博物館溫濕度檢測系統的研究與改進

王琦 焦文潭 高向川

摘? 要： 針對市面上應用于博物館環境下的溫濕度檢測裝置測量精度低且功耗過高等問題，設計準確度高、操作簡單、功耗低、小巧輕便的檢測裝置，實現對溫濕度的精確測量和快速反饋。系統采用MSP430單片機和SHT11芯片設計溫濕度檢測模塊，用ZigBee技術實現數據從檢測模塊到終端的傳送。采用迭代次數少、收斂速度快的RLS?BP神經網絡算法對采集數據進行優化。仿真及現場實驗結果均表明，該系統檢測精度高、抗干擾能力強、可擴展性好，算法優化效果明顯，可較好地滿足博物館對環境溫濕度檢測的特殊要求，具有良好的應用推廣價值。

關鍵詞： 文物保護; 溫濕度檢測; 無線通信技術; BP神經網絡算法; 溫濕度矯正; RLS?BP神經網絡算法

中圖分類號： TN98?34? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）09?0092?04

Research and improvement of temperature?humidity detection system for museums

WANG Qi1， JIAO Wentan2， GAO Xiangchuan1

（1. School of Information Engineering， Zhengzhou University， Zhengzhou 450001， China;

2. College of Electrical Engineering and Automation， Luoyang Institute of Science and Technology， Luoyang 471023， China）

Abstract： For the temperature?humidity detection devices used in the museum environment and existing in the market are of low accuracy and high power consumption， a detection device with high accuracy， simple operation， low power consumption， and compact and portable shape is designed to achieve an accurate measurement and a rapid feedback on the temperature and humidity. In the system， MSP430 SCM （single chip microcomputer） and SHT11 chip are used to design a temperature?humidity detection module， the ZigBee technology is used to achieve the data transmission from the detection module to the terminal， and the RLS?BP neural network algorithm with few iterations and fast convergence rate is used to optimize the collected data. The results of simulation and field experiments show that the system is of high detection accuracy， powerful anti?interference ability and good expansibility， and the adopted algorithm is of obvious optimization effect. Therefore， it can meet the special requirements of temperature?humidity detection in the museum environment， and has a high value in the promotion and application.

Keywords： preservation of cultural relics; temperature?humidity detection; wireless communication technology; BP neural network algorithm; temperature?humidity correction; RLS?BP neural network algorithm

0? 引? 言

近些年來溫濕度、二氧化硫等環境因素逐漸成為博物館內文物保護工作的最大難題。溫濕度過高或過低會造成文物干燥或高濕，加速文物的老化，故當溫濕度超標時應加快反饋速度并報警。由于我國文物保護起步較晚，溫濕度檢測裝置大多數從國外進口，且價格昂貴，僅在一些發達城市有應用，而在欠發達地區仍普遍由人工記錄和反饋當前的溫濕度信息，這不僅極大地損耗人力物力，缺乏科學性，而且一些精度更高的算法和性能更好的傳感器也沒能在文物保護裝置中發揮效應[1?3]。

要想實現文物的有效保護，故當溫濕度超標時要快速給出反饋。近幾年來，物聯網的興起和傳感器的快速發展可以有效地解決上述問題。本文提出一種基于物聯網的準確度高、操作簡單、功耗低、便攜性好的溫濕度檢測裝置設計方案，該裝置采用MSP430單片機和SHT11芯片設計溫濕度檢測模塊，用ZigBee技術實現數據從檢測模塊到終端的傳送。由于測量過程易受到外界環境因素的干擾，數據處理時需要添加優化算法進行補償。文中采用精確度高、計算量小、收斂迅速的RLS?BP算法進一步保證溫濕度數據的準確性[4]。

1? 系統總體設計方案及原理

1.1? 系統功能設計

據研究，在博物館中溫度的浮動范圍不得超過[±0.5] ℃，濕度應保持在2%RH內。因此，需要傳感器對溫濕度進行實時采集，并把采集的數據經過單片機處理后發送到后臺管理系統上，由工作人員進行處理[5]。

1.2? 系統總體結構與工作原理

按照上述要求可把整個硬件系統劃分為三部分：底層的數據采集模塊、中間的數據傳輸及處理模塊、后端顯示模塊。底層的數據采集模塊選擇溫濕度傳感器SHT11負責外部數據的感應;中間的數據傳輸及處理部分選擇MSP430芯片，負責接收傳感器發送的數據，并將數據通過ZigBee組成的無線網絡發送到后臺管理系統上;后臺顯示模塊則根據預先設置的溫濕度要求進行處理。系統總體結構如圖1所示。

