基于NB-IoT技術的環境監測系統優化設計

摘 要：為進一步提升工業生產過程的安全系數，提出一種基于窄帶物聯網NB-IoT的環境監測系統。其中，以NB-IoT技術作為系統的主要通信，以傳感器為主要的環境數據采集工具，以改進的BP神經網絡作為預測方法進行環境風險預測。實驗結果表明，與傳統的BP神經網絡相比，經過粒子群算法PSO優化的BP神經網絡具有更高的預測精度，且穩定性較好，將其應用于環境風險的預測時誤差始終保持在1%的誤差范圍內。設計的基于NB-IoT的環境監測系統能夠進行準確的數據采集和風險預測，能夠進一步保障生產安全，可行性較高。

關鍵詞：環境監測；NB-IoT技術；BP神經網絡；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

為了實現對生產過程的實時監測，許多學者進行了環境監測系統的設計，如針對礦井下工作環境復雜且通信較困難的問題，提出了一種基于LoRa和物聯網技術的礦井環境監測系統［1-3］；為保證山區稻田的正常生產，針對其環境的特殊性，設計了一種基于ZigBee無線傳感網絡技術的農田環境監測系統［4-5］；為實現對室內環境數據的準確監測，嘗試將STM32與ESP8266無線模塊相結合，構建一種室內環境監測系統［6-7］。綜合上述研究，結合國內外研究現狀可知，當前大部分的環境檢測系統僅停留在數據采集階段，缺乏對環境變化的預見性，因此，嘗試設計一種能夠進行環境風險預測的監測系統，實現更加全面的環境監測。

1 系統整體設計

設計環境檢測系統中，以窄帶物聯網（NB-IoT）技術作為模塊之間的通信技術，與傳統2G網絡對比，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，成本低的優點［8-9］。以NB-IoT作為基礎的通信技術，初步構建的間環境監測系統整體框架如圖1所示。

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

2 硬件設計

根據設計的系統總體框架進行幾個主要模塊的硬件選擇與設計。

（1）主控模塊設計。

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位數據，功耗低，性價比高，靈活便捷；

（2）數據采集模塊設計。

設計的監測系統的數據采集部分使用的主要元件為傳感器，由于需要進行3個類型的環境數據的采集，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計。溫、濕度是最為常見的環境數據，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據的采集，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勢，而且功耗超低，體積小、反應快。②甲烷濃度采集傳感器電路設計。甲烷在工業生產中使用十分廣泛，主要作為燃料進行使用，而在日常生產過程中，甲烷濃度過高會威脅到工作人員的安全。設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計。遵循高性價比低功耗的需求，設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通訊模塊設計。作為設計的環境監測系統的主要通信方式，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，穩定性較好的優點。

3 軟件設計

根據系統的整體設計，將各個功能模塊通過通訊方式進行連接，實現系統的完整功能，對應的系統軟件設計的總體流程如圖2所示。

4 基于PSO-BP的環境風險預測模型的構建

4.1 BP神經網絡基本原理

BP神經網絡是一種前饋型神經網絡，由輸出層，輸入層，隱含層組成，以3層神經網絡即為1層的神經網絡［10］。結構圖如圖3所示。

將數據導入輸入層，在網絡中產生激勵后經過隱含層，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據按梯度下降的方法調整修改各層連接的權值和閾值，重復循環，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］。

設置x、y、z分別為網絡中輸入層、輸出層、隱含層的節點個數。通過激活函數θ（z）=11+e－z對BP神經網絡的各個神經元初始化。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元的誤差epz：

epz=∑si=1Xizcpl（1－hoz）

z=（1，2，…，t），p=（1，2，…，m）（4）

利用誤差使用式（5）、式（6）對神經元之間的權值和閾值進行賦值。

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神經網絡的全局誤差值：

E=12∑si=1（yi－gol）2（7）

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

ReLU（x）=x，x≥0

0，x<0（8）

確定好函數后，指標可以根據采集端采集的數據設置，滿足“即插即用”，本文有4項數據，所以輸入層節點數為4，輸出層為預警指標個數，因為我們只用預警風險，所以指標個數為1，隱含層節點數由經驗式（9）確立。

z=x+y+n（9）

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

4.2 改進的BP神經網絡

粒子群優化算法PSO是一種基于鳥群覓食行為的優化算法，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的最優位置，即為粒子的最優值，對應在BP神經網絡中即為最優的網絡權值和閾值［12-14］。PSO算法的計算流程如下：

設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），粒子的個體最優值設置為Pid；粒子群的全局最優值設置為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。

PSO算法的基本流程如下：

（1）進行粒子群的初始化。進行初始化的參數包括，粒子群的速度、位置、個體最優值、群體最優值、種群規模，并設定好算法的學習因子、慣性因子、當前進化代數和最大進化代數等；

