一种溶解氧含量的在线检测仪系统设计

孙天佑 乔宏哲

（常州机电职业技术学院，江苏 常州 213164）

0 引言

鱼类等水产品的生长和溶解氧有着密切的关系，水中溶氧量含量低，鱼食欲差或者厌食，进食后消化吸收率低，生长速度慢。而水中溶氧量偏高对鱼卵孵化和鱼苗不利。同样以金鱼这种相对名贵的观赏性的鱼类为例，溶解氧过低可能导致金鱼的死亡，溶解氧过高时金鱼会兴奋，不停地环游，小鱼苗会累死。

目前溶解氧含量的主要检测方法是碘量法和溶解氧仪法等。碘量法是一种化学试剂检测法，它的操作步骤相对复杂普通人很难掌握要领进行检测。溶解氧仪检测法就是将专用的传感器和显示仪表两个部分结合在一起进行测量溶解氧的含量，但是专用的传感器的电极一般需要采用金和银等贵金属作为材料，所以溶解氧仪的价格较为昂贵无法应用到一些低成本领域的溶解氧含量检测中，比如对鱼缸水的溶解氧含量的检测。

本设计通过使用样本数据在共享的云服务器上设计出的溶解氧含量的软测量模型，可通过在可连入无线网络的移动检测端检测并上传与溶解氧密切相关的空气氧的分压、大气压、水温和水质这四个参数值至云服务器，可从云服务器上获得溶解氧含量值。从而实现溶解氧含量实时在线检测，简化了检测溶解氧含量的操作方法，同时降低了检测所需的人力和成本，可满足一些低成本领域对溶解氧含量的检测需求。

1 总体设计

为了实现溶解氧含量的一种低成本在线检方案，整个系统可以分成两个部分来工作，第一部分将与溶解氧相关的特征参数的采集和上传，为了完成相应的功能采用了以ARM处理器为核心的测控系统，该系统外接相应的传感器、人机接口模块以及无线模块，负责相关特征参数的采集并上传云服务器以及接收云服务器返回的结果。第二部分为溶解氧软测量模型的训练与预测功能，该功能在共享的云服务器上实现，通过向云服务器上传大量的样本数据并经过训练后可以构成溶解氧软测量模型，当有新的实时特征参数上传后可以通过软测量模型计算并返回实时的溶解氧含量值。具体的工作原理如图1所示。

图1 溶解氧含量在线检测系统结构图

由相关理论得知与溶解氧密切相关的特征参数是空气里氧气的分压、大气压、水温和水质，其中对于同一地点空气里氧的分压是相对稳定的。我国幅员辽阔，不同地方海拔高度可能有比较大差异导致空气里氧的分压会有所不同，此外即使是同一地点由于季节变化导致的湿度变化也会对氧的分压产生一定的影响，所以空气中的氧气的分压可以通过以下公式间接求得，测点的海拔高度可通过人机接口模块进行预先设定。

P=P0（1-h/8435）（1-k（hd-hd0）） （1）

式中：h为实测点海拔高度；hd为实测点实时大气相对湿度值；hd0为大气相对湿度参照值，可固定为70%；P0为海拔高度h为0和大气相对湿度为hd0时的空气中氧的分压值，可固定为21 228pa；k为修正系数，可在0.1～0.2之间取值；P为实测点推算后的空气中氧的分压值。

2 溶解氧检测硬件电路实现

本系统所述大气压传感器、水温度传感器和空气湿度传感器都有比较成熟的模块可以很方便地和ARM处理器形成接口并实时测得测点处的大气压和水温度值以及空气中的湿度值。由于水中存在微生物不断代谢后水质变差即水中某些盐含量上升会导致溶解氧含量的下降，但同时水的导电性能会上升。水质传感器就是通过对被测水的导电性测量来检测水质的变化。以上四种参数经过预处理和电路变换后输入ARM处理器中，通过ARM处理器上传共享云服务器后就可以进行溶解氧含量的预测，并且将预测结果在人机接口模块上显示出来。

3 溶解氧含量的软测量模型的实现

本系统中所使用的溶解氧含量的软测量模型实际上是一种BP神经网络模型，BP神经网络是一种可多层前馈型神经网络，在基于正向传播出现误差时可以通过反向传播过程中调整各个神经元之间的连接权值来消除正向传播误差。该软测量模型的神经网络包括输入层和隐藏层以及输出层。模型中每个神经元连接上一层所有神经元。上一层每个神经元的输出即为下一层神经元的输入，原始输入数据通过各层计算后最终在输出层输出数据。

对于本系统设计的软测量BP神经网络模型来说，输入层的节点数是4个（对应于输入的空气氧的分压、大气压、水温和水质这4个特征参数），输出层节点数是1个（对应于溶解氧含量的预测值），一般的BP神经网络预测模型只需要一个隐藏层就可以实现预测，本专利采用四层BP神经网络，即中间包括两个隐藏层，这样做的目的是使神经网络结构更为合理，在确保学习和推理效率较好的前提下，预测精度更高。综合少量典型样本数据初步训练和反复测试后，采用第一隐层节点数为5个，第二隐层节点数为3个这样的BP神经网络结构较为合理，具体结构如图2所示。

图2 软测量模型的BP神经网络结构图

（1）根据之前上传云服务器的样本数据并通过对四层BP神经网络的训练，可得出空气氧的分压、大气压、水温和水质这4个输入量与输出量溶解氧含量的对应关系。

第一，建立数据向量

式中：x（1）为测点空气氧的分压；x（2）为测点大气压；x（3）为测点的水温；x（4）为测点的水质，并对这些数据进行归一化处理后变成数据向量。

第二，如图3所示的软测量模型结构中，是一种

全连接方式BP神经网络即前层每个神经元都要连接到后层的每个神经元上构成前层对后层的输入，图中所示神经元i的输出是神经元j的一个输入，并且神经元i到神经元j是按照一个权值wij的倍数关系连接的，θj是节点j的阈值，Oj是神经元j的输出。

第三，xi为第i个训练样本数据向量，yi为xi的目标值。N为训练数据数目。

（2）BP神经网络的前向迭代计算公式如下，对于

神经网络中的任意一个节点（含输出节点）的输出值Oj表示如下。

4 结语

本系统通过使用样本数据训练设计出的溶解氧含量的软测量模型，可通过溶解氧特征参数采集电路获得相关特征参数，将实时采集的特征上传至共享的云服务器中通过其上的已训练完成的软测量模型进行预测，然后将预测值通过无线信号返回至现场采样电路端进行显示，实现了一种可满足低成本领域的共享型溶解氧含量在线检测系统。