基于多源数据融合的建筑环境智能监控系统

时间：2024-06-19

任远林

(安徽工商职业学院应用工程学院，合肥 231131)

多源数据融合是指采用多传感器获取数据，并按照某种规则在时间或空间上对数据进行组合，之后对传感器获取的数据进行支配或使用[1]，从而得到被监控对象的一致性解释。

由于目前我国建筑环境智能监控系统大部分使用国外软件，国内的系统设计仍处于起步阶段[2]，且当前国内设计的物联网智能建筑监控系统在监控过程中容易存在缺陷，导致获取的环境数据不够精准[3-5]，使后续建筑的建设出现困难，因此,需要对现有的监控系统进行优化。有较多学者对监控系统进行研究，孙孝龙等[6]研究通过深度学习方法实现智能监控系统设计，即通过物联网实时记录、监控环境因子和相关工作进程状态，利用卷积神经网络算法不断学习、训练得到预测模型。该模型可结合实际准确理解监控对象和具体场景，实时调节环境因子实现环境监控与控制，但该系统存在较弱的无线通信能力，在进行数据传输时复杂度较高，且安全性较低。穆永超等[7]研究基于Niagara平台的公共建筑监控系统，以某办公楼室内环境和能耗为研究对象，基于Niagara物联网架构研发一套公共建筑监控系统，将各不同设备集成到同一平台,实现建筑能耗及室内环境空气品质的管控和数据可视化，并对数据进行分析处理。该监控系统能实现对室内环境参数、分项能耗数据的实时采集、显示和存储功能,可将各不同通讯协议设备进行安全、稳定地连接，并通过安全策略和用户授权实现远程监控和访问功能，来达到对室内环境的监控，但该系统的无线通信质量差，难以实现建筑环境的实时监控。为此，文中针对现有建筑环境监控系统存在的缺陷，结合无线通信在数据通信上的优点，把NB-IOT和ZigBee两种无线通信技术相融合，以智能传感器为数据采集节点，合理地设计物联网环境监控系统。

1 建筑环境智能监控系统设计

1.1 建筑环境智能监控系统总体结构

为了克服传统系统无线通信质量差的问题，将NB-IOT和ZigBee两种无线通信技术相融合，设计无线通信模块，以此搭建建筑环境智能监控系统，系统总体结构如图1所示。

图1 系统总体结构

该系统主要包括主控模块、远程监测模块、多源数据融合模块、ZigBee传感器采集模块、NB-IOT无线通信模块。采用嵌入式ARM单片机(STM32芯片)作为系统主控制模块，对其余4个模块进行控制。在无线通信模块的支持下，主控模块会发布指令对远程监测模块、多源数据融合模块等进行控制，而远程监测模块、多源数据融合模块等通信主要通过无线通信模块实现。

选用CC2530作为采集模块主芯片，将采集到的数据传输至多源数据融合模块进行融合后，再将数据提供给无线通信模块。选用BC95作为NB-IOT无线通信模块通信设备，BC95具有两种通信模式，主要采用主串口进行数据发送与接收，该模块结合基于LEACH(Low Energy Adaptive Clustering Hierarchy，LEACH)算法实现与远程监测模块的长距离多源融合数据传输。建筑环境数据传输到远程监测模块后，采用BP神经网络智能监测建筑环境，且在远程监测模块内用户可对建筑环境进行远程智能监控，并提供历史数据查询功能，利用主控模块对系统全部模块进行管理。

1.2 建筑环境智能监控系统硬件设计

1.2.1 系统功能管控的主控模块

采用嵌入式ARM单片机(STM32芯片)作为系统主控制模块。该模块中主要包含复位电路、时钟电路以及稳压电源，下面对各单元进行详细介绍。

1)复位电路。该电路主要由单个贴片按键与无极电容等组成。上电时，芯片电容进行储能[8]，其中，该电路的复位端口可引起系统复位，以此形成上电复位。同时，将Key作为按键，若未及时按下按键，则会使NRST成为高电平，当按下Key按键后，NRST变为低电平，开始制造复位信号。

2)时钟电路。挑选无源石英振荡器作为文中构建该电路的外部时钟，引入负载电容，可保障更加稳定地振荡[9]。

3)稳压电源。选取3.3 V的电源对芯片进行供电，由于系统内其他设备的供电并不完全符合3.3 V，为保障供电稳定，选取AMS1117-3.3，将其他电压稳压至3.3 V。

