翁 正，陳 明，池 濤，劉亞蕊

(1上海海洋大學信息學院，上海 201306；2 農(nóng)業(yè)農(nóng)村部漁業(yè)信息重點實驗室，上海 201306)

2019年全國水產(chǎn)養(yǎng)殖產(chǎn)值共達9 761.89億元[1]，水產(chǎn)品總產(chǎn)量逐年上升。加強水產(chǎn)養(yǎng)殖的信息化建設，建立水產(chǎn)養(yǎng)殖監(jiān)測、預警和管理的綜合體系顯得十分重要[2-3]。水質的安全關乎水產(chǎn)養(yǎng)殖的產(chǎn)量和質量[4]。在養(yǎng)殖過程中，對水質實現(xiàn)動態(tài)的監(jiān)測和預警[5]，能提升養(yǎng)殖過程的穩(wěn)健性。傳統(tǒng)的水質監(jiān)測系統(tǒng)，存在系統(tǒng)精度低，系統(tǒng)控制延遲高，不能進行預測和提前預警等不足。江先亮等[6]設計了基于自動無人船的水產(chǎn)養(yǎng)殖水質動態(tài)監(jiān)測系統(tǒng)，提升了監(jiān)測效率。Fang等[7]設計了具有較好性能的環(huán)境監(jiān)測系統(tǒng)，降低了系統(tǒng)的延遲。劉雨青等[8]開發(fā)了基于物聯(lián)網(wǎng)3層體系架構的螃蟹養(yǎng)殖基地監(jiān)控系統(tǒng)，但這3項研究都不能預測數(shù)據(jù)和提前預警。Ren等[9]采用變分模式分解(VMD)方法對數(shù)據(jù)去噪，基于深度信念網(wǎng)絡實現(xiàn)溶氧含量的預測。Heddam等[10]使用最小二乘支持向量機、多元自適應回歸樣條和M5模型樹成功估算溶氧的質量濃度。溶氧是水質的關鍵指標，通常是監(jiān)測和分析工作的主要目標[11-12]，其含量過低過高都會影響魚類的生長發(fā)育[13]。

綜合以上研究的優(yōu)缺點，提出了一種基于溶氧預測的低延遲水產(chǎn)養(yǎng)殖監(jiān)測系統(tǒng)。本系統(tǒng)中內嵌了WT-LSTM溶氧預測模型，實現(xiàn)了對水產(chǎn)養(yǎng)殖水質的實時監(jiān)測和溶氧的實時預測，預測精度不亞于文獻[9-10]和當前溶氧主流預測方法中的精度。

1 監(jiān)測平臺的體系架構

1.1 系統(tǒng)架構

系統(tǒng)架構包括數(shù)據(jù)采集模塊、傳輸模塊、控制模塊和應用模塊?？刂颇K主要由python上位機、MySQL和云服務組成，應用模塊包括Web服務、App客戶端、用戶服務3部分[14]，用戶可通過網(wǎng)頁客戶端查看實時水質數(shù)據(jù)[15]。系統(tǒng)整體架構如圖1所示。

圖1 系統(tǒng)架構圖Fig.1 System architecture diagram

1.2 數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊實現(xiàn)水質數(shù)據(jù)采集和處理的功能，采樣周期為1 min。采集系統(tǒng)電路連接多種傳感器獲取模擬信號，經(jīng)過MCU識別和計算后將結果值保存到本地寄存器。采集節(jié)點的MCU選用具有超低功耗、快速蘇醒、低電壓特點的MSP430F149作為控制芯片[16]，MSP430F149芯片選用來自高頻時鐘源XT2(8 MHz)的MCLK信號作為時鐘源，時鐘周期為125 ns。采集節(jié)點的原理實物圖如圖2所示。

圖2 采集節(jié)點原理實物圖Fig.2 Schematic and physical diagram of acquisition node

傳感器電極端直接與水溶液接觸產(chǎn)生電勢差，信號通過緩沖和放大后送入模數(shù)轉換模塊，溫度補償信號同時送入該模塊。MCU對不同傳感器的信號進行濾波處理，綜合溫補計算出結果值，保存到本地寄存器。系統(tǒng)通過SX1268 LoRa射頻芯片，與上位機進行數(shù)據(jù)通信。系統(tǒng)中有PC-101品誠pH、pt100溫度、博取儀器DOG-209FYA溶氧、任氏Jenco3020M電導率和LENSHER氨氮5種傳感器，性能如表1所示。

