the housing, fixed structure as well as pressure chamber of the robot, and theoretical calculations were combined to improve the robot design. The results show that the underwater robot's sealing, degree of freedom, pumping detection and other performance tests meet the working requirements, and can reach the designated location for stratified and fixed-point water quality sampling; the obtained water quality detection data can provide data references for aquaculture.
-
任何形式的捕捞均有选择性, 其选择性主要取决于渔具选择性，它强烈影响着捕捞群体结构。为了实现渔业资源的可持续利用，开展生态渔业、负责任渔业的研究有重要的意义，渔具选择性和选择性渔具是生态渔业的核心内容之一。而在我国开展的渔具选择性研究尤其是定置渔具选择性能的研究并不多见。
日本沿海主要以小型底拖网、笼、筒捕捞星康吉鳗Conger myriaster(以下简称星鳗)。在我国星鳗也是重要的群众渔业捕捞对象，青岛近海渔民用筒、山东日照渔民利用延绳钓捕捞这种鱼。山东沿海渔民在利用地笼诱捕许氏平鲉、欧氏六线鱼时, 往往同时捕获大量星鳗。本文以东京湾星鳗笼为例，利用套网法研究了其网目选择性，以期为定置渔业的科学管理提供科学依据。
1. 材料和方法
1.1 海上实验
1995~2000年，每年的10~11月在东京湾进行实验。实验笼和生产的相同，不锈钢骨架，展开为640 mm×470 mm×150 mm。每个笼有2个椭圆形开口200 mm×90 mm, 和东京湾渔获对象星鳗(全长190~600 mm, 最大体周长28~104 mm)相比, 开口非常大。因此在研究笼的选择性时, 可以仅考虑网目的选择性。
笼的底部网目尺寸(内径)为10.8 mm，远小于其他部位的网目尺寸(表 1), 星鳗从笼中逃逸的部位是底部以外的其他部分。实验时，笼的底部以外结覆网目内径为10.8 mm的套网, 套网和笼之间有足够大的空间, 且所有套网的规格相同。套网、笼均为锦纶制造，有结节菱形网片。实验时的作业方法和生产相同, 采用延绳钓作业方式。
表 1 实验笼的数量以及网目尺寸(MC)Table 1. The number and mesh size of test net pot(MC)网目尺寸/mm mesh size 1995年 1996年 1997年 1998年 1999年 2000年 21.0±0.68 4 4 4 4 4 4 18.1±0.82 3 3 4 4 4 4 15.5±0.63 3 3 4 4 4 4 13.6±0.44 3 3 4 4 4 4 11.6±0.38 3 3 4 4 4 4 将笼网、套网捕获的星鳗分别装入化纤袋，回实验室测量全长、最大体周长，体重。最大体周长是胸鳍稍后鱼体最粗部位的周长。
1.2 解析方法
如果1尾鱼被捕获的概率是p, 那么Ni尾行为独立有相同特征的鱼遭遇笼，ni尾鱼被捕获的概率$p=C_{N_i}^{n_i} p^{n_i}(1-\$p)^{N_i-n_i}$。
假设1群鱼遭遇渔具, 该鱼群依据全长可以划分为k组，组中值为li，每组鱼Ni，每组被捕的数量mi，那么$\sum_\limits{i=1}^k$尾鱼被捕获的概率$F=\prod_\limits{i=i}^k C_{N_i}^{n_i} p^{n_i}(1-p)^{N_i-n_i}$。
如果套网和笼捕获的鱼的数量为nli, mli(i=1，2，3，…，k), 那么笼捕获的全长li鱼的占该类鱼总渔获量的比例为
$$ \phi_{l_i}=\frac{n_{l_i}}{n_{l_i}+m_{l_i}} $$ (1) 依据概率的统计学定义, F可用$\phi_{l_i}$估计, 而p是渔具的选择率SL[1], 可用Logistic方程表示[2]，
$$ S_L=\frac{\exp (s+b L)}{1+\exp (s+b L)} $$ (2) a，b为待估参数，L为鱼类的特征变量(全长l，相对体周长$\frac{G}{M_e}$等)。由F和$\phi_{l_i}$, p和SL的关系, 利用极大似然估计法可以得到待估参数a，b的值。
由不同网目尺寸得到的不同的网目选择性曲线, 利用不同的处理方式可以得到不同的主选择性曲线。为比较这些曲线, 引入AIC(akayike information criterion)，AIC=-2 max {ln F}+2K作为判断标准，为待估参数的数目，AIC较小的模型更合适[3]。
