自適應卡爾曼在延長土壤墑情監測節點壽命中的研究*

梁西銀，鐘　偉，祁　磊（西北師范大學物理與電子工程學院，蘭州730070）

?

自適應卡爾曼在延長土壤墑情監測節點壽命中的研究*

梁西銀*，鐘偉，祁磊
（西北師范大學物理與電子工程學院，蘭州730070）

摘要：土壤墑情的WSNs監測節點由于工作環境的制約，一般采用一次性的干電池供電，節點的電源供應受到約束。針對節點使用壽命短的問題，方法提出了一種網絡傳輸效用和使用壽命的折衷優化方法。通過卡爾曼濾波器對數據進行狀態預測和穩定識別，在保證數據傳輸效用的同時，降低單個節點的數據發送次數和頻率，進而延長節點的使用壽命。通過實驗從平均發送頻率和均方誤差兩個方面對方法進行評價，結果表明，方法在保證傳輸效用的同時，能自適應地動態降低發送次數和頻率，經過測試和計算，每減少收發一次能延長休眠時間19 927.3 ms，延長監聽時間為17.3 ms，取得良好效果，方法在延長農業土壤墑情的監測時間方面提供了一定參考。

關鍵詞：無線傳感器網絡；土壤墑情；卡爾曼濾波；降低功耗

項目來源：甘肅省科技支撐計劃項目（1304GKCA024）

土壤墑情，是用來描述土壤含水量狀況的物理量［1］。水分是土壤肥力的重要組成部分，實際含水量的多少表征著土壤適宜農作物生長發育的程度，因此往往需要對土壤墑情進行實時的不間斷的監測，作為防洪、抗旱、播種等決策的重要指標［2］。由于工作環境和成本等因素的影響，土壤墑情監測多采用無線傳感器網絡（WSNs）和干電池供電作為監測方案，監測時限受到監測節點使用壽命的制約。

無線傳感器網絡（WSNs）是集信息采集、傳輸和處理技術于一體的分布式網絡信息系統，應用前景非常廣泛［3］。由于工作環境和成本等因素的影響，多采用干電池供電作為供電方案，無線傳感器網絡節點使用壽命受到制約［4］，如何降低WSNs節點的功耗成為研究和設計無線傳感器網絡的核心問題［5-6］，這方面的改善對節點使用壽命的延長和性能的優化有著重要的意義，進而提高土壤墑情的監測時間。目前有關WSNs節點降低功耗方面的研究成效主要集中在兩個方面：一方面在硬件上提高電源的供應量，這方面的研究主要集中在采用太陽能充電技術上，如胡奇勛等提到的使用太陽能充電技術為檢測節點供電［7］，而這樣會增加額外的硬件成本；另一方面主要在軟件算法設計上的優化設計達到降低功耗的效果，這方面研究主要集中在傳感器協同，拓撲控制、傳輸協議、減少通信沖突、降低旁聽、減少由于網絡堵塞和數據擁堵造成的不必要能量消耗和工作模式切換等方面［8- 13］，如Paulo Sergio Sausen等提出在通過監測外部事件采用不同的電源管理模式，當事件不是系統感興趣的事件時，系統處于休眠狀態，否則系統轉換為工作狀態［14］，這種方法在模式轉換不頻繁的時候非常有效，但當隨著轉換頻率的提高，轉換過程中造成的能量消耗和系統遲延問題就凸顯了出來。以上研究大多是集中在整個無線傳感網絡的通信機制和路由算法上的研究，由于研究時多采用封裝好的成品，很難對單個節點的結構進行修改，利用算法在單個節點上減少通信量的應用研究還相對較少，方法在單個節點內利用卡爾曼濾波器對系統狀態進行預測和判斷，在保證傳輸效用的同時，通過降低數據的冗余度，進而減少單個節點的通信量，降低節點功耗，在網絡傳輸效用和使用壽命之間提出一個折衷方案。經過大量的實驗證明了該方法的有效性。

1　 WSNs節點結構特點

作為無線傳感器網絡的基本構成單元，WSNs節點主要有4個模塊組成：MCU模塊、傳感器模塊、通信模塊和電源模塊［3］。其中，傳感器模塊主要負責對環境數據的采集；MCU模塊主要負責整個WSNs節點的通信和功能協調；通信模塊主要負責將MCU模塊的指令發送給其他WSNs節點，或者進行反向操作；電源模塊負責給其他三個模塊提供電力供應。

