博物馆温湿度检测系统的研究与改进

王琦 焦文潭 高向川

摘  要： 针对市面上应用于博物馆环境下的温湿度检测装置测量精度低且功耗过高等问题，设计准确度高、操作简单、功耗低、小巧轻便的检测装置，实现对温湿度的精确测量和快速反馈。系统采用MSP430单片机和SHT11芯片设计温湿度检测模块，用ZigBee技术实现数据从检测模块到终端的传送。采用迭代次数少、收敛速度快的RLS?BP神经网络算法对采集数据进行优化。仿真及现场实验结果均表明，该系统检测精度高、抗干扰能力强、可扩展性好，算法优化效果明显，可较好地满足博物馆对环境温湿度检测的特殊要求，具有良好的应用推广价值。

关键词： 文物保护; 温湿度检测; 无线通信技术; BP神经网络算法; 温湿度矫正; RLS?BP神经网络算法

中图分类号： TN98?34                         文献标识码： A                            文章编号： 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

近些年来温湿度、二氧化硫等环境因素逐渐成为博物馆内文物保护工作的最大难题。温湿度过高或过低会造成文物干燥或高湿，加速文物的老化，故当温湿度超标时应加快反馈速度并报警。由于我国文物保护起步较晚，温湿度检测装置大多数从国外进口，且价格昂贵，仅在一些发达城市有应用，而在欠发达地区仍普遍由人工记录和反馈当前的温湿度信息，这不仅极大地损耗人力物力，缺乏科学性，而且一些精度更高的算法和性能更好的传感器也没能在文物保护装置中发挥效应[1?3]。

要想实现文物的有效保护，故当温湿度超标时要快速给出反馈。近几年来，物联网的兴起和传感器的快速发展可以有效地解决上述问题。本文提出一种基于物联网的准确度高、操作简单、功耗低、便携性好的温湿度检测装置设计方案，该装置采用MSP430单片机和SHT11芯片设计温湿度检测模块，用ZigBee技术实现数据从检测模块到终端的传送。由于测量过程易受到外界环境因素的干扰，数据处理时需要添加优化算法进行补偿。文中采用精确度高、计算量小、收敛迅速的RLS?BP算法进一步保证温湿度数据的准确性[4]。

1  系统总体设计方案及原理

1.1  系统功能设计

据研究，在博物馆中温度的浮动范围不得超过[±0.5] ℃，湿度应保持在2%RH内。因此，需要传感器对温湿度进行实时采集，并把采集的数据经过单片机处理后发送到后台管理系统上，由工作人员进行处理[5]。

1.2  系统总体结构与工作原理

按照上述要求可把整个硬件系统划分为三部分：底层的数据采集模块、中间的数据传输及处理模块、后端显示模块。底层的数据采集模块选择温湿度传感器SHT11负责外部数据的感应;中间的数据传输及处理部分选择MSP430芯片，负责接收传感器发送的数据，并将数据通过ZigBee組成的无线网络发送到后台管理系统上;后台显示模块则根据预先设置的温湿度要求进行处理。系统总体结构如图1所示。

工作原理如下：传感器SHT11感知外部环境温湿度并将其转换为数字量信号，通过I2C通信接口发送给MSP430单片机;单片机对数据进行滤波处理，再根据预先设置的精度范围判断温湿度数据是否正常，若温湿度超过精度范围则向后台发送请求，由后端控制系统打开相关设备进行调节，若仍超过允许的最大精度范围，报警器开始报警，同时，后台主机屏幕显示温湿度超标信息，通知工作人员进行处理，处理完毕后解除警报。

2  硬件电路介绍

2.1  主控电路

主控电路主要由单片机、时钟电路和保护电路等构成。单片机选择MSP430芯片，主要完成数据的收集、处理、发送和报警等任务。系统采用电池进行供电，电池电压经芯片L6920升压后，使输出电压保持在3.3 V。休眠时电流设置为50 μA左右，而平均工作电流设置为700～800 μA，极大地降低了功耗，在速度和可靠性方面也有保障[6]。

2.2  温湿度采集模块

温湿度采集模块采用瑞士Sensirion半导体公司的温湿度传感器SHT11，内含温度感应模块、湿度感应模块、14位的A/D转换单元、放大器、OTP内存和I2C总线接口，该总线接口只包含DATA数据线和SCK时钟线，接口简单可靠。为保证通信能正常进行，分别在数据线和时钟线上加入10 kΩ的上拉电阻。

2.3  网络通信模块与网络节点设置

网络通信模块采用ZigBee无线传输模块，由于文物位置保持不变，数据传输量相对较少，故采用网状型网络结构[7]。网络主要由终端节点、路由器节点和协调器节点构成。温湿度传感器作为终端节点，均匀分布在要测量的各个位置，完成数据的感应、预处理和传输等工作;主控电路作为协调器，负责开启和维护整个网络。工作流程如图2所示。

3  系统软件设计

3.1  硬件电路控制程序

系统程序设计采用模块化结构，主要包括主控电路的控制程序[8]、温湿度传感器的访问程序和网络传输程序。系统软件工作流程如图3所示。

3.2  RLS?BP算法及其实现

测量过程中，传感器探头要接触外界环境，测量结果易受到外界因素的影响，而且温湿度之间也会相互形成干扰。为进一步保障温湿度数据的准确性，在软件设计中加入RLS?BP神经网络算法对数据进行滤波处理，RLS?BP算法是使用递归最小二乘（RLS）算法来优化BP神经网络中的权值和阈值[9]。

