CN117129556A - 基于无线传感器网络的室内tvoc浓度实时监测系统 - Google Patents
基于无线传感器网络的室内tvoc浓度实时监测系统 Download PDFInfo
- Publication number
- CN117129556A CN117129556A CN202311094357.6A CN202311094357A CN117129556A CN 117129556 A CN117129556 A CN 117129556A CN 202311094357 A CN202311094357 A CN 202311094357A CN 117129556 A CN117129556 A CN 117129556A
- Authority
- CN
- China
- Prior art keywords
- tvoc
- monitoring
- tvoc concentration
- data
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000012546 transfer Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 9
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 9
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 239000012855 volatile organic compound Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
- G01N27/64—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode using wave or particle radiation to ionise a gas, e.g. in an ionisation chamber
- G01N27/66—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode using wave or particle radiation to ionise a gas, e.g. in an ionisation chamber and measuring current or voltage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Toxicology (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
一种基于无线传感器网络的室内TVOC浓度实时监测系统，环境信息采集模块通过STM32核心板管理、控制TVOC浓度传感器和温湿度传感器，并存储、打包TVOC浓度传感器和温湿度传感器对应的监测数据，发送至数据接收中转模块；数据接收中转模块接收不同环境信息采集模块的监测数据后，由树莓派给监测数据包打上时间戳、环境采集模块标识符和包序列号，并由WIFI模块将处理完成的数据包传输至服务器，上传至TCP/IP网络客户端；服务器接收并解析数据包后，由时空分布预测模型分析并处理不同环境信息采集模块的监测数据，并预测室内TVOC浓度的时空分布。本发明能够实时预测室内TVOC浓度时空分布情况。
Description
技术领域
本发明涉及一种TVOC浓度监测系统，具体是一种基于无线传感器网络的室内TVOC浓度实时监测系统，属于TVOC浓度监测技术领域。
背景技术
挥发性有机化合物是大气中有机污染物的统称，通常成分复杂，在室温下具有低沸点、高蒸汽压等物理特性而易扩散，因此在大气中普遍存在。室内接触VOCs可能会引起人体各种不良影响，如头晕、头痛、恶心、过敏或免疫反应，严重情况下会损伤肝脏、肾脏和中枢神经系统。由于室内较低的通风量以及空间的限制，室内的VOCs污染往往较为严重，使得VOCs暴露对人体的影响大大加剧。为了评估与VOCs暴露相关的潜在健康风险，及时控制化学品在空气中的扩散，有必要通过适当的室内监测了解主要污染源以及特定地点的TVOC浓度。
近些年，随着传感器技术的蓬勃发展，低成本传感器广泛应用于污染物的监测研究中。低成本传感器响应快、能耗低、物理尺寸小、安装灵活，因而备受研究人员青睐。结合无线通信芯片，低成本传感器可以相互组网并将数据上传至互联网，从而高效、方便、实时的采集空气质量信息。低成本传感器的缺陷也不能被忽视，其鲁棒性低、选择性差、精度不足，易受环境温度和湿度的影响，无法实现传统监测仪器相同的数据准确性和质量。利用传感器网络进行数据挖掘已成为一个研究热点。目前的研究通常使用单点测量来代表整个房间，从而忽略污染物的时空分布，给暴露摄入量的评估带来误差。此外，室内活动以及传感器噪声可能会引起传感器的数值波动，导致监测误差。
