曾彥鈞 李越 東文 許萍 吳先鵬 劉紫燕

摘 要：針對現(xiàn)有消防系統(tǒng)維護成本高、安裝困難、數(shù)據(jù)利用率低等問題，設(shè)計一種基于窄帶物聯(lián)網(wǎng)（NB-IoT）的智慧消防系統(tǒng)。采用STM32L151作為主控芯片，將GY-906型溫度傳感器、CX-1088型光電煙霧傳感器和HK1100C型水壓傳感器采集的溫度、煙霧、水壓等信息通過NB-IoT網(wǎng)絡(luò)上傳至云端服務(wù)器，將數(shù)據(jù)利用樸素貝葉斯算法進行數(shù)據(jù)融合后以可視化的方式呈現(xiàn)。經(jīng)測試，該系統(tǒng)可以及時反饋消防信息，協(xié)助消防部門掌控火災(zāi)狀況。

關(guān)鍵詞：智慧消防系統(tǒng);窄帶物聯(lián)網(wǎng);數(shù)據(jù)融合;可視化;STM32L151;傳感器

中圖分類號：TP393-34文獻標識碼：A文章編號：2095-1302（2020）01-00-06

0 引 言

隨著我國經(jīng)濟的快速發(fā)展，建筑逐漸向高層、高密度、功能綜合化等方向發(fā)展。建筑構(gòu)造愈加復(fù)雜，導(dǎo)致安防問題層出不窮。據(jù)統(tǒng)計，我國高層建筑34.7萬幢，其中近一半的消防設(shè)施不到位，消防設(shè)施平均完好率小于50%[1]。得益于物聯(lián)網(wǎng)技術(shù)的發(fā)展，智慧消防系統(tǒng)應(yīng)運而生，解決了消防信息資源共享、自動化信息處理等問題。

目前，國內(nèi)學(xué)者對智慧消防系統(tǒng)提供了多種研究方法和思路：曹元軍等人提出的基于大型消防物聯(lián)網(wǎng)與互聯(lián)網(wǎng)融合的智慧消防系統(tǒng)，闡述了消防物聯(lián)網(wǎng)與互聯(lián)網(wǎng)融合的體系框架，分析了構(gòu)建智慧消防系統(tǒng)的關(guān)鍵技術(shù)[1];李卿等人提出了基于無線傳感器網(wǎng)絡(luò)的消防報警系統(tǒng)，介紹了無線傳感器網(wǎng)絡(luò)技術(shù)應(yīng)用于消防報警系統(tǒng)的實施方案，實現(xiàn)了節(jié)點通過傳感器全方位地對環(huán)境參數(shù)進行采集、處理和傳送，通過采集節(jié)點信息和操縱控制平臺同時進行險情預(yù)警[2]。但其傳輸層采用WiMax（Worldwide Interoperability for Microwave Access，全球互通微波訪問）、ZigBee等協(xié)議進行數(shù)據(jù)傳輸，節(jié)點之間通過RF（Radio Frequency，射頻）模塊進行通信，傳輸過程不穩(wěn)定且功耗高。單個節(jié)點傳感器采集數(shù)據(jù)并直接計算分析，將結(jié)果上傳至控制中心，不具備數(shù)據(jù)綜合利用與分析的優(yōu)勢。

NB-IoT（Narrow Band Internet of Thing，窄帶物聯(lián)網(wǎng)）具備覆蓋廣、容量大、成本低、功耗低、架構(gòu)優(yōu)等特點[3-4]。因此，使用窄帶物聯(lián)網(wǎng)技術(shù)的消防系統(tǒng)融合了消防物聯(lián)網(wǎng)與互聯(lián)網(wǎng)，成為當前研究的趨勢之一。本文設(shè)計了基于NB-IoT的智慧消防系統(tǒng)，采用STM32微處理器作為主控芯片，使用煙霧傳感器、溫度傳感器、水壓傳感器實時采集數(shù)據(jù)并打包上傳云處理中心，完成數(shù)據(jù)分析與融合，經(jīng)由可視化界面呈現(xiàn)，實現(xiàn)傳感器無線部署、數(shù)據(jù)實時采集、數(shù)據(jù)綜合處理、可視化協(xié)助決策和設(shè)備自動監(jiān)管等功能[5]。

