判别传感器

前言 风电功率预测是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划。风功率预测意义重大：通过风功率预测系统的预测结果，电网调度部门可以合理安排发电计划，减少系统的旋转备用容量，提高电网运行的经济性；提前预测风功率的波动，合理安排运行方式和应对措施，提高电网的安全性和可靠性；对风电进行有效调度和科学管理，提高电网接纳风电的能力；指导风电场的计划检修，提高风电场运行的经济性。 测风塔系统测风塔系统是风功率预测重要组成部分，其包括：风塔、传感器、电源、数据处理存储装置、安全与保护装置和传输设备等。传感器分为风速传感器、风向传感器、温度传感器、气压传感器和湿度传感器等，用来测量指定的环境参数为风功率预测提供依据。其中风速风向传感器以机械式和超声波测量为主。机械式风速风向传感器造价低，但是也存在着非常明显的缺陷：风速升高或降低时，由于惯性作用，升速或减速慢；有活动部件，极易磨损，易受沙尘等恶劣天气的损耗，易受冰冻、雨雪干扰，需定期维护； 对于阵风测量精度低；启动风速阈值高；风杯受到的风压力正比于空气密度，空气密度的变化将会影响测量精度； 风速和风向分立式，需要单独拉线，成本增加；本地采集端需要数据采集器进行模拟量到数字量的转换，成本增加而超声波风速风向仪很好地解决了以上的不足，技术成熟，安装方便，同时数字接口输出，可以节省本地数据采集器的成本。 Lufft测风塔解决方案Lufft作为全球专业的气象传感器供应商，其提供的超声波传感器WS200-UMB和气象五参数WS500-UMB很好地满足地测风塔数据的要求。WS200-UMB可以安装在30米、50米、70米和80米测量风速和风向，而WS500-UMB安装在10米高度测量风速、风向、温度、湿度和气压等参数。本文将从组成、传感器、数据采集、供电、防雷和通讯等几个方面阐述。 系统组成根据规范要求，系统配置包括：传感器（4* WS200，1*WS500）、机箱、太阳能板、电池和支架等组成。其中机箱内含有：电源模块、太阳能控制器、数据采集模块、通信模块，防雷模块、开关和接线端子等部件。 Lufft测风塔系统框图 现场安装示意图 传感器参数气象五参数WS500-UMB可以测量风速、风向、温度、湿度、露点温度、空气密度和气压，并配备电子罗盘，修正真风向。同时输出测量质量，判别测量输出数据的有效性。超声风探头配备加热功能，供电允许的情况下，有效抵制结冰积雪。 WS200-UMB WS500-UMB Lufft超声风传感器和气象五参数，性能良好，提供的数据丰富，产品特色总结如下:数字接口输出，无需外接数据采集器进行模数转换，可以直接连接数字通信模块（光端机或DTU），降低成本；除基本数据外，气象五参数还可以输出空气密度和风速风向的标准偏差数据；配备电子罗盘，现场安装施工难度大，人为调正北指向误差大，可用设备自身的修正风向；通过配置传感器参数，可以通过预留的接口连接第三方降水传感器，数字接口统一输出；探头具备加热功能，供电允许的情况下，可以有效防止结冰引起传感器的无法测量的问题，保证数据的完整性；测风质量是Lufft产品特有的技术指标，是传感器自身在测量过程中，单位时间内测量的有效次数与总次数比值的百分比；其体现了测量数据的有效性，尤其是同一地点不同设备输出数据的差别比较大的情况下，判断孰优孰劣的有力依据。 数据采集存储由于Lufft的传感器都是RS485数字接口，可以采用总线模式连接到数据采集模块或通信模块。同时，数据的采集和存储相对比较简单，不需要专门的数据采集器，可以选择带多个RS485口和以太网口的RTU模块（存储功能可以定制）。通信协议可以使用市场主流的Modbus协议。

