第9章传感器应用

第9章传感器应用第一页，共25页。要求熟悉并理解几种常用的传感器应用系统的组成、工作原理和工作方式，如环境检测系统、位移监测系统、视频监测系统以及水质监测系统等第二页，共25页。目录9.1基于无线传感器网络协同智能交通系统9.2建筑物健康监测无线传感器网络系统及信息化处理技术9.3基于RVM的多功能自确认水质检测传感器第三页，共25页。传感器是一种检测装置，能感受到被测量的信息，并能将检测感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。它是实现自动检测和自动控制的首要环节。传感器的应用领域非常广泛包括机械制造，汽车电子产业，通信技术，消费电子等领域第四页，共25页。9.1基于无线传感器网络协同智能交通系统数据融合技术在体城医学无线传感器网络中的应用协同信息处理技术在智能交通车车无线通信中的应用协同信息处理技术在智能交通车路无线通信中的应用第五页，共25页。无线传感器网络协同智能交通系统(intelligenttransportationsystem,ITS)是利用无线网络技术，实现安全、有效、舒适、环境友好的交通管理，通过协调与交通相关要素如驾驶员、道路、环境等的关系，达到管理调度的目的。无线网络协同ITS就是利用传感技术、信息处理技术、无线通信技术实现分层次的交通相关信息采集和协同管理。信息采集：第六页，共25页。9.1.1数据融合技术在体城医学无线传感器网络中的应用由于疲劳驾驶而导致的特大交通事故占有很大比例，疲劳驾驶不但会影响司机的视觉、反应和判断能力，而且影响司机的警觉性和对问题的处理能力。特别是由于疲劳而产生的短暂“伪睡眠”期增多，这是交通事故发生的重要诱因。采用布置在驾驶员身上的体域医学无线传感器，可以有效监测驾驶员的生理状态。疲劳状态监测参数主要包括脑电图(electroencephalogram,EEG)、心电图(electrocardiagram，EKG)和肌电图(electromyography，EMI)等。脑电图是反应疲劳的重要指标，澳大利亚科学家的实验分析了驾驶员在清醒、接近疲劳、疲劳、极度疲劳和从疲劳惊醒5个不同阶段变化的特点。心电图也是判断驾驶员疲劳的一项指标，包括心率指标和心率变异指标。图9-1无线传感器体域网的系统框图第七页，共25页。9.1.2协同信息处理技术在智能交通车车无线通信中的应用车辆之车辆之间（car-to-car)的通信是实现安全、高效的协同智能交通运输系统的重要发展趋势，是国际上最近一个非常热门的研究方向。安全高效舒适的协同智能交通目标：要实现信息的共享，一部车辆可向其他车辆主动咨询所需的信息，当前方有紧急事件发生时，车辆彼此间也可迅速交换信息。嵌入在汽车发动机和其他地方的传感器能够用来交换信息，可以与车本身的计算机信息交互，为诊断发动机与装备了复杂计算机和通信能力的车或路边设施通信，促进车辆的定期维修，减少故障发生率。第八页，共25页。9.1.2协同信息处理技术在智能交通车车无线通信中的应用车车通信的网络的特点:

车辆间有所谓的相对速度。在相对速度较高的情况下，这时的网络拓扑难以管理。车辆间使用的是短距离通信时，传输半径较短，使得车辆在较高的相对速度移动情况下，事先找好的路径可能已经失效，必须在寻找新的路径，整体网络性能将变差。道路上的车辆并非均匀分布，网络拓扑可能被分成好几部分。近距离内的车辆可以相互通信，某些车辆因为距离遥远、传输范围等限制而无法直接通信。车车通信网络规模较大，网络密度多变。离峰时段，道路上的车辆可能寥寥可数，但是一到尖峰时段，道路上发生塞车的情况。对于以上多变的情况，充分发挥着车车网络之间的协同信息处理能力，可实现动态的网络组簇，整个网内的信息处理能力和交互能力尤为重要，保证了车与车之间的行驶安全。第九页，共25页。9.1.3协同信息处理技术在智能交通车路无线通信中的应用当车车通信由于距离较远无法实现时，车辆可以通过路边的接入设备或基站连接到服务器，构成庞大的无线和有线互连网络，车辆与路边交通设施之间(car-to-infrastructrue)的实时通信，便显得尤为关键。在路边的设施通常由一些功能模块组成，如道路设施的信息获取敏感器件、装载在车辆上的敏感系统、报警系统、数据处理和融合单元以及地理信息系统等。路边设施功能模块：第十页，共25页。9.1.3协同信息处理技术在智能交通车路无线通信中的应用路边单元是沿着马路或高速公路在指定或专用的固定设备。为了满足短距离无线通信的需要，路边的设置包括无线技术的网络装置，同时含有可以获取车辆的速度等相关信息的敏感系统。路边的通信单元的主要功能：车载单元是一个短距离无线收发系统，可以嵌入在汽车里或作为便携系统安装在汽车上。