CN109688598B - 基于wsan的复杂管网分布式数据采集系统及传输优化方法 - Google Patents
基于wsan的复杂管网分布式数据采集系统及传输优化方法 Download PDFInfo
- Publication number
- CN109688598B CN109688598B CN201910026757.0A CN201910026757A CN109688598B CN 109688598 B CN109688598 B CN 109688598B CN 201910026757 A CN201910026757 A CN 201910026757A CN 109688598 B CN109688598 B CN 109688598B
- Authority
- CN
- China
- Prior art keywords
- group
- data
- sensor node
- node
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 17
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明提供一种基于WSAN的复杂管网分布式数据采集系统及传输优化方法,涉及无线传感网络领域。该系统包括感知、执行器、网络和监控4个单元;该方法包括:建立网络并初始化网络中各节点参数;在监测区域均匀分布执行器节点;确定传感器节点组的初始组头和组员并实时更新各节点的所在组;根据压力和流量信号计算回归系数向量并构建回归系数矩阵;根据信号强度确定组头对应执行器;实时更新分布式网络模型的参数,同时组头接收数据构建回归系数矩阵并将其发给执行器;监控单元存储、处理和分析数据,实时监控复杂管网工况。本方法解决了风功率的不确定性,降低由于风电随机性导致的上报预测误差,提高风功率预测的准确性,使电力系统更平稳经济调度。
Description
技术领域
本发明涉及无线传感网络技术领域,具体涉及一种基于WSAN的复杂管网分布式数据采集系统及传输优化方法。
背景技术
城市复杂结构管网是运行控制均为多目标的网状系统,其具有规模巨大、结构错综复杂、随机性强的特点。近年来,随着城市复杂管网规模的不断扩大,管网系统的复杂性和多变性更为突出,管网正常运行的安全性和可靠性也尤为重要。如何有效的应对自然变化和社会发展,复杂管网作为社会建设的重要组成部分,面临着管理和调度的严峻考验。使用现代化的管理手段,在管网系统中实现网络化监测,是势在必行的。
目前国内外基于无线传感网络检测技术的应用也有很多,主要是应用到了环境监测和野外设备监控方面。通常的无线传感器网络需要依靠电池供电,在各种干扰环境下长时间工作,并且在各种操作中,节点的数据传输是很消耗能量的,从而严重影响了整个无线传感网络的生命周期,另外网络覆盖率,数据冗余度都是影响网络生命周期的重要因素。因此如何提升网络的生命周期,成为现如今的重要研究方向。目前的管网监测和管理侧重于泄漏、爆管等事故发生后的维修和补救,尚没有形成动态实时监测和预测性诊断集成系统,不具备管网的灾害预警功能。目前鲜有基于WSAN的管网监测系统,因此亟待将WSN技术应用在复杂管网中,设计相应的监控系统,实现实时监测管网工况,降低维护成本,对提高管网的运行安全性具有重大意义。
发明内容
针对现有技术存在的问题,本发明提供一种基于WSAN的复杂管网分布式数据采集系统及传输优化方法,对复杂管网工况进行实时监测并在监控中心显示,其建设成本低,可适应复杂管网的各种工况环境,并实时对传感器节点进行控制,执行器模块根据收集的监测信息做出决策并执行相关的操作,通过合理的控制传感器节点的工作状态和数据传输机制,实现节能,并保证较高的覆盖率,网络生命周期更长。
为了实现上述目的,本发明所采取的技术方案是:
一种基于WSAN的复杂管网分布式数据采集系统,包括感知单元、执行器单元、网络单元和监控单元;
所述感知单元,由多个传感器节点组组成,用于将监测到的信息数据通过执行器单元和网络单元传送给监控单元进行处理并分析,实时监测复杂管网的各种工况;
所述执行器单元,由与传感器节点组个数相同的执行器节点组成,用于将接收的数据进行存储并分析,生成操作命令并执行后,确定各个节点组的组头和各个节点的工作状态,同时将数据和操作行为发送给网络单元;
所述网络单元,即汇聚节点,用于接收执行器单元的数据,再将接收到的数据存储起来并发送给监控单元;
所述监控单元,包括服务器和上位机,用于接收并存储网络单元发送的数据信号,再将数据信号进行分析与处理,达到实时监测复杂管网现场工况的目的。
进一步地,所述传感器节点组由有限个传感器节点组成,每个传感器节点包括压力传感器、流量传感器、数据采集模块、第一电源模块、第一无线收发模块、GPS模块和第一处理器模块;
所述压力和流量传感器,用于采集复杂管网的压力、流量信号;
所述数据采集模块,包括信号调理电路、模数转换器,用于接收压力和流量传感器采集到的压力、流量信号,并对信号的放大、滤波和模数转换功能;
所述第一电源模块,采用独立电源,用于为传感器节点供电;
所述第一无线收发模块,采用ZigBee协议通信,完成无线网络的组建,用于接收执行器单元的指令和向传感器节点组组头发送采集到的数据和位置、时间信息;
所述GPS模块,用于对传感器节点进行定位和校时;
所述第一处理器模块,用于控制整个传感器节点的工作。
进一步地,所述执行器节点包括第二无线收发模块、第二电源模块和中央控制模块;
所述第二无线收发模块,用于接收传感器节点组组头的数据信息,并将中央控制模块生成的数据和操作行为发送给网络单元;
所述第二电源模块,采用独立电源,用于为执行器单元供电;
所述中央控制模块,包括命令执行单元、数模转换器、第二处理器和控制器,用于将执行器单元接收到的数据进行存储并分析,然后由控制器做出决策,生成相应的操作命令,控制命令执行单元进行相应操作完成初始化和数据计算,最后将生成的数据和操作行为传递给第二无线收发模块。
进一步地,所述网络单元包括ZigBee协调器、微控制器、存储模块、第三电源模块以及GPRS和Internet模块;
所述ZigBee协调器,通过串口连接微控制器,用于接收执行器单元发送的数据和操作行为,并通过微控制器存储到存储模块;
所述存储模块,用于存储接收到的执行器单元发送的数据和操作行为;
所述第三电源模块,采用不间断电源,用于为网络单元供电;