表1 傳感器性能Tab.1 Performance of sensors

1.3 通信模塊

采集終端連接SX1268 LoRa芯片，與上位機端的LoRa射頻終端實現(xiàn)無線傳輸，實現(xiàn)系統(tǒng)的邊緣組網(wǎng)。上位機作為主機，發(fā)送查詢指令[17]給一臺或多臺從機，與各個采集終端進行點對點通信或廣播通信[18]，采集終端作為從機，接收信號后將寄存器中的數(shù)據(jù)返回給上位機。系統(tǒng)采用modbus協(xié)議RTU模式進行通訊[19]，4個采集設備的地址碼，按照01至04的順序編號。每個終端節(jié)點分別用2個寄存器存儲不同傳感器的數(shù)據(jù)。終端應答指令中，傳感器數(shù)據(jù)占4個字節(jié)，CRC16校驗碼在最后兩個字節(jié)。

本研究中，基于SX1268射頻芯片，針對不同距離進行了數(shù)據(jù)通信延遲測試。接收信號強度指示(RSSI)的計算如公式(1)所示。為確保通信延遲和RSSI的準確性，數(shù)據(jù)通信進行了多次記錄，結果取平均值，如公式(2)、(3)所示。

(1)

(2)

(3)

式中：r、ri為分別表示單次和第i次通信的RSSI，dBm；Rp為單包的信號強度，dBm；ti為第i次通信時間，s；tm為平均通信時間，s；Rm為平均通信的RSSI，dBm。

基于速率和有效通訊距離的考慮[20]，本試驗中，LoRa空中速率設定為2.4 kbps，分包包長為32 B。傳輸方式為透明傳輸，通信頻率為433.125 MHz。按照不同的距離進行分段測試，最長通信距離為1 000 m[21]，選取6種不同字節(jié)長度的數(shù)據(jù)進行雙向通信，通信延遲結果圖3所示。

圖3 LoRa通信延遲Fig.3 LoRa communication latency

丟包測試發(fā)現(xiàn)，1 000 m距離的通信出現(xiàn)了丟包的情況，丟包率在1.2%左右。基于圖3、4發(fā)現(xiàn)，數(shù)據(jù)通信延遲與距離和RSSI存在正向關聯(lián)，地理環(huán)境對延遲也有一定的影響。1 000 m的通信距離上，地勢較開闊，使得延遲相對之前降低了，總體來看，單次通信延遲最低在1 s左右。該測試可為降低系統(tǒng)通信整體延遲提供參考。

圖4 LoRa的RSSIFig.4 The RSSI for LoRa

1.4 上位機控制中心

上位機與匯聚芯片通過RS232轉USB數(shù)據(jù)線相連，控制中心代碼基于python3編碼實現(xiàn)，通過串口實現(xiàn)傳輸功能。上位機收到終端節(jié)點的數(shù)據(jù)后，識別數(shù)據(jù)地址碼，提取傳感器數(shù)據(jù)值，對CRC16校驗碼進行計算和對比，確認CRC16無誤后，將數(shù)據(jù)保存本地數(shù)據(jù)庫并上傳到云服務器。系統(tǒng)對數(shù)據(jù)中的溶氧進行判斷，若出現(xiàn)異常，則開啟增氧機。上位機的主要功能有下發(fā)查詢指令、接收檢驗應答數(shù)據(jù)、計算CRC16校驗碼、數(shù)據(jù)保存和上傳、數(shù)據(jù)預測與溶氧預警6大功能。其工作流程圖如圖5所示。

圖5 上位機工作流程Fig.5 Workflow of upper computer

2 溶氧預測與預警

2.1 溶氧預測機制

應用邊緣計算[22-23]的方法，將云服務器的計算和控制任務卸載到上位機，來降低系統(tǒng)控制延遲。上位機系統(tǒng)實現(xiàn)數(shù)據(jù)預測的功能，當數(shù)據(jù)預測或采集數(shù)據(jù)中出現(xiàn)預警值時，上位機及時向增氧機[24]發(fā)出增氧的指令，防范水中出現(xiàn)低氧的情況。上位機系統(tǒng)配置有預測進程和數(shù)據(jù)收發(fā)進程，兩個進程并行計算。數(shù)據(jù)預測流程如圖6所示。

