摘 要：為進一步提升工業(yè)生產(chǎn)過程的安全系數(shù)，提出一種基于窄帶物聯(lián)網(wǎng)NB-IoT的環(huán)境監(jiān)測系統(tǒng)。其中，以NB-IoT技術(shù)作為系統(tǒng)的主要通信，以傳感器為主要的環(huán)境數(shù)據(jù)采集工具，以改進的BP神經(jīng)網(wǎng)絡(luò)作為預測方法進行環(huán)境風險預測。實驗結(jié)果表明，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，經(jīng)過粒子群算法PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具有更高的預測精度，且穩(wěn)定性較好，將其應(yīng)用于環(huán)境風險的預測時誤差始終保持在1%的誤差范圍內(nèi)。設(shè)計的基于NB-IoT的環(huán)境監(jiān)測系統(tǒng)能夠進行準確的數(shù)據(jù)采集和風險預測，能夠進一步保障生產(chǎn)安全，可行性較高。

關(guān)鍵詞：環(huán)境監(jiān)測；NB-IoT技術(shù)；BP神經(jīng)網(wǎng)絡(luò)；PSO算法

中圖分類號：TP391；X84

文獻標志碼：A文章編號：1001-5922（2024）03-0185-04

Optimization design of environmental monitoring system based on NB-IoT technology

SU Xinglong

（Shaanxi Polytechnic Institute，Xianyang 712000，Shaanxi China）

Abstract：

In order to further improve the safety factor of industrial production process，an environmental monitoring system based on narrowband Internet of Things NB IoT was proposed.Among them，NB IoT technology was used as the main communication method of the system，sensors were used as the main environmental data collection tool，and BP neural network was used as the basic prediction method for environmental risk prediction.The experimental results showed that compared with traditional BP neural networks，the BP neural network optimized by particle swarm optimization algorithm PSO had higher prediction accuracy and better stability.When applied to environmental risk prediction，the error was always within the 1% error range.The designed NB IoT based environmental monitoring system can accurately collect data and predict risks，further ensuring production safety，and has high feasibility.

Key words：environmental monitoring;NB IoT technology;BP neural network;PSO algorithm

為了實現(xiàn)對生產(chǎn)過程的實時監(jiān)測，許多學者進行了環(huán)境監(jiān)測系統(tǒng)的設(shè)計，如針對礦井下工作環(huán)境復雜且通信較困難的問題，提出了一種基于LoRa和物聯(lián)網(wǎng)技術(shù)的礦井環(huán)境監(jiān)測系統(tǒng)［1-3］；為保證山區(qū)稻田的正常生產(chǎn)，針對其環(huán)境的特殊性，設(shè)計了一種基于ZigBee無線傳感網(wǎng)絡(luò)技術(shù)的農(nóng)田環(huán)境監(jiān)測系統(tǒng)［4-5］；為實現(xiàn)對室內(nèi)環(huán)境數(shù)據(jù)的準確監(jiān)測，嘗試將STM32與ESP8266無線模塊相結(jié)合，構(gòu)建一種室內(nèi)環(huán)境監(jiān)測系統(tǒng)［6-7］。綜合上述研究，結(jié)合國內(nèi)外研究現(xiàn)狀可知，當前大部分的環(huán)境檢測系統(tǒng)僅停留在數(shù)據(jù)采集階段，缺乏對環(huán)境變化的預見性，因此，嘗試設(shè)計一種能夠進行環(huán)境風險預測的監(jiān)測系統(tǒng)，實現(xiàn)更加全面的環(huán)境監(jiān)測。

1 系統(tǒng)整體設(shè)計

設(shè)計環(huán)境檢測系統(tǒng)中，以窄帶物聯(lián)網(wǎng)（NB-IoT）技術(shù)作為模塊之間的通信技術(shù)，與傳統(tǒng)2G網(wǎng)絡(luò)對比，NB-IoT具有更高的峰值速率；與其他無線通信方式相比，具有超低功耗，成本低的優(yōu)點［8-9］。以NB-IoT作為基礎(chǔ)的通信技術(shù)，初步構(gòu)建的間環(huán)境監(jiān)測系統(tǒng)整體框架如圖1所示。

