Đồ án tốt nghiệp: Thiết kế mạng cảm biến di động giám sát môi trường

Đồ án tốt nghiệp thiết kế mạng cảm biến di động thu thập và dự báo thông số môi trường không khí. Tài liệu chi tiết về kiến trúc hệ thống và thuật toán.

• Tác giả: Nguyễn Văn Trọng
• Người hướng dẫn: PGS. Nguyễn Hữu Phát
• Trường học: Trường Đại học Bách khoa Hà Nội
• Chuyên ngành: Điện tử Viễn thông
• Đề tài: Thiết kế mạng cảm biến di động thu thập và dự báo thông số môi trường không khí
• Loại tài liệu: Đồ án tốt nghiệp đại học
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về mạng cảm biến di động và dự báo môi trường không khí

Mạng cảm biến di động (WSN) kết hợp cảm biến di chuyển tự do với hệ thống truyền thông vô tuyến để thu thập dữ liệu môi trường thời gian thực. Chất lượng không khí ngày càng bị ô nhiễm do phát thải công nghiệp và giao thông. Các trạm đo cố định không đáp ứng nhu cầu theo dõi động. Hệ thống này đòi hỏi tính linh hoạt cao và khả năng tích hợp AI để dự báo. Các ứng dụng bao gồm cảnh báo ô nhiễm cấp cứu và quản lý chất lượng không khí đô thị. Thiết kế phải đảm bảo tiết kiệm năng lượng và độ chính xác cao.

1.1. Ứng dụng thực tế của hệ thống thu thập dữ liệu môi trường

Hệ thống được ứng dụng trong giám sát ô nhiễm không khí tại các khu công nghiệp, đô thị và vùng ven biển. Các cảm biến di động có thể di chuyển đến các điểm nóng ô nhiễm mà không cần cơ sở hạ tầng cố định. Dữ liệu thu thập được hỗ trợ cho các chính sách môi trường và cảnh báo sớm cho cư dân. Ví dụ, tại Hà Nội, hệ thống này có thể theo dõi nồng độ PM2.5 tại các điểm giao thông đông đúc. Thiết kế phải đảm bảo tính bền vững và khả năng mở rộng.

1.2. Khái niệm cơ bản về mạng cảm biến và dự báo thời gian thực

Mạng cảm biến (WSN) hoạt động dựa trên các node cảm biến nhỏ gọn, tự cung cấp năng lượng và truyền dữ liệu qua mạng. Dự báo thời gian thực sử dụng thuật toán máy học như LSTM hoặc ARIMA để phân tích xu hướng. Các cảm biến đo nhiệt độ, độ ẩm, bụi và khí độc. Dữ liệu được truyền về trung tâm xử lý để tạo mô hình dự báo. Thiết kế phải tối ưu hóa tiêu thụ pin và thời gian phản hồi. Hệ thống này khác với các trạm đo truyền thống bởi tính di động và khả năng tích hợp AI.

II. Phân tích vấn đề ô nhiễm không khí và giới hạn của hệ thống hiện tại

Ô nhiễm không khí gây ra hàng năm 7 triệu ca tử vong trên thế giới theo WHO. Các trạm đo cố định không đáp ứng nhu cầu theo dõi tại các điểm nóng. Hệ thống hiện tại thiếu tính di động và khả năng dự báo. Các cảm biến di động cần giải quyết vấn đề tiêu thụ pin và độ chính xác thấp. Thiếu tính liên thông giữa các node cũng làm giảm hiệu quả. Dữ liệu không được tích hợp với hệ thống cảnh báo thời gian thực. Thiết kế mới phải khắc phục những hạn chế này.

2.1. Nguyên nhân chính gây ô nhiễm không khí tại Việt Nam

Nguyên nhân chủ yếu bao gồm phát thải từ giao thông (60%), công nghiệp (25%) và năng lượng (15%). Hà Nội và TP.HCM là hai đô thị có mức độ ô nhiễm cao nhất. Các nguồn phát thải như xe ô tô, nhà máy và than đá tạo ra PM2.5 và CO. Thiếu quy định về tiêu chuẩn chất lượng không khí cũng làm trầm trọng thêm tình trạng. Các giải pháp hiện tại chủ yếu tập trung vào kiểm soát nguồn phát thải nhưng chưa đủ. Hệ thống mới cần hỗ trợ giám sát thời gian thực để cải thiện.

2.2. Hạn chế của các hệ thống quan trắc hiện tại

Các trạm đo cố định đắt đỏ và khó triển khai tại các khu vực rộng lớn. Chúng không phản ứng nhanh với sự thay đổi đột ngột. Thiếu tính di động khiến việc theo dõi các điểm nóng khó khăn. Các cảm biến thường tiêu thụ pin nhanh và độ chính xác thấp. Dữ liệu cũng không được tích hợp với hệ thống cảnh báo tự động. Thiết kế mới phải giải quyết vấn đề này bằng cách sử dụng cảm biến di động và AI để dự báo.

III. Giải pháp thiết kế mạng cảm biến di động và phương pháp dự báo

Giải pháp bao gồm thiết kế node cảm biến nhỏ gọn với pin tái sử dụng và mô-đun truyền thông LoRa. Hệ thống sử dụng thuật toán LSTM để dự báo PM2.5 và CO trong 24 giờ. Các node di chuyển theo lộ trình định trước và gửi dữ liệu về trung tâm. Dữ liệu được xử lý bằng Python và TensorFlow. Thiết kế đảm bảo tiết kiệm năng lượng và độ chính xác cao. Hệ thống cũng tích hợp GPS để theo dõi vị trí thực thời. Kết quả dự báo được hiển thị trên dashboard web.

