规模化水产养殖环境因子监控系统的设计

许晴，倪伟

(1．西南科技大学信息工程学院，四川绵阳621010;2．淮阴工学院电子与电气工程学院，江苏淮安223003)

与国外现代化的水产养殖业相比，中国的规模化水产养殖尚处于初级阶段，虽然水池、网箱养殖等模式得到推广和普及，但养殖工艺大多由人工完成，造成人力资源浪费的同时，也无法提供最佳的养殖环境［1-2］。针对中国自动化养殖较为落后的现状，为完善水产养殖环境因子的实时监控系统，本研究中设计了基于ZigBee无线传感器网络的水产养殖环境因子监控系统，并且针对养殖环境的复杂性、非线性、时变性等特点，结合多传感器数据融合技术，实现了对pH、溶解氧、水温等环境因子更精确、可靠地监测与控制。

1 系统方案

根据水产养殖监控现场的环境，本研究中设计的监控系统由监控主机和ZigBee网络组成［3-4］，系统结构如图1所示。其中ZigBee无线网络由协调器节点、路由节点、终端节点组成，而终端节点又可分为监测节点和控制节点。

监测节点、路由节点和协调器节点均采用TI公司的 CC2430芯片。CC2430是符合 IEEE802．15．4标准的片上系统 (SOC)芯片，它在单个芯片上集成无线射频、内存和一个增强型的8051微处理器［5］，满足水产养殖监控系统的可靠性和低功耗要求。终端的监测节点主要负责实时采集养殖水质数据 (如水温、溶氧量、pH等)，然后将采集数据由无线射频模块传输到路由节点或协调器节点。针对监控系统的复杂性、时变性、非线性等特点，在无线传感器网络中利用自适应加权算法进行数据级融合，融合后的数据由协调器节点上传到上位机，并由上位机完成基于模糊综合评判法的决策级融合，依据评判结果给出不同的报警信号和水质调控决策。终端控制节点采用CC2430和MSP430双核控制，其中CC2430负责接收无线网络发送的控制命令，并由MSP430对热水电磁阀、增氧机、酸碱溶剂注入电磁阀等被控设备实施现场控制。上位机与协调器节点通过串行数据总线进行通信，上位机接收和显示监测节点采集的数据并对其进行分析后，由无线网络向控制节点发送控制命令，驱动执行设备 (增氧机、热水电磁阀、pH控制等)控制环境因子。

2 多传感器数据融合

水产养殖环境是一个多环境因子共同作用的复杂动态系统。依靠单一的环境因子监测结果判断水质的安全，无法满足实际应用的需求［6］。本系统中采用两级数据融合，即自适应加权算法的数据级融合和基于模糊综合评判法的决策级融合［7］。多传感器数据融合结构如图2所示。

由自适应加权融合算法得到的融合数据上传至上位机，利用模糊综合评判法进行决策级的数据融合。通过两级数据融合可以构建较为完善的水产养殖监控系统，综合各项数据，全面了解养殖环境水质，提高监控系统的精确度和可靠性。

图1 水质环境监控系统框图Fig.1 Structure diagram of the water quality monitoring system

图2 多传感器数据融合结构图Fig.2 Structure diagram of multisensor data fusion

2.1 自适应加权融合算法

自适应加权融合算法在满足总均方误差最小的条件下，不要求知道其他任何先验知识，仅依靠传感器测量的数据，通过各传感器节点采集的数据利用自适应的方法计算出各节点的权值，使得融合后的结果最优［8-9］。融合算法模型如图3所示。

图3 融合算法模型Fig.3 Fusion algorithm model

假设监测节点有n个传感器对某一环境因子进行测量，其中X1(m)，X2(m)，…，Xn(m)表示各传感器测量的数据，方差为，，…，，加权因子为W1，W2，…，Wn，待估计的真值为X，融合后输出为^X。

