智能化物联网环境参数检测与粉尘监控方法及系统

本发明涉及物联网的环境参数智能化检测与粉尘监控，具体涉及智能化物联网环境参数检测与粉尘监控方法及系统。

背景技术：

1、近年来，粉尘爆炸事故多发生在建筑工地、工农业生产、冶金、汽车制造、军工、煤炭、纺织、纤维、粮食及食品药品等工业方面。据统计，全世界范围内平均每天至少发生一起粉尘爆炸事故。粉尘虽然会对工作人员的健康和安全生产产生影响，但是如果采取相应的措施，及时地疏通，降低粉尘浓度还是可实现的。防范的措施应着力于环境参数和粉尘浓度的检测，控制粉尘的浓度，采取有效的降尘措施建立预报系统。国外的粉尘浓度监测预报系统精度高、可靠性好、监测的范围广而且能够实现远程监控，但是它们的大部分设备售价昂贵，对一般的企业是无法承受的。将物联网与云平台技术用于环境参数和粉尘浓度检测作为数据来源，将环境参数和粉尘浓度在线监测应用于实时粉尘浓度监控系统可以大大提高环境参数与粉尘浓度的监控效率。应用信息技术、云计算及物联网等信息技术手段，结合智能化的环境参数与粉尘浓度检测技术和粉尘浓度净化技术，建立了一套严格、科学的智能化的环境参数与粉尘浓度监测和净化体系，通过研究环境参数与粉尘浓度在线监测、粉尘浓度净化技术有效减少了事故发生和保障了安全生产，有效地预防和控制粉尘重大事故及粉尘职业病危害均具有重要意义。

技术实现思路

1、本发明针对现有粉尘检测设备具有测试速度慢、精确度不高，报警能力不强，而且不能远距离进行监测等问题，本发明提供一种应用信息技术、云计算及物联网等信息技术手段，结合智能化的环境参数与粉尘浓度检测技术和粉尘浓度净化技术。

2、为解决上述问题，本发明采用如下的技术方案：

3、一、智能化物联网环境参数检测与粉尘监控方法及其步骤：

4、1、构建粉尘测量模块，粉尘测量模块包括减法聚类分类器模型、降噪编码器-elman神经网络模型和narx神经网络模型，降噪编码器-elman神经网络模型为降噪编码器与elman神经网络模型串联，多组环境参数传感器输出作为减法聚类分类器模型输入，减法聚类分类器模型输出的多种类型的环境参数传感器输出值分别作为对应的降噪编码器-elman神经网络模型的输入，多个降噪编码器-elman神经网络模型输出分别作为narx神经网络模型的对应输入，narx神经网络模型输出作为被检测环境的粉尘浓度检测值；

5、2、构建粉尘浓度控制器，粉尘浓度控制器包括esn神经网络控制器、pid控制器、gru神经网络模型、微分单元和anfis模糊神经网络控制器，粉尘浓度实际控制值与粉尘浓度检测值的误差和误差变化率作为pid控制器的对应输入，粉尘浓度预测值作为微分单元输入，微分单元输出作为gru神经网络模型输入，粉尘浓度实际控制值与粉尘浓度检测值的误差变化率和gru神经网络模型输出分别作为esn神经网络控制器的对应输入，粉尘浓度实际控制值和粉尘浓度预测值分别作为anfis模糊神经网络控制器的对应输入，esn神经网络控制器输出、pid控制器输出和gru神经网络模型输出累加和作为粉尘浓度控制器的输出；

6、3、构建粉尘监控子系统，粉尘监控子系统包括pso的elman神经网络模型-narx神经网络模型、5个tdl按拍延时器、粉尘浓度控制器a、粉尘浓度控制器b、粉尘浓度控制器c、narx神经网络模型a、narx神经网络模型b、narx神经网络模型c、esn神经网络模型a、esn神经网络模型b、esn神经网络模型c、粉尘测量模块a、粉尘测量模块b和粉尘测量模块c；粉尘浓度设定值、esn神经网络模型a输出、esn神经网络模型b输出、esn神经网络模型c输出和pso的elman神经网络模型-narx神经网络模型输出分别作为对应的tdl按拍延时器输入，5个5个tdl按拍延时器输出分别作为pso的elman神经网络模型-narx神经网络模型的对应输入，pso的elman神经网络模型-narx神经网络模型输出的粉尘浓度控制值分别作为粉尘浓度控制器a、粉尘浓度控制器b和粉尘浓度控制器c的对应输入，粉尘测量模块a输出粉尘浓度检测值和esn神经网络模型a输出的粉尘浓度预测值分别作为粉尘浓度控制器a的对应输入；

