基于熟人模型的大型养殖池塘多增氧机智能控制系统

简玉梅　张韩飞

1(上海工程技术大学电子电气工程学院　上海 201620)2(淮阴师范学院　江苏 淮安 223300)



基于熟人模型的大型养殖池塘多增氧机智能控制系统

简玉梅1张韩飞2

1(上海工程技术大学电子电气工程学院上海 201620)2(淮阴师范学院江苏 淮安 223300)

摘要为解决目前大型养殖池塘多台增氧机不能及时控制问题，系统采用GPRS和WSN混合通信，并通过设计多台增氧机智能控制的方式对系统进行监控。簇头节点收集数据后发送给网关节点，当溶解氧测量值与上次发送值误差在0.02 mg/L范围内时，不向簇头发送数据。网关节点分析水质数据，若发现数据异常，通过数据包中节点编号快速定位。根据增氧机和异常点间的熟人模型，确定增氧机。网关节点根据各簇头的自信度、剩余能量和与被选中增氧机间的熟人关系，为增氧机控制命令从网关节点发送到增氧机找一条最优传输路径。实验结果表明，系统减少了传输能耗和增氧机的开机时间，实现了对多台增氧机智能控制，满足了大规模水产养殖的需要。

关键词无线传感器网络GPRS熟人模型多台增氧机智能控制

0引言

在水产养殖中需实时监测水中的溶解氧、pH值、盐度、温度等各个水质参数，其中溶解氧是影响水产品产量的最重要因素，越来越多的学者投入到了溶解氧的智能控制中。在研究初期学者们多采用有线的方式[1，2]，但由于有线系统大量使用各种线路，现场混乱，数据采集复杂，系统扩展性差，而逐渐将嵌入式技术、物联网技术和无线传输技术引入到水产养殖中[3-6]。如近几年提出的运用无线传感器网络(WSN)和GPRS混合通信[7-9]实现对水产养殖环境的实时监测和控制。但目前研究基本上都是针对一个池塘一台增氧机[10-12]，没有考虑一个大型养殖池塘多台增氧机的混合控制，对于集约化大规模水产养殖系统而言，需要综合考虑一个池塘中多台增氧机的智能控制。

针对上面问题，本文提出在一个大型养殖池塘，使用WSN和GPRS混合通信，在单台增氧机闭环控制的基础上通过增氧机和簇头节点之间建立熟人模型，实现大型池塘多台增氧机的智能控制。系统由实时监控、无线传感器网络两部分组成，通过对无线传感器节点采集的数据进行分析，控制某台或者所有增氧机，在规定的时间间隔内，将水质参数传输到远程控制中心方便后期查询。

1系统结构

为了达到对水产养殖现场的监控和水质参数的管理目的，设计的系统必须具备数据自动采集、远程传输、存储管理，分析处理等功能。多增氧机智能控制系统主要由无线传感器网络单元和实时控制单元组成，无线传感器网络是由ZigBee网络和GPRS组成。实时控制单元分为现场控制中心和远程控制中心两部分，现场控制中心主要负责收集数据、处理数据，将控制命令驱动发送给控制节点，实现闭环控制，远程控制中心主要存储大量的水质养殖参数，供养殖户进行整体控制。系统总体结构如图1所示。

图1　系统结构图

无线传感器网络单元采用簇状拓扑结构[13](cluster tree)，网络中的节点包括传感器节点、簇头节点和网关节点。传感器节点负责采集水质参数(DO、pH、氨氮、OPR等)，且只能和簇头进行通信，节点之间不进行数据交互。簇头间可以相互通信转发信息，各簇头之间通过单跳或者是多跳的方式将数据发送给网关节点。网关节点是一个嵌入式处理中心，同时具有ZigBee和GPRS通信功能，负责将数据发到远程控制中心；并在分析处理数据后，根据异常数据所在节点和增氧机之间的熟人关系，决定将控制命令发送给某台具体增氧机的控制PLC(S7-200)，由PLC控制增氧机。

远程控制中心由MySQL Server 5.1 数据库服务器平台和数据接收程序组成，负责接收和存储数据，并实时综合分析养殖水域情况。中心使用socket通信完成数据接收，创建一个套接字将其绑定到固定的IP和端口上，当有连接请求发送来时建立接收数据线程，可以接收GPRS发送来的数据。