設(shè)計的環(huán)境檢測系統(tǒng)在進行環(huán)境檢測時，首先通過傳感器進行環(huán)境數(shù)據(jù)的采集，設(shè)計主要采集的環(huán)境數(shù)據(jù)為環(huán)境中的溫濕度、氣壓情況以及甲烷濃度；再將傳感器采集到的環(huán)境數(shù)據(jù)傳輸至采集終端，采集終端以單片機作為主控芯片，進行采集到的環(huán)境數(shù)據(jù)的初步處理；然后將采集終端處理得到的環(huán)境數(shù)據(jù)通過NB-IoT技術(shù)傳輸至系統(tǒng)云平臺，以便通過Android客戶端進行環(huán)境數(shù)據(jù)的查看，或者通過風險預測模塊進行環(huán)境風險的預測。

2 硬件設(shè)計

根據(jù)設(shè)計的系統(tǒng)總體框架進行幾個主要模塊的硬件選擇與設(shè)計。

（1）主控模塊設(shè)計。

主要芯片為單片機芯片，選擇的單片機型號為STM32F系列芯片，該系列芯片可以同時處理16位數(shù)據(jù)，功耗低，性價比高，靈活便捷；

（2）數(shù)據(jù)采集模塊設(shè)計。

設(shè)計的監(jiān)測系統(tǒng)的數(shù)據(jù)采集部分使用的主要元件為傳感器，由于需要進行3個類型的環(huán)境數(shù)據(jù)的采集，故選擇的傳感器類型也為3個類型：①溫濕度傳感器電路設(shè)計。溫、濕度是最為常見的環(huán)境數(shù)據(jù)，在進行傳感器型號的選擇時主要考慮低功耗及性價比的原則，綜合考慮下選用DHT11傳感器進行溫濕度數(shù)據(jù)的采集，與同類傳感器相比，它在測量范圍、測量精度方面都更加有優(yōu)勢，而且功耗超低，體積小、反應(yīng)快。②甲烷濃度采集傳感器電路設(shè)計。甲烷在工業(yè)生產(chǎn)中使用十分廣泛，主要作為燃料進行使用，而在日常生產(chǎn)過程中，甲烷濃度過高會威脅到工作人員的安全。設(shè)計選的甲烷濃度采集傳感器信號為MQ-2煙霧傳感器，該信號的傳感器具有性價比高、低功耗、抗干擾能力強的優(yōu)點，可以采集煙霧濃度、甲烷等其他可燃氣體。③氣壓采集傳感器電路設(shè)計。遵循高性價比低功耗的需求，設(shè)計選取的氣壓傳感器類型為BMP180氣壓傳感器，該傳感器是一款高精度、小體積、超低能耗的壓力傳感器，絕對精度最低可以達到0.03 hPa，并且耗電極低；

（3）NB-IoT通訊模塊設(shè)計。作為設(shè)計的環(huán)境監(jiān)測系統(tǒng)的主要通信方式，NB-IoT通訊模塊同樣遵循高性價比低功耗設(shè)計需求，選擇的元件型號為M5311芯片，該芯片具有低功耗，體積小，穩(wěn)定性較好的優(yōu)點。

3 軟件設(shè)計

根據(jù)系統(tǒng)的整體設(shè)計，將各個功能模塊通過通訊方式進行連接，實現(xiàn)系統(tǒng)的完整功能，對應(yīng)的系統(tǒng)軟件設(shè)計的總體流程如圖2所示。

4 基于PSO-BP的環(huán)境風險預測模型的構(gòu)建

4.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，由輸出層，輸入層，隱含層組成，以3層神經(jīng)網(wǎng)絡(luò)即為1層的神經(jīng)網(wǎng)絡(luò)［10］。結(jié)構(gòu)圖如圖3所示。

