郭昊阳，杨志冰，殷晓佳，曹 雄，秦清风，于晨曦，王 博

（中北大学 环境与安全工程学院，山西 太原 030051）

0 引 言

受限空间是指封闭或者部分封闭，与外界相对隔离，出入口较为狭窄，作业人员不能长时间在内工作，自然通风不良，易造成有害、易燃易爆物质积聚或者氧含量不足的空间。

据统计数据显示，仅在2021 年上半年，全国已发生16 起受限空间事故，累计造成39 人死亡、15 人受伤。从2021 年6 月到2022 年5 月，一年时间内，仅环保行业就已发生至少13 起中毒窒息类事故，导致45 人死亡。在有毒有害气体引发的中毒事故中，若抢救及时，可以挽救窒息人员生命，但长时间的窒息会对身体器官尤其是大脑造成不可逆的伤害。若未能及时抢救窒息人员，就会发生人员死亡的悲剧。传统的探测方式需要人员佩戴气体检测仪进入受限空间，存在成本较高、数据无法互通、无法预测气体变化趋势的问题。

随着物联网技术的发展，采用无线组网的气体监测系统开始出现。例如，Jabbar 等[1]设计了一种基于LoRaWAN 的室外空气质量监测系统；洪涛等人[2]设计了基于STM32 和CC1101 的受限空间关键气体浓度检测系统。而随着此类系统的日渐成熟，部分学者开始将神经网络等机器学习方法融入其中。例如，宝银昙[3]设计了基于ZigBee 和RBF 神经网络的矿井通风质量预测方法。目前，物联网技术及机器学习算法正不断发展，本文结合阿里云物联网平台以及神经网络、高斯过程回归算法等机器学习算法，设计了基于NB-IoT 的受限空间有害气体检测物联网系统。此系统具有有害气体监测、时间序列预测、可视化平台展示等功能，具有低功耗、自动化程度高、自适应性强等特点。

1 系统总体设计

本系统为针对受限空间的有害气体监测系统（有害气体为二氧化碳、甲烷和硫化氢）。系统包括探测终端、阿里云物联网平台、神经网络终端以及可视化应用4 个部分。探测终端探测有害气体浓度，并将探测结果整合成数据包后通过NB-IoT 网络上传至阿里云物联网平台。NB-IoT 即窄带物联网，可在现行的2G、3G 及4G 网络上部署，具有覆盖范围广、网络增益高、设备功耗低以及建设与运行维护成本低等特点[4]，可以满足如地窖、窖井等受限空间内部的网络需求。

平台在收到探测终端上传的数据包后，会将该数据包复制并发送至神经网络终端。神经网络终端会对探测器上传的数据进行处理，使用RBF 神经网络及高斯过程回归方法得出监测点所在位置处有害气体浓度的未来值。处理结果将被打包回传至阿里云物联网平台。

可视化应用基于阿里云IoT-Studio 搭建，可查看各气体浓度的实时值与历史曲线，若其中的某一/某些参数超标，则会在对应数据卡片的下方显示告警/超标信息。图1 为系统总体结构。

图1 系统总体结构

2 探测终端设计

2.1 探测终端硬件设计

气体传感器电路：包括MG-812 二氧化碳传感器、MQ-4甲烷传感器、MQ-136 硫化氢传感器。其中，MG-812 的输出电平与CO2浓度成反比，而MQ-4 和MQ-136 的输出电平与CH4、H2S 的浓度成正比。气体传感器的模拟值输出引脚与单片机的ADC 引脚连接。

单片机及其外围电路[5]：采用STM32F103RCT6 作为处理器，该单片机拥有256 KB 储存空间以及48 KB RAM，工作电压为3.3 V，主频为72 MHz。单片机负责读取连接在ADC 引脚上的3 种气体传感器的电平并进行计算，然后整合为供BC-26 模块发送的数据包。外围电路由5 V 转3.3 V降压电路、晶振、复位电路、串口通信电路、传感器连接电路与ST-Link 电路构成。

NB-IoT 模块及其外围电路：采用BC26-NC-04-STD 作为NB-IoT 发送模块，该模块支持MQTT 协议，具有高灵敏度、低功耗的特点[6]。NB-IoT 模块负责将探测终端通过连接至阿里云物联网平台，并将单片机整合的数据包进行上传。外围电路由供电电路、SIM 卡电路、电平转化电路、射频电路组成。图2 为电路结构。探测终端性能参数见表1 所列。

图2 电路结构

表1 探测终端性能参数

2.2 探测终端程序设计

程序开发环境为Visual Studio 2019+Keil uVision5。程序分为3 部分：传感器采集程序、单片机主程序、BC-26 模块程序。传感器采集程序负责读取气体传感器对应ADC 引脚上的电压，并将采集数据经过传感器特性函数计算后返回计算结果，供主程序进行调用。单片机主程序负责初始化串口，开启BC-26，获取传感器引脚的输出电平，根据传感器特性曲线的拟合函数进行气体浓度计算，并将其以10 s 的频率转发至BC-26 模块发送程序。BC-26 模块程序将设备连接至阿里云，并将主函数转发的数据进行打包与上传。图3 为探测终端程序流程。

2.3 探测终端外壳设计

外壳的3D 模型使用SpaceClaim 软件进行建模。底部的结构包括螺柱固定孔、水泥钉预留孔、底面以及电路板固定孔。顶部设有大量间距2 mm、宽2 mm 的格栅，保证有害气体的流入流出，同时留有调整接线端子的通孔，侧面预留有接线/插入USB 数据线的通孔，内部有固定传感器的支柱。探测终端实物如图4 所示。