在WSNs節點的四個模塊中，現有的低功耗處理器技術已經相當成熟，使得WSNs節點中MCU模塊的耗能得到很大程度的降低［4］。雖然在傳感器模塊方面的耗能根據選用傳感器的種類有所不同，但總體來說通信模塊才是消耗WSNs節點能源的主要元件，使得數據通信的功耗遠遠高于數據處理的功耗。有數據顯示，將lkbit數據無線傳輸100米所耗能量可讓100 MIPS的處理器處理3百萬條指令［4］，可見節點在數據處理方面的能耗比數據通信小得多.。在WSNs節點的研究和設計時，，除了合理選擇硬件結構之外，從數據通信入手可有效減低整體WSNs節點的功耗，方法通過減少數據通信次數和頻率，提高能源使用效率來延長網絡的生命周期。

2　卡爾曼濾波

卡爾曼濾波是一種通過方差最小準則估計出所需信號的一種實時遞推算法［15］。采用狀態空間方法描述系統，Kalman濾波的系統方程和觀測方程如下［15-16］：

式中Xk是系統的n維狀態向量，Wk是p維系統過程噪聲序列，Φk,k-1是系統的m×n維狀態轉移矩陣，Γk,k-1是n×p維噪聲輸入矩陣，Zk是系統的M維觀測序列，Vk是m維觀測噪聲序列，Hk是m×n維觀測矩陣。

關于系統噪聲和觀測噪聲的統計特性，假定如下：

式中，Qk是系統過程噪聲Wk的p×p維對稱非負定方差矩陣，Rk是系統觀測噪聲Vk的m×m維對稱正定方差陣，而δkj是Kronecker-δ函數。

若被估計狀態Xk和對Xk的觀測量Zk滿足式（1）和式（2）的約束，系統過程噪聲Wk和觀測噪聲Vk滿足式（3）～式（5）的假設，系統過程噪聲方差陣Qk非負定，系統觀測噪聲方差陣Rk正定，k時刻的觀測為Zk，則Xk的估計X（k|k）可按下述方程求解：

狀態一步預測X(k|k-1)：

狀態估計X(k|k)：

濾波增益矩陣Kk：

一步預測誤差方差陣P(k|k-1)：

估計誤差方差陣P(k|k)：

其中系統維狀態轉移矩陣Φk,k-1、噪聲輸入陣和過程噪聲方差陣描述的是與系統動態特性有關的信息，根據不同的系統而有所變化。所有的這些方程都圍繞一個中心，即正確，合理地利用觀測值Zk。

3　方法實現

3.1硬件設計

為驗證方法的有效性，構思和設計了一種通過ZIGBEE通信的土壤墑情監測系統。該設計由發送端和接收端兩部分構成，其中發送端采用哲勤科技有限公司生產的MS10作為土壤水分傳感器進行土壤墑情的采集，采集后將墑情數據送到主控芯片中，主控芯片將數據經方法處理后有選擇地將數據通過通信模塊發送給接收端，接收端接收到信號后將數據傳送給上位機，上位機對接收信號的次數進行計數，由此計算出系統的通信次數和頻率。通信采用能較好實現zigbee協議的射頻芯片CC1100，主控芯片采用低功耗的STM32F103VET6。接收端同樣采用CC1100接收信號，構成整個系統。系統結構框圖如圖1所示。

圖1　系統結構框圖

MS10土壤水分傳感器是一款高精度、高靈敏度的測量土壤溫度和水分的一體傳感器。量程為0～100%容積含水率，精度在0～53%范圍內為±3%，適用于土壤墑情監測、科學試驗、節水灌溉、精細農業等的測量。

