謝李祥，邢傳璽，張東玉，吳耀文

（云南民族大學(xué)電氣信息工程學(xué)院，云南昆明 650500）

0 引 言

由于海洋環(huán)境信息源的不斷增加和及時準確獲取海洋信息的重要性，使得各種數(shù)據(jù)融合技術(shù)不斷被應(yīng)用于海洋監(jiān)測領(lǐng)域。在目前國內(nèi)外的海洋環(huán)境監(jiān)測設(shè)備中，各類不同的傳感器成為監(jiān)測海洋的必備節(jié)點。但由于傳感器本身的測量精度、內(nèi)部結(jié)構(gòu)和高斯噪聲等[1]使得獲取的海洋參數(shù)存在一定的偏差，同時，監(jiān)測地點的外部環(huán)境干擾也是降低數(shù)據(jù)精確度的原因之一。為了更加精準地獲取監(jiān)測數(shù)據(jù)，降低傳感器測量誤差，通常通過改進傳感器硬件結(jié)構(gòu)，減少采集誤差；或直接通過對采集的原始數(shù)據(jù)進行去噪處理，降低噪聲對采集數(shù)據(jù)的影響[1]。目前在上述方法的基礎(chǔ)上，使用多傳感器融合技術(shù)，將多傳感器獲取的數(shù)據(jù)進行濾波融合，可以得到更加穩(wěn)定可靠的數(shù)據(jù)。

獲取準確的水聲信號是進行聲速剖面反演、目標檢測等[2]的首要問題，并且在進行水聲信號獲取時，需要對實驗區(qū)域的水質(zhì)環(huán)境有一個全面的認識。因此，本文基于及時獲取淺海環(huán)境參數(shù)和水聲信號采集運用的背景，引入具有廣覆蓋、低成本優(yōu)點的窄帶物聯(lián)網(wǎng)（Narrow Band Intcrnct of Things，NB-IoT）技術(shù)，并使用自適應(yīng)加權(quán)融合技術(shù)和模糊綜合評價方法對采集數(shù)據(jù)進行融合。獲取到監(jiān)測平臺通過NB-IoT無線傳輸模塊回傳的原始數(shù)據(jù)后，采用模糊理論中的相關(guān)性函數(shù)剔除異常數(shù)據(jù)，提高數(shù)據(jù)精度；隨后將剔除異常數(shù)據(jù)的數(shù)據(jù)集進行自適應(yīng)加權(quán)融合，為下一步融合提供數(shù)據(jù)輸入；最后使用模糊綜合評價方法進行二級融合。

相比于傳統(tǒng)的自適應(yīng)加權(quán)融合算法和算術(shù)平均算法，本文額外考慮了實際運用中水質(zhì)采集偏差的影響，進行異常數(shù)據(jù)剔除，大大提高了第一級數(shù)據(jù)融合的精度，并最終以概率形式直觀地展示出水質(zhì)評價結(jié)果。為海洋保護、治理與開發(fā)提供精確的數(shù)據(jù)和科學(xué)決策的依據(jù)。

1 淺海水質(zhì)參數(shù)獲取平臺設(shè)計

本文設(shè)計基于的是NB-IoT的淺海環(huán)境參數(shù)獲取平臺采集所測海域的基本環(huán)境信息。該平臺將多傳感器搭載在移動浮標上[3]，構(gòu)成數(shù)據(jù)采集終端，數(shù)據(jù)采集終端通過 STM32F407驅(qū)動多種水文傳感器獲取水質(zhì)參數(shù)，并將其存儲于自身的存儲介質(zhì)中，防止數(shù)據(jù)丟失，同時使用NB-IoT無線傳輸模塊，及時地將環(huán)境參數(shù)上傳到遠程控制中心[4]。在遠程控制中心可以實時觀測獲取各項環(huán)境參數(shù)，并對控制中心保存的環(huán)境參數(shù)進行數(shù)據(jù)融合處理，為科學(xué)決策提供數(shù)據(jù)。單節(jié)點數(shù)據(jù)采集終端硬件結(jié)構(gòu)如圖1所示。

圖1 單節(jié)點采集終端硬件結(jié)構(gòu)Fig.1 Hardware structure at the single node acquisition terminal

