基于物联网的油烟浓度实时监测系统设计

范庭芳，赵 坤，钱松荣

0 引言

随着目前政府和民众对于空气质量的要求不断的提升，环保部门在空气质量监测上可谓尽心尽力。现有的油烟浓度监测主要是环保部门对餐饮企业进行抽检，工作人员在被抽检单位进行采样，将样品带回实验室进行含量分析。浓度检测主要采取光谱分析，利用不同光谱线的吸收峰位置不同来判断浓度大小。此法能够做到的精度较高，但缺点是不能做到实时、动态的监测；而且覆盖面较小，容易使一些餐饮企业产生“侥幸心理”，仅应付检查而平时随意排放。

目前市场上已经出现了一些油烟实时监测的系统，主要是利用费加罗（FIGRAO）公司TGS2100油烟传感器进行油烟浓度监控。但有一个致命的缺点是精度不够高，误报率较高。（同时面临包围在传感器外面的滤网需要经常清洗以及过滤后的浓度不是真实浓度的问题）。

本文正是从以上情形出发，设计一套基于物联网，同时结合数据融合的方案，来对油烟浓度监测领域现状进行改进。以期实现实时动态的监测，同时提高监测系统的精确度和可靠性。同时做出实验室原型，实现基本的功能以及提出将来需要改进的点。

1 系统整体方案设计

本系统可以分为3个模块，如图1所示：

图1 系统框架

从做至右依次是模块1数据采集；模块2进行AD转换以及简单的数据融合操作；模块3是通过GPRS将简单融合数据传至服务器端，进行深度数据分析和处理，实时显示和判断报警。

在系统工作流程上，4个传感器首先通过传感器控制模块，在餐馆的油烟出风口处采集相关的数据，由于餐饮油烟成分复杂，所以我们在考虑选择传感器的时候会考虑覆盖的综合性。传感器将实时采集的数据通过AD转换同步传输给基站，并进行初步的数据融合措施，以便于GPRS传输。在GPRS传输过程中，使用的是SIM900A芯片，其稳定性和低功耗可以为基站稳定工作提供保证。最后，远端服务器收到数据，利用神经网络等多种算法，存入数据库并进行实时显示。

2 系统硬件设计

系统硬件主要分为：传感器及其处理模块，基站处理模块、GSM/GPRS传输模块。

2.1 传感器及其处理模块

鉴于油烟成分复杂，包括醛、酮、烃、脂肪酸、醇、芳香族化合物等，因此我们选择4个传感器作为我们的数据采集工具。包括如下：传感器1：MQ-7B，一氧化碳传感器；传感器2：MQ-138，甲醛传感器；传感器3：MQ-135，空气质量传感器（氨、硫化物、丙酮、甲苯、酒精等；传感器4：TGS813，可燃气体传感器（氢气、异丁烷、乙醇、甲烷等）。这4个传感器均具有良好的灵敏性、合理的性价比、借口方便等特点，测试的覆盖面也较广。

利用各传感器接口统一的特点，我们用LM393来对其进行控制并设计成可输出模拟以及数字两路信号的简单模块。硬件实物图，如图2所示：

图2 总体硬件设计图

2.2 基站处理模块

考虑成本以及在基站处理过程中的复杂度，我们选用的单片机是STC12C5A60S2，其是增强型8051CPU，具有8路10位精度ADC，可以实现250K/S的转换速度。

基站处理模块主要通过ADC接口将传感器传输过来的模拟信号转换成数字信号，并做初步处理使得数据具备易读性。主要的操作流程是单片机间隔一定时间（例如1分钟），去轮询读取每个传感器上的数值，并将汇总的4个传感器信息发送给后续的信号传输模块。此外处理模块设置有超时重读以及故障复位等功能。

2.3 GSM/GPRS传输模块

在考虑GPRS传输上，我们采用市场上较为成熟的SIM900A，其是紧凑、高可靠性、低成本的无线模块。工作频段是双频GSM/GPRS 900/1800MHz。

由于本系统测试实际场合的条件的限制，本文中所涉及的硬件部分，特别是传感器处理模块，均需要很好的利用滤网等进行初步过滤，防止直径过大的油滴等缩短传感器使用寿命。

3 系统软件设计

本文中的系统软件设计主要包括三大块：传感器数据读取、GPRS模块数据传输以及数据融合算法。

街道还会不定期举行大型消防演练，主要由辖区内的消防大队组织开展，每次演练都需要九个社区派人过去参与、学习。 消防演练能够普及救火救援知识，对于社区微型消防站成员的实际学习效果还带有考证。

