本发明涉及实验室监测预警技术领域，具体涉及一种基于云服务的实验室监测预警系统。
背景技术：
随着经济的发展，科学技术的进步，高校实验室的规模扩大及课程的深入，要求实验设备种类也变得越来越复杂，设备使用频率越发增多。以往简单的数据登记与统计的人工管理模式，已经无法满足这种需求。为了减轻实验室管理员的工作负担，提高工作效率及服务水平，慢慢的新一代实验室信息管理系统脱颖而出。这种系统借助计算机作为辅助管理，可以有效的处理大量的数据量及复杂的工作程序。
伴随着国内高校的实验室建设规模越来越大，设备的品种和数量越来越多。以往的人工处理模式已经无法满足新形势下的需要了，取而代之的是实验室管理系统。但许多高校只注重实验室管理系统的建立来取代人工的管理所带来的便捷，忽视了实验室所存在的温控、漏水、防火和防盗等安全问题。现在很多高校的实验室主要是采用防盗网、防盗窗、安全门及实验室管理员来进行防盗，利用灭火器、消防栓等来进行防火，这种措施比较落后，没有起到很好的效果。
实验室管理系统的一个重要的环节就是保证实验室的财产和人员的安全。高校实验室是培养大学生动手能力和科研的重要基地。实验室的设备种类越发复杂化和多样化，这就需要大量的人员来管理维护，这样就要求学校要投入大量的管理成本，并且效率又很低，实验室的漏水、火灾、盗窃时有发生。因此，实验室的防水、防火和防盗预警系统是高校实验室管理不可缺少的一部分。考虑到实验室设备的投资量大及安全的重要性，把所有实验室的温控、漏水、防火和防盗模块综合在一起管理，构成一个网络体系。由此，高校实验室应该建立一个实验室监控预警系统，对温控、漏水、火灾、盗窃等现象的提前防范和预警，保证实验室财产和人员的安全。
技术实现要素：
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于云服务的实验室监测预警系统，用于解决现有实验室温控、漏水、防火和防盗等安全问题。
为实现以上目的，本发明采用如下技术方案：
一种基于云服务的实验室监测预警系统，包括：云服务器、无线报警装置、远程监控终端、无线传感器网关及分别与所述无线传感器网关无线连接的温控数据采集节点、防水数据采集节点、防火数据采集节点和防盗数据采集节点，其中，
所述无线传感器网关用于将所述温控数据采集节点、防水数据采集节点、防火数据采集节点和防盗数据采集节点采集的监测数据转发给所述云服务器；所述云服务器分别与所述无线报警装置和远程监控终端无线连接，所述云服务器用于分析所述监测数据，并在监测数据超过阈值时，控制所述无线报警装置报警，同时向所述远程监控终端发送警情信息。
优选地，所述温控数据采集节点包括：用于采集实验室内温湿度数据的温湿度传感器及与所述温湿度传感器电连接的第一zigbee模块；
所述防水数据采集节点包括：用于采集实验室内漏水情况的水浸传感器及与所述水浸传感器电连接的第二zigbee模块；
所述防火数据采集节点包括：用于采集实验室内烟雾情况的烟感传感器及与所述烟感传感器电连接的第三zigbee模块；
所述防盗数据采集节点包括：第四zigbee模块及分别与所述第四zigbee模块电连接的人体红外热释电传感器和振动传感器；
所述第一zigbee模块、第二zigbee模块、第三zigbee模块和第四zigbee模块分别与所述无线传感器网关无线连接。
优选地，所述防盗数据采集节点还包括与所述第四zigbee模块电连接的图像采集装置。
优选地，所述防盗数据采集节点还包括与所述第四zigbee模块电连接的电子防盗锁报警装置。
优选地，所述基于云服务的实验室监测预警系统，还包括：有毒气体泄漏数据采集节点，所述有毒气体泄漏数据采集节点包括：用于检测实验室有毒气体泄漏的有毒气体传感器及与所述有毒气体传感器电连接的第五zigbee模块；其中，所述有毒气体包括：一氧化碳、二氧化硫、氯气、光气、双光气、氰化氢。