1.2.2 获取建筑环境信息的ZigBee传感器采集模块

构建传感器采集模块，在该模块下，应用CC2530作为传感器主芯片，具体包含高精度采样、普通采样与高速采样模块，以及分通道计数处理模块。每个模块均采用不同方法进行设计。

在高精度采样模块中，选取A/D转换芯片AD7793实现，该芯片具有24位，可实现较高精度的测量。在AD7793中，微控制器连接4根控制线，具备片选端、串行数据输入端与输出端。同时，AD7793的电源端口还能够输出1 mA的精准横流源。针对普通采样模块来说，选取普通的并行A/D转换芯片AD7606-4实现采样，该芯片具有16位4条通道，可以通过数字滤波器完成采样，且在芯片内部基准电压较为精密，能够实现较高的采样精度。

对于分通道计数数据处理与高速采样模块，选取微控制器STM32F103内部的A/D转换器实现采集。在STM32F103芯片中，其最高时钟频率为14 MHz，因此，具有较高的采样速度。主芯片选取CC2530，可以提高ZigBee传感器采集模块稳定性[10-11]。通常情况下，在进行初始上电时采用芯片内RC振荡器，当系统开始运行时，再使用外接的32 MHz晶振。正常运行时，CC2530的32 kHz可同时选取晶振与振荡器，图2、图3分别表示32 MHz、32.768 kHz外接晶振电路。

图2 32 MHz外接晶振电路

图3 32.768 kHz外接晶振电路

在图2、图3中，C9，C10，C5，C6的电容值需进行合理地选择，当电容值过小或过大均会使振荡器受到影响[12-13]。在CC2530芯片中，将天线与芯片引脚之间的匹配电路称为射频电路，利用图4表示CC2530射频电路。

在图4中选用分立的电容、电感元件完成电路匹配。同时图中L1，C3，L3，C8与其他分立器件均可完成差分信号转单端功能。

图4 CC2530射频模块电路

1.2.3 建筑环境数据传输的NB-ION无线通信模块

选取NB-IOT技术实现建筑环境智能监控数据的长距离传输。现阶段，三大运营商均对NB-IOT的频段进行了授权，但具备较高稳定性的NB-IOT模块并不多，3种通信模块对比如表1所示。

表1 不同NB-IOT模块对比

文中选取移远公司的BC95作为NB-IOT无线通信模块，BC95可支持3种频段，属于一种高性能无线通信模块，能够实现OneNET云平台的对接，可在最大限度情况下保障终端设备对通信的需求[14-15]。在正常工作状态下，BC95模块存在3种工作状态，具体如表2所示。

表2 BC95工作状态分析

由于无线通信模块需要较强的供电能力，因此，应选取至少0.5 A电流能力的电源供电，电压输入范围为3.1～4.2 V，因此，选取双电源模式对电源模块进行设计。在对无线通信进行供电时，利用3.3 V直流电源供电，为避免电压跌落现象，还在电源模块内并联滤波电容，图5所示为BC95的电路原理。

图5 通信模块电路

在上述基础上，利用LEACH算法对数据无线传输方式进行优化。

LEACH算法是一种自应分簇拓扑算法。NB-IOT无线通信模块利用该算法，可将已融合后的建筑环境数据传输至监控模块进行检测，从多个角度降低网络能耗，提高网络生存周期。

LEACH算法属于当前应用较广的路由算法，其通过集群的路由会尽可能降低能量消耗。该方法在进行计算时主要有两个步骤，分别为成簇过程与稳定过程。在成簇过程中，由目标自发挑选大量簇头节点，同时构成若干个簇。在稳定过程中，主要聚合各簇头的数据，并向基站传输聚合的建筑环境数据。该算法根据获取到的信号强度，构成簇后开始计算，具体计算步骤如下。

在LEACH成簇阶段，主要通过3个过程实现：

1)利用式(1)挑选出若干簇头，之后每个簇头发送广播，宣布自身成为簇头，等候普通节点的到来。

(1)

