CN108759920B - 一种基于物联网的仓库安全监测系统 - Google Patents

Abstract

本发明提供一种基于物联网的仓库安全监测系统，包括：用于监测仓库环境的无线传感器网络、云端数据服务器和实时监控平台；所述无线传感器网络包括网关节点、部署在仓库各处的若干个传感节点，传感节点包括温度传感器、光强传感器、烟雾传感器；所述云端数据服务器，用于将接收到的温度参数、光强参数、烟雾参数输出到所述实时监控平台进行显示；当所述温度参数、光强参数或烟雾参数超出设定的阈值范围，则生成相应的警报消息输出到所述实时监控平台。本发明系统实现对仓库内环境参数的采集，并根据分析结果做出相应的处理，当发现数据异常时发出警报，准确性强，覆盖率高，可扩展性强，智能化水平高，满足现代化仓库安全检测的需求。

Description

一种基于物联网的仓库安全监测系统

技术领域

本发明涉及仓库监测技术领域，特别是一种基于物联网的仓库安全监测系统。

背景技术

随着经济的飞速发展，仓储规模越来越大，物资种类也越来越多。传统的以人为主导的仓库监控系统变得十分笨重，不仅耗财耗力，还容易出现监控盲区。正因为如此，种类繁多的仓库监控设备也应运而生。近年来，由于物联网技术日渐受到开发者的青睐，基于物联网技术的嵌入式系统也因此为仓库监控系统注入了新鲜的“血液”。

然而，现有的化学品仓库监控系统，结构单一，基本上采用管线连接各个设备的方式，传输范围有限，布线繁琐，可扩展性不足，传输方式单一，实用效果不好，而且无法做到报警与自动控制的同步执行。仓库为储存、中转及调配物料的重要场所，仓库的储存环境直接关系到了物料储存的质量，当仓库环境恶劣时甚至会造成物料损失，给企业生产带来不便，现有的仓库环境，尤其是温湿度的检测，采用温湿度计，需要人员度数，不能直观的显示温湿度数值，并且当温湿度参数超标时无法及时发出报警，如果人员不在现场，很难了解到温湿度参数的超标情况，造成物料损失。一些堆放有可燃物的大型仓库里面，防火是最关键的工作内容，一旦有火患就可能焚毁整个仓库，造成不可估量的损失。但是有些物品储存太久就会发酵等各种因素产生可燃气体，一旦有火星或者温度过高，就可能发生火灾，所以检测可燃气体的浓度是非常关键的工作。

发明内容

针对上述问题，本发明旨在提供。

本发明的目的采用以下技术方案来实现：

一种基于物联网的仓库安全监测系统，包括：

用于监测仓库环境的无线传感器网络、云端数据服务器和实时监控平台；

所述无线传感器网络包括网关节点、部署在仓库各处的若干个传感节点，传感节点包括温度传感器、光强传感器、烟雾传感器；

所述温度传感器，用于将采集到的温度参数输出到所述网关节点；

所述光强传感器，用于将采集到的光强参数输出到所述网关节点；

所述烟雾传感器，用于将采集到的烟雾参数输出到所述网关节点；

所述网关节点，用于将采集到的温度参数、光强参数、烟雾参数转化成数字信号并发送到所述云端数据服务器；

所述云端数据服务器，用于将接收到的温度参数、光强参数、烟雾参数输出到所述实时监控平台进行显示；当所述温度参数、光强参数或烟雾参数超出设定的阈值范围，则生成相应的警报消息输出到所述实时监控平台。

本发明的有益效果为：本发明系统实现对仓库内温度、光强、烟雾等环境参数的采集，并根据分析结果做出相应的处理，当发现数据异常时发出警报，准确性强，覆盖率高，可扩展性强，智能化水平高，能够免除传统仓库监控布线麻烦、成本高、可扩展性差的不足，满足现代化仓库安全检测的需求。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的框架结构图；