空间插值是一种基于空间连续性和异质性的地质统计方法，旨在捕捉观测到的有限空间样本的空间变化模式，并对空间格局进行合理的估计。常用的空间插值算法有空间平均，最邻近，逆距离权重(IDW)、kriging和RBF。在这些方法中，kriging给出了插值区域内任意一点的最佳线性无偏估计，并能够降低数据集中的聚类影响，提高插值精度，是空气污染领域中使用最广泛的插值方法。RBF插值方程的线性系统在非常温和的条件下具有可逆的数学性质，在空间数据数值范围不明确的情况下，RBF函数可以给出超出观测值大小范围外的预测值，具有计算格式简单、节点配置灵活、计算量小、精度较高的优点。IDW主要依赖于反距离的幂值进行插值预测，其中幂参数可基于距输出点的距离来控制已知点对内插值的影响，距离预测位置最近的点分配的权重较大，而权重却作为距离的函数而减小。
IDW和RBF是精确性插值，预测曲面将通过每一个采样点，能够提供平滑、精确的预测结果，但并未考虑空间自相关性，无法避免采样集群影响而造成“牛眼”效应。kriging充分考虑了空间自相关性，能够有效避免聚类影响，但是计算步骤繁琐，无法提供精确插值。
发明内容
本发明的目的是提供一种基于无线传感器网络的室内TVOC浓度实时监测系统，该系统操作简单，能够实时预测室内TVOC浓度时空分布情况。
为了实现上述目的，本发明提供一种基于无线传感器网络的室内TVOC浓度实时监测系统，包括环境信息采集模块、数据接收中转模块、时空分布预测模块，所述环境信息采集模块包括STM32核心板、TVOC浓度传感器、温湿度传感器、第一蓝牙通信模块、基板；所述数据接收中转模块包括树莓派、第二蓝牙通信模块、WIFI通信模块以及数据校正模型；所述时空分布预测模块包括服务器以及时空分布预测模型；
所述环境信息采集模块通过STM32核心板管理、控制TVOC浓度传感器和温湿度传感器，并存储、打包TVOC浓度传感器和温湿度传感器对应的监测数据，并通过第一蓝牙通讯模块发送至数据接收中转模块；所述数据接收中转模块通过第二蓝牙通信模块接收不同环境信息采集模块的监测数据后，由树莓派给监测数据包打上时间戳、环境采集模块标识符和包序列号，并由WIFI模块将处理完成的数据包传输至服务器，上传至TCP/IP网络客户端；所述服务器接收并解析数据包后，由时空分布预测模型分析并处理不同环境信息采集模块的监测数据，并预测室内TVOC浓度的时空分布。
本发明的服务器在进行数据处理分析的同时监听用户操作指令，通过WIFI模块、第二蓝牙通信模块将指令传输至各个环境信息采集模块的STM32核心板已进行管理控制。
本发明的所述时空分布预测模型的具体处理过程如下：
S1：将TVOC浓度传感器网络布置在室内，连续监测两至三天，获取符合室内TVOC浓度时空分布的无线浓度传感器网络监测数据，并存储至监测数据库；
S2：采用max-min归一化方法处理监测数据库内的TVOC浓度数据，并构建基于监测数据库的TVOC时间序列2D张量，作为支持向量机(SVM)的训练集数据；
S3：根据训练集训练基于当前数据库的SVM模型；
S4：获取当天无线浓度传感器网络的TVOC实时监测数据，并添加至当天的TVOC时间序列；
S5：同样采用max-min归一化方法处理当天的TVOC实时监测数据，并构建基于当天TVOC实时监测数据的时间序列2D张量作为预测集；
S6：将预测集输入至步骤S3中基于当前监测数据库训练得出的SVM模型以预测当天无线传感器网络监测得到的TVOC浓度值；
S7：结合监测区域的尺寸信息以及环境信息采集模块的部署位置，将步骤S6预测得到的TVOC浓度值输入至普通Kriging插值方法、反距离加权插值方法以及径向基函数插值方法，从而推演室内监测区域内的TVOC浓度空间分布；
S8：根据交叉验证法，计算普通Kriging、反距离加权、径向基函数插值结果的四种常用评价指标，即Pearson相关系数R、均方根误差RMSE、标准差SD、变异系数CV；
S9：根据步骤S8的四种常用评价指标，采用层次分析法确认普通Kriging插值方法、反距离加权插值方法以及径向基函数插值方法的全局权值，从而计算最终时空分布预测结果。
所述时空分布预测模型计算过程中的步骤S9计算过程如下：
S91：根据插值结果的评估指标，构建对应的指标集合X＝{x1,x2,x3,x4}，并采用两两比较建立判别矩阵A＝(aij)n×n；
式中：n为指标数据，即4；
x1,x2,x3,x4分别为相关系数R、均方根误差RMSE、标准差SD、变异系数CV；
(aij)为根据1-9分标度法利用xi与xj的比值确认的得分值，并且aij与aji互为倒数；
S92：求解判别矩阵的特征向量w和特征值λ，并计算一致性指标CI以及一致性比例CR：
若一致性比例CR＜0.1，则判别矩阵的一致性可以接受，否则需要进行重新预测；
S93：将判别矩阵按列进行归一化，即每一个元素除以所在列各元素之和，求解归一化后判别矩阵的各列元素的总值，并除以矩阵阶数得到权重向量t；
S94：结合特征向量w以及权重向量t，通过将对应元素两两相乘后相加，得到该插值方法的最终评分s；