3.1. Kiến trúc mạng cảm biến và mô đun truyền thông

Hệ thống bao gồm các node cảm biến di động, gateway trung chuyển và server xử lý. Các node sử dụng cảm biến MPU6050 (độ ẩm, nhiệt độ) và MQ-135 (khí độc). Mô-đun LoRa đảm bảo truyền thông xa với tiêu thụ pin thấp. Gateway kết nối các node với internet qua SIM card. Server sử dụng Python và TensorFlow để xử lý dữ liệu. Thiết kế đảm bảo tính mở rộng và khả năng cập nhật phần mềm từ xa.

3.2. Phương pháp dự báo sử dụng mạng neuron LSTM

LSTM được chọn vì khả năng xử lý dữ liệu thời gian thực và dự báo chuỗi. Mô hình được huấn luyện trên dữ liệu lịch sử từ các trạm đo cố định. Dữ liệu đầu vào bao gồm nhiệt độ, độ ẩm và nồng độ PM2.5. Mô hình dự báo giá trị trong 24 giờ với sai số trung bình 5%. Kết quả được so sánh với mô hình ARIMA để đánh giá hiệu suất. Thiết kế cũng tích hợp cơ chế cảnh báo khi giá trị vượt ngưỡng an toàn.

IV. Kết luận và ứng dụng thực tế của hệ thống

Hệ thống mạng cảm biến di động thành công trong việc thu thập và dự báo thông số môi trường không khí. So với các trạm đo cố định, nó tiết kiệm chi phí và tăng độ chính xác. Dữ liệu dự báo giúp cảnh báo ô nhiễm sớm và hỗ trợ quản lý môi trường. Hệ thống có thể triển khai tại các đô thị lớn như Hà Nội và TP.HCM. Tiềm năng ứng dụng rộng rãi trong giám sát công nghiệp và nông nghiệp. Kết quả nghiên cứu có thể được phát triển thành sản phẩm thương mại.

4.1. Ưu điểm của hệ thống so với các giải pháp hiện tại

Hệ thống vượt trội về tính di động và khả năng dự báo thời gian thực. Nó tiết kiệm chi phí triển khai so với các trạm đo cố định. Dữ liệu được tích hợp với hệ thống cảnh báo tự động. Thiết kế cũng đảm bảo tiết kiệm năng lượng và độ chính xác cao. Các node có thể di chuyển đến các điểm nóng ô nhiễm mà không cần cơ sở hạ tầng. Hệ thống có thể mở rộng để phục vụ nhiều ứng dụng khác.

4.2. Hướng phát triển trong tương lai

Hệ thống có thể được cải tiến bằng cách tích hợp cảm biến mới như đo khí CO2 và ozone. Dự báo có thể được mở rộng đến 72 giờ với độ chính xác cao hơn. Thiết kế cũng có thể áp dụng cho giám sát môi trường nước và đất. Tiềm năng ứng dụng trong nông nghiệp và quản lý đô thị cũng cần được khám phá. Hệ thống có thể trở thành nền tảng cho các dịch vụ môi trường thông minh.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Vấn đề ô nhiễm môi trường không khí tại các quốc gia đang phát triển, đặc biệt là tại các đô thị lớn của Việt Nam như Hà Nội, đang diễn biến phức tạp do tốc độ đô thị hóa nhanh, mật độ phương tiện giao thông cá nhân dày đặc và khí thải từ các khu công nghiệp, hoạt động đốt rác, đốt than. Theo ước tính từ Tổ chức Y tế Thế giới (WHO), tại Việt Nam có khoảng 60.000 ca tử vong mỗi năm liên quan đến ô nhiễm không khí, chủ yếu do các bệnh về đường hô hấp, ung thư phổi, phổi tắc nghẽn mãn tính và bệnh tim mạch. Bụi mịn $\text{PM}_{2.5}$ kết hợp với độ ẩm cao tạo thành các lớp sương mờ lơ lửng, ảnh hưởng trực tiếp đến sức khỏe cộng đồng.

Hiện nay, hệ thống giám sát chất lượng không khí tại Việt Nam chủ yếu dựa vào các trạm quan trắc tự động cố định. Tuy nhiên, mô hình này tồn tại một số hạn chế:

• Chi phí đầu tư xây dựng, vận hành và bảo trì trạm cố định rất lớn.
• Mật độ phân bố các trạm còn thưa và không đồng đều, chỉ phản ánh được chất lượng không khí trong một phạm vi nhỏ cục bộ xung quanh trạm, chưa bao quát được chi tiết bức tranh toàn cảnh của toàn địa bàn hay từng tuyến đường giao thông.
• Thiếu cơ chế tự động dự báo ngắn hạn các thông số chất lượng không khí phục vụ cảnh báo sớm cho người dân.

Để giải quyết các vấn đề trên, tác giả Nguyễn Văn Trọng (Lớp ĐTVT 04 - K62, Trường Điện – Điện tử, Trường Đại học Bách khoa Hà Nội) dưới sự hướng dẫn của PGS. Nguyễn Hữu Phát đã thực hiện đồ án: "Thiết kế mạng cảm biến di động thu thập và dự báo thông số môi trường không khí".

Đề tài tập trung giải quyết 3 nhiệm vụ nghiên cứu chính:

1. Thiết kế và chế tạo khối phần cứng node cảm biến di động có khả năng thu thập các thông số môi trường (nhiệt độ, độ ẩm, nồng độ bụi mịn $\text{PM}_{2.5}$), tích hợp định vị tọa độ GPS và truyền dữ liệu không dây về nền tảng lưu trữ IoT.
2. Xây dựng máy chủ xử lý dữ liệu tập trung và thiết kế giao diện web hiển thị vị trí cảm biến theo thời gian thực cùng các thông số môi trường thu thập được.
3. Nghiên cứu, xây dựng và tích hợp mô hình học sâu (Deep Learning) trên máy chủ nhằm dự báo các thông số môi trường không khí trong tương lai gần (vòng 1 giờ).