图2为本发明云端数据服务器的框架结构图；

图3为本发明共享风险链路组图示意图。

具体实施方式

结合以下应用场景对本发明作进一步描述。

参见图1，其示出一种基于物联网的仓库安全监测系统，包括：

用于监测仓库环境的无线传感器网络1、云端数据服务器2和实时监控平台3；

所述无线传感器网络1包括网关节点11、部署在仓库各处的若干个传感节点12，传感节点12包括温度传感器、光强传感器、烟雾传感器；

所述温度传感器，用于将采集到的温度参数输出到所述网关节点11；

所述光强传感器，用于将采集到的光强参数输出到所述网关节点11；

所述烟雾传感器，用于将采集到的烟雾参数输出到所述网关节点11；

所述网关节点11，用于将采集到的温度参数、光强参数、烟雾参数转化成数字信号并发送到所述云端数据服务器2；

所述云端数据服务器2，用于将接收到的温度参数、光强参数、烟雾参数输出到所述实时监控平台3进行显示；当所述温度参数、光强参数或烟雾参数超出设定的阈值范围，则生成相应的警报消息输出到所述实时监控平台3。

本发明上述实施方式，实现对仓库内温度、光强、烟雾等环境参数的采集，并根据分析结果做出相应的处理，当发现数据异常时发出警报，准确性强，覆盖率高，可扩展性强，智能化水平高，能够免除传统仓库监控布线麻烦、成本高、可扩展性差的不足，满足现代化仓库安全检测的需求。

优选地，所述无线传感器网络1为星型网络或者网状网络。

本发明上述实施方式，采用星型或网状网络，有助于传感器网络中节点发送数据时能够选择更低消耗，传输路程更短的传输路径将数据发送到目标节点。

优选地，所述传感器节点之间的最大距离为150米。

本发明上述实施方式，为确保节点之间的数据传输的质量的可靠性，传感器节点设置的距离不应过大，在实际操作中，设置传感器节点之间的距离在50-100米效果最好。

优选地，参见图2，所述云端数据服务器2，还包括处理模块21，所述处理模块21用于检测无线传感器网络1中节点的运行状态，当检测到传感器存在异常时生成异常消息并发送到所述实时监控平台3进行显示。

其中，在本发明实施方式中，所述节点包括传感节点12和网关节点11；

本发明上述实施方式，由于传感器的性能且工作状态直接影响到仓库安全监测的质量，对系统中的传感器网络节点进行实时监控，当发现节点工作存在异常时，第一时间进行检修或处理，能够保证传感器网络正常地对仓库进行安全监测，避免出现监测死角，确保了系统对仓库安全监测的准确性。

优选地，所述处理模块21进一步包括：检测单元211，异常定位单元212，生成单元213，

所述检测单元211用于抽样控制节点发出测试数据，并记录所述测试数据的发送节点及接收节点的标识，数据量，数据传输路径和丢包率，评估所述测试数据传输路径途径的节点是否存在异常；

所述异常定位单元212，用于根据所述检测单元211的抽结果，定位网络中存在异常的节点；

所述生成单元213，用于根据所述异常节点信息生成异常消息并发送到所述实时监控平台3进行显示。

本发明上述实施方式，设置监测单元随机控制节点向另一个目标节点发送测试数据，并记录数据的数据量，传输路径等，通过对测试数据传输路径中的节点进行分析，评估该测试数据传输路径中的节点是否可能存在异常，并通过设置异常定位单元在可能存在异常的节点中准确定位发生异常的节点，并设置生成单元根据发生异常的节点的位置信息等生成异常消息发送到实时监控平台3进行显示供管理者第一时间发现异常及安排处理工作。

优选地，所述检测单元211，还包括：所述抽样控制节点发出测试数据之后，选取数据传输路径的节点进行往返时延评估，其中采用的第一往返时延评估函数为：

式中，t表示网络中节点在数据传输过程中的平均往返时延，D表示节点发送端口的套接字缓冲区大小，μ表示该数据传输的记录持续时间，γ表示总数据量，σ表示丢包率，c和r表示传输控制协议中的拥塞控制策略中的控制常数；

将该节点在测试数据传输过程中的平均往返时延和设定的往返时延阈值进行比较，如果获取的平均往返时延大于设定的阈值，则判断该数据传输路径中的节点存在异常，否则认为该数据传输路径中的节点不存在异常。

