基于物聯網的浮標水質監測系統與溶解氧濃度預測模型

曹守啟 葛照瑞 張 錚

(上海海洋大學工程學院， 上海 201306)

0 引言

近年來我國水產養殖業高速發展，水產養殖經濟產值不斷增加，其中海水養殖產業占據很大比重，對我國經濟發展具有重要影響[1-2]。在近海養殖中，水體環境質量對水產養殖具有較大的影響，水質環境是養殖產物賴以生存的根本，其中溶解氧濃度直接影響著漁業產品的品質[3]，它不僅反映了水質的標準，同時也反映了水產品的生長狀況，溶解氧濃度作為近海養殖環境中重要的一個因子已經引起人們重視[4]，不過，海水中的溶解氧濃度極不穩定，很容易受外界環境的影響，如溫度、風速以及人類活動等都會造成溶解氧濃度的變化，所以實現近海水體的水質監測并做出相關判斷對水產養殖業高效高產具有非常重要的現實意義[5]。

物聯網的高速發展在很大程度上為我國近海養殖業的發展提供了便利，同時也對我國近海水產養殖提出了更高的要求。國內外眾多學者針對水產養殖環境監測系統[6-7]及環境參數預測模型進行了大量研究[8-10]，金光等[11]設計的基于低功耗廣域物聯網的海島養殖環境監測系統，使用多節點提高監測范圍但增加了成本和網絡復雜度，不易管理。孟憲法等[12]在基于單片機MSP430的海洋浮標低功耗設計中，利用北斗衛星實現通信，但通信天線的瞬時功率較大。袁紅春等[13]基于XGBoost的溶解氧預測模型研究利用長短時記憶(LSTM) 神經網絡實現了溶解氧的預測，但忽略了對環境因素的考量。劉晶晶等[14]提出的基于K-Similarity降噪的LSTM神經網絡水質多因子預測模型在一定程度上減小了誤差，但依然沒有考慮氣象環境的影響。

本文設計一種基于物聯網的浮標水質遠程監測系統，并根據監測數據利用改進的算法建立溶解氧濃度預測模型。利用浮標平臺實現傳感器的搭載，借助物聯網實現遠程數據監控，并針對傳統遺傳算法BP神經網絡模型存在的誤差浮動問題進行研究，提出改進方案，利用遠程監控數據實現溶解氧濃度預測。

1 監測系統設計

1.1 監測架構

本文設計的基于物聯網的近海養殖水質監測系統，終端節點基于自主設計的海洋浮標實現，集數據采集、遠程傳輸、存儲管理和遠程監測等功能為一體，整體架構如圖1所示。

系統中浮標[15-17]作為承載裝置，利用太陽能系統實現自供電，采集系統利用水質和氣象傳感器進行數據采集，采集的數據經過RS485通信傳輸到微控制器，并通過無線網絡傳輸到用戶終端，實現數據監控和數據分析。

1.2 硬件設計

監控系統電源電路選用TPS54302同步降壓轉換器，可最大限度提高輕負載效率并降低功率損耗；主控制器選用STM32L475芯片[18-19]；無線通信模塊選用EC20 4G網絡通信模塊，其內置高精度定位芯片在實現數據傳輸的同時又能精確地定位到浮標監測系統的實時位置，為后期系統維護提供了便捷。監控系統采用RS485通信模式，有效提高了數據的傳輸速率，并增加了系統抗噪聲干擾的性能，為系統遠距離的數據傳輸提供了保障，同時保證了多數據參數采集的準確性，電路結構圖如圖2所示。

電浮標監控系統的供電主要來源于太陽能，儲能設備是由鉛酸蓄電池組成的電池組，監控系統的負載作為整個系統消耗電能的主要部分，主要包括傳感器模塊、數據處理模塊、通信定位模塊等。本監測系統傳感器主要包括溶解氧濃度、pH值、氨氮濃度、鹽度、葉綠素、大氣壓、光照、溫濕度、風速、風向、雨量等，由于近海氣象環境不穩定，養殖用戶需要隨時了解近海環境信息，所以選擇溶解氧濃度、pH值、大氣壓、光照、溫濕度、風速、風向、雨量等參數進行監測。

在設計外圍傳感器和通信電路時，為降低傳感器和通信模塊的功耗采用繼電器控制，采取間隔關斷，當需要采集數據或者發送數據時，利用繼電器可控關斷接通電路，當數據采集發送結束，便不再對外部電路進行供電以達到降低消耗的目的。同時為傳感器留有持續供電端口方便測試。考慮到海水腐蝕性較強，在連接時采用防水接頭以延長系統的使用時間，系統測試實物圖如圖3所示。

