產品分類

Product category

技術文章 / article

您的位置：網站首頁 > 技術文章 > 淺談基于NB-IOT和STM32的數據融合智慧消防系統設計

淺談基于NB-IOT和STM32的數據融合智慧消防系統設計

更新時間：2021-06-25　點擊次數： 1240次

劉細鳳

安科瑞電氣股份有限公司上海嘉定 201801

摘要：針對現有消防系統維護成本高、安裝困難、數據利用率低等問題，設計一種基于窄帶物聯網（NB- IoT）的智慧消防系統。采用STM32L151作為主控芯片，將GY-906型溫度傳感器、CX-1088型光電煙霧傳感器和 HK1100C型水壓傳感器采集的溫度、煙霧、水壓等信息通過NB-IoT網絡上傳至云端服•務器，將數據利用樸素貝葉斯算法進行數據融合后以可視化的方式呈現。經測試，該系統可以及時反饋消防信息，協助消防部門掌控火災狀況。

關鍵詞：智慧消防系統；窄帶物聯網；數據融合；可視化；STM32L151 ；傳感器

0引言

隨著我國經濟的快速發展，建筑逐漸向高層、高密度、功能綜合化等方向發展。建筑構造愈加復雜，導致安防問題層出不窮。據統計，我國高層建筑34.7萬幢，其中近一半的消防設施不到位，消防設施平均完好率小于百分之50„得益于物聯網技術的發展，智慧消防系統應運而生，解決了消防信息資源共享、自動化信息處理等問題。

目前，國內學者對智慧消防系統提供了多種研究方法和思路：曹元軍等人提出的基于大型消防物聯網與互聯網融合的智慧消防系統，闡述了消防物聯網與互聯網融合的體系框架，分析了構建智慧消防系統的關鍵技術山；李卿等人提出了基于無線傳感器網絡的消防報警系統，介紹了無線傳感器網絡技術應用于消防報警系統的實施方案，實現了節點通過傳感器地對環境參數進行采集、處理和傳送，通過采集節點信息和操縱控制平臺同時進行險情預警図。但其傳輸層采用 WiMax （Worldwide Interoperability for Microwave Access,全球互通微波訪問）、ZigBee等協議進行數據傳輸, 節點之間通過RF （Radio Frequency,射頻）模塊進行通信, 傳輸過程不穩定且功耗高。單個節點傳感器采集數據并直接計算分析，將結果上傳至控制，不具備數據綜合利用與分析的優勢。

NB-IoT （Narrow Band Internet of Thing,窄帶物聯網）具備覆蓋廣、容量大、成本低、功耗低、架構優等特點。因此，使用窄帶物聯網技術的消防系統融合了消防物聯網與互聯網，成為當前研究的趨勢之一。本文設計了基于NB- IoT的智慧消防系統，采用STM32微處理器作為主控芯片, 使用煙霧傳感器、溫度傳感器、水壓傳感器實時采集數據并打包上傳云處理，完成數據分析與融合，經由可視化界面呈現，實現傳感器無線部署、數據實時采集、數據綜合處理、可視化協助決策和設備自動監管等功能.

1系統功能與結構

該系統采用分層設計思想，將系統分為傳感器節點、虛擬服務器和客戶端，系統架構如圖1所示。

圖1系統整體設計框圖

數據采集模塊由GY-906型煙霧傳感器群、CX-1088型溫度傳感器群、HK1100C型水壓傳感器群組成，可實現對環境數據的實時采集。

主控芯片STM32L151微處理器通過ADC （Analog-to- Digital Converter,模數轉換）或 FC （Inter-Integrated Circuit, 集成電路總線）協議完成對于底層傳感器數據的采集并分析。

通信模塊采用NB-IoT將數據包上傳至云服務器，實現數據轉發。通信模塊將傳感器采集的數據先發送至物聯網網關，再上傳至云端服務器。

云端服務器是系統智能處理，實現數據預處理，數據融合，完成指令的下發和報警，當用戶請求時訪問數據庫, 為可視化提供數據支撐。

客戶端層通過Web向各類聯網設備提供服務，包括用戶終端監測、消防部門報警和物業部門監測。Web端通過云端服務器與數據庫進行數據交互，實現交互式可視化界面，為用戶決策提供信息.