S95：根据步骤S91-S94分别求解普通Kriging(OK)、反距离加权(IDW)、径向基函数(RBF)的最终评分s，进行归一化后即为对应插值方法的全局权重；
S96：求解普通Kriging(OK)、反距离加权(IDW)、径向基函数(RBF)插值方法的预测值与对应全局权重的乘积和得到最终插值结果。
本发明的TVOC浓度传感器采用光离子气体传感器PID。
本发明的光离子气体传感器PID每24小时进行一次零点自校正。
本发明的温湿度传感器采用DHT11。
本发明的蓝牙模块采用HC-05蓝牙串口通信模块。
本发明的WIFI模块采用ESP8266通信模块。
与现有技术相比，本发明的环境信息采集模块通过STM32核心板管理、控制TVOC浓度传感器和温湿度传感器，STM32核心板还可以将TVOC浓度传感器和温湿度传感器对应的监测数据存储、打包，然后通过第一蓝牙通讯模块发送至数据接收中转模块的第二蓝牙通信模块，第二蓝牙通信模块接收不同环境信息采集模块的监测数据后，由树莓派给监测数据包打上时间戳、环境采集模块标识符和包序列号，并由WIFI模块将处理完成的数据包传输至服务器，上传至TCP/IP网络客户端；服务器接收并解析数据包后，由时空分布预测模型分析并处理不同环境信息采集模块的监测数据，实现对监测区域TVOC浓度时空分布的实时监测；本发明能够实时在线预测监测区域TVOC浓度的时空分布，有利于改善室内空气质量。
附图说明
图1为本发明的整体结构示意图；
图2为时空分布预测模型示意图；
图3为层次分析法示意图；
图4为实施例给出的监测结果示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示，一种基于无线传感器网络的室内TVOC浓度实时监测系统，包括环境信息采集模块、数据接收中转模块、时空分布预测模块，所述环境信息采集模块包括STM32核心板、TVOC浓度传感器、温湿度传感器、第一蓝牙通信模块、基板；所述数据接收中转模块包括树莓派、第二蓝牙通信模块、WIFI通信模块以及数据校正模型；所述时空分布预测模块包括服务器以及时空分布预测模型；TVOC浓度传感器采用光离子气体传感器PID，光离子气体传感器PID每24小时进行一次零点自校正，所述温湿度传感器采用DHT11，所述蓝牙模块采用HC-05蓝牙串口通信模块，所述WIFI模块采用ESP8266通信模块。
所述环境信息采集模块通过STM32核心板管理、控制TVOC浓度传感器和温湿度传感器，并存储、打包TVOC浓度传感器和温湿度传感器对应的监测数据，然后通过第一蓝牙通讯模块发送至数据接收中转模块；所述数据接收中转模块通过第二蓝牙通信模块接收不同环境信息采集模块的监测数据后，由树莓派给监测数据包打上时间戳、环境采集模块标识符和包序列号，并由WIFI模块将处理完成的数据包传输至服务器，上传至TCP/IP网络客户端；所述服务器接收并解析数据包后，由时空分布预测模型分析并处理不同环境信息采集模块的监测数据，并预测室内TVOC浓度的时空分布；所述服务器在进行数据处理分析的同时监听用户操作指令，通过WIFI模块、第二蓝牙通信模块将指令传输至各个环境信息采集模块的STM32核心板已进行管理控制；
所述时空分布预测模型的处理过程如下：
S1：将TVOC浓度传感器网络布置在室内，连续监测两至三天，获取符合室内TVOC浓度时空分布的无线浓度传感器网络监测数据，并存储至监测数据库；
S2：采用max-min归一化方法处理监测数据库内的TVOC浓度数据，并构建基于监测数据库的TVOC时间序列2D张量，作为支持向量机(SVM)的训练集数据；
S3：根据训练集训练基于当前数据库的SVM模型；
S4：获取当天无线浓度传感器网络的TVOC实时监测数据，并添加至当天的TVOC时间序列；
S5：同样采用max-min归一化方法处理当天的TVOC实时监测数据，并构建基于当天TVOC实时监测数据的时间序列2D张量作为预测集；
S6：将预测集输入至步骤S3中基于当前监测数据库训练得出的SVM模型以预测当天无线传感器网络监测得到的TVOC浓度值；
S7：结合监测区域的尺寸信息以及环境信息采集模块的部署位置，将步骤S6预测得到的TVOC浓度值输入至普通Kriging(OK)插值方法、反距离加权(IDW)插值方法以及径向基函数(RBF)插值方法，从而推演室内监测区域内的TVOC浓度空间分布；
S8：根据交叉验证法，计算普通Kriging(OK)、反距离加权(IDW)、径向基函数(RBF)插值结果的四种常用评价指标，即Pearson相关系数R、均方根误差RMSE、标准差SD、变异系数CV；
S9：根据步骤S8的四种常用评价指标，采用层次分析法确认普通Kriging(OK)插值方法、反距离加权(IDW)插值方法以及径向基函数(RBF)插值方法的全局权值，从而计算最终时空分布预测结果。
所述时空分布预测模型计算过程中的步骤S9计算过程如下：
S91：根据插值结果的评估指标，构建对应的指标集合X＝{x1,x2,x3,x4}，并采用两两比较建立判别矩阵A＝(aij)n×n；
式中：n为指标数据，即4；
x1,x2,x3,x4分别为相关系数R、均方根误差RMSE、标准差SD、变异系数CV；
