基于鸿蒙OS的多源数据融合水质监测系统设计

摘 要 ：针对传统水质监测系统可靠性差、维护困难和未能直观反映水质情况的不足，设计了一种基于鸿蒙嵌入式系统的水质监测系统。基于鸿蒙嵌入式系统设计了传感器各检测参数的调理电路，通过 WiFi 技术将采集到的 pH、TDS 和浊度数据汇总至阿里云物联网平台 ；经阿里云物联网平台数据流转后，将检测数据发送到 PC 端上位机软件 ；上位机将接收的数据通过隶属度中心法、加权平均法和 D-S 证据理论进行数据融合后可得到水质情况。仿真和实验结果表明，该系统具有较强的鲁棒性并能够准确分析水质情况。

0 引 言

生活用水的卫生安全与人体健康密切相关，因此对生活用水进行水质监测具有重要意义 [1]。随着技术的发展，水质监测领域已经取得了诸多研究成果 [2-5]。目前，多数水质监测系统实现了数据的无线传输和实时监测，但仍然存在稳定性和可靠性较差、维护困难和未能准确分析水质情况等问题。针对上述问题，设计了一种基于鸿蒙操作系统（HarmonyOperating System，鸿蒙 OS）的多传感器数据融合的水质监测系统，该系统能够实现对水质的实时监测和分析，准确直观地获得水质情况。

1 系统总体设计

水质监测系统结构如图1所示。该系统共分为三部分 ：

（1）数据采集层：鸿蒙OS是整个终端的核心，其主要作用在于接收传感器的模拟信号，经AD转换和计算后通过内部集成的WiFi模块上传到数据中转层 ；（2）数据中转层 ：是一种基于WiFi协议的信息传输平台，终端节点连接上 WiFi热点后，再使用MQTT协议连接阿里云IoT平台和人机交互软件 ；（3）人机交互层 ：用户和工程师站二者组成人机交互层，能够实现对终端设备的业务管理。

2 系统硬件设计

微控制单元采用Hi3861V100（简称 Hi3861）芯片，该芯片是一款高度集成的2.4 GHz WiFi 系统级芯片，集成了IEEE802.11b/g/n 基带和射频（Radio Frequency, RF）电路。使用 Hi3861 芯片可简单、快速、低成本地实现设备控制和网络连接功能，适用于智能家电等物联网终端领域。

为了将pH、TDS（Total dissolved solids）和浊度敏感元件测得的模拟信号转换为便于 ADC 和单片机采集的信号，设计了三个检测参数的调理电路，其中 pH 和浊度使用 ADS1118作为外置ADC，提升了检测精度。由于pH 和TDS 受温度影响较大，故使用 DS18B20实现精准测温，进而对pH和TDS进行温度补偿。Hi3861 芯片对四个检测参数进行信号处理后获得检测值，并通过OLED屏幕实时显示。电源部分采用220 V转5 V适配器供电。按键部分能够实现开关机、数据保持以及校准功能。数据采集终端硬件结构如图 2 所示。

2.1 pH 调理电路设计

pH是指溶液中的氢离子浓度指数，多用来指示溶液的酸碱性。在100 kPa压强的状态下，pH=7的溶液呈中性，pH>7 的溶液呈碱性，pH<7 的溶液呈酸性 [6]。系统采用雷磁的E-201-C复合pH电极，被测溶液的氢离子浓度变化会引起内参比电极电动势变化，且二者构成线性函数关系。pH调理电路如图3所示，其中U2部分为差分放大电路，U2输出的是放大后的差分信号。为了使放大后的信号在ADC芯片的输入范围，使用U1部分进行电压抬升。

2.2 TDS 调理电路

TDS 即溶解性总固体，指水中溶解的各种离子、分子和化合物的总量，不包括悬浮物和溶解气体 [7]。本文使用频率法对 TDS 进行测量，以 555 芯片为核心构成多谐振荡电路，可持续输出频率信号，根据频率和 TDS 的关系可求得 TDS的值。TDS 调理电路如图 4 所示。

2.3 浊度调理电路

浊度是指样本水质溶液对发射的光线产生的阻碍大小，包括悬浮物对光的散射和溶质分子对光的吸收。浊度不仅与水中悬浮物的含量有关，还与它们的大小、形状以及折射系数有关 [8]。系统采用 TS-300B 散射式浊度传感器，传感器由一个光敏二极管和一个发光二极管组成，二者收发红外线，最后输出电信号。浊度调理电路如图 5 所示，使用 U1 运算放大器，将电压跟随到输出，提高信号驱动能力。

3 系统软件设计

3.1 下位机软件设计

鸿蒙OS的任务模块拥有32个优先级，可实现任务之间的通信和切换。鸿蒙OS中的任务是抢占式调度机制，高优先级任务可打断低优先级任务，低优先级任务须在高优先级任务阻塞或执行结束后才能够调度 [9]。鸿蒙OS任务调度机制如图6所示。