无线传感器网络的第i个终端节点连续采集m次数据，计算其平均值(m)和方差，将这两个值发送到路由节点或协调器节点。在总均方差最小的前提下，路由节点或协调器节点依据终端节点传送的数据计算出加权系数Wi以及融合后的最优值 ^X，其中Wi和满足以下关系:

n个传感器融合的总均方误差σ2为

由式 (2)可知，总均方误差σ2是关于各加权因子Wi的多元二次函数，由极值定理可知其存在最小值，其最优加权因子为

对应的最小总均方误差为

2.2 模糊综合评判法

模糊综合评判法是由模糊集理论对监控系统采集的多传感器信息做出综合评价，它将一些模糊的、难以量化的因素定量化，给出合理的、贴近实际的量化评价［10-13］。

2．2．1 建立因子集和评价集 依据实际要求，在本监控系统中，选取对水质影响较大的3个环境因子组成评价因子集:U={U1，U2，U3}={pH，溶解氧，水温}。根据鱼类对监测指标的耐受程度［14］，将渔业水质评价分为5级:V={V1，V2，V3，V4，V5}={优，良，中，差，极差}。

2．2．2 建立模糊评价矩阵R 养殖水质的优劣是人为给出的模糊性概念，不能准确地定义水质等级为优质或劣质。运用模糊集理论，对不同的水质评价标准给出不同的隶属度。评价指标标准值可分为递增型 (1级～5级)和递减型 (5级～1级)两类。从养殖实际要求看，特定养殖对象的最佳养殖环境因子 (如pH、水温等)是确定的某个标准值，当评价标准值增加或减少时均不利于养殖对象的生长，因此，本系统是递增型与递减型两类的混合。其隶属度计算公式如下:

(1)递增型 (1级～5级)。

当 xi≤ hi，1时，有

当 hi，j≤ xi≤ hi，j+1时，有

当 xi≥ hi，5时，有

(2)递减型 (5级～1级)。

当 xi≥ hi，1时，有

当 hi，j+1≤ xi≤ hi，j时，有

当 xi≤ hi，5时，有

其中:xi为第i个评价因子的测量值;ri，j为第i个评价因子相对第j级的隶属度;hi，j为第i个评价因子的第j级标准值。

根据隶属函数公式计算各评价因子的隶属度，得到模糊评价矩阵R为

2．2．3 确定各因子的权重 养殖环境由多个环境因子共同作用，各个环境因子之间相互联系相互影响。因外界环境的影响，各环境因子对水质优劣的影响不同，所以对每个环境因子赋予不同的权重，组成评价因子的权重矩阵W=［W1，W2，W3］。本系统采用“超标法”计算各因子的权重Wi:

其中:hi，j为第i个评价因子的第j级标准值;为第i个评价因子各级评价标准的平均值。

2．2．4 建立水质评价模型 由下式计算养殖水质的模糊综合评价等级:

其中:B为评价结果;W为评价环境因子的权重矩阵;R为单因素评价矩阵。

3 实验分析

3.1 自适应加权融合算法

在实验室环境下，对室内温度进行采集，验证该算法是否有效。

室内安置5个无线传感器节点，4个节点作为温度采集的终端节点，1个作为协调器节点构成无线传感器网络。4个传感器节点对室内温度每10 s采集一次，终端节点将1 min内测量的6次数据计算平均值¯Xi(m)和方差并传送到协调器节点，协调器节点将4个终端节点的测量数据进行融合后送至上位机。为了验证自适应加权算法剔除疏失误差的有效性，任选一个终端节点作为故障点，监测节点1 min内采集的温度数据如表1所示。

表1 监测节点测量的温度数据Tab.1 Temperature data measured at monitoring sites

由实验结果可知:传感器终端节点测量的准确度越高，其加权系数就越大，在数据融合中的重要程度就高，因此，可以有效地避免外界环境因素对测量的干扰，减小因疏失误差对测量精确度的影响，有利于提高系统的准确性。此外，自适应加权算法的运用，有效地减少了网络通信量，从而降低了节点通信能耗，延长了网络节点的生命周期。

3.2 模糊综合评判法

本研究中，利用某水产养殖场采集的数据对评价模型进行验证。选取对水质影响较大的3个因素溶解氧、pH、水温为评价因子，即U={U1，U2，U3};依据中国现行的《中华人民共和国渔业水质标准》［15］和中国农业大学建立的池塘水质分级指标及标准［16］，得到各指标相对各级水质的取值，即建立评价集 V={V1，V2，V3，V4，V5}={优，良，中，差，极差}，如表2所示。采集的4组水质因子数据如表3所示。