所述GPRS和Internet模块,用于将网络单元接收到的数据信息通过无线或有线的方式发送给监控单元。
进一步地,所述服务器,用于接收并存储网络单元发送的数据信号,并将数据存储到数据库;
所述上位机,用于对服务器接收到的数据信号进行分析与处理,达到实时监测复杂管网现场工况的目的,包括压力与流量数据存储模块,数据处理模块、管道工况监测模块;所述压力与流量数据存储模块,用于接收并解析网络单元传送的压力及流量数据,将各个传感器节点的压力、流量数据、时间和位置坐标数据以4维矩阵形式按照GPS时间顺序进行存储;所述数据处理模块,用于从压力与流量数据存储模块中获取数据并进行处理与计算;所述管道工况监测模块,用于利用压力及流量的实时数据,根据压力与流量数据存储模块和数据处理模块的数据处理与计算结果判断管道的实际工作情况。
采用基于WSAN的复杂管网分布式数据采集系统进行数据传输优化的方法,包括以下步骤:
步骤1:确定汇聚节点、执行器节点和传感器节点的位置坐标,通过自组织方式形成网络;
步骤2:对所有传感器节点、执行器节点进行初始化并配置参数,设置传感器节点的数据传输方式,求解分布式网络模型的回归系数向量,具体步骤如下:
步骤2.1:设置所有传感器节点的存储数据格式为(ti,yi),其中,ti为传感器节点在采样时间内采集第i个数据时的时刻,yi为ti时刻采集到的数据值,i=1,...,m,m为采样时间内采集到的数据量;
步骤2.2:设置各个传感器节点之间的数据传输方式并交互信息;所述交互消息包括传感器节点ID、传感器节点所在组ID、传感器节点剩余能量、采样的数据信息、邻居表和虚节点剩余能量;
所述虚节点剩余能量为传感器节点集合的平均剩余能量(Ru+Rv_k-1+…+Rv_1)/k,其中,R为各传感器节点剩余能量,k为传感器节点所在组的备选组头个数;所述虚节点为传感器节点u与其在邻居表中选择剩余能量最高的k-1个邻居节点构成的备选伙伴{vk-1,vk-2,…,v1}组成的节点集;
步骤2.3:构建分布式网络模型Y(t);
步骤2.4:根据设置的每个传感器节点在分布式网络模型第I段采样时间第j项的基函数Bj(lI)构建基函数矩阵M;
步骤2.5:设定逼近误差向量δ的范数最小作为优化目标,根据基函数矩阵M和采集到数据值的m维向量y=(y1,...,yi,…ym)T,计算回归系数的n维向量λ=(λ1,...,λj,…λn)T,并通过第一无线收发模块发送给传感器节点所在组的组头;
步骤3:将执行器节点均匀分布在监测区域,令执行器节点的通信半径覆盖传感器节点的全部区域;
步骤4:根据各个传感器节点所在组ID判断传感器节点是否已分组,若是,则继续步骤11,若否,则继续步骤5;
步骤5:确定传感器节点组的初始组头和组员,具体步骤如下:
步骤5.1:采用改进的LEACH协议,计算第f个传感器节点的阈值Tf;
所述计算第f个传感器节点的阈值Tf的公式如下:
其中,p为第f个传感器节点所在组的组头占全网总节点数的比例,H为监测区域的传感器节点集合,Es为第f个传感器节点的剩余能量,E0为第f个传感器节点的初始能量,ds为第f个传感器节点所在组的组头到汇聚节点的欧式距离,d0为通信距离阈值,mod(*)为求余函数;
步骤5.2:根据执行器节点的个数K确定传感器节点组的组头的个数,同时每个传感器节点对应产生一个0~1之间的随机数;
步骤5.3:判断第f个传感器节点产生的随机数是否小于对应阈值Tf,若是,则令该传感器节点为所在组的备选组头,若否,则选择最接近阈值的传感器节点作为所在组的组头,构成传感器组头集;
步骤5.4:依次计算各个传感器节点到传感器组头集中每个组头节点的距离,将该传感器节点归入到与其距离最小值对应的组头节点所在组中,得到首次各个传感器组的节点成员;
步骤6:传感器节点组内的传感器节点通过压力和流量传感器采集压力和流量数据信号,输入到分布式网络模型中得到回归系数向量,并将回归系数向量以数据包的形式上传给传感器节点所在组的组头,构建回归系数矩阵;
步骤7:根据传感器节点所在组的组头和执行器节点的位置坐标以及执行器节点接收传感器节点组组头的hello消息信号强度,选择信号最强的执行器节点为传感器节点所在组组头的所属执行器节点;
所述hello消息信号强度的判断公式如下:
其中,Prev为接收功率,Psend为发送功率,GT为发射天线增益,GR为接收天线增益,μ为无线电波长,d为发射天线和接收天线的距离,α为路径损耗模型的参数;
步骤8:所属执行器节点根据接收到的数据信号判断传感器节点和组头是否发生改变,若是,则继续步骤9,若否,则组头继续接收所在组内所有传感器节点的回归系数,根据接收到的回归系数构建组内的回归系数矩阵并打包发送给执行器单元;
步骤9:执行器单元对分布式网络模型的参数进行实时更新,并对对应的传感器节点和组头下发控制指令,然后将接收的数据和操作行为信息传给网络单元,具体包括以下步骤:
步骤9.1:根据基函数矩阵M构建采样时间段l1~lL-1内的基函数数量矩阵A和投影向量z;
步骤9.2:根据采样时间段lL的基函数Bj(lL)及传感器节点采集到的数据值,得到基函数数量矩阵A和投影向量z的增量;
步骤9.3:更新分布式网络模型的参数,令更新后的基函数数量矩阵A和投影向量z分别为原值与对应增量的和;
步骤9.4:执行器节点对对应的传感器节点和组头下发控制指令,并将接收的数据和操作行为信息传给网络单元;
步骤10:网络单元接收数据后,通过GPRS无线方式或者Internet有线方式传送给监控单元,监控单元对接收到的数据进行存储、处理和分析,实时监控复杂管网的工况;
步骤11:x分钟后,判断传感器节点是否为第一次分组,若是,则返回步骤6,若否,则对传感器节点的所在组进行实时动态更新后返回步骤6;
所述对传感器节点的所在组进行实时动态更新的步骤如下:
步骤S1:实时更新各个传感器节点之间的交互信息;
步骤S2:x分钟后,在现有传感器节点分配的基础上,记录当前每个传感器节点的所在组;
步骤S3:判断传感器节点u的虚节点剩余能量是否大于其所有邻居节点对应的虚节点剩余能量,若是,则确立节点u为“第一组头”,其备选伙伴作为“第二组头”,若否,则判断下一个传感器节点;
步骤S4:“第一组头”和“第二组头”将组头信息通过第一无线收发模块发给各自的邻居节点和执行器节点,收到消息的邻居节点即为对应传感器组的组成员;
步骤S5:对于未分组的节点,重复步骤S.3和步骤S.4,直到确定所有节点的所在组;