3.1 传感器数据读取及GPRS数据传输模块

基站部分的软件开发平台包括传感器数据读取、GPRS模块传输，使用的编译平台是Keil uVision4。

代码流程图，如图3所示：

图3 基站代码流程图

系统接口主要有传感器模块和基站模块接口（串口1）、基站模块和GPRS模块接口（串口2），分别对两个串口以及单片机和SIM900A初始化之后，便进入循环采集流程。单次循环的终点是将初步融合的数据发送至服务器端。

3.2 数据融合算法

多传感器数据融合技术已成为一个十分活跃的研究领域，它的应用也越来越广泛，如机器人系统，图像分析与处理，目标自动识别，工业现场的参数检测等。本文使用的数据融合主要分为随机数学算法和人工智能算法，各自均有不同的特点和优势。

3.2.1 随机数学算法

该类算法的主要特点是利用数学概率等方法，进行滤波和估计。主要有加权平均、卡尔曼滤波、bayesian估算、D-S证据方法等。本系统采用的是D-S证据方法，其主要的操作流程，如图4所示：

图4 D-S证据方法

D-S证据推力方法的主要特点是满足比贝叶斯概率理论更弱的条件；具有直接表达“不确定”和“不知道”的能力。

3.2.2 人工智能方法

人工智能方法主要考虑模糊逻辑算法和神经网络算法。在本系统中，我们主要考虑神经网络算法，神经网络中比较基础的BP算法，如图5所示：

图5 BP算法示意图

通过3层（输入、隐性、输出层）以及六步（1、初始化；2、输入训练样本对，计算各层输出；3、计算输出误差；4、计算各层误差；5、调整各层权值；6、检查是否达到精度要求）。建立好对应的输入输出模型，以达到对应模拟要求。

本系统还采用了SVM（支持向量机）算法以做相应的比较推理。SVM算法可以针对线性可分情况进行分析，但也可以将线性不可分通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，并进行数据分析。该法可以在满足一定概率下尽可能降低风险。

选择不同的核函数（Kernel Functions）可以生成不同的SVM，鉴于我们整体模型的复杂度，我们选择多项式核函数（K(x,y)=[(x*y)+1]d作为本系统的核函数。

4 现场测试以及分析

在搭建了合理的硬件以及软件平台之后，我们进行了实地数据测试，测试地点是上海市杨浦区某海鲜餐馆油烟出风口。实地测试数据截图，如图6所示（标准浓度为1.3mg/m^3）：

图6 标准浓度为1.3mg/m^3实测数据

图6中显示的是4个传感器返回的初步融合数据，最左侧的31是返回的发送采集数据指令。显而易见在经过前期的数据不稳定期之后，通风口浓度基本上维持在一个稳定的水平。

通过以上阐述的数据拟合方式，我们可以得到的标准值与传感器测得值的对比，如图7所示：

图7 数据融合与标准值对比

可以看到，两者具有较好的相关性。而进一步的测算显示，本系统比单传感器精度提高20%以上。

5 总结

本文设计了一套基于物联网系统实时油烟浓度监测系统，能够较好的解决目前油烟监测方面存在的一些问题和缺陷，利用数据融合算法，提高判断精度，比普通单传感器系统精度提高20%以上，实现效果良好。今后的改进方向在于提高传感器使用寿命、测试精度以及更精美的UI设计。

[1]STC12C5A60S2单片机数据手册[K].

[2]SIM900AATCommandManualCNV1.03[K]

[3]丁飞，饮食业油烟净化设备油烟净化效率检测方法探讨，[J]《上海环境科学》，2010年第29卷第4期

[4]许建龙，陈益民，骆德汉，基于GPRS的油烟远程无线监控系统设计，[J]《现代电子技术》，2009年第五期

[5]刘从平，何雨箐，餐饮业油烟测试中需注意的问题，[J]《环境监测管理与技术》，2003年4月