將數(shù)據(jù)導入輸入層，在網(wǎng)絡(luò)中產(chǎn)生激勵后經(jīng)過隱含層，達到最后的輸出層，對比輸出層的值與真實值，兩者之間的不同稱為誤差判斷是否符合預期，不符合則將信號進行反向傳播，反向傳播的過程是將誤差的數(shù)據(jù)按梯度下降的方法調(diào)整修改各層連接的權(quán)值和閾值，重復循環(huán)，直到達到預期值與期望值誤差達到滿意的效果為止，進而得到最終模型［11］。

設(shè)置x、y、z分別為網(wǎng)絡(luò)中輸入層、輸出層、隱含層的節(jié)點個數(shù)。通過激活函數(shù)θ（z）=11+e－z對BP神經(jīng)網(wǎng)絡(luò)的各個神經(jīng)元初始化。然后將訓練樣本輸入，求出隱含層的輸入和輸出如式（1）所示。

zj_input=∑mi=1wijxi+bj j=1，z

zj_output=θ（zj_input）（1）

利用隱含層的輸出計算輸出層的輸入和輸出如式（2）所示。

yk_input=∑nj=1wjkθ（zj_output）+bk k=1，y

yk_output=θ（yk_input） （2）

對比輸出值和實際輸出值計算輸出的誤差cpl，由式（3）計算得：

cpl=（ypl－gopl）gol（1－gol）

l=（1，2，…，s） p=（1，2，…，m）（3）

由式（4）計算可得隱含層各神經(jīng)元的誤差epz：

epz=∑si=1Xizcpl（1－h(huán)oz）

z=（1，2，…，t），p=（1，2，…，m）（4）

利用誤差使用式（5）、式（6）對神經(jīng)元之間的權(quán)值和閾值進行賦值。

隱含層：

Δbz=aepz，

Δwiz=aepzupi

d=（1，2，…，t），i=（1，2，…，n），a=（0，1）（5）

輸出層：

Δrl=μcpl，

ΔXlz=μcplhopz

p=（1，2，…，m），z=（1，2，…，t），μ=（0，1）（6）

按式（7）得該BP神經(jīng)網(wǎng)絡(luò)的全局誤差值：

E=12∑si=1（yi－gol）2（7）

通過對多種函數(shù)的對比，本文選擇使用ReLU函數(shù)，導數(shù)是常數(shù)1，函數(shù)中梯度不會消失，不會由于梯度消失導致訓練提前結(jié)束的情況發(fā)生，同時收斂速率大。函數(shù)表達式為式（8）：

ReLU（x）=x，x≥0

0，x<0（8）

確定好函數(shù)后，指標可以根據(jù)采集端采集的數(shù)據(jù)設(shè)置，滿足“即插即用”，本文有4項數(shù)據(jù)，所以輸入層節(jié)點數(shù)為4，輸出層為預警指標個數(shù)，因為我們只用預警風險，所以指標個數(shù)為1，隱含層節(jié)點數(shù)由經(jīng)驗式（9）確立。

z=x+y+n（9）

式中：x和y代表輸入輸出節(jié)點個數(shù)；n為1～10任意常數(shù)。通過訓練樣本找到最優(yōu)解確定隱含層節(jié)點個數(shù)為6。

4.2 改進的BP神經(jīng)網(wǎng)絡(luò)

粒子群優(yōu)化算法PSO是一種基于鳥群覓食行為的優(yōu)化算法，將每只鳥類比為一個粒子，該粒子由其速度和位置共同決定，通過進行不斷的位置更新尋找到空間內(nèi)的最優(yōu)位置，即為粒子的最優(yōu)值，對應(yīng)在BP神經(jīng)網(wǎng)絡(luò)中即為最優(yōu)的網(wǎng)絡(luò)權(quán)值和閾值［12-14］。PSO算法的計算流程如下：