在選擇傳感器時，要求傳感器兩端工作電壓小于12 V,以RDO-206型溶解氧濃度傳感器為例，其供電電壓12 V，精度為0.01 mg/L，額定電流40 mA，正常情況下功耗為480 mW，其余傳感器參數如表1所示。則正常情況下所有傳感器每天的功率消耗為34 560 mW·h，當采用繼電器控制電路時，可根據實際情況設置每小時進行4次數據采集，每次采集功率消耗為192 mW·h，則所有傳感器正常情況下每天功率能耗為4 608 mW·h。故本文所采取的繼電器開關電路能夠起到節約能源的作用。

表1 負載額定參數Tab.1 Load rating parameters

1.3 云監測平臺設計

云監測平臺是浮標環境監測系統的核心組成部分，利用Linux系統下的開發工具CentOS進行服務器搭建與配置[20]，網絡服務平臺整體架構如圖4。

服務器搭建主要包括遠程監控數據接收、數據庫、后臺信息管理等部分。監控信息接收主要用于獲取浮標監測系統各傳感器采集的數據以及視頻監控畫面并將數據存入數據庫，本文利用IntelliJ IDEA軟件進行開發，采用Java語言Netty高并發框架，使用maven進行jar包構建，在CentOS服務器上進行部署[21]。后臺信息管理主要為計算機端訪問提供接口，開發時采用SpringMVC框架，并使用Mybatis框架實現對數據庫表的操作[22]。數據端監控部分利用HTML、CSS、JS進行開發，以訪問頁面的形式實現用戶對環境的實時監控，頁面訪問如圖5所示。只需要點擊對應的養殖標識就可以顯示此地的水質情況和氣象信息。

用戶可通過監控終端實現多區域養殖環境的監控，并實時反映監控信息，開發時考慮到環境參數眾多，首頁內各窗口間采用星狀鏈接結構，避免瀏覽信息時的繁瑣操作，而首頁與后臺的切換采用樹狀鏈接結構[23]，條理清晰，系統還添加了養殖日志窗口，可實時查看近海養殖過程中的投喂信息，并集成有視頻監控窗口實現遠程監控。監控人員可以通過后臺服務隨時有選擇地下載監測數據，實現數據的分析。浮標系統采集的氣象數據、水質數據使用json格式協議與遠程服務器進行通信，并在CentOS服務器上開啟TCP通信端口進行監聽。平臺使用MYSQL作為數據庫，具有高性能、低成本、高可靠性的特點。本系統GIS地圖引擎選用Open Layers作為地圖引擎。Open Layers是一個開源的輕量級可支持離線的地圖引擎，提供強大的展示和交互功能。它是一個高性能、功能豐富的庫，用于在Web上創建交互式地圖。它可以顯示任何網頁上任何來源加載的地圖塊、矢量數據和標記。同時，開發有手機APP終端，水質監測、氣象監測等部分詳情如圖6所示。

手機端可以隨時監測水質氣象環境的數據，APP程序將水質數據繪制成曲線，方便觀察環境變化趨勢，同時設置有數據報警門限，當監測的水質因子超出正常范圍時會自動報警，與頁面訪問一樣，手機端也可同時監控多個養殖基地的數據，并開發有在線視頻監測功能，可隨時隨地觀察養殖基地的實際情況。

2 預測算法

針對傳統遺傳算法(GA)BP神經網絡優化存在的誤差浮動性問題進行優化處理，通過對遺傳算法的改進和誤差判斷進行反復的網絡訓練，找到最優的訓練結果，然后實施數據預測，使預測結果不斷接近真實值，從而達到誤差不斷尋優的目的，減少了由于遺傳算法優化神經網絡模型預測產生的數據訓練不準確性造成的誤差波動。

2.1 模型分析

傳統遺傳算法優化的神經網絡模型雖然具有高魯棒性和廣泛適用性的特點[24-25]，能夠有效處理枚舉法等傳統優化算法難以解決的復雜系統優化問題，但由于網絡訓練的不確定性和不穩定性，會造成預測數據不準確，這樣即使利用遺傳算法計算了最優適應度，選擇最優權值閾值[26]，但最終預測結果也會有所偏差，計算的誤差也并非最優誤差，結果仍存在一定的不確定性。