7、粉尘浓度控制器a输出分别作为narx神经网络模型a、narx神经网络模型b和narx神经网络模型c的对应输入，narx神经网络模型a输出分别作为esn神经网络模型a和环境控制装置a的对应输入，粉尘测量模块a输出作为esn神经网络模型a的对应输入，环境控制装置a实现对工地生产环境粉尘浓度进行调节；

8、粉尘测量模块b输出粉尘浓度检测值和esn神经网络模型b输出的粉尘浓度预测值分别作为粉尘浓度控制器b的对应输入，粉尘浓度控制器b输出分别作为narx神经网络模型a、narx神经网络模型b和narx神经网络模型c的对应输入，narx神经网络模型b输出分别作为esn神经网络模型b和环境控制装置b的对应输入，粉尘测量模块b输出作为esn神经网络模型b的对应输入，环境控制装置b实现对工地生产环境粉尘浓度进行调节；

9、粉尘测量模块c输出粉尘浓度检测值和esn神经网络模型c输出的粉尘浓度预测值分别作为粉尘浓度控制器c的对应输入，粉尘浓度控制器c输出分别作为narx神经网络模型a、narx神经网络模型b和narx神经网络模型c的对应输入，narx神经网络模型c输出分别作为esn神经网络模型c和环境控制装置c的对应输入，粉尘测量模块c输出作为esn神经网络模型c的对应输入，环境控制装置c实现对工地生产环境粉尘浓度进行调节；

10、4、生产环境区域1、生产环境区域2和生产环境区域3的多组环境参数传感器输出分别作为粉尘测量模块a、粉尘测量模块b和粉尘测量模块c的输入，粉尘浓度设定值、粉尘测量模块a、粉尘测量模块b和粉尘测量模块c的输出作为粉尘监控子系统的对应输入，粉尘监控子系统输出作为环境控制装置a、环境控制装置b和环境控制装置c的对应输入，环境控制装置a、环境控制装置b和环境控制装置c实现工地生产环境参数的智能化调节；

11、二、智能化物联网环境参数检测与粉尘监控系统

12、智能化物联网环境参数检测与粉尘监控系统包括数据采集模块、数据控制模块、数据传输模块、云平台、5g网络、智能监控端、浏览器和移动app端，多个数据采集模块和数据控制模块构建成自组织网络通过数据传输模块、云平台、5g网络实现与智能监控端、浏览器和移动app端之间的信息交互；智能监控端、浏览器和移动app端的信息通过5g网络实现与云平台的信息交互，多个数据采集模块和数据控制模块通过数据传输模块实现与云平台的信息交互，智能监控端有粉尘监控子系统实现对环境粉尘浓度进行智能化调节；智能化物联网环境参数检测与粉尘监控系统如图4所示。

13、1、数据采集模块

14、数据采集模块包括cc2530节点、温湿度传感器、光照度传感器、风速传感器、二氧化碳传感器、氨气传感器、火焰传感器和粉尘传感器组成，cc2530节点通过数据传输模块将采集传感器参数上传云平台；数据采集模块如图5所示。

15、2、数据传输模块

16、数据传输模块主要由cc2530节点、无线通信模块和stm32单片机组成，通过cc2530节点接收来自数据采集模块的数据，然后通过无线通信模块上传给云平台；通过无线通信模块接收来自云平台的控制信息，通过通过cc2530节点传递给数据控制模块；数据传输模块如图6所示。

17、3、数据控制模块

18、数据控制模块包括stm32单片机、cc2530节点、温控制器、加湿器、光照控制器、灭火控制器、排风扇和粉尘净化控制器组成，温控制器、加湿器、排风扇和粉尘净化控制器构成环境控制装置，cc2530节点接受来自云平台的控制信息，实现对控制模块的控制器进行智能化控制来调整环境参数、降低环境粉尘浓度和灭火；数据控制模块如图7所示。