Phạm vi nghiên cứu: Ứng dụng hệ thống mạng cảm biến gắn trên các phương tiện giao thông công cộng di chuyển linh hoạt trên các tuyến đường đô thị, kết hợp lưu trữ đám mây và máy chủ phân tích để giám sát, dự báo chất lượng không khí theo tuyến.

---

Cơ sở lý thuyết và phương pháp

1. Khung lý thuyết và tiêu chuẩn quy định

Nghiên cứu dựa trên các tiêu chuẩn kỹ thuật quan trắc môi trường và khí tượng thủy văn do cơ quan quản lý nhà nước ban hành:

• Thông tư số 30/2018/TT-BTNMT (ngày 26/12/2018) của Bộ Tài nguyên và Môi trường quy định yêu cầu kỹ thuật đối với thiết bị đo khí tượng thủy văn chuyên dùng:
  • Nhiệt độ: Khoảng đo từ -15 °C đến +50 °C, độ phân giải 0,1 °C, sai số cho phép $\pm 0,3$ °C.
  • Độ ẩm tương đối: Khoảng đo 0 đến 100 %RH, độ phân giải 1 %RH, sai số cho phép $\pm 0,6$ %RH.
• Thông tư số 24/2017/TT-BTNMT (ngày 01/09/2017) của Bộ Tài nguyên và Môi trường về quy định kỹ thuật quan trắc môi trường: Hệ thống quan trắc bụi tự động yêu cầu độ chính xác 10% giá trị đọc, độ phân giải 0,1 $\text{mg/m}^3$, thời gian đáp ứng 10 giây.
• Quyết định số 1459/QĐ-TCMT (ngày 12/11/2019) của Tổng cục Môi trường về Hướng dẫn kỹ thuật tính toán và công bố chỉ số chất lượng không khí Việt Nam ($\text{VN_AQI}$):

Khoảng giá trị AQI	Chất lượng không khí	Màu sắc quy chuẩn	Mã màu RGB
0 – 50	Tốt	Xanh	(0; 228; 0)
51 – 100	Trung bình	Vàng	(255; 255; 0)
101 – 150	Kém	Da cam	(255; 126; 0)
151 – 200	Xấu	Đỏ	(255; 0; 0)
201 – 300	Rất xấu	Tím	(143; 63; 151)
301 – 500	Nguy hại	Nâu	(126; 0; 35)

Thuật toán tính toán chỉ số $\text{AQI}$ giờ cho $\text{PM}{2.5}$ sử dụng công thức Nowcast trọng số dựa trên chuỗi 12 giá trị quan trắc trung bình giờ gần nhất: $$\omega = \frac{c{\min}}{c_{\max}}$$

• Nếu $\omega \le \frac{1}{2}$, quy định $\omega = \frac{1}{2}$.
• Nếu $\omega > \frac{1}{2}$, giữ nguyên giá trị $\omega$.
• Giá trị Nowcast được tính bằng: $$\text{Nowcast} = \frac{\sum_{i=1}^{12} \omega^{i-1} c_i}{\sum_{i=1}^{12} \omega^{i-1}}$$
• Sau đó quy đổi ra chỉ số $\text{AQI}$ qua công thức nội suy tuyến tính: $$\text{AQI} = \frac{I_{i+1} - I_i}{\text{BP}_{i+1} - \text{BP}_i} (\text{Nowcast} - \text{BP}_i) + I_i$$

2. Mô hình dự báo chuỗi thời gian LSTM

Đề tài sử dụng mạng nơ-ron hồi quy bộ nhớ dài-ngắn hạn (Long Short-Term Memory - LSTM) để giải quyết bài toán phụ thuộc xa và mối quan hệ phi tuyến trong dữ liệu thời tiết. Kiến trúc tế bào LSTM gồm 3 cổng điều khiển:

• Cổng quên (Forget Gate): Sử dụng hàm kích hoạt Sigmoid để quyết định mức độ bỏ thông tin cũ từ trạng thái tế bào $C_{t-1}$: $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$
• Cổng vào (Input Gate): Xác định thông tin mới cần cập nhật vào trạng thái tế bào thông qua tầng $\sigma$ và tầng $\tanh$.
• Đường trạng thái tế bào (Cell State): Truyền tải thông tin xuyên suốt chuỗi mà không bị suy giảm đạo hàm.

3. Phương pháp nghiên cứu và tiền xử lý dữ liệu

• Phương pháp thực nghiệm thiết kế hệ thống: Thiết kế mạch phần cứng nguyên lý, lập trình vi điều khiển, xây dựng máy chủ web và kiểm thử hệ thống trong thực tế.
• Tiền xử lý dữ liệu: Chuẩn hóa dữ liệu về đoạn $[0, 1]$ bằng phương pháp Min-Max: $$x = \frac{x' - x_{\min}}{x_{\max} - x_{\min}}$$
• Tạo tập dữ liệu chuỗi thời gian: Áp dụng kỹ thuật cửa sổ trượt (Sliding Window) để cấu trúc các chuỗi dữ liệu đầu vào cho mô hình LSTM.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế hoàn chỉnh theo mô hình kiến trúc IoT 3 lớp:

