企业官网建设流程全解析

1. 项目概述：为什么选择ESP32做“会思考”的空气监测器？

最近工作室的空气质量总让我觉得有点“不对劲”，不是那种明显的异味，而是长时间待着会有点闷，开窗通风又怕外面的PM2.5飘进来。市面上的空气检测仪要么功能单一，要么数据“傻傻的”，只会显示一个数字，告诉你“优”或“差”，至于为什么差、接下来会怎么变化、该开窗还是该开净化器，它一概不知。这让我萌生了自己动手做一个“聪明”一点的空气质量监测器的想法。我的核心需求是：它不仅要能测，还要能“想”，能根据多维度数据给出贴合我生活习惯的智能建议。

在硬件选型上，我几乎没怎么犹豫就锁定了FireBeetle ESP32。原因很直接：第一，它集成了Wi-Fi和蓝牙，天生就是为物联网而生的，数据上传到云端或者手机App查看是刚需；第二，ESP32的双核处理器和相对充裕的内存，让它有足够的“脑力”去运行一些轻量级的机器学习模型，实现本地化的智能推理，这正是“人工智能辅助”的关键；第三，围绕ESP32的生态太成熟了，无论是用Arduino框架快速原型开发，还是用ESP-IDF进行深度定制，都有海量的库和社区支持，各种传感器驱动一应俱全。至于人工智能部分，我打算从简单的开始，比如用线性回归或决策树算法，让设备学会根据温湿度、历史PM2.5数据来预测短期内的空气质量趋势，或者判断当前环境是否适合开窗。

这个项目适合所有对物联网、嵌入式开发和机器学习交叉领域感兴趣的爱好者。无论你是想学习如何将传感器数据接入网络，还是好奇如何在资源受限的单片机上跑AI模型，这个从数据采集到智能决策的完整流程，都会是一次非常棒的实战体验。接下来，我就把从硬件组装、数据采集、云端搭建到智能算法嵌入的整个过程，毫无保留地拆解给你看。

2. 硬件选型与核心电路设计解析

一个可靠的空气质量监测器，硬件是地基。我的设计思路是核心控制+传感器阵列+友好交互。下面这张表格是我最终确定的硬件清单和选型理由：

实操心得：传感器供电的坑：PM2.5传感器和CO2传感器通常需要5V供电，而ESP32的引脚和DHT22等是3.3V电平。千万不要直接用ESP32的5V输出（如果有的話）同时给多个传感器供电，瞬间电流可能导致板子重启。我的方案是使用一个小型DC-DC降压模块，直接从锂电池取电，稳定输出5V给这些“电老虎”传感器单独供电，与主控板的3.3V系统完全隔离，稳定性大增。

电路连接是整个项目的物理骨架，连接错误轻则数据不准，重则烧毁传感器。下面是我的接线图详解（以FireBeetle ESP32的引脚为例）：

1. 电源总线：将18650电池接入FireBeetle的电池接口。从FireBeetle的VCC引脚（这是经过板载稳压后的3.3V）引出，给DHT22、OLED、SGP30供电。另外，用独立的5V降压模块给PMS5003和MH-Z19B供电。
2. I2C总线：这是最简洁的总线。将OLED的SDA、SCL分别接ESP32的D21(SDA)、D22(SCL)。SGP30同样接入这组I2C引脚。注意：I2C设备都需要上拉电阻，通常OLED和SGP30模块板载已集成，如果通信不稳定，可以在SDA和SCL上各加一个4.7kΩ电阻上拉到3.3V。
3. 串口总线：ESP32有多个硬件串口。我定义：
   • Serial2(RX2: D16,TX2: D17) 用于连接PMS5003。PMS5003的TX接ESP32的D16(RX2)，RX接D17(TX2)。
   • Serial1(RX1: D9,TX1: D10) 用于连接MH-Z19B。MH-Z19B的TX接ESP32的D9(RX1)，RX接D10(TX1)。
   • 注意：务必交叉连接，即传感器的TX接MCU的RX。同时，PMS5003的SET引脚可以悬空或接高电平（进入主动上传模式）。
4. 单总线：DHT22的数据线接D4引脚，同时接一个4.7kΩ上拉电阻到3.3V。

