帶有溶氧預測的水產養殖監測平臺的研究

翁 正，陳 明，池 濤，劉亞蕊

(1上海海洋大學信息學院，上海 201306；2 農業農村部漁業信息重點實驗室，上海 201306)

2019年全國水產養殖產值共達9 761.89億元[1]，水產品總產量逐年上升。加強水產養殖的信息化建設，建立水產養殖監測、預警和管理的綜合體系顯得十分重要[2-3]。水質的安全關乎水產養殖的產量和質量[4]。在養殖過程中，對水質實現動態的監測和預警[5]，能提升養殖過程的穩健性。傳統的水質監測系統，存在系統精度低，系統控制延遲高，不能進行預測和提前預警等不足。江先亮等[6]設計了基于自動無人船的水產養殖水質動態監測系統，提升了監測效率。Fang等[7]設計了具有較好性能的環境監測系統，降低了系統的延遲。劉雨青等[8]開發了基于物聯網3層體系架構的螃蟹養殖基地監控系統，但這3項研究都不能預測數據和提前預警。Ren等[9]采用變分模式分解(VMD)方法對數據去噪，基于深度信念網絡實現溶氧含量的預測。Heddam等[10]使用最小二乘支持向量機、多元自適應回歸樣條和M5模型樹成功估算溶氧的質量濃度。溶氧是水質的關鍵指標，通常是監測和分析工作的主要目標[11-12]，其含量過低過高都會影響魚類的生長發育[13]。

綜合以上研究的優缺點，提出了一種基于溶氧預測的低延遲水產養殖監測系統。本系統中內嵌了WT-LSTM溶氧預測模型，實現了對水產養殖水質的實時監測和溶氧的實時預測，預測精度不亞于文獻[9-10]和當前溶氧主流預測方法中的精度。

1 監測平臺的體系架構

1.1 系統架構

系統架構包括數據采集模塊、傳輸模塊、控制模塊和應用模塊。控制模塊主要由python上位機、MySQL和云服務組成，應用模塊包括Web服務、App客戶端、用戶服務3部分[14]，用戶可通過網頁客戶端查看實時水質數據[15]。系統整體架構如圖1所示。

圖1 系統架構圖Fig.1 System architecture diagram

1.2 數據采集模塊

數據采集模塊實現水質數據采集和處理的功能，采樣周期為1 min。采集系統電路連接多種傳感器獲取模擬信號，經過MCU識別和計算后將結果值保存到本地寄存器。采集節點的MCU選用具有超低功耗、快速蘇醒、低電壓特點的MSP430F149作為控制芯片[16]，MSP430F149芯片選用來自高頻時鐘源XT2(8 MHz)的MCLK信號作為時鐘源，時鐘周期為125 ns。采集節點的原理實物圖如圖2所示。

圖2 采集節點原理實物圖Fig.2 Schematic and physical diagram of acquisition node

傳感器電極端直接與水溶液接觸產生電勢差，信號通過緩沖和放大后送入模數轉換模塊，溫度補償信號同時送入該模塊。MCU對不同傳感器的信號進行濾波處理，綜合溫補計算出結果值，保存到本地寄存器。系統通過SX1268 LoRa射頻芯片，與上位機進行數據通信。系統中有PC-101品誠pH、pt100溫度、博取儀器DOG-209FYA溶氧、任氏Jenco3020M電導率和LENSHER氨氮5種傳感器，性能如表1所示。

表1 傳感器性能Tab.1 Performance of sensors

1.3 通信模塊

采集終端連接SX1268 LoRa芯片，與上位機端的LoRa射頻終端實現無線傳輸，實現系統的邊緣組網。上位機作為主機，發送查詢指令[17]給一臺或多臺從機，與各個采集終端進行點對點通信或廣播通信[18]，采集終端作為從機，接收信號后將寄存器中的數據返回給上位機。系統采用modbus協議RTU模式進行通訊[19]，4個采集設備的地址碼，按照01至04的順序編號。每個終端節點分別用2個寄存器存儲不同傳感器的數據。終端應答指令中，傳感器數據占4個字節，CRC16校驗碼在最后兩個字節。

本研究中，基于SX1268射頻芯片，針對不同距離進行了數據通信延遲測試。接收信號強度指示(RSSI)的計算如公式(1)所示。為確保通信延遲和RSSI的準確性，數據通信進行了多次記錄，結果取平均值，如公式(2)、(3)所示。

(1)

(2)

(3)