步骤S6:计算传感器节点组组成员节点的收益值,并寻找收益更高的组成为其组成员;
所述计算传感器节点组组成员节点的收益值的公式如下:
其中,为传感器节点组组头节点的剩余能量之和,Nhost_s为组s的组头个数,Ns为组s的节点总数,Ps(Ns)为价格函数,为传感器节点组间通信的平均链路能耗,Rintra为单位时间内单个传感器节点组成员节点触发的组间通信量,为传感器节点组内通信的平均链路能耗,Rinter为单位时间内单个组成员节点触发的传感器节点组内的通信量;
步骤S7:计算传感器节点所在组内的平均收益;
所述计算传感器节点所在组内的平均收益的公式如下:
步骤S8:判断传感器节点的收益是否小于所在传感器节点组的平均收益,若是,则随机选择高于该收益的平均收益所在的传感器节点组作为该组的组成员节点,若否,则判断下一个传感器节点的收益,直到满足所有传感器节点的收益均小于于所在传感器节点组的平均收益为止。
本发明的有益效果:
本发明提出一种基于WSAN的复杂管网分布式数据采集系统及传输优化方法,解决了风功率的不确定性,降低由于风电随机性导致的上报预测误差,提高风功率预测的准确性,使电力系统更平稳经济调度。
附图说明
图1为本发明实施例中基于WSAN的复杂管网分布式数据采集系统的结构示意图;
图2为本发明实施例中基于WSAN的复杂管网分布式数据采集系统的逻辑结构示意图;
图3为本发明实施例中基于WSAN的复杂管网分布式数据采集系统中感知单元每个传感器节点的结构示意图;
图4为本发明实施例中基于WSAN的复杂管网分布式数据采集系统中执行器单元每个执行器节点的结构示意图;
图5为本发明实施例中基于WSAN的复杂管网分布式数据采集系统中网络单元的结构示意图;
图6为本发明实施例中采用基于WSAN的复杂管网分布式数据采集系统进行数据传输优化方法的流程图;
图7为本发明实施例中采用基于WSAN的复杂管网分布式数据采集系统进行数据传输优化的方法中压力数据回归预测曲线图;
图8为本发明实施例中采用基于WSAN的复杂管网分布式数据采集系统进行数据传输优化方法中节点动态演化过程图。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种基于WSAN的复杂管网分布式数据采集系统,结构如图1所示,逻辑结构如图2所示,包括感知单元、执行器单元、网络单元和监控单元。
所述感知单元,由多个传感器节点组组成,用于将监测到的信息数据通过执行器单元和网络单元传送给监控单元进行处理并分析,实时监测复杂管网的各种工况。
本实施例中,所述传感器节点组由有限个传感器节点组成,每个传感器节点,如图3所示,包括压力传感器、流量传感器、数据采集模块、第一电源模块、第一无线收发模块、GPS模块和第一处理器模块;所述压力和流量传感器,用于采集复杂管网的压力、流量信号;所述数据采集模块,包括信号调理电路、模数转换器,用于接收压力和流量传感器采集到的压力、流量信号,并对信号的放大、滤波和模数转换功能;所述第一电源模块,采用独立电源,用于为传感器节点供电;所述第一无线收发模块,采用ZigBee协议通信,完成无线网络的组建,用于接收执行器单元的指令和向传感器节点组组头发送采集到的数据和位置、时间信息;所述GPS模块,用于对传感器节点进行定位和校时;所述第一处理器模块,用于控制整个传感器节点的工作。
本实施例中,压力传感器采用罗斯蒙特3051s压力变送器,其主要技术参数如下:
(1)压力变送器的测量压力范围为0~8MPa;
(2)信号分辨率0.015%,准确度+0.075%,更新速率50Hz;
(3)输出信号为4~20mADC(二线制),带负载能力不小于700Ω,供电电源为24VDC;
(4)具有承受最大量程的1.5倍的过载能力;
(5)环境温度每变化50°F(28℃)的影响优于:±(0.025%量程上限+0.125%量程);
(6)静压每变化1000psi(6.9MPa)的影响优于:±0.1%量程上限。
流量传感器采用FR55涡轮流量计,其主要技术参数如下:
(1)流量计最大响应时间为50ms;
(2)被测物温度范围:-40~120℃,流量范围随管道大小而异;
(3)耐压等级:PN10~PN63;
(4)供电电源为DC12V~30V,1A快速熔断保险;
(5)输出信号为4~20mADC(二线制);
(6)超过正常工作温度范围存在±0.25%测量值的误差。
如图3所示,压力、流量传感器的输出端连接感知单元的数据采集模块,通过无线将数据发给对应组头;组头再将数据发给执行器单元,执行器单元将数据上传给网络单元,同时向感知单元下发控制指令;网络单元通过ZigBee协调器接收到信息后对其进行存储,然后通过GPRS或以太网将数据传给监控单元,实现监控管网工况。
所述执行器单元,由与传感器节点组个数相同的执行器节点组成,用于将接收的数据进行存储并分析,生成操作命令并执行后,确定各个节点组的组头和各个节点的工作状态,同时将数据和操作行为发送给网络单元。
本实施例中,所述执行器节点,如图4所示,包括第二无线收发模块、第二电源模块和中央控制模块;所述第二无线收发模块,用于接收传感器节点组组头的数据信息,并将中央控制模块生成的数据和操作行为发送给网络单元;所述第二电源模块,采用独立电源,用于为执行器单元供电;所述中央控制模块,包括命令执行单元、数模转换器、第二处理器和控制器,用于将执行器单元接收到的数据进行存储并分析,然后由控制器做出决策,生成相应的操作命令,控制命令执行单元进行相应操作完成初始化和数据计算,最后将生成的数据和操作行为传递给第二无线收发模块。
所述网络单元,即汇聚节点,用于接收执行器单元的数据,再将接收到的数据存储起来并发送给监控单元。
本实施例中,所述网络单元,如图5所示,包括ZigBee协调器、微控制器、存储模块、第三电源模块以及GPRS和Internet模块;所述ZigBee协调器,通过串口连接微控制器,用于接收执行器单元发送的数据和操作行为,并通过微控制器存储到存储模块;所述存储模块,用于存储接收到的执行器单元发送的数据和操作行为;所述第三电源模块,采用不间断电源,用于为网络单元供电;所述GPRS和Internet模块,用于将网络单元接收到的数据信息通过无线或有线的方式发送给监控单元。
本实施例中,网络单元的技术指标要求如下:
(1)采样频率范围:0-5KHz;
(2)驱动信号:3.3V及5V;