2系統硬件設計

本系統硬件電路主要由4個部分組成：主控芯片、NB- IoT通信模塊、電源電路模塊和數據采集模塊。節點中主控芯片的通信串口與NB-IoT模塊通信串口相連接，GPIO （General-purpose input/output,通用輸入輸出端口）與 PWRKEY相連，主控芯片通過輸出高低電平使能控制NB- IoT模塊。主控芯片的GPIO連接低功耗電源電路模塊的使能開關，通過輸出高低電平使能。數據采集根據不同端口連接主控芯片的I2C通信端或GPIO模塊回。

2.1電源電路設計

電源電路分為電池穩壓電路，數據采集模塊供電電路。其中電池穩壓電路與電池直接相連，提供3.3 V的輸出電壓, 為主控模塊、NB-IoT通信模塊等供電。數據采集供電模塊的輸入端與電池穩壓電路輸出端相連，使能端與主控芯片相連。電池穩壓電路如圖2所示，所采用的TSP601230為一種同步升壓轉換器，輸入電壓為23?5.5 V,輸出電壓3 2.5?5.5 V,在低負載期間TPS6123自動進入省電模式，待機電流僅為0.5必。穩壓電路中EN端高電平使能；SS端為芯片啟動延時端，一旦電容電壓達到輸入電壓值，芯片開始工作；SW端為轉換引腳，連接到芯片內部的電力場效應晶體管的漏；PG引腳為開漏輸出，額定吸收電流達500 nA, PG輸出需要一個上拉電阻，且EN高電平使能；FB端為電流反饋輸入，通過外部電阻分壓調整輸出值；輸出端VOUT 為主控芯片供電，通過R, &進行分壓，實現要求的輸出值 K，計算公式如下：

數據采集模塊供電電路如圖3所示，所采用的ME6211 系列的低壓差線性穩壓器其輸入電壓為2.0?6.5 V,輸出電壓為1.8?5.0 V, EN為使能管腳，接高電平時芯片正常工作。其中，ME6211C18M5G芯片輸出1.8 V為煙感中的（紅外LED）供電，ME6211C33M5G芯片輸出3.3 V, 為溫度傳感器和煙霧傳常工作。其中，ME6211C18M5G芯片輸出1.8 V為煙感中的（紅外LED）供電，ME6211C33M5G芯片輸出3.3 V, 為溫度傳感器和煙霧傳

圖3 數據采集模塊供電電路

2.2 NB-IoT通信模塊電路

NB-IoT通信模塊電路所采用的BC26- LPWA模塊為LCC貼片封裝，支持（UDP/TCP/MQTT/ LwM2M）等協議棧四，支持LTE Cat NB1頻段，發射功率為23 dBm,且PSM模式下典型耗流為3.5 pA。

2.3 數據采集模塊設計

本文中光電煙霧傳感器選用迷宮紅外光電煙霧傳感器 CX-1088,該傳感器具有靈敏度高、感應范圍大、功耗低等優點。需要探測煙霧濃度時，主控芯片的PB7輸出高電平, 煙霧傳感器工作，并輸出模擬量，主控芯片對模擬信號進行數模轉換并進行自適應均值濾波后存入數據隊列中吐溫度傳感器選用非接觸式紅外溫度傳感器GY-906. GY-906具有分辨率高、探測范圍大、可靠性高等優點，且其內部集成了紅外探測熱電堆芯片與信號處理芯片，能將熱信號處理并校準后轉換為數字信號通過I2C協議直接輸出到主控芯片。

3 系統軟件設計

本文的軟件設計平臺為Keil和Matlab 2016b<,采用Keil 軟件設計STM32的底層驅動程序和主程序，Matlab實現數據融合，二者均采用模塊化設計。

3.1傳感器節點驅動程序設計

由于傳感器節點采用一次性鋰亞電池供電，所以需要降低系統功耗，故編寫驅動層，以主程序確保調用相應的硬件資源時，不會獨占操作系統時間片，從而提高系統運行效率，降低傳感器節點工作能耗。本傳感器驅動層體系。

