基于Arduino UNO Q的低成本、实时水质监测设备,具备本地异常检测功能
问题所在:看不见的水质恶化
全球有20亿人饮用未经安全处理的水。危险往往并非突发剧变,而是缓慢而隐匿的演变:溶解固体逐渐升高、pH值轻微变化、浑浊感悄然出现。当污染变得明显时,人们早已饮用了受污染的水。
能够早期发现这些问题的工具,对最需要这些设备的社区来说却难以实现。实验室检测需耗时24至48小时,并且必须前往城市进行;工业级探头价格昂贵,且数据被锁定在专有的仪表盘中。这些方式都不适用于农村水井、村庄蓄水池或小型水务合作社。
智能水质守护者AI正是为填补这一空白而生:一款低成本设备,可持续监控水质,学习特定水源的正常状态,并在水质开始异常时立即发出警报。所有功能均在本地运行,无需永久互联网连接即可实现智能识别。
其目标并非取代经过认证的实验室检测。它的作用是为社区提供一种早期、经济实惠且持续不断的警示,提醒人们注意水质变化,值得进一步检查。
它的工作原理
该设备持续监测四个参数(pH值、总溶解固体、浊度和温度),并结合两层互补的判断机制:
监管层:基于世界卫生组织(WHO)指南设定的固定阈值。一旦数值超出安全范围,系统会立即标记为“关键状态”。
AI层:采用Edge Impulse K-means异常检测器,已学习到该特定水源的正常特征。即使单个数值在技术上仍处于安全范围内,只要偏离了已知的正常模式,系统也会发出警报。
检测结果通过三种方式呈现:本地网页仪表盘、配套的安卓应用程序,以及同步至Arduino云平台实现远程查看。设备本身会触发本地报警(LED灯和蜂鸣器)。
这种组合至关重要。仅靠阈值判断过于迟缓,只有当数值已超过限制时才会反应;而异常检测器则提供了第二道更早的信号——即水不再像往常一样。这正是“反应”与“察觉”的区别。
为何选择Arduino UNO Q
这个项目无法在传统的Arduino上运行,而这正是其关键所在。UNO Q采用了双脑架构:一个STM32微控制器用于实时采集传感器数据和控制执行器,另一个是支持Linux的QRB2210处理器,可原生运行完整的AI推理流程。
微控制器擅长其职责:读取模拟传感器、驱动LED和蜂鸣器,并实现即时响应。而Linux端则实现了微控制器从未能做到的功能:运行真正的机器学习模型(Edge Impulse K-means)、提供本地网页仪表盘、与Arduino云同步,并在无需独立计算机的情况下存储时间序列历史数据。一块紧凑的电路板即可覆盖从原始电压到AI决策再到仪表盘的整个链条,使其成为唯一能够将该项目从概念阶段推进至可运行原型的平台。
Arduino App Lab通过让开发者在一个环境中同时原型化网页仪表盘并协调混合的STM32/Linux工作流,加速了开发进程,有效弥合了实时控制与边缘AI之间的鸿沟。
硬件
•Arduino UNO Q(4GB)- 主板(STM32 + QRB2210)
•pH传感器(模拟输入)- 水的酸碱度
•浊度传感器(模拟输入)- 悬浮颗粒物
•TDS传感器(DFRobot,模拟输入)- 溶解固体
•DS18B20防水型(单线制)- 温度及补偿
•RGB LED(GPIO)- 视觉报警
•主动蜂鸣器(GPIO)- 声音报警
一个关键的硬件教训:传感器接地问题。起初,当其他探头浸入同一水体时,pH读数会出现异常波动。在分别隔离每个传感器并单独测试后,问题出在DS18B20上:其金属不锈钢外壳导致电路地与水体直接电气耦合,从而破坏了高阻抗pH测量的准确性。
解决方法是物理上的,而非软件层面的:使用热缩管对金属探头进行绝缘,并在探头尖端处密封。这类问题只有通过实际搭建设备并观察其失效过程才能发现。
关于逻辑电平说明:UNO Q的GPIO工作电压为3.3V,因此传感器的选择和接线必须遵守这一标准。
校准:让数据值得信赖
传感器读数在未经与真实标准进行校准之前毫无价值。这正是工作中的关键环节,最终数据的准确性也源于此。
pH值通过三点校准(pH 4、7 和 10)与实际缓冲溶液进行校准,并采用线性回归拟合。
拟合效果极佳:每种缓冲液的读数均与真实值相差不超过 0.04 pH 单位。每组读数还使用了 15 个样本的中位滤波器来平滑电气噪声。
TDS 值则通过已知标准进行了验证。使用 Atlas Scientific 12880 微西门子溶液,按 1:10 比例稀释,得到接近 644 ppm 的浓度,采用 0.5 的换算规则。探头测得 650.8 ppm,误差低于 1%。这使得 TDS 值具有高度可信度。
浊度是目前最薄弱的环节。由于缺乏弗洛里林参考标准,绝对 NTU 值无法进行校准。该传感器能够可靠地区分清澈水体(NTU 约为 0)和明显浑浊的水体(牛奶测试可使其达到数百 NTU),但其精确数值仅具指示意义,而非经过认证。这一局限性被明确指出,而非隐藏。
DS18B20的温度数据用于补偿pH值和TDS,因为两者都随温度变化而漂移。
AI:学习正常值而非猜测阈值
为什么要进行异常检测?
