基于物聯網的粉塵濃度數據采集優化設計

摘 要 針對無線傳感器網絡節點數據傳輸的耗能性和物聯網數據的海量性特點，提出一種LEACH協議和線性回歸模型相結合的PM2.5數據采集優化檢測系統。該系統以PM2.5粉塵濃度傳感器為檢測節點，通過研究基于物聯網感知層的數據融合算法，提出將線性回歸模型與簇狀網絡結構相結合，構建系統函數，實現節點間相關參數的傳輸，減少了網絡的總能耗，延長了網絡生命周期。仿真結果表明：所提數據融合策略達到了節能高效、優化采集數據的目的。

關鍵詞 數據采集 PM2.5 物聯網 線性回歸模型 分簇結構 海量數據傳輸 節能 網絡生命周期

中圖分類號 TP274+.2；TN919? ?文獻標識碼 A? ?文章編號 1000?3932（2023）02?0194?05

PM2.5粉塵濃度的實時監測和及時預報對環保部門采取相關應對措施具有重要意義。物聯網在環境監測領域應用廣泛，增強了監測數據的質量［1］。在PM2.5監測系統中，無線傳感器網絡具有計算、存儲功能和無線傳輸節點數據的能力，是物聯網感知層的重要組成部分［2～4］。采用簇狀結構對傳感器檢測節點數據進行融合，實現減少數據發送量、優化數據采集質量的目的［5］。文獻［6］在路由協議分簇結構中引入神經網絡模型對傳感器節點采集的數據進行融合處理；文獻［7］通過構建局部感知數據的線性回歸模型來表示和預測傳感器節點實際感知數據監測值，減少了傳感器節點間頻繁數據傳輸帶來的通信開銷，以較少的網絡能耗實現有效的感知數據預測和估計；文獻［8］提出一種自適應的協作數據傳輸方法，該方法根據簇頭與基站的距離選擇傳統的單輸入單輸出（Single Input Single Output，SISO）傳輸模式或者協作傳輸模式，以提高網絡的能量效率。

針對物聯網監測海量數據傳輸和高能耗問題，提出基于物聯網感知層的PM2.5數據采集優化策略，將線性回歸模型引入LEACH算法中，構建線性回歸模型優化PM2.5傳感器節點數據，采用簇狀網絡結構完成傳感器檢測節點數據融合處理，通過僅傳遞回歸模型參數實現PM2.5檢測網絡高效節能、延長網絡壽命并提高數據收集率。

1 系統模型的建立

在PM2.5檢測系統中，線性回歸分析模型可以實現環境數據規律的分析，并結合相關因素預測被測數據的發展趨勢。將回歸分析與無線網絡相結合，在節點加入回歸分析算法，實現節點對采集數據進行初步有效的處理，減少節點發送冗余數據，有效減小節點能量損耗，降低后期數據處理的復雜度。

據式（13）繪制的系統回歸模型擬合曲線如圖1所示。

3 實驗與結果分析

3.1 系統模型有效性分析

針對系統回歸模型有效性分析，在室外布置PM2.5激光濃度傳感器，每10 min執行一次濃度數據采樣。取3 d內同時間段的20個采樣點數據進行回歸模型擬合及分析（分別標記為數據1、數據2、數據3）。將同一時間段內20個PM2.5粉塵濃度傳感器的檢測數據代入回歸模型解算回歸曲線，結果如圖2所示，可以看出，回歸曲線可較準確、清晰地表示出每天檢測數據的變化趨勢。

為了對比數據誤差，將檢測值與預測值相對誤差絕對值進行對比，分析圖3可知，檢測數據和預測數據最大相對誤差為2.0%。根據我國環境監測司制定的《大氣PM2.5網格化監測技術要求和檢測方法技術》指南進行本系統測量數據分析，對于PM2.5粉塵濃度檢測，要求在同一時間段內檢測系統測量的相對誤差不超過20%，因此線性回歸模型應用于檢測對象是線性或呈線性變化的系統，其擬合結果是穩定、理想的。

本系統模型擬合曲線結果的有效性以實測值與預測值間的均方根誤差作為評判標準，其均方根誤差ω計算方法如下：

在同一時間段，取濃度采樣個數分別為10、30、60、80，根據建立的系統函數模型，解算的線性回歸曲線如圖4所示。

由式（14）得到不同采樣點個數的均方根誤差如圖5所示。

圖5表示采集數據個數與擬合曲線的精確度非一次線性比例關系，因預測數據的準確度和數據的離散程度有一定關系，采樣次數過多或過少都可能影響最終數據的離散程度，從而影響擬合曲線的準確性，使得均方根誤差增大或減小，故在系統應用時需綜合考慮來確定采樣時間點個數。

3.2 系統模型對無線網能量損耗仿真分析

根據LEACH能量消耗模型，在傳輸距離d內檢測節點發送g bit數據流消耗的能量E（g，d）為：

其中，E表示發射電路能耗，ε為自由空間衰減模型時放大器能耗。信號在無線信道中傳輸的能耗與距離d成正比，在短距離無線傳輸時r=2，長距離傳輸時r=4，本系統中取r=2。

接收g bit數據所需能量由電路能耗產生，則接收的總能量E（g）為：

其中，發送電路與接收電路處理1 bit數據的能耗E=50 nJ，放大器向單位面積發射1 bit數據的能耗ε=100 pJ［9］。

在計算無線網能耗時，將數據融合的能量計算到能耗中，則該值與融合的數據包個數及包內比特數成正比。簇頭節點壓縮n個非簇頭節點，發送g bit數據的能耗E（g，n）為：