近红外技术的诞生在水果产业技术方面产生两大效益。一是技术的升级换代。例如，以往是破坏性检测水果糖度，而现在实现了无损检测。二是填补空白。例如，以前没有任何一项技术可以无损检测树上果实的糖度，现在却已实现。近红外技术判别果实成熟度是以往判别方法和技术的升级，此类研究本应与以往技术进行关联论述，但很少有人论及近红外的检测指标与以往方法和技术之间的关系，本文试图回答这个问题。这篇文章有两个关键词：果实成熟度和近红外技术。第一个关键词果实成熟度。不知从何时开始，果实的成熟期被划分为 3类：可采成熟期、食用成熟期和生理成熟期。特别是生理成熟期被认为是水果内部种子已充分成熟，此时的果肉已经开始腐烂变质，不宜食用[1,2]。本人的认知与之相反，应该先是生理成熟期而非最后。例如，洋梨系列，先是生理成熟并采摘，放置十天半月后方能食用。鉴于目前有关果实成熟度的描述和解释以及定义尚未统一的现状，本人认为从发育-成熟-后熟-催熟方面的描述更加科学，故介绍如下。所谓成熟(maturation)，是指果实发育成原本的大小，成分充实，处于收获状态，即食或通过催熟等方式后食用。成熟的果实仍然挂在树上，会进一步后熟(ripening)，加速着色和果肉软化，变成全熟(fullripe)状态。另外，收获成熟的果实后，果实会继续进一步成熟，也就是催熟(postharvest ripening)，再变成适熟(eating ripe)，迎来食用时期[3]，如图1所示。图1 果实发育不同阶段示意图之所以讨论这个问题是因为成熟度决定着采收期，也就是生理成熟程度。果实种类不同采收期和采收方式也不同。例如，无花果只能成熟一个采收一个，而苹果可以成熟一个采收一个，也可以一次性采收。前者是边判断树上单个苹果成熟度边收获的方法，主要用于高品质或附加值高的早熟、中熟品种的收获。而后者则是在一个时期内集中收获，如“富士”等晚熟品种就用这个方法[4]。过去，果实一个个采收，或集中收获后进行成熟度分级只能凭借目视判别，常用果实色卡与果实表皮颜色和底色等表观现象进行对比。当然，还有经验法。果实成熟度的本质是果实内部成分不断发生着生化和质构的变化，评价指标因果实而异，如（表1）。众所周知，近红外技术依据上述表1部分指标可以实现挂在树上的每个果实成熟度的判别，也可在线逐一检测每个果实的成熟度。由此涉及到第二个关键词，近红外技术。有关近红外技术判别果实成熟度的论文很多，绝大多数都是把评价指标与近红外光谱直接关联进行建模分析，并未与现有评价体系进行呼应。近红外技术在判别果实成熟度方面是替代以往经验法或色卡比对法，是技术升级换代，并非填补空白。经过本人的努力，只检索到山根崇嘉[5]和阪本大輔[6]的论文中，总结归纳了果皮叶绿素与淀粉指数(starch index)、果皮底色（ground color）之间存在着相关关系，证明可以通过近红外技术检测果皮叶绿素含量判别果实成熟度的内涵。特此简述如下。山根等人利用近红外专用检测仪（おいし果，千代田電子工業（株））检测水果内部品质，针对丰水、幸水和秋月梨三种日系梨采集果实650～740 nm 的漫反射光谱，PLS建模得到果皮叶绿素预测值与实测值高度相关的结论，如图2所示。图2 果皮叶绿素含量实测值与计算值的关系(2016年产)（左图） 图3 用2017年“幸水”模型，验证2016年各品种叶绿素含量（右图）同时，作者还进行了叶绿素含量实测值和果皮底色之间的相关分析，如图4所示，并得出4个关系式。混合(粗实线) y = 0.0383 (x - 11.8825)2+ 0.4274 (r2 = 0.944)幸水(实线) y = 0.0364 (x - 12.2582)2+ 0.2770 (r2 = 0.937)丰水(短虚线) y = 0.0369 (x - 11.8198)2+ 0.5599 (r2 = 0.953)秋月(长虚线) y = 0.0345 (x - 13.1957)2 - 0.0587 (r2 = 0.949)图4 叶绿素含量实测值与果皮底色关系由此可知，通过近红外技术检测日系梨果皮叶绿素含量就能替代现有果实色卡比对方法，实现无损判别梨果实的成熟度。