CN205302636U - 一种快递车危险预警系统 - Google Patents

Abstract

本实用新型涉及一种快递车危险预警系统，该系统监测终端节点采集车厢内的环境参数监测数据和快递车的位置监测数据并发送给协调器；协调器将监测数据汇总并发送到网关模块；网关模块对监测数据进行处理并进行数据帧格式转换和协议转换后上传至云服务器；云服务器接收由网关模块传送来的数据信息并将其存储到数据库中；同时，网关模块将数据信息发送给报警装置；报警装置判断数据信息是否出现异常，若是则发出告警信号同时将报警信息实时传输给网关模块和云服务器；否则将安全信息实时传输给网关模块并显示在显示屏上。本实用新型实现了快递车运输中可能出现的危险预警，保障了快递车安全运输，系统的安全性和抗毁性好。

Description

一种快递车危险预警系统

技术领域

本实用新型属于物流监测预警技术领域，涉及一种快递车危险预警系统。

背景技术

随着“互联网+”计划的提出，互联网思维已经融入多数人的工作和生活中，电商作为我国重要的经济产业支柱，网络购物已经成为大多数人生活的一部分时，连接企业与客户的快递就成为促进经济发展和提高公众生活质量的关键因素。2015年我国的快递业务量已突破200亿件，未来几年仍将呈现高速的发展态势，在刚刚过去的2015年“双十一”购物节中，天猫平台的物流定单就达4.67亿件，中国已经成为名副其实的世界第一快递大国。然而，伴随着海量快递业务出现的同时，安全问题也成为亟待解决的异常紧迫问题。

由于包装不当、运输条件不适宜、收寄件时验视不规范及快递员粗暴对待邮件等原因，在快递车运送过程中可能存在很多安全问题，例如手机电池遇高温发生爆炸、化学药品因包装破损出现泄露、油箱漏油导致在车厢内聚集遇明火发生爆炸等等。在快递车出现爆炸、自燃的场面也常出现在新闻里面，严重威胁快递员生命安全及道路安全，同时会对快递企业造成声誉影响及经济损失。尤其是“双十一”、店庆、节假日等购物集中时段，快递量极其大，安全风险问题非常突出。2015年11月12日在江西昌桐就出现了快递车燃烧的事故，导致价值100多万元的快递全部被烧毁。因此设计一种快递车危险预警系统，保障快递的安全运输就成为当务之急。

现在对快递的安全保障主要靠驾驶员对快递车厢的观察，凭借经验来确定快递车车厢是否处于安全状态，例如江西昌桐的快递车燃烧事件就是最先由驾驶员在后视镜中发现后车厢有火苗，在这种情况下一般火灾已经处于不可控制状态了，损失也非常大。目前，一些现有的快递物流监控设备仅仅对车厢内温湿度和车辆位置进行监测，没有对行车过程中可能产生的易燃易爆气体等进行监控，无法做到对运输过程中可能出现的危险的实时预警，对行车安全也就无法做到有效的保障。而且在传感器数量众多的监测环境中，没有进行有效的数据融合处理，无法避免可能出现的突发性数据错误，传输大量源数据信息时，数据传输效率很低；另外，实时的监测数据没有实现上传和云存储，若产生纠纷无法提供准确的维权证据。

综上，目前快递物流监测技术存在的缺点如下：

(1)当快递车在储存和运输危险物质时，由于突发某些意外情况而可能产生易燃易爆气体，对于这种情况，目前还没有实现实时的监测，从而无法为行车安全作出保障。

(2)驾驶员无法获得实时的车厢监测数据，且不能对异常状况做出预判。

(3)目前还没有实现对实时监测数据的数据融合处理，无法对可能出现的突发性数据错误进行纠正，而且当数据量较大时数据的传输效率很低。

(4)监测数据没有实现及时的网络上传和云存储，一方面当出现异常情况时无法实现消防等部门的快速准确处理；另一方面，若产生客户纠纷时无法提供准确的维权证据。

发明内容

本实用新型要解决的技术问题是提供一种快递车危险预警系统，该系统采用无线传感器网络技术实时监测快递车车厢内的环境状况及快递车位置信息，当快递车车厢内出现异常数据时，能够及时报警。