优选地，所述无线报警装置为声光报警器、短信报警装置、邮件报警装置、电话报警装置中的一种或两种以上的组合。
优选地，所述无线报警装置基于模糊综合评判法和人工神经网络法对所述监测数据进行预警分析。
优选地，所述无线报警装置基于模糊综合评判法对所述监测数据进行预警分析，具体包括：
步骤s11、建立因素集：x＝{x1,x2,…,xm}，xi＝{xi1,xi2,…,xin}其中，因素集x包括m个因素子集，每个因素子集xi有n个指标，其中，m＝4，x1为温控监控数据，x2为漏水监控数据，x3为防火监控数据，x4为防盗监控数据；1≤i≤m，n≥1；
步骤s12、确定x＝{x1,x2,…,xm}的权重为w＝{w1,w2,…,wm}；确定xi＝{xi1,xi2,…,xin}的权重为wi＝{wi1,wi2,…,win}，
步骤s13、确定评判集m＝{m1,m2,…,mk}，其中，k＝4，m1为优秀，m2为良好，m3为一般，m4为差；
步骤s14、将因素集x与评判集m之间的关系用模糊综合评判矩阵来表示，对步骤s11中因素子集xi进行评判得到评判集m上的模糊集pij和评判矩阵p，
其中：pij＝{pi1,pi2,…,pim}，p＝(pij)n×m；
步骤s15、先计算因素子集指标的模糊综合评判结果：
步骤s16、归一化处理：
其中，ai表示被评级对象从整体上看对评级等级模糊子集元素mi的隶属程度；
步骤s17、采用分段赋值法对评判结果进行集化，计算公式为:
s表示集化结果：若s∈[0,0.25)，表示当前状态为重警，安全问题很严重；若s∈[0.25,0.5)，表示当前状态为中警，安全问题较为严重；若s∈[0.5,0.75)，表示当前状态为轻警，安全问题轻微；若s∈[0.75,1)，表示当前状态为无警，表明系统当前很安全。
优选地，所述无线报警装置基于人工神经网络法对所述监测数据进行预警分析，具体包括：
步骤s21、初始化输入n个训练样本(ek,f*k),k＝1,2,…,n；输入层节点的数量n由训练样本输入向量ek的长度n来确定，同样，输出层节点的数量m由训练样本输出向量f*k的长度来确定，隐含层为q，确定三层以上(含三层)的网络层数l及各层的节点数量，其中，第l层的节点数量记为n(l)并且n(l)＝n,m(l)＝m；训练速度为v，训练精度为ε；列出各层间的连接权矩阵，将各连接权矩阵的元素值进行初始化计算；
第l层与第l+1层之间的连接权矩阵为：w(l)＝[w(l)ij]n(l)×n(l+1)，其中，l＝1,2,…,l-1；
步骤s22、令迭代计算次数s＝1，训练样本的序号c＝1,选取第k个训练样本(ek,f*k),ek与f*k分别为：
ek＝(e1k,e2k,…,enk)，f*k＝(f*1k,f*2k,…,f*mk)
正向计算输入层各节点，得到输入层节点的输出
然后，逐个计算每层各节点的输入
如果存在任一训练样本，使计算误差值gjk不大于允许误差值ε，即gjk≤ε成立，其中，j＝1,2,…,m，则结束训练；否则，将误差进行反传，以修正各连接权矩阵；
步骤s23、若需要进行误差反传计算，修正第l-1层隐含层至第l层输出层的连接权矩阵计算过程如下：
其中，j＝1,2,…,m；i＝1,2,…,n(l-1)
逐个修正与隐含层相连的连接权矩阵：
其中，l＝l-1,…,2,1；j＝1,2,…,n(l)；i＝1,2,…,n(l-1)；
步骤s24、令k＝k+1,t＝t+1，返回进行循环训练，直至gjk≤ε，即网络收敛为止。
优选地，所述远程监控终端包括：台式计算机、笔记本电脑、平板电脑、智能手机和/或智能手表。
本发明采用以上技术方案，至少具备以下有益效果：