大多数水质监测设备都是纯规则引擎:当pH低于6.5时发出警报。但问题在于,污染通常始于多个参数的细微变化叠加,这些参数中的任何一个尚未达到其各自的限值。
K-means异常检测器采用不同的方法。它仅用正常水训练,无需标注污染样本。它学习出描述正常多变量特征的聚类,然后通过测量值与这些聚类的距离来评估新数据。只要距离某个已知聚类较远,就视为异常。
关键教训:模拟数据行不通
第一个模型是基于模拟的正常水训练的,结果失败了。在实际自来水测试中,它持续给出24到49之间的异常分数,导致频繁误报。这是因为模拟数据与现实情况的纹理不匹配。
解决方案是采集真实数据:连续数小时夜间运行,以10秒为间隔记录实际自来水数据,在剔除传感器故障后,获得超过一千个干净的正常样本。在使用真实数据集重新训练后,模型的正常水体得分降至预期的较低水平。这一教训(即应基于现实进行训练,而非依赖对现实的假设)是整个项目中最宝贵的收获之一。
特征格式问题
部署重新训练后的模型后,推理结果始终返回错误值1000,无论输入如何变化。经过长时间、系统的调试过程,将从Edge Impulse复制的原始特征与设备端运行器进行对比测试,最终发现原因:模型期望当前测量值(4个数值)后通过零填充来填补其48维输入空间,而这正是由于2小时窗口采样频率极低所致。而Python代码实际上是在对完整窗口的真实数值进行展平处理。修正特征布局后,推理立即恢复正常。此外,现在得分可直接由第一个测量值计算得出,无需预热窗口。
Impulse设计
输入:时间序列窗口,四个轴(pH、TDS、浊度、温度)
处理:展平数据,按传感器统计特征
学习:K-means异常检测,32个聚类
部署:Linux AARCH64.eim文件,原生运行于QRB2210
最终模型使用pH、总溶解固体(TDS)和温度参数。浊度在清洁水中始终为零,因此被排除在模型之外,转而通过直接阈值进行处理。
决策逻辑:两层分明
如果违反了世界卫生组织(WHO)设定的阈值,则状态为“危急”(超出监管限值)。
如果AI异常得分超过阈值,则状态为“预测性警报”(偏离正常);否则,状态为“正常”。
世界卫生组织(WHO)层级是监管的后盾,而AI层级则是早期预警系统,在硬阈值被突破前即发出警报。两者回答的是不同的问题:水是否合法不安全,还是水已从正常状态发生了变化。
结果:真实测量值
这些数值来自实际设备的测量,而非模拟数据。
正常自来水:AI异常得分低于阈值,状态显示为“正常”。
加盐(高TDS):当TDS浓度上升至500 mg/L以上并接近1000 mg/L时,状态在阈值处变为“临界”,同时AI得分急剧上升。随着盐分稀释,TDS下降,得分随之回落,证实该模型确实能对TDS做出响应,而不仅仅是pH值。
浑浊水(牛奶测试):浊度上升至数百NTU,触发浊度阈值的“临界”状态。
柠檬汁(酸性污染):pH值降至约3,远低于WHO的安全范围。系统立即进入“临界”状态,AI得分飙升至约550,成为所有测试中反应最强的一次。
这些测试中出现了一个清晰而明确的模式:当环境条件偏离所学的正常状态时,AI分数会平稳上升;当环境恢复常态时,分数则会回落。这种平滑的关联性是模型正在真正发挥作用、而非产生噪声的最强有力证据。
公开说明的局限性
一个隐藏自身弱点的监测设备是不可信赖的。以下是该系统明确指出的几个问题:
浊度在绝对值上未经校准。由于缺乏形式胺标准,NTU数值仅具参考意义。传感器只能检测到水体浑浊,但无法精确判断浑浊程度。其原始信号还存在电气噪声,需要设置精确的阈值以避免误触发。
AI系统仅针对单一水源进行训练,模型学习的是其训练数据中的“正常”状态。在模型训练后对pH校准进行调整,会导致测量值发生变化,从而影响异常检测分数。因此需相应调整检测阈值,并重新基于当前校准进行训练,才能恢复完整的灵敏度。这一点值得明确说明:异常检测器的稳定性,取决于其背后的校准精度。
TDS(总溶解固体)在约1000 ppm以上就会饱和。该模块的检测范围有限;极高浓度会被识别为高,但无法精确量化。
AI可监测pH值、总溶解固体(TDS)和温度,浊度则通过直接阈值处理,而非模型计算。