本发明上述实施方式，采用基于流记录的被动测量方法对网络中节点的在进行测试数据交互时的往返时延进行测量，避免了现有技术中采用主动测量方法(即直接从偿还干节点反馈的数据发出时间和响应时间来计算往返时延)需要设置专门的测量设备以及产生额外维护成本的不足、而且测量数据的安全性能也不能得到保障的不足，准确估计出测试数据传输路径中网络节点的往返时延，从而判断该测量数据传输路径中网络节点是否存在异常，处理方法简单，能够有效地降低安全监测系统的复杂度，同时保证安全监测的准确度。

优选地，所述检测单元211，选取数据传输路径的节点后，在进行往返时延评估之前，还包括：

判断该选取的节点进行数据交互时的丢包率σ是否大于自适应丢包率阈值σ_ω，其中，自适应丢包率阈值函数为：

式中，σ_ω表示节点的自适应丢包率阈值，D表示节点发送端口的套接字缓冲区大小，μ表示该数据传输的记录持续时间，γ表示总数据量，c和r表示传输控制协议中的拥塞控制策略中的控制常数；

当丢包率σ小于自适应丢包率阈值σ_ω时，采用上述第一往返时延评估函数评估节点在测试数据传输过程中的平均往返时延；

当丢包率σ大于自适应丢包率阈值σ_ω时，采用下列第二往返时延评估函数评估节点在测试数据传输过程中的平均往返时延，其中所述第二往返时延评估函数为：

式中，t表示网络中节点在数据传输过程中的平均往返时延，μ表示该数据传输的记录持续时间，γ表示总数据量，σ表示丢包率，c和r表示传输控制协议中的拥塞控制策略中的控制常数。

本发明上述实施方式，检测单元在对网络中节点进行往返时延评估之前，首先通过判断该节点的在传输测试数据时的丢包率情况，然后根据该丢包率情况选取合适的往返时延评估函数对该节点的平均往返时延进行评估，提高评估的准确度。

优选地，所述异常定位单元212，用于根据所述检测单元211的抽结果，定位网络中存在异常的节点，具体包括：

准备阶段：参见图3，根据传感器网络构建共享风险链路组图G＝(A,B,C)，其中节点A＝{a_i}对应传感器网络中每个传感节点12和网关节点11，节点B＝{b_i}表示测量路径，每条测量路径对应所述检测单元211中的一个测试数据评估结果；边集C中有一条a_i到b_j的边，表示第j条路径包含第i条边；

初始化阶段：分别初始化集合

F_ω为空集

其中

表示软子句集合，

表示硬子句集合，F_ω表示对于每个属于

的子句r，如果满足子句r时获取的权重集合；

命题阶段：

(1)将经所述异常排查子单元125排查后确定有异常的节点a_i添加到集合X_β中，并且将它们的变量的肯定文字组成的子句v_i添加到硬子句集合

而采用

表示经系统排查后确定没有异常的节点a_i的集合，将它们对应的变量的否定文字组成的子句v_i添加到硬子句集合

其中，赋值v_i＝ture即表示节点a_i的性能是异常的反之则是正常的；

(2)获取所述检测单元211中对应于测量路径b_i的对应的平均往返时延τ作为异常值γ_i，当γ_i大于设定的判定阈值K时，将共享风险链路组图G中b_i的所有连接节点对应的肯定文字组成一条子句，并将它添加到软子句集合

中，同时将这个软子句的权重设定为F_ω(b_i)＝F_x(γ_i)，其中，

式中，x表示权重调整因子，

表示向下取整函数；

(3)对于每一个还没有被系统排查的网络节点a_i，将这些节点对应的变量的否定文字分别组成的单文字子句添加到软子句集合

中，同时另他们的权重

其中，

表示根据历史数据该节点发生异常的先验概率，其中，

式中，y表示权重调整因子；

(4)采用主成分分析获取当前周期对应于测量路径b_i的异常值γ_i，当γ_i小于设定的判定阈值K时，将共享风险链路组图G中b_i所有邻接点对应的否定文字组成一条子句并将它添加到软子句集合

