基于無線傳感器網絡的坡面異常信號檢測方法研究*

柳治譜,王 勇

(中國地質大學機械與電子信息學院,武漢 430070)

項目來源:國家自然科學基金項目(41202232)

2017-04-21修改日期2017-06-07

基于無線傳感器網絡的坡面異常信號檢測方法研究*

柳治譜,王 勇*

(中國地質大學機械與電子信息學院,武漢 430070)

提出了一種適用于硬件資源受限的傳感器節點的坡面異常信號檢測方法,數據的采集和異常檢測在節點前端完成,能提高監測實時性,降低數據傳輸的通信能耗。傳感器節點采集坡面加速度數據,通過對訓練數據進行經驗模態分解得到本征模函數的上包絡,并對該包絡數據進行高斯建模自適應學習確定檢測閾值。對監測數據經驗模態分解得到上包絡數據,運用3α原則與檢測閾值進行比較實現異常信號判別。通過算法仿真和實際部署測試得到該方法檢測精度為98%,具有一定的實用價值。

無線傳感器網絡;滑坡監測;經驗模態分解;自適應學習

山體滑坡對生命和財產安全造成了巨大損失,對滑坡災害進行準確實時監測是當前的重要任務。傳統滑坡監測方法主要包括近景攝影測量法[1],GPS監測法[2],時域反射法(TDR)[3]等,然而上述方法受到監測設備成本高、監測周期長、操作不便等因素的制約,使得信息覆蓋范圍有限,難以大規模應用。無線傳感器網絡(WSN)[4]不依賴任何固定網絡設施,具有成本低、自組網、覆蓋范圍大、無人值守、可靠性強的特點,其特有的優勢使其逐步成為滑坡監測最主要的技術手段[5]。文獻[6]提出了一種用于滑坡風險分析的WSN架構,著重研究了傳感器節點的通訊協議和硬件設計。文獻[7]成功開發了一種滑坡監測預警系統并給出了具體設計細節和應用實例。文獻[8]設計了一種由短距離無線傳感網絡和GPRS遠程通信技術相結合的滑坡監測預警平臺,通過監控中心對采集的數據進行分析建模實現滑坡預警。文獻[9]通過傾斜傳感器對降雨引起的滑坡進行預警監測。文獻[10]設計了一種基于無線傳感網絡的低成本GPS模塊,用于監測滑坡位移變化。文獻[11]提出了基于滑坡應變數據的統計模型和一種分布式決策算法實現滑坡監測。上述基于無線傳感器網絡進行滑坡監測的方法大都采用傳感器節點采集數據,通過無線網絡發送至監控中心進行分析建模預測。由于該方法缺少公認、有效的滑坡預測模型而且側重于滑坡監測預報,致使存在預報準確性偏低和實時性較差的問題。此外,在處理非平穩信號的方法中,Hilbert-Huang變換作為最典型且較為成熟的一種,在很多領域都有成功的應用[12]。通過Hilbert-Huang變換求瞬時能量譜[13]雖然檢測精度較高,但算法較為復雜,不適用于內存資源受限的硬件平臺,而常用的基于閾值的異常檢測方法過于簡單監測準確率較低。針對上述問題,本文提出了一種適用于傳感器節點前端處理的坡面異常信號檢測方法,該方法計算復雜度低、可移植性好,能較好地兼顧監測實時性與準確率。

1 無線傳感器網絡節點設計

本文設計的無線傳感器網絡節點具有低功耗、低成本、體積小的特點,其尺寸為8.5 cm×4.6 cm,實物圖如圖1所示。無線傳感器網絡節點采用雙層結構,上層是一個ZigBee核心模塊,包括一個CC2530F256收發器和一個SMA天線,用于處理數據和發送信息。CC2530F256擁有256 kbyte的FLASH和8 kbyte RAM,結合了無線網絡ZigBee協議棧,具有高性能、低功耗等優點。底層主要由傳感器模塊、供電模塊、下載程序模塊和USB轉串口模塊組成。傳感器模塊采用了一款低功耗、高分辨率(13 bit)的三軸加速度ADXL345傳感器,其測量范圍達±16 g。供電模塊設計為USB接口供電或干電池供電。USB轉串口模塊采用PL2303芯片,PL2303芯片是一種高度集成的RS232-USB接口轉換器,可提供一個RS232全雙工異步串行通信裝置與USB功能接口便利連接的解決方案。

圖1 節點實物圖

2 異常信號分析

2.1 閾值學習

由于滑坡監測過程中每個節點部署的位置及其感知到的異常程度各不相同,因此,本文提出了通過經驗模態分解(EMD)和高斯建模的方法進行自適應學習確定各自檢測閾值。每個節點根據實際部署環境獲取訓練數據,隨后對該數據進行訓練,學習確定檢測閾值。