1 系統(tǒng)功能與結(jié)構(gòu)

該系統(tǒng)采用分層設(shè)計思想，將系統(tǒng)分為傳感器節(jié)點、虛擬專用服務(wù)器和客戶端，系統(tǒng)架構(gòu)如圖1所示。

數(shù)據(jù)采集模塊由GY-906型煙霧傳感器群、CX-1088型溫度傳感器群、HK1100C型水壓傳感器群組成，可實現(xiàn)對環(huán)境數(shù)據(jù)的實時采集。

主控芯片STM32L151微處理器通過ADC（Analog-to-Digital Converter，模數(shù)轉(zhuǎn)換）或I2C（Inter-Integrated Circuit，集成電路總線）協(xié)議完成對于底層傳感器數(shù)據(jù)的采集并分析。

通信模塊采用NB-IoT將數(shù)據(jù)包上傳至云服務(wù)器，實現(xiàn)數(shù)據(jù)轉(zhuǎn)發(fā)。通信模塊將傳感器采集的數(shù)據(jù)先發(fā)送至物聯(lián)網(wǎng)網(wǎng)關(guān)，再上傳至云端服務(wù)器。

云端服務(wù)器是系統(tǒng)智能處理中心，實現(xiàn)數(shù)據(jù)預(yù)處理，數(shù)據(jù)融合，完成指令的下發(fā)和報警，當用戶請求時訪問數(shù)據(jù)庫，為可視化提供數(shù)據(jù)支撐。

客戶端層通過Web向各類聯(lián)網(wǎng)設(shè)備提供服務(wù)，包括用戶終端監(jiān)測、消防部門報警和物業(yè)部門監(jiān)測。Web端通過云端服務(wù)器與數(shù)據(jù)庫進行數(shù)據(jù)交互，實現(xiàn)交互式可視化界面，為用戶決策提供信息。

2 系統(tǒng)硬件設(shè)計

本系統(tǒng)硬件電路主要由4個部分組成：主控芯片、NB-IoT通信模塊、電源電路模塊和數(shù)據(jù)采集模塊。節(jié)點中主控芯片的通信串口與NB-IoT模塊通信串口相連接，GPIO（General-purpose input/output，通用輸入輸出端口）與PWRKEY相連，主控芯片通過輸出高低電平使能控制NB-IoT模塊。主控芯片的GPIO連接低功耗電源電路模塊的使能開關(guān)，通過輸出高低電平使能。數(shù)據(jù)采集根據(jù)不同端口連接主控芯片的I2C通信端或GPIO模塊[6]。

2.1 電源電路設(shè)計

電源電路分為電池穩(wěn)壓電路，數(shù)據(jù)采集模塊供電電路。其中電池穩(wěn)壓電路與電池直接相連，提供3.3 V的輸出電壓，為主控模塊、NB-IoT通信模塊等供電。數(shù)據(jù)采集供電模塊的輸入端與電池穩(wěn)壓電路輸出端相連，使能端與主控芯片相連。

電池穩(wěn)壓電路如圖2所示，所采用的TSP601230為一種高效同步升壓轉(zhuǎn)換器，輸入電壓為2.3～5.5 V，輸出電壓為2.5～5.5 V，在低負載期間TPS6123自動進入省電模式，待機電流僅為0.5 μA。穩(wěn)壓電路中EN端高電平使能;SS端為芯片啟動延時端，一旦電容電壓達到輸入電壓值，芯片開始工作;SW端為轉(zhuǎn)換引腳，連接到芯片內(nèi)部的電力場效應(yīng)晶體管的漏極;PG引腳為開漏輸出，額定吸收電流達500 μA，PG輸出需要一個上拉電阻，且EN高電平使能;FB端為電流反饋輸入，通過外部電阻分壓調(diào)整輸出值;輸出端VOUT為主控芯片供電，通過R1，R2進行分壓，實現(xiàn)要求的輸出值Vo，計算公式如下：