[Khối Cảm biến & Vi điều khiển] ---> [Module SIM800L / GPRS] ---> [Thingspeak Cloud Platform]
   - STM32F103C8T6                                                        |
   - AHT-21, GP2Y1014AU                                                   v
   - GPS GY-Neo 6M, DS3231, SD                                    [Uvicorn Web Server & LSTM]
                                                                          |
                                                                          v
                                                             [Giao diện Web Client]

1. Thiết kế phần cứng (Hardware Design)

Khối thiết bị thu thập dữ liệu di động (Node cảm biến) bao gồm các thành phần:

• Bộ vi điều khiển trung tâm: STM32F103C8T6 (kiến trúc ARM Cortex-M3, tần số hoạt động 72 MHz, tích hợp bộ nhớ Flash, RAM, các bộ định thời và ngoại vi giao tiếp).
• Cảm biến nhiệt độ và độ ẩm: AHT-21 giao tiếp qua chuẩn $\text{I}^2\text{C}$, cho độ ổn định cao.
• Cảm biến bụi mịn: GP2Y1014AU (sử dụng nguyên lý cảm biến quang học đo nồng độ hạt bụi $\text{PM}_{2.5}$).
• Module định vị toàn cầu: GPS GY-Neo 6M v2 giao tiếp với vi điều khiển qua chuẩn UART để lấy tọa độ kinh độ, vĩ độ.
• Module truyền thông mạng di động: SIM800L hỗ trợ kết nối mạng GPRS, gửi dữ liệu lên internet qua giao thức HTTP/TCP-IP thông qua tập lệnh AT qua cổng UART.
• Khối hiển thị và phụ trợ: Màn hình LCD2004 tích hợp mạch chuyển đổi $\text{I}^2\text{C}$ PCF8574, module đồng hồ thời gian thực RTC DS3231 ($\text{I}^2\text{C}$) và module đọc thẻ nhớ MicroSD qua chuẩn giao tiếp SPI để lưu trữ dữ liệu dự phòng cục bộ khi mất kết nối mạng.

2. Thiết kế phần mềm và máy chủ (Software & Server Design)

• Chương trình nhúng: Lập trình luồng thuật toán đọc dữ liệu từ các cảm biến định kỳ, gán nhãn thời gian từ RTC, trích xuất tọa độ GPS, hiển thị lên LCD, ghi thẻ nhớ và điều khiển module SIM800L đóng gói bản tin gửi lên nền tảng đám mây.
• Nền tảng trung gian: Sử dụng nền tảng IoT ThingSpeak để làm nơi tiếp nhận các luồng dữ liệu thời gian thực từ phần cứng thông qua API RESTful / HTTP.
• Máy chủ ứng dụng (Web Server): Xây dựng trên nền tảng ngôn ngữ Python với máy chủ giao thức bất đồng bộ Uvicorn (chuẩn ASGI). Máy chủ thực hiện truy vấn dữ liệu từ ThingSpeak, thực hiện tiền xử lý, chạy suy luận với mô hình LSTM đã huấn luyện để dự báo các thông số.
• Giao diện người dùng (Web Application): Cung cấp giao diện trực quan hóa dữ liệu bao gồm:
  • Bản đồ số hiển thị vị trí hiện tại và lộ trình di chuyển của node cảm biến.
  • Bảng hiển thị thông số thời gian thực: Nhiệt độ, Độ ẩm, Bụi $\text{PM}_{2.5}$, Chỉ số $\text{AQI}$.
  • Biểu đồ biểu diễn chuỗi dữ liệu 12 giờ trước đó và biểu đồ dự báo giá trị trước 1 giờ tiếp theo cho từng chỉ số.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan về mạng cảm biến di động thu thập thông số môi trường không khí

Chương 1 làm rõ tính cấp thiết của bài toán giám sát môi trường không khí trong bối cảnh các trạm quan trắc cố định tại Việt Nam có chi phí cao và mật độ thưa. Tác giả tiến hành phân tích tổng quan các công trình nghiên cứu trong và ngoài nước liên quan đến hệ thống giám sát thời tiết qua giao thức MQTT, mô hình quan trắc ô nhiễm trên xe bus công cộng thuộc dự án GreenIoT tại Thụy Điển, cũng như việc ứng dụng các mạng nơ-ron hồi quy RNN và LSTM để dự báo chất lượng không khí. Chương này đồng thời đối chiếu các yêu cầu đo đạc với Thông tư 30/2018/TT-BTNMT và Thông tư 24/2017/TT-BTNMT, từ đó định hình mục tiêu, phạm vi và giải pháp thiết kế mạng cảm biến di động.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày toàn diện các nền tảng lý thuyết phục vụ cho việc xây dựng hệ thống:

• Kiến trúc tổng quan IoT 3 lớp (Vật lý, Mạng, Ứng dụng) và các lĩnh vực ứng dụng thực tiễn.
• Cấu trúc và nguyên lý hoạt động của vi điều khiển (CPU, xung Clock, các loại bộ nhớ RAM/ROM/Flash, bộ đếm Timer, cổng I/O, ADC, DAC, cơ chế quản lý ngắt).
• Nguyên lý hoạt động của các chuẩn giao tiếp vật lý phổ biến: $\text{I}^2\text{C}$ (2 dây với điện trở kéo lên), SPI (4 dây truyền song công toàn phần Master-Slave), UART (truyền không đồng bộ với các bit Start/Stop và Baud rate).
• Khái niệm về nền tảng IoT ThingSpeak, giao thức HTTP và máy chủ web bất đồng bộ Uvicorn (ASGI).
• Quy chuẩn tính toán chỉ số chất lượng không khí $\text{VN_AQI}$ theo Quyết định 1459/QĐ-TCMT và thuật toán Nowcast.
• Lý thuyết học sâu Deep Learning, phương pháp chuẩn hóa dữ liệu Min-Max và kiến trúc chi tiết của mạng LSTM (cổng quên, cổng vào, trạng thái tế bào).

