基于云计算平台的室内环境监测系统设计与实现*

刘雄飞， 聂 伟， 陈 浩， 赖思敏

(1.中南大学 物理与电子学院，湖南 长沙 410083；2.湖南恒茂高科股份有限公司，湖南 长沙 410205)

0 引 言

室内环境的健康舒适和安全等方面因素得到了很多国家和地区的关注，具有很大的研究价值。文献[1]通过对室内热环境舒适度评价及有害气体浓度预警，设计并实现了室内环境监测系统。文献[2]运用无线传感网络和通用分组无线业务(general packet radio service,GPRS)无线通信技术对室内的温度、甲醛和CO进行监测。文献[3]通过ZigBee技术和WiFi技术相结合，完成了一种基于物联网的室内环境监测系统。但目前对室内环境监测及评价研究大都只是针对于室内单一环境因素，不足之处在于对室内环境的监测及舒适性评估存在一定的局限性。

本文综合考虑声、光、热环境和室内空气质量对人的影响，通过物联网技术和云计算平台，将室内各环境相结合，得到室内环境综合评价结果，极大地提高了室内环境监测系统的准确性和有效性。

1 室内环境监测系统设计

该系统由数据采集子系统和云计算处理平台两部分组成。采集子系统使用CC2530作为控制单元，针对室内声、光、热环境及空气品质监测分别采用对应的传感器组：温湿度传感器采用DHT11，光照度传感器选用GY—485—44009，噪声模块选用AS11—X，甲醛浓度检测模块选用DS—HCHO，总挥发性有机化合物(total volatile organic compound,TVOC)浓度检测模块选用KQM2801A，CO2浓度检测传感器选用S8—0053。传感器组在采集同时对应编号处理，以便对不同采集点进行识别，采集数据通过无线传感网络存储到云服务器数据库，以便云计算平台进行数据处理，云计算平台通过神经网络和D-S(Dempster-Shafer)证据理论两级数据融合对室内环境进行综合评价并提供Web服务。

2 室内环境舒适度评价描述

2.1 室内热环境舒适度评价

本文对室内热环境描述采用PMV-PDD指标[4]。PMV指标主要用于热环境舒适度评价，而PDD指标表示人们对热环境的不满意系数，根据PMV-PDD模型计算以及ISO标准，对室内热环境可以按照表1进行评估。

表1 室内热环境舒适度决策表

2.2 室内光环境舒适度评价

对于室内光环境舒适度通过LPDD来评价，表示人们对照明光环境的满意情况[5]。根据韦伯—费昔勒定律，在没有强光闪烁的环境中，光环境舒适度可以用该环境中人眼光刺激LPMV指标来表示。LPMV可以表示为

LPMV=f(E,Ra,Tcp)

(1)

式中E为平均照度，Ra为一般显色指数，Tcp为色光相关色温。而光环境满意率LPPD与LPMV存在如下关系

(2)

式中C为比例常数，n为常数。根据GBJ113—90与GB50034—2004，对室内光环境舒适度划分如表2所示。

表2 室内光环境舒适度决策表

2.3 室内声环境舒适度评价

目前对噪声的普遍评价是根据噪音的客观因素，仅仅根据噪声分贝的大小来评价噪声的影响。本文从噪声对人的影响四个维度来考虑，分别是噪声影响正常交流、影响思考、影响休息以及噪声导致人们情绪的变化。通过噪声分贝根据GB3096—2008《声环境质量标准》和GB/T50108-2010《民用建筑噪声设计规范》对室内声环境舒适度决策如表3所示。

表3 室内声环境决策表 dB

2.4 室内空气品质评价

大多对室内环境监测研究中，基本都包含了室内空气品质的实时监测。本文通过传感器检测室内CO2浓度、甲醛浓度和TVOC浓度来评价室内空气质量[6]，根据国家室内空气质量标准GB/T18883—2002，对室内空气品质的评价如表4所示。

表4 室内声环境舒适度决策表

3 云计算平台融合算法

云计算平台的处理首先通过神经网络对室内各环境采集的数据进行特征级融合，然而神经网络在预测过程中容易陷入局部极小点，存在识别度不足和准确性低等问题，D-S证据理论可以将证据之间微弱的差别进行累加，当这些差别累积到一定程度时就很方便进行区分，从而提高评价的准确率。本文通过D-S证据理论对特征级融合结果进行分析决策判断，得到室内环境的综合舒适度评价，云计算平台的融合模型如图1所示。

