基于NB-IoT 的受限空間有害氣體監測預警系統設計

郭昊陽，楊志冰，殷曉佳，曹 雄，秦清風，于晨曦，王 博

（中北大學 環境與安全工程學院，山西 太原 030051）

0 引 言

受限空間是指封閉或者部分封閉，與外界相對隔離，出入口較為狹窄，作業人員不能長時間在內工作，自然通風不良，易造成有害、易燃易爆物質積聚或者氧含量不足的空間。

據統計數據顯示，僅在2021 年上半年，全國已發生16 起受限空間事故，累計造成39 人死亡、15 人受傷。從2021 年6 月到2022 年5 月，一年時間內，僅環保行業就已發生至少13 起中毒窒息類事故，導致45 人死亡。在有毒有害氣體引發的中毒事故中，若搶救及時，可以挽救窒息人員生命，但長時間的窒息會對身體器官尤其是大腦造成不可逆的傷害。若未能及時搶救窒息人員，就會發生人員死亡的悲劇。傳統的探測方式需要人員佩戴氣體檢測儀進入受限空間，存在成本較高、數據無法互通、無法預測氣體變化趨勢的問題。

隨著物聯網技術的發展，采用無線組網的氣體監測系統開始出現。例如，Jabbar 等[1]設計了一種基于LoRaWAN 的室外空氣質量監測系統；洪濤等人[2]設計了基于STM32 和CC1101 的受限空間關鍵氣體濃度檢測系統。而隨著此類系統的日漸成熟，部分學者開始將神經網絡等機器學習方法融入其中。例如，寶銀曇[3]設計了基于ZigBee 和RBF 神經網絡的礦井通風質量預測方法。目前，物聯網技術及機器學習算法正不斷發展，本文結合阿里云物聯網平臺以及神經網絡、高斯過程回歸算法等機器學習算法，設計了基于NB-IoT 的受限空間有害氣體檢測物聯網系統。此系統具有有害氣體監測、時間序列預測、可視化平臺展示等功能，具有低功耗、自動化程度高、自適應性強等特點。

1 系統總體設計

本系統為針對受限空間的有害氣體監測系統（有害氣體為二氧化碳、甲烷和硫化氫）。系統包括探測終端、阿里云物聯網平臺、神經網絡終端以及可視化應用4 個部分。探測終端探測有害氣體濃度，并將探測結果整合成數據包后通過NB-IoT 網絡上傳至阿里云物聯網平臺。NB-IoT 即窄帶物聯網，可在現行的2G、3G 及4G 網絡上部署，具有覆蓋范圍廣、網絡增益高、設備功耗低以及建設與運行維護成本低等特點[4]，可以滿足如地窖、窖井等受限空間內部的網絡需求。

平臺在收到探測終端上傳的數據包后，會將該數據包復制并發送至神經網絡終端。神經網絡終端會對探測器上傳的數據進行處理，使用RBF 神經網絡及高斯過程回歸方法得出監測點所在位置處有害氣體濃度的未來值。處理結果將被打包回傳至阿里云物聯網平臺。

可視化應用基于阿里云IoT-Studio 搭建，可查看各氣體濃度的實時值與歷史曲線，若其中的某一/某些參數超標，則會在對應數據卡片的下方顯示告警/超標信息。圖1 為系統總體結構。

圖1 系統總體結構

2 探測終端設計

2.1 探測終端硬件設計

氣體傳感器電路：包括MG-812 二氧化碳傳感器、MQ-4甲烷傳感器、MQ-136 硫化氫傳感器。其中，MG-812 的輸出電平與CO2濃度成反比，而MQ-4 和MQ-136 的輸出電平與CH4、H2S 的濃度成正比。氣體傳感器的模擬值輸出引腳與單片機的ADC 引腳連接。