为了解决上述问题，快递车危险预警系统包括布置在快递车车厢内的监测终端节点，ZigBee协调器，ZigBee-3G/4G网关模块，云服务器，报警装置；监测终端节点的传感器组采集车厢内的环境参数监测数据和快递车的位置监测数据，并通过无线传输方式发送给布置在驾驶室内的ZigBee协调器；ZigBee协调器将监测终端节点采集的监测数据汇总并通过串口线连接方式发送到ZigBee-3G/4G网关模块；ZigBee-3G/4G网关模块对监测数据进行Zigbee与3G/4G的数据帧格式转换和协议转换后通过3G/4G网络将转换后的数据信息上传至云服务器；云服务器接收由ZigBee-3G/4G网关模块传送来的数据信息并将其存储到数据库中；同时，ZigBee-3G/4G网关模块将数据信息通过串口线连接方式发送给报警装置；当数据信息出现异常时布置在驾驶室内的报警装置发出告警信号，同时将报警信息实时传输给ZigBee-3G/4G网关模块并显示在显示屏上；发出的报警信息同时实时传输给云服务器；当数据信息正常时报警装置将安全信息实时传输给ZigBee-3G/4G网关模块并显示在显示屏上。

所述ZigBee-3G/4G网关模块利用皮尔逊相关处理的卡尔曼滤波改进方法对监测数据进行融合处理，再对其进行Zigbee与3G/4G的数据帧格式转换和协议转换。

本实用新型采用无线传感器网络技术实时监测快递车车厢内的环境状况及快递车位置信息，主要关注快递车在运输过程中由于出现异常情况而导致出现危险气体的浓度发生变化以及车厢内烟雾、温度的变化情况，对出现的车厢内异常状态及时对驾驶员进行语音告警，并通过数据融合技术将监测数据和预警信息以3G/4G数据包的形式上传至云服务器，存储并供查看。

采用本实用新型，当快递车车厢内出现异常数据时，能够对驾驶员进行告警，并上传到网络上，供网络监控人员及时采取对应的应急救援措施；能够将监测的环境数据信息通过3G/4G信号发送到云服务器，生成监测日志，并以图表的形式存储下来。

本实用新型对快递车车厢内的环境参数和位置信息进行检测，针对车厢内可能出现的危险物质，当这些物质在运输过程中遇到突发情况，出现泄露时所产生的危险气体及燃烧时产生的烟雾、高温等情况，进行实时的监测，当出现异常时进行语音报警，预防可能出现的快递物品燃烧、爆炸等情况，保障道路安全与财产安全；将数据通过3G/4G网络传送至云服务器进行存储，为可能产生的纠纷提供准确的维权证据，并为消防部门提供及时准确的救援依据。

所述监测终端节点的传感器组包括温湿度一体式传感器，烟雾浓度传感器，危险气体浓度传感器和快递车位置传感器；温湿度一体式传感器、烟雾浓度传感器、危险气体浓度传感器和快递车位置传感器分别实时采集快递车车厢内的温湿度、烟雾浓度、危险气体浓度和快递车位置信息，并将其发送给ZigBee协调器。

所述危险气体浓度传感器包括一氧化碳浓度监测用传感器、乙醇浓度监测用传感器、甲烷浓度监测用传感器；这些传感器实时采集并将烟雾浓度、一氧化碳气体浓度、乙醇气体浓度、甲烷气体浓度传输给ZigBee协调器。

由于本实用新型中存在大量不同类型的传感器在同一时间对物理指标进行数据数据采集，因此系统中存在相当数量的多源异构数据。传感器网络的节点数量较多且易受外界干扰，出现突发故障在所难免；而且测量的物理参量具备一定的复杂性及多变性，因此，实际测量值有时会出现疏失数据或误差较大的数据。为消除上述所论系统误差，本实用新型结合皮尔逊相关运算对卡尔曼滤波算法进行了改进，即先利用皮尔逊相关运算对测量数据中的异常数据进行修正，然后使用卡尔曼滤波算法进行监测数据的融合。

本实用新型采用的数据融合算法是基于皮尔逊相关处理的卡尔曼滤波改进算法。卡尔曼滤波算法是一种适用于计算机处理与进行实时计算的递推估计算法。该算法的递推估计原理是：根据最小均方误差这一最佳估计准则同时构建输入数据与噪声变量的模型，并以前一时刻的估计值和当前时刻的观测值为基础来进一步估计出当前时刻的状态变量值，即为当前时刻状态变量的估计值。也就是说卡尔曼滤波的本质是：以“估计-实测-更正”的逻辑思路进行递推。

