CN101751018A - 实验环境下的分布式数据监测及预警系统和方法 - Google Patents

Abstract

本发明公开了一种实验环境下的分布式数据监测及预警系统，其包括多个传感器单元、至少一个数据采集单元、至少一个二级数据处理控制单元、视频显示单元及监控台。在所述数据采集单元和所述二级数据处理控制单元中均包括微控制装置和无线传输装置，其中，所述二级数据处理控制单元中的微控制装置包括数据融合处理模块、以太网协议转换模块以及控制数据输出模块，所述二级数据处理控制单元中的微控制装置自带有以太网接口，并且所述无线网络传输基于ZigBee技术。本发明还公开了用于实现分布式数据监测及预警的方法，采用融合处理技术使系统的实时性、智能性大大提高，并且由于基于无线网络和以太网技术，因此施工简单并且成本较低。

Description

实验环境下的分布式数据监测及预警系统和方法

技术领域

本发明涉及数据监测及预警系统，具体地说，涉及实验环境下的分布式数据监测及预警系统和方法。

背景技术

目前，针对实验室环境、仓储和数据中心的各非电量实时动态参数的采集，进而实现综合预警，提出了多种解决方案。例如，一种解决方案是，采用非嵌入式的以太网络监控系统。即数据采集单元直接把数据通过以太网络上传给远程控制计算机，由计算机统一对数据进行显示、判断、保存、报警，再由人工根据数据进行判断并做出相应的控制处理。这种系统的实时性差，系统的可靠性完全依赖于以太网的畅通性和主控计算机的工作状况，以太网或主控计算机一旦发生故障，整个系统就会瘫痪。

另一种解决方案是，采用基于现场总线的数据集控系统。该方案是数据采集单元通过现场总线(如RS485、LonWorks等)把传感数据上传到主控计算机，主控计算机也把控制指令通过现场总线发送给执行机构。这种系统在一定程度上实现了控制系统的实时性，但是系统的成本比较高、施工难度大、系统的扩展性差。主要体现在现场总线布线复杂，需要购买专用网卡，成本高，不易维护，因此，一般在对成本较敏感的工程中不宜采用。

发明内容

本发明为解决实验环境下现有监控系统中存在的上述问题，提出了一种基于实验环境下的分布式数据监测及预警系统和方法。

在根据本发明的实验环境下的分布式数据监测及预警系统中，包括至少一个二级数据处理控制单元、至少一个与所述二级数据处理控制单元中的一个无线通讯连接的数据采集单元以及连接在数据采集单元上的至少一个传感器连接；

数据采集单元用于采集与之连接的传感器所输出的信号，再进行处理并上报到与之连接的二级数据处理控制单元；所述二级数据处理控制单元包括用于把从所述数据采集单元接收的数据进行初级融合处理、将所述处理的数据根据以太网协议转换并传输以及输出控制信号的微控制装置。

根据本发明的分布式数据监测及预警系统，所述数据采集单元和所述二级处理控制单元均包括用于相互通信的无线传输装置，其中所述无线传输装置基于ZigBee技术。

根据本发明的分布式数据监测及预警系统，所述二级数据处理控制单元的微控制装置采用带有以太网接口的32位处理器。

本发明还公开了一种实验室环境下的分布式数据监测及预警方法，用于处理传感器数据以提高控制的实时性、智能性以及可靠性，其中，所述方法按照以下步骤执行：

S1、对各个传感器量测值x_i和其对应的估计值x₀进行三角形模糊化处理，得到量测值模糊量

和估计值模糊量

S2、根据所述量测值模糊量和所述估计值模糊量进行基于距离的聚类分析，得到各个所述量测值模糊量与所述估计值模糊量的贴近度值

S3、基于由所述贴近度值得到的传感器权重进行融合分析，得到融合结果；

S4、根据所述融合结果判断是否需要报警或上传或直接进行控制。

在分布式数据监测及预警方法中，要对数据进行融合分析，所述融合分析按以下步骤执行：

S5、用所述贴近度来表示所述传感器权重，因此第i个传感器权重r_i为：

$r_i=S({\tilde{A}}_i,{\tilde{A}}_o)$

S6、对所述传感器权重进行归一化处理，可得到各个传感器之间的相对权重：

$w_i=\frac{r_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i}(i=\mathrm{1,2},...n)$