(aij)为根据1-9分标度法利用xi与xj的比值确认的得分值，并且aij与aji互为倒数；
S92：求解判别矩阵的特征向量w和特征值λ，并计算一致性指标CI以及一致性比例CR：
若一致性比例CR＜0.1，则判别矩阵的一致性可以接受，否则需要进行重新预测；
S93：将判别矩阵按列进行归一化，即每一个元素除以所在列各元素之和，求解归一化后判别矩阵的各列元素的总值，并除以矩阵阶数得到权重向量t；
S94：结合特征向量w以及权重向量t，通过将对应元素两两相乘后相加，得到该插值方法的最终评分s；
S95：根据步骤S91-S94分别求解普通Kriging(OK)、反距离加权(IDW)、径向基函数(RBF)的最终评分s，进行归一化后即为对应插值方法的全局权重；
S96：求解三种插值方法的预测值与对应全局权重的乘积和得到最终插值结果。
下面给出本发明基于无线传感器网络的室内TVOC浓度实时监测系统的实施例
将环境信息采集模块部署至待测室内各个关键位置附近，例如TVOC污染源区域、长时间实验办公区域、设置有通风措施区域等，并且部署高度大致为1.5至1.6米，以确保采集范围在人体呼吸区域内。通过TVOC浓度传感器以及温湿度传感器采集环境信息，STM32核心板打包监测数据并由第一蓝牙通信模块发送出至数据接收中转模块。数据接收中转模块接收监测数据包，树莓派进行进一步处理，分辨各个不同环境信息采集模块并打上对应的标识符、时间戳和序列号，并由WIFI模块上传至TCP/IP客户端。
连续监测两至三天以获取足够的符合室内TVOC浓度时空分布的无线传感器网络监测数据，并将其存储至服务器内的监测数据库。采用max-min归一化方法处理TVOC监测数据库内的TVOC浓度数据，构建基于监测数据库的TVOC浓度时间序列2D张量，并将其作为训练集输入支持向量机SVM模型。某时段TVOC浓度时间序列2D张量如表1所示，将当天时刻无线传感器网络添加至当天TVOC监测数据的时间序列，同样将其归一化后构建成2D张量，作为预测集输入至基于当前数据库训练后的SVM模型，得到TVOC预测值。
表1TVOC浓度时间序列2D张量
结合监测区域的尺寸信息以及环境信息采集模块的部署位置，将预测得到的TVOC浓度值输入至普通Kriging(OK)、反距离加权(IDW)、径向基函数(RBF)插值方法，从而推算针对监测区域的各个插值方法对应的TVOC浓度空间分布。
通过交叉验证法，计算普通Kriging(OK)、反距离加权(IDW)、径向基函数(RBF)插值结果的四个常用评价指标，即Pearson相关系数(R)、均方根误差(RMSE)、标准差(SD)、变异系数(CV)。根据表1中的数据，6月5日15时01分的监测数据得出的评价指标如表2所示。
表2常用评价指标示例
根据插值结果的评价指标，构建对应的判别矩阵，构建判别矩阵为现有技术，通过分别计算三种插值算法中各个评价指标之间的比值，并取四舍五入的整数值，从而构建相对应的判别矩阵，以表2中的常用评价指标数据为例，计算得到的三种插值方法的判别矩阵如表3、表4和表5所示，
表3普通Kiging的判别矩阵
表4反距离加权的判别矩阵
表5径向基函数的判别矩阵
分别求解三种插值方法的判别矩阵的特征向量w和特征值λ，并计算一致性指标CI以及一致性比例CR，若CR＜1，判别矩阵的一致性可以接受，否则需要进行重新预测。将判别矩阵按列进行归一化，即每一个元素除以所在列各元素之和。求解归一化后判别矩阵的各列元素的总值，并除以矩阵阶数得到权重向量t。结合特征向量w以及权重向量t，通过将对应元素两两相乘后相加，得到该插值方法的最终评分s。分别求解普通Kriging(OK)、反距离加权(IDW)、径向基函数(RBF)的最终评分s，进行归一化后即为对应插值方法的全局权重。求解三种插值方法的预测值与对应全局权重的乘积和得到最终插值结果，如图4所示，一天的监测结束后，将当天监测数据添加至数据库，并进行更新。
本发明使用无线传感器网络采集待测试室内环境中的TVOC浓度值，为减小低成本传感器的数据波动，提高监测精度，通过基于时间序列的支持向量机模型预测当前无线传感器网络的监测浓度；针对传感器网络获得不同区域的TVOC浓度值，使用普通Kriging、反距离加权、径向基函数插值方法预测室内TVOC浓度分布；通过交叉验证法以及常用评估指标对三种插值方法的插值结果进行评估；结合层次分析法综合考量三种插值方法，计算对应的全局权值从而确认最终插值结果，从而优化上述三种传统插值方法，提高插值精度，实现对监测区域TVOC浓度时空分布的实时监测。本发明能够实时在线预测监测区域TVOC浓度的时空分布，有利于改善室内空气质量。由于常用的空间插值方法各有优缺点，因此本发明综合考量各种插值方法，结合监测时间序列，以提供实时、精确插值的时空分布插值方法。
Claims (9)