这些功能对预期用途(一款经济型早期预警设备)而言并非致命,且每项改进方向都明确而坦诚。
接口
系统通过三种方式展示数据,每种方式适用于不同场景。
本地网页仪表盘
该仪表盘运行在7000端口,可通过局域网内的任意浏览器访问。它显示四个带颜色编码的仪表(pH值、总溶解固体TDS、浊度、温度)、带有阈值标记的人工智能异常评分条、每个参数的24小时历史图表、带时间戳的事件日志以及全局状态徽章。仪表盘基于纯HTML和Chart.js构建,并依赖本地时序数据库支持,无需任何外部服务。
安卓配套应用
一款专用的移动应用程序,将实时监控功能直接带到手机上,用户无需保持笔记本电脑开启,也无需与控制板处于同一网络。该应用基于Flutter开发,采用专为小屏幕设计的布局,完整复制了仪表盘的逻辑:
四个传感器卡片(pH值、TDS、浊度、温度),每张卡片均以绿色、橙色或红色进行颜色编码,对应系统中其他部分所使用的相同世界卫生组织(WHO)阈值标准,确保应用始终与网页仪表盘及设备自身的LED指示灯保持一致。
AI异常评分条采用与后端相同的阈值和刻度。
包含图表和事件日志界面,用于查看24小时历史记录以及过往警报信息。
系统通知:当水质进入临界状态时,手机会发出带有声音和振动的原生通知,使用户即使在应用后台运行时也能察觉到设备状态变化。
将应用的阈值与Python后端保持同步是刻意的设计选择:单一的异常阈值统一驱动评分条的颜色、填充程度和标签,因此只需更改其中一个数值,整个应用便会随之自动更新。这避免了仪表板与所监测设备之间存在静默矛盾的经典陷阱。
在让应用程序与主板通信的过程中,出现了一个虽小但具有指导意义的实际问题。发布版的构建在每次网络请求时都会失败,而手机自带的浏览器却能正常访问相同的URL,这表明Android清单中缺少了INTERNET权限。Flutter会在调试版本中自动添加该权限,但在发布版本中不一定如此。明确声明该权限后问题得以解决。就像之前提到的接地问题一样,这类问题只有在实际部署到真实设备时才会发生。
通过Cloudflare Tunnel进行远程访问
为了监控本地网络之外的水情——这也是远程守护系统的核心目的,主板会通过Cloudflare Tunnel公开其本地仪表板。这种方式无需开放端口或配置路由器,即可为设备提供一个公共的HTTPS地址。移动应用只需指向该地址,因此无论手机位于主板旁边还是城市另一端,只要使用移动数据,都能正常使用。
本次构建使用了快速的无账户隧道,非常适合演示概念,但其临时网址和缺乏正常运行时间保证意味着在生产环境中需迁移到命名的持久化隧道或正式托管服务。不过,该架构正是真实部署所采用的:设备、安全隧道、手机,同时AI仍完全在设备本地运行。
Arduino 云
与此同时,变量会同步到 Arduino 云,提供第二个远程视图以及一个托管仪表板,可从任何联网设备进行监控。
可扩展性与下一步计划
使用合适的福尔马林标准校准浊度,以获得认证的NTU值。
基于优化后的pH校准,重新训练异常检测模型,并扩大训练集覆盖不同季节和时间段,使其对自然变化更具鲁棒性。
多节点部署:每个UNO Q均为独立节点,多个节点可同步至共享的Arduino云设备,实现地理水质测绘及社区级预警。
离线优先运行:AI已完全离线运行,云端同步仅作为辅助手段,在WiFi不可用时所有数据均保持本地存储。这正是低连通性设置所需要的。
结论
智能水卫AI表明,借助易于获取且低成本的硬件,实现有意义的边缘人工智能水质监测是完全可行的。Arduino UNO Q采用混合设计:一个用于实时控制的微控制器,以及一个用于设备端人工智能的Linux处理器,使整个系统集成在一块电路板上。
但更重要的是背后工程上的诚实:传感器依据真实标准进行校准,当模拟数据失败时重新训练模型,通过系统化测试发现电气接地问题,特征格式错误被追溯到其根源,并以清晰明确的方式陈述系统局限,而非隐藏其中。最终成果并非一个假装完美的精修演示,而是一个真正运行的系统,每一项宣称都基于真实的测量数据。
本文编译自hackster.io





