基于信息融合的餐饮油烟监测系统设计*

丁承君, 徐光鹿, 刘云帆, 贾丽臻

(河北工业大学 机械工程学院，天津 300130)

0 引 言

目前，环保部门明确要求餐饮企业油烟浓度不得高于2.0 mg/m3，但油烟排放依然严峻。市面上的油烟监测设备普遍采用的净化技术包括：物理净化法，如文献[1]提出空气负离子技术的新型多级油烟净化装置设想，经可行性分析表明其能够有效吸附微小颗粒，但对过滤材料要求极高；文献[2]采用窄带物联网(narrow band Internet of things,NB-IoT)技术，由前端、传输网络和云平台组成油烟监测系统，功耗低、覆盖范围广、成本低等优点，但推广率依旧不高，主要原因是上传数据丢失，监测不准以致商家抵制安装。

本文提出基于信息融合的无线监测系统，遗传算法(genetic algorithm,GA)优化的反向传播(back propagation，BP)神经网络用于将多个传感器的数据融合，提高系统效率，解决了精度不高及数据丢失的问题[3]。

1 整体系统设计

相关文献表明饮食油烟能被检测到300多种成分，通过分类检测油烟成分可有效防止坏境污染。由整体系统架构图 1可知，设备终端由油烟参数采集模块、嵌入式控制中心、计算单元、无线传输单元组成。数据采集模块由TGS2600油烟传感器、MQ—7一氧化碳(CO)传感器、MS1100甲苯、甲醛传感器组成，电压检测单元主要检测风机净化器的工作状态。以上传感器监测范围基本覆盖油烟污染所涉及的范围，具有优良的感知性能、易于应用。嵌入式控制中心选用STM32F103ZET6芯片，最高可达72 MHz工作频率，拥有丰富的IO接口资源；计算中心选用i.MX287芯片，高效的运算处理能力，能够满足本系统的BP运算任务需求。无线通信单元选用SIM900A，利用通用无线分组业务(GPRS)功能上传数据至应用层，以便数据实现可视化应用。

图1 饮食油烟监测系统架构

2 硬件设计

系统硬件框图如图 2所示，由油烟参数采集模块、边缘计算模块、通信模块组成。

图2 系统硬件框图

2.1 油烟参数采集模块

1)甲醛传感器:MS1100甲醛传感器对甲醛、甲苯等挥发性气体具有很高的灵敏度，用于油烟监测，测试体积分数范围(1～1 000)×10-3。通过输出模拟信号至STM32的A/D模数转换通道获取实测甲醛、甲苯体积分数。

2)一氧化碳传感器:选用MQ—7一氧化碳传感器模块，其工作原理和TGS2600相似，气敏材料在清洁空气中电导率低，随着敏感气体体积分数上升，气敏材料的导电率也随之提高。监测范围(0～1 000)×10-3，输出模拟电压供STM32采集处理[4,5]。

3)油烟传感器：TGS2600通过加热器使得待测气体依附于半导体材料表面来改变电阻值，如果存在大量的敏感气体，遇氧发生氧化反应增加电子数目，电阻值反而降低；否则氧原子得到电子，降低半导体的导电性，呈现高阻态。用简单的电路将半导体的导电率转换为气体体积分数的值进行输出。

将传感器模块密封，只需探头上表面接触油烟气体，首先将传感器模块放置在清新的空气中至少通电30 min，测得AOUT输出电压值，利用式(1)计算R0

R0=Vcc×RL/VRL-RL

(1)

式中 供电电压Vcc=5 V，RL=2 kΩ，VRL=AOUT，能够计算R0。当检测到目标气体时，测得AOUT的值，用式(2)计算RS

(2)

注意此时VRL为检测到敏感气体后的值，比式(1)中的VRL大，Vcc和RL与上式相同，得到R0,RS值之后，通过灵敏度特性曲线RS/R0换算成气体的具体体积分数值。

