一種智能的無線溫度控制系統設計與實現

隋竹翠， 韓 磊， 熊 暢， 翁新爍

(武漢大學 電子信息學院，湖北 武漢430072)

0 引 言

隨著生活水平的提高，人們對家居舒適度、方便性、實用性和智能化等需求逐漸增強，靠人用遙控器控制空調、調節室溫的傳統方式已經難以滿足人們的需求［1］。因此，需要開發一套智能化的、方便與實用的溫度控制系統對空調進行控制來實現家居溫度控制的智能化。

本文提出了一種基于ZigBee 無線通信的智能溫度控制系統。系統集信息顯示、人工溫度控制和智能溫度控制功能于一體，通過收集分布在室內的溫度傳感器與人體紅外傳感器的監測數據，結合用戶自身的溫度設置偏好，采用反向傳播(back propagation，BP)神經網絡算法對用戶的溫度控制操作作出預測，智能地為用戶控制空調調節室溫。系統采用ZigBee 無線通信技術減少系統的布線復雜度，同時采用紅外遙控技術來控制空調，兼具智能、方便和實用的特點。

1 系統總體設計

系統主要分為傳感終端、控制終端和主控制臺，它們之間通過ZigBee 無線方式通信，可分置于室內不同的地方［2］。

系統主控制臺的輸入來自傳感終端，傳感終端分為兩種，①人體紅外傳感器終端，放置于家中各處用于檢測用戶在家與否;②溫度傳感器終端，分置室內不同地方處，用于采集室溫。所有的傳感終端采集的傳感信息通過ZigBee 無線方式發送至ZigBee 協調器，再由協調器傳給主控制臺;主控制臺負責存儲、顯示并結合智能處理方案來處理傳感信息，發出控制信息;控制信息通過協調器以無線方式發送至控制終端，控制終端實現對空調的控制。系統主體結構如圖1 所示。

圖1 系統的主體結構

系統主控制臺的智能處理方案分為智能預測和突發情況處理兩種。智能預測是通過BP 神經網絡算法找出用戶有規律的溫度設定特征和關閉(或開啟)空調的時間段，并預測在接下來的具有相似特征的時間段內，是否要提前關閉(或開啟)空調或設定空調溫度。突發情況處理是指基于人體紅外傳感器、溫度傳感器的監測信息，對于特殊情況，系統將在智能預測的結果上，對控溫操作進行調整。主控制臺處理溫度控制操作的優先級為人工操作高于突發情況處理高于智能預測。

2 實現方案

2.1 系統硬件設計

系統選用德州儀器公司的CC2530 片上系統(SoC)［3］解決方案來構建ZigBee 無線網絡。CC2530集成了一個8051 單片機和IEEE 802.15.4 兼容無線收發器，RF 內核控制模擬無線模塊，通過擴展引出通用接口來與外部器件連接［4］。在本系統的ZigBee 網絡中，連接傳感器或控制器的CC2530 模塊叫做ZigBee 終端，連接主控制臺的CC2530 模塊叫做ZigBee 協調器。協調器建立ZigBee 無線通信網絡，終端加入該網絡后實現數據的無線傳輸［5］。

ZigBee 終端與傳感器共同組成傳感終端。傳感器分為溫度傳感器與人體紅外傳感器兩種，各傳感器將實時采集的信息通過I/O 接口發送給CC2530 微處理器，再無線發送至ZigBee 協調器。

溫度傳感器采用一線器件DSl8b20，其溫度測量范圍為55 ～125℃，它本身輸出數字信號，無需外部信號放大調理電路，以單總線方式通信［6］;人體紅外傳感器采用HC-SR501 人體感應模塊，3 ～7 m 感應距離，100°感應錐角。人進入其感應范圍則輸出高電平，人離開感應范圍則自動延時關閉高電平，輸出低電平［7］。為了更加準確地測得整個空間的溫度，溫度傳感終端要分多個放置在室內不同的地方。人體紅外傳感終端也要有放置多個，覆蓋室內各區域。

ZigBee 協調器與搭載ARM9 芯片的嵌入式設備組成主控制臺。由于ARM9 嵌入式設備上的RS232串口為CMOS 電平，故需先經過一個CMOS 轉TTL 接口電路，再以UART 方式與ZigBee 協調器連接。