除了上述两个关键词之外，特别值得一提的是果皮叶绿素的实测方法。叶绿素提取的方法很多，主要包括二甲基亚矾(DMSO)法、丙酮乙醇水混合液法、丙酮乙醇混合液法、创性传感检测法和无损预测法等，这些方法各有优势，且主要集中在叶片上。对梨果皮中的叶绿素的提取与含量测定已有相关报道，但研究结果中果皮的色素含量有较大差异，且不稳定[7]。尤其是日系梨果皮表面被软木层（cork layer）所覆盖，必须去除软木层露出果皮方能取样测量果皮叶绿素。山根等人根据Porra(1989)的方法测定叶绿素含量[8]。首先对拟采样部位的软木层用透明胶带稍用力按压后再撕下来，以此反复至完全去除，就不会损伤露出表面。采样部位的果皮(已除去软木层)用陶瓷刀(CP-99，京瓷(株))将果皮剥至一定厚度(1.7 ~ 1.8 mm)，制成直径12mm的圆片果皮备用。然后在圆片果皮中央切出一处刀口，浸泡在1mL的N,N二甲基甲酰胺中，放置在约4°C的阴暗处24小时，提取。从提取液中取出果皮后，用5000 g进行3分钟的离心分离(CF15RX，(株)日立制作所)，用分光光度计(Bio spect -1600，(株)岛津制作所)测量澄清液646. 8nm，663.8 nm，以及没有叶绿素吸光的750.0 nm的吸光度作为悬浊度基线，来求得含量。叶绿素含量计算公式：叶绿素(a+b)含量(μgmL-1) = 17.67 (A646.8 - A750.0) + 7.12 (A663.8 - A750.0)A：表示各波长的吸光度。除去软木层后，为了防止果皮褐变，需要进行一系列尽可能快的操作，同时，为了防止叶绿素的光分解，将提取液放入遮光箱，一直保管到测量结束。要想获得准确的近红外模型预测值，不但要注重光谱采集、预处理以及建模方法，还应同等重视实测值的正确获取，因为近红外的预测值精度永远不会超过实测值的精度。阪本等人针对6种苹果也进行了与山根等人研究思路非常类似的实验。不同的是评价指标，苹果除了果皮底色以外，还增加了淀粉指数。这里只以大家熟悉的富士苹果为例进行介绍和说明。由图5可知，富士苹果叶绿素的实测值与预测值相关系数高达r2=0.967。叶绿素实测值与果皮底色和淀粉指数均呈曲线相关（图7，8）。同样，该实验说明通过近红外技术检测苹果果皮叶绿素含量可以替代现有经验法、果实色卡比对法、淀粉指数法，实现树上和在线无损检测判别果实的成熟度。图5 富士苹果果皮叶绿素实测值与预测值之间的关系（2018年）图6 用2018年“北郎”模型预测2019年富士苹果的实测值与预测值的关系图7 富士苹果叶绿素实测值与果皮底色之间的关系图8 富士苹果实测叶绿素值与淀粉指数的关系综上所述，近红外技术检测所用的指标也许直接或间接与果实成熟度相关，该指标若能与以往方法或技术涉及的指标具有相关性，则可证明近红外技术可用于果实成熟度的判别。本文内容纯属个人思考和观点，受水平和能力所限，尚存诸多未尽事宜，仅供参考。参考文献：［1］孙梦梦，鞠皓，姜洪喆，等。水果成熟度无损检测技术研究进展［J］.食品与发酵工业，2023,49(17):354-362［2］黎丽莎等：近红外无损检测技术在水果成熟度判别中的应用研究，华东交通大学学报，Vol.38 No.6Dec.,2021［3］果樹園芸学の基礎／伴野潔／山田寿／平智 ［4］石井雅樹：果実の収穫適期定量判定アプリの開発，http://www.tohoku-hightech.jp/file/seminar/kouen3.pdf石井雅樹：果実の収穫適期定量判定アプリの開発，http://www.tohoku-hightech.jp/file/seminar/kouen3.pdf［5］山根崇嘉等，ニホンナシにおける果皮のクロロフィル含量の非破壊計測，園学研．