基于神經網絡的物聯網設備環境監測技術研究

潘翔

摘 要： 通過物聯網的相關技術方法對設備工作環境中的煙霧、水浸、溫度和濕度四個參數進行采集和處理，再經過BP神經網絡的分析對設備工作的環境情況進行評價。仿真結果表明，采用該方法可以對環境參數進行有效的監控和預警，使得系統的使用者可以清楚明確地了解到當前環境的狀態。

關鍵詞： 物聯網； BP神經網絡； 環境參數監測； 設備環境

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2017）03?0012?03

Research on IOT equipment environmental monitoring technology

based on neural network

PAN Xiang

（Department of Computer， Guangxi Cadres University of Economic and Management， Nanning 530007， China）

Abstract： The parameters of smog， water logging， temperature and humidity in the equipment working environment are collected and processed by means of the related technical methods based on Internet of Things （IOT）， and analyzed by means of BP neural network to evaluate the equipment working environment. The simulation results show that the method proposed in this paper can monitor the environmental parameters effectively and issue an early warning according to the parameters， and let the system users understand the status of the current environment explicitly.

Keywords： IOT； BP neural network； environmental parameter monitoring； equipment environment

0 引 言

各種電子設備所處的環境對其工作性能和使用壽命有著重要的影響，所以目前人們開始越來越多的對設備工作環境進行監測。對設備環境進行有效的監測，一方面必須利用各種傳感器技術對溫度、濕度等環境參數進行準確及時的獲取和處理；另一方面，必須構建一個有效的分析監測模型，能夠對這些復雜的參數綜合表征的環境狀態進行評價和判斷。而這兩個方面都涉及許多技術難點，因此，本文參照目前比較新的研究思路，引入物聯網的相關技術和方法對溫度等四個環境因素進行準確的采集和處理，再利用BP神經網絡技術對獲得的數據進行分析，以判斷目前環境的情況，該方法具有實現簡單，監測準確率高的優點。

1 物聯網

1.1 物聯網的結構

物聯網是伴隨著計算機和互聯網技術的發展而出現的一個全新概念。它一般指采用多種智能傳感設備，諸如各種傳感器、射頻識別技術、GPS、激光或紅外探測器等各種裝置，實時采集任何需要監控、連接、互動的物體或過程，采集其聲、光、熱、電、力學、化學、生物、位置等各種需要的信息，與互聯網結合形成的一個巨大網絡，以進行信息交換和通信[1]。 一個完整的物聯網一般由感知層、網絡層和應用層組成，如圖1所示。

其中，感知層網絡的主要作用是對實體信息的感知，信息的采集和智能識別等功能；網絡層是人與人之間、人與物之間和物與物之間通信的傳輸媒介，主要向應用層提供安全可靠的傳輸機制；應用層的主要功能就是對網絡層傳輸的海量數據進行存儲、分析和智能處理等，根據不同的應用需求對數據進行處理[2]。

1.2 基于物聯網的設備環境監測原理

為了對設備的運行環境狀況進行實時監測，以使相關人員能夠清楚地了解到目前環境的狀況。本文通過物聯網，利用IPv6等無線通信技術，將各種傳感器、路由網絡和神經網絡系統等進行連接，從而實現對溫度、煙霧、水浸等環境參數的實時監測。

本文設計的監測物聯網主要由感知層的18個無線傳感器和應用層的BP神經網絡監測分析系統組成。在底層，各種不同的傳感器采集到的數據通過IPv6組成的無線網絡通過各自的路由器發送至無線網關，無線網關通過交換機與服務器相連，服務器接收到數據后，會利用構建好的BP神經網絡模型對這些數據進行整理分析，以判斷環境所處的具體狀態。

2 BP神經網絡

2.1 BP神經網絡的原理

BP神經網絡是一種前饋型誤差修正網絡，它通過不斷調整各個單元層之間的網絡權值和閾值實現網絡的訓練。BP神經網絡主要運行由信號的正向傳播和誤差的逆向傳播兩個過程組成，通過不斷地權重調整，可以實現網絡誤差的不斷縮小。

2.2 原始數據的獲得

位于底層的傳感器網絡一共包含4個路由器（含網卡）和18個無線傳感器（含3個水浸傳感器、4個煙霧傳感器、6個溫度傳感器和5個濕度傳感器）。通過傳感器和路由器組建傳感器的物聯網絡實現對環境信息的獲取，并上傳至數據處理中心。將各個類型傳感器收集到的數據分別進行加權平均，由于水浸和煙霧為簡單的“是否”問題，因此用0和1表示，結果如表1所示。

2.3 定義輸入和輸出樣本數據

定義輸入樣本數據，從表1的20組數據中選擇10組作為輸入樣本，在Matlab命令空間中輸入歸一后的數據，歸一化按照式（1）進行：

[yi=xi-minximaxxi-minxi， i=1，2…，n] （1）

本文直接調用Matlab軟件中的premnmx函數進行歸一化運算，經過歸一化后的評價指標[yi]在[0，1]之間。為了簡化仿真模型，特對輸出狀態進行編碼，模型輸出為評價環境的優、良、中、差、危險5種狀態，定義期望輸出向量如表2所示。

2.4 構建BP神經網絡模型

本文采用含一個隱藏層的神經網絡結構進行分析，由于輸入單元為4，輸出單元為5，根據經驗公式可選隱含層單元數為1～10之間的整數，采用試湊法得到了隱含層神經元與均方平均值（MSE）的曲線關系，如圖2所示。其中隱層神經元數目為9時，得到的MSE值最小為14，所以確定的隱含層神經元數為9。

2.5 BP神經網絡模型的訓練

在Matlab中代入這8組樣本向量對構建的網絡進行訓練，期望誤差設為10?6，訓練過程中，BP神經網絡誤差的變化形式如圖3所示。

由圖3可知，當訓練經過58次迭代之后，達到了滿意的誤差期望。獲得理想的神經網絡模型后，在剩余樣本中選擇8組數據對該BP神經網絡進行檢驗測試實驗，輸入主代碼：result_test=sim（net，ptest）[′]。

在Matlab中輸入表1中的所有數據，經過整理的結果如表4所示。

由表4可以看到，表中字體加深的數據，即第2組環境狀態為中，第四組環境狀態為良的檢測數據分別誤判為良和中。為了提高模型的檢測精度，將這兩組作為訓練樣本加入訓練集中，重新對網絡進行訓練，圖4是新構建的神經網絡訓練時使誤差下降的情況。

由圖4可知，增加這兩組數據后，模型的收斂速度獲得了提升，達到相同精度，僅需要33步即可收斂，表5是用剩下的8組數據進行檢測的仿真結果。

由表5可以看到，經過2次訓練后，本文構建的神經網絡對樣本的判斷結果均正確，對環境具有較好的監測功能。

3 結 論

本文主要研究了基于物聯網的設備環境監測方法，構建了能夠根據煙霧、水浸、溫度和濕度等環境參數準確判斷環境狀態的BP神經網絡模型。在仿真過程中發現將第一次訓練的錯誤數據代入原模型作為訓練樣本，并進行兩次訓練可以大大提高神經網絡模型的精度。系統可在環境參數出現異常狀況前告知使用者，從而避免事故發生，具有較大的實用意義。

參考文獻

[1] 劉飛.物聯網的應用分析研究[J].電子技術，2013（1）：12?18.

[2] 鄭偉.一種基于BP 神經網絡技術的物聯網監控預警系統設計與實現[D].北京：北京工業大學，2015.

[3] 王億之.神經網絡算法在物聯網中的應用研究[J].計算機應用研究，2015（3）：128?132.

[4] 林華.基于BP神經網絡改進算法的檢測方法[J].計算機工程，2015（8）：143?149.

[5] LI Zhigang， SHI Bowei. Application of improved BP network in failure forecasting [J]. Advanced materials research， 2012， 490： 373?377.

[6] 孫媛.差異物聯網設備下的數據分發模型仿真分析[J].計算機仿真，2016，33（3）：243?246.