中，同时将这个软子句的权重设定为F_ω(b_i)＝F_z(γ_i)，其中，

式中，z表示权重调整因子，τ表示测量路径中邻接点的数量；

求解阶段：

找出所有包含在软子句集合

中的k个变量，并找出这k个变量的一组赋值，使得在其他未确定的变量赋值v_i为Fxlγc时所满足的软子句的权重和最大，将满足这一条件的k个变量的赋值对应的文字逐个添加到硬子句集合

中，

重复上述步骤直到所有变量赋值都被确定并添加到硬子句集合

中；

采用

作为命题公式，建立可满足性问题，并求解所述可满足性问题获取最有可能出现性能异常的节点。

在一种实施方式中，参见图3，节点b₄分别与节点a₁、a₃、a₅连接，即表示在所述检测单元211的一次抽样评估中，抽样的数据为节点a₁发出的网络数据经节点a₃传输到节点a₅。

本发明上述实施方式，采用上述的方法建立可满足性问题对检测单元中发现的可能存在异常的节点进行处理，准确判断并定位出现异常的节点；首先将经过判断确定出现异常的节点或没有出现异常的正常节点对应的肯定文字或否定文字(如变量、变量的取值或判断依据)添加到硬子句集合中，作为之后判断节点是否出现异常的依据；然后通过对检测单元中获取的节点的平均往返时延作为判断依据，判断测试数据的传输路径中的节点是否可能存在异常(由于当一条传输链路存在异常时，至少此链路中的一个网络节点存在异常)，并对这些节点对应的肯定文字或否定文字添加到软子句集合中并依据各自的权重进行进一步分类，获取其中有效的文字添加到硬子句集合中作为判断依据，最后通过采用硬子句集合作为命题公式，建立可满足性问题，并对此可满足性问题进行求解，获取出现异常的节点，并标记其位置信息；采用上述方式，仅需要通过采集无线传感器网络中少量的节点作为依据，就能定位网络中出现异常的节点，有效地降低异常定位的复杂度，同时保证异常定位的准确度。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种基于物联网的仓库安全监测系统，其特征在于，包括：

用于监测仓库环境的无线传感器网络、云端数据服务器和实时监控平台；

所述无线传感器网络包括网关节点、部署在仓库各处的若干个传感节点，传感节点包括温度传感器、光强传感器、烟雾传感器；

所述温度传感器，用于将采集到的温度参数输出到所述网关节点；

所述光强传感器，用于将采集到的光强参数输出到所述网关节点；

所述烟雾传感器，用于将采集到的烟雾参数输出到所述网关节点；

所述网关节点，用于将采集到的温度参数、光强参数、烟雾参数转化成数字信号并发送到所述云端数据服务器；

所述云端数据服务器，用于将接收到的温度参数、光强参数、烟雾参数输出到所述实时监控平台进行显示；当所述温度参数、光强参数或烟雾参数超出设定的阈值范围，则生成相应的警报消息输出到所述实时监控平台；

其中，所述云端数据服务器，还包括处理模块，所述处理模块用于检测无线传感器网络中传感器节点和网关节点的运行状态，当检测到传感器存在异常时生成异常消息并发送到所述实时监控平台进行显示；

所述处理模块进一步包括：检测单元，异常定位单元，生成单元，

所述检测单元用于抽样控制节点发出测试数据，并记录所述测试数据的发送节点及接收节点的标识，数据量，数据传输路径和丢包率，评估所述测试数据传输路径途径的节点是否存在异常；

所述异常定位单元，用于根据所述检测单元的抽样结果，定位网络中存在异常的节点；

所述生成单元，用于根据异常节点信息生成异常消息并发送到所述实时监控平台进行显示；

所述检测单元，还包括：所述抽样控制节点发出测试数据之后，选取数据传输路径的节点进行往返时延评估，其中采用的第一往返时延评估函数为：

式中，t表示网络中节点在数据传输过程中的平均往返时延，D表示节点发送端口的套接字缓冲区大小，μ表示该数据传输的记录持续时间，γ表示总数据量，σ表示丢包率，c和r表示传输控制协议中的拥塞控制策略中的控制常数；