Chương 3: Thiết kế hệ thống và thử nghiệm

Chương 3 trình bày chi tiết quá trình hiện thực hóa đồ án:

• Phân tích hệ thống: Xác định mục đích, đối tượng thụ hưởng và xây dựng bảng yêu cầu chức năng/phi chức năng.
• Thiết kế phần cứng: Xây dựng sơ đồ khối, sơ đồ nguyên lý mạch tích hợp vi điều khiển STM32F103C8T6 với các module cảm biến AHT-21, GP2Y1014AU, GPS GY-Neo 6M v2, SIM800L, LCD2004, DS3231 và MicroSD.
• Thiết kế phần mềm: Xây dựng lưu đồ thuật toán cho vi điều khiển, luồng dữ liệu trên máy chủ web, áp dụng phương pháp cửa sổ trượt để tiền xử lý dữ liệu chuỗi thời gian và xây dựng cấu trúc mô hình LSTM.
• Thử nghiệm và đánh giá: Chế tạo sản phẩm mẫu phần cứng hoàn thiện, kiểm tra quá trình truyền nhận dữ liệu lên ThingSpeak, kiểm thử giao diện trang web (bản đồ, biểu đồ theo dõi 12 giờ và biểu đồ dự báo 1 giờ) và đánh giá độ chính xác của mô hình dự báo qua bảng sai số.

---

Kết quả và đóng góp

1. Kết quả kỹ thuật đạt được

• Chế tạo thành công thiết bị phần cứng: Thiết kế và đóng gói hoàn thiện module cảm biến di động tích hợp đầy đủ các cảm biến thu thập nhiệt độ, độ ẩm, nồng độ bụi $\text{PM}_{2.5}$, mạch định vị GPS, khe cắm thẻ nhớ MicroSD lưu trữ offline và module SIM800L truyền dữ liệu không dây.
• Vận hành hệ thống truyền nhận và xử lý dữ liệu ổn định: Dữ liệu từ thiết bị phần cứng di động được truyền qua mạng viễn thông GPRS lên nền tảng ThingSpeak và kết nối liền mạch với máy chủ Uvicorn.
• Xây dựng thành công ứng dụng giao diện Web: Giao diện hiển thị trực quan bản đồ vị trí di chuyển của cảm biến, cung cấp các thông số môi trường tức thời và hiển thị các biểu đồ theo dõi chuỗi thời gian:
  • Biểu đồ dữ liệu $\text{AQI}$ 12 giờ gần nhất và dự báo 1 giờ sau.
  • Biểu đồ nồng độ bụi mịn $\text{PM}_{2.5}$ 12 giờ trước và dự báo 1 giờ sau.
  • Biểu đồ nhiệt độ và độ ẩm 12 giờ trước và kết quả dự báo 1 giờ sau.
• Hiệu quả dự báo mô hình: Mô hình học sâu LSTM sau khi huấn luyện trên tập dữ liệu chuỗi thời gian đã cho kết quả dự đoán bám sát với giá trị thực tế trên tập kiểm tra (test set) cho cả 3 thông số nhiệt độ, độ ẩm và $\text{PM}_{2.5}$.

2. Đóng góp của đề tài

• Đề xuất và hiện thực hóa giải pháp mạng cảm biến di động chi phí thấp, tận dụng hệ thống phương tiện giao thông để mở rộng không gian quan trắc chất lượng không khí, khắc phục nhược điểm vùng phủ hẹp và kinh phí đắt đỏ của các trạm cố định truyền thống.
• Kết hợp hoàn chỉnh giữa phần cứng nhúng, công nghệ IoT truyền thông dữ liệu và mô hình trí tuệ nhân tạo (LSTM) trên nền tảng máy chủ web để thực hiện bài toán dự báo ngắn hạn chất lượng không khí tại địa điểm đo.

---

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

• Cảm biến bụi $\text{PM}_{2.5}$ sử dụng trong đồ án (GP2Y1014AU) là dòng cảm biến chi phí thấp nên độ chính xác và độ ổn định chưa thể tương đương với các thiết bị đo tiêu chuẩn công nghiệp tại các trạm quan trắc quốc gia.
• Phương thức truyền dữ liệu sử dụng module SIM800L qua giao thức HTTP tiêu tốn nhiều năng lượng, chưa tối ưu cho các thiết bị di động hoạt động bằng nguồn pin dài ngày.
• Mô hình máy chủ web và thuật toán xử lý hiện tại mới thử nghiệm trên quy mô một node cảm biến, chưa tối ưu tải khi mở rộng tiếp nhận luồng dữ liệu đồng thời từ số lượng lớn node cảm biến trên diện rộng.
• Tầm dự báo của mô hình học sâu hiện mới dừng lại ở tương lai gần (1 giờ).

2. Hướng phát triển tiếp theo

• Nâng cấp phần cứng truyền thông sang module công nghệ NB-IoT (Narrowband IoT) nhằm tối ưu hóa năng lượng tiêu thụ và tăng cường khả năng kết nối mạng diện rộng công suất thấp.
• Mở rộng chức năng trang web: Xây dựng bản đồ nhiệt trực quan hóa chỉ số $\text{AQI}$ dạng dải màu sắc trực tiếp trên các tuyến đường giao thông.
• Nâng cấp năng lực xử lý của máy chủ để tiếp nhận, phân luồng và làm sạch dữ liệu lớn (Big Data) đổ về từ hàng loạt node cảm biến di động khác nhau.
• Cải tiến cấu trúc mô hình học sâu nhằm nâng cao độ chính xác và mở rộng khoảng thời gian dự báo xa hơn trong tương lai (dự báo theo ngày hoặc tuần).