數(shù)據(jù)采集模塊供電電路如圖3所示，所采用的ME6211系列的低壓差線性穩(wěn)壓器其輸入電壓為2.0～6.5 V，輸出電壓為1.8～5.0 V，EN為使能管腳，接高電平時芯片正常工作。其中，ME6211C18M5G芯片輸出1.8 V為煙感中的D2（紅外LED）供電，ME6211C33M5G芯片輸出3.3 V，為溫度傳感器和煙霧傳感器中的D4（光敏二極管）供電。P3，P4端為使能端，連接主控芯片，由主控芯片使能控制數(shù)據(jù)采集模塊供電電路工作。

2.2 NB-IoT通信模塊電路

NB-IoT通信模塊電路如圖4所示，所采用的BC26-LPWA模塊為LCC貼片封裝，支持（UDP/TCP/MQTT/LwM2M）等協(xié)議棧[7-8]，支持LTE Cat NB1頻段，發(fā)射功率為23 dBm，且PSM模式下典型耗流為3.5 μA。

2.3 數(shù)據(jù)采集模塊設(shè)計

本文中光電煙霧傳感器選用迷宮紅外光電煙霧傳感器CX-1088，該傳感器具有靈敏度高、感應(yīng)范圍大、功耗低等優(yōu)點。需要探測煙霧濃度時，主控芯片的PB7輸出高電平，煙霧傳感器工作，并輸出模擬量，主控芯片對模擬信號進行數(shù)模轉(zhuǎn)換并進行自適應(yīng)均值濾波后存入數(shù)據(jù)隊列中[7]。溫度傳感器選用非接觸式紅外溫度傳感器GY-906。GY-906具有分辨率高、探測范圍大、可靠性高等優(yōu)點，且其內(nèi)部集成了紅外探測熱電堆芯片與信號處理專用芯片，能將熱信號處理并校準后轉(zhuǎn)換為數(shù)字信號通過I2C協(xié)議直接輸出到主控芯片。

3 系統(tǒng)軟件設(shè)計

本文的軟件設(shè)計平臺為Keil和Matlab 2016b。采用Keil軟件設(shè)計STM32的底層驅(qū)動程序和主程序，Matlab實現(xiàn)數(shù)據(jù)融合，二者均采用模塊化設(shè)計。

3.1 傳感器節(jié)點驅(qū)動程序設(shè)計

由于傳感器節(jié)點采用一次性鋰亞電池供電，所以需要最大限度降低系統(tǒng)功耗，故編寫驅(qū)動層，以主程序確保調(diào)用相應(yīng)的硬件資源時，不會獨占操作系統(tǒng)時間片，從而提高系統(tǒng)運行效率，降低傳感器節(jié)點工作能耗。本傳感器驅(qū)動層體系結(jié)構(gòu)如圖5所示。

AT指令模塊將NB-IoT模塊的AT指令集封裝為對應(yīng)的命令，便于Main函數(shù)的直接調(diào)用。Queue模塊將不同數(shù)據(jù)以JSON（JavaScript Object Notation，JS對象簡譜）的格式存儲到特殊內(nèi)存單元中，使主控芯片STM32休眠時依然能保存數(shù)據(jù);Queue模塊封裝了隊列基本操作。DMA（Direct Memory Access，直接內(nèi)存存?。┠K直接讀取ADC模塊、I2C模塊上數(shù)據(jù)采集模塊的數(shù)據(jù)，并將該數(shù)據(jù)傳送給Queue模塊處理。GPIO模塊通過輸出高低電平控制數(shù)據(jù)采集模塊、NB-IoT模塊電源的開關(guān)。定時器模塊定時喚醒ADC模塊與DMA模塊。RTC（Real-Time Clock，實時時鐘）模塊用于提供描述數(shù)據(jù)的實際時間。休眠模塊通過調(diào)用GPIO模塊關(guān)閉外部模塊電源，并關(guān)閉主控芯片內(nèi)部除RTC源與內(nèi)存?zhèn)浞輩^(qū)外的硬件資源。