S7、基于所述传感器测量值x_i与所述传感器相对权重可求出融合结果H：

$H=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i{x}_{i2}$

根据本发明的分布式监测及预警方法的一个方面，其还包括基于Zigbee无线网络协议传输所述传感器量测值。

根据本发明的分布式监测及预警方法的又一方面，其还包括基于以太网络协议传输所述融合结果以进行报警。

因此，根据本发明实现的实验环境下的分布式数据监测及预警系统实时性、智能性大大提高，并且由于基于无线网络和以太网技术，施工简单并且成本较低。

附图说明

图1是一种传统集散系统的总体框图；

图2是根据本发明的采用无线网络技术以及以太网技术进行组网的实验环境下的分布式数据监测与预警系统的总体框图；

图3是用于实现本发明的基于ZigBee无线网络技术的数据采集单元的原理框图；

图4是用于实现本发明的基于ZigBee无线网络技术以及以太网技术的二级数据处理控制单元的原理框图；

图5a和图5b是本发明中数据采集单元以及二级数据处理控制单元中实现无线传输功能的软件流程图；

图6是本发明中二级数据处理控制单元实现以太网协议传输功能的软件流程图；

图7是本发明中二级数据控制单元实现数据融合处理功能的软件流程图。

具体实施方式

如图1所示为现有技术的基于现场总线网络的集散系统的总体框图，所有数据控制单元直接与传感器有线连接，数据控制单元之间以及监控平台以现场总线方式连接。

如图2所示为实现本发明的一个优选方案，其包括监控台201、服务器202、二级数据处理控制单元203、数据采集单元204、传感器205、视频显示单元206以及控制对象207。

监控台201、服务器202、二级数据处理控制单元203以及视频显示单元206作为对等节点接入到本系统的控制局域网即以太网上，数据采用基于ISO/OSI标准的简化型三层协议进行传输。

其中，一个二级数据处理控制单元203可与多个数据采集单元204基于ZigBee技术以无线方式通信连接。多个传感器205根据就近原则分组，有线连接到各个数据采集单元204。控制对象207可根据情况部分连接到二级数据处理控制单元203，部分连接到数据采集单元204，也可以全部连接到二级数据处理控制单元203。

如图3所示为根据本发明的一个实施例的数据采集单元结构框图，其主要包括微控制装置(MCU)301、无线传输装置302、输入输出装置303和辅助装置304等。

其中，微控制装置(MCU)301采用freescale公司的8位MCUMC9S08GT16A及辅助电路，其中包括无线网络协议数据转换模块和控制数据输出模块。

无线传输装置302主要由MC 13192及辅助电路构成，用于将采集的传感器数据无线发送出去。MC13192是Freescale公司推出的符合ZigBee标准的射频芯片。其工作频率是2.405～2.480GHz，该频带划分为16个信道，每个信道占用5MHz的带宽；采用直接序列扩频的通信技术，数据传输速率为250kbps，传输距离30～70m。

如图4所示为根据本发明的一个实施例的二级数据处理控制单元的结构框图，其主要包括微控制装置(MCU)401、无线传输装置402、输出控制装置408、以太网接口405及辅助装置406。其中微控制装置(MCU)401中包含有以太网协议转换模块403、数据融合处理模块404、控制数据输出模块407。

其中，微控制装置401主要包括freescale的32位处理器MCF52233及其外围电路。

如图5a和5b所示，根据本发明的数据采集单元和二级数据处理控制单元中实现的无线传输功能基于ZigBee技术，因此所述模块的实现方法相同，其中在图5a中，数据发送包括以下步骤：

