基于NB-IoT技术的环境监测系统优化设计

摘 要：为进一步提升工业生产过程的安全系数，提出一种基于窄带物联网NB-IoT的环境监测系统。其中，以NB-IoT技术作为系统的主要通信，以传感器为主要的环境数据采集工具，以改进的BP神经网络作为预测方法进行环境风险预测。实验结果表明，与传统的BP神经网络相比，经过粒子群算法PSO优化的BP神经网络具有更高的预测精度，且稳定性较好，将其应用于环境风险的预测时误差始终保持在1%的误差范围内。设计的基于NB-IoT的环境监测系统能够进行准确的数据采集和风险预测，能够进一步保障生产安全，可行性较高。

关键词：环境监测；NB-IoT技术；BP神经网络；PSO算法

中图分类号：TP391；X84

文献标志码：A文章编号：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

為了实现对生产过程的实时监测，许多学者进行了环境监测系统的设计，如针对矿井下工作环境复杂且通信较困难的问题，提出了一种基于LoRa和物联网技术的矿井环境监测系统［1-3］；为保证山区稻田的正常生产，针对其环境的特殊性，设计了一种基于ZigBee无线传感网络技术的农田环境监测系统［4-5］；为实现对室内环境数据的准确监测，尝试将STM32与ESP8266无线模块相结合，构建一种室内环境监测系统［6-7］。综合上述研究，结合国内外研究现状可知，当前大部分的环境检测系统仅停留在数据采集阶段，缺乏对环境变化的预见性，因此，尝试设计一种能够进行环境风险预测的监测系统，实现更加全面的环境监测。

1 系统整体设计

设计环境检测系统中，以窄带物联网（NB-IoT）技术作为模块之间的通信技术，与传统2G网络对比，NB-IoT具有更高的峰值速率；与其他无线通信方式相比，具有超低功耗，成本低的优点［8-9］。以NB-IoT作为基础的通信技术，初步构建的间环境监测系统整体框架如图1所示。

设计的环境检测系统在进行环境检测时，首先通过传感器进行环境数据的采集，设计主要采集的环境数据为环境中的温湿度、气压情况以及甲烷浓度；再将传感器采集到的环境数据传输至采集终端，采集终端以单片机作为主控芯片，进行采集到的环境数据的初步处理；然后将采集终端处理得到的环境数据通过NB-IoT技术传输至系统云平台，以便通过Android客户端进行环境数据的查看，或者通过风险预测模块进行环境风险的预测。

2 硬件设计

根据设计的系统总体框架进行几个主要模块的硬件选择与设计。

（1）主控模块设计。

主要芯片为单片机芯片，选择的单片机型号为STM32F系列芯片，该系列芯片可以同时处理16位数据，功耗低，性价比高，灵活便捷；

（2）数据采集模块设计。

设计的监测系统的数据采集部分使用的主要元件为传感器，由于需要进行3个类型的环境数据的采集，故选择的传感器类型也为3个类型：①温湿度传感器电路设计。温、湿度是最为常见的环境数据，在进行传感器型号的选择时主要考虑低功耗及性价比的原则，综合考虑下选用DHT11传感器进行温湿度数据的采集，与同类传感器相比，它在测量范围、测量精度方面都更加有优势，而且功耗超低，体积小、反应快。②甲烷浓度采集传感器电路设计。甲烷在工业生产中使用十分广泛，主要作为燃料进行使用，而在日常生产过程中，甲烷浓度过高会威胁到工作人员的安全。设计选的甲烷浓度采集传感器信号为MQ-2烟雾传感器，该信号的传感器具有性价比高、低功耗、抗干扰能力强的优点，可以采集烟雾浓度、甲烷等其他可燃气体。③气压采集传感器电路设计。遵循高性价比低功耗的需求，设计选取的气压传感器类型为BMP180气压传感器，该传感器是一款高精度、小体积、超低能耗的压力传感器，绝对精度最低可以达到0.03 hPa，并且耗电极低；

