基于物聯網技術的出水氨氮智能檢測系統

摘 要：為了實現出水氨氮濃度的在線精準測量，設計了一種基于物聯網技術的出水氨氮智能檢測系統。該系統主要是由嵌入式檢測系統和智能預報系統組成。嵌入式檢測系統利用STM32作為核心控制器，結合氨氣敏電極等模塊采集水體中的氨氮數據，并利用4G通信技術將數據傳輸到云服務器；智能預報系統利用廣義動態模糊神經網絡構建了出水氨氮的預報模型，實現了對嵌入式檢測系統的出水氨氮濃度的校正和糾偏。實驗結果顯示，與造價昂貴、操作繁瑣且難以實現在線測量的氨氮檢測儀相比，文中所設計的智能檢測系統的精度完全能夠滿足出水氨氮的在線檢測需求，為污水處理廠出水氨氮的調控提供強有力的支撐。

關鍵詞：污水處理；STM32；氨氮檢測；廣義動態模糊神經網絡；物聯網；智能檢測

中圖分類號：TP274 文獻標識碼：A 文章編號：2095-1302（2024）11-00-05

0 引 言

氨氮超標會造成水體富營養化，破壞水生生物的生存環境[1]。為了保護水環境，污水處理廠一般采用出水氨氮濃度作為評價污水處理效果的重要指標之一。因此，實現對出水氨氮濃度的實時檢測以及短時預報，不僅有助于污水處理廠及時掌握污水處理效果，而且有助于采取有效措施應對氨氮超標引起的水質惡化等狀況[2]。氨氮檢測方法主要有：納氏試劑分光光度法、水楊酸分光光度法、蒸餾滴定法和氨氣敏電極法等。其中，氨氣敏電極法無需蒸餾預處理，且不受水體中懸浮物的影響，具有耗時短、精度高和操作簡便等優勢，已成為氨氮在線檢測的首選方法[3]。

近年來，研究者提出了多種氨氮檢測系統的設計思路和方案。例如：文獻[4]采用S7-200可編程控制器作為核心，并與上位機WinCC組態軟件相配合，設計了氨氮自動檢測系統。文獻[5]采用STM32微控制器作為核心，輔以LED藍紫光光源和微型攝譜儀等，設計了水質氨氮檢測系統。文獻[6]采用STM32作為主控單元，擴展吸光度數據采集模塊、溫度控制模塊和μC/OS-III人機交互模塊，研制了水質氨氮檢測系統。文獻[7]采用PLC作為控制核心，氨氣敏電極作為數據采集模塊，設計了水質氨氮在線檢測儀。文獻[8]采用51單片機作為控制核心，設計了氨氣敏電極信號采集模塊，實現了水質氨氮的自動檢測。文獻[9]采用AM335作為控制核心，設計了基于納氏試劑分光光度法的氨氮檢測儀。上述儀器具有攜帶方便、操作簡單和成本低廉的優點。但是，基于氨氣敏電極的氨氮檢測系統的精度相對較低，無法與基于分光光度法的專業儀器相比。此外，上述系統均不能實現數據上云和結果共享，不利于有關部門及時掌控出水水質狀況。

鑒于此，本文利用物聯網技術，輔以人工智能算法構建了一套出水氨氮智能檢測系統。該系統能夠自動感知、實時采集水質氨氮數據，并依托物聯網技術將數據傳輸至云端，在人工智能算法的輔助下校正嵌入式系統的檢測值，實時給出出水氨氮濃度的精準測量值。

1 系統總體結構

氨氮智能檢測系統是由嵌入式檢測系統和智能預報系統組成，系統的總體結構如圖1所示。嵌入式檢測系統主要通過氨氣敏電極傳感器采集水中的氨氮數據。智能預報系統主要利用廣義動態模糊神經網絡（Generalized Dynamic Fuzzy Neural Network， GD-FNN）構建出水氨氮預報模型，以實現對檢測值的校正和糾偏。

2 嵌入式檢測系統

2.1 硬件設計

嵌入式檢測系統的工作流程如下：首先，利用氨氣敏電極獲取被測對象的微弱電壓信號；其次，利用信號調理模塊對電壓信號進行轉換、去噪、放大等處理，處理完成后送入STM32的A/D轉換器；再次，STM32將處理好的數據通過4G通信模塊發送到云服務器；最后，利用清洗校準模塊控制蠕動泵完成取液和探頭清洗等操作。