1.一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，包括环境信息采集模块、数据接收中转模块、时空分布预测模块，所述环境信息采集模块包括STM32核心板、TVOC浓度传感器、温湿度传感器、第一蓝牙通信模块、基板；所述数据接收中转模块包括树莓派、第二蓝牙通信模块、WIFI通信模块以及数据校正模型；所述时空分布预测模块包括服务器以及时空分布预测模型；
所述环境信息采集模块通过STM32核心板管理、控制TVOC浓度传感器和温湿度传感器，并存储、打包TVOC浓度传感器和温湿度传感器对应的监测数据，并通过第一蓝牙通讯模块发送至数据接收中转模块；所述数据接收中转模块通过第二蓝牙通信模块接收不同环境信息采集模块的监测数据后，由树莓派给监测数据包打上时间戳、环境采集模块标识符和包序列号，并由WIFI模块将处理完成的数据包传输至服务器，上传至TCP/IP网络客户端；所述服务器接收并解析数据包后，由时空分布预测模型分析并处理不同环境信息采集模块的监测数据，并预测室内TVOC浓度的时空分布。
2.根据权利要求1所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，所述服务器在进行数据处理分析的同时监听用户操作指令，通过WIFI模块、第二蓝牙通信模块将指令传输至各个环境信息采集模块的STM32核心板已进行管理控制。
3.根据权利要求2所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，所述时空分布预测模型的具体处理过程如下：
S1：将TVOC浓度传感器网络布置在室内，连续监测两至三天，获取符合室内TVOC浓度时空分布的无线浓度传感器网络监测数据，并存储至监测数据库；
S2：采用max-min归一化方法处理监测数据库内的TVOC浓度数据，并构建基于监测数据库的TVOC时间序列2D张量，作为支持向量机(SVM)的训练集数据；
S3：根据训练集训练基于当前数据库的SVM模型；
S4：获取当天无线浓度传感器网络的TVOC实时监测数据，并添加至当天的TVOC时间序列；
S5：同样采用max-min归一化方法处理当天的TVOC实时监测数据，并构建基于当天TVOC实时监测数据的时间序列2D张量作为预测集；
S6：将预测集输入至步骤S3中基于当前监测数据库训练得出的SVM模型以预测当天无线传感器网络监测得到的TVOC浓度值；
S7：结合监测区域的尺寸信息以及环境信息采集模块的部署位置，将步骤S6预测得到的TVOC浓度值输入至普通Kriging插值方法、反距离加权插值方法以及径向基函数插值方法，从而推演室内监测区域内的TVOC浓度空间分布；
S8：根据交叉验证法，计算普通Kriging、反距离加权、径向基函数插值结果的四种常用评价指标，即Pearson相关系数R、均方根误差RMSE、标准差SD、变异系数CV；
S9：根据步骤S8的四种常用评价指标，采用层次分析法确认普通Kriging插值方法、反距离加权插值方法以及径向基函数插值方法的全局权值，从而计算最终时空分布预测结果。
4.根据权利要求3所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，步骤S9的计算过程如下：
S91：根据插值结果的评价指标，构建对应的指标集合X＝{x1,x2,x3,x4}，并采用两两比较建立判别矩阵A＝(aij)n×n；
式中：n为指标数据；
x1,x2,x3,x4分别为相关系数R、均方根误差RMSE、标准差SD、变异系数CV；
(aij)为根据1-9分标度法利用xi与xj的比值确认的得分值，并且aij与aji互为倒数；
S92：求解判别矩阵的特征向量w和特征值λ，并计算一致性指标CI以及一致性比例CR：
若一致性比例CR＜0.1，则判别矩阵的一致性可以接受，否则需要进行重新预测；
S93：将判别矩阵按列进行归一化，即每一个元素除以所在列各元素之和，求解归一化后判别矩阵的各列元素的总值，并除以矩阵阶数得到权重向量t；
S94：结合特征向量w以及权重向量t，通过将对应元素两两相乘后相加，得到该插值方法的最终评分s；
S95：根据步骤S91-S94分别求解普通Kriging、反距离加权、径向基函数的最终评分s，进行归一化后即为对应插值方法的全局权重；
S96：求解普通Kriging插值方法、反距离加权插值方法以及径向基函数插值方法的预测值与对应全局权重的乘积和得到最终插值结果。
5.根据权利要求4所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，所述TVOC浓度传感器采用光离子气体传感器PID。
6.根据权利要求4所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，所述光离子气体传感器PID每24小时进行一次零点自校正。
7.根据权利要求5所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，所述温湿度传感器采用DHT11。
8.根据权利要求7所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，所述蓝牙模块采用HC-05蓝牙串口通信模块。
