基于天然水體的水質在線監控系統設計與應用

曹建峰++崔平++陶婧

摘 要：文中設計系統通過抽取采樣和多級微壓霧化技術解決了天然水體多膠質水質對傳感器的影響。利用無線傳感網和移動通信網實現了廣域水質參數測量。通過數據挖掘提供對水產養殖和水環境監控的智能控制和預警，具有較強的社會意義和經濟價值。

關鍵詞：天然水體；多膠質；多參數；測量；預警

中圖分類號：TP39；S959 文獻標識碼：A 文章編號：2095-1302（2017）10-00-03

0 引 言

水是生命之源，人類的生活和生產活動都離不開水，生活飲用水水質、水產養殖水質及水生態系統水質的優劣均與人類健康密切相關。隨著社會經濟發展、科學進步和人民生活水平的提高，人們對水質的要求不斷提高。但同時，隨著工業經濟的發展，各類水質均受到一定程度的污染。因此，對水質的監測越來越迫切，尤其對范圍廣、影響大的天然水體的監測。

1 研究現狀及意義

水質監測目前已實現從定點人工采樣到單點自動測量站的轉變，但由于水域面積較大，單點測量站靠近陸地，無法全面反映水質情況。為了提高測量精度，許多項目都選擇精度較高的進口水質傳感器。但由于歐美國家的水質情況相對較好，他們在設計傳感器探頭時均未考慮中國天然水體多膠質含量較高的情況。在此前多個水質監控系統中，進口傳感器探頭在多膠質含量較高的天然水體中約六個月，水中的多膠質就會影響水質傳感器的測量精度，甚至使傳感器無法完成測量。同時由于此影響過程緩慢，往往認為由水質參數的變化而引起，忽視了水體中多膠質問題的影響。雖然目前已有水質監控站，但對于中國多膠質水質長時間監測及大數據分析的研究較少，設計者均在試用階段使用，水中的多膠質尚未對傳感器探頭的測量精度造成較大影響，測量精度符合要求，但對長期無人測量的后期跟蹤研究較少，導致在長期實際使用過程中，傳感器不適應中國多膠質水質的國情，使測量精度無法達到預期的設計要求，甚至測量得到的粗大數據導致系統無法正常工作。

研發天然水體多參數水質在線監測與大數據分析系統，能對水質的多個參數進行測量，解決傳感器因為中國水質多膠質含量較高而導致測量不準的問題，從而獲得長期、穩定、真實的測量數據。利用無線傳感網及移動通信網對大范圍水域進行水質監控并進行大數據分析，如檢測氨氮含量，從而在淡水養殖業中對投放的飼料進行精確控制，實現智能控制，提高生產效率，節省成本，減少污染。除水產養殖外，本系統也能在水環境監控過程中對污染源及污染物進行實時測量并進行大數據分析，為政府決策提供參考依據。

2 系統架構設計

本系統主要根據太湖水監測需要，依托江蘇省科技廳政策引導類計劃（產學研合作）——前瞻性研究項目，設計了一套解決中國天然水體多膠質問題的在線監測與大數據分析系統，實現了天然水體水質長期穩定的測量和預警，并能實現各類水產養殖的智能化。智能養殖中的天然水體多參數水質在線監控系統結構如圖1所示。

把天然水域分成若干水域，根據每個水域大小設置若干個多參數水質測量站、自動飼料機、增氧泵和無線傳感網協調器、嵌入式系統和GPRS模塊。本水域采集到的數據通過一個GPRS DTU傳輸到遠程數據中心，在數據中心完成數據存儲及大數據分析，得到水質的精確參數和變化趨勢，通過自動飼料機、增氧泵等控制設備來自動控制水產養殖中的飼料自動投放及水質參數控制。用戶可以利用手持設備或電腦通過ETHERNET訪問數據中心實現實時數據的訪問和對被控設備的控制。通過對天然水體多參水質進行監控不僅實現了水產養殖和水環境的智能化控制，同時也能為可能產生的水環境危機及時預警。

系統中，多參數水質測量站及天然水體多膠質對傳感器探頭的影響是整個系統的關鍵，它的穩定可靠工作決定了系統的穩定性與可靠性。

3 子系統設計

3.1 多參數水質測量站

水質情況由多個主要水質參數共通構成，如pH值、溶解氧、溫度、電導率等，在水產養殖過程中，還需測量氨氮等參數。為了提高測量效率，系統設置了溫度、pH值、溶解氧、電導率、氨氮傳感器探頭，對水質的5個參數同時進行測量。抽取采樣清洗式多參數水質傳感器如圖2所示。

在多參數水質測量站設計過程中，解決中國天然水體多膠質物對水質傳感器探頭的影響是研究的重點，但目前國內外對天然水體中多膠質物的研究較少（多膠質的成份、形成機理、消除方法等）。為了能在較短的時間內，采用較小的成本消除天然水體中多膠質對傳感器探頭的影響，文中采用抽取采樣清洗式測量方式，使傳感器探頭受天然水體多膠質物影響降至最低，同時，借助微型水凈化系統，通過旋轉切角為20°的多級減壓微量霧化噴嘴實現對傳感器探頭的自潔，20°旋轉切角流道最大化保證了出口狀態的霧化效果，從而保證了多參數傳感器探頭長期保持潔凈，使多膠質物體對測量精度的影響降至最小，使測量參數保持準確，同時，多參數水質測量站的價格約為進口價格的十分之一。經過在太湖水中的實踐，該方法至少能使傳感器探頭保持二年以上的自潔，初步解決了中國天然水體水質檢測中存在的探頭受多膠質影響的問題。系統核心部件多級減壓微量霧化噴嘴已獲國家發明專利，并同時申請了美國專利，且已在美國實審公開。