2.1.1 氨氣敏電極

數據采集裝置采用氨氣敏電極作為傳感器，并將電極置于裝有0.1 mol/L氯化銨的充液塑料套管中，與pH玻璃電極相互配合測量水體中的氨氮含量。具體操作過程如下：往水樣中加入強堿溶液使其pH值提高到11以上；由銨鹽生成的氨氣通過擴散作用使氫氧根離子濃度發生改變；利用pH值玻璃電極測量其變化，從而確定水體中的氨氮含量。

氨氣敏電極的信號調理電路如圖2所示，其采用高輸入阻抗運算放大器CA3140獲取氨氣敏電極的微弱信號，后經超低失調雙路運算放大器OP07進行信號放大。電位器R33用于測量前調零。

2.1.2 STM32微控制器

STM32F103微控制器采用Cortex-M3內核，具有高性能和低功耗的優點[10-11]。STM32的工作頻率為72 MHz，片上集成的FLASH容量最多可達512 KB。片上帶有2個12位ADC，可以將信號調理電路的輸出電壓信號轉變成數字信號。5個USART接口可以方便地實現STM32與4G模塊之間的串行通信。STM32主控模塊如圖3所示。

2.1.3 4G通信模塊

數據采集裝置與云服務器之間采用4G通信技術，能夠實現氨氮等水質數據的無線傳輸。系統選用SIM7600無線通信模塊，其傳輸速率完全能夠實現多個水質參數的數據傳輸任務。4G通信模塊電路如圖4所示。SIM7600的RXD、TXD引腳分別連接到STM32微控制器的TX、RX引腳，從而實現數采裝置中水質數據的上傳與云服務器中控制命令的下發。

2.2 軟件設計

嵌入式檢測系統的軟件主要由嵌入式程序和云平臺程序組成。

2.2.1 嵌入式程序

嵌入式程序主要負責控制和協調水質數據采集裝置，實現數據采集、控制信號輸出和通信數據收發等。嵌入式程序流程如圖5所示。

系統開機初始化后，通過4G模塊接入云服務器，然后進入監聽狀態等待數據；云服務器向終端數采裝置發送包含地址在內的固定格式數據。檢測裝置啟動蠕動泵，按給定壓力準確吸取一定量的反應液體并充分混合，等待傳感器測量；主控制器通過串口中斷來源判定接收的數據并啟動相應的應用服務程序，串口1為4G數據，串口2為檢測節點數據。

數據獲取裝置內布置多個檢測節點，各檢測節點有不同的地址，主控制器通過地址啟動相應的傳感器節點進行數據采集。待測水樣緩慢流入反應區，氨氣敏電極采集氨氮濃度對應的電壓信號，然后經過濾波、轉換得到待測水樣的氨氮濃度。

檢測節點根據主控制器指令，發送一個長度為4字節的測量數據，數據按以下格式發送：第1個字節為傳感器組號標志字節，0x01表示傳感器組1，0x02表示傳感器組2；第2個字節為傳感器組A/D轉換結果的高8位；第3個字節為A/D轉換結果的低8位。每次傳送完一個數據后，自動進入待機狀態，等待主控制器檢測指令。檢測節點程序流程如圖6所示。

2.2.2 云平臺程序

云平臺主要具有數據獲取、數據展示、數據分析和智能預報等功能，其架構如圖7所示。數據獲取模塊主要負責監聽端口、保存氨氮等水質數據；數據展示模塊主要負責對氨氮等水質數據進行報表展示和圖形展示；數據分析模塊主要負責對氨氮等水質數據進行基礎分析，包括水質參數超標報警；智能預報模塊主要實現氨氮等水質數據的噪聲消除、特征提取、歸一化等預處理以及基于GD-FNN的出水氨氮預報。