完成连接后，建议先不要组装外壳，上电后用简单的测试程序分别读取每个传感器数据，确保每一个都工作正常后再进行整合。这是避免后期排查问题时“拆机”痛苦的关键一步。

3. 固件开发：数据采集、上传与本地显示

硬件准备就绪后，我们进入“赋予灵魂”的环节——编写运行在ESP32上的固件。我的代码结构分为几个核心模块：传感器驱动初始化、数据定时采集与滤波、本地OLED显示、以及通过Wi-Fi上传数据到云端。这里我选择Arduino IDE进行开发，因为它库管理方便，对新手友好。

3.1 开发环境搭建与库管理

首先，确保你的Arduino IDE已安装ESP32开发板支持。可以在“文件->首选项”的附加开发板管理器网址中添加：https://espressif.github.io/arduino-esp32/package_esp32_index.json。然后在开发板管理器中搜索安装“ESP32”。选择开发板为“DFRobot Firebeetle ESP32”。

接下来，通过库管理器（项目->加载库->管理库）安装以下必需的库：

• Adafruit_SGP30：用于SGP30 TVOC/eCO2传感器。
• DHT sensor library：用于DHT22温湿度传感器。
• Adafruit_SSD1306和Adafruit_GFX：用于OLED显示。
• PMSLibrary：一个优秀的攀藤PM2.5传感器库。
• ArduinoJson：处理JSON数据格式，为上传云端做准备。
• WiFiManager：强烈推荐！它允许设备在启动时进入AP模式，让你用手机配置Wi-Fi的SSID和密码，无需将密码硬编码在代码里，大大提升了部署灵活性。

3.2 核心数据采集与滤波代码解析

数据采集的稳定性直接决定后续AI模型的质量。我的策略是定时采集+软件滤波。以下是一些关键代码片段和逻辑：

#include <PMS.h> #include <DHT.h> #include <Adafruit_SGP30.h> #include <MHZ19.h> #include <WiFiManager.h> // 定义引脚与对象 #define DHTPIN 4 #define DHTTYPE DHT22 PMS pms(Serial2); DHT dht(DHTPIN, DHTTYPE); Adafruit_SGP30 sgp; MHZ19 mhz19(&Serial1); // 数据结构体，用于存储滤波后的数据 struct SensorData { float temperature; float humidity; uint16_t pm25; uint16_t pm10; uint16_t tvoc; uint16_t eco2; uint16_t co2; } avgData; // 滑动平均滤波数组 const int FILTER_SIZE = 5; float tempBuffer[FILTER_SIZE]; int bufferIndex = 0; float slidingAverage(float newValue, float buffer[]) { buffer[bufferIndex] = newValue; bufferIndex = (bufferIndex + 1) % FILTER_SIZE; float sum = 0; for (int i = 0; i < FILTER_SIZE; i++) { sum += buffer[i]; } return sum / FILTER_SIZE; } void readSensors() { // 读取DHT22 float h = dht.readHumidity(); float t = dht.readTemperature(); if (!isnan(h) && !isnan(t)) { avgData.humidity = slidingAverage(h, humidityBuffer); avgData.temperature = slidingAverage(t, tempBuffer); } // 读取PMS5003 if (pms.read(data)) { avgData.pm25 = slidingAverage(data.PM_AE_UG_2_5, pm25Buffer); avgData.pm10 = slidingAverage(data.PM_AE_UG_10_0, pm10Buffer); } // 读取SGP30，注意它需要温湿度进行补偿 if (sgp.IAQmeasure()) { avgData.tvoc = sgp.TVOC; avgData.eco2 = sgp.eCO2; } // 读取MH-Z19B avgData.co2 = mhz19.getCO2(); }

注意事项：传感器读数时机与补偿：SGP30传感器有一个关键特性，它的TVOC和eCO2读数算法需要当前的绝对湿度作为输入进行补偿，否则长期运行会有基线漂移。我们需要在代码中计算绝对湿度并设置给SGP30。公式和代码片段如下：

// 根据温湿度计算绝对湿度（克/立方米） float getAbsoluteHumidity(float temperature, float humidity) { // 计算饱和水汽压 float saturationVaporPressure = 6.1078 * pow(10, (7.5 * temperature) / (temperature + 237.3)); // 计算实际水汽压 float vaporPressure = humidity / 100.0 * saturationVaporPressure; // 计算绝对湿度 return (216.7 * vaporPressure) / (temperature + 273.15); } // 在读取SGP30前调用 sgp.setHumidity(getAbsoluteHumidity(avgData.temperature, avgData.humidity));