在步骤501中，初始化微控制器，并读取片内数据采集单元的ID地址，然后执行步骤502；

在步骤502中，初始化ZigBee芯片，其中包括设置通信通道、传输功率以及将片内ID地址写入芯片中，然后执行步骤503；

在步骤503中，监听ZigBee通信的状态，如果通信状态为接收则转入511，如果通信状态为发送则执行步骤504；

在步骤504中，判断是否收到要发送数据的指令，在本发明中，发生传感器数据的指令是通过定时器来产生的，如果收到指令，则执行步骤505，如果未收到指令，则程序回到步骤503继续监听ZigBee通信状态；

在步骤505中，通过与各个传感器电气连接的输入装置进行采样，并把所得的数据根据ZigBee方式进行填充，然后执行步骤506；

在步骤506中，对要发送的数据进行防冲突处理，最后程序返回到步骤501进行下一轮数据发送处理。

其中在图5b中，数据接收包括以下步骤：

在步骤511中，进入无线数据接收中断程序，执行初始化等一系列操作，然后执行512；

在步骤512中，判断数据是否是遵照802.15.4格式的数据帧，如果是，执行步骤513，如果否，转到步骤515，结束中断处理；

在步骤513中，判断数据格式是否符合本网络自定义的控制数据格式，如果是的话，执行步骤514，如果否的话，转到步骤515，结束中断处理；

在步骤514中，处理接收到的数据包，然后根据收到的数据是控制数据还是传感器数据，分别传送给控制对象(在数据采集单元中)或数据融合处理模块(在二级数据处理控制单元中)，然后执行步骤515结束中断处理。

如图6所示，其中显示了在二级数据处理控制单元中实现TCP/IP传输的软件流程图，包括以下步骤：

在步骤601中，中断检测网络接收状态，执行一系列初始化操作，然后执行步骤602；

在步骤602中，判断是否收到以太网帧，如果是的话，将所收到的数据帧写入缓冲器进行缓存，然后执行步骤603，如果否的话，转到步骤608，结束中断程序；

在步骤603中，判断所述以太网帧是否是ARP包，如果是，则进行ARP包处理(步骤609)，如果否则执行步骤604；

在步骤604中，判断是否是IP包，如果是则判断是否是ICMP包(步骤605)，如果是的话，则执行ICMP包处理(步骤610)，如果否，则判断是否是UDP包(步骤606)，如果是的话，则执行UDP包处理(步骤611)，如果否，则丢弃该以太网帧(步骤607)，然后结束本次处理(步骤608)。

根据本发明的优选实施例，在二级数据处理控制单元中包括数据融合处理模块，其用于将多维输入数据根据信息融合的功能在不同融合层次上采用不同的数学方法，对数据进行综合处理，最终实现融合。

多传感器信息融合(Information Fusion)技术是通过多类同构或异构传感器数据进行综合(集成或融合)获得比单一传感器更多的信息，形成比单一信源更可靠、更完全的融合信息。它突破单一传感器信息表达的局限性，避免单一传感器的信息盲区，提高了多源信息处理结果的质量，有利于对事物的判断和决策。这里，我们所讨论的传感器概念是指与环境匹配的各种信息获取系统。同样，融合的概念是包括对各种传感器综合的有用信息的分析、处理、集成和融合等。

信息融合是对来自单个或多个不同平台传感器的信息进行相关和综合，以获得更精确的目标信息和身份估计的处理过程。融合处理的对象不局限于接收到的初级数据，还包括对多源数据进行不同层次抽象处理后的信息。处理过程可利用各种数学工具。在多传感器信息融合中，各个传感器提供的信息都具有一定的不确定性和不准确性，因此，对这些信息的融合过程是一个不确定性信息的推理与决策过程。信息融合的一个显著特点就是决策推理。