工作原理如下：傳感器SHT11感知外部環境溫濕度并將其轉換為數字量信號，通過I2C通信接口發送給MSP430單片機;單片機對數據進行濾波處理，再根據預先設置的精度范圍判斷溫濕度數據是否正常，若溫濕度超過精度范圍則向后臺發送請求，由后端控制系統打開相關設備進行調節，若仍超過允許的最大精度范圍，報警器開始報警，同時，后臺主機屏幕顯示溫濕度超標信息，通知工作人員進行處理，處理完畢后解除警報。

2? 硬件電路介紹

2.1? 主控電路

主控電路主要由單片機、時鐘電路和保護電路等構成。單片機選擇MSP430芯片，主要完成數據的收集、處理、發送和報警等任務。系統采用電池進行供電，電池電壓經芯片L6920升壓后，使輸出電壓保持在3.3 V。休眠時電流設置為50 μA左右，而平均工作電流設置為700～800 μA，極大地降低了功耗，在速度和可靠性方面也有保障[6]。

2.2? 溫濕度采集模塊

溫濕度采集模塊采用瑞士Sensirion半導體公司的溫濕度傳感器SHT11，內含溫度感應模塊、濕度感應模塊、14位的A/D轉換單元、放大器、OTP內存和I2C總線接口，該總線接口只包含DATA數據線和SCK時鐘線，接口簡單可靠。為保證通信能正常進行，分別在數據線和時鐘線上加入10 kΩ的上拉電阻。

2.3? 網絡通信模塊與網絡節點設置

網絡通信模塊采用ZigBee無線傳輸模塊，由于文物位置保持不變，數據傳輸量相對較少，故采用網狀型網絡結構[7]。網絡主要由終端節點、路由器節點和協調器節點構成。溫濕度傳感器作為終端節點，均勻分布在要測量的各個位置，完成數據的感應、預處理和傳輸等工作;主控電路作為協調器，負責開啟和維護整個網絡。工作流程如圖2所示。

3? 系統軟件設計

3.1? 硬件電路控制程序

系統程序設計采用模塊化結構，主要包括主控電路的控制程序[8]、溫濕度傳感器的訪問程序和網絡傳輸程序。系統軟件工作流程如圖3所示。

3.2? RLS?BP算法及其實現

測量過程中，傳感器探頭要接觸外界環境，測量結果易受到外界因素的影響，而且溫濕度之間也會相互形成干擾。為進一步保障溫濕度數據的準確性，在軟件設計中加入RLS?BP神經網絡算法對數據進行濾波處理，RLS?BP算法是使用遞歸最小二乘（RLS）算法來優化BP神經網絡中的權值和閾值[9]。

RLS是一種指數加權的最小二乘方法，它依據每個時刻對全部原始信號的平方誤差和最小的準則，使代價函數最小并實現最優濾波。代價函數為[Jn=i=0nλn-1e（i）2]，其中，[λ]為遺忘因子，作用是越靠近[n]時刻時賦予較大的權重，越遠離[n]時刻時賦予較小的權重，常取0.5～0.998;[e（i）=di-yi]，為后驗估計誤差;[n]為問題規模。RLS算法有效解決了最小均方算法（LMS）收斂速度慢、信號非平穩適應差的缺點[10]。

BP神經網絡是信號的正向輸入，誤差反向傳播多層前饋網絡，具有簡單、易行、計算量小、并行性強等優點。但是，BP神經網絡依然存在缺陷：它需要大量的數據來求解閾值[y]和權值[w]，容易陷入局部極小點而得不到全局最優值;當以不同的權值來訓練網絡時，其可能收斂于不同的局部極小點。故采用RLS算法來優化BP神經網絡的權值和閾值，然后進行數據訓練。設計過程如圖4所示。