單片機及其外圍電路[5]：采用STM32F103RCT6 作為處理器，該單片機擁有256 KB 儲存空間以及48 KB RAM，工作電壓為3.3 V，主頻為72 MHz。單片機負責讀取連接在ADC 引腳上的3 種氣體傳感器的電平并進行計算，然后整合為供BC-26 模塊發送的數據包。外圍電路由5 V 轉3.3 V降壓電路、晶振、復位電路、串口通信電路、傳感器連接電路與ST-Link 電路構成。

NB-IoT 模塊及其外圍電路：采用BC26-NC-04-STD 作為NB-IoT 發送模塊，該模塊支持MQTT 協議，具有高靈敏度、低功耗的特點[6]。NB-IoT 模塊負責將探測終端通過連接至阿里云物聯網平臺，并將單片機整合的數據包進行上傳。外圍電路由供電電路、SIM 卡電路、電平轉化電路、射頻電路組成。圖2 為電路結構。探測終端性能參數見表1 所列。

圖2 電路結構

表1 探測終端性能參數

2.2 探測終端程序設計

程序開發環境為Visual Studio 2019+Keil uVision5。程序分為3 部分：傳感器采集程序、單片機主程序、BC-26 模塊程序。傳感器采集程序負責讀取氣體傳感器對應ADC 引腳上的電壓，并將采集數據經過傳感器特性函數計算后返回計算結果，供主程序進行調用。單片機主程序負責初始化串口，開啟BC-26，獲取傳感器引腳的輸出電平，根據傳感器特性曲線的擬合函數進行氣體濃度計算，并將其以10 s 的頻率轉發至BC-26 模塊發送程序。BC-26 模塊程序將設備連接至阿里云，并將主函數轉發的數據進行打包與上傳。圖3 為探測終端程序流程。

2.3 探測終端外殼設計

外殼的3D 模型使用SpaceClaim 軟件進行建模。底部的結構包括螺柱固定孔、水泥釘預留孔、底面以及電路板固定孔。頂部設有大量間距2 mm、寬2 mm 的格柵，保證有害氣體的流入流出，同時留有調整接線端子的通孔，側面預留有接線/插入USB 數據線的通孔，內部有固定傳感器的支柱。探測終端實物如圖4 所示。

圖4 探測終端實物

3 神經網絡終端設計

在系統運行過程中，神經網絡終端會下載探測器上傳至物聯網平臺的信息，并保存至本地，進行數據處理后，再傳輸至物聯網平臺用于可視化展示。下載與上傳所用程序均為使用Python 編寫的含MQTT 協議的開源程序，程序中包含阿里云物聯網提供的aliyun-iot-linkkit 模塊。數據處理在電腦端完成，處理速度快，且可額外添加其余處理算法，自定義性高。本文以二氧化碳濃度的預測為例展示該部分的運作原理。

本項目采用的2 種方法分別為啟發式算法[7]中的神經網絡算法和統計學算法中的高斯過程回歸方法[8]。高斯過程回歸方法在時間序列預測分析中被廣泛應用[9-11]，本次回歸訓練所用程序基于MATLAB 自帶的predict 函數，參數選擇GPR 模型。

系統預測過程中，選擇使用最新的80 個數據組成預測中的訓練集，預測未來40 個時間序列的值，訓練集與預測集的數量在系統中可更改。在預測算法部分，神經網絡搭建的自回歸函數還需要考慮回歸階數，本次選用自回歸函數為：

神經網絡作為一種淺層的機器學習算法已在未來值預測中被廣泛使用[12]，選擇此算法的原因在于其擁有較高的準確性和自適應性。但實際應用時存在弊端，在少數預測過程中，出現預測結果遠大于訓練集中氣體濃度數據的情況（千倍到百萬倍），遠不符合濃度變化趨勢。為解決該問題，本文引入高斯過程回歸。

高斯過程回歸的結果最終會接近收斂。因此，本系統的預測值獲取邏輯為：當時間序列神經網絡未出現過擬合現象時，比較神經網絡與高斯過程回歸的預測結果（置信區間上限），取最大值作為最終結果。當時間序列神經網絡產生過擬合現象時，采用高斯過程回歸的預測結果作為最終結果。