（3）NB-IoT通讯模块设计。作为设计的环境监测系统的主要通信方式，NB-IoT通讯模块同样遵循高性价比低功耗设计需求，选择的元件型号为M5311芯片，该芯片具有低功耗，体积小，稳定性较好的优点。

3 软件设计

根据系统的整体设计，将各个功能模块通过通讯方式进行连接，实现系统的完整功能，对应的系统软件设计的总体流程如图2所示。

4 基于PSO-BP的环境风险预测模型的构建

4.1 BP神经网络基本原理

BP神经网络是一种前馈型神经网络，由输出层，输入层，隐含层组成，以3层神经网络即为1层的神经网络［10］。结构图如图3所示。

将数据导入输入层，在网络中产生激励后经过隐含层，达到最后的输出层，对比输出层的值与真实值，两者之间的不同称为误差判断是否符合预期，不符合则将信号进行反向传播，反向传播的过程是将误差的数据按梯度下降的方法调整修改各层连接的权值和阈值，重复循环，直到达到预期值与期望值误差达到满意的效果为止，进而得到最终模型［11］。

设置x、y、z分别为网络中输入层、输出层、隐含层的节点个数。通过激活函数θ（z）=11+e－z对BP神经网络的各个神经元初始化。然后将训练样本输入，求出隐含层的输入和输出如式（1）所示。

zj_input=∑mi=1wijxi+bj j=1，z

zj_output=θ（zj_input）（1）

利用隐含层的输出计算输出层的输入和输出如式（2）所示。

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

yk_output=θ（yk_input） （2）

对比输出值和实际输出值计算输出的误差cpl，由式（3）计算得：

cpl=（ypl－gopl）gol（1－gol）

l=（1，2，…，s） p=（1，2，…，m）（3）

由式（4）计算可得隐含层各神经元的误差epz：

epz=∑si=1Xizcpl（1－hoz）

z=（1，2，…，t），p=（1，2，…，m）（4）

利用误差使用式（5）、式（6）对神经元之间的权值和阈值进行赋值。

隐含层：

Δbz=aepz，

Δwiz=aepzupi

d=（1，2，…，t），i=（1，2，…，n），a=（0，1）（5）

输出层：

Δrl=μcpl，

ΔXlz=μcplhopz

p=（1，2，…，m），z=（1，2，…，t），μ=（0，1）（6）

按式（7）得该BP神经网络的全局误差值：

E=12∑si=1（yi－gol）2（7）

通过对多种函数的对比，本文选择使用ReLU函数，导数是常数1，函数中梯度不会消失，不会由于梯度消失导致训练提前结束的情况发生，同时收敛速率大。函数表达式为式（8）：

ReLU（x）=x，x≥0

0，x<0（8）

确定好函数后，指标可以根据采集端采集的数据设置，满足“即插即用”，本文有4项数据，所以输入层节点数为4，输出层为预警指标个数，因为我们只用预警风险，所以指标个数为1，隐含层节点数由经验式（9）确立。

z=x+y+n（9）

式中：x和y代表输入输出节点个数；n为1～10任意常数。通过训练样本找到最优解确定隐含层节点个数为6。

4.2 改进的BP神经网络

粒子群优化算法PSO是一种基于鸟群觅食行为的优化算法，将每只鸟类比为一个粒子，该粒子由其速度和位置共同决定，通过进行不断的位置更新寻找到空间内的最优位置，即为粒子的最优值，对应在BP神经网络中即为最优的网络权值和阈值［12-14］。PSO算法的计算流程如下：

设空间中一个随机粒子i在维度为d的位置为xi=（xi1，xi2，…，xid），速度为vi=（vi1，vi2，…，vid），粒子的个体最优值设置为Pid；粒子群的全局最优值设置为Gid，则粒子在进行自身位置和速度更新时的计算公式分别为［14］：

xk+1id=xkid+vk+1id（1）

vkid=wvkid+c1×rand1×（Pkid－xkid）+c2×

rand2×（Gkid－xkid）（2）

式中：i（1，…，M）为种群规模；ω为惯性因子；c1、c2为学习因子；rand1、rand2为（0，1）之间的随机数。

PSO算法的基本流程如下：

（1）進行粒子群的初始化。进行初始化的参数包括，粒子群的速度、位置、个体最优值、群体最优值、种群规模，并设定好算法的学习因子、惯性因子、当前进化代数和最大进化代数等；

