為了提高安全性,全世界都在尋求實施無線傳感器網(wǎng)絡（WSNs）來監(jiān)測復雜的、動態(tài)的和環(huán)境惡劣的地下煤礦。文中引入了一種可靠的物聯(lián)網(wǎng)（IoT）空氣質(zhì)量監(jiān)測系統(tǒng),該系統(tǒng)由傳感器模塊、通信協(xié)議和基站組成。基于STM32的傳感器模塊具有八個不同的參數(shù),安裝在可操作的地下煤礦的不同位置�；诟兄獢�(shù)據(jù),該系統(tǒng)用煤礦環(huán)境指數(shù)（MEI）對地下煤礦礦井空氣質(zhì)量進行評價。采用主成分分析法確定了CH₄、CO、SO₂和H₂S是影響礦井空氣質(zhì)量最主要的氣體。將主成分分析的結(jié)果輸入到RNN神經(jīng)網(wǎng)絡模型中,實現(xiàn)了MEI的預測。結(jié)果表明,基于主成分分析的神經(jīng)網(wǎng)絡在MEI預測中具有較好的性能,主成分分析+RNN預測模型的性能指標R²和RMSE值分別為0.489 0和0.120 4,提高了線性回歸模型對礦井大氣污染物的預測精度。因此,提出的基于STM32和Tensorflow平臺的人工神經(jīng)網(wǎng)絡可以快速評估和預測礦井空氣質(zhì)量,提高礦井環(huán)境安全性。 

【文章來源】：計算機技術(shù)與發(fā)展. 2020,30(08)

【文章頁數(shù)】：5 頁

【部分圖文】：

煤礦環(huán)境指數(shù)(MEI)的多層感知循環(huán)神經(jīng)網(wǎng)絡的網(wǎng)絡架構(gòu)

該系統(tǒng)專為地下礦井空氣質(zhì)量監(jiān)測和評估而設計。系統(tǒng)基本架構(gòu)如圖1所示。主要框架包括數(shù)據(jù)采集、數(shù)據(jù)傳輸、空氣質(zhì)量評價與預測的數(shù)據(jù)處理。傳感節(jié)點單元連接到基于STM32處理器的傳感器模塊,傳感器節(jié)點捕獲空氣質(zhì)量數(shù)據(jù),并通過LoRa無線技術(shù)將數(shù)據(jù)通過基站傳輸?shù)椒⻊掌鞣治鎏幚頂?shù)據(jù),Tensorflow作為神經(jīng)網(wǎng)絡平臺進行礦井空氣質(zhì)量預測。傳感器節(jié)點:傳感器的基本功能是測量礦井環(huán)境中的空氣參數(shù)。傳感器節(jié)點由傳感器模塊、微控制器和無線發(fā)射機組成。選擇合適的傳感器來監(jiān)測礦井環(huán)境是一個相對復雜的問題,它需要綜合考慮測量范圍、精度和靈敏度等因素。DHT11是一款有已校準數(shù)字信號輸出的溫濕度傳感器。其精度濕度+-5%RH,溫度+-2℃,量程濕度20%～90%RH,溫度0℃～50℃。通常情況下,煤礦的工作溫度在15℃到45℃之間變化,濕度在DTH11的特定范圍內(nèi)。這些電位使得DTH11非常適合在地下煤礦中使用。地下煤礦中常見的氣體有CH4,CO2,CO,NO2,H2S和SO2。文中利用MQ-4、MQ-9、MQ-811、MQ-136和MiCS-2714傳感器模塊來監(jiān)測各種氣體的濃度。其中,大部分傳感器模塊為金屬氧化物(SnO2),對揮發(fā)性氣體分子反應良好;因此,它們對于氣體監(jiān)測更加可靠和有效。此外,傳感器模塊,無論是用于氣體監(jiān)測還是用于溫度測量,都是經(jīng)濟有效、低功耗、穩(wěn)定的。文中以內(nèi)嵌LoRaWAN的STM32單片機為基礎,用MQ-4、MQ-9、MQ-811、MQ-136、MiCS-2714和DHT11傳感器模塊來監(jiān)測煤礦中常見的氣體CH4,CO2,CO,NO2,H2S和SO2以及溫濕度。

【參考文獻】：
期刊論文
[1]基于主成分分析與BP神經(jīng)網(wǎng)絡的礦井涌水量預測研究[J]. 張憲峰,魏久傳,張延飛,吳霞,李孝朋.  煤炭技術(shù). 2018(06)
[2]基于物聯(lián)網(wǎng)的農(nóng)業(yè)墑情監(jiān)測系統(tǒng)的設計與實現(xiàn)[J]. 金文,姚凱學.  計算機應用與軟件. 2018(03)
[3]基于物聯(lián)網(wǎng)的煤礦移動安全監(jiān)控系統(tǒng)設計[J]. 李隘優(yōu).  閩西職業(yè)技術(shù)學院學報. 2017(04)
[4]基于循環(huán)卷積神經(jīng)網(wǎng)絡的目標檢測與分類[J]. 艾玲梅,葉雪娜.  計算機技術(shù)與發(fā)展. 2018(02)
[5]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[6]中國交通工程學術(shù)研究綜述·2016[J]. 馬建,孫守增,芮海田,馬勇,王磊,劉輝,張偉偉,陳紅燕,陳磊.  中國公路學報. 2016(06)
[7]水力沖孔煤層瓦斯分區(qū)排放的形成機理研究[J]. 王新新,石必明,穆朝民.  煤炭學報. 2012(03)

碩士論文
[1]基于Tensorflow的循環(huán)神經(jīng)網(wǎng)絡模型在上海市空氣質(zhì)量預測中的應用[D]. 劉蕾.上海師范大學 2019
[2]基于深度學習的霧霾預測方法研究[D]. 宋利紅.電子科技大學 2018
[3]面向高維數(shù)據(jù)的PCA-Hub聚類方法研究[D]. 郎江濤.重慶大學 2017
[4]基于Android的健康監(jiān)測應用研究與實現(xiàn)[D]. 段豪.電子科技大學 2017



本文編號：3505769