3.2 傳感器節(jié)點主程序設(shè)計

主程序設(shè)計流程如圖6所示，主程序控制傳感器節(jié)點的各個硬件部分分時工作，且在數(shù)據(jù)無異常的情況下，傳感器將保持靜默，不向服務(wù)器上傳數(shù)據(jù)，以降低傳感器節(jié)點功耗。由圖6可以看出，主程序首先對傳感器節(jié)點初始化，初始化主要包括驅(qū)動層初始化，NB-IoT網(wǎng)絡(luò)初始化。隨后對工作參數(shù)進行設(shè)置。工作參數(shù)主要包括數(shù)據(jù)上報間隔、休眠間隔、報警閾值等參數(shù)。之后打開數(shù)據(jù)采集模塊電源并采集數(shù)據(jù)并分析，如果數(shù)據(jù)超過報警閾值，傳感器節(jié)點將打開蜂鳴器向用戶報警，并喚醒NB-IoT模塊，向服務(wù)器發(fā)出警告并上傳異常數(shù)據(jù)，傳感器節(jié)點將重復(fù)數(shù)據(jù)采集與數(shù)據(jù)上傳工作，直到警報解除;如果數(shù)據(jù)未超過報警閾值，傳感器節(jié)點將數(shù)據(jù)壓入數(shù)據(jù)隊列、關(guān)閉各數(shù)據(jù)采集模塊電源，并使主控芯片進入休眠狀態(tài)，到達喚醒時間后喚醒主控芯片，重復(fù)下一輪的數(shù)據(jù)采集。

3.3 服務(wù)器端設(shè)計

本系統(tǒng)服務(wù)器端采用B/S架構(gòu)，如圖7所示。系統(tǒng)主要分為客戶端層、應(yīng)用服務(wù)層和數(shù)據(jù)庫服務(wù)[9]?？蛻舳私缑嫒鐖D8所示。

客戶端層是指用戶使用瀏覽器來操作的部分，使用瀏覽器進行操作具有跨平臺的優(yōu)勢，無論是移動設(shè)備，還是PC設(shè)備都能進行操作。使用瀏覽器不需要專門的客戶端軟件。該層主要完成的操作為用戶管理、設(shè)備管理、數(shù)據(jù)管理與可視化儀表盤。

應(yīng)用服務(wù)層采用前后端分離的設(shè)計思路，前端UI提供可視化的操作界面，用于支撐客戶端層的功能。后端服務(wù)執(zhí)行各項業(yè)務(wù)邏輯，業(yè)務(wù)邏輯封裝成API接口，API接口設(shè)計采用RESTful API架構(gòu)，便于二次開發(fā)。前后端通過Axios模塊來調(diào)用API接口完成數(shù)據(jù)交互。表1所列為設(shè)計的部分API。

由于數(shù)據(jù)安全的需要NB模塊只能訪問電信專用的服務(wù)器，需要完成北向應(yīng)用對接。服務(wù)器上傳CA證書到物聯(lián)網(wǎng)平臺用于身份識別，所以使用HTTPS為通信協(xié)議。后端業(yè)務(wù)通過調(diào)用專用的API與物聯(lián)網(wǎng)平臺完成對接，物聯(lián)網(wǎng)平臺提供了基礎(chǔ)API包和公用事業(yè)（NB-IoT）API包，在平臺上創(chuàng)建應(yīng)用后會獲得應(yīng)用ID和密鑰，這個ID與密鑰是獲取AccessToken（鑒權(quán)令牌），每次調(diào)用API都需提供鑒權(quán)令牌，來保證調(diào)用的安全。注冊設(shè)備、刪除設(shè)備、設(shè)備狀態(tài)、命令下發(fā)、消息上報等操作都是通過調(diào)用API完成。后端各個服務(wù)之間通過proxyTable庫進行跨域?qū)崿F(xiàn)服務(wù)之間的消息傳遞。表2所列為電信平臺提供的部分API。

數(shù)據(jù)庫服務(wù)層包含數(shù)據(jù)的查詢、處理與可視化，采用的數(shù)據(jù)庫系統(tǒng)是MongoDB，該數(shù)據(jù)庫系統(tǒng)具備執(zhí)行查詢速度快、支持高并發(fā)、具有敏捷性和可擴展性的優(yōu)點[10]。采用Mongoose庫操作數(shù)據(jù)庫實現(xiàn)查詢、更新、刪除等操作。

