贝类养殖是水产养殖业的重要组成部分，贝类在养殖和净化过程中对水质的依赖性极强，水质状况直接影响贝类的生长、发育和存活率[1]。贝类通过净化暂养降低贝类体内细菌总数及重金属含量，同时暂养衔接无水流通，保证贝类品质良好及消费者食用安全。贝类净化过程中，暂养的密度高会导致水质实时变化较快，水质参数分布不均。因此国内外学者针对贝类的净化暂养条件及方法进行了一系列研究，为完善净化暂养水质监测方法提供了工艺条件参考依据[2-3]。
近年来，国内外在物联网技术、传感器布置、自动化监控等方面对水产养殖水质监控技术开展了相关研究和应用[4-8]。在国内，水产养殖水质监控技术也得到快速发展，构建基于Zigbee与GPRS技术的水产养殖水质监测系统实现了对养殖水体温度、pH值、溶解氧等水质参数的实时采集与监测[9]。此外，研究者提出一套基于LoRa技术的完整水产养殖方案，实现了水质信息的存储[10]。另外，通过引入智能技术和先进算法，在溶解氧浓度控制与水产养殖水质监测方面取得了显著进展[11]。一种混合改进的麻雀搜索算法在工程参数优化、特别是溶解氧预测与控制方面表现出色，优化精度高、稳定性强，且适用于多种工程应用[12]。针对污水处理厂水质的非线性和动态性，研究者提出了在线增长的流水线递归小波神经网络，该控制器能够显著提高溶解氧的控制精度[13]。此外，模糊神经网络模型预测控制(AFNN-MPC)可有效控制废水处理过程中的溶解氧浓度[14]。Stebel等[15]提出一种边界预测控制器(BBPC)，该控制器在工业过程中利用开关执行器进行有效控制，并在溶解氧浓度控制方面表现出显著优势和鲁棒性。由此可见，神经网络、粒子群算法及混合智能控制方法对溶解氧控制较为有效和可行。
本研究中基于贝类净化暂养水质监控需求，在贝类多层净化暂养环境内，针对监测过程中各水质参数分布不均、暂养密度大等特点，对各类传感器点位布局进行优化，采用多点位监测，最后结合传感器技术、物联网技术、BP神经网络、粒子群算法及PID控制算法，设计了一款贝类净化暂养水质监控系统，以实现净化暂养水质的实时全方位监测、溶解氧参数预测及增氧机的科学调控，以期确保贝类净化暂养的水质安全和贝类品质稳定。
1 系统总体方案设计
贝类净化暂养系统总体结构如图1所示。监控系统主要包括：
图1 系统总体结构
Fig.1 Overall structure of the system
1)采集层。在多层净化暂养箱中布置温度、pH值、浑浊度和溶解氧传感器，通过STM32单片机进行数据采集，浑浊度和溶解氧均采用双传感器，保证监测数据的准确性。
2)传输层。通过构建基于窄带物联网(narrow band internet of things，NB-IoT)的网络，系统采用NB-IoT模组与阿里云平台的MQTT服务进行通信，确保所采集的数据能够稳定且实时地上传到云平台并存储。同时，系统允许远程通过PC端接入云平台进行数据的监控和设备的控制。通过分析从传感器接收到的数据，利用PID控制算法计算出增氧机的控制参数，从而自动调节水质的含氧量以适应水质变化。
3)应用层。以Web为基础的用户界面允许用户实时查看水质数据、历史数据和预警信息。此平台还包括用户登录验证、实时数据显示、历史数据查询、预测数据展示及系统设置和报警功能，确保系统操作的简便性和安全性。
2 系统硬件设计
2.1 系统硬件组成
系统的硬件架构主要分为水质采集终端和设备智能控制终端两部分。水质采集终端装备包括pH值、温度、浑浊度及溶解氧传感器等，通过AD转换器将监测数据转化为数字信号，从而获取准确的水质信息。智能控制终端远程控制增氧机来调整水质。STM32F103CT6单片机完成数据采集和设备控制，并通过LCD显示屏实时展示水质参数。NB-IoT无线通信模块负责将采集的数据通过阿里云平台进行传输和存储。系统硬件架构如图2所示。
图2 系统硬件架构
Fig.2 System hardware architecture diagram
本系统所需硬件设备列表见表1。
表1 硬件设备列表
Tab.1 Hardware devices list