有益效果：

(1)实现了快递车运输中可能出现的危险预警，保障了快递车安全运输。

(2)驾驶员可得到监测数据实时查看服务和语音报警服务。

(3)采用皮尔逊相关处理的卡尔曼滤波改进算法，对监测数据进行数据融合处理，提高了监测数据准确性与可靠性，减少了传输过程中的数据量，提高了传输效率，降低了数据传输成本。

(4)对当前网络信号强度进行比较，将监测数据通过信号较强的3G或4G网络传送至云服务器并存储，扩大了通信范围，提高了系统的安全性和抗毁性。

(5)能够根据对监测数据的分析，判断车厢内是否出现异常，若出现异常则进行语音报警，从而使驾驶员能够及时采取措施对出现的异常状况进行处理，以有效控制险情。

附图说明

下面结合附图和具体实施方式对本实用新型作进一步详细说明。

图1本实用新型的快递车危险预警系统总体结构图。

图2监测终端节点的结构图。

图3协调器的结构图。

图4网关结构图。

图5报警装置结构图。

图6为本实用新型的主程序流程图。

图7为本实用新型报警装置的功能流程图。

图8为本实用新型数据融合算法的流程图。

图9无干扰时数据融合算法结果对比图。

图10有干扰时数据融合算法结果对比图。

图11为本实用新型数据存储的流程图。

具体实施方式

如图1所示，本实用新型的快递车危险预警系统包括布置在快递车车厢内的监测终端节点，ZigBee协调器，ZigBee-3G/4G网关模块，云服务器，报警装置；监测终端节点布置在快递车车厢内，通过传感器组对车厢内的环境参数和位置信息等进行周期性的定时监测，并通过无线传输方式将采集到的监测数据信号发送给布置在驾驶室内的ZigBee协调器；ZigBee协调器将监测终端节点采集的监测数据汇总并通过串口线连接方式发送到ZigBee-3G/4G网关模块；由ZigBee-3G/4G网关模块对监测的数据信息进行数据融合操作，并对融合后的数据信息进行Zigbee与3G/4G的数据帧格式转换和协议转换，再通过3G/4G网络将处理过的监测数据信息上传至云服务器；云服务器接收由ZigBee-3G/4G网关模块传送来的监测数据并将其存储到数据库中；同时，ZigBee-3G/4G网关模块将融合后的监测数据通过串口线连接方式发送给报警装置；布置在驾驶室内的报警装置将监测数据信息实时显示在显示屏上，并根据监测数据信息判断快递车车厢是否出现异常，若出现异常，则通过语音及告警灯等对驾驶员告警。同时将报警信息实时传输给ZigBee-3G/4G网关模块并显示在显示屏上；报警装置发出的报警信息同时实时传输给云服务器；若数据信息正常则将安全信息实时传输给ZigBee-3G/4G网关模块并显示在显示屏上。

1.监测终端节点

监测终端节点结构基本相同，主要包含传感器组和无线射频收发模块，如图2所示。传感器组包括快递车车厢环境参数采集传感器组和快递车位置信息采集传感器；各传感器采集的监测数据通过无线射频收发模块发送至ZigBee协调器。

根据我国《火灾分类》(GB/T4968-2008)火灾根据可燃物的类型和燃烧特性可分为6类。A类火灾指固体物质火灾，一般具有有机物质的性质，有机物质一旦出现燃烧时，会产生一氧化碳为主要成份的有毒气体，通过温度、烟雾以及一氧化碳浓度即可以很容易的检测出来。B类火灾指液体或可融化的固体物质火灾，此类物质一般具有挥发性，而通过检测空气中气体的成份就可以容易地加以监控，此类物质燃烧时一般会产生一氧化碳，而挥发性的液体一般指乙醇。C类火灾指气体火灾，气体一般不在快递车的运输范围内，但由于运输过程中的紧急情况可能产生一定量的危险气体而导致产生火灾，此时引发火灾的气体一般指一氧化碳和甲烷。D类属于危险金属火灾，属于危险品运输的范围，一般快递车不会运输此类物质，当此类物质出现险情时，通过一氧化碳的检测就可以判断出是否出现此类物质的燃烧或爆炸。E类属于带电火灾，快递车不属于此范畴。F类为烹饪器内的烹饪物引发的火灾，也不在此研究范围内。根据快递车在运输物品时的实际情况，快递车可能发生的火灾一般是A类、B类和C类等，因此通过检测一氧化碳、乙醇和甲烷的浓度就可以判断出是否发生了火灾。