2传感器节点设计

2.1传感器节点硬件设计

WSN由多个传感器网络节点构成，每个传感器节点由电源模块、传感器模块、模/数转换模块和核心处理模块组成，节点可以进行数据采集、数据处理、无线通信的功能。传感器模块使用美国INSITU公司的Aqua TROLL 400，核心处理模块使用TI公司的CC2530，该模块包含ZigBee协议栈，可以用于完成数据的收发。

2.2传感器节点软件设计

传感器节点主要被放在养殖池塘里，选择干电池供电，簇头节点使用睡眠—工作模式[14]。当其不进行数据发送时进入睡眠模式，可设定睡眠计数器的值，当睡眠计数器溢出时唤醒节点，对数据进行采集和发送，完毕后再次进入睡眠模式。

网关节点又叫基站节点使用ARM9处理器，采用Siemens公司GSM/GPRS双频模块完成无线远程通信。使用嵌入式数据库SQLite对数据进行存储。

传感器节点向簇头发送的数据含有目的地址和源地址，其中目的地址是最终网关节点，源地址则为发送出数据的传感器节点。在系统设置初期，将各个节点按照簇和节点进行编号，源地址实际上就是由簇号和节点编号组成。当网关接收到数据后，通过GPRS模块将数据发送出去，移动基站则将获得的数据通过Internet，最终传送该远端控制中心。

2.2.1单传感器终端节点设计

传感器将第一次采集的数据发送给簇头节点，后面采集的数据都需要和上次发送值比较，误差在0.02 mg/L范围内时，不向簇头发送数据，节约电池电量[6]。

2.2.2网关节点设计

网关通过GPRS发送数据分两步：拨号上网和基于Socket的网络通信。拨号上网实现PPP连接(point to point Protocol over Ethernet)，连接上后通过套接字(socket)实现和服务器的通信。GPRS的通信模式属于客户端向服务器发送服务请求，服务器根据请求提供相应服务。

3基于熟人模型的多台增氧机智能控制

在一个大型养殖池塘中，放置多台增氧机，由于鱼虾的活动和池塘周围环境的不同导致整个池塘不同位置的水质参数不同。因此养殖户需要随时了解水质参数的变化判断增氧机的状态。而且在养殖一段时间后，需结合当前养殖周期，投饵状况，调用离线数据对整个池塘进行综合控制。

3.1多台增氧机熟人模型设置

在一个150 m×200 m的大型养殖池塘中，设置多个采集节点及增氧机，选取其中20个采集节点，3个叶轮式增氧机[15]为例，如图2所示。初始时为每个增氧机和节点命名。采集节点采用“簇头节点+采集节点”下标方式命名，簇头1(简称C1)所在簇的四个节点从左上角顺时针依次命名为N11、N12、N13、N14。其他以此类推。

图2　系统节点和增氧机分布图

系统的簇头节点数多于增氧机数，且每个增氧机不是由固定的簇头触发的。每当需要触发增氧机时，增氧机和簇头之间建立熟人关系，对熟人关系有多种分类方式，如是否合作过、状态间的密切情况等[15-17]。本文根据增氧机和簇头间的距离进行熟人关系的划分。

为了更好表述熟人关系模型，考虑图2中簇头C1、C2、C3和C4，以及增氧机1#(简称A1)和增氧剂2#(A2)之间的分类关系。假设四个簇头节点汇总20个采集节点的数据并将其发送到网关节点，网关节点分析数据后发现N13处溶解氧偏低，则需要增氧。

控制增氧机有两个步骤：确定开哪台增氧机；由哪个簇头转发命令。

3.1.1判断开启某台(或多台)增氧机

对采集节点N13来说，可通过如下四元函数表示它和A1、A2、A3之间的关系：

其中：

2)N表示采集节点；

3)A表示增氧机；

4)Acq表示节点和增氧机间的熟人关系,Acq∈AN；熟人关系的确定需要考虑距离H，其中AN={陌生人、一般熟人、熟人}；

5)H表示传感器节点和增氧机间的距离，其中距离和熟人集合的关系为：

HN={x∈陌生人|x>80m,

x∈一般熟人|40m

x∈熟人|x<40m}

传感器节点与增氧及间的熟人关系主要是由叶轮增氧机的增氧范围决定的。由该模型可以知道，对于N13来说，A1是熟人，A2和A3是一般熟人。最终决定对A1增氧机进行操作。当遇到如图3所示的几种情况时，按照附加判断条件进行增氧机开启判断。

