Экомониторинг на ARM-процессоре | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 30 ноября, печатный экземпляр отправим 4 декабря.

Опубликовать статью в журнале

Автор:

Научный руководитель:

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №21 (311) май 2020 г.

Дата публикации: 20.05.2020

Статья просмотрена: 60 раз

Библиографическое описание:

Шадрина, Т. М. Экомониторинг на ARM-процессоре / Т. М. Шадрина. — Текст : непосредственный // Молодой ученый. — 2020. — № 21 (311). — С. 75-77. — URL: https://moluch.ru/archive/311/70390/ (дата обращения: 16.11.2024).



В статье описана разработка датчика экомониторингауровня загрязненности воздуха на АRM-процессоре.

Ключевые слова: экомониторинг; загрязнение воздуха; Raspberry Pi.

В настоящее время из-за бурной хозяйственной деятельности человека, а также из-за негативных природных явлений (пожары, пыльные бури) значительно ухудшается состояние воздуха, что чаще всего выражается в повышенном содержании пыли и вредных веществ. В глобальном плане для мониторинга атмосферного воздуха используются специализированные геоинформационные аналитические системы. Поскольку качество воздуха является одним из важнейших аспектов, влияющих на здоровье человека, важно оценивать состояние воздуха не только в глобальных масштабах, но и локально, непосредственно в рабочих и жилых помещениях.

Основными загрязнителями воздуха являются мелкие твёрдые частицы (пыль), а также примеси, которые оказывают наибольшее воздействие на людей. Частицы диаметром 10 микрон и меньше могут проникать и оседать глубоко в легких, но еще более опасными для здоровья являются частицы диаметром 2,5 микрона и менее, они могут проникать не только в легкие, но и кровеносную систему, что значительно повышает риск развития болезней сердца и респираторных заболеваний, а также рака легких. [1]

Исходя из вышеописанного необходимо своевременно выявлять загрязнение и его степень и принимать меры по его устранению. Причем, данные, полученные в процессе мониторинга, желательно отображать в доступной для начинающего пользователя форме. Для этого необходимы недорогие и компактные приборы для повседневного пользования.

Поэтому было принято решение разработать датчик экомониторинга уровня загрязненности воздуха на АRM-процессоре, который можно использовать локально. Экологический мониторинг (экомониторинг) — комплексные наблюдения за состоянием окружающей среды. Значимой частью прибора является датчик, способный измерять необходимые параметры окружающей среды, чтобы установить уровень загрязнения воздуха. В данном проекте нас будут интересовать прежде всего уровни ПДК (предельно допустимая концентрация) составляющих загрязнений, так как именно по ним можно оценить состояние окружающей среды на данный момент и принять меры по повышению ее качества. Одной из основных целей проекта является отображение полученных данных на веб-сервере в удобной для восприятия форме.

Для реализации проекта использовано следующее оборудование.

Аппаратная часть измерителя построена на одноплатном компьютере с ARM процессором, имеющим размеры соизмеримые с банковской картой. ARM-процессор — это центральное процессорное устройство, основанное на RISC-архитектуре. RISC (reduced instruction set computer) — данная архитектура имеет сокращенный набор команд, которые имеют один формат и отличаются простой кодировкой. [2] В данной работе в качестве одноплатного компьютера использован Raspberry Pi.

Для записи операционной системы и хранения данных используется SD-карта, так как Raspberry Pi поставляется без операционной системы.

Используется плата расширения Breakout Garden. Она позволяет подключать совместимые платы с Breakout Garden через шесть разъёмов со встроенной защитой от обратной полярности и устанавливать их с помощью скрипта автоматической установки. Используемый скрипт — это последовательность действий, описанных с помощью скриптового языка программирования (JavaScript, PHP, Perl, Python и др.) для автоматического выполнения определенных задач.

В качестве измерителя параметров использован контроллер Pimoroni BME680 с переходной платой. BME680 предназначен для измерения параметров окружающей среды. Он позволяет определять следующие характеристики: температура, давление и влажность, а также оценивать качество воздуха (наличие и концентрация различных примесей), что является основной целью данного проекта.

Нормальным атмосферным давлением считается 101 325 Па (≈ 101 кПа). Выбранный датчик способен измерить давление от 300 до 1100 кПа с разрешением 0,18 Па. В диапазоне температур от 0 до +65 °С сенсор характеризуется абсолютной погрешностью ± 0,6 кПа.

Рабочий диапазон датчика температуры составляет от -40 до +85 °С. Абсолютная точность в диапазоне от 0 до +65 °С составляет ±1 °С.