监测终端节点的传感器选择中，本实用新型采用了6类传感器，对温度、相对湿度、烟雾、一氧化碳浓度、乙醇浓度、甲烷浓度、车辆位置等7项数据进行较为精确的采集。快递车车厢环境温度传感器和湿度传感器采用的是DHT11温湿度一体式传感器；烟雾传感器采用的是气体传感器MQ-2传感器；危险气体传感器为一氧化碳浓度监测用CO-SFA-1000传感器、乙醇浓度监测用的是C2H5OH-CA1000传感器、甲烷浓度监测用的是CH4-D5W传感器；快递车位置信息采集采用的是SiRFstarIIIGPS定位传感器。监测终端节点采用CC2530无线射频收发芯片，各传感器采集的监测数据通过无线射频收发模块以无线传输方式传输给ZigBee协调器。

图2为监测终端节点的结构示意图，传感器组对快递车车厢的环境参数和车辆位置信息进行准确采集，A/D转换模块负责将传感器传来的外部数据进行A/D转换将模拟信号变成数据信号后送入MCU处理模块中进行处理，它也是一个数据通道。MCU处理模块是单片机的核心，其功能在于对监测数据进行初步的筛选分析和处理，将数据按照ZigBee协议打包成数据帧，通过接口传输给ZigBee通信模块。ZigBee通信模块主要完成以ZigBee方式通信的功能。ZigBee通信是一种低功耗，低速率，高可靠性，廉价，方便的组网方式，且反应速度快，能够保证对快递车车厢的实时监控，其覆盖范围在无增益时可达几十米，完全满足车辆监测的距离要求。

2.协调器

协调器部分采用TI公司生产的CC2530无线射频收发模块。协调器汇聚节点的核心模块是Zigbee通信模块，该模块利用天线与监测终端节点进行数据间的相互通信，包括从监测终端节点接收上传的环境参数数据，发送采集指令到监测终端节点，保证与Zigbee-3G/4G网关模块进行的正常数据通信。其余还有中央处理器、存储模块辅助对数据的存储与处理，具体结构设计如图3，另外，协调器的功能还包括建网与数据接收。

3.ZigBee-3G/4G网关模块

如图4所示，ZigBee-3G/4G网关模块包括STM32F103RCT6型单片机、华为MC509CDMA2000通信模块和华为ME909s-821通信模块。STM32F103RCT6型单片机负责数据接收和处理，华为MC509s通信模块负责3G通信，华为ME909s通信模块负责4G通信。

从协调器接收到的监测数据信息需要利用网关进行数据融合，以提高监测数据准确性和降低数据传送成本；无线传感器网络与3G/4G网络的信息互通需要利用网关，使得信息格式在网关中从ZigBee的帧格式转换成3G/4G的帧格式。ZigBee-3G/4G网关模块中的STM32F103RCT6型单片机将从协调器接收到的监测数据信息进行数据融合，并将融合后的数据信息通过串口连接方式发送到报警装置。之后，ZigBee-3G/4G网关模块中的STM32F103RCT6型单片机检测当前网络信号强度，若3G信号较强，则将融合后的数据信息进行协议转换和帧格式转换，传送到MC509通信模块中，MC509通信模块通过3G网络将监测数据信息发送到云服务器进行存储；若4G信号较强，则将融合后的数据信息进行协议转换和帧格式转换，传送到ME909s通信模块中，MC909s通信模块通过4G网络将监测数据信息发送到云服务器进行存储。

4.报警装置

报警装置由LED显示屏、微处理器和响铃装置组成，如图5所示。报警装置中的微处理器负责接收网关模块传送来的环境温度、空气相对湿度、烟雾浓度、一氧化碳浓度、乙醇浓度、甲烷浓度数据，显示在驾驶员可见的LED显示屏上，并将其与设定的安全范围进行比较判断。若监测数据信息处在安全范围之内，报警装置不作提示，若监测数据信息超出安全范围，则通过响铃装置向驾驶员语音播报提示信息或警报信息。

5.云服务器

云服务器主要实现数据存储功能。云服务器对操作环境初始化后检测中断状态寄存器的状态，查看通信端口是否接收到数据接收请求，若没有检测到，则返回继续查询，若发现请求，则对信息源进行验证，并返回应答指令，然后配置数据在服务器中的存储位置，之后提取数据并写入服务器的存储器中。