其中，E為每個簇內節點發送數據的能耗。

基于分簇算法，采用MATLAB對系統模型進行仿真分析，簇頭收集且融合其他非簇頭節點數據發送給基站，使網絡能耗大幅降低，并且延長了網絡壽命，同時簇頭節點會更早釋放［10，11］。實驗中，在長、寬均為100 m的正方形區域內隨機分布100個傳感器檢測節點，傳感器檢測節點（○）和匯聚節點（+）的分布如圖6所示。

與平面路由協議相比，LEACH協議的數據分層轉發機制所消耗的能量極小［12］。本系統中，在LEACH協議中引入線性回歸函數，簇內節點將檢測數據發送給簇頭，簇頭接收檢測數據的同時計算系統模型相關參數，傳遞回歸模型參數給基站。設每個檢測節點初始能量為0.5 J，采用無線通信能像衰減模型，在1 500個仿真周期中，系統節點能耗和節點存活情況如圖7、8所示。

通過分析圖7、8的實驗仿真結果可知，在算法能耗上引入回歸函數的LEACH算法相較于原LEACH算法能耗更低。基于簇狀網絡結構對數據進行融合引入回歸算法，可有效減少簇頭和節點間數據的傳輸量，降低簇頭能耗，使整個系統能耗減小，實現網絡生命周期的延長。

4 結束語

筆者提出一種基于PM2.5檢測物聯網感知層的線性回歸模型，采用簇狀網絡結構對數據進行融合處理，建立容錯機制，在PM2.5傳感器節點和簇頭之間僅傳遞系統模型系數參數，不斷更新系統模型，優化參數。通過研制開發的PM2.5粉塵濃度檢測系統，搭建實驗平臺，獲取實驗數據，并利用MATLAB仿真軟件進行數據理論驗證分析，結論是：所建模型可有效預測檢測區域內PM2.5粉塵濃度的變化，檢測數據相對誤差為2.0%，在《大氣PM2.5網格化監測技術要求和檢測方法技術》指南規定的誤差范圍20%之內，達到了PM2.5粉塵濃度數據穩定采集優化的目的；基于簇狀網絡結構對數據進行融合引入回歸算法，減少了檢測網絡的能耗，延長了檢測網絡生命周期，實現了系統模型的高效性和可行性。

參 考 文 獻

［1］ 李鵬，張瑞霞，王賽超.基于物聯網技術的大氣環境監測系統研究［J］.信息通信，2013（8）：59-60.

［2］ 王文博，趙培陸，梅笑冬，等.基于ZigBee的無線傳感器網絡大氣監測系統設計［J］.傳感器與微系統，2014，33（2）：83-86.

［3］ 仲元昌，湯寶平，譚春祿，等.用于大氣環境監測的無線智能傳感器陣列研究［J］.通信學報，2008，29（6）：137-140.

［4］ 王文君，龐敏.無線傳感器網絡在環境監測中的應用［J］.智慧中國，2022（6）：80-81.

［5］ 李新煒.基于簇狀結構的無線傳感網多徑路由協議研究［J］.計算機仿真，2018，35（3）：205-209.

［6］ 孔玉靜，侯鑫，華爾天，等.基于BP神經網絡的無線傳感器網絡路由協議的研究［J］.傳感技術學報，2013，26（2）：246-251.

［7］ 宋欣.面向無線傳感器網絡的分布式數據收集關鍵技術研究［D］.沈陽：東北大學，2015.

［8］ 杜維，周雯.無線傳感網絡的自適應協作數據傳輸方法［J］.移動通信，2020，44（12）：67-72.

［9］ 宋欣，王翠榮.基于線性回歸的無線傳感器網絡分布式數據采集優化策略［J］.計算機學報，2012（3）：568-580.

［10］? ? SINHA A，CHANDRAKASAN A.Dynamic power man?agement in wireless sensor networks［J］.IEEE Selected & Test of Computer，2011，18（2）：62-74.

［11］ 梁壯，李剛，雷麗婷.基于優化簇頭選舉的WSN分簇路由協議研究［J］.溫州大學學報（自然科學版），2020，41（2）：47-54.

［12］ 李建洲，王海濤，陶安.一種能耗均衡的WSN分簇路由協議［J］.傳感技術學報，2013，26（3）：396-401.

（收稿日期：2022-11-04，修回日期：2022-12-19）

Optimal Design of Dust Concentration Monitoring Data?Collection Based on Internet of Things

LIU Min

（College of Electronics and Information Engineering， Xian Technological University）

Abstract? ?Wireless sensor network is Iots important means to get monitoring data. Considering energy consumption in the data transmission from wireless sensor network nodes and the datas massive nature of the Internet of Things， an optimal monitoring system which combining LEACH protocol and linear regression models for PM2.5 data collection was proposed. The system takes PM2.5 dust concentration sensors as detection nodes. Through studying the data fusion algorithms based on the IoT sensing layer， combining linear regression model with a clustered network structure was proposed to construct a system function that enables relevant parameters transmitted between nodes， reduces total energy consumption of the network and increases the network life cycle. Simulation results show that， the proposed data fusion strategy achieves energy efficiency and optimization of the data collection.

Key words? ?data collection， PM2.5， IoT， linear regression model， cluster structure， mass data transmission， energy saving， network lifecycle

作者簡介：劉敏（1987-），工程師，從事檢測技術與儀器、非接觸測量的研究，liuminfly@163.com。

引用本文：劉敏.基于物聯網的粉塵濃度數據采集優化設計［J］.化工自動化及儀表，2023，50（2）：194-198.