设备device设备型号 devices type主要参数 main parameter数量 number继电器 relay(electronics)Modbus-Rtu—1显示屏 display screen1.44寸ISP,LCD液晶屏采用ST7735S控制芯片,128×RGB×128分辨率1溶解氧传感器dissolved oxygen sensorZT-RJY-1006量程:0～20 mg/L,测量温度:-0 ℃～50 ℃,测量精度:±0.1 pH(25 ℃)2pH传感器 pH sensorE201-BNCpH值检测范围:0～14,温度范围:0 ℃～60 ℃1温度传感器 temperature sensorDS18B20温度测量范围:-55 ℃～125 ℃,测量精度:±0.5 ℃1浑浊度传感器 turbidity sensorsTS-300B工作温度:-20 ℃～90 ℃,测量范围(NTU):0～1 000±302
该系统以STM32F103C8T6为主控单元，结合了溶解氧传感器(ZT-RJY-1006)、pH传感器(E201-BNC)、温度传感器(DS18B20)和浑浊度传感器(TS-300B)，实现对水质的全面监控。系统采用Air302 NB-IoT模块进行远程通信，以保证数据稳定传输。选用1.44寸ISP LCD显示屏提供本地实时显示功能，电源管理系统则通过LM2596和AMS1117-3.3稳压芯片，确保所有组件均能获得稳定电压。
2.2 NB-IOT无线通讯模块
采用NB-IoT无线通信模块[3]执行现场终端设备与云服务器的远程通信。针对贝类水质监控系统中下位机与上位机之间的高性能通信需求，采用基于MQTT协议的合宙Air302模块，实现下位机与上位机的高性能、低功耗的数据传输。
合宙Air302模块引脚图如图3所示。其中UART1_TXD和UART1_RXD分别接入STM32F103C8T6中USART2的RX和TX引脚；RESET为复位引脚；SWCLK和SWDIO引脚为调试引脚。
图3 合宙Air302模块引脚
Fig.3 Air302 module pinouts
2.3 SIM卡接口模块
NB-IoT模组的SIM卡接口电路主要包括SIM卡和SIM卡槽，采用中移动物联网卡所提供的移动网络，实现下位机与阿里云平台的数据传输。其接口电路如图4所示。本系统的硬件连接实物图如图5所示。
图4 SIM卡接口电路
Fig.4 SIM card interface circuit
1—NB-IoT模组；2—增氧机；3—TFT显示屏；4—STM32；5—溶解氧传感器1；6—12 V电源；7—溶解氧传感器2；8—浑浊度传感器1；9—浑浊度传感器2；10—温度传感器；11—pH传感器。
1—NB-IoT；2—oxygenator；3—TFT display screen；4—STM32；5—dissolved oxygen sensor 1；6—12 V power supply；7—dissolved oxygen sensor 2；8—turbidity sensors 1；9—turbidity sensors 2；10—temperature sensors；11—pH sensor.
图5 系统硬件连接
Fig.5 System hardware connection diagram
3 系统软件设计
3.1 上位机可视化平台设计
贝类净化暂养水质监测系统的可视化平台从上到下分为3层：数据层、业务层和应用层。最上层的应用层采用原生HTML和CSS构建页面，并采用ECharts和JQuery组件库，实现用户登录界面、最新监测数据界面、历史数据界面、溶解氧预测界面及设置等5个部分。
该平台可以实时显示、处理和分析贝类净化暂养的水质数据，通过建立溶解氧预测模型，实现溶解氧参数的预测，并显示溶解氧预测折线图，从而实现增氧机的自适应控制。系统的上位机整体架构如图6所示。
图6 上位机系统整体架构
Fig.6 Overall architecture of the upper computer system
根据功能需求分析，贝类净化暂养水质监测系统可视化平台分为用户登录模块、最新监测数据模块、历史数据模块、溶解氧预测模块和设置模块5个功能模块。用户登录模块通过输入设备信息对用户进行鉴权；最新监测数据模块实时显示接收的温度、pH值、浑浊度和溶解氧等参数结果；历史数据模块获取并显示每个水质参数的历史数据；溶解氧预测模块根据溶解氧的历史数据预测未来的溶解氧参数，并形成预测曲线；设置模块允许用户设置各水质参数阈值和增氧机控制。贝类净化暂养水质监测系统的功能结构如图7所示。
图7 系统功能结构
Fig.7 System functional structure diagram