主控芯片采用具有高性能、低功耗、實時性特征的STM32F407芯片[5]，該芯片具有6個串口，通過搭載SP3485芯片實現(xiàn)USART轉(zhuǎn)485接口，實現(xiàn)與各數(shù)據(jù)傳感器的通信。其主要負責驅(qū)動各傳感器獲取環(huán)境參數(shù)，并將其存儲，同時，使用NB-IoT無線傳輸模塊上傳環(huán)境參數(shù)與節(jié)點地址。電源管理模塊主要負責給整個系統(tǒng)供電，采用高能密度電池組，完成長時間采集；并使用太陽能板對電池組進行充電[6]，實現(xiàn)系統(tǒng)的低功耗。

數(shù)據(jù)采集模塊主要負責獲取所測區(qū)域的水質(zhì)環(huán)境參數(shù)。通常獲取的主要水質(zhì)參數(shù)包括：溫度、PH 值、濁度、溶解氧（Dissolvcd Oxygcn， DO）和電導(dǎo)率（Elcctrical Conductancc， EC）；營養(yǎng)鹽：氨氮、總磷和總氮[7]；重金屬離子（銅、鋅等）和化學(xué)需氧量（Chcmical Oxygcn Dcmand， COD）等。本文主要針對溶解氧、氨氮、總磷、總氮和化學(xué)需氧量五種環(huán)境參數(shù)進行采集[8]。其中溶解氧通過 DOLE6211溶解氧傳感器連接DO6400溶解氧變送器獲取，其傳感器測量分辨率為 0.01 mg·L-1，測量誤差小于±0.1 mg·L-1；氨氮、總磷和總氮采用N-1000系列高度集成的營養(yǎng)鹽分析儀獲取，該傳感器可連續(xù)批量處理，測量精密度小于 3%；化學(xué)需氧量通過TK-C100型光學(xué)COD在線檢測傳感器獲取，該傳感器量程為 0.1～5 000 mg·L-1，分辨率為0.1 mg·L-1。

本文所采用的各水質(zhì)傳感器均采用 RS485通信方式。RS485采用數(shù)字通信方式，具有抗干擾能力強和傳輸距離遠等優(yōu)點[9]，避免了長距離傳輸模擬信號導(dǎo)致數(shù)據(jù)誤差大，并且RS485通信采用一主多從的網(wǎng)絡(luò)連接方式，即STM32F407為主機，各水質(zhì)傳感器為從機。同時RS485采用同名端連接方式，即各傳感器的通信線A+與主控芯片RS485串口的A+相連接，各傳感器的通信線B-與主控芯片RS485串口的B-相連接[10]，具體連接示意圖如圖2所示。

圖2 水質(zhì)監(jiān)測系統(tǒng)的連接圖Fig.2 Connection diagram of the water quality monitoring system

各水質(zhì)參數(shù)傳感器均使用標準的Modbus-RTU通信協(xié)議。從Modbus-RTU通信協(xié)議的數(shù)據(jù)幀格式中可知標記從機地址的地址碼占用一個字節(jié)，故在一個RS485的通信網(wǎng)絡(luò)中，從機的地址為1～255，即可最多掛載255個從機，滿足系統(tǒng)開發(fā)需求[10]。通過Modbus-RTU通信協(xié)議數(shù)據(jù)幀格式中的功能碼依次對水質(zhì)傳感器進行讀和寫操作，即可獲取各項水質(zhì)參數(shù)。

無線傳輸模塊主要負責將各水質(zhì)傳感器獲取的數(shù)據(jù)發(fā)送到遠程控制中心。無線傳輸模塊采用與短距離通信技術(shù) Zigbcc、LoRa、藍牙、Z-wavc等相比較有著傳輸距離遠、低功耗、成本低等優(yōu)點的NB-IoT模塊[11-12]。NB-IoT模塊主要由BC35模塊、復(fù)位電路、SIM卡槽和SMA天線組成。并且該模塊通過USART3與主控芯片相連接，主控芯片通過發(fā)送AT指令控制NB-IoT無線傳輸模塊，進行數(shù)據(jù)上傳，完成淺海環(huán)境水質(zhì)參數(shù)獲取。

通過前期驗證性實現(xiàn)，該參數(shù)獲取平臺基本功能已完成，可實現(xiàn)淺海水質(zhì)參數(shù)的采集、存儲及發(fā)送，滿足環(huán)境參數(shù)采集要求。