18 (3)：253–258．2019［6］阪本大輔等，リンゴにおける果皮のクロロフィル含量の非破壊計測，園学研．20 (1)：73–78．2021［7］吴悦菊等，梨果皮色素含量的测定方法研究，中国农学通报 2023,39(28):119-125［8］Porra, R. J., W. A. Thompson and P. E. Kriedemann. 1989. Determination of accurate extinction coefficients and simul taneous equations for assaying chlorophylls a and b extracted with for different solvents: verification of concentration of chlorophyll standards by atomic absorption spectroscopy.Biochim. Biophys. Acta 975: 384–394.（文章来源：中国农业大学 韩东海教授）

今天，我们的生活高度依赖传感器。传感器作为人类“五感”的延伸，去感知这个世界，甚至可以观察到人体感知不到的细节，这种能力也是未来智能化社会所必须的。不过，单个传感器的性能再卓越，在很多场景中还是无法满足人们要求。比如汽车中昂贵的激光雷达可以根据生成的点云，判断出前方有障碍物，但想准确得知这个障碍物是什么，还需要车载摄像头帮忙“看”一眼；如果想感测这个物体的运动状态，可能还需要毫米波雷达来助阵。这个过程就好比我们熟悉的“盲人摸象”，每个传感器基于自己的特性和专长，只能看到被测对象的某一个方面的特征，而只有将所有特征信息都综合起来，才能够形成更为完整而准确的洞察。这种将多个传感器整合在一起来使用的方法，就是所谓的“传感器融合”。对于传感器融合，一个比较严谨的定义是：利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程。这些作为数据源的传感器可以是相同的（同构），也可以是不同的（异构），但它们并不是简单地堆砌在一起，而是要从数据层面进行深度地融合。实际上，传感器融合的例子在我们生活中已经屡见不鲜。归纳起来，使用传感器融合技术的目的主要有三类：●获得全局性的认知。单独一个传感器功能单一或性能不足，加在一起才能完成一个更高阶的工作。比如我们熟悉的9轴MEMS运动传感器单元，实际上就是3轴加速传感器、3轴陀螺仪和3轴电子罗盘（地磁传感器）三者的合体，通过这样的传感器融合，才能获得准确的运动感测数据，进而在高端VR或其他应用中为用户提供逼真的沉浸式体验。●细化探测颗粒度。比如在地理位置的感知上，GPS等卫星定位技术，探测精度在十米左右且在室内无法使用，如果我们能够将Wi-Fi、蓝牙、UWB等局域定位技术结合进来，或者增加MEMS惯性单元，那么对于室内物体的定位和运动监测精度就能实现数量级的提升。●实现安全冗余。这方面，自动驾驶是最典型的例子，各个车载传感器获取的信息之间必须互为备份、相互印证，才能做到真正的安全无虞。比如当自动驾驶级别提升到L3以上时，就会在车载摄像头的基础上引入毫米波雷达，而到了L4和L5，激光雷达基本上就是标配了，甚至还会考虑将通过V2X车联网收集的数据融合进来。总之，传感器融合技术恰似一个“教练”，能够将性能各异的传感器捏合成一个团队，合而为一又相互取长补短，共同去赢得一场比赛。