3.3 数据上传与云端交互设计

数据上传我选择了MQTT协议，因为它轻量、适合物联网设备，并且与主流的云平台（如阿里云、腾讯云、私有部署的EMQX等）无缝集成。我这里以连接一个公共的MQTT Broker（例如broker.emqx.io）为例进行说明。

#include <PubSubClient.h> #include <ArduinoJson.h> WiFiClient espClient; PubSubClient mqttClient(espClient); const char* mqttServer = "broker.emqx.io"; const int mqttPort = 1883; const char* topic = "firebeetle/air_quality"; void reconnectMQTT() { while (!mqttClient.connected()) { String clientId = "ESP32Client-" + String(random(0xffff), HEX); if (mqttClient.connect(clientId.c_str())) { Serial.println("MQTT connected!"); } else { delay(5000); } } } void publishSensorData() { StaticJsonDocument<256> doc; doc["temp"] = avgData.temperature; doc["humi"] = avgData.humidity; doc["pm25"] = avgData.pm25; doc["pm10"] = avgData.pm10; doc["tvoc"] = avgData.tvoc; doc["eco2"] = avgData.eco2; doc["co2"] = avgData.co2; char jsonBuffer[256]; serializeJson(doc, jsonBuffer); mqttClient.publish(topic, jsonBuffer); }

在主循环loop()中，定期（例如每30秒）调用publishSensorData()即可。同时，OLED显示模块我会让它循环显示最重要的几项数据：PM2.5、CO2、温度和湿度，刷新频率可以快一些，比如每2秒切换一项。

4. “人工智能辅助”的核心：本地轻量级AI模型实现

这是本项目区别于普通监测器的精髓所在。所谓“人工智能辅助”，我将其定义为：设备能基于实时和历史数据，进行简单的本地推理，给出超出阈值判断的、更具洞察力的建议。考虑到ESP32的资源（双核240MHz，约520KB SRAM），复杂的深度学习模型不现实，但传统的机器学习算法如决策树、线性回归或简单的神经网络（如TinyML）是完全可行的。

我设计了两个智能功能：

1. 空气质量趋势预测：基于过去一段时间（如1小时）的PM2.5、温湿度数据，预测未来15-30分钟的PM2.5变化趋势（上升、下降、平稳）。
2. 智能通风建议：综合室内外（假设我们通过云端获取了室外数据）的PM2.5、CO2、温湿度，判断当前是否适合开窗通风。

4.1 模型训练与转换

我们首先在PC上完成模型的训练。以趋势预测为例，我们可以将其简化为一个三分类问题（趋势向上=2，平稳=1，向下=0）。使用Python的scikit-learn库可以快速训练一个决策树模型。

# 示例Python训练代码（在PC上运行） import pandas as pd from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split import joblib # 假设我们有包含历史传感器数据和对应趋势标签的数据集 # 特征：过去N个时间点的PM2.5, 温度, 湿度 # 标签：未来时刻的趋势 (0,1,2) data = pd.read_csv('sensor_history.csv') X = data[['pm25_1', 'temp_1', 'humi_1', 'pm25_2', 'temp_2', ...]] # 特征工程 y = data['trend_label'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) model = DecisionTreeClassifier(max_depth=5) # 控制树深度，防止过拟合和模型过大 model.fit(X_train, y_train) print("Accuracy:", model.score(X_test, y_test)) # 保存模型 joblib.dump(model, 'air_trend_model.pkl')

训练好模型后，需要将其转换为能在ESP32上运行的格式。这里推荐使用TensorFlow Lite for Microcontrollers。我们可以先将scikit-learn的模型转换为TensorFlow格式（可能需要使用sklearn-onnx等工具先转ONNX，再转TensorFlow），或者更直接地，因为决策树本身逻辑不复杂，我们可以手动“翻译”它。