2.2 模型改進

本試驗在傳統遺傳算法優化神經網絡模型的基礎上進行改進，改進后優化過程可以分為4部分，分別為BP神經網絡結構確定、遺傳算法優化、BP神經網絡預測、尋找最優誤差輸出。主要區別是增加了尋優過程，在完成數據訓練實現預測功能的基礎上，對得到的預測誤差進行判斷，并反復進行此過程，尋找誤差最小的一組預測結果進行輸出，提高預測的精度。改進后的遺傳算法優化神經網絡流程圖如圖7所示。

統計結果表明，算法大部分情況下在訓練200次左右后將會出現相對較小的誤差。因此可將訓練的步驟最大值設為250次，對于少數情況，可以通過判定訓練結束時的誤差，若大于可以承受的誤差，則重新開始訓練。

2.3 模型改進實現

2.3.1BP神經網絡模型構建

BP神經網絡是單向多層前饋網絡，利用誤差反向傳播算法，根據梯度下降原理實現參數調節。該網絡由輸入層、輸出層以及一個或多個隱含層節點連接而成，其輸入信號從輸入節點通過隱含層傳遞到輸出節點。 在進行溶解氧預測試驗中，本文主要考慮時間、pH值、大氣壓、光照、溫度、風速等監測參數作為預測模型的輸入層節點，水中溶解氧濃度作為預測模型的輸出層節點。考慮到在任何閉區域內的一個連續型函數用一個隱含層的BP神經網絡就可以達到較好的擬合效果，而多隱含層網絡雖然有較好的泛化能力和較高的預測精度，但是訓練時間較長，故對于模型中存在的映射關系，在網絡精度達到要求的情況下，選擇單隱含層，以加快速度訓練速度。

隱含層節點數計算式為

(1)

式中l——隱含層節點數

n——輸入層節點數

m——輸出層節點數

α——1～10之間的常數

通過對比不同隱含層節點數下的輸出誤差最終確定隱含層節點數為13。因此，溶解氧濃度BP神經網絡預測模型結構為6-13-1，模型結構如圖8所示。

在BP神經網絡中，輸入層的節點決定了隱含層的神經元數量，設第i個樣本的輸入向量為

xi=(x1,x2,…,xn)

(2)

期望輸出為

yi=(y1,y2,…,yn)

(3)

則隱含層輸出為

(4)

預測輸出為

(5)

預測誤差

ei=yk-gk(k=1，2，…，m)

(6)

輸入層、隱含層和輸出層神經元之間的連接權重為ωij、ωjk，隱含層閾值aj，輸出層閾值bk，f為隱含層激勵函數。

激勵函數又稱激活函數，用于給神經元引入非線性的因素，使得神經網絡可以逼近任意非線性函數應用于非線性模型中，常用的激活函數有Sigmoid 函數、tanh函數、ReLU函數和softmax函數。故經過綜合考慮與試驗對比采用tanh函數作為激活函數。

2.3.2遺傳算法優化

(1)初始化種群利用實數編碼的方式實現個體編碼，將所有個體均用實數串表示，包括輸入層和隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值以及輸出層閾值4部分，神經網絡的左右權值和閾值都包含在個體內，在已知網絡結構的情況下，便可以組成一個結構、權值、閾值都確定的神經網絡。

(2)根據個體獲得的BP神經網絡初始權值和閾值，利用80%的訓練數據進行BP神經網絡的訓練預測輸出，將期望輸出和預測輸出的平方差絕對值的和定義為個體適應度F，計算公式為

(7)

式中yi——BP神經網絡的第i個節點的期望輸出

oi——第i個節點的實際輸出

k——系數

(3)選擇操作：選用輪盤賭的方式進行選擇操作，每個個體i的選擇概率pi為

(8)

(9)

式中fi——個體i的適應度

N——種群個體數目

由于適應度越小越好，所以在個體選擇前對適應度求倒數。

(4)交叉操作：對多重個體采用實數交叉的方式，染色體k、l、i在第j位的交叉操作方法為

(10)

式中b——[0,1]之間的隨機數

(5)變異操作：選取第i個個體的第j個基因aij進行變異，操作方法為

(11)

其中

式中r2——隨機數

amax——基因aij上界

amin——基因aij下界

Gmax——最大進化次數

r——[0,1]間的隨機數

2.3.3神經網絡預測

BP神經網絡利用遺傳算法優化的權值和閾值實現數據訓練，經過訓練的神經網絡便能對類似樣本的輸入信息進行處理，從而輸出誤差最小的經過非線性轉換的信息。

2.3.4訓練尋優

尋找最優誤差環節主要是依托于BP神經網絡預測部分進行，當計算出預測誤差后，判斷誤差是否達到最優或滿足數據預測所需的精度，如果不能達到要求就重新對BP神經網絡進行訓練，再次實現數據預測并計算預測誤差進行判斷，通過不斷地優化誤差操作以實現誤差的尋優過程，最后輸出最優的數據預測結果。