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo thực tế cho:

• Sinh viên, học viên ngành Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Máy tính và IoT: Cung cấp tài liệu thiết kế mạch vi điều khiển (STM32), tích hợp đa cảm biến qua các giao tiếp ngoại vi ($\text{I}^2\text{C}$, SPI, UART), lập trình truyền dữ liệu qua mạng viễn thông GPRS/HTTP và cấu hình ThingSpeak.
• Người nghiên cứu ứng dụng AI trong xử lý dữ liệu chuỗi thời gian: Tham khảo phương pháp tiền xử lý dữ liệu cảm biến bằng kỹ thuật cửa sổ trượt, chuẩn hóa Min-Max, quy trình xây dựng, huấn luyện mô hình LSTM và triển khai mô hình học sâu lên môi trường máy chủ web Python (Uvicorn ASGI).
• Các đơn vị phát triển giải pháp quan trắc môi trường thông minh: Cung cấp giải pháp mẫu về việc tận dụng phương tiện giao thông công cộng để xây dựng mạng quan trắc chất lượng không khí di động với chi phí hợp lý.

---

Câu hỏi thường gặp

1. Đồ án sử dụng các cảm biến và module phần cứng nào để thu thập dữ liệu?
Hệ thống sử dụng vi điều khiển trung tâm STM32F103C8T6 kết hợp cùng các module ngoại vi:

• Cảm biến AHT-21 đo nhiệt độ và độ ẩm ($\text{I}^2\text{C}$).
• Cảm biến GP2Y1014AU đo nồng độ bụi $\text{PM}_{2.5}$.
• Module GPS GY-Neo 6M v2 định vị tọa độ (UART).
• Module SIM800L truyền dữ liệu không dây (UART/GPRS).
• Module thẻ nhớ MicroSD lưu trữ dữ liệu cục bộ (SPI).
• Module RTC DS3231 lấy mốc thời gian thực ($\text{I}^2\text{C}$).
• Màn hình LCD2004 kết hợp IC đệm PCF8574 ($\text{I}^2\text{C}$) hiển thị thông tin.

2. Dữ liệu từ cảm biến được truyền tải và lưu trữ như thế nào?
Dữ liệu đo đạc sau khi thu thập và xử lý trên vi điều khiển STM32 sẽ được đóng gói và gửi qua mạng GPRS bằng module SIM800L thông qua giao thức HTTP/TCP-IP lên nền tảng IoT ThingSpeak. Khi mất kết nối mạng, dữ liệu được ghi tạm thời vào thẻ nhớ MicroSD.

3. Công thức tính chỉ số chất lượng không khí $\text{AQI}$ trong đồ án được áp dụng theo văn bản nào?
Chỉ số chất lượng không khí được tính toán theo Quyết định số 1459/QĐ-TCMT ngày 12/11/2019 của Tổng cục Môi trường Việt Nam. Hệ thống tính toán giá trị Nowcast cho thông số $\text{PM}_{2.5}$ dựa trên trọng số của chuỗi 12 giá trị quan trắc trung bình giờ gần nhất trước khi nội suy ra chỉ số $\text{VN_AQI}$ và phân loại màu sắc tương ứng.

4. Mô hình học sâu nào được lựa chọn để dự báo các thông số môi trường và tầm dự báo là bao lâu?
Đề tài sử dụng mô hình mạng nơ-ron hồi quy bộ nhớ dài-ngắn hạn LSTM (Long Short-Term Memory) với phương pháp tiền xử lý cửa sổ trượt (Sliding Window) và chuẩn hóa Min-Max. Mô hình được tích hợp trên máy chủ web Uvicorn để dự báo các thông số nhiệt độ, độ ẩm, $\text{PM}_{2.5}$ và $\text{AQI}$ trong vòng 1 giờ tiếp theo.

---

Kết luận

Đồ án tốt nghiệp của sinh viên Nguyễn Văn Trọng đã xây dựng thành công hệ thống mạng cảm biến di động thu thập và dự báo thông số môi trường không khí hoàn chỉnh từ phần cứng đến phần mềm. Bằng việc kết hợp vi điều khiển STM32, các cảm biến môi trường, định vị GPS, truyền thông GPRS, nền tảng đám mây ThingSpeak và mô hình học sâu LSTM trên máy chủ Uvicorn, hệ thống đã vận hành ổn định và cung cấp giao diện trực quan hóa dữ liệu theo thời gian thực kèm tính năng dự báo ngắn hạn. Kết quả nghiên cứu mở ra tiềm năng ứng dụng thực tế trong việc giám sát chất lượng không khí đô thị linh hoạt và tiết kiệm chi phí thông qua hệ thống giao thông công cộng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ MẠNG CẢM BIẾN DI ĐỘNG THU THẬP THÔNG SỐ MÔI TRƯỜNG KHÔNG KHÍ Trong chương này, em trình bày tổng quan về tính cấp thiết của đề tài, mục đích nghiên cứu, phạm vi đề tài, nhiệm vụ nghiên cứu. Bên cạnh đó, em trình bày các hướng nghiên cứu, các công trình nghiên cứu liên quan đã được công bố. Từ đó đề xuất yêu cầu chức năng và phi chức năng cho hệ thống 1.1 Tính cấp thiết của đề tài Vấn đề về sức khỏe con người luôn là vấn đề nổi trội, trong đó môi trường là đối tượng tác động không nhỏ vào sức khỏe con người.