3.4 數(shù)據(jù)融合設(shè)計

本系統(tǒng)為了對環(huán)境進行全面感知，采集溫度、濕度、水壓、煙霧濃度等多種數(shù)據(jù)，構(gòu)成異構(gòu)數(shù)據(jù)庫。為求解環(huán)境火災(zāi)風險值，需要對異構(gòu)數(shù)據(jù)進行數(shù)據(jù)融合。本系統(tǒng)數(shù)據(jù)融合流程如圖9所示。首先對數(shù)據(jù)庫中的溫度、濕度、水壓、煙霧濃度等數(shù)據(jù)進行濾波，平滑數(shù)據(jù)中的噪聲和采集誤差;然后通過時間軸對準，實現(xiàn)異構(gòu)數(shù)據(jù)的同步;再計算通過特征提取模塊的數(shù)據(jù)的貝葉斯概率，作為風險值，存入數(shù)據(jù)庫[9]。

3.4.1 數(shù)據(jù)濾波

本系統(tǒng)的數(shù)據(jù)濾波采用基于均方誤差的自適應(yīng)加權(quán)濾波。此方法主要使用k-1時刻得到的濾波器參數(shù)，自主調(diào)節(jié)k時刻的濾波器參數(shù)，以適應(yīng)信號和噪聲未知的或隨時間變化的均方誤差，實現(xiàn)均方誤差的最小化，最終實現(xiàn)濾波最優(yōu)化，核心代碼如下：

for k = M：itr

x = xn（k：-1：k-M+1）; //濾波器M個抽頭的輸入

y = W（：，k-1）.' * x; //濾波器的輸出

en（k） = dn（k） - y ; //第k次迭代的誤差

W（：，k）=W（：，k-1）+2*mu*en（k）*x;

//濾波器權(quán)值計算

End

3.4.2 時間軸對齊

時間軸對齊采用插值時基法。該方法的核心在于逼近函數(shù)的構(gòu)造，利用該函數(shù)將不同的數(shù)據(jù)對準到標準時基。該方法需要選取標準時基，由于溫度數(shù)據(jù)對于風險值貢獻最大，故選取溫度數(shù)據(jù)作為標準時基。其余數(shù)據(jù)采用最小二乘法進行擬合作為逼近函數(shù)，在標準時基處進行插值，得到對準后數(shù)據(jù)。

3.4.3 特征提取

考慮到本系統(tǒng)數(shù)據(jù)庫為異構(gòu)數(shù)據(jù)庫，數(shù)據(jù)具有多維性，利用PCA（Principal Component Analysis，主成分分析）進行特征提取。求解目標矩陣中每一列的特征平均值，用各列減去該列的特征平均值，計算得到該矩陣的特征協(xié)方差矩陣。計算該協(xié)方差矩陣的特征值和特征向量，并對其特征值進行遞減排序。提取前k個特征值和特征向量進行回退，得到降維后的特征矩陣，核心代碼如下：

//求解特征值和特征向量

self.eigen_values， self.eigen_vectors = np.linalg.eig（covariance）

//對特征值進行遞減排序

idx = self.eigen_values.argsort（）[：：-1]

eigenvalues = self.eigen_values[idx][：self.k]

eigenvectors = self.eigen_vectors[：，idx][：，：self.k]

//將數(shù)據(jù)集X映射至指定的低維空間

X_transformed = X.dot（eigenvectors）

3.4.4 風險概率計算

本系統(tǒng)的數(shù)據(jù)具有更新快、規(guī)模大的特點，樸素貝葉斯算法對于大規(guī)模的增量數(shù)據(jù)處理效率較高，故選取該方法進行風險概率計算。采用.632自助法選取訓(xùn)練集，假設(shè)特征之間相互獨立，學(xué)習從輸入到輸出的聯(lián)合概率分布，再基于此模型，輸入x求出使得后驗概率最大的輸出y，將y作為火災(zāi)風險值。核心偽代碼如下：

def trainNB0（trainMatrix，trainCategory）：

numTrainDocs = len（trainMatrix）

numWords = len（trainMatrix[0]）

pAbusive = sum（trainCategory）/float（numTrainDocs）

p0Num = zeros（numWords）

p1Num = zeros（numWords）

p0Denom = 0.0

p1Denom = 0.0

for i in range（numTrainDocs）：

if trainCategory[i] ==1：

p1Num += trainMatrix[i]

