工业污水常规五项及COD参数在线测量装置设计

李月恒，杨栋伟，王 康

(北方工业大学 电气与控制工程学院，北京 100144)



工业污水常规五项及COD参数在线测量装置设计

李月恒，杨栋伟，王 康

(北方工业大学 电气与控制工程学院，北京 100144)

随着水污染问题的日渐突出，对水质中的各项参数进行实时在线测量成为了水质保护中的一项基本要求。软测量技术应用到水质在线监测系统，通过测得的常规水质五项参数推测出水质中的其他参数。Cortex-A9芯片Exynos4412用于处理水质传感器的数据，检测水环境中的PH、溶氧、温度、电导率、浊度参数，并且可以根据所测参数软测量出COD参数，同时也可以对测量数据进行存储。通过对样本水质以及样本数据的测试验证表明，该装置具有灵敏度好、效率高、信息存储量大、人机界面友好等特点，具有一定的经济应用价值。

水质监测；COD参数；软测量技术

0 引言

随着现代社会的快速发展，水污染问题越来越严重，水质保护已成为全世界关注的焦点问题。借鉴于国外水资源监测的经验，我国在水污染的监测方面也取得了快速的发展，但是由于技术手段的落后，水质在线监测系统一直没有广泛应用。而且一些较难测量的参数其测量成本也价格不菲，成为了对水质数据进行全面检测的一大困难。本课题所研究的基于嵌入式Android与神经网络软测量算法的水质在线监测系统对比于原始的人工监测手段或低处理能力的监测系统取得了很大进步，对正确评价污水水质的实时状况，研究污染程度、节约成本等方面具有重要的意义。整个装置测量精度高，灵敏度好，具有一定的经济应用价值。

1 系统总体设计

该装置主要由核心板、功能底板、Android系统三部分组成。其中核心板作为整个装置的主控单元，功能底板电路完成数据的采集、系统供电等工作，Android系统是整个应用软件的运行环境。系统在工作过程中，首先通过挂载在底板上的常规五项水质传感器对水质中的常规五项参数进行实时在线测量，然后根据测量获得的五项参数数据软测量出COD参数，并对数据进行实时存储。系统整体结构框图如图1所示。

图1 系统整体结构

2 系统硬件设计

系统的硬件设计主要以负载核心版高效运行为目的，主控制器选用Samsung公司的Exynos 4412，其主频达到1.4～1.6 GHz，采用了最新的32 nm的先进工艺制成，功耗方面有了明显降低。核心板外围加载电源模块、LCD显示屏模块、USB-OTG程序下载口、USB-HOST接口、UART 232 调试串口、UART 485传感器数据传输通信接口、SDCARD存储器接口以及RJ-45接口等。该装置通过485通信口以标准ModBus/RTU协议实时采集水质传感器数据，而后通过应用层的数据分析与处理得到需要的参数。硬件结构如图2所示。

图2 系统硬件结构图

传感器的选择集成了多家品牌的代表性产品，具有测量精度高、安装方便、宽范围电压输入等优点。

3 系统软件设计

系统的软件设计主要分为Android下应用开发以及神经网络的设计和训练[1]两部分。

3.1 Android应用开发

系统软件设计以Android运行环境下的应用开发为主[2-3]，应用层嵌入神经网络算法，对传感器数据的采集通过Android系统下的485通信驱动来完成，采用Google提供的NDK开发方式。图3为软件的整体架构图。由图可以看出，进入应用后UI线程作为主线程负责实时刷新在线测量数据，数据处理线程专门负责对传感器采集的数据进行处理，数据存储线程则负责对处理后的数据进行在线存储。传感器数据通信协议采用标准ModBus/RTU通信格式，数据处理线程程序首先对串口发送过来的数据帧进行校验，确认无误之后，再进行数据的提取与解析工作，采用轮询查阅的方式依次读取各个传感器数据。

图3 应用的整体架构图

例如PH数据处理程序：上位机发送读取数据指令后传感器回复数据有一定的延时，然后对所得数据进行数组保存，判断数据长度以及CRC校验，最后从固定的数据位中提取数据，并发送给主线程。

3.2 神经网络的设计和训练

神经网络采用BP神经网络[4]，五输入，一输出。五个输入对应传感器监测到的常规五项数据，一输出对应预测出的COD参数[5]。训练用的标准数据来源于工业污水水质中监测出的100组标准数据，其中80组数据用来训练，10组数据用来测试，最后的10组数据用来检验。首先在MATLAB中设计BP神经网络[6-7]，训练用的标准数据来源于上述的80组标准数据，训练好之后对比10组标准数据进行检验，当测量误差满足设计要求时即为训练成功的网络。然后将训练好的网络保存成MATLAB自定义函数，通过MATLAB Coder工具箱[8-9]将通过训练网络保存好的函数转化成不依赖于具体控制器的C程序。在此需要特别说明的是：由于该装置的系统运行环境为Android环境，装置主控制器为ARM架构控制器，理论上只能采取上述方法。因为通过MATLAB Coder转化成的Jar包需要MCR的支持，而现在MCR仅支持X86架构的CPU。还有一种方法是安装Android版本的MATLAB，但这样显然对系统的运行性能会造成非常大的影响。所以只有转化成不依赖于具体控制器的C代码，然后通过JNI的方式，将代码嵌入到Android应用中。如图4所示。作为应用层来说调用软测量算法就像调用应用层的一个工具类一样简单而且高效。