图6为本实用新型的主程序流程图。协调器建立网络；监测终端节点搜寻网络，若发现不了网络，监测终端节点将持续搜索，直至发现网络；发现网络后，监测终端节点上的各类传感器对快递车车厢监测区域内的环境参数、车辆位置信息等准确地进行实时采集；监测终端节点将采集到的数据信息发送给布置在驾驶室的ZigBee协调器；协调器通过串口将数据信息发送到ZigBee-3G/4G网关模块；ZigBee-3G/4G网关模块里的单片机将接收到的数据信息进行数据融合操作，将融合信息通过串口线连接方式发送到报警装置；报警装置接收到融合后的数据信息，判断数据是否异常，若数据正常，则将数据信息显示在显示屏上；若数据出现异常，则在显示屏上表示数据异常，并根据数据异常的范围通过语音对驾驶员进行告警；ZigBee-3G/4G网关模块判断当时网络信号强度，选择信号较强的3G或4G网络，对融合信息进行帧格式转换和协议转换，将数据发送给云服务器；云服务器接收网关的数据，将接收到的信息存储到数据库中。

如图7所示，报警装置对接收到的温度、烟雾浓度、一氧化碳气体浓度、乙醇气体浓度和甲烷气体浓度数据进行比较判断；设快递车车厢环境安全温度范围在70℃以下，烟雾浓度的安全范围为10ppm以下，一氧化碳气体浓度的安全范围为12.5％以下，乙醇气体浓度的安全范围为3.3％以下，甲烷气体浓度的安全范围为5％以下；如果接收到的烟雾浓度数据显示快递车车厢环境烟雾浓度大于10ppm，且接收到的一氧化碳浓度数据显示快递车车厢内一氧化碳浓度大于12.5％，表明快递车车厢中出现了火情，燃烧产生了大量一氧化碳，报警装置中的响铃装置播放“车厢出现火情，请注意停车灭火”的语音；如果接收到的烟雾浓度数据显示快递车车厢环境烟雾浓度大于10ppm，且接收到的一氧化碳浓度数据显示快递车车厢内一氧化碳浓度低于12.5％，表明快递车车厢中烟雾浓度超标，但没有起火，灰尘过多干扰了传感器工作，报警装置中的响铃装置播放“车厢灰尘过多，请注意清理”的语音。

在接收到的烟雾数据低于10ppm的情况下，如果接收到的乙醇气体浓度数据显示快递车车厢环境乙醇气体浓度大于3.3％，且接收到的温度数据显示快递车车厢环境温度高于70℃，表明快递车车厢中有乙醇气体泄露，并且有爆炸风险，报警装置中的响铃装置播放“车厢有爆炸风险，请注意防范”的语音；如果接收到的乙醇气体浓度数据显示快递车车厢环境乙醇气体浓度大于3.3％，且接收到的温度数据显示快递车车厢环境温度低于70℃，表明快递车车厢中有乙醇气体泄露，报警装置中的响铃装置播放“车厢有可燃气体泄露，请注意通风检查”的语音，同时将测得的环境参数数据及车厢位置等相关的信息上传到云服务器。

在接收到的烟雾数据低于10ppm，且接收到的乙醇气体浓度数据低于3.3％的情况下，如果接收到的甲烷气体浓度数据显示快递车车厢环境甲烷气体浓度大于5％，且接收到的温度数据显示快递车车厢环境温度高于70℃，表明快递车车厢中有甲烷气体泄露，并且有爆炸风险，报警装置中的响铃装置播放“车厢有爆炸风险，请注意防范”的语音；如果接收到的甲烷气体浓度数据显示快递车车厢环境甲烷气体浓度大于5％，且接收到的温度数据显示快递车车厢环境温度低于70℃，表明快递车车厢中有甲烷气体泄露，报警装置中的响铃装置播放“车厢有可燃气体泄露，请注意通风检查”的语音，同时将测得的环境参数数据及车厢位置等相关的信息上传到云服务器。

在接收到的烟雾数据低于10ppm，且乙醇气体浓度数据低于3.3％，同时接收到的甲烷气体浓度数据低于5％的情况下，说明快递车车厢内环境参数正常，没有出现安全风险，报警装置不报警；在完成接收数据的比较后，显示屏都会将接收到的数据信息显示出来，供驾驶员随时查看，同时测得的环境参数数据及车厢位置等相关的信息上传到云服务器。