ZigBee 終端與控制器(空調紅外控制模塊)共同組成控制終端。其中，空調紅外控制模塊以UART 串口方式與ZigBee 終端的CC2530 連接，它接收到控制信息后進行分析和實現輸出控制紅外信號編碼，紅外發射電路將信號編碼轉變成紅外載波信號以實現對空調的控制［8］。

系統硬件結構圖如圖2 所示(由于篇幅限制，各傳感終端只畫一個，實際有多個)。

2.2 系統軟件設計

主控制臺的軟件開發基于Linux 操作系統［9-10］。通過主控制臺的觸控屏幕可以實現人機交互，人機交互的圖形用戶界面GUI 使用Qt 軟件進行開發［11］，軟件的前臺部分包含顯示區與控制區:顯示區對室內溫度、室內是否有人等信息進行顯示;控制區則是相關的空調控制按鍵，方便用戶實現人工操作。

主控制臺的后臺智能處理方案包括智能預測、突發情況處理。首先系統會有一套默認的溫度設定方案，從用戶第一天使用該系統起，系統便開始記錄用戶近50 天每天每半小時的設置數據，包括用戶對空調的開關、開空調時設置的溫度、以及當時的時間、室內氣溫和用戶是否存在等數據。每更新一次數據，后臺便將這些數據送入BP 神經網絡算法中處理并預測接下來是否需要為用戶提前打開空調或設定溫度，此為智能預測。當主控制臺發現預測的結果與來自傳感終端的實際情況不符合時(例如用戶生病未能正常上班而在家休養，或氣溫反常等)，系統會相應的調整控制空調的操作，這是突發情況處理。

圖2 系統硬件結構圖

圖3 是主控制臺智能化處理機制原理圖。

圖3 智能化處理機制邏輯圖

2.3 溫度預測算法

為了實現上述的智能預測功能，本系統采用BP神經網絡算法［12-13］。該算法基于非線性不確定性數學模型，是一種具有連續傳遞函數的多層前饋人工神經網絡，訓練方式為誤差反向傳播算法，并以均方誤差最小化為目標不斷修改網絡的權值和閾值，最終能高精度地擬合數據［14］。BP 算法由兩部分組成:信息的前向傳遞和誤差的逆向傳播。

2.3.1 信息的前向傳遞

設輸入層神經元為X =［x1，x2，…，xp］，隱含層神經元為S=［s1，s2，…，sq］，輸出層神經元為Y =［y1，y2，…，yr］。表示輸入層第k 個神經元與隱含層第j個神經元的連接權值，表示隱含層第j 個神經元與輸出層第i 個神經元的連接權值，φ()為激活函數。隱單元的輸入

相應的輸出狀態

隱含層以同樣方式傳遞至輸出層

網絡的最終輸出

其中:激活函數φ()常取階躍函數、分段線性函數、對數S 型傳遞函數等。

2.3.2 誤差的逆向傳播

輸入具有p 維輸入q 維輸出的N 個樣本進入輸入層，計算實際輸出與期望輸出均方跟誤差。將第h 個樣本的理想輸出計為{}，

如果E(W)沒有達到誤差要求ε，則進入反向傳播過程，把輸出誤差信號E 以梯度形式，按原來正向傳播的通路逐層反向傳回，并將誤差信號E 分攤給各層的所有神經元作為修正各連接權值和閾值的依據對其修改，并反復運行信息的正向傳播和誤差逆向傳播兩過程，直至誤差信號E 收斂于ε［15］。

3 實驗分析

我們在Matlab 中對該算法進行了如下驗證［16］:

3.1 選取樣本數據

用于訓練網絡的樣本數據由5 個部分組成:時間段，是否檢測到人，氣溫，空調開關，空調設定溫度。其中時間段，是否檢測到人，氣溫為神經網絡輸入量，空調開關，空調設定溫度為輸出量。將24 h 進行48 等分，每一部分為30 min，作為一個控制周期。人物存在與否的概率依賴于時間段。空調開關和人物存在，氣溫相關。空調設定溫度為氣溫的函數。一共選取了2 400個樣本作為訓練數據。