設(shè)空間中一個隨機粒子i在維度為d的位置為xi=（xi1，xi2，…，xid），速度為vi=（vi1，vi2，…，vid），粒子的個體最優(yōu)值設(shè)置為Pid；粒子群的全局最優(yōu)值設(shè)置為Gid，則粒子在進行自身位置和速度更新時的計算公式分別為［14］：

xk+1id=xkid+vk+1id（1）

vkid=wvkid+c1×rand1×（Pkid－xkid）+c2×

rand2×（Gkid－xkid）（2）

式中：i（1，…，M）為種群規(guī)模；ω為慣性因子；c1、c2為學習因子；rand1、rand2為（0，1）之間的隨機數(shù)。

PSO算法的基本流程如下：

（1）進行粒子群的初始化。進行初始化的參數(shù)包括，粒子群的速度、位置、個體最優(yōu)值、群體最優(yōu)值、種群規(guī)模，并設(shè)定好算法的學習因子、慣性因子、當前進化代數(shù)和最大進化代數(shù)等；

（2）進行適應(yīng)度值計算。根據(jù)實際解決問題進行適應(yīng)度函數(shù)的設(shè)計，進行每個粒子的適應(yīng)度值計算，適應(yīng)度值是評價粒子質(zhì)量優(yōu)劣的直接指標；

（3）進行個體最優(yōu)值的更新。將粒子當前的個體最優(yōu)值與計算所得適應(yīng)度值進行比較，將適應(yīng)度值更優(yōu)的粒子保留作為新的個體最優(yōu)值；

（4）進行群體最優(yōu)值的更新。將當前粒子計算所得適應(yīng)度值與當前的群體最優(yōu)值進行比較，更優(yōu)者作為新的群體最優(yōu)值；

（5）進行粒子的位置和速度的更新；

（6）當算法滿足終止條件時停止迭代，輸出此時的最優(yōu)粒子即為最優(yōu)值，否則返回步驟（2）進行計算運算，直至滿足終止條件。

4.3 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的預測模型

BP神經(jīng)網(wǎng)絡(luò)可應(yīng)用到很多有風險發(fā)生概率的地方做預測，不停的收集訓練得到的結(jié)果和預期結(jié)果產(chǎn)生的誤差分析，并且將這些誤差傳遞給輸出值，進而修改權(quán)值和閾值，經(jīng)過不停的收集誤差，直到得到輸出和預想結(jié)果一致的模型，達到監(jiān)測預警的效果。

在云平臺中提取數(shù)據(jù)記錄成數(shù)據(jù)集，按3∶7的比例分別用于測試和訓練，模型經(jīng)過大比例數(shù)據(jù)訓練出來的結(jié)果就是最優(yōu)值，測試時就能和訓練模型做預測對比。訓練學習過程如圖4所示。

5 實驗驗證與結(jié)果分析

5.1 實驗環(huán)境搭建

將選擇的各個功能元件進行連接，數(shù)據(jù)采集軟件終端與云平臺之間通過NB-IoT技術(shù)進行通信，云平臺與客戶端之間通過MQTT協(xié)議進行通信建立。

設(shè)計的環(huán)境風險監(jiān)測模型的驗證在MATLAB軟件上進行，同時在該軟件上進行環(huán)境風險預測的模擬。

5.2 參數(shù)設(shè)置

設(shè)計主要針對預測模型進行參數(shù)設(shè)置，使用的BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)設(shè)置為4，隱含層節(jié)點設(shè)置為6，輸出層節(jié)點數(shù)設(shè)置為1；粒子群算法的種群數(shù)量設(shè)置為20，最大迭代次數(shù)設(shè)置為50；模型的學習速率設(shè)置為0.01，最大訓練次數(shù)設(shè)置為1 000。

5.3 數(shù)據(jù)來源與評價指標

在5個不同場景內(nèi)進行環(huán)境數(shù)據(jù)的采集，每個參數(shù)每次采集10組數(shù)據(jù)，將10組數(shù)值的平均值作為該時刻采集到的最終數(shù)據(jù)，采集間隔為12 min，每個參數(shù)均采集到120組參數(shù)，將其中的100組作為訓練樣本，剩余的20組作為測試樣本。