在本实用新型运行当中，由于本实用新型涉及到测量较多种类的参数指标，且各个参数数据进行融合的原理相近，下面仅以测量参数指标中的车厢内环境温度这一指标为例，对之前所阐述的数据融合算法进行仿真测试并对其结果进行分析。当环境温度的测量采用5个传感器进行测量时，选取了10个连续时刻各监测终端节点采集到的温度值数据样本，如表1所示。

表1监测终端节点采集数据样本

温度(℃)	传感器1	传感器2	传感器3	传感器4	传感器5
						t1	20.0	19.8	20.1	20.2	19.9
t2	20.0	19.8	20.1	20.2	20.0
						t3	20.1	20.0	20.2	20.2	20.0
t4	20.0	19.9	20.1	20.3	19.9
						t5	20.0	19.8	20.1	20.2	19.9
t6	20.0	19.8	20.1	20.2	19.9
						t7	19.9	19.7	20.0	20.2	19.9
t8	20.0	19.8	20.1	20.0	19.8
						t9	19.9	19.8	20.0	20.1	19.9
t10	20.0	19.8	20.1	20.2	19.9

如图8所示，数据融合处理方法是基于皮尔逊相关运算处理的卡尔曼滤波改进算法，即先利用皮尔逊相关运算对测量数据中的异常数据进行修正，然后使用卡尔曼滤波算法进行数据融合，具体步骤如下：

1)针对于每个要测量的参数指标(以温度为例)，将检测的源数据以时间为序排列，并按获取源数据的不同来源对数据进行分组，即将表1中数据按传感器分为5组，分别为T₁、T₂、T₃、T₄、T₅，将每组源数据以时间为序排列，每5个采样时刻温度数据作为一个序列；该序列中温度数据的序号为n＝1,2，……，5。

2)针对序列中任一T_i组数据，i≠1且i≠5，计算其前一组(T_i-1组)数据和其后一组数据(T_i+1组)数据的标准差，若标准差都不为0，可进行接下来的处理；若i＝1，则计算T_i+1组和T_i+2组数据标准差(即T₂和T₃组数据的标准差)，若i＝5，则计算T_i-1组和T_i-2组数据的标准差(即T₄和T₃组数据的标准差)。标准差表示数据组的数据的波动程度，标准差都不为0说明数据波动较大，有可能出现异常情况，需要进一步判断。i＝1，2，3，4，5，表示数据组序号；

3)若标准差都不为0，将T_i组数据与另两组数据(T_i-1组数据和T_i+1组数据)进行皮尔逊相关运算，分别求出皮尔逊相关系数，具体计算如式(1-1)、(1-2)、(1-3)、(1-4)所示：

${\mathrm{\ρ}}_{i-1,i}=\frac{E\left(T_{i-1}{T}_i\right)-E\left(T_{i-1}\right)E\left(T_i\right)}{\sqrt{E\left({T_{i-1}}^2\right)-E^2\left(T_{i-1}\right)}\sqrt{E\left(T_i^2\right)-E^2\left(T_i\right)}}---(1-1)$

$E\left(T_i{T}_{i+1}\right)=\frac{\underset{n=1}{\overset{N}{\Σ}}\left(T_{in}{T}_{(i+1)n}\right)}{N}---(1-2)$

${\mathrm{\ρ}}_{i,i+1}=\frac{E\left(T_i{T}_{i+1}\right)-E\left(T_i\right)E\left(T_{i+1}\right)}{\sqrt{E\left(T_i^2\right)-E^2\left(T_i\right)}\sqrt{E\left({T_{i+1}}^2\right)-E^2\left(T_{i+1}\right)}}---(1-3)$

$E\left(T_i{T}_{i+1}\right)=\frac{\underset{n=1}{\overset{N}{\Σ}}\left(T_{in}{T}_{(i+1)n}\right)}{N}---(1-4)$

式(1)中ρ_i-1,i是T_i-1组数据与T_i组数据的皮尔逊相关系数，ρ_i,i+1是T_i组数据与T_i+1组数据的皮尔逊相关系数，用来表示两个数据组之间的线性相关程度，正常情况下数据组之间是相关的，皮尔逊系数大于0.5；E表示数据组的数学期望(例如E(T_i)的数学期望即数据组T_i的均值；E(T_iT_i+1)表示T_i组数据与T_i+1组数据乘积的均值)；其中，n表示T_i数据组中按时间排序的序号，这里n＝1，2，3，4，5；N表示T_i数据组中数据的个数，这里N＝5，T_in表示T_i组数据组中序号为n的温度数据；