(3)采样信号的通道数:至少4路(2路压力、2路流量);
(4)采样精度:大于等于0.001;
(5)通信方式:ZigBee、GPRS以及以太网通信;
(6)供电方式:24V直流供电。
本实施例中,对压力信号采样频率选取为1000Hz,对流量信号的采样频率为50Hz。
所述监控单元,包括服务器和上位机,用于接收并存储网络单元发送的数据信号,再将数据信号进行分析与处理,达到实时监测复杂管网现场工况的目的。
本实施例中,所述服务器,用于接收并存储网络单元发送的数据信号,并将数据存储到数据库;所述上位机,用于对服务器接收到的数据信号进行分析与处理,达到实时监测复杂管网现场工况的目的,包括压力与流量数据存储模块,数据处理模块、管道工况监测模块;所述压力与流量数据存储模块,用于接收并解析网络单元传送的压力及流量数据,将各个传感器节点的压力、流量数据、时间和位置坐标数据以4维矩阵形式按照GPS时间顺序进行存储;所述数据处理模块,用于从压力与流量数据存储模块中获取数据并进行处理与计算;所述管道工况监测模块,用于利用压力及流量的实时数据,根据压力与流量数据存储模块和数据处理模块的数据处理与计算结果判断管道的实际工作情况。
采用基于WSAN的复杂管网分布式数据采集系统进行数据传输优化的方法,流程如图6所示,具体包括以下步骤:
步骤1:确定汇聚节点、执行器节点和传感器节点的位置坐标,通过自组织方式形成网络。
本实施例中,自组织方式采用动态局部集中式。
步骤2:对所有传感器节点、执行器节点进行初始化并配置参数,设置传感器节点的数据传输方式,求解分布式网络模型的回归系数向量,具体步骤如下:
步骤2.1:设置所有传感器节点的存储数据格式为(ti,yi),其中,ti为传感器节点在采样时间内采集第i个数据时的时刻,yi为ti时刻采集到的数据值,i=1,...,m,m为采用时间内采集到的数据量。
步骤2.2:设置各个传感器节点之间的数据传输方式并交互信息;所述交互消息包括传感器节点ID、传感器节点所在组ID、传感器节点剩余能量、采样的数据信息、邻居表和虚节点剩余能量。
所述虚节点剩余能量为传感器节点集合的平均剩余能量(Ru+Rv_k-1+…+Rv_1)/k,其中,R为各传感器节点剩余能量,k为传感器节点所在组的备选组头个数;所述虚节点为传感器节点u与其在邻居表中选择剩余能量最高的k-1个邻居节点构成的备选伙伴{vk-1,vk-2,…,v1}组成的节点集。
步骤2.3:构建分布式网络模型Y(t)。
所述分布式网络模型Y(t)的公式如公式(1)所示:
其中,n为分布式网络模型的和项个数,且满足n≤m,λj为第j个回归系数,Bj(lI)为设置的传感器节点在分布式网络模型第I段采样时间第j项的基函数。
步骤2.4:根据设置的每个传感器节点在分布式网络模型第I段采样时间第j项的基函数Bj(lI)构建基函数矩阵M。
本实施例中,基函数矩阵M如公式(2)所示:
则,构造分布式网络模型Y(t)的L维向量Y如公式(3)所示:
步骤2.5:设定逼近误差向量δ的范数最小作为优化目标,根据基函数矩阵M和采集到数据值的m维向量y=(y1,...,yi,…ym)T,计算回归系数的n维向量λ=(λ1,...,λj,…λn)T,并通过第一无线收发模块发送给传感器节点所在组的组头。
本实施例中,逼近误差向量δ的公式如公式(4)所示:
δ=Mλ-y (4)
则,优化目标如公式(5)所示:
其中,Mij为基函数矩阵M中第i行第j列的元素。
对公式(5)中的λi进行微分并令结果等于0,经过公式推导化简之后,得到求解分布式网络模型的回归系数向量λ的公式如公式(6)所示:
λ=(MTM)-1MTy (6)
在本实施例中,取m=50,即选取压力传感器节点最近采集的50个压力值,取n=10,设置每个传感器节点在分布式网络模型第I段采样时间第j项的基函数为:Bj(lI)=lI j -1,因此模型构建成功后,传感器节点只需要传输10个参数值对应系数向量即λ=(λ1,λ2,λ3,λ4,λ5,λ6,λ7,λ8,λ9,λ10),根据所求模型得出回归预测结果,从而得到压力值回归预测曲线,如图7所示。
步骤3:将执行器节点均匀分布在监测区域,令执行器节点的通信半径覆盖传感器节点的全部区域。
步骤4:根据各个传感器节点所在组ID判断传感器节点是否已分组,若是,则继续步骤11,若否,则继续步骤5。
步骤5:确定传感器节点组的初始组头和组员,具体步骤如下:
步骤5.1:采用改进的LEACH协议,计算第f个传感器节点的阈值Tf。
所述计算第f个传感器节点的阈值Tf的公式如公式(7)所示:
其中,p为第f个传感器节点所在组的组头占全网总节点数的比例,H为监测区域的传感器节点集合,Es为第f个传感器节点的剩余能量,E0为第f个传感器节点的初始能量,ds为第f个传感器节点所在组的组头到汇聚节点的欧式距离,d0为通信距离阈值,mod(*)为求余函数。
步骤5.2:根据执行器节点的个数K确定传感器节点组的组头的个数,同时每个传感器节点对应产生一个0~1之间的随机数。
步骤5.3:判断第f个传感器节点产生的随机数是否小于对应阈值Tf,若是,则令该传感器节点为所在组的备选组头,若否,则选择最接近阈值的传感器节点作为所在组的组头,构成传感器组头集。
步骤5.4:依次计算各个传感器节点到传感器组头集中每个组头节点的距离,将该传感器节点归入到与其距离最小值对应的组头节点所在组中,得到首次各个传感器组的节点成员。
步骤6:传感器节点组内的传感器节点通过压力和流量传感器采集压力和流量数据信号,输入到分布式网络模型中得到回归系数向量,并将回归系数向量以数据包的形式上传给传感器节点所在组的组头,构建回归系数矩阵。
步骤7:根据传感器节点所在组的组头和执行器节点的位置坐标以及执行器节点接收传感器节点组组头的hello消息信号强度,选择信号最强的执行器节点为传感器节点所在组组头的所属执行器节点。
所述hello消息信号强度的判断公式如公式(8)所示:
其中,Prev为接收功率,Psend为发送功率,GT为发射天线增益,GR为接收天线增益,μ为无线电波长,d为发射天线和接收天线的距离,α为路径损耗模型的参数。
在本实施例中,设置路径损耗模型参数α=2,发送功率Psend=2.0mW,发射、接收天线增益均取1,无线电传播频率为2.4E+9Hz,距离d根据节点坐标得到。
步骤8:所属执行器节点根据接收到的数据信号判断传感器节点和组头是否发生改变,若是,则继续步骤9,若否,则组头继续接收所在组内所有传感器节点的回归系数,根据接收到的回归系数构建组内的回归系数矩阵并打包发送给执行器单元。