目前已有大量的融合算法，它们都有各自的优缺点，其中流行的融合算法有贝叶斯方法、聚类分析方法、模糊理论和神经网络方法等。本发明采用聚类分析和模糊理论算法。

下面描述根据本发明实现传感器信息融合处理的具体步骤：

首先，对量测值与估计值进行模糊化处理：

由于环境参数检测受到各相关因素影响，传感器量测值与目标真实值之间必然存在误差，目标真实值只是在相应有效数据附近分布。如果量测值误差是随机误差，则量测分布是由均值和方差所确定的正态量测分布，即模糊理论的隶属函数选高斯形量测分布。从工程检测的实际应用角度，选择模糊化的三角形隶属函数作为量测分布。三角形中心是传感器的量测值，宽度为量测数据标准方差的4倍。对于第i个传感器，设其对真实值A的m次量测后的量测均值为x_i，量测方差为σ_i。则量测值的模糊量表示为：

${\tilde{A}}_i=(a_{i1},a_{i2},a_{i3})=(x_i-{\mathrm{\σ}}_i,x_i,x_i+{\mathrm{\σ}}_i)$

目标估计值的模糊化过程与量测值模糊化过程类似。当其估计值x₀，估计方差σ₀分别表示为：

$x_0=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$

${\mathrm{\σ}}_0^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-x_0)}^2$

目标估计值的模糊量则表示为：

${\tilde{A}}_0=(a_{01},a_{02},a_{03})=(x_0-{\mathrm{\σ}}_0,x_0,x_0+{\mathrm{\σ}}_0)$

为计算方便性与可靠性，定义距离度量的贴近度计算方法为：

设

和

为两个三角形模糊量，则其贴近度为：

$S({\tilde{A}}_i,{\tilde{A}}_j)=\frac{1}{1+d({\tilde{A}}_i,{\tilde{A}}_j)}$

$d({\tilde{A}}_i,{\tilde{A}}_j)=\left|\frac{a_{i1}+a_{i2}+a_{i3}-a_{j1}-a_{j2}-a_{j3}}{3}\right|$

其中，

值越大，表示与

越贴近。

当

时，表示

与

完全相同；

当

时，表示

与

完全不同。

在多传感器信息融合中，每个传感器A_i与目标估计量A₀之间的贴近程度用贴近度表示，其式为：

$w_i=\frac{r_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i}(i=\mathrm{1,2},...n)$

(2)传感器权重与数据融合

在多传感器信息融合的实际应用中，对不同的传感器需要赋予不同的权重，稳定性和可靠性高的传感器在系统中赋予高的权重数值。事实上，传感器稳定性与可靠性如何，在测量前是无法判定的，也是无法准确度量的。根据统计决策分析理论，如果某一传感器的量测值X_i接近于估计值X₀(量测均值)，就可以说明该传感器的可靠性与稳定性高。在多传感器信息融合时，接近估计值的程度，即贴近程度越高，权重就越大。

据此，用贴近度

来表征传感器的权重。第i个传感器权重r_i为：

$r_i=S({\tilde{A}}_i,{\tilde{A}}_o)$

归一化后可得各个传感器之间的相对权重w_i为：

$w_i=\frac{r_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i}(i=\mathrm{1,2},...n)$

在各个传感器目标估计值贴近度的基础上，可计算出各个传感器的相对权重。最终由下式求出融合结果：

$x=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i$

综上所述，给出基于三角形模糊贴近度的聚类分析算法下的多传感器信息融合过程：

在量测过程中，利用格罗贝斯准则判断并剔除疏误差数据；

对余下量测数据，计算测量方差与估计方差，并对所有量测值x_i和估计值x₀模糊化计算；

由贴近度定义计算每个传感器与估计值之间的模糊贴近度，并计算第i个传感器在数据融合中的相对权重；

根据上述公式计算出最终信息融合的综合结果。

基于聚类分析的信息融合方法首先将测量与估计值都进行模糊化，然后计算量测值与估计值之间的模糊贴近度，利用贴近度来描述各个传感器的重要度，进而确定各个传感器在融合算法中的权重。最后利用融合公式求出融合结果。此外，该方法计算过程相对固定，计算量小，以便于计算机实时实现。