圖6 數(shù)據(jù)預測流程Fig.6 Data prediction process

系統(tǒng)通過線性插值或取平均值的方法，對異常數(shù)據(jù)進行替換，再通過小波變換(WT)的分解和重構消除噪聲[25]。對數(shù)據(jù)進行歸一化處理并進行訓練，生成參數(shù)模型，對溶氧數(shù)據(jù)進行預測，保存到本地數(shù)據(jù)庫并上傳云服務器。

長短期記憶網(wǎng)絡(LSTM)是一種遞歸神經(jīng)網(wǎng)絡，使用時間反向傳播進行訓練，可以解決梯度消失的問題。LSTM模型單元有遺忘門、輸入門和輸出門，來保護和控制單元狀態(tài)[26]，如圖7所示。LSTM模型的關鍵是單元狀態(tài)，即貫穿圖表頂部的水平線。每個單元就像一個微型狀態(tài)機，單元三個門的權重在訓練過程中學習得到。遺忘門是主要由σ層組成，σ層根據(jù)ht-1和xt的輸入，通過sigmoid激活函數(shù)計算信息的丟棄情況，生成一個0到1之間的結果ft，0表示全部丟棄，1表示全部保留。ft用于與Ct-1輸入矩陣做點乘運算[27]，如公式(4)所示。輸入門會生成新的信息存儲到單元狀態(tài)中，主要由σ層和tanh層決定，如公式(5),(6)所示。通過公式(7)的運算，單元狀態(tài)從Ct-1更新為Ct。輸出門決定輸出的結果，由σ層、tanh層和更新后的單元狀態(tài)Ct共同決定，如公式8,9所示。

圖7 LSTM單元狀態(tài)圖Fig.7 LSTM cell state diagram

ft=σ(Wf·[ht-1,xt]+bf)

(4)

it=σ(Wi·[ht-1,xt]+bi)

(5)

(6)

(7)

ot=σ(Wo[ht-1,xt]+bo)

(8)

ht=ot*tanh(Ct)

(9)

2.2 溶氧預警應用

溶氧預警是基于數(shù)據(jù)監(jiān)測和溶氧預測來完成。實時監(jiān)測的溶氧值或1 h內的溶氧預測值，超出正常值范圍，系統(tǒng)啟動溶氧預警機制，及時告知用戶，控制增氧機。當溶氧值回歸正常范圍十分鐘后，系統(tǒng)確認增氧機狀態(tài)，關閉增氧機。

Web服務包括水質數(shù)據(jù)監(jiān)測、數(shù)據(jù)庫管理、溶氧預警、增氧機控制和系統(tǒng)設置5個模塊。水質數(shù)據(jù)監(jiān)測用于顯示01至04號監(jiān)測點的水質狀態(tài)和溶氧預測數(shù)據(jù)。數(shù)據(jù)庫管理可查詢歷史水質數(shù)據(jù)，溶氧預警模塊監(jiān)測實時的溶氧值和溶氧預測值，智能化控制增氧機。增氧機控制模塊可直接打開或關閉增氧機。

3 試驗測試

3.1 試驗平臺搭建

本研究在上海海洋大學內搭建監(jiān)測平臺進行測試，共設置4個終端監(jiān)測節(jié)點，一個匯聚節(jié)點，4個節(jié)點與匯聚節(jié)點的距離分別為118、104、479、917 m，通信區(qū)域中間包括樹木和教學樓等建筑物，如圖8所示。

圖8 測試節(jié)點設置Fig.8 Test node setup

2021年3月13日15時21分，4個采集節(jié)點的數(shù)據(jù)如表2所示，經(jīng)過與測量的標準值比較，pH、溫度、溶氧、電導率和氨氮的相對誤差分別小于1.4%、0.7%、0.2%、12%、5%。本次試驗中，4個節(jié)點分別采集了2021年3月9日至3月17日13 160個數(shù)據(jù)，采用周期為1 min，01號節(jié)點溶氧的數(shù)據(jù)如圖9所示。