根据鸿蒙OS的特性以及实际需求，设置了3个不同优先级的任务 ：（1）水质检测任务 ：用于获取pH、TDS、浊度等水质检测参数并计算，然后在OLED屏幕上实时显示 ；（2）数据装载任务 ：用于将水质检测任务中的数据读取并装载，为网络通信任务做准备 ；（3）网络通信任务 ：将检测终端连接WiFi热点，再通过MQTT协议连接阿里云IoT平台。系统上电后，外设初始化和鸿蒙OS系统初始化，之后在主函数上建立新的任务来启动程序。鸿蒙OS下位机软件流程如图7所示。

3.2 上位机软件设计

使用Qt编写了PC端上位机软件，软件开发的编程语言为C++[10]。上位机可通过MQTT协议连接阿里云 IoT 平台，并订阅阿里云IoT平台发布的消息，最后通过使用阿里云平台的数据流转功能将数据采集终端的检测数据发送到上位机软件，其可对接收到的数据进行处理和动态曲线显示。多个传感器的检测数据不但可以在上位机上实时显示，也可以通过隶属度中心法、加权平均法和D-S证据理论进行数据融合，获得科学的水质分析。上位机软件结合MySQL数据库可实现用户管理、数据存储和历史记录查询等功能。上位机软件的部分界面如图8所示。

4 数据融合

数据融合是水质监测数据分析和处理的重要技术，它综合了分布在不同位置的多个同类或者异类传感器所提供的局部观测量，消除了多个传感器之间可能存在的信息冗余和矛盾，形成对水质情况相对完整的感知描述。

本系统的数据融合框架共两层，如图9所示。融合框架的第一层将接收的pH、TDS 和浊度通过隶属度中心法转化为隶属度，通过自适应加权将多个传感器的隶属度融合。融合框架的第二层将融合后的隶属度作为基本概率分配，使用D-S证据理论算法进行决策级融合处理。

4.1 隶属度中心法

为直观、科学地了解水质情况，以饮用水水质标准为例，根据《生活饮用水卫生标准》（GB5749-2006）和专家经验，对饮用水水质标准设置了三个水质等级 ：适宜饮用（Ⅰ类）、可以饮用（Ⅱ类）和不宜饮用（Ⅲ类）。根据饮用水的水样特点和模糊规则，使用高斯隶属度函数计算水样中不同参数对应的隶属度值 [11]，隶属度函数表达式为 ：

式中：x为检测的水质参数数值；a为水质等级的特征参数；σ为水质等级的特征最大偏差。

4.2 自适应加权平均法

加权平均法可以按照某个原则给每个传感器的测量值分配权重，得到对一个目标事件的整体估计值。自适应加权平均法可以根据传感器的状态，自适应地改变权值，使权值分配更加准确。本方法可以有效处理数据冗余，且兼顾了每个传感器，具有较强的鲁棒性。通过下式可对隶属度的自适应进行加权 ：

式中：n 为传感器的个数；λ 为传感器对应的权值，可用下式求得

式中，σ 为某段时间传感器检测数值的方差。

为了防止隶属度和不为1，需要对隶属度进行归一化修正，如下 ：

4.3 D-S 证据理论

D-S证据理论是一种模糊推理理论，可以将多个证据的基本概率分配（Basic Probablity Assignment, BPA）进行数据融合，具有处理多源不确定信息的能力，因此在多传感器信息融合领域得到了广泛应用。

D-S证据理论中的识别框架Θ包含了N个互斥且穷举命题，对于任意命题A，都属于幂集合2Θ。在2Θ中定义的BPA满足下式 ：

对应的合成规则为 ：

式中，K为归一化常数，表达式为：

5 仿真与实验

5.1 仿真

仿真1～3号终端节点的pH、TDS和浊度三个检测参数在某段时间内的数值。其中1号和2号传感器模拟了在Ⅰ类水质条件下的检测数据，3号传感器为设计的高冲突证据，以验证高冲突证据存在时数据融合决策的科学性，仿真数据和融合结果如图10所示。根据图10（d）的仿真结果，Ⅰ类水质的BPA在0.7左右，表明数据融合算法即使在有高冲突证据的情况下，融合结果仍符合常理。说明该算法解决了高冲突证据融合的缺陷，解决了在水质监测过程中由于某个传感器的故障导致数据融合结果有悖常理的问题。

5.2 实验

以纯净水作为实验用水，使用三个数据采集终端实时监测纯净水质量，检测结果见表 1 所列。

基于本文的数据融合算法，将表1数据进行数据融合，

从表2可以看出 ：融合前，三个水质指标中Ⅰ类水质BPA比其他类大 ；融合后，Ⅰ类水质的BPA高达0.804 3，比其他类大，且相比融合前的BPA更大。由此可见，本文的数据融合算法更科学、效果更显著。

6 结 语

根据鸿蒙OS的优势和水质监测需求，设计了一套水质多参数监测与水质类型分析的系统。该系统利用多路传感器实时获取水质信息，通过 WiFi 技术将信息上传到阿里云 IoT平台，最后将数据发送到上位机软件实时显示并进行水质分析。本系统是基于鸿蒙 OS 一次开发的，多端部署，可扩展性强、便于维护。仿真与实验结果表明，该系统运行稳定、实时性好、鲁棒性强，解决了在数据融合中由于传感器故障引起的结果与现实相悖的问题，具有广阔的应用前景。

审核编辑 ：李倩