多參數水質測量站的控制系統采用基于ARM9的S3C2440進行，具有價位低、性能-功耗比高、接口和部件豐富等特點，同時它有32位嵌入式CPU，能較好地滿足自動水質測量及無線通信等要求。由于有些自動水質測量站遠離陸地，有線供電成本較高，故系統采用太陽能電板與蓄電池構成不間斷供電系統（UPS），為測量站提供電源。水質采樣為間歇式工作，一個小型太陽能電池板便能滿足系統的用電需求，即使在陰雨天蓄電池也能保證設備穩定工作一周時間。

如果水域面積較大，為了提高測量的精度和進行水質情況預警，在同一片水域中需設置多個自動測量站。對處于同一水域中的多個自動測量站通過ZigBee無線通訊技術把測量數據匯聚至嵌入式終端，通過GPRS無線遠距離通訊技術把數據傳輸至數據中心。通過ZigBee無線自組網技術降低系統的通信成本與運營費用。多參數水質測量站如圖3所示。endprint

3.2 自動飼料機、增氧泵

自動飼料機、增氧泵需較大的功率，為方便漁民投放飼料，一般安裝在近岸水域。這主要用于人工圍網養殖，而大面積的水域養殖為非人工養殖，因此綜合考慮各因素，故不設置自動飼料機和增氧泵類的設備。自動飼料機和增氧泵通過無線傳感網與嵌入式網關進行通信，嵌入式網關接收來自數據中心的控制命令，再由網關通過無線傳感網（WSN）發至自動飼料機和增氧泵，根據命令完成所需飼料的投放和增氧泵的開啟，實現飼料和增氧的自動化。

3.3 數據中心

數據中心是系統的核心，首先對各測量站傳來的數據進行存儲，然后對存儲的大數據采用面向數據流的柔性漂移支持向量機（FD-SVM）進行分析。此算法對水質監控等數據模型而言會發生變化，數據流無限增長、時序變化和潛在概念漂移的非靜態數據能有效提升對數據的分類性能，適應更靈活的漂移策略。

通過數據挖掘，得到各子系統的控制參數，通過移動通信網和無線傳感網，最終把控制參數發送至自動飼料機和增氧泵等設備，從而實現對水產養殖和水質參數的智能控制。在數據中心，綜合氣溫、氣壓等天氣預報信息，通過大數據分析，能實現對水產養殖和水環境污染等危險情況進行預警，并實時控制水體參數，確保水產養殖的安全，也能為環保主管部門決策提供參考依據。

數據中心設置IIS等服務器程序，用戶可通過電腦瀏覽器或各類手持終端上的客戶端程序實現遠程訪問與控制。終端控制軟件測量界面如圖4所示。

4 結 語

通過測試，系統能較長時間的解決中國天然水體中多膠質物對傳感器探頭的影響，確保長期測量的準確性。通過組建無線傳感網，利用3G、4G或其它移動通信方式進行數據傳輸，實現大范圍水域的測量。對長期穩定測量過程中獲取的真實數據進行數據挖掘，對淡水養殖業進行實時精確的控制。該系統降低了漁民的勞動強度，提高了水產養殖的安全可靠性，實現了監管部門對水產品的溯源追蹤。利用大數據分析，能對水產養殖的危險情況進行預警并控制，降低了養殖風險，保障了漁民的財產安全。目前系統僅工作二年，更長期的系統穩定性、可靠性等測試尚缺少實驗數據，后續將進一步跟蹤系統的工作情況，包括探頭自潔情況，微型凈水過濾系統等，為系統的維護和改進提供實驗數據。

參考文獻

[1]李南忘.基于數據挖掘方法通過簡約參數建立水質異常檢測及污染物識別系統的研究[D].上海：華東師范大學，2016.

[2]陳巖，閆云浩，譚婷，等.基于WSNs多參數水質監測的終端設計[J].傳感器與微系統， 2014，33（10）：83-86.

[3]李晉，熊炎.大區域水質污染智能監測系統設計[J].計算機測量與控制，2013，21（10）：2670-2672.

[4]杜治國，肖德琴，周運華，等.基于無線傳感器網絡的水質監測系統設計[J].計算機工程， 2008，40（17） ：92-96.

[5]丁文，馬茵馳，郗偉超.水產養殖水質環境無線監測系統設計與實現[J].農機化研究， 2012，34（10） ：78-82.

[6]劉繼忠，敖俊宇，黃翔.基于ZigBee的水質監測無線傳感器網絡節點[J].儀表技術與傳感器，2012（6）：64-65.

[7] T Dube，O Mutanga，K Seutloali，et al.Water quality monitoring in sub-Saharan African lakes： a review of remote sensing applications[J].African Journal of Aquatic Science，2015 ，40（1）：1-7.

[8] D S Simbeye，S F Yang.Water Quality Monitoring and Control for Aquaculture Based on Wireless Sensor Networks[J].Journal of Networks，2014 ，9（4）：840-849.

[9] Ali Uysal，Raif Bayir.Real-time condition monitoring and fault diagnosis in switched reluctance motors with Kohonen neural network[J].Journal of Zhejiang University SCIENCE C，2013，14（12）：941-952.

[10] Y Chebud，GM Naja，RG Rivero，et al.Water Quality Monitoring Using Remote Sensing and an Artificial Neural Network[J].Water， Air & Soil Pollution，2012，223（8）：4875-4887.endprint