由上述技术方案可知，本发明提供的这种基于云服务的实验室监测预警系统，温控数据采集节点能够对实验室内温湿度情况进行数据采集，防水数据采集节点能够对实验室内的漏水情况进行数据采集，防火数据采集节点能够对实验室的火情进行数据采集，防盗数据采集节点能够对实验室内的盗窃情况进行数据采集，云服务器能够分析各数据采集节点的监测数据，并在监测数据超过阈值时，控制无线报警装置报警，同时向远程监控终端发送警情信息。通过本发明提供的技术方案，可以实现实验室温控、漏水、防火和防盗等安全隐患的监控，用户体验度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于云服务的实验室监测预警系统的示意框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
参见图1，本发明一实施例提供的一种基于云服务的实验室监测预警系统，包括：云服务器1、无线报警装置2、远程监控终端3、无线传感器网关4及分别与所述无线传感器网关4无线连接的温控数据采集节点5、防水数据采集节点6、防火数据采集节点7和防盗数据采集节点8，其中，
所述无线传感器网关4用于将所述温控数据采集节点5、防水数据采集节点6、防火数据采集节点7和防盗数据采集节点8采集的监测数据转发给所述云服务器1；所述云服务器1分别与所述无线报警装置2和远程监控终端3无线连接，所述云服务器1用于分析所述监测数据，并在监测数据超过阈值时，控制所述无线报警装置2报警，同时向所述远程监控终端3发送警情信息。
由上述技术方案可知，本发明提供的这种基于云服务的实验室监测预警系统，温控数据采集节点能够对实验室内温湿度情况进行数据采集，防水数据采集节点能够对实验室内的漏水情况进行数据采集，防火数据采集节点能够对实验室的火情进行数据采集，防盗数据采集节点能够对实验室内的盗窃情况进行数据采集，云服务器能够分析各数据采集节点的监测数据，并在监测数据超过阈值时，控制无线报警装置报警，同时向远程监控终端发送警情信息。通过本发明提供的技术方案，可以实现实验室温控、漏水、防火和防盗等安全隐患的监控，用户体验度高。
优选地，所述温控数据采集节点5包括：用于采集实验室内温湿度数据的温湿度传感器及与所述温湿度传感器电连接的第一zigbee模块；
所述防水数据采集节点6包括：用于采集实验室内漏水情况的水浸传感器及与所述水浸传感器电连接的第二zigbee模块；
所述防火数据采集节点7包括：用于采集实验室内烟雾情况的烟感传感器及与所述烟感传感器电连接的第三zigbee模块；
所述防盗数据采集节点8包括：第四zigbee模块及分别与所述第四zigbee模块电连接的人体红外热释电传感器和振动传感器；
所述第一zigbee模块、第二zigbee模块、第三zigbee模块和第四zigbee模块分别与所述无线传感器网关4无线连接。
优选地，所述防盗数据采集节点8还包括与所述第四zigbee模块电连接的图像采集装置。
优选地，所述防盗数据采集节点8还包括与所述第四zigbee模块电连接的电子防盗锁报警装置。
优选地，所述基于云服务的实验室监测预警系统，还包括：有毒气体泄漏数据采集节点9，所述有毒气体泄漏数据采集节点9包括：用于检测实验室有毒气体泄漏的有毒气体传感器及与所述有毒气体传感器电连接的第五zigbee模块；其中，所述有毒气体包括：一氧化碳、二氧化硫、氯气、光气、双光气、氰化氢。
优选地，所述无线报警装置2为声光报警器、短信报警装置、邮件报警装置、电话报警装置中的一种或两种以上的组合。
优选地，所述无线报警装置2基于模糊综合评判法和人工神经网络法对所述监测数据进行预警分析。
优选地，所述无线报警装置2基于模糊综合评判法对所述监测数据进行预警分析，具体包括：
