1. 系统设计背景与意义

水质监测在环境保护、水产养殖和饮用水安全等领域扮演着关键角色。传统的水质检测方法往往需要人工采样和实验室分析，不仅耗时耗力，而且无法实现实时监测。随着物联网技术的发展，基于嵌入式系统的智能监测方案逐渐成为主流。STM32作为一款高性能、低功耗的微控制器，非常适合用于构建小型化、智能化的水质监测设备。

我在实际项目中发现，单纯的水位或浑浊度检测已经不能满足现代水质监测的需求。比如在水产养殖场，养殖户不仅需要知道水位高低，还需要掌握水温、pH值等多项指标。这就是为什么我们需要设计一个多参数的水质监测系统，能够同时监测多种水质参数，并通过智能算法进行预警。

2. 系统整体架构设计

2.1 硬件组成

系统以STM32F103C8T6为核心控制器，这是一款基于Cortex-M3内核的32位微控制器，具有丰富的外设资源和较低的功耗。实测下来，这款芯片在数据处理和功耗控制方面表现非常稳定。

系统硬件主要包括以下几个部分：

• 主控模块：STM32F103C8T6最小系统
• 传感器模块：
  • 水位传感器（超声波或压力式）
  • 浑浊度传感器（TSW-30或TS-300B）
  • 温度传感器（DS18B20）
  • pH值传感器（工业级模拟输出）
• 显示模块：0.96寸OLED显示屏
• 报警模块：蜂鸣器+LED指示灯
• 通信模块：ESP8266 WiFi模块（用于数据上传）
• 电源模块：锂电池供电+充电管理

2.2 软件架构

软件部分采用模块化设计，主要包括：

1. 传感器驱动层：负责各类传感器的数据采集
2. 数据处理层：对原始数据进行滤波和校准
3. 业务逻辑层：实现预警算法和系统控制
4. 人机交互层：处理按键输入和显示输出
5. 通信层：负责数据上传和远程控制

我在实际开发中发现，采用这种分层架构可以大大提高代码的可维护性。比如当需要更换传感器型号时，只需要修改驱动层的代码，其他部分基本不用改动。

3. 关键硬件设计详解

3.1 STM32最小系统设计

STM32F103C8T6最小系统包括以下几个必要部分：

1. 电源电路：3.3V稳压，建议使用AMS1117-3.3
2. 复位电路：10k电阻+0.1uF电容
3. 时钟电路：8MHz晶振+两个22pF负载电容
4. 调试接口：SWD四线接口（VCC、GND、SWDIO、SWCLK）

这里有个小技巧：在设计PCB时，最好在电源引脚附近放置一个0.1uF的去耦电容，可以有效抑制电源噪声。我曾在项目中因为忽略这个细节，导致ADC采样结果波动很大。

3.2 传感器接口设计

不同传感器需要不同的接口方式：

1. 水位传感器：

   • 超声波模块（如HC-SR04）：需要5V供电，使用GPIO触发和回波检测
   • 压力式传感器：通常输出模拟信号，需要接ADC引脚

2. 浑浊度传感器：

   • TSW-30：输出模拟信号，接ADC
   • TS-300B：支持数字和模拟输出，建议使用模拟输出以获得更高精度

3. 温度传感器：

   • DS18B20：单总线接口，需要接上拉电阻
   • 模拟温度传感器：如NTC热敏电阻，需要分压电路

4. pH传感器：

   • 工业级pH传感器：输出0-3V模拟信号，需要高精度ADC
   • 需要设计信号调理电路，通常包括运放和滤波电路

3.3 显示与报警电路

OLED显示采用I2C接口，只需要4根线（VCC、GND、SCL、SDA）。蜂鸣器电路设计时要注意：

• 有源蜂鸣器：直接接GPIO，加限流电阻
• 无源蜂鸣器：需要PWM驱动，建议使用NPN三极管驱动

4. 软件设计与实现

4.1 传感器数据采集

以浑浊度传感器为例，采集代码如下：

// 初始化ADC void ADC1_Init(void) { ADC_InitTypeDef ADC_InitStructure; GPIO_InitTypeDef GPIO_InitStructure; RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOA | RCC_APB2Periph_ADC1, ENABLE); // 配置ADC引脚为模拟输入 GPIO_InitStructure.GPIO_Pin = GPIO_Pin_1; GPIO_InitStructure.GPIO_Mode = GPIO_Mode_AIN; GPIO_Init(GPIOA, &GPIO_InitStructure); // ADC配置 ADC_InitStructure.ADC_Mode = ADC_Mode_Independent; ADC_InitStructure.ADC_ScanConvMode = DISABLE; ADC_InitStructure.ADC_ContinuousConvMode = DISABLE; ADC_InitStructure.ADC_ExternalTrigConv = ADC_ExternalTrigConv_None; ADC_InitStructure.ADC_DataAlign = ADC_DataAlign_Right; ADC_InitStructure.ADC_NbrOfChannel = 1; ADC_Init(ADC1, &ADC_InitStructure); ADC_Cmd(ADC1, ENABLE); // ADC校准 ADC_ResetCalibration(ADC1); while(ADC_GetResetCalibrationStatus(ADC1)); ADC_StartCalibration(ADC1); while(ADC_GetCalibrationStatus(ADC1)); } // 获取ADC值 u16 Get_ADC_Value(u8 ch) { ADC_RegularChannelConfig(ADC1, ch, 1, ADC_SampleTime_239Cycles5); ADC_SoftwareStartConvCmd(ADC1, ENABLE); while(!ADC_GetFlagStatus(ADC1, ADC_FLAG_EOC)); return ADC_GetConversionValue(ADC1); }