CC1100能同時滿足低功耗、低成本和高靈活性的特點，休眠模式、監聽模式和收發模式下的功耗分別為0.011 mW、12.7 mW和68.5 mW［17］。

STM32F103VET6是一款高性能、低成本、低功耗的嵌入式芯片，采用的是ARM Cortex-0內核，工作速度可達72 MIPS。

3.2軟件設計

3.2.1卡爾曼濾波器的程序實現

在一個濾波周期內，Kalman濾波有兩個信息的更新過程：時間更新過程和觀測更新過程。Kalman濾波器結構圖如圖2所示。

圖2　Kalman濾波器結構圖

在這兩個信息更新過程中，給定土壤墑情的狀態初值X0、估計誤差方差陣和初值P0后，Kalman濾波器的輸入量是系統的時刻土壤墑情的觀測值，輸出量是系統的土壤墑情估計值X（k|k）。由濾波器的兩個信息的更新過程，在具體的程序實現時，同樣有兩個計算回路：增益計算回路和濾波計算回路。其中增益計算回路是獨立計算的，濾波計算回路依賴于增益計算回路。程序流程如圖3所示。

文中在郝文澤等人的研究基礎上，采用微波調制激光測速體制，設計了一套基于FPGA的軟件接收機，接收微波調制激光信號。解調的微波信號通過下變頻及數字采樣后，在FPGA構建的軟件接收機中，使用基于FFT的閉環跟蹤方法以及控制主機中的數據后處理，得到激光信號的多普勒頻率，實現了高動態范圍、快速響應的高精度速度測量，配合高精度信號模擬器驗證了測速系統的技術指標。

圖3　Kalman濾波器程序流程圖

由圖3可看出，Kalman濾波器的計算是一個不斷的進行“預測-修正”的過程，其中濾波器的增益矩陣與土壤墑情觀測值Zk無關，可以在觀測值獲取前執行完增益計算回路，一旦得到了一個新的土壤墑情觀測值Zk，馬上可以計算得到新的估計值X（k|k），可以提高系統的反應速率，保證較高的實時性。

3.2.2主程序流程

主程序主要實現3個方面的功能。首先。首先主控芯片STM32F103VET6與土壤水分傳感器MS10進行通信，MS10開始進行墑情數據采集，主控芯片進而獲取土壤墑情數據。其次，將采集到的土壤墑情數據導入卡爾曼濾波器，利用卡爾曼濾波的遞推估計能力進行處理，最后根據處理后的結果判斷是否啟用CC1100進行數據傳送。整個軟件系統除了要實現功能外，還要考慮整體的穩定性和可靠性，采用模式編程法，根據模式寄存器的狀態調用各個子服務程序，使程序得到優化。主程序流程圖如圖4所示。

圖4　主程序流程圖

在系統初始化時，系統的狀態初值X0和初值P0的選取相當重要，關系到系統的穩定性問題［18］，一個無偏的Kalman濾波器的輸出應該能在往后的更新過程中逐漸擺脫所選的兩個初始值X0和P0的影響。在初始值的選取時，方法利用前期采集的一些土壤墑情數據作為樣本，再與估計值建立回歸方程，這里將殘差作為系統的初值。

當采集到土壤墑情數據后，立即將數據送入Kalman濾波器進行處理，根據處理結果生成判別算子，當算子的數值達到閾值時，啟動發送模塊將數據通過Zigbee發送給接收端，這里將閾值設定為0.63%。接收端接收到數據后通過上位機進行計數。

4　效果驗證與分析

4.1測試方法說明

在測試過程中，監測網絡由3個監測節點組成，分別標記為節點1、節點2和節點3，系統示意圖和實際測試場景圖分別如圖5和圖6所示。

圖5　系統示意圖

圖6　實際測試場景圖

取一定質量的土壤放入試驗盒中作為標準土樣，測試時將圖6中的土壤墑情傳感器插入土樣中。先將土樣放入電熱恒溫式鼓風干燥箱中烘干。然后人為地使用噴水器往土壤中間隔性地噴灑一定質量的水分（約5 g～15 g），當測得的墑情數據達到一定值時，間隔性地用烘干機對土壤進行加熱，這樣做的目的是人為地創造變化的墑情數據曲線。