（2）进行适应度值计算。根据实际解决问题进行适应度函数的设计，进行每个粒子的适应度值计算，适应度值是评价粒子质量优劣的直接指标；

（3）进行个体最优值的更新。将粒子当前的个体最优值与计算所得适应度值进行比较，将适应度值更优的粒子保留作为新的个体最优值；

（4）进行群体最优值的更新。将当前粒子计算所得适应度值与当前的群体最优值进行比较，更优者作为新的群体最优值；

（5）进行粒子的位置和速度的更新；

（6）当算法满足终止条件时停止迭代，输出此时的最优粒子即为最优值，否则返回步骤（2）进行计算运算，直至满足终止条件。

4.3 基于PSO-BP神经网络的预测模型

BP神经网络可应用到很多有风险发生概率的地方做预测，不停的收集训练得到的结果和预期结果产生的误差分析，并且将这些误差传递给输出值，进而修改权值和阈值，经过不停的收集误差，直到得到输出和预想结果一致的模型，达到监测预警的效果。

在云平台中提取数据记录成数据集，按3∶7的比例分别用于测试和训练，模型经过大比例数据训练出来的结果就是最优值，测试时就能和训练模型做预测对比。训练学习过程如图4所示。

5 实验验证与结果分析

5.1 实验环境搭建

将选择的各个功能元件进行连接，数据采集软件终端与云平台之间通过NB-IoT技术进行通信，云平台与客户端之间通过MQTT协议进行通信建立。

设计的环境风险监测模型的验证在MATLAB软件上进行，同时在该软件上进行环境风险预测的模拟。

5.2 参数设置

设计主要针对预测模型进行参数设置，使用的BP神经网络的输入层节点数设置为4，隐含层节点设置为6，输出层节点数设置为1；粒子群算法的种群数量设置为20，最大迭代次数设置为50；模型的学习速率设置为0.01，最大训练次数设置为1 000。

5.3 数据来源与评价指标

在5个不同场景内进行环境数据的采集，每个参数每次采集10组数据，将10组数值的平均值作为该时刻采集到的最终数据，采集间隔为12 min，每个参数均采集到120组参数，将其中的100组作为训练样本，剩余的20组作为测试样本。

为了对预测模型的预测性能进行更加直观的评价，引入一种常见评价指标均方根误差（RMSE）对预测模型的预测结果进行评价，对应的计算公式为［15

-17］：

RMSE=1a∑ai=1（h（i）－y（i））2 （3）

式中：h（i）为预测输出值；y（i）为真实值；a为样本数量。

5.4 环境风险预测模型验证

5.4.1 模型训练结果

按照实验设置，首先进行模型的训练，得到如图5所示的模型训练情况。

由图5可知，随着训练次数的逐渐增加，模型的误差逐渐减小，仅需800次训练即可达到设定的10－4的误差，这表明该模型性能较优，可用于环境检测系统中的环境风险预测。

5.4.2 模型对比测试

为了验证设计对BP神经网络预测模型进行改进的实际效果，在实验测试集中随机选取10组数据进行改进前后模型的预测情况对比测试，得到对比测试结果［18-19］。

从图6、图7中可以看出，

与传统的BP神经网络相比，经过PSO优化后的BP神经网络在进行预测的过程中，预测误差明显更小，同时始终保持在较低的误差范围内，并且稳定性更好，更加适用于环境风险的预测。

6 系统性能测试

首先进行数据采集功能的测试，设计选择部分采集的环境数值进行展示，得到如图8所示的环境参数变化曲线。

从图8中可以看出，设计环境检测系统能够进行准确的环境数据采集，且能够进行参数变化情况的准确描述。

为了对环境风险进行更加具体的描述，根据国家规定的环境评估方法设定风险等级分类为：风险概率是在区间［0，0.15）时为低风险，在区间［0.15，0.3）时为一般风险，在区间［0.3，0.45）时为中风险，在区间［0.45，1］时为高风险。根据以上风險等级划分，使用设计的环境风险预测模型进行5个区域（A，B，C，D，E）的环境风险预测，得到如表1所示的风险概率预测结果。