EMD是分析非平穩信號的一種重要方法,Huang等人[13]認為任何信號都是由若干本征模函數(IMF)組成,EMD分解的目的就是為了獲取IMF。而在EMD分解過程中,由于端點處極值的不確定性,每一次樣條插值都有擬合誤差,這樣會使分解的數據失去意義。本文采用極值延拓法[14]進行端點延拓,以端點的一個特征波為依據,在兩端各延拓兩個極大值和極小值點,確保上、下包絡都與端點相交。實驗數據經過EMD分解得到IMF上包絡數據且該包絡數據滿足高斯正態分布的條件,通過對該上包絡數據進行高斯建模自適應學習,訓練確定檢測閾值。由于每個節點算法步驟相同,以第i個節點為例進行說明。在實驗過程中,為簡化分析,實驗數據采用X軸加速度數據。

在正常情況下采集L個樣本數據作為訓練數據,設置一個長度為N的滑動窗口,采用先進先出FIFO(First Input First Output)結構,每次更新ΔL個數據。設xh(t)為第h個滑動窗口中的數據,對xh(t)進行EMD分解,具體步驟如下:

①計算出數據xh(t)的所有的局部極值點;

②求所有的極大值點構成的上包絡線和所有的極小值點構成的下包絡線,分別記為e0(t)和v0(t);

④判斷h0(t)是否滿足IMF的性質。若滿足,則h0(t)為IMF;否則,記h0(t)為xh(t)重復步驟①～步驟③直至得到第1個IMF,記為c1(t)。

⑤信號與第1個IMF之差為r1(t)=xh(t)-c1(t)

以r1(t)為新待分析信號重復步驟①～步驟⑤,直至得到第k階IMF上包絡數據ek(t)。求出ek(t)的均值sh,按式(1)對均值u、標準差α進行更新

(1)

式中:b為更新因子,uh-1、αh-1分別為前面h-1個滑動窗口更新得到的均值與標準差。以ΔL為步進連續更新滑動窗中數據并重復上述步驟,得到訓練完成的均值ut和標準差αt。

2.2 異常信號檢測

3α原則又稱拉依達準則,通常用于異常數據的判別。在正態分布中α代表標準差,u代表均值,一組服從正態分布或近似正態分布的數據樣本,其分布在(u-3α,u+3α)中的概率為0.997 4,當超過此區間時,認為是異常數據。監測數據經過EMD分解得到IMF上包絡數據,運用3α原則與學習訓練得到的檢測閾值進行比較實現異常信號判別。

采集監測數據x(t),同樣設置一個長度為N的滑動窗口,以ΔL為步進按FIFO結構更新滑動窗中數據。對滑動窗口中的數據進行EMD分解得到第k階IMF上包絡數據ek(t)及其均值sh,按式(2)進行3α原則判別。設di為第i個節點判決結果,當比值c超過3時為異常數據,di判決為1,否則為正常數據,di判決為0。將單個節點的局部判決結果發送到協調器,經過多數表決得到全局判決結果以確定是否有滑坡發生。

(2)

2.3 參數選取

CC2530片內僅有8 kbyte RAM,ZigBee協議棧需占用大約5.4 kbyte RAM,能用于算法的存儲空間有限。出于硬件資源考慮,設置滑動窗口長度N為40,步進ΔL為10。這種情況下,共占用了大約7.8 kbyte RAM。

圖2 IMF上包絡及檢測結果

每一階IMF都包含了原函數的一些特征,它們都可以用于異常信號的分析。圖2(a)、2(b)分別為第1階IMF和第2階IMF上包絡數據及其對應檢測結果。由圖可知,相比于第1階IMF,選取第2階IMF進行分析能夠更好排除干擾。其原因在于,每一階IMF都可以當成一次平滑濾波,IMF階數選取越大對干擾的抑制作用越明顯,檢測效果越好。然而,IMF階數越大內存資源消耗越多,運行時間也越長。例如,在節點上分解出第1階IMF運行時間為210 ms,但當分解到第7階IMF時運行時間為270 μs。因此,從實際需求和硬件資源綜合考慮選取第2階IMF最好。此外,式(1)中的更新因子b不宜選取過大,通過實驗比較取0.01較為合適。

