摘 要：文中设计系统通过抽取采样和多级微压雾化技术解决了天然水体多胶质水质对传感器的影响。利用无线传感网和移动通信网实现了广域水质参数测量。通过数据挖掘提供对水产养殖和水环境监控的智能控制和预警，具有较强的社会意义和经济价值。
关键词：天然水体；多胶质；多参数；测量；预警
中图分类号：TP39；S959 文献标识码：A 文章编号：2095-1302（2017）10-00-03
0 引 言
水是生命之源，人类的生活和生产活动都离不开水，生活饮用水水质、水产养殖水质及水生态系统水质的优劣均与人类健康密切相关。随着社会经济发展、科学进步和人民生活水平的提高，人们对水质的要求不断提高。但同时，随着工业经济的发展，各类水质均受到一定程度的污染。因此，对水质的监测越来越迫切，尤其对范围广、影响大的天然水体的监测。
1 研究现状及意义
水质监测目前已实现从定点人工采样到单点自动测量站的转变，但由于水域面积较大，单点测量站靠近陆地，无法全面反映水质情况。为了提高测量精度，许多项目都选择精度较高的进口水质传感器。但由于欧美国家的水质情况相对较好，他们在设计传感器探头时均未考虑中国天然水体多胶质含量较高的情况。在此前多个水质监控系统中，进口传感器探头在多胶质含量较高的天然水体中约六个月，水中的多胶质就会影响水质传感器的测量精度，甚至使传感器无法完成测量。同时由于此影响过程缓慢，往往认为由水质参数的变化而引起，忽视了水体中多胶质问题的影响。虽然目前已有水质监控站，但对于中国多胶质水质长时间监测及大数据分析的研究较少，设计者均在试用阶段使用，水中的多胶质尚未对传感器探头的测量精度造成较大影响，测量精度符合要求，但对长期无人测量的后期跟踪研究较少，导致在长期实际使用过程中，传感器不适应中国多胶质水质的国情，使测量精度无法达到预期的设计要求，甚至测量得到的粗大数据导致系统无法正常工作。
研发天然水体多参数水质在线监测与大数据分析系统，能对水质的多个参数进行测量，解决传感器因为中国水质多胶质含量较高而导致测量不准的问题，从而获得长期、稳定、真实的测量数据。利用无线传感网及移动通信网对大范围水域进行水质监控并进行大数据分析，如检测氨氮含量，从而在淡水养殖业中对投放的饲料进行精确控制，实现智能控制，提高生产效率，节省成本，减少污染。除水产养殖外，本系统也能在水环境监控过程中对污染源及污染物进行实时测量并进行大数据分析，为政府决策提供参考依据。
2 系统架构设计
本系统主要根据太湖水监测需要，依托江苏省科技厅政策引导类计划（产学研合作）——前瞻性研究项目，设计了一套解决中国天然水体多胶质问题的在线监测与大数据分析系统，实现了天然水体水质长期稳定的测量和预警，并能实现各类水产养殖的智能化。智能养殖中的天然水体多参数水质在线监控系统结构如图1所示。
把天然水域分成若干水域，根据每个水域大小设置若干个多参数水质测量站、自动饲料机、增氧泵和无线传感网协调器、嵌入式系统和GPRS模块。本水域采集到的数据通过一个GPRS DTU传输到远程数据中心，在数据中心完成数据存储及大数据分析，得到水质的精确参数和变化趋势，通过自动饲料机、增氧泵等控制设备来自动控制水产养殖中的饲料自动投放及水质参数控制。用户可以利用手持设备或电脑通过ETHERNET访问数据中心实现实时数据的访问和对被控设备的控制。通过对天然水体多参水质进行监控不仅实现了水产养殖和水环境的智能化控制，同时也能为可能产生的水环境危机及时预警。
系统中，多参数水质测量站及天然水体多胶质对传感器探头的影响是整个系统的关键，它的稳定可靠工作决定了系统的稳定性与可靠性。
3 子系统设计
3.1 多参数水质测量站
水质情况由多个主要水质参数共通构成，如pH值、溶解氧、温度、电导率等，在水产养殖过程中，还需测量氨氮等参数。为了提高测量效率，系统设置了温度、pH值、溶解氧、电导率、氨氮传感器探头，对水质的5个参数同时进行测量。抽取采样清洗式多参数水质传感器如图2所示。
在多参数水质测量站设计过程中，解决中国天然水体多胶质物对水质传感器探头的影响是研究的重点，但目前国内外对天然水体中多胶质物的研究较少（多胶质的成份、形成机理、消除方法等）。为了能在较短的时间内，采用较小的成本消除天然水体中多胶质对传感器探头的影响，文中采用抽取采样清洗式测量方式，使传感器探头受天然水体多胶质物影响降至最低，同时，借助微型水净化系统，通过旋转切角为20°的多级减压微量雾化喷嘴实现对传感器探头的自洁，20°旋转切角流道最大化保证了出口状态的雾化效果，从而保证了多参数传感器探头长期保持洁净，使多胶质物体对测量精度的影响降至最小，使测量参数保持准确，同时，多参数水质测量站的价格约为进口价格的十分之一。经过在太湖水中的实践，该方法至少能使传感器探头保持二年以上的自洁，初步解决了中国天然水体水质检测中存在的探头受多胶质影响的问题。系统核心部件多级减压微量雾化喷嘴已获国家发明专利，并同时申请了美国专利，且已在美国实审公开。
