一种多路径智能化室内安全检测系统及方法与流程

1.本发明涉及无线通信网络技术领域，具体涉及一种多路径智能化室内安全检测系统及方法。


背景技术：

2.在当前社会中，室内环境的安全性显得尤为重要，例如在室内环境下，人体容易出现co气体中毒的现象以及室内环境失火的情况，严重威胁人的生命财产安全；现代人们下班回家很少关注室内环境安全性的问题，而目前市场上对于室内环境安全性的检测技术较少，因此本发明设计一种多路径智能化室内安全检测系统及方法，可以让人们在家里办公或休息的情况下，随时从pc机或手机端感知周围室内环境是否安全，并作出预警。


技术实现要素：

3.为了解决上述背景技术存在的问题，本发明提出一种工作效率高、灵活、能大规模应用的一种多路径智能化室内安全检测系统及方法。
4.本发明解决其技术问题所采用的技术方案如下：
5.一种多路径智能化室内安全检测系统，包括用于接收和处理数据的主控制器、用于监测室内环境的检测模块、用于显示结果的显示模块、用于存储数据的存储模块和用于报警的报警模块，所述主控制器分别与检测模块、显示模块、存储模块和报警模块相连；
6.所述主控制器通过wifi模块与机智云通信，机智云与智能终端设备通信，智能终端设备远程监测室内环境状态；
7.所述主控制器通过无线通信模块与pc机通信，将接收的数据传输至pc机，pc机端通过bp神经网络对传输上来的数据进行分析预测，并做出判断。
8.进一步的，所述wifi模块包括两种通信模式，一种为点对点的ap模式，实现手机直接对主控制器进行通讯，另一种为经由路由器建立局域网的sta模式，先将wifi模块连接到互联网，然后手机通过互联网对主控制器进行远程通信。
9.进一步的，所述检测模块包括温湿度检测模块、一氧化碳传感器模块和视频监控模块。
10.利用上述系统进行室内安全检测的方法，其特征在于包括如下步骤：
11.步骤s1检测模块对室内环境进行实时监测获取环境相关数据；
12.步骤s2主控制器接收步骤s1中的数据并进行处理后，通过显示屏显示结果，若处理后得到的数值超过设定值，则触发报警模块进行报警，同时采取相应的措施进行室内环境调节；
13.步骤s3主控制器通过wifi模块将检测模块获得的数据传输至智能终端设备，通过智能终端设备远程监测室内环境；
14.步骤s4主控制器通过无线通信模块将检测模块获得的数据传输至pc机端；
15.步骤s5pc机端通过训练后的bp神经网络对传输上来的数据进行分析预测，并做出
判断。
16.进一步的，所述步骤s2中当主控制器接收的温度、湿度以及一氧化碳浓度值任意一项不在预设范围内，则触发报警模块报警；当室内温度超过预设最大值，报警模块报警后，声控开关相应，打开风扇对室内进行降温处理，当室内温度低于预设最小值，则启动加热装置进行加热；当室内湿度超过预设最大值，则启动除湿装置降低湿度，当室内湿度低于预设最小值，则启动加湿装置提高湿度；当室内一氧化碳浓度超过预设值，则开启吹风装置或打开窗户。
17.进一步的，所述步骤s5中训练后的bp神经网络对接收的数据进行处理并预测，当x＜a，则为室内环境为安全，当x＞b，则室内环境为危险，当a≤x≤b，则pc机端发出预警；
18.其中x为室内环境安全概率，b为预警值的上限值，a为预警值的下限值。
19.进一步的，所述步骤s5中对数据统一进行限幅、归一化处理，处理后的值为[0，1]之间的数，归一化公式如下：
[0020][0021]
其中，x
max
、x
min
分别代表数据集中的最大值、最小值，x
i
、x
i*
分别代表归一化前后的数值。
[0022]
进一步的，所述步骤s5中采用l
‑
m算法对bp神经网络进行训练，将最大训练次数设置为4000次，输入层第i个神经元至隐层第k个神经元之间的连接权值为u
ik
，隐层第k个神经元至输出层第h个神经元之间的连接权值为w
kh
，用γ
k