RLS是一种指数加权的最小二乘方法，它依据每个时刻对全部原始信号的平方误差和最小的准则，使代价函数最小并实现最优滤波。代价函数为[Jn=i=0nλn-1e（i）2]，其中，[λ]为遗忘因子，作用是越靠近[n]时刻时赋予较大的权重，越远离[n]时刻时赋予较小的权重，常取0.5～0.998;[e（i）=di-yi]，为后验估计误差;[n]为问题规模。RLS算法有效解决了最小均方算法（LMS）收敛速度慢、信号非平稳适应差的缺点[10]。

BP神经网络是信号的正向输入，误差反向传播多层前馈网络，具有简单、易行、计算量小、并行性强等优点。但是，BP神经网络依然存在缺陷：它需要大量的数据来求解阈值[y]和权值[w]，容易陷入局部极小点而得不到全局最优值;当以不同的权值来训练网络时，其可能收敛于不同的局部极小点。故采用RLS算法来优化BP神经网络的权值和阈值，然后进行数据训练。设计过程如图4所示。

RLS?BP算法的具体步骤如下：

1） 更新输出层增益矢量：

[g2k=P2k-1y1kλ+y1TkP2k-1y1k] （1）

由式（1）可得更新权值矩阵：

[P2k=λ-1[P2k-1-g2ky1TkP2k-1]] （2）

根据增益矢量来更新输出层矢量：

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

再由式（3）计算估计误差：

[ε2Nk=d2Nk-y1kW2Nk-1] （4）

根据式（4）计算误差能量函数：

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

2） 进入中间层后，重复上述过程，先更新增益矢量：

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

然后更新权值矩阵：

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

式中[z1Mk]为输出层的输入值。

根据式（7）更新中间层矢量：

[W1Mk=W1Mk-1+g1k[d1Mk-y1kW1Mk-1]] （8）

依据式（8）计算输出误差矢量：

[ε1Mk=yTkW1Mk-1+j=1Nw2jmk-1ε2jk] （9）

计算输出误差矢量后，更新误差能量函数：

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

3） 将误差能量函数值与能量终止值进行比较，若满足条件则停止迭代，不满足条件则重新计算。

参数说明：[k]为递推步长;[fx]为传递函数;[fx]為[fx]的求导函数;[y1k]为中间层第[k]个输入时的实际输出值;[xk]为输入层的输入值;[P1k，P2k]为中间层和输出层的逆相关矩阵;[g1k，g2k]为中间层和输出层的卡尔曼增益;[ε1jk，ε2jk]为中间层和输出层第[j]个节点的第[k]个输入时的误差信号。

4  实验验证

4.1  数据测量

本系统的数据经过中国计量院温湿度露点仪标定，测量时分别读取露点仪的示值与温湿度检测装置的数据。测量湿度时，保持温度在25 ℃;测量温度时，保持湿度在20%RH，分别如表1，表2所示。

4.2  网络参数设置

RLS?BP网络输入神经元个数为2个，中间层输入神经元个数为5个，输出神经元个数为1个，网络层数为3层。遗忘系数[λ=]0.998。结果如图5，图6所示，分别为湿度误差曲线和温度误差曲线。

4.3  测量精度设置

温度的最大允许误差为±0.5 ℃;湿度的最大允许误差为±2.0%RH。

根据表1，表2，图5，图6结果可知：加入优化算法后湿度偏离不超过±0.5%RH，温度偏离不超过±0.05 ℃，误差明显降低，可较好地满足博物馆场景下的应用标准。

5  结  论

本系统使用MSP430芯片和SHT11温湿度传感器设计温湿度检测装置，并结合ZigBee技术进行网络传输，完成网络区域内温湿度参数的感应、处理及传输等工作，并且加入基于RLS?BP神经网络的滤波算法对温湿度数据进行滤波矫正。实验测试结果证明，湿度偏离不超过±0.5%RH，温度偏离不超过±0.05 ℃，满足实验标准，大大提高了实验精度，可有效缓解温湿度对文物的损毁问题。所设计系统功能强大、结构简单、功耗较低、鲁棒性好、应用场景适应性强，还具备良好的可扩展性，可在单片机上加入多个测量传感器，分别将其赋予不同的权重后得出最终结果，进一步改进检测效果。

注：本文通讯作者为焦文潭。

参考文献

[1] 郑晓茜，马朝华，赵方，等.基于MSP430和GSM技术的粮仓温湿度监控系统设计[J].粮食与油脂，2017，30（3）：87?90.

[2] 戴建华.基于MSP430无线温湿度监测系统设计[J].苏州市职业大学学报，2015，26（4）：18?24.

[3] 丁月林.基于STM32的低功耗温湿度采集器实现[J].软件，2015，36（5）：84?88.

[4] 邓书辉，施正香，李保明.低屋面横向通风牛舍温湿度场CFD模拟[J].农业工程学报，2015，31（9）：209?214.

[5] 程艳，任勇峰，文丰，等.基于MSP430的低功耗温湿度计设计[J].电子器件，2015，38（2）：382?385.

[6] 化腾飞.基于MSP430F149单片机与AM2301传感器的温湿度计设计[J].山东农业大学学报（自然科学版），2015，46（1）：143?147.

[7] 周海鸿，周嘉奉.基于ZigBee技术的温湿度监测系统[J].国外电子测量技术，2015，34（7）：75?79.

[8] 姜钧严，郭艳玲，杨冬霞，等.基于ZigBee技术的温室温湿度检测系统[J].森林工程，2014，30（2）：105?108.

[9] 朱振国，田松禄.基于权值变化的BP神经网络自适应学习率改进研究[J].计算机系统应用，2018，27（7）：205?210.

[10] 崔大鹏.神经网络在自适应噪声抵消中的应用研究[J].电子技术与软件工程，2015（16）：36?37.