步骤9:执行器单元对分布式网络模型的参数进行实时更新,并对对应的传感器节点和组头下发控制指令,然后将接收的数据和操作行为信息传给网络单元,具体包括以下步骤:
步骤9.1:根据基函数矩阵M构建采样时间段l1~lL-1内的基函数数量矩阵A和投影向量z。
步骤9.2:根据采样时间段lL的基函数Bj(lL)及传感器节点采集到的数据值,得到基函数数量矩阵A和投影向量z的增量。
本实施例中,对于在采样时间段lL内基函数数量矩阵A的增量A(lL)和投影向量z的增量z(lL)如公式(9)和公式(10)所示:
步骤9.3:更新分布式网络模型的参数,令更新后的基函数数量矩阵A和投影向量z分别为原值与对应增量的和。
步骤9.4:执行器节点对对应的传感器节点和组头下发控制指令,并将接收的数据和操作行为信息传给网络单元。
步骤10:网络单元接收数据后,通过GPRS无线方式或者Intemet有线方式传送给监控单元,监控单元对接收到的数据进行存储、处理和分析,实时监控复杂管网的工况。
步骤11:x分钟后,判断传感器节点是否为第一次分组,若是,则返回步骤6,若否,则对传感器节点的所在组进行实时动态更新后返回步骤6。
所述对传感器节点的所在组进行实时动态更新的步骤如下:
步骤S1:实时更新各个传感器节点之间的交互信息。
步骤S2:x分钟后,在现有传感器节点分配的基础上,记录当前每个传感器节点的所在组:
步骤S3:判断传感器节点u的虚节点剩余能量是否大于其所有邻居节点对应的虚节点剩余能量,若是,则确立节点u为“第一组头”,其备选伙伴作为“第二组头”,若否,则判断下一个传感器节点。
步骤S4:“第一组头”和“第二组头”将组头信息通过第一无线收发模块发给各自的邻居节点和执行器节点,收到消息的邻居节点即为对应传感器组的组成员。
步骤S5:对于未分组的节点,重复步骤S.3和步骤S.4,直到确定所有节点的所在组。
步骤S6:计算传感器节点组组成员节点的收益值,并寻找收益更高的组成为其组成员。
所述计算传感器节点组组成员节点的收益值的公式如公式(11)所示:
其中,为传感器节点组组头节点的剩余能量之和,为组s的组头个数,Ns为组s的节点总数,Ps(Ns)为价格函数,为传感器节点组间通信的平均链路能耗,Rintra为单位时间内单个传感器节点组成员节点触发的组间通信量,为传感器节点组内通信的平均链路能耗,Rinter为单位时间内单个组成员节点触发的传感器节点组内的通信量。
步骤S7:计算传感器节点所在组内的平均收益。
所述计算传感器节点所在组内的平均收益的公式如公式(12)所示:
步骤S8:判断传感器节点的收益是否小于所在传感器节点组的平均收益,若是,则随机选择高于该收益的平均收益所在的传感器节点组作为该组的组成员节点,若否,则判断下一个传感器节点的收益,直到满足所有传感器节点的收益均小于于所在传感器节点组的平均收益为止。
本实施例中,设定为60.7dB,设定为55.1dB,为方便计算设定需要动态演化的一共3个组,的组头个数均为3个,即C1、C2和C3,3个组内节点数分别为5、10、5,其他区域内节点只可与一个组头通信,不参与动态演化,成员节点演化过程如图8所示,坐标轴x、y和z分别表示属于组头C1、C2和C3的传感器节点个数,即各成员节点采取的策略。
根据上述方法,实现传感器节点动态优化调度,并减少了传感器节点的通信量,减少组头和执行器的工作负担,在很大程度上解决了能量空洞问题,并且实现了节约能耗,并实现在监控单元对复杂管网运行工况的实时监控。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;因而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (5)
1.一种基于WSAN的复杂管网分布式数据采集系统进行数据传输优化的方法,其特征在于,所述的基于WSAN的复杂管网分布式数据采集系统,包括感知单元、执行器单元、网络单元和监控单元;
所述感知单元,由多个传感器节点组组成,用于将监测到的信息数据通过执行器单元和网络单元传送给监控单元进行处理并分析,实时监测复杂管网的各种工况;
所述传感器节点组由有限个传感器节点组成,每个传感器节点包括压力传感器、流量传感器、数据采集模块、第一电源模块、第一无线收发模块、GPS模块和第一处理器模块;所述压力和流量传感器,用于采集复杂管网的压力、流量信号;所述数据采集模块,包括信号调理电路、模数转换器,用于接收压力和流量传感器采集到的压力、流量信号,并对信号的放大、滤波和模数转换功能;所述第一电源模块,采用独立电源,用于为传感器节点供电;所述第一无线收发模块,采用ZigBee协议通信,完成无线网络的组建,用于接收执行器单元的指令和向传感器节点组组头发送采集到的数据和位置、时间信息;所述GPS模块,用于对传感器节点进行定位和校时;所述第一处理器模块,用于控制整个传感器节点的工作;
所述执行器单元,由与传感器节点组个数相同的执行器节点组成,用于将接收的数据进行存储并分析,生成操作命令并执行后,确定各个节点组的组头和各个节点的工作状态,同时将数据和操作行为发送给网络单元;
所述执行器节点包括第二无线收发模块、第二电源模块和中央控制模块;所述第二无线收发模块,用于接收传感器节点组组头的数据信息,并将中央控制模块生成的数据和操作行为发送给网络单元;所述第二电源模块,采用独立电源,用于为执行器单元供电;所述中央控制模块,包括命令执行单元、数模转换器、第二处理器和控制器,用于将执行器单元接收到的数据进行存储并分析,然后由控制器做出决策,生成相应的操作命令,控制命令执行单元进行相应操作完成初始化和数据计算,最后将生成的数据和操作行为传递给第二无线收发模块;
所述网络单元,即汇聚节点,用于接收执行器单元的数据,再将接收到的数据存储起来并发送给监控单元;
所述网络单元包括ZigBee协调器、微控制器、存储模块、第三电源模块以及GPRS和Internet模块;所述ZigBee协调器,通过串口连接微控制器,用于接收执行器单元发送的数据和操作行为,并通过微控制器存储到存储模块;所述存储模块,用于存储接收到的执行器单元发送的数据和操作行为;所述第三电源模块,采用不间断电源,用于为网络单元供电;所述GPRS和Internet模块,用于将网络单元接收到的数据信息通过无线或有线的方式发送给监控单元;