图3　增氧机和节点熟人关系示意图

图3中，小圆覆盖区域表示熟人关系，大圆区域表示一般熟人，不在圆中的节点对于增氧机来说是陌生人。

1) 一个采集节点存在多个熟人

当某采集节点处在两个及以上增氧机的熟人关系网中时，如图3中的A2和A3都是N41的熟人，此时选择离网关节点位置最近的A3进行操作。

2) 某采集节点周边没有熟人，但存在一般熟人

当节点周边没有熟人时，如图3中N22，在A1和A2来说都是一般熟人，最终选择离自己距离最近的A2为目标增氧机。

3) 一个采集节点周边全是陌生人

当节点离所有增氧机都很远时(图3中N32)，三台增氧机都在其熟人模型外。这种情况下首先确定由离它最近的增氧机进行控制，同时需要在通信的过程中给远端控制中心发送命令，进行人为的增氧机位置微调，避免此情况。

对于多个采集节点处水质出现异常，判断开启多台增氧机的方法同上。

3.1.2判断参与转发控制命令的簇头节点

由3.1.1节确定打开1#增氧机后，需判断由哪个或者哪些簇头进行控制命令的转发。

由于簇头节点负责汇总转发数据需要能耗，在转发增氧机控制命令时需要选择一条能耗小，同时相对及时的路线。对于1#增氧机A1来说，可以通过一个四元函数来确定增氧机和簇头之间的关系：

ω(Acq)+E(e)×ω(e)

其中：

2) E(c)、ω(c)表示簇头节点自身能否胜任转发任务的自信度及相应的权重值。一般设置熟人节点的自信度为1，一般熟人的自信度为0.8，陌生人的自信度为0.5。自信度在使用过程中按照式(1)及时更新：

(1)

3) E(Acq)、ω(Acq)表示簇头节点对于增氧机的熟人模型的评价值及权重值。E(熟人)=5，E(一般熟人)=3，E(陌生人)=1。

4) E(e)、ω(e)表示簇头剩余能量的评价值和对应权重。当一个节点是一个全新节点时剩余能量最多，为5。随着使用剩余能量越来越少。节点死亡时能量为0。

对A1来说，由3.1.1节知C1和C2是熟人，C3和C4是一般熟人。假设某时刻C1、C2、 C3、C4对于A1的剩余能量分别为3、3、2、3。

参考农业专家意见，在选取簇头节点时，主要是选取那些有能量完成任务且距离增氧机节点很近的簇头。节点在有能量且距离范围近的状态下，它之前是否成功完成任务的自信度不作为主要考虑因素。为此给予熟人关系和剩余能量的权重分别为0.4，自信度权重为0.2。如表1所示。

表1　C1,C2, C3,C4对A1的值和对应权重

对于A1来说，C1的评价值为：

ω(Acq)+E(e)×ω(e)

=1×0.2+5×0.4+3×0.4

=3.4

对于A1来说，C2的评价值为:

ω(Acq)+E(e)×ω(e)

=0.8×0.2+5×0.4+3×0.4

=3.36

对于A1来说，C3的评价值为:

ω(Acq)+E(e)×ω(e)

=1×0.2+3×0.4+2×0.4

=2.2

对于A1来说，C4的评价值为：

ω(Acq)+E(e)×ω(e)

=0.7×0.2+3×0.4+3×0.4

=2.54

由于四个簇头对于A1的评价值关系为：

综上，在N13节点数据异常时，最终选择离N13最近的A1进行增氧，综合各个簇头节点的距离、剩余能量、自信度之后选择簇头C1给A1转发控制命令。

通过考虑簇头节点和增氧机之间的熟人关系以及自信度，能够使得每次的发送命令有很大的把握传输成功，减少了传输失败重新选择路线带来的能耗。同时由于设置了当前后两次增氧机测量差值在0.02 mg/L的范围内时只发送一个标识符到网关节点，进而也减少了传输能耗，使得节点中能耗小。同时剩余能量的加入使得那些快要死亡的簇头节点不再参与数据传输，使得整个网络的寿命延长，换个角度说也是保证了数据传输的及时性。

