水产是我国支柱性产业,我国的水产养殖规模不断扩大,水产养殖行业迅速发展了起来。传感器的推广和使用给农户带来了更大的方便,智能化成为了现代养殖业的普遍趋势。溶解氧是水质中最重要的参数,溶氧量的浓度关系到水生生物(如鱼、蟹等)的生存。溶解氧监测传感器在工作期间通过产生大量数据来传达溶解氧浓度。由于水质环境复杂,而且溶解氧传感器使用强度很高,将会造成水体中的传感器失效越来越频繁。作为获取水环境信息的重要器件,溶解氧传感器的准确度下降会导致人们无法获得水中溶解氧的实际浓度,无法进行及时的调控。溶解氧含量控制不得当,会导致养殖动物出现摄食下降、生长减慢等情况,严重时会大量死亡,带来的损失非常严重。针对溶解氧传感器的故障检测与容错控制的研究具有十分重要的研究意义和实用价值。因此,如何利用发达的信息技术,监测传感器状态以保障测量数据的准确性,对养殖水域中使用的水质传感器的故障监测及补偿已经成为人们关注的重点。本文以极谱式传感器作为研究对象,采用基于深度学习的原理与技术,针对传感器采集到的数据进行故障诊断。该方法可以自动完成对故障数据的特征提取以及故障识别。本文的主要工作如下:(1)本文通过分析极谱式溶解氧传感器的工作原理,探究了在复杂环境的影响下,极谱式溶解氧传感器的失效规律,包括传感器可能会出现的故障类型、故障特征以及各类故障产生的原因。研究极谱式传感器的失效模式可以为传感器故障诊断模型提供支持。(2)通过对比多种深度学习的常用基础模型,结合了极谱式溶解氧传感器的数据特征,最终确定卷积神经网络(Convolutional Neural Networks,CNN)作为该传感器的故障诊断模型。并且阐述了CNN网络的基础结构和优势。为了提高卷积神经网络的检测性能,对数据进行了预处理,然后结合实际采集的训练集数据,研究了不同隐藏层的卷积神经网络对检测性能的影响。最终提出了一共具有8层的卷积神经网络模型,对溶解氧传感器的数据进行诊断。(3)经实际采集的数据进行测试试验,验证该模型的识别率达到了98%以上,该结果表明这种方法的可行性,比取得良好的效果。通过与基于特征提取和分类器结合的传统诊断方法进行了对比,验证了该方法具有较好的检测效果。