所述监控单元,包括服务器和上位机,用于接收并存储网络单元发送的数据信号,再将数据信号进行分析与处理,达到实时监测复杂管网现场工况的目的;
所述服务器,用于接收并存储网络单元发送的数据信号,并将数据存储到数据库;所述上位机,用于对服务器接收到的数据信号进行分析与处理,达到实时监测复杂管网现场工况的目的,包括压力与流量数据存储模块,数据处理模块、管道工况监测模块;所述压力与流量数据存储模块,用于接收并解析网络单元传送的压力及流量数据,将各个传感器节点的压力、流量数据、时间和位置坐标数据以4维矩阵形式按照GPS时间顺序进行存储;所述数据处理模块,用于从压力与流量数据存储模块中获取数据并进行处理与计算;所述管道工况监测模块,用于利用压力及流量的实时数据,根据压力与流量数据存储模块和数据处理模块的数据处理与计算结果判断管道的实际工作情况;
包括以下步骤:
步骤1:确定汇聚节点、执行器节点和传感器节点的位置坐标,通过自组织方式形成网络;
步骤2:对所有传感器节点、执行器节点进行初始化并配置参数,设置传感器节点的数据传输方式,求解分布式网络模型的回归系数向量;
步骤3:将执行器节点均匀分布在监测区域,令执行器节点的通信半径覆盖传感器节点的全部区域;
步骤4:根据各个传感器节点所在组ID判断传感器节点是否已分组,若是,则继续步骤11,若否,则继续步骤5;
步骤5:确定传感器节点组的初始组头和组员;
步骤6:传感器节点组内的传感器节点通过压力和流量传感器采集压力和流量数据信号,输入到分布式网络模型中得到回归系数向量,并将回归系数向量以数据包的形式上传给传感器节点所在组的组头,构建回归系数矩阵;
步骤7:根据传感器节点所在组的组头和执行器节点的位置坐标以及执行器节点接收传感器节点组组头的hello消息信号强度,选择信号最强的执行器节点为传感器节点所在组组头的所属执行器节点;
所述hello消息信号强度的判断公式如下:
其中,Prev是接收功率,Psend是发送功率,GT是发射天线增益,GR是接收天线增益,μ为无线电波长,d为发射天线和接收天线的距离,α为路径损耗模型的参数;
步骤8:所属执行器节点根据接收到的数据信号判断传感器节点和组头是否发生改变,若是,则继续步骤9,若否,则组头继续接收所在组内所有传感器节点的回归系数,根据接收到的回归系数构建组内的回归系数矩阵并打包发送给执行器单元;
步骤9:执行器单元对分布式网络模型的参数进行实时更新,并对对应的传感器节点和组头下发控制指令,然后将接收的数据和操作行为信息传给网络单元;
步骤10:网络单元接收数据后,通过GPRS无线方式或者Intemet有线方式传送给监控单元,监控单元对接收到的数据进行存储、处理和分析,实时监控复杂管网的工况;
步骤11:x分钟后,判断传感器节点是否为第一次分组,若是,则返回步骤6,若否,则对传感器节点的所在组进行实时动态更新后返回步骤6。
2.根据权利要求1所述的数据传输优化的方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1:设置所有传感器节点的存储数据格式为(ti,yi),其中,ti为传感器节点在采样时间内采集第i个数据时的时刻,yi为ti时刻采集到的数据值,i=1,...,m,m为采样时间内采集到的数据量;
步骤2.2:设置各个传感器节点之间的数据传输方式并交互信息;所述信息 包括传感器节点ID、传感器节点所在组ID、传感器节点剩余能量、采样的数据信息、邻居表和虚节点剩余能量;
所述虚节点剩余能量为传感器节点集合的平均剩余能量(Ru+Rv_k-1+…+Rv_1)/k,其中,R为各传感器节点剩余能量,k为传感器节点所在组的备选组头个数;所述虚节点为传感器节点u与其在邻居表中选择剩余能量最高的k-1个邻居节点构成的备选伙伴{vk-1,vk-2,…,v1}组成的节点集;
步骤2.3:构建分布式网络模型Y(t);
步骤2.4:根据设置的每个传感器节点在分布式网络模型第I段采样时间第j项的基函数Bj(lI)构建基函数矩阵M;
步骤2.5:设定逼近误差向量δ的范数最小作为优化目标,根据基函数矩阵M和采集到数据值的m维向量y=(y1,y2,…ym)T,计算回归系数的n维向量λ=(λ1,λ2,…λn)T,并通过第一无线收发模块发送给传感器节点所在组的组头。
3.根据权利要求1所述的数据传输优化的方法,其特征在于,所述步骤5包括以下步骤:
步骤5.1:采用改进的LEACH协议,计算第f个传感器节点的阈值Tf;
所述计算第f个传感器节点的阈值Tf的公式如下:
其中,p为第f个传感器节点所在组的组头占全网总节点数的比例,H为监测区域传感器节点集合;Es为第f个传感器节点的剩余能量,E0为第f个传感器节点的初始能量,ds为第f个传感器节点所在组的组头到汇聚节点的欧式距离,d0为通信距离阈值,mod(*)为求余函数;
步骤5.2:根据执行器节点的个数K确定传感器节点组的组头的个数,同时每个传感器节点对应产生一个0~1之间的随机数;
步骤5.3:判断第f个传感器节点产生的随机数是否小于对应阈值Tf,若是,则令该传感器节点为所在组的备选组头,若否,则选择最接近阈值的传感器节点作为所在组的组头,构成传感器组头集;
步骤5.4:依次计算各个传感器节点到传感器组头集中每个组头节点的距离,将该传感器节点归入到与其距离最小值对应的组头节点所在组中,得到首次各个传感器组的节点成员。
4.根据权利要求1所述的数据传输优化的方法,其特征在于,所述步骤9包括如下步骤:
步骤9.1:根据基函数矩阵M构建采样时间段l1~lL-1内的基函数数量矩阵A和投影向量z;
步骤9.2:根据采样时间段lL的基函数Bj(lL)及传感器节点采集到的数据值,得到基函数数量矩阵A和投影向量z的增量;
步骤9.3:更新分布式网络模型的参数,令更新后的基函数数量矩阵A和投影向量z分别为原值与对应增量的和;
步骤9.4:执行器节点对对应的传感器节点和组头下发控制指令,并将接收的数据和操作行为信息传给网络单元。
5.根据权利要求1或2所述的数据传输优化的方法,其特征在于,所述步骤11中对传感器节点的所在组进行实时动态更新的步骤如下:
步骤S1:实时更新各个传感器节点之间的交互信息;
步骤S2:x分钟后,在现有传感器节点分配的基础上,记录当前每个传感器节点的所在组;
步骤S3:判断传感器节点u的虚节点剩余能量是否大于其所有邻居节点对应的虚节点剩余能量,若是,则确立节点u为“第一组头”,其备选伙伴作为“第二组头”,若否,则判断下一个传感器节点;