4.2 多任务调度设计

由于系统需要同时处理多个传感器、显示和通信任务，建议使用简单的任务调度机制：

typedef struct { void (*task_func)(void); // 任务函数指针 uint32_t interval; // 执行间隔(ms) uint32_t last_run; // 上次执行时间 } Task_t; Task_t task_list[] = { {Sensor_Update, 100, 0}, {Display_Update, 500, 0}, {Comm_Update, 1000, 0}, {Alarm_Check, 200, 0} }; void Task_Scheduler(void) { uint32_t current_time = HAL_GetTick(); for(int i=0; i<sizeof(task_list)/sizeof(Task_t); i++) { if(current_time - task_list[i].last_run >= task_list[i].interval) { task_list[i].task_func(); task_list[i].last_run = current_time; } } }

4.3 智能预警算法

传统的固定阈值预警方式在实际应用中效果不佳。我设计了一种自适应预警算法，主要思路是：

1. 学习阶段：系统运行初期记录正常范围值
2. 动态调整：根据历史数据自动调整预警阈值
3. 趋势预测：使用简单移动平均预测未来变化趋势

算法实现代码片段：

#define SAMPLE_SIZE 20 typedef struct { float values[SAMPLE_SIZE]; uint8_t index; float sum; } MovingAverage_t; void MA_Init(MovingAverage_t *ma) { memset(ma->values, 0, sizeof(ma->values)); ma->index = 0; ma->sum = 0; } float MA_Update(MovingAverage_t *ma, float new_value) { ma->sum -= ma->values[ma->index]; ma->values[ma->index] = new_value; ma->sum += new_value; ma->index = (ma->index + 1) % SAMPLE_SIZE; return ma->sum / SAMPLE_SIZE; } // 自适应阈值计算 float Calculate_Dynamic_Threshold(float current_value, float *history, int size) { float avg = 0, std_dev = 0; // 计算平均值 for(int i=0; i<size; i++) { avg += history[i]; } avg /= size; // 计算标准差 for(int i=0; i<size; i++) { std_dev += (history[i] - avg) * (history[i] - avg); } std_dev = sqrt(std_dev / size); // 动态阈值 = 平均值 ± 2倍标准差 return avg + 2 * std_dev; }

5. 系统优化与实测结果

5.1 低功耗优化

为了延长电池供电时间，我做了以下优化：

1. 传感器间歇工作：非必要时不采集数据
2. STM32睡眠模式：在空闲时进入Stop模式
3. 显示控制：无操作时降低刷新率或关闭显示
4. 无线通信：采用定时上报而非持续连接

实测下来，优化后的系统在锂电池供电下可以连续工作2周以上。

5.2 抗干扰设计

在水产养殖场实测时，发现以下干扰问题：

1. 传感器信号受电磁干扰
2. 无线通信距离受限
3. 长期使用后传感器漂移

解决方案：

1. 信号线使用屏蔽线
2. 增加软件滤波算法
3. 定期自动校准

5.3 实测数据对比

在三个不同场景下测试系统性能：

从测试结果看，系统在相对清洁的环境中表现更好，这也符合传感器的工作特性。

6. 扩展应用与改进方向

6.1 物联网集成

通过ESP8266模块，可以将数据上传到云平台，实现远程监控。我在项目中使用了MQTT协议，代码示例如下：

void MQTT_Publish_Data(float water_level, float turbidity, float temp, float ph) { char payload[128]; snprintf(payload, sizeof(payload), "{\"water_level\":%.1f,\"turbidity\":%.1f,\"temperature\":%.1f,\"ph\":%.1f}", water_level, turbidity, temp, ph); if(mqttClient.connected()) { mqttClient.publish("sensor/data", payload); } }

6.2 移动端应用

开发了配套的Android应用，主要功能包括：

1. 实时数据显示
2. 历史数据曲线
3. 阈值设置
4. 报警通知

6.3 未来改进方向

1. 增加更多水质参数监测，如溶解氧、电导率等
2. 采用机器学习算法进行水质评估
3. 设计防水外壳，提高户外使用可靠性
4. 开发太阳能供电版本

在实际部署过程中，我发现防水设计尤为重要。有一次设备因为外壳密封不严导致进水损坏，后来改用IP67等级的防水盒就再没出过问题。