為了對預測模型的預測性能進行更加直觀的評價，引入一種常見評價指標均方根誤差（RMSE）對預測模型的預測結(jié)果進行評價，對應(yīng)的計算公式為［15

-17］：

RMSE=1a∑ai=1（h（i）－y（i））2 （3）

式中：h（i）為預測輸出值；y（i）為真實值；a為樣本數(shù)量。

5.4 環(huán)境風險預測模型驗證

5.4.1 模型訓練結(jié)果

按照實驗設(shè)置，首先進行模型的訓練，得到如圖5所示的模型訓練情況。

由圖5可知，隨著訓練次數(shù)的逐漸增加，模型的誤差逐漸減小，僅需800次訓練即可達到設(shè)定的10－4的誤差，這表明該模型性能較優(yōu)，可用于環(huán)境檢測系統(tǒng)中的環(huán)境風險預測。

5.4.2 模型對比測試

為了驗證設(shè)計對BP神經(jīng)網(wǎng)絡(luò)預測模型進行改進的實際效果，在實驗測試集中隨機選取10組數(shù)據(jù)進行改進前后模型的預測情況對比測試，得到對比測試結(jié)果［18-19］。

從圖6、圖7中可以看出，

與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，經(jīng)過PSO優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)在進行預測的過程中，預測誤差明顯更小，同時始終保持在較低的誤差范圍內(nèi)，并且穩(wěn)定性更好，更加適用于環(huán)境風險的預測。

6 系統(tǒng)性能測試

首先進行數(shù)據(jù)采集功能的測試，設(shè)計選擇部分采集的環(huán)境數(shù)值進行展示，得到如圖8所示的環(huán)境參數(shù)變化曲線。

從圖8中可以看出，設(shè)計環(huán)境檢測系統(tǒng)能夠進行準確的環(huán)境數(shù)據(jù)采集，且能夠進行參數(shù)變化情況的準確描述。

為了對環(huán)境風險進行更加具體的描述，根據(jù)國家規(guī)定的環(huán)境評估方法設(shè)定風險等級分類為：風險概率是在區(qū)間［0，0.15）時為低風險，在區(qū)間［0.15，0.3）時為一般風險，在區(qū)間［0.3，0.45）時為中風險，在區(qū)間［0.45，1］時為高風險。根據(jù)以上風險等級劃分，使用設(shè)計的環(huán)境風險預測模型進行5個區(qū)域（A，B，C，D，E）的環(huán)境風險預測，得到如表1所示的風險概率預測結(jié)果。

由表1可知，環(huán)境風險預測模塊能夠進行較為準確的風險概率預測，且誤差穩(wěn)定在1%左右。

7 結(jié)語

綜上所述，設(shè)計的基于NB-LoT的環(huán)境監(jiān)測系統(tǒng)性能良好，能夠進行較為準確的環(huán)境數(shù)據(jù)采集，系統(tǒng)中設(shè)計的基于PSO-BP神經(jīng)網(wǎng)絡(luò)的環(huán)境風險預測模型的預測精度明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，將其應(yīng)用于環(huán)境風險的預測時能夠保持較低的誤差，這表明其能夠進行良好的環(huán)境監(jiān)測。但設(shè)計依然存在一定的可優(yōu)化空間，例如并未考慮到系統(tǒng)整體的功耗，導致系統(tǒng)可能出現(xiàn)非必要的功耗問題，因此在下一步的研究中可進行進一步改進。

【參考文獻】

［1］

藍升傳，陶干強，房智恒，等.基于LoRa和物聯(lián)網(wǎng)技術(shù)的礦井環(huán)境監(jiān)測系統(tǒng)設(shè)計［J］.黃金科學技術(shù)，2023，31（1）：144-152.