2. 结果与讨论
2.1 星鳗的体重、全长，最大体周长间的关系
捕获的星鳗的全长l(cm)与体重w(g)、体周长G(cm)的关系分别为，
w=0.1998l2-7.9106l+93.5290(R2=0.9610, n=2 102)，
G=0.1906l-0.6786(R2=0.8488, n=2 102)。
2.2 全长选择性曲线
笼的选择性由2部分组成，网目选择性、出入口的选择性。在东京湾可仅考虑网目的选择性[4]。以全长为方程2的变量，由算式1, 2得到的网目选择性曲线的各个参数(表 2)。
表 2 全长选择性曲线的各参数Table 2. Parameters of whole body length selectivity curve网目尺寸/mm mesh size a b MLL AIC l0.5 S.R. 21.0 -17.26 0.58 -22.01 48.02 29.80 3.80 18.1 -13.83 0.52 -37.65 79.30 26.80 4.30 15.5 -14.44 0.63 -56.77 117.54 23.00 3.50 13.6 -16.11 0.73 -53.71 111.42 22.00 3.00 11.6 -14.65 0.73 -173.71 351.41 20.00 3.00 注: l0.5, 50%选择全长; S.R., 选择域; MLL=Max{lnF}
Notes：l0.5, 50% selective whole body length; S.R., selective range; MLL=Max{lnF}由上述的各参数可知，网目尺寸21.0、18.1、15.5、13.6、11.6 mm笼的全长选择性能，全长0 < l < 25.50 cm、0 < l < 22.50 cm、0 < l < 18.50 cm、0 < l < 18.50 cm、0 < l < 16.50 cm时，全长选择率几乎为0；全长25.50 < l < 35.50 cm、22.50 < l < 32.50 cm、18.50 < l < 27.50 cm、18.50 < l < 26.50 cm、16.50 < l < 24.00 cm时，全长选择率随全长不断增长而逐渐增大；全长在l＞35.50 cm、l＞32.50 cm、l＞27.50 cm、l＞26.50 cm、l＞24.00 cm时，全长选择率几乎接近于1.00，50%选择全长l0.5分别为29.8、26.8、23.0、22.0、20.0 cm；全长选择域为3.80、4.30、3.50、3.00、3.00 cm。因此，全长选择性曲线沿全长增加方向，随网目增大而向右移，并且网目越小，选择越尖锐。
笼的网目尺寸分别为21.0、18.1、15.5、13.6、11.6 mm，和套网的网目尺寸的比值依次为1.07、1.26、1.44、1.68、1.94。所对应的AIC逐渐减少(表 2)。由于实验中，除笼的网目尺寸有差别外，其他条件尽可能相同，因此造成这种趋势的原因很可能来自套网对实验笼的影响(例如局部流场的改变程度)，即可能是在一定范围内，实验网和套网的网目尺寸差别越大，套网对实验网的影响越小；而当两者相当时，套网的影响相当显著。是否是这种原因，有待于更多关于鱼类行为以及渔具和捕捞对象相互作用的实验检验。
2.3 主选择性曲线
鱼能否穿过网目，主要取决于鱼沿体高方向的截面形状以及相对于网目内径的大小[4]。由或为方程1的变量，所得到的方程为主选择性方程，它描绘的曲线为主选择性曲线(master selectivity curve)。有2种方法，each curve model和single curve model可得到主选择性曲线。前者是求得每一网目尺寸所对的主选择性曲线。后者将所有的网目尺寸所对应的相对体周长$\frac{G}{M_c}$或相对全长$\frac{l}{M_c}$值合并，看作一组数值，求得一条反映渔具选择性的曲线。
以$\frac{G}{M_c}$为方程2的变量，由single curve model和each curve model，利用极大似然估计法，得到待估参数(表 3)。因∑ (AICeach curve model)=250.18，而AICsingle curve model=244.32，其差值│244.32-250.18│＞1，所以可以认为single curve model与each curve model之间的差异并非偶然，single curve model得到的主选择性曲线可更好地反映网目选择性。