步骤S4:“第一组头”和“第二组头”将组头信息通过第一无线收发模块发给各自的邻居节点和执行器节点,收到消息的邻居节点即为对应传感器组的组成员;
步骤S5:对于未分组的节点,重复步骤S3和步骤S4,直到确定所有节点的所在组;
步骤S6:计算传感器节点组组成员节点的收益值,并寻找收益更高的组成为其组成员;
所述计算传感器节点组组成员节点的收益值的公式如下:
其中,为传感器节点组组头节点的剩余能量之和,为组s的组头个数,Ns为组s的节点总数,Ps(Ns)为价格函数,为传感器节点组间通信的平均链路能耗,Rintra为单位时间内单个传感器节点组成员节点触发的组间通信量,为传感器节点组内通信的平均链路能耗,Rinter为单位时间内单个组成员节点触发的传感器节点组内的通信量;
步骤S7:计算传感器节点所在组内的平均收益;
所述计算传感器节点所在组内的平均收益的公式如下:
步骤S8:判断传感器节点的收益是否小于所在传感器节点组的平均收益,若是,则随机选择高于该收益的平均收益所在的传感器节点组作为该组的组成员节点,若否,则判断下一个传感器节点的收益,直到满足所有传感器节点的收益均小于于所在传感器节点组的平均收益为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910026757.0A CN109688598B (zh) | 2019-01-11 | 2019-01-11 | 基于wsan的复杂管网分布式数据采集系统及传输优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910026757.0A CN109688598B (zh) | 2019-01-11 | 2019-01-11 | 基于wsan的复杂管网分布式数据采集系统及传输优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109688598A CN109688598A (zh) | 2019-04-26 |
CN109688598B true CN109688598B (zh) | 2021-07-13 |
Family
ID=66193201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910026757.0A Expired - Fee Related CN109688598B (zh) | 2019-01-11 | 2019-01-11 | 基于wsan的复杂管网分布式数据采集系统及传输优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109688598B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052220A (zh) * | 2021-03-16 | 2021-06-29 | 洛阳城市建设勘察设计院有限公司郑州工程分公司 | 直埋供热管道研究用密封性强度检测系统、终端、介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103596191A (zh) * | 2012-08-16 | 2014-02-19 | 中国科学院计算技术研究所 | 一种无线传感器网络智能配置系统及其方法 |
CN205142531U (zh) * | 2015-09-06 | 2016-04-06 | 吉林大学 | 基于ZigBee无线传感器网络的供水管道监测系统 |
CN206178363U (zh) * | 2016-09-09 | 2017-05-17 | 中国地质大学(武汉) | 一种基于ZigBee的漏水检测家居控制系统 |
CN107071053A (zh) * | 2017-05-18 | 2017-08-18 | 河海大学常州校区 | 一种基于wsan的道路积水监控系统 |
CN107484220A (zh) * | 2017-08-28 | 2017-12-15 | 西安电子科技大学 | 一种无线传感器和执行器网络的可靠高效路由方法 |
US10165531B1 (en) * | 2015-12-17 | 2018-12-25 | Spearlx Technologies, Inc. | Transmission and reception of signals in a time synchronized wireless sensor actuator network |
-
2019
- 2019-01-11 CN CN201910026757.0A patent/CN109688598B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103596191A (zh) * | 2012-08-16 | 2014-02-19 | 中国科学院计算技术研究所 | 一种无线传感器网络智能配置系统及其方法 |
CN205142531U (zh) * | 2015-09-06 | 2016-04-06 | 吉林大学 | 基于ZigBee无线传感器网络的供水管道监测系统 |
US10165531B1 (en) * | 2015-12-17 | 2018-12-25 | Spearlx Technologies, Inc. | Transmission and reception of signals in a time synchronized wireless sensor actuator network |
CN206178363U (zh) * | 2016-09-09 | 2017-05-17 | 中国地质大学(武汉) | 一种基于ZigBee的漏水检测家居控制系统 |
CN107071053A (zh) * | 2017-05-18 | 2017-08-18 | 河海大学常州校区 | 一种基于wsan的道路积水监控系统 |
CN107484220A (zh) * | 2017-08-28 | 2017-12-15 | 西安电子科技大学 | 一种无线传感器和执行器网络的可靠高效路由方法 |
Non-Patent Citations (2)
Title |