表示隐层第k个神经元的阈值，用υ
h
表示输出层第h个神经元的阈值；经由该神经网络训练，得出合理的连接权值和阈值。
[0023]
进一步的，所述步骤s5中采用如下公式对bp神经网络的隐层节点数进行选取：
[0024][0025]
s为隐层节点数，m为输入层神经元节点数，n为输出层神经元节点数。
[0026]
有益效果：本发明对室内环境进行实时监测，并同时通过两条路径来进行处理，一条为通过主控制器对接收的数据作出处理和相应的反应并通过wifi模块将数据传输至智能客户端实现远程监控，另外一条为通过无线传输模块将数据传输至pc端对数据分析后作出预测。两者结合实现了对室内环境的全面监控，保证了室内环境的安全。
附图说明
[0027]
图1是一种多路径智能化室内安全检测系统及方法的整体框架；
[0028]
图2是路径一中sta工作流程图；
[0029]
图3是路径一中主程序流程图；
[0030]
图4是路径一中机智云工作流程图；
[0031]
图5是路径二中pc机软件数据处理的流程图；
[0032]
图6是路径二中bp神经网络图；
具体实施方式
[0033]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
实施例1：本实施例中主控制器采用stm32f407zgt6芯片，该芯片具有价格便宜，性能高、耗能低等一系列优点，工作主频最高可达到168m；可在2.4v
‑
3.6v电压下运行；数据的存储空间很大：1mb的flash，外扩的sram(is62wv51216)，1m字节，192kb的ram，外扩的spi flash(w25q128)16m字节；支持单精度的fpu(float point unit，浮点运算单元)；3个12位的模数转换(adc)模块有24个通道，采样率为2.44m/s；5路a/d模数转换接口；4个usart，2个uart，6个spi，3个iic通讯接口，3个全双工iis，；10个16位定时器和2个32位定时器；16位的dsp，stm32f4比stm32f1快了30％～70％指令周期，32位的dsp，相对于stm32f1，stm32f4只需要30％～70％的指令周期；stm32f407zgt6具有114个通用i/o口，比stm32f1系列的提高了fsmc的速度，最高33m，fsmc连接到d
‑
bus增加了快速获取数据的能力，连接到i
‑
bus，可快速获取指令。主控芯片具有较高的数据处理能力，多个通讯串口，多个a/d转换接口，较强的抗外界干扰性能。
[0035]
wifi模块采用atk
‑
esp8266型号产品，其工作频率范围为2.412ghz
‑
2.484ghz，发射功率为11～18dbm，esp8266连接模式可以选择点对点的ap模式，实现手机直接对终端设备进行通讯，也可以选择经由路由器建立局域网的sta模式，先将wifi模块连接到互联网，然后手机通过互联网对终端设备进行远程通信。stm32f407串口不需要修改参数配置信息，使用wifi模块将传感器采集到的数据进行无线透传。
[0036]
bp网络是多层前馈神经网络，此网络的核心是：整个过程分为两个部分，一个是输入信息的正向传播，另一个是误差的逆传播；在正向传播中，输入层中的神经元接收外部信息，隐层中的各个神经元对输入信息实施加工处理，而后由输出层神经元输出最终结果；若输出结果不符合实际，则计算出输出层的误差，而后将误差依次逆向传输至各个隐层神经元，最后神经网络根据隐层神经元的误差调节各个单元的阈值和连接权值，此过程循环往复的进行，使得连接权值与阈值持续的迭代更新；如果训练的误差信号已压缩至一个较小的值或很小的数值动态变化范围，则表示训练已符合要求。
[0037]