AI指令模塊將NB-IoT模塊的AT指令集封裝為對應的命令，便于Main函數的直接調用。Queue模塊將不同數據以 JSON （JavaScript Object Notation, JS 對象簡譜）的格式存儲到特殊內存單元中，使主控芯片STM32休眠時依然能保存數據；Queue模塊封裝了隊列基本操作。DMA （Direct Memory Access,直接內存存取）模塊直接讀取ADC模塊、 FC模塊上數據采集模塊的數據，并將該數據傳送給Queue 模塊處理。GPIO模塊通過輸出高低電平控制數據采集模塊、 NB-IoT模塊電源的開關。定時器模塊定時喚醒ADC模塊與 DMA模塊。RTC （Real-Time Clock,實時時鐘）模塊用于提供描述數據的實際時間。休眠模塊通過調用GPIO模塊關閉外部模塊電源，并關閉主控芯片內部除RTC源與內存備份區外的硬件資源。

3.2傳感器節點主程序設計

主程序控制傳感器節點的各個硬件部分分時工作，且在數據無異常的情況下，傳感器將保持靜默，不向服務器上傳數據，以降低傳感器節點功耗。主程序首先對傳感器節點初始化，初始化主要包括驅動層初始化，NB-IoT網絡初始化。隨后對工作參數進行設置。工作參數主要包括數據上報間隔、休眠間隔、報警閾值等參數。之后打開數據采集模塊電源并采集數據并分析，如果數據超過報警閾值，傳感器節點將打開蜂鳴器向用戶報警，并喚醒NB-IoT模塊，向服務器發出警告并上傳異常數據，傳感器節點將重復數據采集與數據上傳工作，直到警報解除；如果數據未超過報警閾值，傳感器節點將數據壓入數據隊列、關閉各數據采集模塊電源，并使主控芯片進入休眠狀態，到達喚醒時間后喚醒主控芯片，重復下一輪的數據采集。

3.3服務器端設計

本系統服務器端采用B/S架構，系統主要分為客戶端層、應用服務層和數據庫服務叫客戶端界面。

客戶端層是指用戶使用瀏覽器來操作的部分，使用瀏覽器進行操作具有跨平臺的優勢，無論是移動設備，還是PC 設備都能進行操作。使用瀏覽器不需要專門的客戶端軟件。該層主要完成的操作為用戶管理、設備管理、數據管理與可視化儀表盤。

應用服務層采用前后端分離的設計思路，前端以提供可視化的操作界面，用于支撐客戶端層的功能。后端服務執行各項業務邏輯，業務邏輯封裝成API接口，API接口設計采用RESTfUlAPI架構，便于二次開發前后端通過Axios模塊來調用API接口完成數據交互。

由于數據需要NB模塊只能訪問電信的服務器，需要完成北向應用對接。服務器上傳CA證書到物聯網平臺用于身份識別，所以使用HTTPS為通信協議。后端業務通過調用的API與物聯網平臺完成對接，物聯網平臺提供了基礎API包和公用事業（NB-IoT） API包，在平臺上創建應用后會獲得應用ID和密鑰，這個ID與密鑰是獲取 AccessToken （鑒權令牌），每次調用API都需數據庫服務層包含數據的查詢、處理與可視化，采用的數據庫系統是MongoDB,該數據庫系統具備執行查詢速度快、支持高并發、具有敏捷性和可擴展性的優點姬。采用 Mongoose庫操作數據庫實現查詢、更新、刪除等操作。

3.4數據融合設計

本系統為了對環境進行感知，采集溫度、濕度、水壓、煙霧濃度等多種數據，構成異構數據庫。為求解環境火災風險值，需要對異構數據進行數據融合。本系統數據融合流程。首先對數據庫中的溫度、濕度、水壓、煙霧濃度等數據進行濾波，平滑數據中的噪聲和采集誤差；然后通過時間軸對準，實現異構數據的同步；再計算通過特征提取模塊的數據的貝葉斯概率，作為風險值，存入數據庫