3 實驗測試

3.1 算法仿真

為了驗證算法的有效性,通過3個終端節點采集坡面加速度數據傳輸到上位機并進行MATLAB算法仿真。圖3(a)～3(c)分別為3個終端節點采集的坡面加速度數據及其經過EMD分解得到的第2階IMF上包絡數據和對應的檢測結果。由圖可知,監測數據前1 900個數據中有輕微正常干擾,從第1 900個數據開始出現異常數據。3個節點監測數據通過自適應學習確定閾值和異常信號判別后,其檢測結果都能排除干擾并在第1 900個數據左右開始檢測到異常信號。即使節點3沒能及時檢測到異常信號,但通過多數投票表決,最終能夠排除單個節點的檢測錯誤。實驗仿真結果證明該算法能夠排除正常干擾并及時準確檢測出滑坡異常信號。

通過對圖3中IMF上包絡數據分析可知,采用基于閾值的異常檢測方法效果不佳。以節點3上包絡數據為例,當設置閾值較小如取0.02時,在第500個數據和1 200個數據左右會出現檢測錯誤,把干擾信號誤檢測為異常信號。而設置閾值較大如取0.1時,在第2 300個數據才開始檢測到異常數據,出現了檢測延時。因此,此方法雖然操作簡單,計算復雜度低,但檢測結果易受干擾影響。此外,Hilbert-Huang變換求瞬時能量譜是一種經典的分析非平穩信號的方法,其瞬時能量譜波形如圖4所示。由圖可知,3個節點瞬時能量集中于異常信號發生區域,干擾信號的瞬時能量較小,當對其設置一個經驗閾值時能夠檢測出異常數據。但瞬時能量譜計算過程相對復雜,無法將其移植到內存資源有限的硬件節點上。比較而言,本文提出的基于經驗模態分解的坡面異常信號檢測方法能兼顧計算復雜度和檢測精度。

圖3 3個節點的檢測結果

圖4 ilbert-Huang變換瞬時能量譜

3.2 實際部署

圖5 滑坡前后實物圖

為了驗證算法的可行性,我們將算法移植到硬件節點上進行實際部署測試。實驗采用3個終端節點和一個協調器節點通過Z-Stack協議棧構成一個星型網絡。在塑料箱中堆土構造一個斜坡,3個終端節點放置在坡面上,采用USB接口供電,如圖5(a)所示。協調器節點與電腦相連,用于收發數據和傳輸指令。節點部署完成后,終端節點以頻率2 Hz采集10 000個訓練數據進行自適應學習確定閾值,其中前2 000個數據不施加任何干擾,之后對箱體進行輕微振動模擬正常干擾。隨后,進行實時監測。采集前200個數據時不施加任何外力,200至1 400個數據之間在箱體頂端外側進行連續輕微敲擊,之后逐漸加大外力直至發生坍塌,實物圖如圖5(b)所示。3個終端節點對監測數據進行實時檢測,單個節點的局部檢測結果發送到協調器節點進行多數投票表決。1號節點,2號節點,3號節點采集的坡面加速度數據、比值c和檢測結果如圖6(a)～(c)所示,多數投票表決后的最終結果如圖6(d)所示。由圖可知,由于1號節點位置最高,感受振動程度最強烈,最早開始滑動,在第1 440個數據左右檢測到異常信號,隨后2號節點檢測到異常。由于3號節點位于坡面較低位置,感受振動程度最小,在第1 500個數據左右檢測到異常信號。此外,2號節點在第1 570個數據,3號節點在第1 600個數據左右檢測結果異常,但最后通過多數投票表決能夠排除單個節點檢測錯誤,正確檢測到滑坡異常信號。

圖6 實際部署檢測結果

本文方法在50次模擬實驗過程中及時準確監測到49次坡面異常,準確率為98%,證明該方法監測準確性較高,能夠用于基于傳感網絡的滑坡監測應用。此外,為了驗證該方法能耗較低,實驗采用兩節1.5 V干電池串聯進行供電,節點串聯一個大小為20 Ω的電阻,通過示波器對電阻兩端電壓進行觀測獲取發射電流及算法運行電流。終端節點每次發送1個數據(5個字符),傳輸時間為3.5 ms,發射電流為34 mA,以一個窗口為周期,發射40個數據,其總功耗為0.014 3焦(J)。在節點前端進行異常數據檢測,算法工作電流16 mA,一個工作周期運行時間250 ms,其功耗為0.012 J。因此,相比于節點發送數據到上位機進行處理,該方法每個周期減少百分之十六的能耗,延長了節點的工作壽命。

4 結論

本文提出了一種面向傳感器節點前端的坡面異常信號監測方法,數據采集和異常檢測都在傳感器節點前端完成,提高了監測實時性和準確率并降低了數據傳輸能耗。通過軟件仿真比較和實際部署測試證明了該算法計算復雜度低,能夠移植到硬件平臺上運行,而且具有較高檢測精度。由于滑坡模擬環境較為簡單,后期需要在野外實地布置傳感器網絡節點進行監測,驗證方法的實用性和擴展性。此外,為進一步降低節點能耗延長節點工作壽命,我們后續將開展節點睡眠機制算法研究。

[1] 王秀美,賀躍光,曾卓喬. 數字化近景攝影測量系統在滑坡監測中的應用[J]. 測繪通報,2002(2):28-30.

