基于正太分布离群算法的冷链温度监测系统

冯 旭

（无锡江南计算技术研究所，江苏 无锡 214000）

冷链是指易腐食品从产地收购或捕捞之后，在产品加工、贮藏、运输、分销和零售、直到消费者手中，其各个环节始终处于产品所必需的低温环境下，以保证食品质量安全，减少损耗的特殊供应链系统[1]。温度是整个冷链运输系统的关键控制点，对于运输过程中温度的控制和监测是保证食品质量和安全的关键所在[2-5]。冷链温度监控是目前的研究热点。冯旭等为解决羊肉冷链运输过程中温度信息难以实时监测与调控等难题，采用ZigBee、高级精简指令集计算机（advanded RISC machine，简称 ARM）等嵌入式技术设计一种基于模糊比例-积分-微分 （proportionintegral-derivative，简称PID）的羊肉冷链运输温控系统[6]。张凯等针对目前冷链物流运输过程中食品和车辆的安全问题及实时性，设计了一种基于STM 32的车载监测系统[7]。张铮等针对物联网技术在冷链监测应用中面临的诸多障碍和挑战，如无线通信能耗、可靠性等，根据冷链监测的特点、需求等，采用基于ARM Cortex-MO内核的超低功耗MCU和Sub-GHz无线通信方案，设计了一种新型低功耗无线监测平台[8]。王义勇为保证农产品冷链物流过程中的质量安全，提高冷链物流过程的透明度，降低物流损耗，对冷链产品进行有效的监测，提出并开发了一种农产品冷链物流监测平台，实现了异常信息报警和监测数据查看分析等功能[9]。王想等为了保证北美冬青鲜切枝冷链物流过程中的品质，提高冷链物流过程的可追溯性和透明度，以433 MHz为发射频率，温湿度和气体环境为关键参数，设计了面向北美冬青鲜切枝冷链物流的无线实时监测系统[10]。

通过对上述研究进行分析发现，目前对冷链物流的监控研究主要集中在监控系统的设计和开发，很少有对采集的温度数据中错误信息进行处理的研究。为此笔者根据冷链运输过程中所采集的温度数据的特点，设计了一种基于正太分布离群算法的冷链温度监控系统，以期为冷链温度监测研究提供依据。

1 基于正态分布离群的温度数据检测方法

基于正态分布离群算法属于基于统计离群算法的一种，适用于数据量大、一维的、数据集有确定的数学模型的情景。冷链物流运输过程中采集的温度具有数据量大、一维性、呈正态分布性等特点[11]，将基于正态分布离群算法应用于冷链温度监测系统中是合理的。

基于正态分布离群的温度数据检测方法，首先为温度数据构建基于正态分布的数学模型，然后通过该模型对采集的温度数据进行检测。明显不符合正态分布模型的数据即可认为是离群点。检验不符合正态分布模型的数据主要有两个步骤：①计算温度数据的均值μ和标准差σ；②检验数据是否为离群点。

1.1 温度数据均值μ和标准差σ的计算方法

首先假设整个温度数据都服从正态分布模型，然后利用极大似然估计函数计算均值μ和标准差σ。正态分布模型如公式（1）和（2）所示：

极大似然估计函数推导出的均值和标准差如公式（3）和（4）所示：

式中：xi为单个温度数据；F为整个温度数据集；μ为整个温度数据的均值；σ为整个温度数据的标准差。

1.2 离群点检测方法

首先根据公式（3）和（4）计算出的温度数据的均值μ和温度数据的标准差σ设定正常温度数据的区间，然后遍历整个温度数据样本，观察其是否落在区间中，若落在区间则认为是正常的数据；若不在此区间中，则可认为是离群点，并将其从整个温度样本中剔除。基于正态分布离群的温度数据检测方法流程如图1所示。

图1 温度数据检测流程

2 系统总体设计

根据系统设计要求，采用无线传感器网络技术，设计了一种基于正太分布离群算法的冷链温度监控系统。该系统主要由协调器模块、终端信息采集模块以及上位机数据显示模块3个部分组成，系统的总体框架如图2所示。

2.1 协调器模块硬件设计

协调节点主控模块采用TI公司的CC2530芯片。该芯片内部集成了2.4 GHz标准射频收发器和增强型51单片机，具有256 Kb的闪存容量，完全满足温度数据的采集与传输。CC2530芯片的具体性能参数如表1所示。

图2 系统整体结构图

表1 CC2530参数

协调节点的主要任务是负责接受终端节点发送的温度数据，并将接受的数据通过RS485总线发送至上位机。上位机通过离群算法将接收到的温度数据中的错误信息剔除并在显示屏上显示，从而达到监控温度的目的。协调节点硬件如图3所示。

图3 协调节点硬件

2.2 终端采集系统硬件设计

终端采集系统是整个温度监测系统的最基本组成单位，必须具备实时感知整个冷链运输过程中车厢内温度的功能。终端采集系统的主控模块也是采用CC2530型芯片设计的，而温度传感器模块采用的是DS18B20温度传感器。终端采集系统硬件如图4所示。