---|
A novel wireless sensor and actor network framework for autonomous monitoring and maintenance of lifeline infrastructures;Muhammad Imran et.al;《2012 IEEE International Conference on Communications (ICC)》;20121129;正文第I-III节,图1 * |
面向无线传感器网络的分布式数据收集关键技术;宋欣;《中国博士学位论文全文数据库 信息科技辑》;20150715;正文第1章,图1.1 * |
Also Published As
Publication number | Publication date |
---|---|
CN109688598A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elhabyan et al. | Coverage protocols for wireless sensor networks: Review and future directions | |
JP6498818B2 (ja) | 通信ネットワークで消費されるエネルギーを最適化する通信システム、アクセスネットワークノードおよび方法 | |
Chandirasekaran et al. | Cat swarm algorithm in wireless sensor networks for optimized cluster head selection: a real time approach | |
JP6266773B2 (ja) | 全体的なエネルギー消費を最小化するための最適なデューティサイクルを決定する通信システムおよび方法 | |
Luo et al. | Optimal energy strategy for node selection and data relay in WSN-based IoT | |
CN107911242A (zh) | 一种基于工业无线网络的认知无线电与边缘计算方法 | |
Bagwari et al. | An Enhanced Energy Optimization Model for Industrial Wireless Sensor Networks Using Machine Learning | |
CN108055683B (zh) | 一种水下无线传感器网络均衡能耗并保持覆盖的方法 | |
Putra et al. | Energy efficient-based sensor data prediction using deep concatenate mlp | |
CN103052128A (zh) | 一种基于无线传感器网络能量有效的协同调度方法 | |
CN109688598B (zh) | 基于wsan的复杂管网分布式数据采集系统及传输优化方法 | |
Hribar et al. | Energy-aware deep reinforcement learning scheduling for sensors correlated in time and space | |
CN108235347A (zh) | 一种无线传感器网络能耗控制方法 | |
Farahani | Energy Consumption Reduction in Wireless Sensor Network Based on Clustering | |
CN116867025A (zh) | 无线传感器网络中传感器节点分簇方法及装置 | |
Bamasaq et al. | Distance Matrix and Markov Chain Based Sensor Localization in WSN. | |
Raghunandan et al. | Hierarchical agglomerative clustering based routing algorithm for overall efficiency of wireless sensor network | |
Kay et al. | An expedient wireless sensor automaton with system scalability and efficiency benefits | |
CN115510635A (zh) | 空间环境监测方法、装置、设备和计算机可读存储介质 | |
Yuvaraja et al. | Lifetime enhancement of WSN using energy-balanced distributed clustering algorithm with honey bee optimization | |
Jrhilifa et al. | Smart home’s wireless sensor networks lifetime optimizing using Q-learning | |
Lu et al. | Nonuniform Clustering of Wireless Sensor Network Node Positioning Anomaly Detection and Calibration | |
Guo | Low-latency and high-concurrency 5G wireless sensor network assists innovation in ideological and political education in colleges and universities | |
Nimbalkar | Use of neural network in wsns: A survey | |
CN114040416B (zh) | 一种基于时效性的海面覆盖空洞修复分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210713 |
|
CF01 | Termination of patent right due to non-payment of annual fee |