3 智能預報系統

為了實現對檢測值的糾偏和校正，本文采用GD-FNN構建出水氨氮濃度的預報模型。

3.1 GD-FNN拓撲結構

GD-FNN的拓撲結構如圖1中的氨氮智能預報系統所示，其主要由輸入層、隸屬函數層、規則層和輸出層組成[12-15]。

網絡的輸出為：

（1）

式中：y是輸出變量的預報值；wj是模糊規則的結果參數（也是第j條規則的連接權重）；j是第j條模糊規則的輸出。

對于TSK模型，wj是輸入變量的多項式，如下：

（2）

式中：α0j， ...， αrj（j=1， ...， u）是模糊規則j中輸入變量的權重系數。

第j條模糊規則的輸出j為：

（3）

式中：μij（xi）為輸入xi（i=1， ...， r）的第j個隸屬函數，定義如下：

（4）

式中：ci， j和σi， j分別為輸入xi的第j個高斯隸屬函數的中心和寬度。

3.2 GD-FNN結構調整

GD-FNN的結構調整主要是由模糊規則的增長、修剪和合并3部分組成。

3.2.1 規則增長

當第1個觀測樣本（x1， t1）進入智能預報系統后，生成

第1條模糊規則如下：

（5）

式中：ci， 1和σi， 1分別為輸入xi（i=1， ...， r）的第1條模糊規則的中心和寬度。

如果||ek||gt;ke且mdkmingt;kd，則需要生成一條新模糊規則如下：

（6）

式中：ci， u+1和σi， u+1分別為輸入xi（i=1， ...， r）的第u+1條模糊規則的中心和寬度；k0為重疊因子。

3.2.2 規則修剪

為了降低網絡結構的復雜度并強化對時變非線性系統的識別能力，需要動態剔除模糊規則庫中的冗余規則。GD-FNN采用誤差下降率法（Error Reduction Ratio， ERR）實現規則修剪[12]。

ERR的核心是計算模糊規則的重要性，定義如下：

（7）

式中：ρj為對回歸矩陣Ψ進行QR分解得到的特征向量。

3.2.3 隸屬函數合并

為了降低隸屬函數之間的冗余并提高規則的透明度，需要動態合并具有相同中心的隸屬函數。對于輸入變量xi，假設它的n個隸屬函數具有相同的中心ci， s和不同的寬度（σi， s1， ...， σi， sn），則新的隸屬函數中心ci， new和寬度σi， new分別為：

（8）

3.3 GD-FNN參數學習

GD-FNN的參數包含前件參數和后件參數，前件參數的更新采用動態寬度調整策略，后件參數的更新采用最小二

乘法[14]。

如果||ek||gt;ke且mdkmin≤kd，則需要減小xk對應神經元的寬度：

（9）

式中：I是最不活躍的隸屬函數層神經元的索引；J是距離xk最近的規則層神經元的索引；kr（0， 1）為衰減因子。

如果||ek||≤ke且mdkmingt;kd，則需要增大xk對應神經元的寬度：

（10）

式中：kwgt;1為增強因子。

在每步迭代時均需要更新輸出權重，最優的權重向量A*可以利用偽逆技術獲得：

（11）

式中：T為網絡期望輸出。

4 實驗驗證

4.1 系統精度驗證

利用嵌入式檢測系統對某小型污水處理廠出水氨氮濃度進行測量，共獲得450個檢測樣本。將檢測結果與該廠納氏試劑分光光度儀所測結果進行對比。圖8（a）給出了編號401～450這50個樣本檢測值與標準值的對比結果，圖8（b）給出了檢測值與標準值之間的誤差。從圖8可以看出，誤差大部分落在[-2 mg/L，2 mg/L]范圍內，表明嵌入式檢測系統的檢測精度還有待提高。

4.2 檢測值校正

由于傳感器采集到的數據存在一定噪聲，為了降低噪聲對模型精度的影響，利用小波包變換進行降噪處理。由于影響出水氨氮的因素較多，如果將全部因素輸入預報模型，將增大模型復雜度。本文利用偏最小二乘法對去噪后的數據進行特征選擇，最終獲取水溫（Water Temperature， WT）、pH值、化學需氧量（Chemical Oxygen Demand， COD）、懸浮固體物（Suspended Solids， SS）作為輔助變量。因此，神經網絡模型的輸入為x（t）=[WT（t-1）， pH（t-1）， COD（t-1）， SS（t-1）， AN（t-1）]T，