在神经网络中需设计合理的输入层、隐层和输出层，由于获取的数据是三维的，具体是室内环境一氧化碳气体浓度、室内环境温度和室内环境湿度，所以将该网络的输入层神经元节点数设置为3；由于输出的室内安全概率是0至1之间的数值，因此将输出层节点数设置为1。一般来讲，隐层数越多，网络误差越小，但也使神经网络更加复杂，容易出现过拟合、梯度弥漫和参数难以调试等问题，因此将隐层层数设置为1，即可满足此bp多层前馈神经网络的要求。
[0038]
神经网络中l
‑
m算法有较好的鲁棒性，它是高斯
‑
牛顿迭代法与梯度下降法二者的结合；
[0039]
高斯
‑
牛顿迭代法最终的迭代公式：β
(s 1)
＝β
(s)
(j
ft
j
f
)
‑1j
ft
r(β
(s)
)
[0040]
(其中，j
f
是函数f＝(x，β)对于β的雅克比矩阵，r(x)是非线性函数)，最终结果相当于l
‑
m算法改进了高斯
‑
牛顿迭代法；
[0041]
梯度下降法迭代公式：a
k 1
＝a
k
ρ
k
s
‑
(k)
(其中s
‑
(k)
表示梯度负方向，ρ
k
代表梯度方向上的步长)。
[0042]
利用高斯
‑
牛顿迭代法最终的迭代公式所推导出的l
‑
m算法对神经网络进行训练，将最大训练次数设置为4000次，输入层第i个神经元至隐层第k个神经元之间的连接权值为u
ik
，隐层第k个神经元至输出层第h个神经元之间的连接权值为w
kh
，用γ
k
表示隐层第k个神经元的阈值，用υ
h
表示输出层第h个神经元的阈值；经由该神经网络一系列练习、训练，将得出合理的连接权值、阈值；l
‑
m算法即是从最初点开始，首先假设一个可靠的最大距离r，而后以当前位置为中心，在r为半径的范围内，搜寻出近似函数的某个最优点，得到真正的距离值，而后计算出目标函数值；若目标函数值减小到符合所需的要求，则所选距离是合理的，那么按该原则继续往下迭代计算；若目标函数值的减小不符合所需的要求，则需缩小之前的区域，再次求解。
[0043]
如图1所示，本发明实施例系统整体框架，在设计控制系统的时候，考虑了功耗低、运行稳定、抗干扰强、整个系统体积尽量小等因素，系统采用模块化的设计。
[0044]
路径一步骤如下：
[0045]
步骤s1、所述传感器自动感知周围环境的相关数据；同时将采集到的信息传给主控制器进行一系列计算预处理；主控制器连接的显示屏显示数据值；
[0046]
步骤s2、按键上可修改检测到的数据值的报警值，无论温度超过设定值还是湿度超过设定值，都将触发蜂鸣器报警；系统一直检测设定的值是否达到报警的上限值，如果达到，则给蜂鸣器硬件连接管脚低电平，则触发蜂鸣器报警；在报警后，声控开关立即响应，将打开风扇对室内进行降温处理；对应湿度超过设定值则开除湿装置，一氧化碳浓度超过设定值则打开通风装置，此外，视频监控模块对室内环境实时监控并把图像传输至主控制器显示，也可通过pc端显示，如出现意外情况可及时处理。
[0047]
步骤s3、所述wifi模块设定成sta工作模式，连接到路由器设备下，成为家庭路由器建立局域网的子节点；
[0048]
步骤s4、所述主控制器与wifi模块串口相连接，将传感器获取的数据经由串口传递到wifi模块上，再将数据传递给路由器网关，由家庭路由器转送至机智云，智能终端(手机app)在路由器的网关下远距离监测室内安全环境。
[0049]
路径二步骤如下：
[0050]
步骤s1、所述温湿度传感器和一氧化碳气体传感器获取数据；
[0051]
步骤s2、所述主控制器与cc2530无线通信模块相连接，将获取的数据信息传送给与pc机连接的cc2530无线通信模块，在pc机上对获取的数据信息进行处理；
[0052]
步骤s3、pc机上的labview软件对采集的三维数据进行显示和存储，同时将采集到的三维数据保存在一个文件中；
[0053]
步骤s4、pc机中matlab软件获取保存的文件中的三维数据，然后matlab通过训练成功的神经网络处理这些数据，同时得出结果进行预测，作出判断。