Датчик влажности работает в диапазоне от 0 до 100 % с абсолютной точностью ± 3 % (температура от 0 до +65 °С).

BME680 имеет встроенный металло-оксидный датчик (Metal Oxide Semiconductor) органических летучих веществ. Это датчик резистивного типа, сопротивление поверхности которого зависит от содержания в воздухе летучих органических веществ (ацетон, этанол, продукты дыхания, изопрен, и т. д). Сопротивление датчика измеряется, оцифровывается 20-битным аналого-цифровым преобразователем и фильтруется. Так как информация, полученная с датчика не совсем удобна для дальнейшего использования, то данные преобразуются с помощью программных алгоритмов в баллы качества воздуха IAQ (Indoor air quality). [3]

По таблице 1, приведённой ниже, можно определить состояние воздуха в помещении и принять меры, если качество воздуха оценивается как «ниже среднего» и IAQ составляет 101 и более баллов.

Таблица 1

Оценка качества воздуха

IAQ

Качество воздуха

0–50

Хорошее

51–100

Среднее

101–150

Ниже среднего

151–200

Неудовлетворительное

201–300

Плохое

301–500

Очень плохое

В целом для изготовления системы экомониторинга понадобится следующее оборудование:

1) Raspberry Pi

2) Карта Micro-SD

3) Блок питания, кабель, кабель Ethernet

4) Датчик Pimoroni BME680 с переходной платой

5) Плата расширения Breakout Garden

Теперь перейдём к описанию процесса сборки данного прибора.

Последовательно соединяем вместе выбранные элементы. Так как датчик измерения параметров окружающей среды взят с переходной платой, то просто подключаем датчик к Raspberry Pi. В дальнейшей реализации проекта необходима разработка определённого программного обеспечения. В данной работе рассматривается общий план проекта экомониторинга.

Необходимо установить операционную систему на SD-карту. С Raspberry Pi совместимы множество различных операционных систем, в качестве базовой используют одну из версий Linux. Далее создаём новое приложение, выбрав тип устройства и тип приложения. После завершения процесса установки вставляем SD-карту в Raspberry Pi и подключаем источник питания. Структурная схема системы экомониторинга представлена на рисунке 1.

Рис. 1. Структурная схема системы экомониторинга

После загрузки устройство подключается к панели мониторинга. Следующим шагом является установка CLI (Command Line Interface) — интерфейса командной строки. В CLI вписываются команды, с помощью которых и производится настройка, а в дальнейшем и управление датчиком.

Далее представлена последовательность процесса установки веб-сервера на Raspberry Pi. Команды, с помощью которых выполняется установка и настройка опущены, поскольку они не являются основой данного проекта.

1) Устанавливаем веб-сервер nginx на Raspberry Pi. Nginx — это программное обеспечение с открытым исходным кодом для веб-сервера.

2) Устанавливаем PHP на Raspberry Pi. PHP — скриптовый язык общего назначения, применяемый для разработки веб-приложений.

3) Устанавливаем MySQL на Raspberry Pi. MySQL — это реляционная система управления базами данных с открытым исходным кодом.

4) Настраиваем nginx. Вводим в браузере IP нашей Raspberry Pi.

Установка и настройка веб-сервера на Raspberry Pi завершена.

В итоге проделанной работы получается датчик экомонитооринга, который собирает данные и с помощью веб-сервера позволяет пользователю зайти на станцию и посмотреть полученную информацию в настоящий момент времени. На веб-странице в наглядной форме отображаются температура, влажность, давление, а также оценка качества воздуха (см. рис. 2).

Рис. 2. Вариант исполнения пользовательского интерфейса

В случае дальнейшей разработки экодатчики можно использовать как в домашних условиях, так и на рабочих местах в цехах, офисах, поликлиниках, адаптировав отображение информации на веб-страницах под определённую специфику. При организации единой сети, возможно использование экодатчиков на улицах города для сбора информации о качестве воздуха в различных городских микрорайонах. Таким образом локальный мониторинг состояния окружающей среды будет доступен для пользования граждан.

Литература:

  1. Всемирная организация здравоохранения. Как загрязнение воздуха разрушает наше здоровье. 2020. URL: https://www.who.int/ru/air-pollution/news-and-events/how-air-pollution-is-destroying-our-health (дата обращения: 10.03.2020)
  2. Медиагруппа. Что такое ARM. 2013–2020. URL: https://androidinsider.ru/polezno-znat/chto-takoe-arm.html (дата обращения: 10.03.2020)
  3. Терраэлектроника. BME680 — новый датчик параметров среды. 2004–2020. URL: https://spb.terraelectronica.ru/news/5048 (дата обращения: 15.03.2020)
Основные термины (генерируются автоматически): IAQ, PHP, окружающая среда, качество воздуха, CLI, операционная система, переходная плата, состояние воздуха, абсолютная точность, одноплатный компьютер.