在傳輸效用方面，宏觀來看，方法降低功耗的效果是通過減低通信次數換來的，減少了單個節點向網絡的數據提供量，必然會降低系統對外界環境的感知度。因此，在降低功耗的同時，網絡的傳輸效用也是需要重點考慮的，最后還要考慮算法造成的能耗。在一般情況下，土壤墑情是一個緩慢變化的量，文中以不使用本方法的每分鐘采集100次土壤墑情的第一手數據作為傳輸效用的參照樣本，與標準樣本越接近，說明與實際越接近，效果越好，在接收端接收到墑情數據后，將插值后的墑情數據與參照系的數據進行對比，以均方誤差作為評價標準。

式中，ESTD為均方誤差，Tai是方法的墑情數據，Tbi是參照系的墑情數據，ESTD越小，說明貼合度越高，與實際的誤差越小，傳輸效用越高。

在降低通信頻率方面，將方法與滑動平均濾波算法的結果進行對比，為了體現方法能根據環境變化自適應調整通信頻率的特點，在不同的墑情變化速率中對系統進行測試，墑情變化速率分別是5%/ min、10%/min和20%/min，觀測方法對單個節點以及整個網絡能量消耗的影響。

4.2測試結果與分析

4.2.1均方誤差

在相同試驗條件下，對不同的墑情變化率條件下各測試300組數據，所得結果的均方誤差如表1所示。

表1　均方誤差　　單位：%

從表1的數據分析，系統的誤差較小，在降低通信頻度的同時能保持較高的精度，達到預期效果。而且均方誤差的變化與墑情的變化率呈同向變化，墑情變化速率越小，均方誤差越低，效果越好。

4.2.2平均發送頻率

從平均發送頻率方面將使用滑動平均濾波算法的結果與使用方法后的效果進行對比后的結果如表2所示。由表2不難看出，與滑動平均濾波算法相比，方法更能效降低發送頻率，墑情變化速率越慢，發送頻率降低的幅度越大，通信能耗的降低也越明顯.如當墑情變化速率為5%/min時，整個網絡減少發送45次/min，節省的通信能耗達18.99%。并且能自動根據墑情環境變化的情況調節發送頻率，有自適應的效果。

表2　平均發送頻率　　單位：次/min

4.2.3算法耗能

由于在過程中加入了算法，算法在執行過程中本身也會產生耗能，所以需要將算法的耗能考慮進去，由于算法只在主控芯片中執行，只需考慮算法執行過程中芯片產生的消耗，實驗結果如表3所示。

表3　算法耗能

經過測試，完成一次完整的射頻收發需要3.2 ms，按收發模式下功率為68.5 mW計算，消耗的能量為2.192×10-4J，算法的平均耗能僅為1.322×10-8J，與其相比可以忽略不計。每減少收發一次能延長休眠時間19927.3 ms，延長監聽時間為17.3ms，效果明顯。

綜上所述，采用方法后在保證傳輸效用的同時通信頻率明顯降低，進而能有效降低功耗。而且墑情變化越平緩，貼合度越高，越能有效降低節點的通信頻率，通過降低單個節點功耗進而達到降低整個網絡能耗的效果.

5　結束語

文中提出了一種兼顧無線傳感器網絡傳輸效用和使用壽命的雙目標最大化的優化方法，方法采用卡爾曼濾波器進行狀態預測和識別，通過降低WSNs單個節點的通信次數和頻率來降低WSNs單個節點的功耗，進而延長整個WSNs網絡的使用壽命，在降低WSNs節點功耗方面具有較高的可操作性和一定的創新性，并進行了系統設計和大量的測試分析，分析結果表明，方法能有效地降低WSNs節點功耗，尤其是在墑情變化較為平緩的環境情況下，效果最為明顯，并且能夠根據土壤墑情的變化劇烈程度自適應地調節通信頻率，做到實時精確的跟蹤環境變化，效果明顯。具有方案簡單，成本少的特點，具有廣闊的應用前景，為無線傳感器網絡的研究和設計以及延長土壤墑情監測壽命做出了合理參考。

參考文獻：

［1］靳廣超，彭承琳，趙德春，等.基于ZigBee的土壤墑情監測系統［J］.傳感器與微系統，2008，27（10）：92-93.

［2］樊志平，洪添勝，劉志壯，等.柑橘園土壤墑情遠程監控系統設計與實現［J］.農業工程學報，2010，26（8）：205-210.