圖9 01號監(jiān)測點溶氧數(shù)據(jù)Fig.9 Dissolved oxygen data at No.01

表2 各監(jiān)測點平均相對誤差(MRE)Tab.2 Mean relative error (MRE) of each monitoring point

3.2 預測模型的生成

針對01號節(jié)點采集的13 160份數(shù)據(jù)中，將80%的采集數(shù)據(jù)分配到訓練集，用于訓練模型，20%的數(shù)據(jù)作為測試集，用于測試模型效果。LSTM網(wǎng)絡中，time_step長度為80，每個數(shù)據(jù)包含pH、溫度、溶氧和氨氮4個參數(shù)，輸入層輸入的樣本尺寸為80×4。由于電導率對溶氧預測基本無影響[28]，經(jīng)過實際驗證，本試驗未考慮電導率。網(wǎng)絡中隱藏層神經(jīng)元個數(shù)1 000個，輸出層以1 h的溶氧預測值作為輸出，輸出維度為60×1。LSTM模型是基于keras框架下的模型來構建[29-30]。模型訓練時，迭代次數(shù)為50次，batch_size為100。生成LSTM模型參數(shù)后，用測試集的數(shù)據(jù)進行預測，預測結果能較好地顯示溶氧的變化過程，如圖10所示。

圖10 測試集預測結果Fig.10 Test set prediction results

3.3 結果分析

LSTM方法對長距離數(shù)據(jù)依賴關系具有較強的建模能力，與其他預測模型比較，具有記憶性，更適合處理時序數(shù)據(jù)。本試驗中將監(jiān)測數(shù)據(jù)設置為經(jīng)過小波變換前后的2種數(shù)據(jù)，基于LSTM、RNN和GRU 3種預測方法，產(chǎn)生6種預測結果。本研究選擇均方根誤差(RMSE)、納什系數(shù)(NSE)、平均絕對誤差(MAE)和相關系數(shù)(R2)對結果進行評測分析[31]，如表3所示，預測結果如圖11所示。

表3 模型性能對比分析Tab.3 Comparative analysis of model performance

從圖11可看出，對pH、溫度、溶氧和氨氮四種參數(shù)的數(shù)據(jù)經(jīng)過小波變換后，其中的噪聲被去除，監(jiān)測數(shù)據(jù)變得相對緩和，這更加符合實際情況。

圖11 溶氧預測對比Fig.11 Comparison of DO prediction

監(jiān)測數(shù)據(jù)去除噪聲后，對比預測結果可知，WT-LSTM模型相比LSTM模型的結果，RMSE降低了21.27%，NSE提高了0.3%，MAE降低了21.91%，R2升高了0.1%，預測性能得到全面提升。WT-GRU與GRU結果比較、WT-RNN與RNN結果比較，情況也與之類似?？傮w來看，經(jīng)過小波變換除噪后，采用LSTM進行溶氧預測的結果，在RMSE、NSE、MAE、R24種評測系數(shù)上表現(xiàn)最佳，因此本研究采用該方法進行數(shù)據(jù)處理與預測，這一情況在圖11的預測結果中也可比較得出。溶氧的預測結果，能較好地解決增氧機控制滯后的問題，這為現(xiàn)代化淡水漁業(yè)養(yǎng)殖提供了便利。

4 結論

帶有溶氧預測、低延遲的淡水養(yǎng)殖監(jiān)測系統(tǒng)實現(xiàn)了對水質的實時監(jiān)測，pH、溫度、溶氧、電導率和氨氮監(jiān)測數(shù)據(jù)的相對誤差分別小于1.4%、0.7%、0.2%、12%、5%。采用小波變換對采集數(shù)據(jù)去噪后，利用LSTM預測模型能夠較為準確地預測1 h內的溶氧含量，預測結果的RMSE為0.074，NSE為0.993，MAE為0.057，R2為0.997?；谏衔粰C實現(xiàn)溶氧預測和控制任務，降低了系統(tǒng)控制延遲。本研究實現(xiàn)了大面積養(yǎng)殖區(qū)域的多點實時監(jiān)測和溶氧數(shù)據(jù)的預測，可提前做好溶氧預警防范工作，解決了增氧機控制滯后的問題。由于訓練數(shù)據(jù)集有限，當氣溫短時間出現(xiàn)較大的變化或開啟增氧機后一段時間，系統(tǒng)溶氧預測的準確度會下降。

□