3.2 基于PSO算法优化BP神经网络的溶解氧预测模型建立
在建立溶解氧预测模型前，首先确定神经网络的输入、输出及隐含神经元的个数。将水质中的温度、pH值、浑浊度1、浑浊度2和溶解氧1作为输入层的5个训练样本。隐含层神经元个数对预测结果的准确性有较大影响，因此设定隐含层神经元为3个。溶解氧2作为输出层的单个神经元，最终输出溶解氧2的预测结果。
在溶解氧预测模型的设计中，首先采用mapminmax函数对输入的数据进行归一化处理，将输入值压缩到(0，1)之间，确保不同特征之间的统一尺度。然后初始化网络结构为5-3-1，初始化BP神经网络的阈值、权值及基本参数，并初始化粒子的速度和位置。通过计算粒子的适应度值，更新速度和位置，最终找到最优粒子并将其赋值为网络的初始阈值和权值。粒子群优化算法(PSO)优化BP神经网络的算法流程如图8所示。
图8 PSO-BP神经网络算法流程
Fig.8 Flowchart of PSO-BP neural network algorithm
本系统采用贝类净化暂养的实际监控数据作为研究对象，选择2023年12月20日—24日的5 d监测数据对PSO-BP神经网络模型进行验证。根据贝类净化暂养水质监控系统所采集的数据，选择130组作为训练和测试数据，其中100组作为训练数据，30组作为测试数据。
使用MATLAB R2022A软件对BP神经网络和PSO-BP神经网络在贝类净化暂养环境中的溶解氧预测模型进行仿真实验，并对这两个模型进行对比分析。通过贝类水质监控系统的上位机可视化平台采集实际暂养环境中的水质数据，用于训练PSO-BP神经网络模型。
PSO-BP神经网络预测相对误差如图9所示。其中横坐标表示预测样本，纵坐标表示预测结果，从图9可见，溶解氧的预测值与真实值之间误差为0.017 587，精度较高。
图9 PSO-BP神经网络预测相对误差
Fig.9 Relative error plot of PSO-BP neural network prediction
根据图10的对比结果，PSO-BP神经网络与BP神经网络在溶解氧参数预测中的表现存在明显差异。结果表明，加入PSO智能算法后，PSO优化的BP神经网络预测模型比单纯的BP神经网络模型更加稳定，预测结果更接近真实值。该网络具有更好的数据拟合能力，能够实现对多层式净化暂养环境中溶解氧参数的精准预测。
图10 两种网络预测相对误差对比
Fig.10 Comparison of relative errors between the twonetwork predictions
3.3 基于PSO算法优化PID控制器设计
将PSO与PID控制结合，设计出一种基于PSO算法调整PID控制器参数Kp、Ki和Kd的PSO-PID控制算法，其控制系统框如图11所示。该方法不仅保留了传统PID控制的结构，还融合了PSO算法易于实现且参数调节少的特点。
图11 PSO-PID控制系统框
Fig.11 PSO-PID control system block diagram
对PID控制器的初始参数进行设置随机生成初始值，Kp初始范围(0～2)，Ki初始范围(0～1)，Kd初始范围(0～1.5)。
为了评估基于改进PSO算法的PID控制器的性能指标，采用积分时间加权绝对误差(ITAE)作为适应度函数，具体定义为
式中：e(t)最小化该误差以优化控制效果，在每次迭代中计算当前粒子的适应度，并根据ITAE的值来评估控制性能。在迭代过程中，粒子的位置和速度会被更新，直到找到最优解，最后确定了PID控制器参数Kp=1.867 8，Ki=0.180 3，Kd=1.290 1。
在MATLAB R2022A软件中Simulink工具箱仿真得到PID和PSO-PID调控系统在阶跃输入下运行结果，如图12所示。仿真结果表明，两种控制方法均能实现贝类净化暂养中增氧机的调控，其中传统PID控制的调节时间较长，反应慢且超调量大；PSO-PID控制显著降低了超调量，缩短了调节时间，并能迅速达到控制平衡。
图12 PID和PSO-PID阶跃响应仿真
Fig.12 PID and PSO-PID step response simulations