图4 探测终端实物

3 神经网络终端设计

在系统运行过程中，神经网络终端会下载探测器上传至物联网平台的信息，并保存至本地，进行数据处理后，再传输至物联网平台用于可视化展示。下载与上传所用程序均为使用Python 编写的含MQTT 协议的开源程序，程序中包含阿里云物联网提供的aliyun-iot-linkkit 模块。数据处理在电脑端完成，处理速度快，且可额外添加其余处理算法，自定义性高。本文以二氧化碳浓度的预测为例展示该部分的运作原理。

本项目采用的2 种方法分别为启发式算法[7]中的神经网络算法和统计学算法中的高斯过程回归方法[8]。高斯过程回归方法在时间序列预测分析中被广泛应用[9-11]，本次回归训练所用程序基于MATLAB 自带的predict 函数，参数选择GPR 模型。

系统预测过程中，选择使用最新的80 个数据组成预测中的训练集，预测未来40 个时间序列的值，训练集与预测集的数量在系统中可更改。在预测算法部分，神经网络搭建的自回归函数还需要考虑回归阶数，本次选用自回归函数为：

神经网络作为一种浅层的机器学习算法已在未来值预测中被广泛使用[12]，选择此算法的原因在于其拥有较高的准确性和自适应性。但实际应用时存在弊端，在少数预测过程中，出现预测结果远大于训练集中气体浓度数据的情况（千倍到百万倍），远不符合浓度变化趋势。为解决该问题，本文引入高斯过程回归。

高斯过程回归的结果最终会接近收敛。因此，本系统的预测值获取逻辑为：当时间序列神经网络未出现过拟合现象时，比较神经网络与高斯过程回归的预测结果（置信区间上限），取最大值作为最终结果。当时间序列神经网络产生过拟合现象时，采用高斯过程回归的预测结果作为最终结果。

本文将使用一组实际探测数据以及一组模拟数据对预测效果进行检验。首先是实际探测数据方面，使用的时间序列包含500 个浓度数据，探测地点为封闭不透明箱体内部，二氧化碳释放源为盆景植物长寿花。在一组预测中，将预测集的最后一个数据与实际探测数据中相应位置的数据作对比，用以衡量预测效果的好坏，结果如图5 所示。

图5 实际探测数据预测结果

图5 中已去除产生过拟合现象的神经网络预测结果。高斯过程回归的预测平均相对误差为1.45%，而神经网络的预测平均相对误差为1.52%。结果表明，在二氧化碳浓度变化不大的实际场景中，预测值偏差较小，即不会产生过大的预测结果导致物联网平台误报警。

在系统的测试过程中，有害气体浓度的采集时间较短，故所得浓度数据变化趋势不大。而在实际应用场景中，探测器终端上传数据间隔时间长达数小时，会产生较大的气体浓度变化。因此引入一段上升趋势较大的气体浓度时间序列来模拟真实情况，在此基础上加入正态分布的随机误差来模拟探测器的探测误差，结果如图6 所示。

图6 模拟数据预测结果

从图6 中可以看出，对于较为平滑的、有增长趋势的浓度变化，两种算法能较好地预测其结果，高斯过程回归算法的预测结果大多在真实值下方，而神经网络算法的预测结果相反。高斯过程回归的预测平均相对误差为6.68%，神经网络预测平均相对误差为6.71%。从结果来看，两种算法均能承担预测任务。

4 可视化应用设计

可视化应用基于阿里云IoT-Studio 进行开发。登录可视化应用后可在PC 端网页查看探测终端上传的各气体浓度的当前值/历史值曲线，也可查看神经网络返回的实时平面内最大浓度、各设备的未来浓度、未来平面内最大浓度及其历史值曲线与各设备状态。可视化应用主页如图7 所示。

图7 可视化应用主页

可视化应用可具体查看各设备的报警信息及神经网络返回值的报警信息。应用详情页将在系统测试部分展示。为使数据更加直观，应用采用ppm（百万分比）作为气体浓度单位。

报警信息分为3 类：气体浓度正常、气体浓度有风险、气体浓度已超标。报警信息的输出逻辑如图8 所示。

图8 报警信息输出逻辑

5 系统测试

5.1 探测终端气体浓度监测测试

对探测终端的气体浓度监测功能进行实验，实验场地为一居民楼内房间，面积为15 m2，且开启了通风窗口。探测终端部署高度为40 cm。实验时，将探测终端部署至实验场地后开启1 个探测终端，并通过可视化应用对探测结果进行监测。监测平台为个人计算机，监测软件为Microsoft Edge浏览器。图9 为可视化应用显示的二氧化碳历史浓度曲线。结果表明，探测终端连接稳定，未出现连接断开的现象，且可以及时对环境内气体浓度的变化做出反应。

图9 二氧化碳浓度实时监测页面

5.2 神经网络预测结果测试

在探测终端就绪后，开启神经网络对有害气体浓度进行预测。回传结果表明：探测终端周围气体的未来浓度稳定在0.2‰～0.5‰，且全程未出现异常值报告。

6 结 语

本文提出了一种基于神经网络与窄带物联网的受限空间气体监测预警系统。探测终端采用NB-IoT 与移动基站连接，可以满足地窖、窖井、深井等地下受限空间的网络要求，探测终端与云端通信稳定且延迟低，可及时、稳定地将气体浓度数据上传至阿里云物联网平台，并通过神经网络终端进行可信度较高的预测。该系统可显著改善受限空间内部的安全状况，有效减少窒息中毒事故的发生。