［3］喬學工，王哲，王華倩，等.基于權值的非均勻分簇路由算法［J］.傳感技術學報，2014，27（1）：107-112.

［4］畢瑩.無線傳感器網絡節點的低功耗研究［D］.吉林：吉林大學，2008.

［5］汪立林.無線傳感器網絡節點超低功耗的系統級實現方法研究［D］.長沙：中南大學，2009.

［6］Yick J，Mukherjee B，Ghosal D. Wireless Sensor Network Survey ［J］. Computer Networks，2008，52（12）：2292-2230.

［7］胡奇勛，段渭軍，王福豹.無線傳感器網絡節點太陽能電源系統設［J］.現代電子技術，2011，34（6）：199-201.

［8］李秘，花仕海，李貴柯，等.基于電量檢測的WSNs智能休眠方法［J］.傳感器與微系統，2014，33（11）：27-33.

［9］王曉東.無線傳感器網絡節能算法研究［D］.杭州：浙江大學博士學位論文，2007.

［10］Mills K L. A Brief Survey Self-organization in Wireless Sensor Networks［J］. Wireless Communications and Mobile Computing，2007，7（7）：823-834.

［11］Hou Y T，Shi Y，Sherali H D. Rate Allocation And Network Life?time Problems for Wireless Sensor Networks［J］. IEEE/ACM Transactions on Networking，2008，16（2）：321-334.

［12］陸亞芳，易可夫，馮緒，等.基于模糊理論的無線傳感器網絡多層分簇式路由算法［J］.傳感技術學報，2014，27（7）：1933-938.

［13］彭俊先.無線傳感器網絡簇內節點能量管理方法研究［D］.長沙：中南大學，2012.

［14］Paulo Sergio Sausen，JRDB Sousa，MA Spohn，et al. Dynamic Power Management with Scheduled Switching Modes［J］. Com?puter Communications，2008，35（15）：3625-3637.

［15］彭丁聰.卡爾曼濾波的基本原理及應用［J］.傳感技術學報，2009（8）：32-34.

［16］Shutao Xing，Marvin W Halling，Shuwen Pan. Application of Sub?structural Damage Identification Using Adaptive Kalman Filter［J］. Journal of Civil Structural Health Monitoring，2014（4）：27-42.

［17］Texas Instruments.CC1100，Low-Power Sub-1 GHz RFTRansceiver ［EB/OL］.http：//www.ti.com/lit/ds/symlink/cc1100.pdf，2014.

［18］孫健，張純，陳書愷，等.基于季節模型及Kalman濾波的道路行程時間［J］.長安大學學報（自然科學版），2014（34）：145-151.

梁西銀（1971-），男，副教授，碩士生導師，主要研究領域為傳感器網絡技術研究，嵌入式系統及可編程邏輯器件設計，計算機測量與控制方向等研究；

鐘偉（1991-），男，碩士研究生，研究方向為傳感技術，嵌入式設計，計算機應用研究；

祁磊（1987-），男，碩士研究生，研究方向為計算機測量與控制。

Research on Extending the Life of Soil Moisture Monitoring Node by Using Self-adapting Kalman Filter*

LIANG Xiyin*，ZHONG Wei，QI Lei
（College of Physics and Electronic Engineering，Northwest Normal University，Lanzhou 730070，China）

Abstract：Due to constraints such as working environment，disposable batteries with limited electrical energy were commonly used in soil moisture monitoring node. In order to solve this problem，an optimal Utility-Lifetime tradeoff method was set up. Kalman filter was used to identify the state prediction and stability of data and reduce the num?ber of data and frequency. The service life of the node is extended by the method.Average frequency of the experi?ment and the curve fitting were used to evaluate the method. Through test and calculation，each time of reducing can prolong the sleep time of 19 927.3 ms and extend the monitoring time of 17.3 ms. Method provides a certain ref?erence in extendingthe time of monitoringagricultural soil moisture.

Key words：wireless sensor network；soil moisture；Kalman filter；reducingpower consumption

doi：EEACC：6150P10.3969/j.issn.1004-1699.2016.03.023

收稿日期：2015-10-27修改日期：2015-12-21

中圖分類號：TP393

文獻標識碼：A

文章編號：1004-1699（2016）03-0439-06