3.4.1數據濾波

本系統的數據濾波采用基于均方誤差的自適應加權濾波。此方法主要使用徉1時刻得到的濾波器參數，調節上時刻的濾波器參數，以適應信號和噪聲未知的或隨時間變化的均方誤差，實現均方誤差，實現濾波，核心代碼如下：

for k = M ： itr

x = xn (k ： -1 ： k-M+1)；〃濾波器M個抽頭的輸入

y = W ( : , k-1) ?*x；〃濾波器的輸出

en (k) = dn (k) - y ；〃第上次這代的誤差

W (:, k) =W ( : , k-1) +2*mu*en (k) *x ；

〃濾波器權值計算

End

3.4.2時間軸對齊

時間軸對齊采用插值時基法。該方法的核心在于逼近函數的構造，利用該函數將不同的數據對準到標準時基。該方法需要選取標準時基，由于溫度數據對于風險值貢獻, 故選取溫度數據作為標準時基。其余數據采用二乘法進行擬合作為逼近函數，在標準時基處進行插值，得到對準后數據。

3.4.3特征提取

考慮到本系統數據庫為異構數據庫，數據具有多維性, 利用 PC A (Principal Component Analysis,主成分分析)進行特征提取。求解目標矩陣中每一列的特征平均值，用各列減去該列的特征平均值，計算得到該矩陣的特征協方差矩陣。計算該協方差矩陣的特征值和特征向量，并對其特征值進行遞減排序。提取前上個特征值和特征向量進行回退，得到降維后的特征矩陣，核心代碼如下：

//求解特征值和特征向量

selteigen values, sel€eigen_vectors = np.linalg.eig (covariance)

//對特征值進行遞減排序

idx = selfleigen values.argsort () [: : -1]

eigenvalues = sel£eigen_values[idx][: selflk]

eigenvectors = sel£eigen_vectors[: , idx][: , : selfk]

//將數據集X映射至zhi定的低維空間

X transfbrmed = X.dot (eigenvectors)

3.4.4風險概率計算

本系統的數據具有更新快、規模大的特點，樸素貝葉斯算法對于大規模的增量數據處理效率較高，故選取該方法進行風險概率計算。采用.632自助法選取訓練集，假設特征之間相互獨立，學習從輸入到輸出的聯合概率分布，再基于此模型，輸入x求出使得后驗概率的輸出y,將>作為火災風險值。核心偽代碼如下：

def trainNBO (trainMatrix, trainCategory):

numTrainDocs = len (trainMatrix)

numWords = len (trainMatrix[O])

pAbusive = sum (trainCategory) /float (numTrainDocs) pONum = zeros (numWords)

plNum = zeros (numWords)

pODenom = 0.0

plDenom = 0.0

fori in range (numTrainDocs ):

if trainCategory [i] ==1 :

pl Num += trainMatrix[i]

p 1 Denom += sum (trainMatrix[i])

else :

pONum += trainMatrix[i]

pODenom += sum (trainMatrix[i])

plVect = plNum/pl Denom

pOVect = pONum/pODenom

return pOVect, plVect, pAbusive

4系統測試

為測試所設計系統的正確性和實時性，分別在正常情況和模擬火災情況兩種情況下對系統進行測試。

正常情況：將系統置于木箱中，模擬無煙、室溫的室內環境，測試結果?？梢钥闯觯敐穸?、溫度、煙霧均處于正常狀態，經融合所得的風險值(右側儀表盤) 也遠低于報警線。此處，報警線為35,該數值利用已有數據經過訓練得出。模擬火災情況：將系統置于同一木箱中，人工向木箱加入煙霧，并提高木箱的溫度，。

可以看出濕度為百分之20RH，低于環境平均水平, 溫度為60 °C,高于43 °C,煙霧電壓為2.75 V,低于2.77 V, 單個數據均處于危險范圍內。經融合所得的風險值為40高于初始設定的閾值35,系統報警。此外，可以在該系統中查看歷史數據，在模擬火災情況下濕度、溫度、煙霧值均有明顯跳變，證明本文所設計的系統的實時性良好。