式中：r、ri為分別表示單次和第i次通信的RSSI，dBm；Rp為單包的信號強度，dBm；ti為第i次通信時間，s；tm為平均通信時間，s；Rm為平均通信的RSSI，dBm。

基于速率和有效通訊距離的考慮[20]，本試驗中，LoRa空中速率設定為2.4 kbps，分包包長為32 B。傳輸方式為透明傳輸，通信頻率為433.125 MHz。按照不同的距離進行分段測試，最長通信距離為1 000 m[21]，選取6種不同字節長度的數據進行雙向通信，通信延遲結果圖3所示。

圖3 LoRa通信延遲Fig.3 LoRa communication latency

丟包測試發現，1 000 m距離的通信出現了丟包的情況，丟包率在1.2%左右。基于圖3、4發現，數據通信延遲與距離和RSSI存在正向關聯，地理環境對延遲也有一定的影響。1 000 m的通信距離上，地勢較開闊，使得延遲相對之前降低了，總體來看，單次通信延遲最低在1 s左右。該測試可為降低系統通信整體延遲提供參考。

圖4 LoRa的RSSIFig.4 The RSSI for LoRa

1.4 上位機控制中心

上位機與匯聚芯片通過RS232轉USB數據線相連，控制中心代碼基于python3編碼實現，通過串口實現傳輸功能。上位機收到終端節點的數據后，識別數據地址碼，提取傳感器數據值，對CRC16校驗碼進行計算和對比，確認CRC16無誤后，將數據保存本地數據庫并上傳到云服務器。系統對數據中的溶氧進行判斷，若出現異常，則開啟增氧機。上位機的主要功能有下發查詢指令、接收檢驗應答數據、計算CRC16校驗碼、數據保存和上傳、數據預測與溶氧預警6大功能。其工作流程圖如圖5所示。

圖5 上位機工作流程Fig.5 Workflow of upper computer

2 溶氧預測與預警

2.1 溶氧預測機制

應用邊緣計算[22-23]的方法，將云服務器的計算和控制任務卸載到上位機，來降低系統控制延遲。上位機系統實現數據預測的功能，當數據預測或采集數據中出現預警值時，上位機及時向增氧機[24]發出增氧的指令，防范水中出現低氧的情況。上位機系統配置有預測進程和數據收發進程，兩個進程并行計算。數據預測流程如圖6所示。

圖6 數據預測流程Fig.6 Data prediction process

系統通過線性插值或取平均值的方法，對異常數據進行替換，再通過小波變換(WT)的分解和重構消除噪聲[25]。對數據進行歸一化處理并進行訓練，生成參數模型，對溶氧數據進行預測，保存到本地數據庫并上傳云服務器。

長短期記憶網絡(LSTM)是一種遞歸神經網絡，使用時間反向傳播進行訓練，可以解決梯度消失的問題。LSTM模型單元有遺忘門、輸入門和輸出門，來保護和控制單元狀態[26]，如圖7所示。LSTM模型的關鍵是單元狀態，即貫穿圖表頂部的水平線。每個單元就像一個微型狀態機，單元三個門的權重在訓練過程中學習得到。遺忘門是主要由σ層組成，σ層根據ht-1和xt的輸入，通過sigmoid激活函數計算信息的丟棄情況，生成一個0到1之間的結果ft，0表示全部丟棄，1表示全部保留。ft用于與Ct-1輸入矩陣做點乘運算[27]，如公式(4)所示。輸入門會生成新的信息存儲到單元狀態中，主要由σ層和tanh層決定，如公式(5),(6)所示。通過公式(7)的運算，單元狀態從Ct-1更新為Ct。輸出門決定輸出的結果，由σ層、tanh層和更新后的單元狀態Ct共同決定，如公式8,9所示。

圖7 LSTM單元狀態圖Fig.7 LSTM cell state diagram

ft=σ(Wf·[ht-1,xt]+bf)

(4)

it=σ(Wi·[ht-1,xt]+bi)

(5)

(6)

(7)

ot=σ(Wo[ht-1,xt]+bo)

(8)

ht=ot*tanh(Ct)

(9)

2.2 溶氧預警應用

溶氧預警是基于數據監測和溶氧預測來完成。實時監測的溶氧值或1 h內的溶氧預測值，超出正常值范圍，系統啟動溶氧預警機制，及時告知用戶，控制增氧機。當溶氧值回歸正常范圍十分鐘后，系統確認增氧機狀態，關閉增氧機。