表 3 主选择性曲线的各参数Table 3. Parameters of master selectivity curve模式models a b $\frac{G}{M_{e0.5}}$ S.R. MLL AIC single curve model -4.71 4.25 1.11 0.52 -120.16 244.32 each curve model- 115.09 250.18 21.0 mm -10.47 8.68 1.21 0.25 -16.96 37.92 18.1 mm -8.92 7.70 1.16 2.87 -24.45 52.90 15.5 mm -1.58 2.87 0.55 0.77 -24.54 53.07 13.6 mm -4.87 4.62 1.06 0.48 -16.95 37.91 11.6 mm -0.01×10-2 1.08 9.20×10-5 2.03 -32.19 68.38 50%选择相对体周长1.11，相对体周长的选择域为0.52。$0<\frac{G}{M_c}<0.55$，相对体周长选择率几乎为0；$0.55< \frac{G}{M_c}<1.60$，选择率随相对体周长增加而增加；$\frac{G}{M_c}>1.60$，选择率趋向于1.00。一般认为当$\frac{G}{M_c}=1$时，选择率就应当趋向于1.0，而本实验当$\frac{G}{M_c}>1.60$，选择率才趋向1.00。这种结果和星鳗底拖网的网目选择性中的类似[5]。其最可能的原因是星鳗体表鳞片退化，凸起减少，且分泌大量粘液，使之容易穿过网目。另外，网线对星鳗的刺激，也有促进星鳗积极逃逸的可能。
3. 小结
比较显示，套网和实验网的网目尺寸差别较大时，套网的影响较小。而在两者接近时，套网的影响极为显著。
此外，本文中给出了利用套网法得到的星鳗笼的网目选择性能, 但套网对入笼的星鳗行为存在影响, 这种影响到底有多大, 以及入网的星鳗如何从笼中逃逸, 逃逸后的残存率有多大, 都是将来要研究的重点所在。
-
![]()
图 14 ROV控制系统软件和传感器数据采集软件调试
Figure 14. ROV control system software and sensor data acquisition software commissioning
![]()
图 17 ROV在水深1 m的温度、溶解氧、pH和盐度变化
Figure 17. Changes of temperature, DO, pH and salinity of ROV at water depth of 1 m
![]()
图 18 ROV在不同水深的温度、溶解氧、pH和盐度变化
Figure 18. Changes of temperature, DO, pH and salinity of ROV at different water depths
表 1 ROV整体设计参数指标
Table 1 Parameter indicators of ROV overall design
项目 Project 参数 Parameter 本体结构 Body structure 流线型 Streamline 结构尺寸 Structure size 545 mm×508 mm×172 mm 作业深度 Operation depth/m 0~50 工作航速 Operation speed/kn 4 空气中质量 Mass in air/kg 6.92 控制方式 Control method 手动(遥控)控制
Manual (Remote) control推进器布置 Thruster arrangement 水平2个，竖直4个
Horizontal 2, Vertical 4工作时间 Operation time/min 45 LED照明灯 LED lighting 4档可调节亮度
Adjustable brightness in 4 levels
下载: 导出CSV
表 2 ABS物理参数
Table 2 ABS physical parameters
参数 Parameter 数值 Value 弹性模量 Elastic modulus E/MPa 2×103 抗剪模量 Shear modulus/MPa 318.9 质量密度 Mass density ρ/(kg·m–3) 1.02×103 泊松比 Poisson's ratio μ 0.394 屈服强度 Yield strength/MPa 46
下载: 导出CSV
表 3 3种材料参数
Table 3 Parameters of three materials
参数
Parameter结构钢
Structural steel铝合金
Aluminium胶木