（2）進行適應度值計算。根據實際解決問題進行適應度函數的設計，進行每個粒子的適應度值計算，適應度值是評價粒子質量優劣的直接指標；

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

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

（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，輸出此時的最優粒子即為最優值，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神經網絡的預測模型

BP神經網絡可應用到很多有風險發生概率的地方做預測，不停的收集訓練得到的結果和預期結果產生的誤差分析，并且將這些誤差傳遞給輸出值，進而修改權值和閾值，經過不停的收集誤差，直到得到輸出和預想結果一致的模型，達到監測預警的效果。

在云平臺中提取數據記錄成數據集，按3∶7的比例分別用于測試和訓練，模型經過大比例數據訓練出來的結果就是最優值，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 實驗驗證與結果分析

5.1 實驗環境搭建

將選擇的各個功能元件進行連接，數據采集軟件終端與云平臺之間通過NB-IoT技術進行通信，云平臺與客戶端之間通過MQTT協議進行通信建立。

設計的環境風險監測模型的驗證在MATLAB軟件上進行，同時在該軟件上進行環境風險預測的模擬。

5.2 參數設置

設計主要針對預測模型進行參數設置，使用的BP神經網絡的輸入層節點數設置為4，隱含層節點設置為6，輸出層節點數設置為1；粒子群算法的種群數量設置為20，最大迭代次數設置為50；模型的學習速率設置為0.01，最大訓練次數設置為1 000。

5.3 數據來源與評價指標

在5個不同場景內進行環境數據的采集，每個參數每次采集10組數據，將10組數值的平均值作為該時刻采集到的最終數據，采集間隔為12 min，每個參數均采集到120組參數，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果進行評價，對應的計算公式為［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為樣本數量。

5.4 環境風險預測模型驗證

5.4.1 模型訓練結果

按照實驗設置，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次訓練即可達到設定的10－4的誤差，這表明該模型性能較優，可用于環境檢測系統中的環境風險預測。

5.4.2 模型對比測試

為了驗證設計對BP神經網絡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組數據進行改進前后模型的預測情況對比測試，得到對比測試結果［18-19］。

從圖6、圖7中可以看出，

與傳統的BP神經網絡相比，經過PSO優化后的BP神經網絡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，并且穩定性更好，更加適用于環境風險的預測。

6 系統性能測試

首先進行數據采集功能的測試，設計選擇部分采集的環境數值進行展示，得到如圖8所示的環境參數變化曲線。

從圖8中可以看出，設計環境檢測系統能夠進行準確的環境數據采集，且能夠進行參數變化情況的準確描述。

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

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

7 結語

綜上所述，設計的基于NB-LoT的環境監測系統性能良好，能夠進行較為準確的環境數據采集，系統中設計的基于PSO-BP神經網絡的環境風險預測模型的預測精度明顯優于傳統的BP神經網絡，將其應用于環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境監測。但設計依然存在一定的可優化空間，例如并未考慮到系統整體的功耗，導致系統可能出現非必要的功耗問題，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和物聯網技術的礦井環境監測系統設計［J］.黃金科學技術，2023，31（1）：144-152.

［2］ 劉艷峰.基于ZigBee的礦井環境監測系統的設計［J］.電子產品世界，2023，30（6）：35-38.

［3］ 楊柳，李川，蔣洛鋒，等.基于物聯網的菜園環境監測系統設計［J］.山東工業技術，2023（3）：34-38.

［4］ 曹旨昊，張辛欣，牟少敏，等.基于ZigBee的山區農田環境監測系統設計［J］.計算機應用與軟件，2023，40（3）：66-71.

［5］ 王武英，魏霖靜.基于數字孿生的智慧農業環境監測系統設計與實現［J］.智能計算機與應用，2023，13（4）：181-185.

［6］ 錢平，齊賽賽，孫遜.基于STM32與ESP8266室內環境監測系統的設計［J］.無線互聯科技，2023，20（9）：80-82.

［7］ 高晉，喬記平，武媛，等.基于壓縮感知的冷鏈環境監測系統設計［J］.傳感器與微系統，2023，42（7）：106-109.

［8］ 程長流，田倩.一種基于NB-IOT網絡低功耗環境監測系統設計［J］.電子制作，2023，31（5）：96-100.

［9］ 董瑩，孫擁軍.基于NB-IoT的室外環境空氣質量在線監測系統設計［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神經網絡的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神經網絡辨識的預測濾波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神經網絡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.虛擬儀器在沼氣發酵環境監控系統設計中的應用［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用［J］.計算機系統應用，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軟件的多種場景環境信息實時監測系統研究［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應用；E-mail：sxl8353@163.com。

基金項目：浙江省科技廳“尖兵”“領雁”研發攻關計劃項目（項目編號：2022C01SA371625）。

引文格式：蘇興龍.基于NB-IoT技術的環境監測系統優化設計［J］.粘接，2024，51（3）：185-188.