如图7所示，其中显示了在二级数据处理控制单元中实现信息融合处理的软件流程图，具体步骤如下：

在步骤701中，存储所采集的传感器数据，然后执行步骤702，进行数据清洗，并进行格罗贝斯准则数据检测(步骤703)，判断是否存在误差数据(步骤704)，如果有的话，回到步骤702继续执行清洗数据，如果不存在误差数据，则执行步骤705，进行数据三角形模糊转换，然后基于三角形模糊量距离的聚类分析对数据进行处理(步骤706)，各子类内贴近度分析(步骤707)，基于贴近度权重来进行信息融合分析(步骤708)，根据所分析的数据结果自动分类触发各个报警装置进行报警(步骤709)。

以下详细介绍三角形模糊计算转换过程、贴近度聚类分析以及信息融合分析的步骤。

其中，在数据三角形模糊转换中，假设有n个传感器：S₁，...S_n，

输入为针对每个传感器连续m次采集的m个测量数据：(t_i1，t_i2…t_im)，(i＝1…n)；

------

针对每个传感器连续m次采集的m个测量数据，得到一列已按从小到大的顺序排列的测量列(t_i1，t_i2…t_im)；

每次测量值的剩余误差为 $V_{\mathrm{ij}}=t_{\mathrm{ij}}-\stackrel{\‾}{M}$

式中

—测量数据的算术平均值

$\stackrel{\‾}{M}=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{t}_{\mathrm{ij}}$

测量结果的近似误差为

$\mathrm{\δ}=\sqrt{\frac{1}{n-1}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{t_{\mathrm{ij}}}^2}$

根据顺序统计原理，按格罗贝斯准则可找出

$g=\frac{t_{\mathrm{ij}}-\stackrel{\‾}{M}}{\mathrm{\δ}}$

的确切分布。在给定显著水平a(如a＝0.1或0.05)后，就可找出格罗贝斯统计量的临界值g₀(n，a)。即

p[g≥g₀(n，a)]＝a

为小概率事件，在t_ij服从正态分布时不应出现。

测量顶端值t_ij(i＝1或m所对应的格罗贝斯统计量g_i，若满足g_i≥g₀(n，a)则认为统计量g_i的分布存在显著差异，对应的t_ij含有疏失误差，t_ij为可疑值，应当剔除。由此，每次可剔除一个疏失误差数据。进行重复计算，则可剔除所有的疏失误差数据。

输出得到第i个传感器的三角形模糊量：A_i＝(a_i1，a_i2，a_i3)(i＝1…，n)。a_i1＝μ_i+δ_i，a_i2＝μ_i，a_i3＝μ_i-δ_i

${\mathrm{\μ}}_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{t}_{\mathrm{ij}},$ ${\mathrm{\δ}}_i^2=\frac{1}{m-1}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(t_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^2$

在聚类分析中，定义两个三角形模糊量为A_i＝(a_i1，a_i2，a_i3)，A_j＝(a_j1，a_j2，a_j3)，

则距离 $D(A_i,A_j)=\sqrt{{\left(\frac{a_{i1}+a_{i2}+a_{i3}-a_{j1}-a_{j2}-a_{j3}}{3}\right)}^2}$

1、基于三角形模糊量距离的聚类分析算法

输入为n个三角形模糊量，簇数目k；

输出k个分类，使用距离最小。

S101任意选择k个三角形模糊量作为初始的类中心；

S102Repeat

S103Forj＝1 to n Do

使用任意A_j分类到离k个中心距离最近的一个类中；

S104for i＝1 to k Do $X_i=\underset{B\∈C_i}{\mathrm{\Σ}}\frac{B}{\left|C_i\right|}$