4)判断T_i组数据与相邻两个组数据的皮尔逊相关系数是否都小于0.5，若是则可以断定数据出现异常干扰，需要进行数据修正，否则不必修正；对异常T_i组数据修正时，针对任一时刻k，先计算T_i组该时刻的数据T_{k_i}与该时刻所有数据(来自不同的组)的均值的差值DV_{k_i}(T)，然后将差值的绝对值|DV_{k_i}(T)|与该时刻所有数据的标准差S比较，若|DV_{k_i}(T)|>S且|DV_{k_i}(T)│<2S，则将异常T_i组数据修正为该时刻所有数据中位数与均值的平均值；若|DV_{k_i}(T)|>2S，则将异常T_i组数据修改为该时刻所有数据的中位数；若|DV_{k_i}(T)|<S，则不修正；然后进行数据合并，即计算在该时刻修正后的所有数据(来自不同的组)的均值，并将其作为该时刻的合并数据；经过该步骤得到合并后的样本数据Z(k)，k＝1，2，3，4，5；

5)建立一个离散控制过程系统模型，用线性随机微分来对该系统进行描述如式(2)所示：

X(k)＝A·X(k-1)+B·U(k-1)+W(2)

式(2)中X(k)为在k时刻相对应的系统状态变量，X(k-1)表示为在k-1时刻相对应的系统状态变量，X(0)＝Z(1)；系数A和系数B表示的是系统参数，在使用的系统模型为多模型系统时，A和B的值为系数矩阵，本实用新型中，进行采集的数据物理量跟前一时刻的数据物理量具有相同的规律，因此可得A为单位矩阵，方程中的系数A为1；U(k-1)表示为在k-1时刻相对应的系统控制量，本实用新型中没有对系统进行控制，U(k-1)为0；W为系统噪声；

6)利用已建立系统的系统状态变量的协方差值来进行系统的最优化观测估计。计算过程为：根据系统前一时刻的状态变量来估计出系统当前时刻的状态变量X(k|k-1)；利用前一时刻状态变量协方差值对状态变量X(k|k-1)的协方差P(k-1|k-1)进行估计；根据状态变量估计值、协方差估计值和修正后的样本数据Z(k)，可以得到X(k|k)及卡尔曼增益Kg(k)，取得时刻k的状态最优观测估计值X(k|k)；具体计算公式如下：

X(k|k-1)＝A×X(k-1|k-1)+B×U(k-1)+W(3)

P(k|k-1)＝A×P(k-1|k-1)×A'+Q(4)

Kg(k)＝P(k|k-1)×H'/(H×P(k|k-1)×H')(5)

X(k|k)＝X(k|k-1)+Kg(K)×(Z(k)-H×X(k|k-1))(6)

P(k|k)＝(I-Kg(k)×H)×P(k|k-1)(7)

式中X(k|k-1)表示为由前一时刻状态变量通过估计而得出的结果，X(k-1|k-1)表示为前一时刻状态变量所具有的最佳观测估计值，P(k|k-1)是X(k|k-1)协方差值，P(k-1|k-1)是X(k-1|k-1)协方差值，矩阵A'表示A的转置矩阵，A'的值为1；Q表示系统噪声W的协方差值；Kg(k)为卡尔曼增益；系数H表示为所在研究系统的与测量相关的参数，由于本实用新型中所采用的传感器均是将实际测量值与需要测量的物理量直接对应，因此H为全1的矩阵，系数H值为1，H’为H的转置矩阵H’的值为1；X(k|k)是k时刻系统状态变量的最优化观测估计，P(k|k)为X(k|k)的协方差，系数I为全1的系数矩阵；其余参数意义与式(2)中相同；

具体估计过程如下：

k＝1时，分别利用式(3)、(4)计算X(k|k-1)、P(k|k-1)；本实用新型将数据组k＝1时刻的样本数据Z(k)赋给X(0|0)；由于随着算法进行数据融合时，状态变量将趋于收敛，因此对协方差值而言，一般取0至1之间的值均可，这里取P(0|0)为0.5；然后利用式(5)计算卡尔曼增益Kg(k)，再利用式(6)计算k时刻系统状态变量的最优化观测估计X(k|k)；