3.2 神經網絡的選取

采用BP 神經網絡，分成三層:輸入成3 個結點，分別對應3 個輸入變量;輸出層2 個結點，對應2 個輸出變量;中間層經過優化，選取20 個結點用于訓練。相鄰兩層之間激活函數均采用對數S 形轉移函數，訓練函數采用梯度下降自適應學習率訓練函數，迭代次數為1 000 次。

3.3 選取測試數據進行測試

測試數據的生成方法同樣本數據，共2 400 個測試樣本。將測試數據中的“時間段”，“是否檢測到人”和“氣溫”輸入到由樣本訓練出的神經網絡中，得到2個輸出量空調開關和空調設定溫度。將輸出結果和測試數據作比較，開關預測誤差和溫度預測誤差如圖4所示。

圖4 預測誤差

經計算，神經網絡對空調開關預測的準確度為92%，對溫度控制預測的平均誤差為0.846 8 ℃。由此可見，采用BP 神經網絡模型可以實現較高精度的智能預測。

在系統中，通過持續將用戶設定數據放入神經網絡中進行訓練，網絡會逐漸訓練成型，并可進入自動運行狀態。同時，來自各傳感器的數據也將在系統自動運行時幫助修正控制偏差，進一步完善網絡。

4 結 語

經過測試，采用BP 神經網絡預測算法的智能溫度控制系統運行良好，智能化程度高，數據傳輸穩定，控制精準，能夠適配大部分空調。當然，該系統離普及使用還有一段距離，將系統精簡化、美觀化將是我們下一階段的研究重點。

［1］ 萬文斌，石 勇.基于ZigBee 的智能開關控制系統的應用與設計［J］.電氣自動化，2010，32(3):57-59.

［2］ 蔣 挺，趙成林.紫蜂技術及其應用［M］.北京:北京郵電大學出版社，2006.

［3］ Texas Instruments. CC2530 datasheet［EB/OL］. ［2013-01-05］.http://www. ti. com. cn/product/cn/CC2530/technicaldocuments?keyMatch=CC2530＆tisearch=Search-CN-Everything.

［4］ 徐書芳，王金海，宮玉龍，等.基于ZigBee 的智能家居控制系統的研究與設計［J］.電子技術應用，2013，39(8):80-83.

［5］ 姜 仲，劉 丹.ZigBee 技術與實訓教程:基于CC2530 的無線傳感網技術［M］.北京:清華大學出版社，2014.

［6］ 祝良榮，金永敏. 基于ZigBee 無線技術的分布式溫度監測系統［J］.機械與電子，2010(3):49-51，56.

［7］ 深圳市捷深科技有限公司. HC-SR501 人體感應模塊說明書.［EB/OL］.［2011-06-14］. http://cn. sonhoo. com/company_web/sale-detail-5462755.html.

［8］ 曹 帥，劉純天.基于Zigbee 與紅外遙控技術的家居無線控制網絡設計［J］.機電產品開發與創新，2010，23(1):149-151.

［9］ 胡 衡，梁嵐珍.基于ZigBee 和ARM 的溫室大棚多點溫度采集系統的設計［J］.江蘇農業科學，2014(7):416-419.

［10］ 韋東山.嵌入式Linux 應用開發完全手冊［M］. 北京:人民郵電出版社，2008.

［11］ 韓少云，奚海蛟，諶 利.基于嵌入式Linux 的Qt 圖形程序實戰開發［M］.北京:北京航空航天大學出版社，2012.

［12］ 蔣宗禮.人工神經網絡導論［M］.北京:高等教育出版社，2001.

［13］ 陳祥光，裴旭東.人工神經網絡技術及應用［M］.北京:中國電力出版社，2003.

［14］ 李曉峰，劉光中.人工神經網絡BP 算法的改進及其應用［J］. 四川大學學報(工程科學版)，2000，32(2):105-109.

［15］ 劉春艷，凌建春.GA-BP 神經網絡與BP 神經網絡性能比較［J］.中國衛生統計，2013，30(2):173-176，181.

［16］ 劉保柱，蘇彥華，張宏林.MATLAB 7.0 從入門到精通(修訂版)［M］.北京:人民郵電出版社，2010.