S105计算差 $E=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{B\∈C_i}{\mathrm{\Σ}}D(B,X_i)$

S106Until E不再明显减小。

2、对各聚类内部进行贴近度分析

输入为类C(有P个模糊量)：B₁(x₁₁，x₁₂，x₁₃)...B_p(x_p1，x_p2，x_p3)；

输出得到B_i到类中心的贴近度R_i(i＝1…p)。

类中心 $X=\underset{B\∈C_i}{\mathrm{\Σ}}\frac{B}{P}$

则B_i与类中心X的贴近度 $R_i=R(B_i,X)=\frac{1}{1+D(B_i,X)}$

3、基于贴近度权重进行信息融合分析

输入：类C(有P个模糊量)：B₁(x₁₁，x₁₂，x₁₃)...B_p(x_p1，x_p2，x_p3)；

输出：类C中的数据的融全合信息值。

B_i权重 $w_i=\frac{r_i}{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{r}_i}$

$H=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i{x}_{i2}$

H为类C中的数据的融全合信息值。

根据数据库和H值，自动分析事件类，是否报警，并自动报警。

根据本发明实现的实验环境下的分布式数据监测及预警系统实时性、智能性大大提高，并且由于基于无线网络和以太网技术，因此工程施工简单并且成本较低。此外，本系统不完全依赖于网络，在网络发生故障时，在本地即可实现基本的监测与处理突发事件的功能，从而在根本上保证了系统运行的可靠性和稳定性。

Claims (7)

1.一种实验环境下的分布式数据监测及预警系统，其特征在于包括：

至少一个二级数据处理控制单元，各个所述二级处理控制单元之间以及监控台、视频显示单元基于以太网通信连接，每个二级数据处理控制单元与至少一个数据采集单元基于无线网络通信连接，每个数据采集单元与至少一个传感器电连接；

所述二级数据处理控制单元包括用于把从所述数据采集单元接收的数据信号进行初级融合处理、将所述处理的数据信号基于以太网协议进行转换、并传输给以太网上的视频显示单元及监控台进行监测及预警以及输出控制信号进行控制的微控制装置。

2.如权利要求1所述的分布式数据监测及预警系统，其特征在于，所述数据采集单元和所述二级处理控制单元均包括用于相互通信的无线传输装置，其中所述无线传输装置基于ZigBee技术。

3.如权利要求1所述的分布式数据监测及预警系统，其特征在于，所述二级数据处理控制单元的微控制装置采用带有以太网接口的32位处理器。

4.一种实验室环境下的分布式数据监测及预警方法，用于处理传感器数据并分别进行传输以提高控制的实时性、智能性以及可靠性，其特征在于，所述方法按照以下步骤执行：

S1、对各个传感器量测值x_i和其对应的估计值x₀进行三角形模糊化处理，得到量测值模糊量

和估计值模糊量

S2、根据所述量测值模糊量和所述估计值模糊量进行基于距离的聚类分析，得到各个所述量测值模糊量与所述估计值模糊量的贴近度值

S3、基于由所述贴近度值得到的传感器权重进行融合分析，得到融合结果；

S4、根据所述融合结果判断是否需要报警或上传或直接进行控制。

5.如权利要求4所述的分布式数据监测及预警方法，其特征在于，所述融合分析按以下步骤执行：

S5、用所述贴近度来表示所述传感器权重，第i个传感器权重

$r_i=S({\tilde{A}}_i,{\tilde{A}}_o);$

S6、对所述传感器权重进行归一化处理，可得到各个传感器之间的相对权重

S7、基于所述传感器测量值x_i与所述传感器相对权重可求出融合结果。

$H=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i{x}_{i2}$

6.如权利要求4所述的分布式监测及预警方法，其特征在于，所述方法还包括，基于Zigbee无线网络协议传输所述传感器量测值。

7.如权利要求4所述的分布式监测及预警方法，其特征在于，所述方法还包括，基于以太网络协议传输所述融合结果以进行报警。

Images