由于本系统对鲁棒性要求较高，为验证系统的性能恢复能力并证明PSO-PID调控优于传统PID控制，系统运行50 s时在输出端加入干扰因素，并观察两种控制系统的抗干扰性能。仿真结果如图13所示。PSO-PID调控系统在受到干扰后比PID控制系统更快恢复到稳定状态。粒子群算法优化的PID控制比传统PID具有更快的响应速度和更稳定的控制效果，能有效克服传统PID稳定性差的问题，提高了贝类净化暂养中增氧机的调控效率。
图13 加入干扰后仿真结果
Fig.13 Simulation results after interference added
4 系统测试与分析
4.1 检验数据准确性测试
多层贝类净化暂养水质监测系统现场测试如图14所示，为验证增氧与非增氧环境下溶解氧浓度的差异性，在两个不同的暂养框内分别放置了溶解氧传感器，并通过阿里云平台查看不同位置的监测数据，各水质参数如图15所示。
图14 系统现场测试
Fig.14 System field test diagram
图15 阿里云平台各水质参数
Fig.15 Parameters of each water quality on the AliCloud platform
4.1.1 测试对象及方法 为监测贝类净化暂养中的水质参数，在多层净化暂养环境中按照多点位布置了本系统中的各类传感器。选用便携式水质检测仪作为对比仪器，该型水质检测仪可以检测pH值、浑浊度及溶解氧等参数，温度检测采用CJM-478型温度计测量。
4.1.2 结果分析 分别将本系统所使用的pH值、温度、浑浊度及溶解氧传感器检测值与仪器检测值作对比，判断二者检测参数的准确性并计算误差。各水质参数监测比较见表2。
表2 水质参数检测值
Tab.2 Detected values of water quality parameters
参数指标parameter indicatorpH值温度/℃temperature浑浊度1turbidity 1浑浊度2turbidity 2溶解氧1/(mg·L-1)dissolved oxygen 1溶解氧2/(mg·L-1)dissolved oxygen 2标准值 standard value8.548.01101256.907.368.468.31151156.937.488.438.41131196.997.48检测值 detected value8.438.41131197.027.438.428.31131417.027.428.528.41131417.027.42相对误差 relative error/%1.034.503.091.601.391.16
从表2可见，pH值的平均误差为1.03%；浑浊度1平均误差为3.09%；浑浊度2平均误差为1.60%；溶解氧1平均误差为1.39%；溶解氧2平均误差为1.16%；温度平均误差为4.50%。在这几个参数中，温度平均误差最大，但都小于5%，能够稳定检测各水质参数，满足系统要求。
4.2 溶解氧预测模块测试
溶解氧预测数据模块可以预测不同暂养筐的溶解氧，通过调用数据库中过去40 min的数据，预测未来20 min溶解氧的值。其中虚线左侧为历史数据，右侧为预测值。预测结果每分钟更新一次，溶解氧预测界面如图16所示。
图16 溶解氧预测界面
Fig.16 Prediction interface for dissolved oxygen
4.3 增氧机控制测试
增氧机控制测试，通过上位机显示数据，并按时间点监测水质中的溶解氧含量，检验控制模型的有效性。测试设定溶解氧浓度调控为6.0 mg/L，并统计经过调控后暂养箱的增氧机增氧情况，调控结果如图17所示。PSO-PID控制算法相比普通开关控制和PID控制，具有更小的超调量，更加节能，有助于保证贝类的存活率。
图17 溶解氧控制变化曲线
Fig.17 The curves of dissolved oxygen
5 结论
1)本文设计了一种针对贝类净化暂养环境的智能水质监控系统，集成了多种传感器和NB-IoT无线通信技术，实现了对水质参数的实时监测和数据传输。系统采用PSO-BP神经网络进行溶解氧预测，并使用PSO算法优化PID控制策略，智能调控增氧机，确保水质稳定，提高贝类存活率。
2)测试结果表明，该系统能准确监测水质参数，PSO-BP预测模型和PSO-PID控制算法均表现出高精度和稳定性。未来研究可以进一步优化传感器布局，提高系统的抗干扰能力，并探索更多智能控制算法的应用，进一步提升水质监控和调控的效果。
[1] 刘明坤,阙华勇,张国范,等.紫贻贝养殖产业的现状、问题与对策[J].海洋科学,2022,46(3):135-144.