图1 融合模型

3.1 基于神经网络的特征级融合算法

根据热舒适度指标PMV计算公式可知，其计算结果和输入参数间存在复杂的非线性关系，计算PMV值的关键是求解tcl，而tcl的计算又依赖于hc，而hc的求解又依赖于tcl，其运算过程存在迭代嵌套。反向传播(back propagation,BP)神经网络在很多领域都有广泛的应用，但由于BP神经网络采用基于梯度下降作为其学习算法，容易陷入局部极小值问题。而遗传算法作为一种全局优化搜索方法，容易得到全局最优解，通过遗传算法对BP网络的初始权值和阈值进行优化。因此将遗传算法与BP神经网络结合，可以避免各自存在的问题，从而能够达到快速收敛[7]，算法流程如图2所示。

图2 遗传神经网络算法流程

通过遗传算法进行优化得到BP网络的初始权值和阈值，再通过BP算法进行学习。对于室内热环境评价的神经网络模型，其输入层节点数为6个，即影响PMV指标的6个因素，其输出为对应的PMV和PDD值。实验时，将训练精度设置为10-3，BP神经网络通过89次满足预期要求，而遗传算法优化的神经网络在满足同等条件下仅需12次就达到了设定精度要求，对比可知，通过遗传算法优化的BP神经网络极大提高了BP网络的收敛速度，其训练误差对比如图3所示。

图3 训练误差对比

对于室内声、光环境和空气品质采用BP神经网络。室内光环境中输入层节点数为3，室内声环境的输入层节点为4，空气品质的输入层节点为4，其输出为对应评价的4个等级。为了避免在D-S证据理论进行决策级融合时由于BPA为0而引起证据冲突问题，在测试中将输出定义为0.1和0.9，而非传统的0和1。将网络的目标误差E设为10-3，室内光环境、声环境和空气品质的训练模型分别通过114，169，54次学习，达到设定精度。根据训练好的网络模型，通过传感器采集的样本数据进行仿真。室内热、光、声环境及空气品质融合的舒适度评价分别如表5～表8所示。

表5 室内热环境融合结果

表6 室内光环境融合结果

表8 室内空气品质融合结果

3.2 基于D-S证据理论的决策级融合算法

通过特征级融合得到室内热、光、声环境及空气品质的舒适度评价，决策级融合采用D-S证据理论算法，将特征级融合后的结果作为D-S证据理论的证据，进行证据组合，得到最终融合结果。经D-S证据理论进行融合时，其证据必须经过归一化处理。由于室内热环境的特征融合输出不同于室内光、声环境和空气品质的输出，需要对其处理以便于决策级融合。根据隶属度函数计算得出其相应的隶属度。再根据式(3)进行归一化处理

(3)

本文的识别框架Θ={优,良,中,差}。将各环境舒适度对应的4个等级的隶属度作为基本概率分配函数BPA。根据多个证据的组合规则

(4)

式中k为证据之间的冲突水平。将特征级融合的输出结果经归一化处理为决策级融合做准备，采用D-S证据理论按照多个证据的组合规则进行证据组合，从而得到室内环境的综合舒适度评价，对上述四组特征级融合数据进行决策级融合，其融合结果如表9所示。

表9 决策级融合结果

4 系统测试

本文实验在研究楼的4个实验室分别布置了4组传感器进行数据采集。实验环境为冬季室内，一般人体为坐下休息状态，热环境参数中，取M为58.2 W/m2,室内空气流速为0.1 m/s,服装热阻Icl取1.0 Clo，平均辐射温度为室温。传感器组以1次/min速率采样并存入数据库，经过采用上述算法的云计算平台进行数据分析处理，通过http请求访问监测平台页面如图4所示，该系统经过两级融合模型对室内各环境进行综合评价，其评价结果更为可靠。

图4 监测平台界面

5 结 论

本文通过室内环境监测和舒适度融合评估问题，通过物联网技术和云计算平台开发了一种使用方便、成本低、稳定的室内环境监测系统。在云计算处理平台实现了一种神经网络与D-S证据理论相结合的两级融合评价模型，将各环境相结合进行综合评价，很好地克服了在传统室内环境监测评估中，由于监测评估环境单一而产生的局限性和不确定性，提高了室内环境评价的可靠性和容错能力，具有很好的实用性和市场价值。