［2］ 劉艷峰.基于ZigBee的礦井環(huán)境監(jiān)測系統(tǒng)的設(shè)計［J］.電子產(chǎn)品世界，2023，30（6）：35-38.

［3］ 楊柳，李川，蔣洛鋒，等.基于物聯(lián)網(wǎng)的菜園環(huán)境監(jiān)測系統(tǒng)設(shè)計［J］.山東工業(yè)技術(shù)，2023（3）：34-38.

［4］ 曹旨昊，張辛欣，牟少敏，等.基于ZigBee的山區(qū)農(nóng)田環(huán)境監(jiān)測系統(tǒng)設(shè)計［J］.計算機應(yīng)用與軟件，2023，40（3）：66-71.

［5］ 王武英，魏霖靜.基于數(shù)字孿生的智慧農(nóng)業(yè)環(huán)境監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)［J］.智能計算機與應(yīng)用，2023，13（4）：181-185.

［6］ 錢平，齊賽賽，孫遜.基于STM32與ESP8266室內(nèi)環(huán)境監(jiān)測系統(tǒng)的設(shè)計［J］.無線互聯(lián)科技，2023，20（9）：80-82.

［7］ 高晉，喬記平，武媛，等.基于壓縮感知的冷鏈環(huán)境監(jiān)測系統(tǒng)設(shè)計［J］.傳感器與微系統(tǒng)，2023，42（7）：106-109.

［8］ 程長流，田倩.一種基于NB-IOT網(wǎng)絡(luò)低功耗環(huán)境監(jiān)測系統(tǒng)設(shè)計［J］.電子制作，2023，31（5）：96-100.

［9］ 董瑩，孫擁軍.基于NB-IoT的室外環(huán)境空氣質(zhì)量在線監(jiān)測系統(tǒng)設(shè)計［J］.計算機測量與控制，2023，31（2）：28-33.

［10］ 楊朝永，趙冬青，賈曉雪，等.基于BP神經(jīng)網(wǎng)絡(luò)的WiFi/地磁定位方法［J］.測繪工程，2023，32（3）：14-18.

［11］ 侯小秋，李麗華.基于BP神經(jīng)網(wǎng)絡(luò)辨識的預測濾波PID控制［J］.黃河科技學院學報，2023，25（5）：26-31.

［12］ 黃曠，張曉龍，胡建杭，等.基于FA-PSO-RBF神經(jīng)網(wǎng)絡(luò)的富氧底吹銅锍品位預測模型［J］.有色金屬（冶煉部分），2023（6）：61-68.

［13］ 李翠芹.虛擬儀器在沼氣發(fā)酵環(huán)境監(jiān)控系統(tǒng)設(shè)計中的應(yīng)用［J］.粘接.2021，48（11）：53-55.

［14］ 劉洋，張鴻，徐娟，等.改進PSO的SVM回歸模型及在氣溫預測中的應(yīng)用［J］.計算機系統(tǒng)應(yīng)用，2023，32（9）： 203-210.

［15］ 郁凌華，邢程，荀靜，等.基于PSO-SVR模型的小麥赤霉病病穗率預測方法［J］.麥類作物學報，2023，43 （11

）： 1434-1445.

［16］ 李馨諾.基于LabVIEW軟件的多種場景環(huán)境信息實時監(jiān)測系統(tǒng)研究［J］.粘接.2020，44（10）：87-90.

收稿日期：2023-11-27；修回日期：2024-01-26

作者簡介：蘇興龍（1983-），男，碩士，副教授，研究方向：

計算機教學及信息化建設(shè)應(yīng)用；E-mail：sxl8353@163.com。

基金項目：浙江省科技廳“尖兵”“領(lǐng)雁”研發(fā)攻關(guān)計劃項目（項目編號：2022C01SA371625）。

引文格式：蘇興龍.基于NB-IoT技術(shù)的環(huán)境監(jiān)測系統(tǒng)優(yōu)化設(shè)計［J］.粘接，2024，51（3）：185-188.