LIU M K,QUE H Y,ZHANG G F,et al.The current standing of the Mediterranean mussel industry,the obstacles posed and its potential restoration[J].Marine Sciences,2022,46(3):135-144.(in Chinese)
[2] 潘澜澜,张国琛,洪滨,等.不同单元化运输条件对活体虾夷扇贝存活率及主要营养成分的影响[J].大连海洋大学学报,2017,32(5):590-596.
PAN L L,ZHANG G C,HONG B,et al.Survival and nutrient composition of yesso scallop Patinopecten yessoensis in different unitized transport cages during live transportation[J].Journal of Dalian Ocean University,2017,32(5):590-596.(in Chinese)
[3] 戴国华,余骏华.NB-IoT的产生背景、标准发展以及特性和业务研究[J].移动通信,2016,40(7):31-36.
DAI G H,YU J H.Research on NB-IoT background,standard development,characteristics and the service[J].Mobile Communications,2016,40(7):31-36.(in Chinese)
[4] PARRA L,SENDRA S,GARC
A L,et al.Design and deployment of low-cost sensors for monitoring the water quality and fish behavior in aquaculture tanks during the feeding process[J].Sensors,2018,18(3):750.
[5] AL-HUSSAINI K,ZAINOL S MB,AHMED R,et al.IoT monitoring and automation data acquisition for recirculating aquaculture system using fog computing[J].Comput. Hardw.Eng, 2018,1(1):1-12.
[6] 宦娟,吴帆,曹伟建,等.基于窄带物联网的养殖塘水质监测系统研制[J].农业工程学报,2019,35(8):252-261.
HUAN J,WU F,CAO W J,et al.Development of water quality monitoring system of aquaculture ponds based on narrow band internet of things[J].Transactions of the Chinese Society of Agricultural Engineering,2019,35(8):252-261.(in Chinese)
[7] OUYANG B,WILLS P S,TANG Y F,et al.Initial development of the hybrid aerial underwater robotic system (HAUCS):Internet of Things (IoT) for aquaculture farms[J].IEEE Internet of Things Journal,2021,8(18):14013-14027.
[8] VON BORSTEL LUNA F D,DE LA ROSA AGUILAR E,SU
REZ NARANJO J,et al.Robotic system for automation of water quality monitoring and feeding in aquaculture shadehouse[J].IEEE Transactions on Systems,Man,and Cybernetics：Systems,2017,47(7):1575-1589.
[9] 周皓东,黄燕,刘炜.基于Zigbee和GPRS的水质监测系统节能设计[J].渔业现代化,2017,44(4):24-29.
ZHOU H D,HUANG Y,LIU W.Energy-saving design of water quality monitoring system based on Zigbee and GPRS[J].Fishery Modernization,2017,44(4):24-29.(in Chinese)
[10] 杨英,任选.基于LoRa的水产养殖水质监控系统设计[J].水产学杂志,2020,33(1):73-79.
YANG Y,REN X.Design of aquaculture water quality monitoring system based on LoRa[J].Chinese Journal of Fisheries,2020,33(1):73-79.(in Chinese)
[11] 李道亮,刘畅.人工智能在水产养殖中研究应用分析与未来展望[J].智慧农业(中英文),2020,2(3):1-20.
LI D L,LIU C.Recent advances and future outlook for artificial intelligence in aquaculture[J].Smart Agriculture,2020,2(3):1-20.(in Chinese)
[12] ZHOU X H,WANG J P,ZHANG H X,et al.Application of a hybrid improved sparrow search algorithm for the prediction and control of dissolved oxygen in the aquaculture industry[J].Applied Intelligence,2023,53(7):8482-8502.
[13] QIAO J F,SU Y,YANG C L.Online-growing neural network control for dissolved oxygen concentration[J].IEEE Transactions on Industrial Informatics,2023,19(5):6794-6803.
[14] HAN H G,LIU Z,QIAO J F.Fuzzy neural network-based model predictive control for dissolved oxygen concentration of WWTPs[J].International Journal of Fuzzy Systems,2019,21(5):1497-1510.
[15] STEBEL K,POSPIECH J,NOCON W,et al.Boundary-based predictive controller and its application to control of dissolved oxygen concentration in activated sludge bioreactor[J].IEEE Transactions on Industrial Electronics,2021,69(10):10541-10551.