由于本例子中C1节点离网关节点很近，可以直接接收网关节点发送来的命令。当选择的节点离网关节点很远时，需要考虑各个节点到网关节点之间的多跳路由，由于篇幅有限，此问题不在此详述。

3.2增氧通信机制设计

网关节点接收到远程控制中心发送来的查询请求后，转发给簇头，簇头触发采集节点从休眠状态转变为工作状态。当采集节点将采集数据发送给簇头节点后，簇头节点接收汇总传感器节点采集的数据，并回复确认应答，让采集节点从工作状态转为休眠。

4结果与分析

实验分两部分内容：

1) 验证使用了多增氧机熟人模型后，无线传感器网络的能耗是否减少，即系统的节能性。

2) 验证进行多台增氧机闭环智能控制后，提升了增氧机控制的实时性，减少了增氧机的开机时间。

4.1能耗实验

网关节点每隔半小时触发簇头节点收集一次数据，选择N21节点的采集数据为例，其中2014年8月20号池塘中N21处采集的实验数据如表2所示。

表2　2014年8月20日水质采集参数

由采集到的数据显示，采集到的各个水质参数在采集时间间隔内变化比较小，网络中出现的第一个失效节点的时间比传统将所有采集数据都发送到网关节点延长了50%。主要原因在于系统设计当两次采集的溶解氧相差在0.02 mg/L之内时，认为水质参数没有变化，只需要传输一个标识符告诉网关节点，传输标识符比传统传输所有数据为网络节约了传输能耗。

4.2实时性和开机时间试验

本文选择2014年8月20日、21日两天的溶解氧数据进行各台增氧机开关次数分析。其中8月20日为雨天，8月21日为阴天，常规增氧时，阵雨天时选择01:00-03:00，08：00-10:00， 15:00-18:00，21:00-22:00开机8个小时，多云天气选择开机7个小时。本文使用WSN和GPRS混合通信，且引入了多台增氧机和簇头，采集节点之间的熟人模型后，增氧机的开关机次数和时长如表3所示。

表3　多台增氧机24 h内(8月20日)的开机次数及开机时间

由于增加了增氧机和采集节点之间的熟人关系模型，在多台增氧机智能控制的时候，不需要每台增氧机都在设定的时间里打开，只需要打开出现预测到水质将要异常或者已经异常的水质附近的增氧机。由上述数据可知，三台增氧机在一天内的打开时间比原来的定时开机减少了4.5个小时，达到水产养殖环境水质参数智能控制的目的。

系统的实时性主要取决于传输路径的选择、已经传输的成功性。本文使用簇头节点的自信度、剩余能量以及簇头节点和增氧机之间的熟人关系，为每次的控制命令传输找出一条相对

距离最短、参与的簇头节点能量最多、自信度最大的路线。该路线能保证传输的控制命令及时传输到增氧机控制器上，减少数据二次传输带来的能耗。

5结语

本文研究大型水产养殖池塘的溶解氧实时控制。在WSN和GPRS混合通信的情况下，针对每个WSN中簇头节点和采集节点与增氧机之间的关系，建立采集节点和增氧机的熟人模型，簇头节点和增氧机之间的最小能耗线路熟人模型。通过持续测量养殖池塘中的溶解氧、温度、盐度、pH、ORP、氨氮等相关参数实现对南美白对虾生长环境的实时监测。本系统能精准地开启某台或者多台增氧机，而且能选出一条最优路径实现增氧机控制命令的发送。实现了水产养殖过程中增氧机的实时控制。

参考文献

[1] 李道亮,傅泽田.智能化水产养殖信息系统的设计与初步实现[J].农业工程学报,2000,16(4):135-138.

[2] 马从国,赵德安,秦云,等.基于现场总线技术的水产养殖过程智能控制监控系统[J].农业机械学报,2007,38(8):113-115.

