盐矿开采长期面临高温、高湿、粉尘和有害气体聚集等风险，传统的人工巡检难以做到实时覆盖。借助物联网传感器和数据分析工具，企业可以构建一套自动化监控体系，而R语言凭借其丰富的统计生态和快速原型能力，成为低成本搭建智慧盐业网络的可行选择。本文将从数据采集、传输、处理到预警展示，说明如何用R串联起整个数据链路。
盐矿传感器数据采集与接入
盐矿井下通常部署多种传感器，包括温湿度、甲烷、一氧化碳、硫化氢、地压和振动监测设备。这些传感器有的通过RS485总线连接到边缘网关，有的直接支持以太网或Wi-Fi上报。对于不具备网络能力的旧设备，常见做法是使用串口转以太网模块将数据汇聚到本地服务器，再由R程序统一读取。
在R中读取串口数据可以使用serial包。以下代码演示如何打开串口并持续读取固定长度的数据帧，假设传感器按行输出JSON格式的数据：
library(serial)
con <- serialConnection(name = "salt_sensor", port = "COM3", mode = "9600,n,8,1")
open(con)
repeat {
line <- read.serialConnection(con)
if (nchar(line) > 0) {
cat(line, "\n")
# 解析JSON或按分隔符拆分字段
}
Sys.sleep(0.5)
}
如果数据已经由网关写入本地文件，R可以直接读取CSV或使用readLines持续跟踪日志。选择哪种方式取决于现场网络条件，但核心是把原始数据尽快送入内存中的数据结构。对于实时性要求高的场景，建议使用data.table的fread加速大文件读取。
传感器数据往往包含时间戳、设备ID和多个测量值，接入后需要统一字段名和单位。例如将温度统一为摄氏度，气体浓度统一为ppm，避免后续分析出现量纲混乱。
基于R的数据传输与实时处理
将井下数据回传到地面控制中心，常用MQTT协议，因为其轻量、支持断线重连和发布订阅模式。R可以通过mqtt包或直接调用系统命令mosquitto_pub来实现客户端功能。下面展示一个使用processx包调用外部命令发布数据的例子，这种方式在Windows和Linux上都能稳定运行。
library(processx)
publish_sensor <- function(topic, payload) {
cmd <- sprintf("mosquitto_pub -h broker.ipipp.com -t %s -m %s", topic, payload)
processx::run("sh", args = c("-c", cmd), error_on_status = FALSE)
}
publish_sensor("saltmine/temp", "32.5")
如果希望纯R实现MQTT，可以使用RMQTT或mqtt包，但它们对协议版本支持有限，建议先用系统命令方式快速验证。订阅端同样可以启动一个后台R进程，持续监听主题并把数据写入数据库（如SQLite或InfluxDB）。数据写入前进行基本清洗：去除明显超范围的异常值、填补缺失时间戳、按设备ID分组。
实时处理阶段还需要计算滑动窗口统计量，例如每分钟平均温度、甲烷浓度峰值。借助zoo包的rollapply函数可以轻松实现，代码片段如下：
library(zoo) # 假设df是包含timestamp和temp的数据框 df$temp_avg_5min <- rollapply(df$temp, width = 5, FUN = mean, fill = NA, align = "right") df$ch4_max_5min <- rollapply(df$ch4, width = 5, FUN = max, fill = NA, align = "right")
对于多台设备并行处理，建议将原始数据先存入消息队列（如Redis），再由多个R worker消费，避免单进程成为瓶颈。R的parallel包可以启动本地多核任务，但跨机器分布式处理通常需要结合其他工具。
安全生产监控与异常预警
智慧盐业网络的核心价值在于提前发现安全隐患。基于历史数据可以确定各传感器的正常波动范围，然后使用统计过程控制（SPC）中的控制图方法识别异常点。例如对甲烷浓度设定上限控制线（UCL），当连续多个点超过阈值或出现趋势性上升时触发报警。
R中实现简单的阈值报警非常直接，但如果要降低误报率，可以引入滑动窗口标准差判断或机器学习模型。孤立森林（Isolation Forest）适合检测传感器数据中的离群点，代码示例如下：
library(solitude)
iso <- isolationForest$new(sample_size = 256)
iso$fit(sensor_data[, c("temp", "humidity", "ch4")])
scores <- iso$predict(sensor_data[, c("temp", "humidity", "ch4")])
outliers <- which(scores$anomaly_score > 0.6)
检测到异常后，需要将报警信息推送给值班人员。R可以通过sendmailR发送邮件，或者调用系统命令发送短信网关请求。同时把异常事件记录到日志表中，便于后续追溯和模型迭代。
为了让管理人员直观看到实时状态，可以使用shiny搭建一个监控看板。看板包含实时曲线、设备状态列表和历史报警记录，核心UI代码片段如下：
library(shiny)
ui <- fluidPage(
titlePanel("盐矿安全生产监控"),
sidebarLayout(
sidebarPanel(
selectInput("device", "选择设备", choices = c("1号井", "2号井"))
),
mainPanel(
plotOutput("trendPlot"),
tableOutput("alarmTable")
)
)
)
server <- function(input, output) {
output$trendPlot <- renderPlot({
# 从数据库读取该设备最近1小时数据并绘图
})
output$alarmTable <- renderTable({
# 查询最近报警记录
})
}
shinyApp(ui, server)
看板部署在内网服务器上，通过浏览器访问，支持多终端查看。配合自动刷新机制，可以做到近实时的数据展示。
实际部署中的注意事项与性能优化
矿井网络环境不稳定，数据传输过程中可能出现中断。为避免数据丢失，边缘端应实现本地缓存和断点续传。R程序可以在发送失败时将数据暂存到本地SQLite文件，并定时重试。以下逻辑展示了如何结合tryCatch和文件队列做简易重传：
send_with_retry <- function(data, max_attempts = 5) {
for (i in 1:max_attempts) {
ok <- tryCatch({
publish_sensor("saltmine/data", data)
TRUE
}, error = function(e) FALSE)
if (ok) return(TRUE)
Sys.sleep(2^i)
}
# 写入本地待发送队列
write.csv(data, "pending_queue.csv", append = TRUE)
return(FALSE)
}
R语言在处理大规模流式数据时性能不如C++或Go，但通过合理使用向量化操作、data.table和数据库下推，可以满足中小型盐矿的监控需求。如果数据点每秒超过数千条，建议将聚合计算下沉到数据库层（如使用SQL的窗口函数），R只负责调度和建模。
安全性方面，MQTT传输应启用TLS加密和用户名密码认证，避免数据被窃听或篡改。R的processx调用时可以指定CA证书路径，例如在Windows上使用mosquitto_pub --cafile C:\cert\ca.crt，注意反斜杠需要保留。此外，控制中心服务器应限制R脚本的执行权限，防止误操作影响生产。
通过上述步骤，基于R的智慧盐业网络能够将分散的传感器数据汇聚成可分析、可预警的实时监控体系，为盐矿开采的安全生产提供数据支撑。相比商业平台，这套方案成本更低，且完全可定制，适合中小型盐业企业逐步推进数字化转型。