4.2 在ESP32上部署与运行推理

对于决策树，我们可以直接将其推理逻辑用C++的if-else语句实现。这虽然“笨”，但极其高效，且不依赖任何额外的库。

假设我们训练出的决策树规则如下（简化示例）：

如果 (当前PM2.5 > 35) 且 (过去10分钟PM2.5变化率 > 0.1): 趋势 = 2 (上升) 否则如果 (当前CO2 > 1000) 或 (当前TVOC > 500): 趋势 = 1 (平稳但污染水平高) 否则: 趋势 = 0 (下降或良好)

我们在ESP32固件中实现这个推理函数：

int predictAirTrend(float currentPM25, float pm25ChangeRate, float currentCO2, float currentTVOC) { // 规则1：PM2.5本身较高且仍在快速上升 if (currentPM25 > 35.0 && pm25ChangeRate > 0.1) { return 2; // 趋势向上，预警 } // 规则2：虽然PM2.5不高，但室内CO2或有机污染物浓度已超标 else if (currentCO2 > 1000.0 || currentTVOC > 500) { return 1; // 趋势平稳但需注意通风 } // 规则3：各项指标均良好 else { return 0; // 趋势向下或保持良好 } } // 在主循环中调用 int trend = predictAirTrend(avgData.pm25, calculatePM25ChangeRate(), avgData.co2, avgData.tvoc); // 根据trend值，在OLED上显示不同的图标或文字提示，如“↑风险”、“⚠注意”、“↓良好”

对于更复杂的模型（如小型的神经网络），则需要集成TensorFlow Lite Micro库。这需要在Arduino IDE中安装相关的库，并将转换后的.tflite模型文件作为数组嵌入到代码中。这个过程稍复杂，但能实现更强大的识别能力，例如识别出“烹饪污染”、“灰尘污染”等模式。

实操心得：本地AI的边界：在ESP32上跑AI，一定要明确边界。它的算力主要用于“推理”，而非“训练”。模型必须足够小（通常小于100KB），输入特征要精心设计（降维、选择关键特征）。我的经验是，对于环境预测这类任务，基于规则的决策树或随机森林模型，经过精炼后，其C++实现版本往往比一个等效的微型神经网络更快、更省内存，且效果足够好。先尝试用规则实现，如果效果不理想再考虑TinyML。

5. 系统集成、功耗优化与外壳设计

当各个模块（传感器采集、数据显示、数据上传、本地AI）的代码都调试通过后，我们需要将它们整合到一个稳定、高效的主循环中，并考虑实际部署的功耗和外观问题。

5.1 固件主循环与状态机设计

一个鲁棒的主循环不能是简单的delay，那会阻塞程序。我采用非阻塞定时和简单状态机的设计，让各个任务有条不紊地执行。

unsigned long previousSensorMillis = 0; const long sensorInterval = 30000; // 传感器读取和上传间隔30秒 unsigned long previousDisplayMillis = 0; const long displayInterval = 2000; // 显示刷新间隔2秒 unsigned long previousAIMillis = 0; const long aiInterval = 60000; // AI推理间隔60秒 void loop() { unsigned long currentMillis = millis(); // 任务1：定时读取传感器并上传 if (currentMillis - previousSensorMillis >= sensorInterval) { previousSensorMillis = currentMillis; readSensors(); // 包含滤波 publishSensorData(); } // 任务2：定时刷新OLED显示 if (currentMillis - previousDisplayMillis >= displayInterval) { previousDisplayMillis = currentMillis; updateDisplay(); // 循环显示PM2.5, CO2, Temp, Humi, AI建议 } // 任务3：定时运行AI推理 if (currentMillis - previousAIMillis >= aiInterval) { previousAIMillis = currentMillis; int trend = predictAirTrend(...); String advice = generateVentilationAdvice(...); // 将建议存储到全局变量，供显示和上传使用 } // 任务4：保持MQTT连接 if (!mqttClient.connected()) { reconnectMQTT(); } mqttClient.loop(); // 维持MQTT心跳，处理传入消息 // 任务5：处理可能的串口数据（如MH-Z19B的自动校准指令） // ... }

5.2 低功耗优化策略

如果你想用电池供电并长期部署，功耗是关键。FireBeetle ESP32本身支持深度睡眠，但我们的传感器大多不支持，且需要持续监测。因此，我的优化策略是“局部深度睡眠+外部分时供电”：