图4 终端采集系统硬件

DS18B20温度传感器采用单总线接口方式，其温度检测范围为-55～125℃，编程为9～12位A/D转换精度，温度分辨率可达0.0625℃，且测得的温度值以16位数字量的方式进行串行传输，因此，特别适合用于像冷链运输这种对温度有较高要求的监测系统。

DS18B20数字温度传感器有2种接线方式，分别为使用外部电源VDD的接线方式和使用寄生电源的接线方式。当使用外部电源时，VDD端口接3.0～5.5 V电压；当使用寄生电源时，VDD端口接地。2种接线方式分别如图5所示。

图5 数字温度传感器接线方式

本系统中将温度传感器DS18B20的DQ引脚与CC2530芯片相连，实现数据的传输；VDD引脚与CC2530芯片稳压电源相连接，稳压电源提供稳定的+5V电压，并且在数据线DQ上连接一个阻值为4.7 K的上拉电阻，实现对DS18B20温度传感器的供电；GND引脚则与CC2530芯片的GND共地。

3 系统软件设计

系统软件设计分为终端节点软件设计和协调节点软件设计。这两部分都是基于Z-Stack2007协议栈设计开发的，主要实现协调节点与终端采集系统之间相互通信和DS18B20温度传感器的数据采集功能[12-13]。基于Z-Stack2007协议栈开发的终端节点和协调节点程序工作流程如图6所示。

3.1 终端采集系统软件设计

ZigBee网络中终端采集系统主要负责温度数据的采集及传送，温度数据通过DS18B20传感器进行采集。由于DS18B20温度传感器对读写数据位的时序非常敏感，因此在使用时需对DS18B20温度传感器进行复位和拉高总线操作。

终端采集系统功能的实现主要在于数据采集函数编写，而数据采集程序只需在Z-Stack2007协议栈的应用层进行开发。在应用层定义温度采集任务，当有任务就绪时，调用相应的处理函数；无任务时，系统进入休眠以降低功耗。终端采集节点工作流程如图7所示。

图6 终端节点与协调节点工作流程

图7 终端采集系统工作流程图

3.2 协调节点软件设计

ZigBee网络中协调器节点主要负责ZigBee网络的组建、数据接收。协调器节点开始运行后与终端节点一样，先进行初始化，包括初始化寄存器、堆栈、系统时钟等，然后通过修改Z-Stack2007协议栈的相关层来实现网络的组建。具体过程为：首先，在APP层发起网络组建的请求，NWK层收到请求后向MAC层发送信道扫描命令，MAC层扫描信道后将可用信道发送给NWK层；其次，根据信道扫描结果，确定协调器节点PAN ID为其分配地址，并设置MAC层的相关参数；最后，启动已组建的网络。Zig－Bee网络建立之后，协调节点就可以接收终端采集系统传送来的数据。协调节点工作流程如图8所示。

4 实验与方法

由于条件限制，实验难以在冷藏车厢内进行，因此本实验采用新飞BC-60型冰箱来模拟冷藏车厢。BC-60型冰箱的参数如表2所示。

表2 BC-60型冰箱性能参数

图8 协调器节点工作流程图

BC-60型冰箱为2层的结构，因此本实验只在冰箱上下层各布置一个节点进行温度的采集，节点布置方式如图9所示。

图9 节点布置方式

4.1 温度数据曲线拟合

实验共设置2个采集节点，节点数据采集周期为6 s，两个采集节点分别采集了611个温度数据。由于上层采集节点靠近冷冻室，温度比下层低，因此，本实验以2组温度数据的平均值作为最终的温度数据。处理后的温度数据的直方图如图10所示。

从图10中可以看出，采集的数据大多集中在9～10℃之间。通过对数据的各项参数的计算分析可知，本实验采集的温度数据的均值μ为9.538 1℃，方差σ为0.340 1，均值μ的置信区间为9.511 1～9.565 2℃，方差σ的置信区间为0.322 0～0.360 3，置信度设置为0.95，实验数据基本符合正态分布的数学模型。

图11为温度数据同概率密度函数的拟合图。通过比较拟合概率密度函数曲线和实际数据函数曲线可以发现，本实验采集的温度数据总体上符合正太分布。数据中9℃的频率较高，这可能是传感器自身的缺陷导致的。

图10 直方图

图11 温度数据的拟合图

4.2 基于正太分布离群算法处理

温度数据的均值μ为9.5381℃，方差σ为0.340 1，因此正常的温度数据区间为[8.517 8，10.558 4]，所有不在此区间内的数据都视为不正常的数据。

通过观察实验数据可知，不正常数据为5个8.3℃、2个8.4℃、1个8.5℃、3个 10.6℃，其余均在[8.517 8，10.558 4]区间范围内，基于正太分布离群算法剔除不正常数据的正确率达到了100%。

5 结论

冷链物流是当今的一个研究热点，国内外很多专家学者对冷链监控系统做了大量研究，但鲜有对所采集数据中的错误信息进行处理的研究。冷链运输过程中采集的温度数据是一维的、呈正太分布，且数据量巨大。根据这些特点笔者采用BC-60型冰箱对冷链运输过程中车厢内的环境进行模拟，对Zig－Bee终端采集的温度数据进行处理，基于正态分布离群算法对采集的温度数据中不正常的数据进行剔除，剔除不正常数据的准确性达到了100%。