p1Denom += sum（trainMatrix[i]）

else：

p0Num += trainMatrix[i]

p0Denom += sum（trainMatrix[i]）

p1Vect = p1Num/p1Denom

p0Vect = p0Num/p0Denom

return p0Vect，p1Vect，pAbusive

4 系統(tǒng)測試

為測試所設(shè)計系統(tǒng)的正確性和實時性，分別在正常情況和模擬火災(zāi)情況兩種情況下對系統(tǒng)進行測試。

正常情況：將系統(tǒng)置于木箱中，模擬無煙、室溫的室內(nèi)環(huán)境，測試結(jié)果如圖10所示?？梢钥闯?，當濕度、溫度、煙霧均處于正常狀態(tài)，經(jīng)融合所得的風險值（右側(cè)儀表盤）也遠低于報警線。此處，報警線為35，該數(shù)值利用已有數(shù)據(jù)經(jīng)過訓(xùn)練得出。

模擬火災(zāi)情況：將系統(tǒng)置于同一木箱中，人工向木箱加入煙霧，并提高木箱的溫度，測試結(jié)果如圖11所示。

從圖11可以看出濕度為20%RH，低于環(huán)境平均水平，溫度為60 ℃，高于43 ℃，煙霧電壓為2.75 V，低于2.77 V，單個數(shù)據(jù)均處于危險范圍內(nèi)。經(jīng)融合所得的風險值為40高于初始設(shè)定的閾值35，系統(tǒng)報警。此外，可以在該系統(tǒng)中查看歷史數(shù)據(jù)，在模擬火災(zāi)情況下濕度、溫度、煙霧值均有明顯跳變，證明本文所設(shè)計的系統(tǒng)的實時性良好。

5 結(jié) 語

本文設(shè)計了一種基于窄帶物聯(lián)網(wǎng)（NB-IoT）的智慧消防系統(tǒng)。本系統(tǒng)使用NB-IoT將多種數(shù)據(jù)傳輸至云端服務(wù)器，通過對采集到的數(shù)據(jù)融合處理，從而實現(xiàn)實時監(jiān)管和達到協(xié)助決策的目的，并解決了傳統(tǒng)消防系統(tǒng)部署繁瑣、功耗過高、難于監(jiān)管、聯(lián)動匱乏等問題。

注：本文通訊作者為劉紫燕。

參 考 文 獻

[1]曹元軍，朱艷，邵明鼎.基于大型樓宇物聯(lián)網(wǎng)與互聯(lián)網(wǎng)融合的智慧消防系統(tǒng)[J].工程建設(shè)與設(shè)計，2017（17）：97-99.

[2]李卿，董淑敏.基于無線傳感器網(wǎng)絡(luò)的消防報警系統(tǒng)[J].電子設(shè)計工程，2016，24（18）：119-122.

[3]邵澤華，物聯(lián)網(wǎng)結(jié)構(gòu)的探索與研究[J].物聯(lián)網(wǎng)技術(shù)，2015，5（11）：46-53.

[4]劉春燕.窄帶物聯(lián)網(wǎng)技術(shù)的特性[J].電子技術(shù)與軟件工程，2018（13）：3.

[5]毛紅海.淺談?wù)瓗锫?lián)網(wǎng)技術(shù)在消防中的應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用，2017（10）：55-56.

[6]張靜，王廣雄，何朕.不穩(wěn)定零動態(tài)系統(tǒng)的魯棒控制[J].控制理論與應(yīng)用，2005（1）：67-71.

[7]劉紫青，程燕，關(guān)聯(lián)，等.CoAP協(xié)議研究[J].電視技術(shù)，2013，37（7）：192-196.

[8]余朋.網(wǎng)絡(luò)通信協(xié)議的分析與實現(xiàn)[J].電腦編程技巧與維護，2014（14）：70-73.

[9]陸瑩，張宇.基于多傳感器信息融合的火災(zāi)探測研究[J].消防界，2019，5（1）：60-61.

[10]朱愛華，付曹政，曹鐘，等.基于Node.js框架和MongoDB數(shù)據(jù)庫的物流信息服務(wù)系統(tǒng)設(shè)計[J].北京建筑大學(xué)學(xué)報，2018，34（4）：41-46.