3 試驗

3.1 數據采集

選取上海海洋大學近海試驗基地作為浮標投放點，設置監控系統每15 min進行一次數據采集，既保證對環境信息的準確把握，又在一定程度上節約了能源。將本浮標環境監控系統放置在近海岸區域，通過網絡傳輸在監控平臺實現數據監控和采集，如圖9所示。

利用本文設計的監測系統，選取2020年4月15—17日3 d的監測數據，包括時間、溶解氧濃度、pH值、大氣壓、光照、溫濕度、風速、風向等，從監控頁面選擇下載所需要的數據并選擇部分參數繪制曲線如圖10所示。

由圖10可知，近海區域的溶解氧濃度、pH值等參數呈周期性變化趨勢，由于氣候等因素會產生部分波動，隨著每天時間的變化可以看出環境溫度等也呈周期性變化，因此本文針對溶解氧濃度預測在傳統BP神經網絡遺傳算法模型的基礎上提出改進方案，利用環境參數和少量水質參數實現對海水中溶解氧濃度的預測。

3.2 預測結果

3.2.1模型參數選擇

為了保證模型不提前收斂，同時提高模型的精確度，盡可能得到全局解，故種群模型應盡可能的大一些，為保證最終結果的精確度，在參數選擇過程中采用對比試驗的方法，對種群規模、進化代數等進行多次參數設置并運行程序，經試驗對比最終種群規模設置為50，物種進化代數設置為20次。

由于交叉和變異概率太高或者太低都不利于種群發展，所以為了盡可能地提高模型精確度，提高預測準確度，并根據交叉和變異概率的一些性質，交叉概率一般選取0.6～0.9，變異概率一般選取0.01～0.3，經過多次試驗結果對比，最終選用交叉概率為0.6，變異概率為0.1。

3.2.2預測試驗結果分析

利用Matlab編程，根據所采集的數據，隨機選擇224組數據用作網絡訓練，剩下的56組作為測試數據，運行程序得到改進后遺傳算法神經網絡模型預測值與實際值的變化曲線如圖11所示，同時為驗證改進后算法的準確性，利用文獻[27-28]在試驗中所采用的方法形成對比試驗，將所得到的預測數據進行分析得到實際值與預測值如表2所示，3種方法預測誤差如表3所示，并繪制不同算法下相對誤差如圖12所示。

表2 測量數據與預測數據對比Tab.2 Comparison between measured and predicted data mg/L

表3 預測誤差對比Tab.3 Comparison of prediction errors

由表2、3可以看出，BP神經網絡的運算時間雖短但結果的精度不高，傳統的遺傳算法BP神經網絡模型預測時間較長，預測精度有所提高，而改進遺傳算法BP神經網絡模型雖然所用時間較長，但預測精度有明顯提高，其預測平均誤差為0.017 8 mg/L，均方差為0.000 570 mg/L，標準差為0.023 909 mg/L，改進算法決定系數為0.990 8，故改進后算法具有更好的擬合度。通過圖12也可以明顯看出，改進遺傳算法BP神經網絡模型的預測結果更加接近真實值，其預測誤差更加穩定。結果表明，經上述改進的算法訓練后得到的神經網絡模型不僅對訓練樣本具有很好的擬合能力，而且對測試樣本也具有很高的擬合能力，由此可見利用改進遺傳算法BP神經網絡模型預測溶解氧濃度的方法可行。

4 結論

(1)針對近海養殖環境設計了浮標水質監測系統，利用浮標平臺實現近海區域的環境監測，試驗結果表明，本系統能夠穩定可靠地在近海環境中工作，且各項監測指標都能夠滿足近海環境監測的需求。

(2)針對近海養殖中具有非線性變化特點的溶解氧參數，在傳統遺傳算法BP神經網絡優化模型的基礎上提出改進方案，彌補網絡自身的不足，減少了由于初始權值和閾值的隨機選取而造成的網絡訓練時間較長等問題，同時提高了原有優化算法的計算精度。試驗結果表明，改進遺傳算法BP神經網絡優化模型雖然訓練時間有所增加，但預測精度明顯提高，平均誤差由0.077 8 mg/L降至0.017 8 mg/L，建模研究結果表明，改進遺傳算法BP神經網絡優化模型能對溶解氧濃度進行可靠的預測。