[3] 郭文川,程寒杰,李瑞明,等.基于无线传感器网络的温室环境信息监测系统[J].农业机械学报,2010,41(7):181-185.

[4] 常超,鲜晓东,胡颖.基于WSN的精准农业远程环境监测系统设计[J].传感技术学报,2011,24(6):879-883.

[5] 黄建清,王卫星,姜晟,等.基于无线传感器网络的水产养殖水质监测系统开发与试验[J].农业工程学报,2013,29(2):183-190.

[6] 蒋建明,史国栋,李正明,等.基于无线传感器网络的节能型水产养殖自动监控系统[J].农业工程学报,2013,29(7):166-174.

[7] 韩华峰,杜克明,孙忠富,等.基于ZigBee网络的温室环境远程监控系统设计与应用[J].农业工程学报,2009,25(7):158-163.

[8] 梁焕焕,熊庆宇,石为人.基于无线传感器网络的水质在线监测系统研究[J].传感器与微系统,2011,30(5):149-152.

[9] 王文博,赵培陆,梅笑冬,等.基于ZigBee的无线传感器网络大气监测系统设计[J].传感器与微系统,2014，33(2):83-86.

[10] 刘双印,徐龙琴,李道亮,等.基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型[J].农业工程学报,2012,28(12):167-175.

[11] 张佐经,陈希同,冯建合,等.面向水产养殖的精确化补氧系统研究[J].农机化研究,2013,35(1) :133-137.

[12] 孙园园,刘昌华.自动化增氧机控制算法与控制系统设计[J]. 农机化研究,2013,35(2):65-69.

[13] 沈波,张世永,钟亦平.无线传感器网络分簇路由协议[J].软件学报,2006,17(7):1588-1600.

[14] 任倩倩,李建中,高宏,等．传感器网络中一种基于两阶段睡眠调度的目标跟踪协议[J]. 计算机学报，2009,32(10):1971-1979.

[15] 张世羊,李谷,陶玲,等.不同增氧方式对精养池塘溶氧的影响[J].农业工程学报,2013,29(9):169-175.

[16] 耿兰芹,王平.复合熟人模型——一种多Agent合作组织方法[J].华北电力大学学报：自然科学版,2007,34(1):123-127.

[17] 伍京华,孙华梅.带有熟人关系的agent劝说及其评价模型研究[J].计算机应用研究,2013,30(2):386-388.

收稿日期：2015-03-03。淮安市应用研究与科技攻关计划(工业)项目(HAGZ2014009)。简玉梅，助教，主研领域：无线传感器网络，智能控制。张韩飞，助理研究员。

中图分类号TP3993

文献标识码A

DOI:10.3969/j.issn.1000-386x.2016.07.028

INTELLIGENT CONTROL SYSTEM FOR SETS OF AERATORS IN LARGE-SCALE FARMING POND BASED ON ACQUAINTANCES MODEL

Jian Yumei1Zhang Hanfei2

1(SchoolofElectricalandElectronicEngineering，ShanghaiUniversityofEngineeringScience，Shanghai201620，China)2(HuaiyinNormalUniversity,Huaian223300,Jiangsu,China)

AbstractIn order to solve the problem that a set of aerators in large-scale farming pond cannot be timely controlled, we propose such a system, it uses the hybrid communication of GPRS and WSN and is controlled by designing the intelligent control manner for sets of aerators. The cluster head nodes of the system send the collected data to gateway nodes, when the changes in dissolved oxygen concentration is less than 0.02 mg/L compared with the value sent in last time, no data will be sent to its cluster head. The gateway node is in charge of analysing water quality data, when the abnormal data is found, rapid positioning will be done through the node number in data package. The aerator will be determined according to the acquaintance model between the aerator and the anomaly node. According to the confidence, remaining energy of each cluster head and the acquaintance relationship between it and the chosen aerator, the gateway node will find an optimal transmission path for sending the control command for the aerator from gateway node to the aerator. It is verified by the experimental result that the system reduces energy consumption and boot time of the aerator, achieves intelligent control on sets of aerators, and meets the needs of large-scale aquaculture.

KeywordsWireless sensor networkGPRSAcquaintances modelSets of aeratorsIntelligent control