本节简述了系统软件的设计流程以及主要工作内容，完成了上层应用的设计。算法部分的工作主要完成了神经网络的设计和训练，以及转化和内嵌，最终使训练好的网络映射为上层应用中的一个工具类和一段程序。其中上层应用主要负责数据采集、数据处理、动态显示和数据预测。经测试，软件整体运行良好，数据采集和预测效果都可达到既定要求，动态刷新实时[10-11]。

4 系统测试

系统测试主要分为装置本身测量精度与准确性测试以及将所得测量结果对比标准数据的校验测试两部分。根据标准常规五项数据，测试表明该装置通过常规五项传感器测量所得的数据精度高，并且当人为改变水质中的某一项参数时，测量结果可以快速反应该项变化，具有高灵敏度的优点。最后结合样本水质以及样本数据训练后的神经网络软测量算法，本装置根据所采集的五项水质数据可以有效地预测出COD参数[12-13]，当五项水质数据参数变化时能及时跟踪变化并能相应地改变预测结果，具有实时准确的特点，与标准的五项参数测量结果相比精度高、误差小。测量结果满足精度要求，而且其软测量出的COD参数与样本水质标准参数COD参数相比，误差也在可接受的范围内。实验的最终效果图如图5所示。所以整体上来说该装置从功能上满足技术要求，从应用上具有硬件成本低、性能好等优点。

5 结论

本文基于嵌入式Android以及神经网络算法设计出了一套多水质参数实时在线测量装置，先后完成了该装置的硬件设计以及软件设计，硬件设计完成了核心板和底板的设计以及焊接工作，软件设计移植了Android系统并设计了上层应用，最后在MATLAB上通过自行设计神经网络将其训练与检验[14-15]，训练及检验完成之后通过MATLAB Coder工具箱将其转化为C程序代码，最后通过JNI机制映射到应用层嵌入到上层应用中。通过对比标准水质数据结果以及校验误差，该装置的测量结果具有精度高、灵敏度好的特点，并且各项测量结果都满足所规定的误差范围。该装置实现了多水质测量装置的基本功能，而且具有测量成本低廉、性能良好的优点，可应用于各种水质在线监测领域，具有一定的经济应用价值。

[1] 任东红.基于集成神经网络的污水处理出水水质软测量模型[D]． 北京：北京工业大学，2013.

[2] 明日科技.Android从入门到精通[M].北京：清华大学出版社，2012.

[3] 李刚.疯狂Android讲义[M].北京：电子工业出版社，2014.

[4] 罗腾飞．基于改进BP神经网络的污水处理出水指标预测[D]. 呼和浩特：内蒙古农业大学，2012.

[5] 王群．基于ARM和GPRS的污水在线监测系统研究[D]. 兰州：兰州理工大学，2011.

[6] 刘金琨.智能控制[M].北京：电子工业出版社，2011.

[7] 何正风. MATLAB R2015b神经网络技术[M]. 北京：清华大学出版社，2016.

[8] 赵广元. MATLAB与控制系统仿真实践[M]. 北京：北京航空航天大学出版社，2016.

[9] 张德丰. MATLAB R2015b数学建模[M].北京：清华大学出版社，2016.

[10] 李宇航，廖海洋，温志渝，等.库区水质在线监测采集控制系统设计[J].传感器与微系统，2011，30(2)：61-63.

[11] 薛程.污水处理厂氨氮在线验收监测的现状及问题[J]. 环境工程，2015，33(1)：726-730.

[12] 郭楠．基于神经网络的BOD软测量仪表的设计[D]． 北京：北京工业大学，2014.

[13] 葛珉昊．基于混合递阶遗传算法的RBF网络优化及在BOD软测量中的应用[D]．兰州：兰州理工大学，2014.

[14] 许少鹏．基于自组织递归模糊神经网络的SVI软测量研究[D]． 北京：北京工业大学，2014.

[15] 袁喜春．基于自组织模糊Elman神经网络的SVI软测量研究[D]． 北京：北京工业大学，2013.

ThedesignofonlinemonitoringdeviceofconventionalfiveandCODparametersinindustrialsewage

LiYueheng,YangDongwei,WangKang

(SchoolofElectricalandControlEngineering,NorthChinaUniversityofTechnology,Beijing100144,China)

With the increasing prominent of water pollution, the measurement of various parameters in real time online water quality precision has become a basic requirement of water quality protection. Soft measurement technology is applied to water quality on-line monitoring system, with the conventional five parameters of water quality it can infer the other parameters of water quality. Exynos4412 A9 chip is used for processing the data of water quality sensor, detecting the water environment in PH, dissolved oxygen, temperature, conductivity, turbidity, and according to the measured parameters it can infer the COD, and can also store the measurement data. By verifying the sample water quality and the sample data, this device has good sensitivity, high efficiency, large information storage capacity, friendly human-machine interface etc, also it has a certain economic application value.

water quality monitoring; COD parameter; soft measurement

TP

ADOI： 10.19358/j.issn.1674- 7720.2017.13.028

李月恒，杨栋伟，王康.工业污水常规五项及COD参数在线测量装置设计[J].微型机与应用，2017,36(13)：91-93,101.

2017-02-11)

李月恒(1983-)，男，硕士，讲师，主要研究方向：工业控制系统及其优化。

杨栋伟(1989-)，男，硕士研究生，主要研究方向：嵌入式与工业自动化。

王康(1991-)，男，硕士研究生，主要研究方向：网站架设与工业自动化。