本项目是一款专为校园/工业场景设计的实时碳排放监测与智能诊断系统。系统通过底层硬件采集能源消耗数据，利用 Flask 构建后端 Web 服务器，并集成K-Means, 分类和SHAP (SHapley Additive exPlanations) 解释性机器学习算法，为用户提供“透明”的碳排放诊断结果。该项目已实现在树莓派 5 上的工业级稳定部署，并通过 cpolar 实现公网映射，支持移动端随时随地访问。
项目创新
- 跨学科继承: 将机械电子（STM32）与计算机科学（AI/Web）深度结合。
- AI 透明化：不仅给结论（评级），还给理由（SHAP 解释），符合目前工业 4.0 对 AI 可信度的要求
- 高可用性：完成了从“能跑通的代码”到“稳定的服务器产品”的转变。
本项目所用到学术支撑与链接
- 系统网络链接: http://ecosystem-rbpi.cpolar.cn/ (本链接仅次于树莓派接上电时候才可进入否则为404报错)
- 本项目基于的学术基础: https://doi.org/10.1007/s10668-025-07035-0
- 本项目基于的项目基础: https://github.com/zhiwenC125/ML_Assisted_Students_Carbon_Emission
注意事项
- 本项目实验的stm32所采取为模拟生成传感器的信号，当stm32未能接上电源时候，由后端所保证网站的运行，提供的静态的水电数据，因此网页水电部分会保持为450和12的数值
- 硬件层: STM32 微控制器 (数据采集), 树莓派 5 (核心网关)
- 后端/算法: Python 3, Flask, Pandas, Scikit-learn
- 可解释性 AI: SHAP (提供特征贡献度分析)
- 前端: HTML5, CSS3 (响应式布局), Jinja2 模板引擎
- 部署/运维: Conda (环境隔离), Systemd (服务自动化), cpolar (内网穿透)
- 实时监测: 远程读取由 STM32 采集并传输至树莓派的用电、用水等能源数据。
- 智能诊断: 用户输入 ID 后，系统自动调用机器学习模型进行碳排放评级（低、中、高）。
- AI 可解释性: 网页动态生成 SHAP 解释图，直观展示哪些行为（如过高的空调耗电或用水）导致了当前的碳排放评级。
- 响应式 UI: 深度适配移动端，底部集成高清学校 Logo（如校徽），提升界面专业感。
这是系统的“感知器官”。
-
STM32 端：利用 STM32 的 ADC（模数转换）和 GPIO 接口，实时采集电力传感器（用电量）和流量传感器（用水量）的数据。
-
通信链路：通过串口（USART/UART）将打包好的数据包发送至树莓派。为了保证数据准确，通常会设计一个简单的帧格式（如 Header + Data1 + Data2 + Tail）。
-
树莓派处理：树莓派作为“网关”，运行 Python 脚本监听串口，将接收到的十六进制或字符串数据解析为 Pandas 能够处理的数值。
这是系统的“大脑”，负责将原始数据转化为决策建议。
-
机器学习模型：首先用聚类进行分类的伪标签生成，然后预先训练了一个分类模型（如 Random Forest 或 XGBoost）。它根据历史数据，将不同的能源消耗组合划分为：低碳、中碳、高碳三个等级。
-
SHAP 可解释性分析：这是项目的高级特性。传统的 AI 是黑盒，但引入了 SHAP 算法进行可解释性分析
-
实现原理：当用户点击诊断时，SHAP 会计算当前每一个输入特征（比如“空调耗电量”）对最终评级的“贡献值”。
-
可视化：后端会自动生成一张 shap_summary.png，直观地告诉用户：“是因为空调耗电超过了 80% 的同类用户，才导致你被评为高碳”。
-
这是系统的“中枢”，负责协调数据和交互。
-
Flask 框架：使用 Flask 搭建轻量级服务器。
- 路由设置：/ 负责渲染主界面，/diagnose 负责接收前端请求并调用 AI 模型。
-
Conda 环境管理：通过 Miniconda 隔离出专门的虚拟环境，确保项目所需的 pandas、scikit-learn 和 shap 等库版本不会与系统自带环境冲突。
-
前端交互：使用 Jinja2 模板引擎将后端计算出的实时数据和图片路径注入到 HTML 中。通过响应式 CSS 布局，确保手机端访问时校徽不遮挡、图片不越界。
这是确保系统能够 “24/7 挂机稳定运行” 的关键。
-
Systemd 自动化：通过编写 .service 配置文件，将 Flask 应用注册为 Linux 系统服务。
-
自启动：树莓派上电即运行，无需人工干预。
-
自动重启：如果程序崩溃，系统会在 5-10 秒内自动拉起。
-
-
cpolar 内网穿透：通过安全的 TLS 隧道，将本地 127.0.0.1:5000 端口映射到固定的公网二级域名。这让项目摆脱了实验室局域网的限制，变成了真正的“云监测平台”。
环境准备
- 安装 Miniconda 并创建虚拟环境：
conda create -n carbon_env python=3.10
conda activate carbon_env
pip install flask pandas scikit-learn shap自动化部署 (Systemd) 本项目已实现开机自启，确保在无人值守的情况下 24/7 稳定运行。
-
将 eco_web.service 文件放置于 /etc/systemd/system/ 路径。
-
配置启动脚本 run_app.sh：
#!/bin/bash
source /home/pi/miniconda3/etc/profile.d/conda.sh
conda activate carbon_env
cd /path/to/your/web_app
python app.py- 激活服务：
sudo systemctl enable eco_web.service
sudo systemctl start eco_web.service公网映射 使用 cpolar 将本地 5000 端口映射至固定公网域名，方便演示与远程监控。
├── data
├── hardware/ # STM32 采集端代码 (C/C++)
│ ├──Inc # STM运行文件
│ └──Src # STM运行头文件
├── models # 模型pkl文件存储
│ └── models.pkl # 模型训练文件
├── web_app/ # Flask Web 端
│ ├── app.py # 后端核心逻辑
│ ├── static/ # 静态资源 (校徽图片、CSS、生成的 SHAP 图)
│ └── templates/ # 前端 HTML 模板
├── scripts/ # 部署与启动脚本 (.sh, .service)
├── README.md # 项目说明文档
└── requirements.txt # 库依赖文件
 |
 |
|---|---|
| 客户端页面 | 管理员页面 |
- 诊断界面: 包含实时数据看板。
- 诊断结果: SHAP 柱状图清晰解释了排放因素的权重。
- 模型重训练: 当积累足够的数据之后可以迭代升级模型
-
开发人员: Alan
-
背景: 机械工程研究生
-
联系方式: Zhiwc125@gmail.com
-
开发人员: Yumo Lin
-
背景: 故障诊断研究生
-
联系方式: lch58957@gmail.com