2 數(shù)據(jù)融合

數(shù)據(jù)融合也稱為多傳感器數(shù)據(jù)融合，是將多傳感器獲取的數(shù)據(jù)進行綜合分析處理，實現(xiàn)對監(jiān)測環(huán)境科學(xué)統(tǒng)一的評價。即通過多種環(huán)境參數(shù)傳感器獲取到水質(zhì)信息后，采用合理的去噪算法對其進行合理分析與處理，并從多方面把各項水質(zhì)環(huán)境因子按照某種優(yōu)化模型結(jié)合起來，產(chǎn)生對水質(zhì)等級評價的一致性判定，并利用多傳感器的聯(lián)合操作優(yōu)勢來提高整個系統(tǒng)的有效性[13]，減少使用單一傳感器的不確定性。多傳感器數(shù)據(jù)融合按照融合級別可劃分為：數(shù)據(jù)級融合、特征級融合和決策級融合三個等級[13]。同時，由于多傳感器融合算法的特點和適用范圍不同，因此在實際運用中通常將兩種或兩種以上的算法集合在一起進行數(shù)據(jù)融合，按照集合方式可分為：串聯(lián)型數(shù)據(jù)融合、并聯(lián)型數(shù)據(jù)融合和混聯(lián)型數(shù)據(jù)融合[14]。根據(jù)水質(zhì)環(huán)境監(jiān)測的具體運用和獲取參數(shù)的方式，將水質(zhì)環(huán)境監(jiān)測的數(shù)據(jù)融合結(jié)構(gòu)設(shè)計為：兩級并聯(lián)型數(shù)據(jù)融合，其融合過程如圖3所示。其中，每組傳感器均使用5個同類傳感器進行數(shù)據(jù)采集。

圖3 采集數(shù)據(jù)融合過程示意圖Fig.3 Schematic diagram of fusion process of acquisition data

2.1 相關(guān)性函數(shù)

2.2 自適應(yīng)加權(quán)融合算法

自適應(yīng)加權(quán)融合算法的基本結(jié)構(gòu)如圖4所示。

圖4 自適應(yīng)加權(quán)融合算法結(jié)構(gòu)Fig.4 Structural diagram of adaptive weighted fusion algorithm

2.3 模糊綜合評價方法

模糊綜合評價方法即使用模糊數(shù)學(xué)隸屬度的理論，將對受到多種因素影響事物或?qū)ο笞龀鲆粋€綜合的評價[19]。它能夠給出一個清晰的評價結(jié)果，其評價結(jié)果以概率形式展現(xiàn)，能夠很好地克服模糊性和難以量化的問題。其基本步驟是首先構(gòu)建綜合評價指標，即根據(jù)某一標準確定評價等級；然后需要確定對應(yīng)評價等級的影響因子，即在具體運用中采集到的數(shù)據(jù)集；在獲取到不同的數(shù)據(jù)集后，需要根據(jù)每類參數(shù)的重要程度確定權(quán)重向量；再通過合適的隸屬度函數(shù)建立模糊關(guān)系評價矩陣；最后將模糊關(guān)系矩陣與權(quán)重向量合成，輸出最終的評價結(jié)果[19]，其流程如圖5所示。

圖5 模糊綜合評價方法流程Fig.5 Procedure of the fuzzy comprehensive evaluation method

2.3.1 構(gòu)建綜合評價指標

評價指標即是評價者通過綜合多種影響因子，對某一事物做出一致性評價等級的集合。本文依據(jù)GB3838—2002《地表水環(huán)境質(zhì)量標準》[20]將綜合評價指標劃分為T={Ⅰ類， Ⅱ類， Ⅲ類， Ⅳ類， Ⅴ類}，其評價指標越大水質(zhì)環(huán)境越差。

2.3.2 確定評價對象因素集

評價對象因素集即為影響評價指標的各因子的集合X={xi} ，i=1 ，2，…n，其中n表示評價對象因素集的個數(shù)，即綜合n個影響因子來確定最終的綜合評價等級。在本文中根據(jù)獲取到的水質(zhì)環(huán)境參數(shù)，將評價對象因素集設(shè)置為X={x1，x2，x3，x4，x5}，其中x1到x5分別表示水質(zhì)環(huán)境參數(shù)獲取平臺采集的DO、氨氮、總磷、總氮和COD的數(shù)值。