9.根据权利要求7所述的一种基于无线传感器网络的室内TVOC浓度实时监测系统，其特征在于，所述WIFI模块采用ESP8266通信模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311094357.6A CN117129556B (zh) | 2023-08-29 | 2023-08-29 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311094357.6A CN117129556B (zh) | 2023-08-29 | 2023-08-29 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117129556A true CN117129556A (zh) | 2023-11-28 |
| CN117129556B CN117129556B (zh) | 2024-02-02 |
Family
ID=88859498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311094357.6A Active CN117129556B (zh) | 2023-08-29 | 2023-08-29 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117129556B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851736A (zh) * | 2024-03-07 | 2024-04-09 | 南京信息工程大学 | 一种基于模糊自适应寻优融合的气象要素插值方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336093A (zh) * | 2013-06-26 | 2013-10-02 | 中山大学 | 一种区域空间质量分析方法 |
| CN105844350A (zh) * | 2016-03-21 | 2016-08-10 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差优选组合模型的短期风功率预测系统 |
| CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
| CN110675006A (zh) * | 2019-11-07 | 2020-01-10 | 桂林理工大学 | 一种室内空气质量实时监测与甲醛衰减预测系统 |
| CN111415492A (zh) * | 2020-04-29 | 2020-07-14 | 中国水利水电科学研究院 | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 |
| CN111445156A (zh) * | 2020-03-31 | 2020-07-24 | 青岛理工大学 | 基于变权重模糊综合评价的偏压隧道施工安全评价方法 |
| US20200378938A1 (en) * | 2018-04-30 | 2020-12-03 | Betterlife Co., Ltd. | Indoor radon prediction system and method for radon reduction |
| CN112213444A (zh) * | 2020-08-28 | 2021-01-12 | 浙江工业大学 | 大气污染微监测网络时间切片分析的溯源方法 |
| CN112508056A (zh) * | 2020-11-13 | 2021-03-16 | 东南大学 | 基于移动多源感知的城市空气质量监测方法 |
| WO2021073083A1 (zh) * | 2019-10-15 | 2021-04-22 | 南京莱斯网信技术研究院有限公司 | 一种基于节点负载的数据动态分区系统 |
| KR20210062513A (ko) * | 2019-11-21 | 2021-05-31 | 순천향대학교 산학협력단 | 센서기반 미세먼지 정보 처리 고도화를 위한, 보간 및 이상데이터 탐지 및 수정 시스템 |
| CN113554849A (zh) * | 2021-08-09 | 2021-10-26 | 广东智云工程科技有限公司 | 一种空天地监测边坡系统及其失稳风险评估方法 |
| CN214895115U (zh) * | 2021-02-25 | 2021-11-26 | 南昌航空大学 | 基于树莓派的智能室内空气监测装置 |
| CN114925152A (zh) * | 2022-05-19 | 2022-08-19 | 河北大学 | 基于反距离加权法和克里金法的土壤养分空间插值方法 |