4)电压监测:电压检测电路如图3所示，交流电接入L,N端子，经过150 kΩ电阻降低电流，通过MB6S桥式整流器转换为直流电，接入光电耦合器PC817使上下级电路完全隔离，最后通过放大电路进行信号放大接入STM32的输入引脚采集风机净化器的通电状态。

图3 风机净化器电压监测电路

2.2 无线通信模块

经过边缘设备计算处理之后信息量大大降低，本系统采用SIM900A无线通信模块，板载SIMCOM的工业级双频GSM/GPRS模块，支持工作频段为900/1 800 MHz，能够实现与RS—232和TTL对接。可以低功耗实现数据传输的功能。通过串口发送AT指令设置SIM900A为无线通信模式，实时向云服务器传递油烟监测数据。

3 软件设计

本系统软件设计分为两部分，数据采集程序设计如图4(a)所示和计算单元程序设计如图4(b)所示。

图4 软件设计

油烟参数采集程序包括驱动传感器初始化子程序、接收存储数据子程序、风机净化开关状态子程序、RS—232协议发送子程序。数据采集模块对甲醛、甲苯、CO、苯类化合物进行采集、存储、传输到计算单元。

计算单元软件设计包括RS—232接收子程序、GA优化BP神经网络子程序、数据存储子程序以及无线通信子程序。通过RS—232接收的数据输入BP神经网络，获取权值和阈值作为GA的输入数据，通过选择、交叉、变异筛选出最优权值和阈值，赋值给BP神经网络，油烟数据经过此时训练神经网络对比实际油烟体积分数，输出误差继续作为GA的适应度函数，直至输出误差趋近于零。最后将监测结果(超标警告、风机净化器状态)通过GPRS上传服务器。

4 GA优化BP神经网络

GA[6]是根据生物自然进化原理进行全局搜索最优解的算法，通过选择、交叉、变异繁殖下一代，保持群体的稳定性、优良性。

BP神经网络[7]是一种误差反向传播的多层前馈网络，训练规则使用Trainlm训练函数以最快速度寻找一组最优权值和阈值，使得网络误差最小。BP神经网络的容错性、信息的并行处理以及解决非线性问题的优越性等特点备受关注。但由其收敛性差、易陷入局部极值等局限性。通过遗传算法改进BP神经网络搜索最优权值和阈值以改善网络的收敛性，防止陷入局部极小值。

4.1 BP神经网络

理论上只要隐含层节点数目足够多的三层BP神经网络能够解决绝大部分问题[8]，因此本文采用三层BP神经网络。输入层的输入信号为油烟样本数据，隐含层通过对数据复杂变换作为输出层的输出。BP网络的步骤如下：

1)确定BP神经网络的拓补结构，初始化输入层(I)到隐含层(H)的权值vij，隐含层(H)到输出层(O)的权值wij，H层和O层的阈值分别为h,H。

2)隐含层(H)的输出

(3)

式中ai为输入层的输入信号；bi为隐含层第i个神经元输出；hj为隐含层第j个神经元的阈值；vij为输入层第i个神经元到隐含层第j个神经元的权值，隐含层激活函数为f(x)=(1+e-x)-1。

3)输出层的输出

(4)

式中yi为输出层第i神经元的输出；Hj为输出层第j个神经元的阈值；wij为隐含层第i个神经元到输出层第j个神经元的权值；输出层激活函数为f(x)=x。

4)神经元的输出误差

输出层误差

dj=yj(1-yj)(Oj-yj),j=1,2,…,p

(5)

式中dj为输出层神经元第j个的误差；Oj为第j个神经元的标准输出。

隐含层误差

(6)

式中ei为隐含层第i个神经元的输出误差。

5)修正隐含层与输出层的连接权值与输出层的阈值

Δwji=αbidj,i=1,2,…,n,j=1,2,…,p

(7)

ΔHj=adj,j=1,2,…,p

(8)

