1.提出的方法：
本系统基于小波变换、卷积神经网络、多传感器网络等技术，设计了一套针对于公交车在行驶过程中突发自燃、侧翻情况的安全监测系统[1]，通过多传感器网络进行公交车各项监测数据的采集[2]，利用离散小波变换以及MLP-BP神经网络、BiLSTM时间序列预测未来公交车安全指标数据，传入训练好的ResNet残差神经网络公交车安全监测状态分类模型得到最终的公交车安全监测结果。
2.下位机工作模式
本系统下位机采用STM32F103C8T6 与 ESP-01S 模块串口通讯，传感器节点采用间歇式工作模式，数据传入Raspberry Pi，设置传感器参数接收实时监测数据。
图1下位机工作模式
2.1传感器结构设计
前端传感器模块包括各类传感器和信号调理电路,主要功能是采集公交车自燃、侧翻、胎压失衡相关传感器数据，STM32微处理器模块协调控制各个模块的工作，存储和处理传感器输出的数据，无线通信模块把经过处理器预处理后的数据按照一定的规则打包，向汇聚节点发送数据信息[3]。
图2 传感器节点结构
2.1微处理器与无线通信模块
本系统选择STM32系列单片机STM32F103C8T6和ESP8266无线模块作为传感器数据微处理模组，将其作为整个智能监测系统的节点数据核心，并将数据以电信号输出传给STM32。本系统在多传感器网络构架中节点数据的无线传输，使其与公交车路由器所提供的局域网合理搭配，最终用wifi将传感器数据传输给主控芯片Raspberry Pi 4。
2.2传感器模块
本项目下位机主要是对于公交车不同运行状态的数据采集，前端传感器模块包括各类传感器和信号调理电路,主要功能是采集公交车自燃、侧翻、胎压失衡相关传感器数据，STM32微处理器模块协调控制各个模块的工作，存储和处理传感器输出的数据，无线通信模块把经过处理器预处理后的数据按照一定的规则打包，向汇聚节点发送数据信息。
设计了一种基于MQ-2、MQ-9气体传感器和DS18B20温度传感器的自燃监测模块。该模块通过测量电阻变化来监测环境中的可燃性气体和一氧化碳浓度，设计了一种利用ADXL345、L3G4200D和SW-18015P传感器组成的公交车侧翻监测模块。
2.3传感器节点工作模式
为了缓解传感器节点缓存压力，避免数据竞争碰撞，提高传感器的使用效率以及降低功耗，多传感器节点采用了间歇性工作模式。
节点工作模式流程图如下：
图3节点工作模式
3.上位机安全监测
3.1 数据时频图融合
本项目通过将采集的数据进行可视化，得到不同传感器的时间序列,此系统设计了间歇式传感器工作模式，各传感器采集时间约160ms，则一秒钟之内能够顺序采集六种传感器数据，进行数据顺序融合得到离散时间的信号序列。
3.2 离散小波变换
小波变换一种处理不同尺度或分辨率的非周期和暂态信号的有效信号分析算法[4]。该算法通常用于长序列预测去噪，将其分解为离散小波变换(DWT)和连续小波变换(CWT)，核心思想是将信号分解成不同尺度或分辨率的子信号。
图4小波变换
3.3预警机制
为了达到公交车安全监测预警的目的，当传感器开始工作时，本文将每五分钟采集的融合数据进行时间序列预测，得到未来一分钟之内的融合数据并生成图像，通过离散小波变换去噪重构得到最终识别图像，传入训练好的卷积神经网络进行训练[5]。
为了提高时间序列预测数据的准确性，我们将训练数据进行离散小波变换去噪提纯之后，分别对低频分量cA和高频分量cD应用了多层感知机BP神经网络(MLP-BP)、BiLSTM进行预测，将高频和低频预测结果进行小波重构得到最终预测数据，MLP-BP均方误差MSE为0.227，BiLSTM均方误差MSE为0.214。结果如下：
图5分预测模型
最终我们得到了分别预测融合数据的高频分量cD和低频分量cA，再通过小波重构得到融合数据的预测结果，进而将图像传入神经网络进行识别：
图6预测数据小波重构
4.深度学习模型
4.1构建数据库
本文模拟公交发生火灾并收集火灾发生十分钟前后的自燃监测模块数据，以及公交发生侧翻时的侧翻监测模块数据，将数据进行分时处理(一分钟为一组)并转化为图像，通过小波变换去噪并重构，一次事故可以得到10张训练图像。最终分为了火灾(自燃)危险和侧翻危险以及正常状态三种情况。
4.2 ResNst网络模型
ResNet（残差神经网络）是一种深度神经网络结构，它的主要贡献是发现了退化现象，并针对退化现象发明了快捷连接（shortcut connection），极大的消除了深度过大的神经网络训练困难问题[6]。
数据采集分为了正常状态、火灾状态、侧翻状态三种情况，并且模拟采集了足够的训练数据，通过模型的比较，最终我们选用了残差神经网络ResNet进行图像分类训练，训练轮次设置为50次，迭代完成之后得到最终结果。
结果显示我们的验证集准确率能够达到0.9以上，训练集损失降为0.2以下，具有较好的训练效果。
图7验证集混淆矩阵
表1验证结果表
观察混淆矩阵和模型训练结果可以很容易看出侧翻状态和正常状态准确率高达0.9以上，火灾状态稍微逊色但也能达到0.83，由此可得在模拟训练数据上，此模型有较好的效果。
4.结论
综上所述，基于多传感器网络与深度学习的公交车安全监测系统具有较高的预测精度、泛化能力和实用性。该系统能够实现数据采集与监测的一体化功能，及时发现公交车的安全隐患，降低危险事故的发生率。
参考文献：
[1]蒋文锋,邱绍辉.构建绿色安全舒适便捷的公交出行环境[N].新余日报,2023-06-02(004).DOI:10.38220/n.cnki.nxydn.2023.000712
[2]黄情,梁火层,韦秋雨等.新型智能公交车系统的设计[J].电子技术,2018,47(11):71-73.
[3]刘成山.智能城市中无线传感器网络的应用与挑战[J].科技创新与应用,2023,13(35):181-184.DOI:10.19981/j.CN23-1581/G3.2023.35.046
[4]胡海彬,刘仁鑫,夏宇雯等.一种用离散多小波变换的可解释卷积神经网络在滚动轴承故障诊断中的应用[J/OL].机械科学与技术,1-10[2023-12-26]https://doi.org/10.13433/j.cnki.1003-8728.20230365
[5]林民,齐虹.基于神经网络的公交车易燃气体安全监测系统[J].闽江学院学报,2020,41(02):58-67.DOI:10.19724/j.cnki.jmju.2020.02.008
[6]任江飞,许魁,刘洋等.一种基于改进残差神经网络的直扩信号感知方法[J].电讯技术,2023,63(12):1862-1868.DOI:10.20079/j.issn.1001-893x.230814003