RLS?BP算法的具體步驟如下：

1） 更新輸出層增益矢量：

[g2k=P2k-1y1kλ+y1TkP2k-1y1k] （1）

由式（1）可得更新權值矩陣：

[P2k=λ-1[P2k-1-g2ky1TkP2k-1]] （2）

根據增益矢量來更新輸出層矢量：

[W2Nk=W2Nk-1+y2k[d2Nk-y1kW2Nk-1]]? （3）

再由式（3）計算估計誤差：

[ε2Nk=d2Nk-y1kW2Nk-1] （4）

根據式（4）計算誤差能量函數：

[Jk=λJk-1+? ? ? ? ? ? ? 12j=1N[d2Nk-y2kW2Nk-1]] （5）

2） 進入中間層后，重復上述過程，先更新增益矢量：

[g1k=fz1MkP1k-1xkλ+fz1MkxTkP1k-1xk] （6）

然后更新權值矩陣：

[P1k=λ-1[P1k-1-g1kfZ1Mk?xTkP1k-1xk]] （7）

式中[z1Mk]為輸出層的輸入值。

根據式（7）更新中間層矢量：

[W1Mk=W1Mk-1+g1k[d1Mk-y1kW1Mk-1]] （8）

依據式（8）計算輸出誤差矢量：

[ε1Mk=yTkW1Mk-1+j=1Nw2jmk-1ε2jk] （9）

計算輸出誤差矢量后，更新誤差能量函數：

[Jk=λJk-1+12j=1M[d1Mk-y1kW1Mk-1]] （10）

3） 將誤差能量函數值與能量終止值進行比較，若滿足條件則停止迭代，不滿足條件則重新計算。

參數說明：[k]為遞推步長;[fx]為傳遞函數;[fx]為[fx]的求導函數;[y1k]為中間層第[k]個輸入時的實際輸出值;[xk]為輸入層的輸入值;[P1k，P2k]為中間層和輸出層的逆相關矩陣;[g1k，g2k]為中間層和輸出層的卡爾曼增益;[ε1jk，ε2jk]為中間層和輸出層第[j]個節點的第[k]個輸入時的誤差信號。

4? 實驗驗證

4.1? 數據測量

本系統的數據經過中國計量院溫濕度露點儀標定，測量時分別讀取露點儀的示值與溫濕度檢測裝置的數據。測量濕度時，保持溫度在25 ℃;測量溫度時，保持濕度在20%RH，分別如表1，表2所示。

4.2? 網絡參數設置

RLS?BP網絡輸入神經元個數為2個，中間層輸入神經元個數為5個，輸出神經元個數為1個，網絡層數為3層。遺忘系數[λ=]0.998。結果如圖5，圖6所示，分別為濕度誤差曲線和溫度誤差曲線。

4.3? 測量精度設置

溫度的最大允許誤差為±0.5 ℃;濕度的最大允許誤差為±2.0%RH。

根據表1，表2，圖5，圖6結果可知：加入優化算法后濕度偏離不超過±0.5%RH，溫度偏離不超過±0.05 ℃，誤差明顯降低，可較好地滿足博物館場景下的應用標準。

5? 結? 論

本系統使用MSP430芯片和SHT11溫濕度傳感器設計溫濕度檢測裝置，并結合ZigBee技術進行網絡傳輸，完成網絡區域內溫濕度參數的感應、處理及傳輸等工作，并且加入基于RLS?BP神經網絡的濾波算法對溫濕度數據進行濾波矯正。實驗測試結果證明，濕度偏離不超過±0.5%RH，溫度偏離不超過±0.05 ℃，滿足實驗標準，大大提高了實驗精度，可有效緩解溫濕度對文物的損毀問題。所設計系統功能強大、結構簡單、功耗較低、魯棒性好、應用場景適應性強，還具備良好的可擴展性，可在單片機上加入多個測量傳感器，分別將其賦予不同的權重后得出最終結果，進一步改進檢測效果。

注：本文通訊作者為焦文潭。

參考文獻

[1] 鄭曉茜，馬朝華，趙方，等.基于MSP430和GSM技術的糧倉溫濕度監控系統設計[J].糧食與油脂，2017，30（3）：87?90.

[2] 戴建華.基于MSP430無線溫濕度監測系統設計[J].蘇州市職業大學學報，2015，26（4）：18?24.

[3] 丁月林.基于STM32的低功耗溫濕度采集器實現[J].軟件，2015，36（5）：84?88.

[4] 鄧書輝，施正香，李保明.低屋面橫向通風牛舍溫濕度場CFD模擬[J].農業工程學報，2015，31（9）：209?214.

[5] 程艷，任勇峰，文豐，等.基于MSP430的低功耗溫濕度計設計[J].電子器件，2015，38（2）：382?385.

[6] 化騰飛.基于MSP430F149單片機與AM2301傳感器的溫濕度計設計[J].山東農業大學學報（自然科學版），2015，46（1）：143?147.

[7] 周海鴻，周嘉奉.基于ZigBee技術的溫濕度監測系統[J].國外電子測量技術，2015，34（7）：75?79.

[8] 姜鈞嚴，郭艷玲，楊冬霞，等.基于ZigBee技術的溫室溫濕度檢測系統[J].森林工程，2014，30（2）：105?108.

[9] 朱振國，田松祿.基于權值變化的BP神經網絡自適應學習率改進研究[J].計算機系統應用，2018，27（7）：205?210.

[10] 崔大鵬.神經網絡在自適應噪聲抵消中的應用研究[J].電子技術與軟件工程，2015（16）：36?37.