式中 0<α<1为常数，用于控制学习效率；Δwji，ΔHj分别为输出层第j个神经元至隐含层第i个神经元修正权值的差值、阈值的差值。

6)调整输入层与隐含层的权值与隐含层的阈值

vij=βajei,j=1,2,…,m,i=1,2,…,n

(9)

Δhi=βei,i=1,2,…,m

(10)

式中 0<β<1用于控制学习效率；Δvij,Δhi分别为隐含层第i个神经元至输出层第j个神经元修正权值的差值、阈值的差值。

7)重复步骤(2)，直到误差di→0为止。

BP神经网络拥有极强的非线性函数映射能力以及自我学习机制，主要应用于修复图像、语言处理、模式识别以及非线性分类等领域。但由于学习效率低、解决非线性问题并不能总有解，且伴随着训练过程漫长。必须通过其他算法改进。

4.2 GA优化BP神经网络的实现

GA是一种全局寻求最优的搜索算法，通过选择、交叉、变异处理，保持群体的鲁棒性、全局最优性，避免陷入局部极值的风险，同时能够优化BP神经网络的权值和阈值，极大提高BP神经网络的训练速度。

其实现过程如下：1)将BP神经网络初步训练的权值和阈值作为GA的初始种群，对个体进行编码，并初始化选择、交叉、变异概率。2)将BP神经网络的误差(di)作为GA的适应度函数，然后按式(11)根据适应度值计算父代进入子代的概率ps。3)根据适应度选择较优个体进行交叉、变异操作，产生新的子代并计算新种群的适应度值。4)判断新生个体是否满足择优条件，若满足则继续下一过程，若不满足则返回步骤(2)。5)解码最优个体得到全局最佳权值和阈值，同时以此替换BP神经网络的权值和阈值。6)返回BP神经网络步骤(4)计算误差，并继续执行直至结束。式(11)如下

ps=fi/∑i=1fi

(11)

式中fi为第i代个体的适应度值。

5 系统测试

反映油烟状况的因素为甲醛、甲苯、CO、苯类的体积分数，作为BP神经网络的输入量，所以输入层神经元个数为4，输出层神经元个数为1；经过反复测试确定隐含层神经元数为7。

利用MATLAB的工具包对GA-BP网络模型进行训练，隐层、输出层的激活函数分别为Sigmoid函数、Purelin函数，训练算法为Trainlm函数，训练次数设置为2 000，训练目标误差值为0.005，学校效率为0.1。GA的参数设置:适应度函数为Fitness，种群大小为50，终止函数为maxGenTerm，最大遗传代数为100代，选择、交叉、变异的参数分别为0.08,2,[2 100 3]。选用长度为100的样本进行训练，为方便测试将数据归一化到[0,1]范围内。

5.1 训练结果

将样本数据输入BP神经网络，训练后得到如图 5所示的均方误差分析图。GA优化后的BP网络训练至第9代时，达到误差水平线以下，GA-BP优化和Trainlm训练的独特性保证了神经网络的快速收敛性。收敛的最小误差为0.000 549 97，且最小误差值和期望误差值相差很小，达到了预期的效果。

图5 GA优化后的神经网络训练

5.2 测试结果

利用另两组实测数据进行测试，结果如图 6所示，改进后的BP网络预测输出油烟浓度为虚线所示，与实线显示的实际浓度高度吻合，通过GA优化以及使用Trainlm函数训练之后不仅提高了BP神经网络收敛速度还降低了误差，提高餐饮油烟系统的预测能力，达到了优化算法的目的。

图6 两个周期实际数据与BP网络拟合对比

6 结 论

针对餐饮企业油烟排放超标监测不力的问题，本文提出基于信息融合的餐饮企业监测系统设计，通过对终端设计的阐述了解本系统感知层的组成，通过优化之后的信息融合算法对数据处理，不仅降低了系统的响应时间还提高了系统监测能力，达到了预期的目的。