Ключевые слова

загрязнение воздуха, экомониторинг, Raspberry Pi

Похожие статьи

Устройства ввода информации с малым энергопотреблением

Описаны датчики ввода информации с малым энергопотреблением для беспроводных сенсорных сетей. Показано, что оптимальными для использования в таких сетях являются технологии Bluetooth и особенно ZigBee.

Распознавание эмоций в реальном времени

В данной работе представлена свёрточная нейронная сеть, которая может найти лицо человека и классифицировать эмоцию на лице в реальном времени на Raspbery Pi 3. Цель работы получить как можно хороший результат имея ограничение в виде слабого процессо...

Методы сокращения энергопотребления в беспроводных сетях

Описаны методы сокращения энергопотребления датчиков ввода информации в беспроводных сенсорных сетях. Показано, что использование цифровой видеокамеры в системе позволяет снизить энергопотребление.

Классификация изображений с помощью сверточных нейронных сетей

В статье автор исследует использование сверточных сетей для детектирования изображений.

Концепция калибровки потока экструдера для 3D-принтеров на базе FDM-технологии на примере модели Anycubic Chiron

В статье описывается концепция и пошаговая методика калибровки потока на экструдерах типа «Боуден» с описанием команд для работы в терминале и изменения конфигуратора прошивки контроллера.

Алгоритмы кластеризации в машинном обучении

В статье рассматриваются основные алгоритмы кластеризации в машинном обучении.

Эффективность применения программного продукта «EcoExploration 2.0.» на стадии проектирования обустройства месторождения с повышенным газовым фактором

Применение CAD/CAE-программ при проектировании устройства для определения характеристики впрыскивания форсунок

В данной статье описан разработанный автором устройство для определения характеристики впрыска и произведен гидродинамический расчет в среде Solidworks Flow Simulation.

Обнаружение веб-атак с использованием машинного обучения

В статье авторы изучают используемые методы и системы машинного обучения в системах обнаружения вторжений (СОВ), в частности веб-атак.

Неконтролируемые методы машинного обучения при обнаружении сетевых аномалий

В данной статье представлен обзор неконтролируемых методов машинного обучения для решения проблем обнаружения аномалий. Представлена классификация методов машинного обучения.

Похожие статьи

Устройства ввода информации с малым энергопотреблением

Описаны датчики ввода информации с малым энергопотреблением для беспроводных сенсорных сетей. Показано, что оптимальными для использования в таких сетях являются технологии Bluetooth и особенно ZigBee.

Распознавание эмоций в реальном времени

В данной работе представлена свёрточная нейронная сеть, которая может найти лицо человека и классифицировать эмоцию на лице в реальном времени на Raspbery Pi 3. Цель работы получить как можно хороший результат имея ограничение в виде слабого процессо...

Методы сокращения энергопотребления в беспроводных сетях

Описаны методы сокращения энергопотребления датчиков ввода информации в беспроводных сенсорных сетях. Показано, что использование цифровой видеокамеры в системе позволяет снизить энергопотребление.

Классификация изображений с помощью сверточных нейронных сетей

В статье автор исследует использование сверточных сетей для детектирования изображений.

Концепция калибровки потока экструдера для 3D-принтеров на базе FDM-технологии на примере модели Anycubic Chiron

В статье описывается концепция и пошаговая методика калибровки потока на экструдерах типа «Боуден» с описанием команд для работы в терминале и изменения конфигуратора прошивки контроллера.

Алгоритмы кластеризации в машинном обучении

В статье рассматриваются основные алгоритмы кластеризации в машинном обучении.

Эффективность применения программного продукта «EcoExploration 2.0.» на стадии проектирования обустройства месторождения с повышенным газовым фактором

Применение CAD/CAE-программ при проектировании устройства для определения характеристики впрыскивания форсунок

В данной статье описан разработанный автором устройство для определения характеристики впрыска и произведен гидродинамический расчет в среде Solidworks Flow Simulation.

Обнаружение веб-атак с использованием машинного обучения

В статье авторы изучают используемые методы и системы машинного обучения в системах обнаружения вторжений (СОВ), в частности веб-атак.

Неконтролируемые методы машинного обучения при обнаружении сетевых аномалий

В данной статье представлен обзор неконтролируемых методов машинного обучения для решения проблем обнаружения аномалий. Представлена классификация методов машинного обучения.

Задать вопрос