多参数水质测量站的控制系统采用基于ARM9的S3C2440进行，具有价位低、性能-功耗比高、接口和部件丰富等特点，同时它有32位嵌入式CPU，能较好地满足自动水质测量及无线通信等要求。由于有些自动水质测量站远离陆地，有线供电成本较高，故系统采用太阳能电板与蓄电池构成不间断供电系统（UPS），为测量站提供电源。水质采样为间歇式工作，一个小型太阳能电池板便能满足系统的用电需求，即使在阴雨天蓄电池也能保证设备稳定工作一周时间。
如果水域面积较大，为了提高测量的精度和进行水质情况预警，在同一片水域中需設置多个自动测量站。对处于同一水域中的多个自动测量站通过ZigBee无线通讯技术把测量数据汇聚至嵌入式终端，通过GPRS无线远距离通讯技术把数据传输至数据中心。通过ZigBee无线自组网技术降低系统的通信成本与运营费用。多参数水质测量站如图3所示。
3.2 自動饲料机、增氧泵
自动饲料机、增氧泵需较大的功率，为方便渔民投放饲料，一般安装在近岸水域。这主要用于人工围网养殖，而大面积的水域养殖为非人工养殖，因此综合考虑各因素，故不设置自动饲料机和增氧泵类的设备。自动饲料机和增氧泵通过无线传感网与嵌入式网关进行通信，嵌入式网关接收来自数据中心的控制命令，再由网关通过无线传感网（WSN）发至自动饲料机和增氧泵，根据命令完成所需饲料的投放和增氧泵的开启，实现饲料和增氧的自动化。
3.3 数据中心
数据中心是系统的核心，首先对各测量站传来的数据进行存储，然后对存储的大数据采用面向数据流的柔性漂移支持向量机（FD-SVM）进行分析。此算法对水质监控等数据模型而言会发生变化，数据流无限增长、时序变化和潜在概念漂移的非静态数据能有效提升对数据的分类性能，适应更灵活的漂移策略。
通过数据挖掘，得到各子系统的控制参数，通过移动通信网和无线传感网，最终把控制参数发送至自动饲料机和增氧泵等设备，从而实现对水产养殖和水质参数的智能控制。在数据中心，综合气温、气压等天气预报信息，通过大数据分析，能实现对水产养殖和水环境污染等危险情况进行预警，并实时控制水体参数，确保水产养殖的安全，也能为环保主管部门决策提供参考依据。
数据中心设置IIS等服务器程序，用户可通过电脑浏览器或各类手持终端上的客户端程序实现远程访问与控制。终端控制软件测量界面如图4所示。
4 结 语
通过测试，系统能较长时间的解决中国天然水体中多胶质物对传感器探头的影响，确保长期测量的准确性。通过组建无线传感网，利用3G、4G或其它移动通信方式进行数据传输，实现大范围水域的测量。对长期稳定测量过程中获取的真实数据进行数据挖掘，对淡水养殖业进行实时精确的控制。该系统降低了渔民的劳动强度，提高了水产养殖的安全可靠性，实现了监管部门对水产品的溯源追踪。利用大数据分析，能对水产养殖的危险情况进行预警并控制，降低了养殖风险，保障了渔民的财产安全。目前系统仅工作二年，更长期的系统稳定性、可靠性等测试尚缺少实验数据，后续将进一步跟踪系统的工作情况，包括探头自洁情况，微型净水过滤系统等，为系统的维护和改进提供实验数据。
参考文献
[1]李南忘.基于数据挖掘方法通过简约参数建立水质异常检测及污染物识别系统的研究[D].上海：华东师范大学，2016.
[2]陈岩，闫云浩，谭婷，等.基于WSNs多参数水质监测的终端设计[J].传感器与微系统， 2014，33（10）：83-86.
[3]李晋，熊炎.大区域水质污染智能监测系统设计[J].计算机测量与控制，2013，21（10）：2670-2672.
[4]杜治国，肖德琴，周运华，等.基于无线传感器网络的水质监测系统设计[J].计算机工程， 2008，40（17） ：92-96.
[5]丁文，马茵驰，郗伟超.水产养殖水质环境无线监测系统设计与实现[J].农机化研究， 2012，34（10） ：78-82.
[6]刘继忠，敖俊宇，黄翔.基于ZigBee的水质监测无线传感器网络节点[J].仪表技术与传感器，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.