在本文中確定權(quán)值即是確定各影響因子（溶解氧、氨氮、總磷、總氮和化學(xué)需氧量）對于水質(zhì)環(huán)境質(zhì)量評價等級影響程度的強弱。在實際的運用中，權(quán)重的取值直接影響著最終評價結(jié)果的優(yōu)劣，所以確定一個合理的權(quán)值向量十分重要。在實際運用中經(jīng)常采用專家經(jīng)驗法、層級分析法和熵值法進行權(quán)值的確定，但專家經(jīng)驗法與層級分析法主觀因素較重，使得獲取的權(quán)值經(jīng)驗化和片面化，使得評價結(jié)果具有隨機性。熵值法可以得到某個指標的離散程度。進而通過不同指標的離散程度來確定對于綜合評價指標的影響程度。在信息論中，通過計算熵值來判斷某一指標的無序程度，熵值越小，則無序程度越低，離散程度越大，對于綜合評價指標的影響程度也越大，故對應(yīng)的權(quán)值越大[21]。熵值法通過評價因子的離散程度來確定各影響因子的權(quán)重，避免了專家經(jīng)驗法與層級分析法的主觀性，提高了權(quán)重向量的準確性與客觀性，同時由于本文水質(zhì)參數(shù)獲取平臺采集的數(shù)據(jù)均為離散型數(shù)據(jù)，滿足熵值法使用條件，因此本文采用熵值法確定權(quán)值向量W，具體步驟如下：

2.3.4 建立模糊評價矩陣

2.3.5 輸出多指標綜合評價

3 算法實現(xiàn)與環(huán)境判決方法

為了驗證本文方法的可行性與可靠性，將數(shù)據(jù)采集終端通過移動浮標放置于某湖泊中進行驗證性實驗，現(xiàn)場測試圖如圖6所示。

圖6 現(xiàn)場測試圖Fig.6 Picture of field test

水質(zhì)傳感器放置于水下1 m處，每10 min采集一次，每次采集5組數(shù)據(jù)，每組數(shù)據(jù)包括5個同類水質(zhì)傳感器獲取的數(shù)據(jù)，共采集 50次。最后將每次采集的數(shù)據(jù)通過NB-IoT無線傳輸模塊上傳到遠程控制中心，在遠程端使用LabVIEW軟件實現(xiàn)環(huán)境參數(shù)的實時觀測與數(shù)據(jù)存儲，采集完成后對存儲的數(shù)據(jù)進行融合，提高淺海環(huán)境觀測實時性，其遠程端可視化界面如圖7所示。同時，本文采集所需數(shù)據(jù)的時間僅為8.4 h，與文獻[23]相比有更短的采集周期，進一步提高了觀測實時性與融合實時性。

圖7 可視化界面Fig.7 Visual interface

數(shù)據(jù)融合具體步驟如下：

（1） 對每一組同類水質(zhì)傳感器進行剔除異常數(shù)據(jù)操作和數(shù)據(jù)融合操作，即第一級數(shù)據(jù)融合，為下一級數(shù)據(jù)融合提供輸入。本文以營養(yǎng)鹽分析儀獲取的氨氮數(shù)據(jù)進行驗證與分析，其余數(shù)據(jù)處理方法均一致。

① 獲取到氨氮數(shù)據(jù)之后，先將5個傳感器數(shù)據(jù)的均值與方差計算出來，便于后續(xù)操作，具體數(shù)據(jù)如表1所示。

表1 各傳感器測量的氨氮數(shù)據(jù)均值與方差Table 1 Mean and variance of ammonia-nitrogen data measured by each sensor

將表1中的數(shù)據(jù)代入式（1）、（3）可得置信矩陣DN為

3.提高了民主管理程度，黨風廉政建設(shè)卓有成效。廠務(wù)公開的推行，使一號煤礦的黨建工作、企業(yè)文化、隊伍建設(shè)、內(nèi)部管理得到加強，領(lǐng)導(dǎo)班子成員的大局意識和責任意識有所提升，多種形式加強領(lǐng)導(dǎo)干部民主評議工作，干部作風得到改進；加大公開選拔干部的力度，增強了職工的向心力和凝聚力，也促進了企業(yè)內(nèi)部和諧氛圍的營造及各項工作的順利開展，民主管理的有效推行使得一號煤礦的企業(yè)黨風廉政建設(shè)卓有成效，干部職工上下齊心，干群關(guān)系融洽，以優(yōu)良的品質(zhì)、過硬的作風為一號煤礦的發(fā)展貢獻力量。