Plywood密度 Density/(kg·m–3) 7 850 2 770 1 450 泊松比 Poisson's ratio μ 0.3 0.33 0 杨氏模量 Young's modulus/MPa 2.0×105 7.1×104 0 剪切模量 Shear modulus/MPa 7.69×104 2.67×104 0 拉伸屈服强度 Tensile yield strength/MPa 250 280 ≥100 抗压极限强度 Ultimate compressive strength/MPa 460 310 0 垂直层向弯曲强度 Vertical laminar bending strength/MPa 0 0 ≥120 垂直层向压缩强度 Vertical laminar compression strength/MPa 0 0 ≥250
下载: 导出CSV
表 4 亚克力材料属性
Table 4 Properties of acrylic material
参数 Parameter 数值 Value 密度 Density/(kg·m–3) 1 190 泊松比 Poisson's ratio μ 0.35 抗剪模量 Shear modulus G/MPa 2051 张力强度 Tension strength σt/MPa 61 弹性模量 Elastic modulus E/MPa 3 160 屈服强度 Yielding strength σs/MPa 45
下载: 导出CSV
-
[1] MELIKOGLU M. Current status and future of ocean energy sources: a global review[J]. Ocean Engin, 2018, 148: 563-573. doi: 10.1016/j.oceaneng.2017.11.045
[2] 李军, 袁伶俐. 全球海洋资源开发现状和趋势综述[J]. 国土资源情报, 2013(12): 13-16, 32. [3] 许晓冬, 邹绍敏. 海洋强国战略背景下海洋产业科技创新能力的提升[J]. 晋中学院学报, 2021, 38(2): 43-47. [4] 国家十部委《关于加快推进水产养殖业绿色发展的若干意见》[J]. 渔业致富指南, 2019(7): 3-7. [5] 李加林, 沈满洪, 马仁锋, 等. 海洋生态文明建设背景下的海洋资源经济与海洋战略[J]. 自然资源学报, 2022, 37(4): 829-849. [6] ABDEL-TAWWAB M, MONIER M N, HOSEINIFAR S H, et al. Fish response to hypoxia stress: growth, physiological, and immunological biomarkers[J]. Fish Physiol Biochem, 2019, 45(3): 997-1013. doi: 10.1007/s10695-019-00614-9
[7] ISLAM M J, KUNZMANN A, SLATER M J. Responses of aquaculture fish to climate change-induced extreme temperatures: a review[J]. J World Aquac Soc, 2022, 53(2): 314-366. doi: 10.1111/jwas.12853
[8] SOMRIDHIVEJ B, BOYD C E. Likely Effects of the increasing alkalinity of inland waters on aquaculture[J]. J World Aquac Soc, 2017, 48(3): 496-502. doi: 10.1111/jwas.12405
[9] 夏英凯, 朱明, 曾鑫, 等. 水产养殖水下机器人研究进展[J]. 华中农业大学学报, 2021, 40(3): 85-97. [10] 李道亮, 包建华. 水产养殖水下作业机器人关键技术研究进展[J]. 农业工程学报, 2018, 34(16): 1-9. [11] TEAGUE J, ALLEN M J, SCOTT T B. The potential of low-cost ROV for use in deep-sea mineral, ore prospecting and monitoring[J]. Ocean Engin, 2018, 147: 333-339. doi: 10.1016/j.oceaneng.2017.10.046
[12] CHOI J K, YOKOBIKI T, KAWAGUCHI K. ROV-based automated cable-laying system: application to DONET2 installation[J]. IEEE J Oceanic Engin, 2018, 43(3): 665-676. doi: 10.1109/JOE.2017.2735598