Với tình hình phát triển kinh tế và đô thị hóa nhanh như ở Việt Nam, Vấn đề phát thải khí độc và khói bụi luôn là vấn đề nhức nhối, tác động trực tiếp đến con người, nguồn khói bụi gây ô nhiễm không khí cực kì trầm trọng ở các đô thị lớn khiến cho sức khỏe của người sinh sống bị ảnh hưởng lâu dài. Việc thông báo và cảnh báo chất lượng không khí là việc cần thiết để giúp người dân theo dõi được mức độ ô nhiễm không khí, có các biện pháp phòng tránh không khí bị ô nhiễm, từ đó giảm thiểu tác động xấu đến sức khỏe con người.1 Ô nhiễm không khí tại đô thị [1] 1 Ô nhiễm không khí đang có xu hướng nặng dần tỉ lệ với tốc độ phát triển kinh tế của quốc gia đó. ở Việt Nam, một quốc gia đang phát triển nhanh cùng với thói quen của người là sử dụng phương tiện xe máy riêng để di chuyển, với số lượng người tập trung ở đô thị lớn điển hình như Hà Nội đã gây ra phát thải một lượng lớn khí thải độc hại và bụi mịn gây ô nhiễm không khí trầm trọng.1 cho thấy làn sương mờ được cấu tạo từ các hạt bụi mịn lơ lửng cùng với độ ẩm cao. Ngoài ra có thể kể đến các nguồn ô nhiễm khác như: Đốt rác thải, đốt than, từ các khu công nghiệp.

Ô nhiễm không khí có thể tác động đến sức khỏe con người, đặc biệt là các bệnh về đường hô hấp có thể gây ra các bệnh như ung thư phổi, phổi tắc nghẽn mãn tính, các bệnh liên quan đến tim mạch khác. Theo ước tính của tổ chức y tế thế giới World Health Organization (WHO), Ở Việt Nam có khoảng 60.000 ca tử vong mỗi năm có liên quan tới ô nhiễm không khí. Việc giám sát và kiểm soát các nguồn ô nhiễm không khí là việc cực kì cần thiết để giảm thiểu tác động xấu của ô nhiễm không khí tới sức khỏe con người. Tại Việt Nam, hệ thống các trạm quan trắc không khí tự động đã được lắp đặt nhằm đánh giá tình hình mức độ ô nhiễm không khí.

tuy nhiên, còn nhiều những yếu điểm như: Chi phí đầu tư và xây dựng cao, Mật độ các trạm quan trắc không khí còn thưa và không đồng đều, chưa thể bao phủ và phản ánh chi tiết hết các khu vực trong địa bàn, chưa có hệ thống dự báo tự động chất lượng không khí. Việc cải thiện hiệu quả thu thập dữ liệu môi trường không khí chi tiết ở các khu vực trong địa bàn luôn là vấn đề nhức nhối, cần giải pháp hiệu quả để thu thập dữ liệu chi tiết của từng khu vực nhỏ để có cái nhìn bao quát chất lượng không khí toàn bộ địa bàn.2 Mục đích nghiên cứu Xây dựng một mạng cảm biến di động thu thập các thông số môi trường không khí có tính linh loạt cao, cải thiện một số yếu điểm của các trạm quan trắc cố định. ngoài ra có thể dự báo các thông số môi trường không khí.3 Phạm vi đề tài Đề tài ứng dụng chính vào việc thu thập dữ liệu quan trắc không khí trên tuyến đường nhờ sự linh hoạt khi di chuyển. Cũng có thể dự báo các thông số môi trường không khí, giúp ích trong việc thông báo các thông số kịp thời đến người sử dụng.4 Nội dung nghiên cứu  Lựa chọn linh kiện và thiết kế phần cứng  Thiết kế phần mềm  Lựa chọn mô hình dự đoán  Đánh giá mô hình dự đoán  Triển khai thử nghiệm 1.5 Các nghiên cứu liên quan 1.1 Các nghiên cứu liên quan Hiện nay, các hệ thống giám sát môi trường không khí trở nên phổ biến hơn nhằm theo dõi và cảnh báo chất lượng không khí.

Trong [2], Tác giả tập trung nghiên cứu vào phát triển hệ thống giám sát thời tiết. Mục tiêu chính của nghiên cứu là sử dụng công nghệ vận chuyển hàng đợi tin nhắn từ xa MQTT (Message Queuing Telemetry Transport) làm vai trò của lớp giao tiếp thay vì cơ sở dữ liệu kết nối trực tiếp, có thể tách biệt độ phức tạp di chuyển hệ thống khỏi hệ thống quản lý cơ sở dữ liệu quan hệ không đồng nhất Relational Database Management System (RDBMS) và xây dựng một hệ thống thông tin phân tán một cách dễ dàng. [3] nghiên cứu thực nghiệm về giám sát ô nhiễm không khí theo thời gian thực bằng cảm biến không dây trên các phương tiện giao thông công cộng. Nghiên cứu này là một phần của dự án GreenIoT ở Thụy Điển, sử dụng Internet vạn vật để đo mức độ ô nhiễm không khí ở trung tâm thành phố Uppsala.

Thông qua việc triển khai các cảm biến không dây chi phí thấp, có thể thu được mức độ ô nhiễm không khí chi tiết hơn và theo thời gian thực tại các địa điểm khác nhau. Bên cạnh đó, Các mô hình mạng nơ-ron nhân tạo học sâu có những tiến bộ nhất định trong việc dự đoán các thông số môi trường không khí. RNN (Recurrent Neural Network) là mô hình mạng nơ-ron nhân tạo điển hình để dự đoán các dữ liệu liên quan tới thời gian như dữ liệu thời tiết. LSTM (Long-Short Term Memory) là một mạng RNN đặc biệt cải tiến của RNN khắc phục các vấn đề mà mạng RNN gặp phải như: khả năng xử lý và lưu trữ dữ liệu chuỗi thời gian dài hơn, có khả năng học được các quan hệ phi tuyến giữa các phần tử trong chuỗi.