根據(jù)式（9）、（10）可得相關(guān)性矩陣GN為

② 使用剔除異常數(shù)據(jù)后的新數(shù)據(jù)進行自適應(yīng)加權(quán)融合，首先通過式（17）計算出各組傳感器對應(yīng)的權(quán)值W=[0.240 0.135 0.240 0.146 0.240]，然后將權(quán)值代入式（13）（式中的Ui在此處為傳感器數(shù)據(jù)的均值）即可獲得第一級的數(shù)據(jù)融合值。

（2） 通過第一級的數(shù)據(jù)融合之后，5組傳感器分別輸出對應(yīng)的第一級數(shù)據(jù)融合結(jié)果；然后將剔除異常數(shù)據(jù)的各組數(shù)，據(jù)根據(jù)熵值法確定5組傳感器對應(yīng)的權(quán)值w=[0.160 0.238 0.192 0.236 0.174];

獲得第一級融合結(jié)果和各組傳感器對應(yīng)權(quán)值后，根據(jù)GB3838—2002《地表水環(huán)境質(zhì)量標準》[20]確定對應(yīng)評價指標的標準值，并根據(jù)標準值計算出對應(yīng)的標準差，結(jié)果如表2所示。

表2 影響因子均值及標準差Table 2 Standard values and standard deviations of impact factors

然后根據(jù)隸屬度函數(shù)式（24），并歸一化后得到模糊評價矩陣K：

最后將權(quán)值向量w和模糊評價矩陣K代入模糊算子模型F中，將得到最終的評價結(jié)果，如圖8所示。

圖8 水質(zhì)等級評價結(jié)果Fig.8 Result of water quality grade evaluation

從圖8中可以看出，39%的占比為水質(zhì)等級Ⅲ類，是水產(chǎn)養(yǎng)殖區(qū)等漁業(yè)水域及游泳區(qū)，與實際情況相符，且由最終的評價結(jié)果為Ⅲ類，可得影響因子氨氮對應(yīng)的標準值為 1.0，通過上述計算得到第一級數(shù)據(jù)融合結(jié)果，而使用未考慮實際運用中水質(zhì)參數(shù)采集偏差的傳統(tǒng)自適應(yīng)加權(quán)融合算法和算術(shù)平均算法得到的第一級數(shù)據(jù)融合結(jié)果分別為1.304和1.344，則對應(yīng)的相對誤差分別為Y2、Y3：

其中：Y1為剔除異常數(shù)據(jù)后使用自適應(yīng)加權(quán)融合算法的相對誤差。

從式（27）中可明確觀測到本文考慮實際采集偏差算法的相對誤差僅為 6.5%，滿足第一級融合要求，且明顯優(yōu)于后兩種傳統(tǒng)融合算法。同時最終的評價結(jié)果相對于通過單一傳感器和人為觀測水質(zhì)環(huán)境，更加準確直觀地提供了水質(zhì)監(jiān)測結(jié)果，為科學(xué)決策和環(huán)境治理提供了可靠有效的數(shù)據(jù)來源。

4 結(jié) 論

本文基于傳統(tǒng)水質(zhì)監(jiān)測設(shè)備觀測不及時、使用單一傳感器觀測水質(zhì)片面及評價水質(zhì)不合理的缺點，設(shè)計了一套基于NB-IoT組網(wǎng)的數(shù)據(jù)回傳水質(zhì)監(jiān)測平臺，并在遠程控制中心引入多傳感器數(shù)據(jù)融合算法，使得監(jiān)測數(shù)據(jù)能夠及時上傳到遠程控制中心，避免了人工回收數(shù)據(jù)成本高和處理不及時的缺點。同時使用多傳感器數(shù)據(jù)融合算法，能有效克服使用單一傳感器觀測水質(zhì)的局限性，并在具體運用過程中，使用模糊理論中相關(guān)性函數(shù)確定各傳感器支持程度，剔除異常數(shù)據(jù)，和使用熵值法確定權(quán)值向量，使得本文融合方法更加合理。最后經(jīng)試驗證明：該水質(zhì)監(jiān)測設(shè)備能及時準確地反饋監(jiān)測水域水質(zhì)參數(shù)，多傳感器數(shù)據(jù)融合算法能合理簡潔地反映所測區(qū)域水質(zhì)等級，滿足淺海環(huán)境水質(zhì)監(jiān)測需求。