5安科瑞智慧消防監控云平臺介紹與選型

5.1平臺簡介

安科瑞智慧消防綜合管理云平臺基于物聯網、大數據、云計算等現代信息技術，將分散的火災自動報警設備、電氣火災監控設備、智慧煙感探測器、智慧消防用水等設備連接形成網絡，并對這些設備的狀態進行智能化感知、識別、定位，實時動態采集消防信息，通過云平臺進行數據分析、挖掘和趨勢分析，幫助實現科學預警火災、網格化管理、落實多元責任監管等目標。填bu了原先針對“九小場所”和?；飞a企業無法有效監控的空白，適應于所有公建和民建，實現了無人化值守智慧消防，實現智慧消防“自動化”、“智能化”、“系統化”、用電管理的實際需求。

從火災預防，到火情報警，再到控制聯動，在統一的系統大平臺內運行，用戶、安保人員、監管單位都能夠通過平臺直觀地看到每一棟建筑物中各類消防設備和傳感器的運行狀況，并能夠在出現細節隱患、發生火情等緊急和非緊急情況下，在幾秒時間內，相關報警和事件信息通過手機短信、語音電話、郵件提醒和APP推送等手段，就迅速能夠迅速通知到達相關人員。同時，通過自動消防滅火控制裝置啟動自動滅火設備和消防聯動控制設備，有效解決用電單位電氣線纜老舊，小微企業無專業電工、肉眼無法直觀系統即時排查電氣隱患、隱蔽工程隱患檢查難等難題，及時排除隱患，安科瑞智慧消防監控云平臺結構如下圖所示：

5.2平臺功能

(1) 平臺登陸

用戶登錄成功之后進入首頁，如圖所示。主要展示的內容有：項目概況、設備狀態、設備分類、設備報警信息、報警分類、報警統計、設備臺賬信息等。其中百du地圖可以選配成BIM建筑模型，任何傳感器報警時可以在BIM模型中預警顯示。

(2) 實時監控

智慧用電子系統可接入電氣火災、故障電弧、電氣火災主機、滅弧式保護器探測和母排無線測溫探測等等各類子系統，實現對相關消防系統設備的信息實時監控，一且發現監測數劇超過風險閾值，APP、電話報警統統上陣，通過設備的標簽、地理位置定位，快速通知，快速處置

(3) 隱患管理

隱患管理包括隱患巡查、隱患處理、和隱患記錄，隱患巡查的目的是為了系統在產生報警或隱患后，系統可以針對工程人員派發工單，處理完以后工程人員能夠在系統中填寫相關工單任務記錄，以供歷史查詢。隱患統計支持對項目進行日、月、季、年的維度查詢，并能夠自定義時間查詢，將項目下隱患以曲線，圖表的形式展現

(4) 統計分析

統計分析包括數據匯總和分析報告，數據匯總以曲線和表格形式顯示各個月份的報警和故障記錄，同時顯示控制日志，支持按照控制類和參數設置類分別顯示，也可以按照操作是否成功分別顯示，包括此次控制的操作情況，項目名稱，設備信息以及對應的操作時間等；分析報告包括總體概況和設備回路特征分析。

(5) 運維管理

根據運維調度管理的需要，智能調度技術人員可以分為不同角色，系統支持zhi定巡檢計劃和巡檢日歷，可支持巡檢人員使用手機NFC芯片巡檢打卡的功能。

(6) 手機APP功能

手機APP軟件具有IOS版本和安卓版本，并與電腦終端系統的數據同步，能展示剩余電流、溫度、電壓、電流等電氣參數的實時監測數據及變化曲線、歷史數據與變化曲線；短路、斷線、漏電、超溫、過壓、欠壓、過流等電氣故障實時報警數據等；能實時顯示項目地理位置、未排除隱患數、未處理巡檢數等；通過APP消息推送的方式提醒用戶實時報警信息；可以實現遠程復位、遠程分閘功能；可以對所有現場探測器進行遠程參數設定及修改；可以對所有現場探測器的遠程控制記錄進行查詢；