由表1可知，环境风险预测模块能够进行较为准确的风险概率预测，且误差稳定在1%左右。

7 结语

综上所述，设计的基于NB-LoT的环境监测系统性能良好，能够进行较为准确的环境数据采集，系统中设计的基于PSO-BP神经网络的环境风险预测模型的预测精度明显优于传统的BP神经网络，将其应用于环境风险的预测时能够保持较低的误差，这表明其能够进行良好的环境监测。但设计依然存在一定的可优化空间，例如并未考虑到系统整体的功耗，导致系统可能出现非必要的功耗问题，因此在下一步的研究中可进行进一步改进。

【参考文献】

［1］

蓝升传，陶干强，房智恒，等.基于LoRa和物联网技术的矿井环境监测系统设计［J］.黄金科学技术，2023，31（1）：144-152.

［2］ 刘艳峰.基于ZigBee的矿井环境监测系统的设计［J］.电子产品世界，2023，30（6）：35-38.

［3］ 杨柳，李川，蒋洛锋，等.基于物联网的菜园环境监测系统设计［J］.山东工业技术，2023（3）：34-38.

［4］ 曹旨昊，张辛欣，牟少敏，等.基于ZigBee的山区农田环境监测系统设计［J］.计算机应用与软件，2023，40（3）：66-71.

［5］ 王武英，魏霖静.基于数字孪生的智慧农业环境监测系统设计与实现［J］.智能计算机与应用，2023，13（4）：181-185.

［6］ 钱平，齐赛赛，孙逊.基于STM32与ESP8266室内环境监测系统的设计［J］.无线互联科技，2023，20（9）：80-82.

［7］ 高晋，乔记平，武媛，等.基于压缩感知的冷链环境监测系统设计［J］.传感器与微系统，2023，42（7）：106-109.

［8］ 程长流，田倩.一种基于NB-IOT网络低功耗环境监测系统设计［J］.电子制作，2023，31（5）：96-100.

［9］ 董莹，孙拥军.基于NB-IoT的室外环境空气质量在线监测系统设计［J］.计算机测量与控制，2023，31（2）：28-33.

［10］ 杨朝永，赵冬青，贾晓雪，等.基于BP神经网络的WiFi/地磁定位方法［J］.测绘工程，2023，32（3）：14-18.

［11］ 侯小秋，李丽华.基于BP神经网络辨识的预测滤波PID控制［J］.黄河科技学院学报，2023，25（5）：26-31.

［12］ 黄旷，张晓龙，胡建杭，等.基于FA-PSO-RBF神经网络的富氧底吹铜锍品位预测模型［J］.有色金属（冶炼部分），2023（6）：61-68.

［13］ 李翠芹.虚拟仪器在沼气发酵环境监控系统设计中的应用［J］.粘接.2021，48（11）：53-55.

［14］ 刘洋，张鸿，徐娟，等.改进PSO的SVM回归模型及在气温预测中的应用［J］.计算机系统应用，2023，32（9）： 203-210.

［15］ 郁凌华，邢程，荀静，等.基于PSO-SVR模型的小麦赤霉病病穗率预测方法［J］.麦类作物学报，2023，43 （11

）： 1434-1445.

［16］ 李馨诺.基于LabVIEW软件的多种场景环境信息实时监测系统研究［J］.粘接.2020，44（10）：87-90.

收稿日期：2023-11-27；修回日期：2024-01-26

作者简介：苏兴龙（1983-），男，硕士，副教授，研究方向：

计算机教学及信息化建设应用；E-mail：sxl8353@163.com。

基金项目：浙江省科技厅“尖兵”“领雁”研发攻关计划项目（项目编号：2022C01SA371625）。

引文格式：苏兴龙.基于NB-IoT技术的环境监测系统优化设计［J］.粘接，2024，51（3）：185-188.