[13] KHOJASTEH D, KAMALI R. Design and dynamic study of a ROV with application to oil and gas industries of Persian Gulf[J]. Ocean Engin, 2017, 136: 18-30. doi: 10.1016/j.oceaneng.2017.03.014
[14] 许裕良, 杜江辉, 雷泽宇, 等. 水下机器人在渔业中的应用现状与关键技术综述[J]. 机器人, 2023, 45(1): 110-128. [15] 丛明, 刘毅, 李泳耀, 等. 水下捕捞机器人的研究现状与发展[J]. 船舶工程, 2016, 38(6): 55-60. [16] 曹少华, 张春晓, 王广洲, 等. 智能水下机器人的发展现状及在军事上的应用[J]. 船舶工程, 2019, 41(2): 79-84, 89. [17] 王懿偲, 夏英凯, 朱明, 等. 水产养殖机器鱼设计与三维路径跟踪控制[J]. 华中农业大学学报, 2022, 41(4): 259-270. [18] 刘宁, 徐宇卉, 孟宪宇. 水质检测蛇形机器人设计及稳定性分析[J]. 制造业自动化, 2023, 45(6): 1-6, 22. [19] 李翔飞, 戴逸飞. 六足水下机器人及其在水产养殖行业的设计与应用[J]. 科学技术创新, 2023(20): 58-61. [20] RAVALLI A, ROSSI C, MARRAZZA G. Bio-inspired fish robot based on chemical sensors[J]. Sensors Actuat B-Chem, 2017, 239: 325-329. doi: 10.1016/j.snb.2016.08.030
[21] JO W, HOASHI Y, AGUILAR L L P, et al. A low-cost and small USV platform for water quality monitoring[J]. HardwareX, 2019, 6: e00076.
[22] HUANG L W, LI Z W, LI S R, et al. Design and application of a free and lightweight aquaculture water quality detection robot[J]. J Européen des Systèmes Automatisés, 2020, 53(1): 111-122.
[23] 张平伟, 贺露尧, 蒙绒娟, 等. 基于互联网+水产养殖水质的远程控制系统[J]. 通信与信息技术, 2019(3): 60-61, 59. [24] 徐效伟, 滕兆丽, 何春健, 等. 水产养殖水质监控设备检测装备应用现状与发展趋势[J]. 江苏农机化, 2023(4): 20-22. [25] MANOJ M, KUMAR V D, ARIF M, et al. State of the art techniques for water quality monitoring systems for fish ponds using iot and underwater sensors: a review[J]. Sensors, 2022, 22(6): 2088. doi: 10.3390/s22062088
[26] 张胜, 徐艳松, 孙姗姗, 等. 3D打印材料的研究及发展现状[J]. 中国塑料, 2016, 30(1): 7-14. [27] 王延庆, 沈竞兴, 吴海全. 3D打印材料应用和研究现状[J]. 航空材料学报, 2016, 36(4): 89-98. [28] CHIN C S, LAU M W S. Benchmark models of control system design for remotely operated vehicles[M]. Singapore: Springer Singapore, 2020: 75-93.
[29] 刘涛. 大深度潜水器耐压壳体弹塑性稳定性简易计算方法[J]. 中国造船, 2001(3): 10-16. [30] 陈永华, 李思忍, 龚德俊, 等. 一种小型水密耐压舱体的设计与制作[J]. 压力容器, 2007(9): 25-28, 61. doi: 10.3969/j.issn.1001-4837.2007.09.006 [31] 彭勃, 田军委, 孙江龙, 等. 观察级ROV结构设计及研究[J]. 制造业自动化, 2018, 40(12): 118-120, 124. -
期刊类型引用(1)
1. 张静，胡长圣，刘前，戴佳玥，王学锋，汤保贵. 流速对卵形鲳鲹游泳行为及运动生理的影响. 中国水产科学. 2024(04): 381-390 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 1
粤公网安备 44010502001741号