[4] đề xuất một kiến trúc mạng học sâu LSTM nhẹ theo kiểu xếp chồng lên nhau với số lượng đơn vị nhớ khác nhau cho từng lớp để dự báo nhiều biến thời tiết. [5] nhận thấy tầm quan trọng của việc dự báo 3 chất lượng không khí, ứng dụng mạng LSTM vào việc dự đoán bụi mịn PM2.5 và chứng minh mô hình mạng LSTM dự đoán cho ra kết quả tốt hơn mô hình mạng ANN (Artificial Neural Network). [6] cho thấy ảnh hưởng chủ yếu tới chất lượng không khí tại Việt Nam là hạt bụi mịn PM 2.2 Các công việc liên quan Ngoài việc thiết kế module có thể đo đạc các thông số của môi trường không khí, còn phải tìm hiểu về yêu cầu sai số và độ chính xác của các tham số cần đo có phù hợp trong phạm vi cho phép của Bộ tài nguyên và môi trường hay không. Sau đây là bảng thống kê các tham số và sai số cho phép:  Với nhiệt độ và độ ẩm: Theo thông tư quy định kỹ thuật về quan trắc và cung cấp thông tin, dữ liệu khí tượng thủy văn đối với trạm khí tượng thủy băn chuyên dùng (số 30/2018/TT- BTNMT) ngày 26 tháng 12 năm 2018, phụ lục 2: Thông số kỹ thuật thiết bị đo các yếu tố khí tượng thủy văn Bảng 1.1 Thông số kỹ thuật thiết bị đo[41] Tên tham số Đơn vị đo Khoảng đo Độ phân giải Sai số Nhiệt độ °C -15 đến +50 0.3 Độ ẩm %RH 0 đến 100 1 ± 0.6  Với nồng độ bụi: Theo thông tư quy định kỹ thuật quan trắc môi trường số 24/2017/TT-BTNMT ngày 1/9/2017 Mục 2.

Hệ thống quan trắc khí thải tự động, liên tục Điều 53. Yêu cầu chung đối với hệ thống quan trắc khí thải tự động, liên tục.2 Yêu cầu hệ thống quan trắc khí thải [41] Tên tham số Đơn vị đo Độ chính xác Độ phân giải Đáp ứng (% giá trị đọc) ( mg/m³ ) ( Giây ) Bụi (PM) mg/Nm³ 10 0.6 Phương pháp đề xuất cho hệ thống Từ việc tham khảo các bài báo nghiên cứu, em xin đề xuất đề tài Thiết kế mạng cảm biến di động thu thập thông số môi trường không khí. Em sẽ thiết kế một hệ thống gồm module cảm biến di động gửi dữ nhận dữ liệu thay vì chỉ cố định ở một nơi như các trạm quan trắc hiện tại ở Việt Nam, ngoài ra còn có thể dự báo ngắn hạn và theo dõi vị trí cảm biến.7 Kết luận Chương 1 tập trung nghiên cứu tổng quan về chất lượng không khí, tác động của ô nhiễm không khí tới sức khỏe con người, các nghiên cứu liên quan đã được công bố. Thông qua tìm hiểu, em đã nắm bắt được cơ bản về cách thức hoạt động của các hệ thống.

Thông qua các tài liệu tham khảo em đã đề xuất đề tài cho bài toán thu thập các thông số môi trường không khí và dự báo. Tuy đề xuất vẫn còn thiếu sót không thể tránh khỏi nhưng cũng đã hoạt động tương đối tốt, đã được thử nghiệm. Tới chương sau, em sẽ trình bày về cơ sở lý thuyết sử dụng trong đồ án này. CƠ SỞ LÝ THUYẾT Sau khi nghiên cứu và tìm hiểu và đề xuất hệ thống ở chương 1.

Chương này sẽ chủ yếu tìm hiểu các kiến thức cần thiết liên quan tới đề tài thực hiện.1 Tổng quan về IoT 2.1 Giới thiệu tổng quan Internet vạn vật (IoT) là mạng kết nối các đồ vật và thiết bị thông qua cảm biến, phần mềm và các công nghệ khác, cho phép các đồ vật và thiết bị thu thập và trao đổi dữ liệu với nhau. Internet vạn vật lan tỏa lợi ích của mạng internet tới mọi đồ vật được kết nối, chứ không chỉ dừng lại ở phạm vi một chiếc máy tính. Khi một đồ vật được kết nối với internet, nó sẽ trở nên thông minh hơn nhờ khả năng gửi và/hoặc nhận thông tin và tự động hoạt động dựa trên các thông tin đó. Các thiết bị IoT có thể là đồ vật được gắn thêm cảm biến để thu thập dữ liệu về môi trường xung quanh (giống như các giác quan), các máy tính/bộ điều khiển tiếp nhận dữ liệu và ra lệnh cho các thiết bị khác, hoặc cũng có thể là các đồ vật được tích hợp cả hai tính năng trên.

Tiềm năng ứng dụng của internet vạn vật (IoT) trải rộng trên mọi lĩnh vực. Tuy nhiên, mọi hệ thống IoT hoàn chỉnh đều có đủ 4 bước: thu thập dữ liệu, chia sẻ dữ liệu, xử lý dữ liệu, và đưa ra quyết định [7].2 Cấu trúc của một IoT Kiến trúc của IoT cơ bản sẽ gồm có 3 lớp như hình Hình 2.