步骤s11、建立因素集：x＝{x1,x2,…,xm}，xi＝{xi1,xi2,…,xin}其中，因素集x包括m个因素子集，每个因素子集xi有n个指标，其中，m＝4，x1为温控监控数据，x2为漏水监控数据，x3为防火监控数据，x4为防盗监控数据；1≤i≤m，n≥1；
步骤s12、确定x＝{x1,x2,…,xm}的权重为w＝{w1,w2,…,wm}；确定xi＝{xi1,xi2,…,xin}的权重为wi＝{wi1,wi2,…,win}，
步骤s13、确定评判集m＝{m1,m2,…,mk}，其中，k＝4，m1为优秀，m2为良好，m3为一般，m4为差；
步骤s14、将因素集x与评判集m之间的关系用模糊综合评判矩阵来表示，对步骤s11中因素子集xi进行评判得到评判集m上的模糊集pij和评判矩阵p，
其中：pij＝{pi1,pi2,…,pim}，p＝(pij)n×m；
步骤s15、先计算因素子集指标的模糊综合评判结果：
步骤s16、归一化处理：
其中，ai表示被评级对象从整体上看对评级等级模糊子集元素mi的隶属程度；
步骤s17、采用分段赋值法对评判结果进行集化，计算公式为:
s表示集化结果：若s∈[0,0.25)，表示当前状态为重警，安全问题很严重；若s∈[0.25,0.5)，表示当前状态为中警，安全问题较为严重；若s∈[0.5,0.75)，表示当前状态为轻警，安全问题轻微；若s∈[0.75,1)，表示当前状态为无警，表明系统当前很安全。
优选地，所述无线报警装置2基于人工神经网络法对所述监测数据进行预警分析，其中人工神经网络中的bp神经网络的工作原理是：数据通过输入层输入，经过输入层与隐含层之间的权值作用到达隐含层，并由隐含层的函数作用后得到中间值，此中间值再经过隐含层与输出层的函数处理后得到输出结果，如果所得结果与预先设定值的误差在允许范围内，则计算停止，否则将误差进行反传，以修正各权值，直到误差在允许范围内停止。这样，得到的权值可以用来进行计算和模拟预测。具体包括：
步骤s21、初始化输入n个训练样本(ek,f*k),k＝1,2,…,n；输入层节点的数量n由训练样本输入向量ek的长度n来确定，同样，输出层节点的数量m由训练样本输出向量f*k的长度来确定，隐含层为q，确定三层以上(含三层)的网络层数l及各层的节点数量，其中，第l层的节点数量记为n(l)并且n(l)＝n,m(l)＝m；训练速度为v，训练精度为ε；列出各层间的连接权矩阵，将各连接权矩阵的元素值进行初始化计算；
第l层与第l+1层之间的连接权矩阵为：w(l)＝[w(l)ij]n(l)×n(l+1)，其中，l＝1,2,…,l-1；
步骤s22、令迭代计算次数s＝1，训练样本的序号c＝1,选取第k个训练样本(ek,f*k),ek与f*k分别为：
ek＝(e1k,e2k,…,enk)，f*k＝(f*1k,f*2k,…,f*mk)
正向计算输入层各节点，得到输入层节点的输出
然后，逐个计算每层各节点的输入
如果存在任一训练样本，使计算误差值gjk不大于允许误差值ε，即gjk≤ε成立，其中，j＝1,2,…,m，则结束训练；否则，将误差进行反传，以修正各连接权矩阵；
步骤s23、若需要进行误差反传计算，修正第l-1层隐含层至第l层输出层的连接权矩阵计算过程如下：
其中，j＝1,2,…,m；i＝1,2,…,n(l-1)
逐个修正与隐含层相连的连接权矩阵：
其中，l＝l-1,…,2,1；j＝1,2,…,n(l)；i＝1,2,…,n(l-1)；
步骤s24、令k＝k+1,t＝t+1，返回进行循环训练，直至gjk≤ε，即网络收敛为止。
优选地，所述远程监控终端3包括：台式计算机、笔记本电脑、平板电脑、智能手机和/或智能手表。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。