| CN114997499A (zh) * | 2022-06-07 | 2022-09-02 | 浙江工业大学 | 一种半监督学习下的城市颗粒物浓度时空预测方法 |
| CN115656444A (zh) * | 2022-11-11 | 2023-01-31 | 北京航空航天大学 | 一种大型场馆内二氧化碳场浓度重建方法 |
| CN116087042A (zh) * | 2023-02-16 | 2023-05-09 | 中国矿业大学 | 一种粉尘沉积量空间分布实时监测系统及方法 |
| CN116341709A (zh) * | 2023-02-10 | 2023-06-27 | 重庆邮电大学 | 一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置 |
-
2023
- 2023-08-29 CN CN202311094357.6A patent/CN117129556B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336093A (zh) * | 2013-06-26 | 2013-10-02 | 中山大学 | 一种区域空间质量分析方法 |
| CN105844350A (zh) * | 2016-03-21 | 2016-08-10 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差优选组合模型的短期风功率预测系统 |
| US20200378938A1 (en) * | 2018-04-30 | 2020-12-03 | Betterlife Co., Ltd. | Indoor radon prediction system and method for radon reduction |
| CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
| WO2021073083A1 (zh) * | 2019-10-15 | 2021-04-22 | 南京莱斯网信技术研究院有限公司 | 一种基于节点负载的数据动态分区系统 |
| CN110675006A (zh) * | 2019-11-07 | 2020-01-10 | 桂林理工大学 | 一种室内空气质量实时监测与甲醛衰减预测系统 |
| KR20210062513A (ko) * | 2019-11-21 | 2021-05-31 | 순천향대학교 산학협력단 | 센서기반 미세먼지 정보 처리 고도화를 위한, 보간 및 이상데이터 탐지 및 수정 시스템 |
| CN111445156A (zh) * | 2020-03-31 | 2020-07-24 | 青岛理工大学 | 基于变权重模糊综合评价的偏压隧道施工安全评价方法 |
| CN111415492A (zh) * | 2020-04-29 | 2020-07-14 | 中国水利水电科学研究院 | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 |
| CN112213444A (zh) * | 2020-08-28 | 2021-01-12 | 浙江工业大学 | 大气污染微监测网络时间切片分析的溯源方法 |
| CN112508056A (zh) * | 2020-11-13 | 2021-03-16 | 东南大学 | 基于移动多源感知的城市空气质量监测方法 |
| CN214895115U (zh) * | 2021-02-25 | 2021-11-26 | 南昌航空大学 | 基于树莓派的智能室内空气监测装置 |
| CN113554849A (zh) * | 2021-08-09 | 2021-10-26 | 广东智云工程科技有限公司 | 一种空天地监测边坡系统及其失稳风险评估方法 |
| CN114925152A (zh) * | 2022-05-19 | 2022-08-19 | 河北大学 | 基于反距离加权法和克里金法的土壤养分空间插值方法 |
| CN114997499A (zh) * | 2022-06-07 | 2022-09-02 | 浙江工业大学 | 一种半监督学习下的城市颗粒物浓度时空预测方法 |
| CN115656444A (zh) * | 2022-11-11 | 2023-01-31 | 北京航空航天大学 | 一种大型场馆内二氧化碳场浓度重建方法 |
| CN116341709A (zh) * | 2023-02-10 | 2023-06-27 | 重庆邮电大学 | 一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置 |
| CN116087042A (zh) * | 2023-02-16 | 2023-05-09 | 中国矿业大学 | 一种粉尘沉积量空间分布实时监测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 田雷 等: "3种空间插值方法在道路尘中Pb监测数据统计处理中的应用比较", 《吉林大学学报(理学版)》, vol. 49, no. 5, pages 964 - 968 * |