[2] 張清志,鄭萬模,巴仁基,等. 應用高精度GPS系統對四川丹巴啞喀則滑坡進行監測及穩定性分析[J]. 工程地質學報,2013,21(2):250-259.

[3] 鄔曉嵐,涂亞慶. 滑坡監測的一種新方法——TDR技術探析[J]. 巖石力學與工程學報,2002,21(5):740-744.

[4] 陳起傳. WSN技術在滑坡監測系統中的應用研究[D]. 成都:成都理工大學,2016.

[5] Chiara B,Andrea C,Davide D,et al. An Overview on Wireless Sensor Networks Technology and Evolution[J]. Sensors,2009(9):6869-6896.

[6] Andrea G,Matteo L,Emanuele T,et al. A Robust Wireless Sensor Network for Landslide Risk Analysis:System Design,Deployment,and Field Testing[J]. IEEE Sensors Journal,2016:6374-6386.

[7] Emanuele I,Giovanni G,Francesco M,et al. Design and Implementation of a Landslide Early Warning System[J]. Engineering Geology,2012:124-136.

[8] 梁山,胡穎,王可之,等. 基于無線傳感器網絡的山體滑坡預警系統設計[J]. 傳感技術學報,2010,23(8):1184-1188.

[9] Taro U,Ikuo T,Lin W,et al. Precaution and Early Warning of Surface Failure of Slopes Using Tilt Sensors[J]. Soils and Foundations,2015(55):1086-1099.

[10] Benoit L,Briole P,Martin O,et al. Monitoring Landslide Displacements with the Geocube Wireless Network of Low-Cost GPS[J]. Engineering Geology,2015(195):111-121.

[11] Prakshep M,Deepthi C,Mohamed S,et al. Distributed Detection for Landslide Prediction Using Wireless Sensor Network[C]//First International Global Information Infrastructure symposium,Marrakech,Morocco,2007.

[12] 黃曉,譚躍剛. 希爾伯特黃變換在調制超聲激勵-光纖光柵傳感損傷檢測中的應用[J]. 傳感技術學報,2017,30(2):242-246.

[13] Huang N E,Long S R,Wu M L C,et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis[J]. Proceedings of the Royal Society,1998,A454:903-995.

[14] 楊小強,李沛,黃杰,等. 基于極值波延拓的端點效應處理方法[J]. 系統工程與電子技術,2016(9):1987-1992.

ResearchonMethodofSlopeAbnormalSignalDetectionBasedonWirelessSensorNetwork*

LIUZhipu,WANGYong*

(School of Mechanical and Electronic Information,China University of Geosciences,Wuhan 430070,China)

As for landslide monitoring,this paper presents an anomaly detection method that is suitable for sensor nodes with limited hardware resources. Data acquisition and anomaly detection can be directly run in the node,which improves the real-time of detection and reduces the communication overhead of data transmission. The sensor nodes collect the acceleration data of the slope,and then obtain the upper envelope of the intrinsic mode function of the training data via empirical mode decomposition. The detection threshold is determined by the adaptive learning based on Gaussian modeling. Similarly,the upper envelope data of the monitoring data can be obtained,and the data will be compared with the detection threshold by 3α principle to perform the anomaly detection. It can be found that the detection accuracy is around 98% through the algorithm simulations and the actual deployment tests,which means that the proposed method is feasible for the practical application.

wireless sensor network;landslide monitoring;empirical mode decomposition;adaptive learning

TN911;TP393

A

1004-1699(2017)10-1536-06

10.3969/j.issn.1004-1699.2017.10.014

柳治譜(1992-),男,湖北省恩施人,現為中國地質大學(武漢)機械與電子信息學院碩士研究生,主要研究方向為無線傳感器網絡和嵌入式系統設計,liuzhipu@cug.edu.cn;

王勇(1980-),男,副教授,湖北省仙桃人,2009年于華中科技大學獲得博士學位,主要研究方向為計算機視覺,無線傳感器網絡和嵌入式系統設計,Yongwang_cug@163.com。