19、相比于现有技术，本发明具有以下明显优点：

20、1、本发明降噪编码器-elman神经网络模型为降噪编码器与elman神经网络模型串联，降噪自编码器通过对环境参数信息的压缩及解压缩过程，能够利用冗余信息抑制其测量噪声；elman神经网络模型分为4层:输入层、中间层(隐含层)、关联层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用，隐含层单元的传递函数可采用线性或非线性函数，关联层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。elman神经网络模型的隐含层的输出通过关联层的延迟与存储，自联到隐含层的输入层，这种自联方式使其对elman神经网络模型的历史状态的数据具有敏感性，内部反馈网络的加入增加了elman神经网络模型本身处理动态信息的能力，从而达到了elman神经网络模型动态建模的目的，elman神经网络模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合，使elman神经网络模型对降噪编码器输出的环境参数的时间序列特征信息的记忆得到加强，提高了降噪编码器-elman神经网络模型的动态性能、精确性和可靠性。

21、2、本发明esn神经网络使用大规模随机稀疏网络(储备池)作为信息处理媒介，将输入信号从低维的输入空间映射到高维的状态空间，在高维的状态空间采用线性回归方法对网络的输出连接权进行训练，而其他连接权随机产生，并在网络训练过程中保持不变。esn神经网络的输出连接权改变迅速，而内部连接权则只以高度耦合的方式缓慢改变。即如果esn神经网络的内部连接权选择合适，在对网络进行训练时可以忽略内部连接权的改变。esn神经网络作为近年新兴的递归神经网络，稳定性、全局最优性和收敛速度相对传统神经网络有较大改进，esn神经网络通过输入信号激励储备池，使储备池产生连续的状态变量信号，最后通过储备池状态变量与目标输出信号的线性回归算法确定esn网络输出权值。esn神经网络突出优点是训练速度快、简单，且输入连接权值和储备池内部连接权值在训练和使用过程中基本不变，因此esn神经网络的权值和阈值只需要简单的线性回归即可计算得到，这样能确保其解为全局最优解。

22、3、本发明采用gru神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络，它不仅能够像标准循环神经网络那样从输入参数的序列数据中提取信息，还能够保留来自于先前较远步骤输入参数的长期相关性的信息，输入参数存在长期空间和时间上的相关性，而gru神经网络模型有足够的长期记忆来处理先前输入参数之间的时空关系，提高处理gru神经网络模型输入参数的准确性和鲁棒性。

23、4、本发明利用narx神经网络由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入时序信号和输出向量延时反馈引入narx神经网络训练中，形成narx神经网络的新的输入向量，具有良好的非线性映射能力，narx神经网络的输入不仅包括原始输入数据，还包含narx神经网络经过训练后的输出数据，narx神经网络的泛化能力得到提高，使其在非线性输入信息时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。

24、5、本发明pso的elman神经网络模型-narx神经网络模型，pso的elman神经网络模型-narx神经网络模型为pso的elman神经网络模型与narx神经网络模型串联，采用pso的elman神经网络模型一般分为4层:输入层、中间层(隐含层)、关联层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，关联层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。pso的elman神经网络模型特点是隐含层的输出通过关联层的延迟与存储，自联到隐含层的输入层，这种自联方式使其对pso的elman神经网络模型的历史状态的数据具有敏感性，内部反馈网络的加入增加了pso的elman神经网络模型本身处理动态信息的能力，从而达到了pso的elman神经网络模型动态建模的目的，pso的elman神经网络模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合，使pso的elman神经网络模型对时间序列特征信息的记忆得到加强；narx神经网络模型通过引入延时模块及输出反馈建立narx神经网络模型的动态递归网络，它将narx神经网络模型的输入和输出向量延时反馈引入narx神经网络模型中形成新的输入向量，narx神经网络模型的输入不仅包括原始输入数据，还包含经过训练后的narx神经网络模型输出数据，narx神经网络模型的泛化能力得到提高，使其在非线性预测中较传统的静态神经网络具有更好的预测精度和自适应能力。