1. ESP32本身：在loop()的末尾，如果没有任务，可以调用delay(10)或使用esp_sleep_enable_timer_wakeup()进入轻度睡眠，但我们的任务周期最短2秒，轻度睡眠省电效果有限。更激进的做法是，如果数据上传间隔很长（比如5分钟一次），可以在完成一次“采集-上传-显示”循环后，让ESP32进入深度睡眠，用定时器唤醒。但这需要所有外设都能容忍断电重启，且Wi-Fi重连会耗电。
2. 传感器分时供电：对于耗电大的传感器如PMS5003（约100mA）和MH-Z19B（约80mA），可以通过一个MOSFET开关电路，由ESP32的GPIO控制其电源通断。仅在需要读数前几百毫秒打开电源，读数后立即关闭。这能大幅降低平均电流。
3. 降低工作频率：将ESP32的CPU频率从240MHz降到80MHz，对传感器读取和简单AI推理影响不大，但能显著降低功耗。
4. 关闭不用的功能：如果不用蓝牙，在setup()里用btStop()关闭蓝牙射频。

实测下来，在每30秒采集上传一次、OLED常亮的情况下，整个系统的平均工作电流约120mA。使用一节2000mAh的18650电池，可以连续工作约16小时。如果采用深度睡眠方案，将采集间隔延长到5分钟，理论续航可达数天甚至一周。

5.3 外壳设计与实际部署

一个好的外壳既能保护电路，也能提升产品感。我使用3D打印来制作外壳。设计要点：

• 风道设计：为PM2.5传感器设计独立的进风风道，避免电路板发热影响读数。进气口可以加一层简单的防尘海绵。
• 屏幕开孔：精确对应OLED屏幕，并考虑一定的漫射板或遮光设计，让显示更清晰。
• 传感器开孔：为DHT22、SGP30等需要接触空气的传感器开孔。
• 电源开关与充电口：预留位置，方便操作。
• 安装方式：设计壁挂孔或底座，可以放在桌面或挂在墙上。

部署时，选择一个能代表室内平均空气状况的位置，避免放在墙角、通风口、空调出风口或阳光直射处。离地面1-1.5米高度为宜。

6. 项目进阶：从监测到智能联动

当这个监测器稳定运行，积累了足够的数据后，它的价值可以进一步放大，实现真正的智能家居联动。

进阶方向一：云端数据可视化与历史分析我们可以将MQTT数据接入更强大的云端平台，如Home Assistant、Node-RED或阿里云物联网平台。在这些平台上，可以轻松地绘制出所有参数的历史曲线图，设置更复杂的自动化规则。例如，在Node-RED中，可以创建一个仪表盘，实时展示所有数据，并设置规则：“如果室内PM2.5连续5分钟高于室外且差值大于20，则自动打开空气净化器（通过智能插座）”。

进阶方向二：多设备组网与数据融合在客厅、卧室、书房各部署一个监测点，利用ESP32的Wi-Fi组成一个分布式监测网络。数据可以汇总到一个中心节点（比如用另一个ESP32做网关，或者直接上报到同一个云平台）。通过对比不同房间的数据，可以更精准地判断污染源位置和空气流动情况。

进阶方向三：模型持续优化与个性化将设备端采集的数据同步到云端后，我们可以在云端用更强大的算力（甚至你的个人电脑）定期重新训练AI模型。你可以根据自己家庭的实际情况，为“舒适”、“闷”、“需要通风”等主观感受打标签，将这些标签与当时的传感器数据结合，训练出更符合你个人体感的个性化预测模型。然后将训练好的新模型参数（比如更新后的决策树规则阈值）通过OTA（空中升级）的方式下发到ESP32设备中，完成模型的迭代更新。这才是“人工智能辅助”的完整闭环：感知-学习-优化-再感知。

这个项目从想法到实现，最深的体会是：物联网和AI的结合，并不是要做出多么高大上的东西，而是用技术去解决身边那些细小却真实存在的痛点。当你看到自己制作的设备不仅准确地显示出PM2.5的数值，还能在你准备做饭时提前提示“空气质量可能下降，建议开启油烟机”，那种成就感远超单纯购买一个成品。过程中遇到的每一个传感器通信问题、每一个数据跳变的排查、每一次AI模型效果的调优，都是实实在在的经验积累。希望我的这份详细拆解，能帮你少走些弯路，更快地做出属于你自己的、会“思考”的空气质量管家。