[0054]
如图2所示，本发明实施例中将wifi模块设置成sta工作模式，是把atk
‑
esp8266设定成sta工作模式，连接到路由器设备下，成为家庭路由器建立局域网的子节点。
[0055]
如图3所示，本发明实施例系统总体流程，主要对硬件程序和手机app设计，从主函数开始运行，先进行系统的初始化，调用相关头文件来实现对stm32f407主控，传感器的数据采集，数据显示以及wifi通讯。
[0056]
如图4所示，本发明实施例机智云工作流程，须给atk
‑
esp8266wifi模块成功刷入
机智云的官方固件后，esp8266与机智云才能进行正常通信，在机智云的官网上下载机智云官方固件；下载esp8266的刷固件软件flash_download_tools_v3.6.2.2_1，atk
‑
esp8266
‑
12f刷固件时应选择32m，dout模式，，点击start，开始刷入，直至刷入成功，退出；刷入esp8266机智云固件后，为了测试固件是否成功，应当使用机智云串口调试助手，进行串口调试，在机智云串口调试助手中新增产品，输入相关信息；然后点击模拟mcu，设置波特率9600后打开串口，点击airlink，在机智云的官方demoapp里面选择一键配置，当前路由器wifi名称和密码，选择乐鑫esp8266模块，与手机app通讯。机智云固件烧录结束后，下一步可进行代码的移植操作；因为自动生成的mcu代码里面包含个人账户和productkey等信息，为了让wifi模块能够成功配网，所以需要移植官网的自动生成代码，选择硬件平台为stm32f407x，下载代码到本地磁盘；将代码里的gizwits,utils复制到要编写的工程里面，接下来修改main.c、gizwits_product.c文件，特别是修改相关代码；在gizwits_log()里面添加对云端对led0、led2的控制操作，在机智云用户采集函数里添加，将采集到的温湿度上传到云端，手机app查看；dht11采集到的温度湿度数值，上传到currnetdatapoint.valuetemp和currnetdatapoint.valuehum，其中的变量名要与创建的数据结点要一一对应；通过按下key1进入air
‑
link配网模式，到此机智云的准备工作和代码的移植工作完成。
[0057]
如图5所示，本发明实施例pc机软件数据处理的流程图，实现对采集信息的数据融合，以便在设计的多层前馈神经网络中得出准确的判断结果；设室内环境安全概率为x，预警值的上限值为b，预警值的下限值为a，根据大量的数据集实验，可得出a和b；
[0058]
如图6所示，本发明实施例bp神经网络，设置输入层神经元为3，输出层为1；神经网络的各个隐层节点数均含有许多连接权值，神经网络根据获取数据学到的相应规律，都储藏在连接权值和阈值中；在学习训练过程中，为了更加准确的反映出数据的规律，连接权值会被神经网络循环往复的调整和修正；过多的隐层节点数，会造成过度拟合的情况；而过少的隐层节点数，则输出结果与实际值严重不符；当前，采用如下经验公式对隐层节点数进行选取：
[0059]
(s为隐层节点数，m为输入层神经元节点数，n为输出层神经元节点数)
[0060]
根据同一个数据集选取5～15总共11种隐层节点数来进行多次验证，最终将隐层节点数设定为8时，即学习训练达到了最好的理想效果。选取学习步长η＝0.01较为理想，在bp多层前馈神经网络中，选取sigmoid函数作为输入层至隐层以及隐层至输出层的激活函数，利用非线性模型弥补线性的不足，能够更好的拟合数据；而后对该神经网络进行反复练习、训练；并且在bp神经网络中选用trainlm训练函数中的l
‑
m算法。
[0061]
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。