式中：n表示给定节点，每个节点均从0～1之间的随机数中选取；P表示最佳簇头百分比；b表示当前轮数；V(n)表示阈值；G表示上一轮非簇头节点集合。若阈值V(n)大于节点随机数，则说明该节点可成为下一轮的簇头。当某一节点成为簇头后，则该节点无法再次成为簇头，直至全部节点都有一次成为簇头的机会。

2)非簇头节点开始获取簇头广播，之后按照广播信号强度，向簇头提出加入请求，请求发送完成后，簇头会向节点发送是否为该簇内成员节点的反馈，当持续运行一段时间后，全部的节点均成为簇。

3)全部被选簇头均为自身成员节点构建一个传输时隙。按照簇内节点数量构建TDMA调度，然后按照调度时间表传输自身数据。

在LEACH的稳定阶段，簇内节点会向簇头发送融合后的建筑环境数据，且每个簇内节点均采用单跳传输形式与簇头进行联系。然后簇头汇集到全部建筑环境数据，并通过数据处理后发送至监控模块，当经过一段预设时间后，建筑环境数据继续返回成簇阶段。

1.2.4 基于自适应加权融合的多源数据融合模块

xi)wj(x-xj)].

(2)

1.2.5 基于BP神经网络的建筑环境监测模块

系统的远程监测模块作为系统的监控平台，具备历史数据查询、当前环境信息浏览以及建筑环境监测等功能，在进行建筑环境智能监控过程中，利用从无线通信模块传输的已融合后的建筑环境数据，采用BP神经网络算法构建3层神经网络结构监测建筑环境，引导使用者正确决策，规避风险。

假设文中所构建的BP神经网络中共具有2个隐含层，其中，具备k1，k2个神经元；同时，输入层内存在n个神经元，而输出层具备m个神经元。利用Sigmoid函数作为神经元的激活函数，通过如下步骤实现网络的学习过程：

1)对网络的实际输出进行运算。设网络的建筑环境数据输入为X=x1,x2,…,xn，网络的建筑环境智能监测输出为Y=y1,y2,…,ym。

3)调整权值。采用梯度下降法对误差函数的极小值进行计算，并表示为wij，同时将其更新量Δwij通过式(3)计算。

(3)

式中：η表示学习速率。将结果输出后即获取建筑环境监测结果，完成建筑环境智能监测。

2 实验分析

将文中系统应用至某物联网智能建筑环境中，监控其某天不同时间段内建筑环境的温度、湿度与二氧化碳浓度、氨气浓度变化情况，分析结果如图6所示。

图6 系统建筑环境智能监控结果

由图6可知，利用该系统较为精准地监控到建筑环境的温度、湿度变化。在全天的监控过程中，温度、湿度变化情况均在12 h左右且呈现上升趋势，同时还能够较为精准地获取建筑环境内二氧化碳与氨气浓度值，说明该系统具备较好的建筑环境智能监控应用效果。

选取文献[6]基于物联网和深度学习的养蚕智能监控系统与文献[7]基于物联网技术的智能安全监控建筑信息系统与文中系统进行对比，分析该系统无线通信技术的通信能力，分析结果如表3所示。

表3 系统无线通信能力

根据表3可知，文中系统无线通信能力要明显高于文献[6]系统与文献[7]系统，其中，文中系统的传输速率始终保持最高，可快速实现监控数据的传输，且安全性较高，可以保障监控数据不出现意外泄漏的现象，同时具有较低功耗，且通信距离较长的优点；文献[7]系统的可连接设备数明显低于文献[6]系统与文中系统，而文献[6]系统的复杂度又相对较高，因此，文中系统无线通信能力较强。

对比3个系统的生命周期，通过式(4)进行计算，分析结果如图7所示。

(4)

式中：E0为初始能量；T[L]为系统平均生命周期；Pc为系统持续恒定能耗；E[Ew]为系统崩溃时总剩余能力；λ为传感器平均报告速率；E[Er]为消耗全部能量。

根据图7可知，随着系统故障率的增加，不同系统的生命周期也随之下降，其中，文献[6]系统的生命周期下降幅度最大，说明该系统的生命周期明显受到系统故障率的影响，而文献[7]系统的下降幅度虽然低于文献[6]系统，但该系统的生命周期依然远远低于文中系统，文中系统随着系统故障率的上升，生命周期仅存在小幅度下降，说明该系统的生命周期能够得到有效延长。

图7 系统生命周期分析