Web服務包括水質數據監測、數據庫管理、溶氧預警、增氧機控制和系統設置5個模塊。水質數據監測用于顯示01至04號監測點的水質狀態和溶氧預測數據。數據庫管理可查詢歷史水質數據，溶氧預警模塊監測實時的溶氧值和溶氧預測值，智能化控制增氧機。增氧機控制模塊可直接打開或關閉增氧機。

3 試驗測試

3.1 試驗平臺搭建

本研究在上海海洋大學內搭建監測平臺進行測試，共設置4個終端監測節點，一個匯聚節點，4個節點與匯聚節點的距離分別為118、104、479、917 m，通信區域中間包括樹木和教學樓等建筑物，如圖8所示。

圖8 測試節點設置Fig.8 Test node setup

2021年3月13日15時21分，4個采集節點的數據如表2所示，經過與測量的標準值比較，pH、溫度、溶氧、電導率和氨氮的相對誤差分別小于1.4%、0.7%、0.2%、12%、5%。本次試驗中，4個節點分別采集了2021年3月9日至3月17日13 160個數據，采用周期為1 min，01號節點溶氧的數據如圖9所示。

圖9 01號監測點溶氧數據Fig.9 Dissolved oxygen data at No.01

表2 各監測點平均相對誤差(MRE)Tab.2 Mean relative error (MRE) of each monitoring point

3.2 預測模型的生成

針對01號節點采集的13 160份數據中，將80%的采集數據分配到訓練集，用于訓練模型，20%的數據作為測試集，用于測試模型效果。LSTM網絡中，time_step長度為80，每個數據包含pH、溫度、溶氧和氨氮4個參數，輸入層輸入的樣本尺寸為80×4。由于電導率對溶氧預測基本無影響[28]，經過實際驗證，本試驗未考慮電導率。網絡中隱藏層神經元個數1 000個，輸出層以1 h的溶氧預測值作為輸出，輸出維度為60×1。LSTM模型是基于keras框架下的模型來構建[29-30]。模型訓練時，迭代次數為50次，batch_size為100。生成LSTM模型參數后，用測試集的數據進行預測，預測結果能較好地顯示溶氧的變化過程，如圖10所示。

圖10 測試集預測結果Fig.10 Test set prediction results

3.3 結果分析

LSTM方法對長距離數據依賴關系具有較強的建模能力，與其他預測模型比較，具有記憶性，更適合處理時序數據。本試驗中將監測數據設置為經過小波變換前后的2種數據，基于LSTM、RNN和GRU 3種預測方法，產生6種預測結果。本研究選擇均方根誤差(RMSE)、納什系數(NSE)、平均絕對誤差(MAE)和相關系數(R2)對結果進行評測分析[31]，如表3所示，預測結果如圖11所示。

表3 模型性能對比分析Tab.3 Comparative analysis of model performance

從圖11可看出，對pH、溫度、溶氧和氨氮四種參數的數據經過小波變換后，其中的噪聲被去除，監測數據變得相對緩和，這更加符合實際情況。

圖11 溶氧預測對比Fig.11 Comparison of DO prediction

監測數據去除噪聲后，對比預測結果可知，WT-LSTM模型相比LSTM模型的結果，RMSE降低了21.27%，NSE提高了0.3%，MAE降低了21.91%，R2升高了0.1%，預測性能得到全面提升。WT-GRU與GRU結果比較、WT-RNN與RNN結果比較，情況也與之類似。總體來看，經過小波變換除噪后，采用LSTM進行溶氧預測的結果，在RMSE、NSE、MAE、R24種評測系數上表現最佳，因此本研究采用該方法進行數據處理與預測，這一情況在圖11的預測結果中也可比較得出。溶氧的預測結果，能較好地解決增氧機控制滯后的問題，這為現代化淡水漁業養殖提供了便利。

4 結論

帶有溶氧預測、低延遲的淡水養殖監測系統實現了對水質的實時監測，pH、溫度、溶氧、電導率和氨氮監測數據的相對誤差分別小于1.4%、0.7%、0.2%、12%、5%。采用小波變換對采集數據去噪后，利用LSTM預測模型能夠較為準確地預測1 h內的溶氧含量，預測結果的RMSE為0.074，NSE為0.993，MAE為0.057，R2為0.997。基于上位機實現溶氧預測和控制任務，降低了系統控制延遲。本研究實現了大面積養殖區域的多點實時監測和溶氧數據的預測，可提前做好溶氧預警防范工作，解決了增氧機控制滯后的問題。由于訓練數據集有限，當氣溫短時間出現較大的變化或開啟增氧機后一段時間，系統溶氧預測的準確度會下降。

□