选定了需要融合的传感器，怎么融合则是下一步要考虑的问题。传感器融合的体系结构，按照融合的方式分为三种：●集中式：集中式传感器融合就是将各个传感器获得的原始数据，直接送至中央处理器进行融合处理，这样做的好处是精度高、算法灵活，但是由于需要处理的数据量大，对中央处理器的算力要求更高，还需要考虑到数据传输的延迟，实现难度大。●分布式：所谓分布式，就是在更靠近传感器端的地方，先对各个传感器获得的原始数据进行初步处理，然后再将结果送入中央处理器进行信息融合计算，得到最终的结果。这种方式对通信带宽的需求低、计算速度快、可靠性好，但由于会对原始数据进行过滤和处理，会造成部分信息的丢失，因此原理上最终的精度没有集中式高。●混合式：顾名思义，就是将以上两种方法相结合，部分传感器采用集中式融合方式，其他的传感器采用分布式融合方式。由于兼顾了集中式融合和分布式的优点，混合式融合框架适应能力较强，稳定性高，但是整体的系统结构会更复杂，在数据通信和计算处理上会产生额外的成本。对于传感器融合方案，还有一种按照数据信息处理阶段进行分类的思路。一般来说，数据的处理要经过获取数据、特征提取、识别决策三个层级，在不同的层级进行信息融合，策略不同，应用场景不同，产生的结果也不同。按照这种思路，可以将传感器融合分为数据级融合、特征级融合和决策级融合。●数据级融合：就是在多个传感器采集数据完成后，就对这些数据进行融合。但是数据级融合处理的数据必须是由同一类传感器采集的，不能处理不同传感器采集的异构数据。●特征级融合：从传感器所采集的数据中提取出能够体现监测对象属性的特征向量，在这个层级上对于监测对象特征做信息融合，就是特征级融合。这种方式之所以可行，是由于部分关键的特征信息，可以来代替全部数据信息。●决策级融合：在特征提取的基础上，进行一定的判别、分类，以及简单的逻辑运算，做出识别判断，在此基础上根据应用需求完成信息融合，进行较高级的决策，就是所谓的决策级融合。决策级融合一般都是应用导向的。如何选择传感器融合的策略和架构，没有一定之规，需要根据具体的实际应用而定，当然也需要综合算力、通信、安全、成本等方面的要素，做出正确的决策。不论是采用哪种传感器融合架构，你可能都会发现，传感器融合很大程度上是一个软件工作，主要的重点和难点都在算法上。因此，根据实际应用开发出高效的算法，也就成了传感器融合开发工作的重中之重。在优化算法上，人工智能的引入是传感器融合的一个明显发展趋势。通过人工神经网络，可以模仿人脑的判断决策过程，并具有持续学习进化的可扩展能力，这无疑为传感器融合的发展提供了加速度。虽然软件很关键，但是在传感器融合过程中，也并非没有硬件施展拳脚的机会。比如，如果将所有的传感器融合算法处理都放在主处理器上做，处理器的负荷会非常大，因此近年来一种比较流行的做法是引入传感器中枢（Sensor Hub），它可以在主处理器之外独立地处理传感器的数据，而无需主处理器参与。这样做，一方面可以减轻主处理器的负荷，另一方面也可以通过减少主处理器工作的时间降低系统功耗，这在可穿戴和物联网等功耗敏感型应用中，十分必要。有市场研究数据显示，对传感器融合系统的需求将从2017年的26.2亿美元增长到2023年的75.8亿美元，复合年增长率约为19.4％。可以预判，未来传感器融合技术和应用的发展将呈现出两个明显的趋势：●自动驾驶的驱动下，汽车市场将是传感器融合技术最重要的赛道，并将由此催生出更多的新技术和新方案。●此外，应用多元化的趋势也将加速，除了以往那些对于性能、安全要求较高的应用，在消费电子领域传感器融合技术将迎来巨大的发展空间。总之，传感器融合为我们洞察这个世界提供了更有效的方法，让我们远离“盲人摸象”般的尴尬，进而在这个洞察力的基础上，塑造更智能的未来。