选取第1组采集的数据进行分析，利用公式(5)～(10)计算3个环境因子对5个模糊集合的隶属度，得到模糊关系矩阵为

表2 评价指标的等级范围和代表值Tab.2 Grading ranges and representative values in evaluation

表3 养殖池水质采集数据Tab.3 Data collection of water quality in a pond

由公式 (11)计算各评价因子的权重W1=(0．345，0．328，0．327)，则模糊综合评价等级为

依据最大隶属度原则，确定该水质的等级为优。同理可得其他3组数据的模糊综合评价结果。

从表4可见:采集的第1组数据分析显示，水质环境为优，适合养殖对象生长;第2组与第4组水质良好;第3组水质状况已经不利于养殖对象的生长。由模糊综合评价法得出的结论，与实践经验的结论一致。

表4 水质信息融合结果Tab.4 Results of water quality information fusion

4 结语

水产养殖环境是一个多参数、非线性、大延时的复杂系统，各环境因子之间相互作用，传统的单因子单阀值控制方法已不能满足实际的水质调控需求。本研究中设计的监控系统将无线传感器技术和数据融合技术相结合，弥补了传统监控系统只能实现对某单一环境因子进行监控与报警、数据精度差、可靠性低等缺点。实验数据分析表明，该监控系统对多传感器采集的数据进行两级融合，减小了疏失误差的影响，可在全面了解养殖水质环境的基础上给出相应的调控决策，能为养殖对象提供最佳的养殖环境。

［1］彭树峰，王云新，叶富良，等．国内外工厂化养殖简述［J］．渔业现代化，2007，32(2):12-13．

［2］刘大安．水产工厂化养殖及其技术经济评价指标体系［J］．中国渔业经济，2009，27(3):97-105．

［3］宦娟，刘星桥，程立强，等．基于ZigBee的水产养殖水环境无线监控系统设计［J］．渔业现代化，2012，37(1):34-39．

［4］张新荣，徐保国．基于CC2430的水产养殖环境信息监测系统设计［J］．渔业现代化，2011，38(2):17-21．

［5］李文仲，段朝玉．ZigBee无线网络技术入门与实战［M］．北京:北京航空航天大学出版社，2007．

［6］陈明，朱文婷，周汝雁，等．BP神经网络信息融合技术在水质监控系统中的应用［J］．微计算机信息，2010，26(4):15-17．

［7］张晓亮，罗文广．多传感器数据融合技术在室内环境品质监控系统中的应用［J］．仪表技术与传感器，2012(2):103-105．

［8］李琳．基于ZIGBEE的分布式低功耗温度检测系统的研究［D］．青岛:青岛大学，2012．

［9］张兢．基于多通道自适应加权融合算法的火灾特征识别［J］．国外电子测量技术，2006，25(1):31-34．

［10］Lu Xinwei，Li Loretta Y，Lei Kai，et al．Water quality assessment of Wei River，China using fuzzy synthetic evaluation［J］．Environmental Earth Sciences，2010，60(8):1693-1699．

［11］Wang Jianhua，Lu Xianguo．Fuzzy synthetic evaluation of water quality of Naoli River using parameter correlation analysis［J］．Chinese Geographical Science，2008，18(4):361-368．

［12］马丛国，赵德安．水产养殖过程中水质模糊综合评价系统的设计［J］．安徽农业科学，2011，39(17):10497-10498，10502．

［13］徐耀松，郭磊，王丹丹，等．多传感器模糊综合信息融合算法在煤矿瓦斯监测中的应用［J］．矿业安全与环保，2008，35(5):42-44．

［14］王瑞梅，傅泽田，何有缘，等．渔业水域水质模糊综合评价模型研究［J］．中国农业大学学报，2005，10(6):51-55．

［15］国家环境保护局．中华人民共和国渔业水质标准(GB11607-89)［S］．北京:中国标准出版社，1989．

［16］王红英．地热水用于水产养殖的水环境因子研究［D］．北京:中国农业大学，1996．