| 罗俊 等: "基于WiFi无线传感器网络的工业环境监测平台系统设计", 《仪表技术与传感器》, no. 2018, pages 65 - 68 * |
| 顾俊彦 等: "冬季大学教室内的空气质量特征研究", 《环境科学与管理》, vol. 47, no. 9, pages 118 - 122 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851736A (zh) * | 2024-03-07 | 2024-04-09 | 南京信息工程大学 | 一种基于模糊自适应寻优融合的气象要素插值方法 |
| CN117851736B (zh) * | 2024-03-07 | 2024-05-14 | 南京信息工程大学 | 一种基于模糊自适应寻优融合的气象要素插值方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117129556B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117129556B (zh) | 基于无线传感器网络的室内tvoc浓度实时监测系统 | |
| CN109781934A (zh) | 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器系统 | |
| CN106644162B (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
| Sangogboye et al. | Performance comparison of occupancy count estimation and prediction with common versus dedicated sensors for building model predictive control | |
| CN114818391B (zh) | 一种基于多溯源模型的污染源浓度分析方法 | |
| CN106875037A (zh) | 风力预测方法及装置 | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN113065223B (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
| CN103439114A (zh) | 一种汽轮机组热力性能试验系统及装置 | |
| CN115808211A (zh) | 一种公共建筑温度及热舒适度监测与预测系统 | |
| CN110555524A (zh) | 基于室内环境监测的训练样本数据获取方法及装置 | |
| CN108733619A (zh) | 全球任意森林小班生长预测模型定量估测方法 | |
| CN115169728A (zh) | 一种基于简化神经网络的土壤肥力预测方法 | |
| CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
| CN101446828A (zh) | 一种非线性过程质量预报方法 | |
| CN113281229B (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
| Zhu et al. | A computer-aided modeling and measurement system for environmental thermal comfort sensing | |
| CN117668093A (zh) | 一种基于大数据分析的区域内碳汇监测计量方法 | |
| CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警系统 | |
| CN115619605A (zh) | 一种基于语义信息的传统民居环境质量评估方法 | |
| CN110691319B (zh) | 一种使用领域自适应实现异构设备高精度室内定位的方法 | |
| CN113408374A (zh) | 基于人工智能的产量预估方法、装置、设备及存储介质 | |
| CN109931987A (zh) | 一种基于云端的智能种菜机环境精准监测系统及方法 | |
| Paul et al. | A New Energy Yield Assessment Model with Reduced Uncertainty for Wind Farms Repowering | |
| CN117474298B (zh) | 一种基于上下游工位反馈的发动机连杆生产管理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |