基于Zigbee的智能環境控制系統

夏中林

摘要：本文根據某電子集團工作環境的問題，提出并實現了基于Zigbee、神經網絡技術的智能環境監控調節系統，并簡略介紹系統中Zigbee節點的硬件構成和軟件實現，以及神經網絡算法的訓練實現。經實踐表明，該系統能根據工作環境中溫度、濕度、VOC氣體濃度、當班職員信息，輔助管理人員分析制定中央空調等設備控制策略并執行，能顯著提高工作環境的舒適性，降低空調等設施的能耗。

關鍵詞：Zigbee；神經網絡；CC2530

中圖分類號：TM63 文獻標識碼：A 文章編號：1007-9416（2018）07-0010-01

1 引言

環境是人們工作、生活的重要基礎條件，但在工業環境中大量存在焊接、粘合、老化測試等制造環節，造成一些區域存在溫度較高、有害氣體濃度較大等情況。對此某電子集團啟動了智能環境監控調節系統項目，該項目使用Zigbee技術監測環境的溫濕度、揮發性有機化合物（VOC）等信息，使用神經網絡技術根據環境和人力數據對中央空調、新風風量等進行動態輔助調節，為員工提供了一個健康、舒適的環境，并顯著降低了相關設備能耗。

2 系統總體設計

本系統分為感知控制層、連接處理層、展示控制層。感知控制層由具有多種感知控制模塊的ZigBee節點組成，該層傳感器節點通過自組網的方式向連接處理層網關傳送感知信息并獲取控制信息。連接處理層由網關和數據中間件組成，用于對數據和控制信息進行轉換解釋，以及對接考勤系統獲取人員信息。展示控制層由數據庫服務、智能控制核心和web服務組成，可將環境、設備信息通過圖表等的方式向用戶展示運行情況，并通過智能控制核心分析制定控制策略，輔助管理人員控制執行。

3 Zigbee節點設計

3.1 節點硬件設計

節點的微處理器需要完成Zigbee網絡的組建與維護，各個節點間、節點與網關之間的無線通訊，以及傳感器數據的采集、外設的控制等工作，并需考慮維護、抗干擾能力等因素。因此，選用TI公司的CC2530F128做為核心處理器，該芯片自帶無線收發，從硬件上支持IEEE 802.15.4、Zigbee和RF4CE應用，自帶低功耗的8051內核、高性能RF收發器。本次將CC2530與外圍晶振電路、巴倫匹配電路和天線組成高靈敏、抗干擾強的最小化系統。

節點以CC2530微處理器為核心，可根據不同需求掛接不同功能器件，包括溫濕度傳感器、VOC氣體傳感器、光敏傳感器、繼電器控制和485通訊接口。其中溫濕度傳感器通過單通道串行方式與CC2530連接提供溫濕度數據，VOC氣體傳感器通過CC2530的ADC接口經模數轉換提供氣體濃度信息，光敏傳感器通過上連上拉電阻連接到CC2530的輸入引腳提供環境工作狀態，繼電器控制電路通過下拉電阻連接到CC2530輸入引腳驅動外部電機設備。

溫濕度傳感器選用DHT11，用于系統判斷是否處于合適的人體舒適環境。這是一種含有已校準數字信號輸出的溫濕度傳感器，可測量相對濕度20%-90%RH、攝氏溫度0-50℃，傳感器包括一個電阻式感濕元件和一個NTC測溫元件，并與一個高性能8位單片機相連接[1]。同時DHT11具有響應速度快、抗干擾強等優點。

VOC氣體傳感器選用MS1100來感知周圍環境中的揮發性有機物（VOCs）濃度，用于系統判斷是否需要置換空氣。MS1100是一種VOC電阻型傳感器，對甲苯、甲醛、酒精等有機氣體靈敏度高，能達到0.1ppm，并具有穩定性高、連續工作時間長等優點。

光敏傳感器選用GL5516光敏電阻獲取環境明暗信息，用于系統判斷是否有人在工作。繼電器控制電路選用ULN2003驅動繼電器控制外設電機工作，用于系統控制新風系統換氣、區域送風量。485通訊接口選用MAX3488E將CC2530的串行信號轉換成標準485信號，用于系統控制中央空調。

3.2 節點軟件設計

傳感器網絡節點分為兩類：簇頭節點和普通節點，其具體類型通過自由競爭決定。普通節點功能較少，僅有比較加入附近簇、定期將VOC濃度等環境信息上傳、按控制指令進行外部設備控制等功能。簇頭節點較普通節點增加建立簇、管理簇內節點的功能以及簇內數據融合等功能。

本系統中節點的軟件采用TI的Z-Stack-CC2530協議棧開發。該協議棧是TI公司推出的遵守Zigbee2007規范的協議棧，它可以兼容IEEE802.15.4/Zigbee的CC2530片上系統解決方案[2]。節點在通電啟動后，通過ZMain中的main函數依次對底層硬件和軟件系統進行初始化，然后載入OSAL任務，初始化各感知控制模塊、進行自組網管理、數據收發以及外設控制等。

4 智能控制核心

智能控制核心采用基于BP多層神經網絡算法來制定系統調節策略。本次BP算法采用三層神經網絡，包括輸入層、輸出層以及一層隱層。對于廠房環境主要考慮溫度因素，由于廠房環境相對封閉應遵循能量守恒定律：

房間內熱量=進入室內空氣熱量+室內外交換熱量+設備人員的散熱量-外排空氣熱量

而人體熱量模型參考靜態熱舒適方程：

人體新陳代謝率-人體所做功率=呼吸散熱量+皮膚散熱量+人體蓄熱率。

因此，輸入層輸入僅從全局考慮當班人員數量、人體散熱、機械和電腦等設備散熱以及設備工藝的VOC等數據即可。控制模型訓練初期使用歷史天氣、人員和能耗數據進行，試運行階段直接使用真實數據訓練。經多種方法比較以及權重、閥值、神經元數量和訓練次數等參數的調整和對比，最終使用自適應學習率加速BP算法收斂，確定隱層神經元為16以及散熱權重等。

5 結語

本系統雖然在智能控制核心未訓練好前出現較大電能消耗和局部舒適度不佳的情況，但經四個月個多月的試運行優化調整后，誤差和預測效果趨于穩定，能有效根據廠房環境中的溫度、濕度、VOC氣體參數、當班職員等信息，分析并輔助控制中央空調、風閥、風機等，為工作人員提供舒適的工作環境，并顯著降低中央空調等設備能耗。

參考文獻

[1]王志宏，白翠珍.基于DHT11的實驗室多點溫濕度報警系統設計[J].山西電子技術，2011，（4）：45-46.

[2]龍惟定，潘毅群，白瑋.智能建筑的室內生態環境[J].暖通空調，2001，31（4）：75-78.

[3]蒲泓全，賈軍營，張小嬌，等.Zigbee網絡技術研究綜述[J].計算機系統應用，2013，（9）：6-11.

[4]趙李明.基于遺傳算法和BP神經網絡的廣州市空氣質量預測與時空分布研究[D].江西理工大學，2016.