将该节点在测试数据传输过程中的平均往返时延和设定的往返时延阈值进行比较，如果获取的平均往返时延大于设定的阈值，则判断该数据传输路径中的节点存在异常，否则认为该数据传输路径中的节点不存在异常。

2.根据权利要求1所述的一种基于物联网的仓库安全监测系统，其特征在于，所述无线传感器网络为星型网络或者网状网络。

3.根据权利要求1所述的一种基于物联网的仓库安全监测系统，其特征在于，所述传感器节点之间的最大距离为150米。

4.根据权利要求1所述的一种基于物联网的仓库安全监测系统，其特征在于，所述检测单元，选取数据传输路径的节点后，在进行往返时延评估之前，还包括：

判断该选取的节点进行数据交互时的丢包率σ是否大于自适应丢包率阈值σ_ω，其中，自适应丢包率阈值函数为：

式中，σ_ω表示节点的自适应丢包率阈值，D表示节点发送端口的套接字缓冲区大小，μ表示该数据传输的记录持续时间，γ表示总数据量，c和r表示传输控制协议中的拥塞控制策略中的控制常数；

当丢包率σ小于自适应丢包率阈值σ_ω时，采用上述第一往返时延评估函数评估节点在测试数据传输过程中的平均往返时延；

当丢包率σ大于自适应丢包率阈值σ_ω时，采用下列第二往返时延评估函数评估节点在测试数据传输过程中的平均往返时延，其中所述第二往返时延评估函数为：

式中，t表示网络中节点在数据传输过程中的平均往返时延，μ表示该数据传输的记录持续时间，γ表示总数据量，σ表示丢包率，c和r表示传输控制协议中的拥塞控制策略中的控制常数。

5.根据权利要求4所述的一种基于物联网的仓库安全监测系统，其特征在于，所述异常定位单元，用于根据所述检测单元的抽样结果，定位网络中存在异常的节点，具体包括：

准备阶段：根据传感器网络构建共享风险链路组图G＝(A，B，C)，其中节点A＝{a_i}对应传感器网络中每个传感节点和网关节点，节点B＝{b_i}表示测量路径，每条测量路径对应所述检测单元中的一个测试数据评估结果；边集C中有一条a_i到b_j的边，表示第j条路径包含第i条边；

初始化阶段：分别初始化集合

F_ω为空集

其中

表示软子句集合，

表示硬子句集合，F_ω表示对于每个属于

的子句r，如果满足子句r时获取的权重集合；

命题阶段：

(1)将经所述检测单元评估后确定存在异常的节点a_i添加到集合X_β中，并且将它们的变量的肯定文字组成的子句v_i添加到硬子句集合

而采用

表示经系统评估后确定没有异常的节点a_i的集合，将它们对应的变量的否定文字组成的子句v_i添加到硬子句集合

其中，赋值v_i＝ture即表示节点a_i的性能是异常的反之则是正常的；

(2)获取所述检测单元中对应于测量路径b_i的对应的平均往返时延τ作为异常值γ_i，当γ_i大于设定的判定阈值K时，将共享风险链路组图G中b_i的所有连接节点对应的肯定文字组成一条子句，并将它添加到软子句集合

中，同时将这个软子句的权重设定为F_ω(b_i)＝F_x(γ_i)，其中，

式中，x表示权重调整因子，

表示向下取整函数；

(3)对于每一个还没有被系统排查的网络节点a_i，将这些节点对应的变量的否定文字分别组成的单文字子句添加到软子句集合

中，同时令他们的权重

其中，

表示根据历史数据该节点发生异常的先验概率，其中，

式中，y表示权重调整因子；

(4)采用主成分分析获取当前周期对应于测量路径b_i的异常值γ_i，当γ_i小于设定的判定阈值K时，将共享风险链路组图G中b_i所有邻接点对应的否定文字组成一条子句并将它添加到软子句集合

中，同时将这个软子句的权重设定为F_ω(b_i)＝F_z(γ_i)，其中，

式中，z表示权重调整因子，τ表示测量路径中邻接点的数量。

Images