模型的輸出為y（t）=AN（t）。經過異常值剔除和去噪處理（2層小波包分解，Sym8小波處理，軟閾值處理）后，總計獲取400組數據，選取360組作為訓練集，剩余40組作為測試集。

圖9給出了GD-FNN在線訓練過程模糊規則數的變化情況。從圖9可以看出，GD-FNN最終的模糊規則數為8條，由此獲得了一個較為精簡的網絡結構。

圖10給出了GD-FNN的預測結果與硬件檢測結果的融合值。本文主要是將嵌入式感知系統的檢測值與智能模型的預測值進行求和取平均值作為校正值。從圖10可以看出，經過GD-FNN的校正和融合，檢測系統的精度有明顯的提升，檢測誤差主要集中在[-1 mg/L，1 mg/L]范圍內，完全能夠滿足污水處理廠對出水氨氮濃度的檢測需求。

5 結 語

針對污水處理過程中的出水氨氮檢測需求，本文設計了基于物聯網技術的氨氮智能檢測系統。針對嵌入式檢測裝置存在較大檢測誤差的問題，本文利用廣義動態模糊神經網絡GD-FNN建立了出水氨氮的預報模型，并利用預測結果對檢測系統的精度進行校正。結果顯示，智能檢測系統的精度完全能夠滿足污水處理廠低成本和高可靠性的氨氮檢測需求，這為氨氮濃度的調控奠定了數據基礎。

參考文獻

[1]吳志廣，楊慧中.一種免化學試劑的氨氮在線檢測系統[J].儀表技術與傳感器，2017（5）：57-60.

[2]吳丹，周素銳，劉英.水質中氨氮的快速檢測方法[J].分析試驗室，2015，34（4）：429-432.

[3]吳志廣，楊慧中.基于氨氣敏電極的氨氮在線檢測儀補償模型[J].分析試驗室，2017，36（3）：335-340.

[4]王潔.基于PLC的氨氮檢測控制系統研究與設計[D]. 西安：西安工業大學，2018.

[5]田人文.基于微流控芯片的氨氮和COD檢測系統的研制及應用[D].上海：華東師范大學，2018.

[6]張根寶，程震晨.基于STM32F4和μC/OS-III的水質氨氮檢測系統研究與設計[J].電子器件，2016，39（6）：1472-1476.

[7]王選，楊慧中.一種新型的氨氮在線檢測儀[J]. 中國給水排水，2014，30（20）：142-145.

[8]劉冰洲，陶博，劉舵，等.水質氨氮自動檢測儀的設計[J].測控技術，2015，34（10）：9-11.

[9]陳超華.水質檢測中氨氮檢測儀的設計與研制[D].長沙：湖南師范大學，2016.

[10]周紅標，應根旺，蔣恒，等.基于STM32的單相光伏并網發電系統[J].電測與儀表，2015，52（19）：61-66.

[11]周紅標，李珊，儲程鏈，等.基于STM32和LabVIEW的白酒電子舌的設計[J].計算機測量與控制，2014，22（3）：866-868.

[12] WU S Q， MENG J E， YANG G. A fast approach for automatic generation of fuzzy rules by generalized dynamic fuzzy neural networks [J]. IEEE transactions on fuzzy systems， 2001， 9（4）： 578-594.

[13]喬俊飛，周紅標.基于自組織模糊神經網絡的出水總磷預測[J].控制理論與應用，2017，34（2）：224-232.

[14] ZHOU H， ZHANG Y， DUAN W， et al. Nonlinear systems modelling based on self-organizing fuzzy neural network with hierarchical pruning scheme [J]. Applied soft computing， 2020， 95（10）： 106516.

[15] ZHOU H B， LI Y， ZHANG Q Y， et al. Soft-sensing of effluent total phosphorus using adaptive recurrent fuzzy neural network with Gustafson-Kessel clustering [J]. Expert systems with applications， 2022， 203： 117589.

作者簡介：陳冠斌（1981—），男，工程師，主要研究方向為鍋爐、水處理及燃燒設備的自動化、系統建模及優化、智能控制、物聯網技術等。

收稿日期：2023-06-02 修回日期：2023-07-04