利用式(7)计算X(k|k)的协方差P(k|k)；

利用计算出的最优化观测估计X(k|k)和X(k|k)的协方差P(k|k)对式(3)、(4)中的X(k-1|k-1)、P(k-1|k-1)进行更新，再利用式(5)、(6)、(7)计算下一时刻的最优化观测估计X(k|k)和X(k|k)的协方差P(k|k)；依此进行递归运算，直至求出所有k时刻的观测估计值X(k|k)，即融合处理后的数据信息。

算法以观测估计值来替代实际检测值(即融合后得到的数据信息)，使数据量减小，并提高准确率，算法结束。

本实用新型稳定运行时，表1所示的监测终端节点采集的5组数据通过基于皮尔逊相关处理的卡尔曼滤波改进算法进行数据融合，并将融合前的实际检测值与融合后的观测估计值的波动情况进行比较，如图9所示。从图9中可以看出，在无干扰的情况下，本实用新型的数据融合算法能较好地将不同组的数据按时间段进行融合，减少了数据量，同时融合结果可以看出源数据的趋势与特征与源数据相比更加平稳，体现出了本实用新型设计的数据融合算法的高传输效率。

由于本实用新型设计的快递车危险预警系统及方法具有开放性，在某些特殊情况下也会出现一些不可避免的外界干扰或系统本身由于某种原因传感器而引起的系统干扰。在这种情况下，系统测量的源数据可能会出现较多的疏失数据或干扰数据。为检测本实用新型的数据融合算法的抗干扰性，将表1所示的监测终端节点采集的5组数据添加随机干扰，再进行数据融合处理，并将融合前的添加干扰的实际检测值与融合后的观测估计值的波动情况进行比较，如图10所示。从图10中可以看出，在有干扰的情况下，本实用新型的数据融合算法能较好地将不同组的数据按时间段进行融合，减少了数据量，可以将随机干扰进行一定的消除，同时能够看出源数据的趋势与特征使融合结果平缓，体现出了本实用新型设计的数据融合算法的高传输效率、高准确性与抗干扰性。

如图11所示，云服务器主要实现数据存储功能。云服务器对操作环境初始化后检测中断状态寄存器的状态，查看通信端口是否接收到数据接收请求，若没有检测到，则返回继续查询，若发现请求，则对信息源进行验证，并返回应答指令，然后配置数据在服务器中的存储位置，之后提取数据并写入服务器的存储器中。

Claims (3)

1.一种快递车危险预警系统，其特征在于包括布置在快递车车厢内的监测终端节点，ZigBee协调器，ZigBee-3G/4G网关模块，云服务器，报警装置；监测终端节点的传感器组采集车厢内的环境参数监测数据和快递车的位置监测数据，并通过无线传输方式发送给布置在驾驶室内的ZigBee协调器；ZigBee协调器将监测终端节点采集的监测数据汇总并通过串口线连接方式发送到ZigBee-3G/4G网关模块；ZigBee-3G/4G网关模块对监测数据进行Zigbee与3G/4G的数据帧格式转换和协议转换后通过3G/4G网络将转换后的数据信息上传至云服务器；云服务器接收由ZigBee-3G/4G网关模块传送来的数据信息并将其存储到数据库中；同时，ZigBee-3G/4G网关模块将数据信息通过串口线连接方式发送给报警装置；当数据信息出现异常时布置在驾驶室内的报警装置发出告警信号，同时将报警信息实时传输给ZigBee-3G/4G网关模块并显示在显示屏上；发出的报警信息同时实时传输给云服务器；当数据信息正常时报警装置将安全信息实时传输给ZigBee-3G/4G网关模块并显示在显示屏上。

2.根据权利要求1所述的快递车危险预警系统，其特征在于所述监测终端节点的传感器组包括温湿度一体式传感器，烟雾浓度传感器，危险气体浓度传感器和快递车位置传感器；温湿度一体式传感器、烟雾浓度传感器、危险气体浓度传感器和快递车位置传感器分别实时采集快递车车厢内的温湿度、烟雾浓度、危险气体浓度和快递车位置信息，并将其发送给ZigBee协调器。

3.根据权利要求2所述的快递车危险预警系统，其特征在于所述危险气体浓度传感器包括一氧化碳浓度监测用传感器、乙醇浓度监测用传感器、甲烷浓度监测用传感器；这些传感器实时采集并将烟雾浓度、一氧化碳气体浓度、乙醇气体浓度、甲烷气体浓度传输给ZigBee协调器。