本文將使用一組實際探測數據以及一組模擬數據對預測效果進行檢驗。首先是實際探測數據方面，使用的時間序列包含500 個濃度數據，探測地點為封閉不透明箱體內部，二氧化碳釋放源為盆景植物長壽花。在一組預測中，將預測集的最后一個數據與實際探測數據中相應位置的數據作對比，用以衡量預測效果的好壞，結果如圖5 所示。

圖5 實際探測數據預測結果

圖5 中已去除產生過擬合現象的神經網絡預測結果。高斯過程回歸的預測平均相對誤差為1.45%，而神經網絡的預測平均相對誤差為1.52%。結果表明，在二氧化碳濃度變化不大的實際場景中，預測值偏差較小，即不會產生過大的預測結果導致物聯網平臺誤報警。

在系統的測試過程中，有害氣體濃度的采集時間較短，故所得濃度數據變化趨勢不大。而在實際應用場景中，探測器終端上傳數據間隔時間長達數小時，會產生較大的氣體濃度變化。因此引入一段上升趨勢較大的氣體濃度時間序列來模擬真實情況，在此基礎上加入正態分布的隨機誤差來模擬探測器的探測誤差，結果如圖6 所示。

圖6 模擬數據預測結果

從圖6 中可以看出，對于較為平滑的、有增長趨勢的濃度變化，兩種算法能較好地預測其結果，高斯過程回歸算法的預測結果大多在真實值下方，而神經網絡算法的預測結果相反。高斯過程回歸的預測平均相對誤差為6.68%，神經網絡預測平均相對誤差為6.71%。從結果來看，兩種算法均能承擔預測任務。

4 可視化應用設計

可視化應用基于阿里云IoT-Studio 進行開發。登錄可視化應用后可在PC 端網頁查看探測終端上傳的各氣體濃度的當前值/歷史值曲線，也可查看神經網絡返回的實時平面內最大濃度、各設備的未來濃度、未來平面內最大濃度及其歷史值曲線與各設備狀態。可視化應用主頁如圖7 所示。

圖7 可視化應用主頁

可視化應用可具體查看各設備的報警信息及神經網絡返回值的報警信息。應用詳情頁將在系統測試部分展示。為使數據更加直觀，應用采用ppm（百萬分比）作為氣體濃度單位。

報警信息分為3 類：氣體濃度正常、氣體濃度有風險、氣體濃度已超標。報警信息的輸出邏輯如圖8 所示。

圖8 報警信息輸出邏輯

5 系統測試

5.1 探測終端氣體濃度監測測試

對探測終端的氣體濃度監測功能進行實驗，實驗場地為一居民樓內房間，面積為15 m2，且開啟了通風窗口。探測終端部署高度為40 cm。實驗時，將探測終端部署至實驗場地后開啟1 個探測終端，并通過可視化應用對探測結果進行監測。監測平臺為個人計算機，監測軟件為Microsoft Edge瀏覽器。圖9 為可視化應用顯示的二氧化碳歷史濃度曲線。結果表明，探測終端連接穩定，未出現連接斷開的現象，且可以及時對環境內氣體濃度的變化做出反應。

圖9 二氧化碳濃度實時監測頁面

5.2 神經網絡預測結果測試

在探測終端就緒后，開啟神經網絡對有害氣體濃度進行預測。回傳結果表明：探測終端周圍氣體的未來濃度穩定在0.2‰～0.5‰，且全程未出現異常值報告。

6 結 語

本文提出了一種基于神經網絡與窄帶物聯網的受限空間氣體監測預警系統。探測終端采用NB-IoT 與移動基站連接，可以滿足地窖、窖井、深井等地下受限空間的網絡要求，探測終端與云端通信穩定且延遲低，可及時、穩定地將氣體濃度數據上傳至阿里云物聯網平臺，并通過神經網絡終端進行可信度較高的預測。該系統可顯著改善受限空間內部的安全狀況，有效減少窒息中毒事故的發生。