车载单元将提供车辆与路边交通设施的通信功能和车辆间的通信车载单元、应用处理系统、人机交互接口和GPS构成车载系统。车路组成的无线网络内的速度信息、位置信息等需要做数据融合和处理，协同完成信息的交互，最终综合决策是否给出一定预警信息，来保证行车安全。第十一页，共25页。9.2建筑结构WSN健康监测系统及信息处理技术建筑物无线传感器健康监测概述信息处理技术在无线传感器健康监测网络中的应用第十二页，共25页。9.2.1建筑物无线传感器健康监测概述任何建筑物都有一定的使用周期，建筑物的安全性会随着使用时间的增加逐渐恶化。周期性的监测能够提供建筑物的健康程度信息，对险情及时报警，从而减少一些不必要的人员、财产损失。传统有线监测系统存在缺点:首先是成本高，系统使用的光缆和专用传感器价格昂贵；其次是可靠性差，光缆会随着使用时间的延长逐渐老化，在强风、地震等恶劣气候的影响下，线路很容易遭到破坏而不能进行可靠的数据传输。智能建筑监测上的应用构建无线传感器网络监测系统需要考虑以下一些技术性的问题：第十三页，共25页。9.2.2信息处理技术在无线传感器健康监测网络中的应用斯坦福大学的研究人员提出一个基于分簇结构的两层无线传感器网络监测系统。为了节省数据传输过程中的所消耗的能量，网络可以根据节点间距离的远近划分成簇，每个簇由相互靠近的传感器节点组成。簇首作为本地站点控制者（LSM）没有能量的限制，它负责协调和收集簇内节点的监测数据监测系统的通信网络由两层子系统构成:底层子系统由低数据率、低传输范围和能量受限的传感器节点组成，上层子系统由高数据率、大传输范围和没有能量受限的簇首节点组成。在系统监测过程中，底层传感器节点将收集到的数据传送给上层相应的簇首，簇首对数据进行简单的融合可以直接传送给监测中心进行处理，也可传送给其他簇头进行再次融合后传送给监测中心。第十四页，共25页。9.2.2信息处理技术在无线传感器健康监测网络中的应用底层传感器节点由节点控制器、无线收发器、静态存储器、低灵敏度的加速度计、内含高灵敏度加速度计的传感器模块和高分辨率、低速AD转换器等构成。节点中使用了两种类型的加速度计是为了实现两种情况的监测，即极端事件(地震)监测和长期监测。为了尽可能地降低能量损耗来延长整个系统的生存时间，节点存在四种操作状态:睡眠状态：无线收发器和传感器模块都处于休眠状态，控制器和加速度计周期性接通电源以便监测可能发生的极端事件。更新状态：传感器模块处于休眠状态，控制器和无线电收发器被打开，加速度计则仍然是周期性接通电源模式。状态的更新由簇首和控制器之间的通信过程实现。半唤醒状态：无线收发器休眠，传感器模块、加速度计模块和控制器都处于打开状态，该状态下没有数据发送，但是有加速度计的采样输出行为。唤醒状态：无线电收发器、传感器模块、加速度计和控制器都处于打开状态，此时传感器输出采样数据并利用无线收发器接收和传输数据。第十五页，共25页。9.2.2信息处理技术在无线传感器健康监测网络中的应用簇首节点主要包括两个无线收发器和一个簇首控制器。其中一个无线收发器工作在915MHz,用来和簇内的传感器节点通信;另外一个无线收发器工作在2.4GHz,用来和相邻的簇首节点或监测中心通信。无线建筑监测系统两种主要监测情况:极端事件监测：当建筑物的加速度超过阈值大约5mg时，就认为发生了极端事件。极端事件发生后，如果加速度值在一个阈值时间间隔内返回到阈值以下，就认为极端事件结束。当传感器探测到某个极端事件发生时，它就进人了激活状态。长期的监测：监测中心采用时间调度来记录周围环境震动信息发生的时间。调度表根据所期望或已存在的环境条件被制定后传送给网络中的簇首。第十六页，共25页。9.3基于RVM的多功能自确认水质检测传感器RVM原理介绍基于RVM的传感器故障诊断和数据恢复第十七页，共25页。目前，世界水环境保护面临着水资源短缺和污染严重的问题，水质检测工作越来越受到人们的重视。水质检测传感器是水质检测设备信息获取的源头，其检测精度、可靠性等指标直接影响水质检测的结果。水质检测一般需要对多个参数进行同时测量。水质检测设备使用的传感器大都是针对每种参数使用一种对应的传感器，例如上海雷磁仪器厂研制的SJG-704型水质检测仪，能够同时在线式pH、溶解氧、浊度、电导率和温度五项参数，它使用了五种对应的传感器。国外对水质检测传感器的研究较为深入，研究出了能够同时检测多个参数的多功能水质检测传感器，如澳大利亚高原公司生产的CS304系列能够同时测量电导率、温度、溶解氧、pH四种参数，另外德国、美国等也有类似的产品。这些多功能传感器虽然能同时测量多个参数，但仍然无法对传感器本身的工作状态进行自确认。第十八页，共25页。9.3.1RVM原理介绍RVM是一种基于贝叶斯概率学习模型的有监督小样本学习理论。在贝叶斯框架下，利用自相关判定理论移除不相关的点，获得稀疏化模型。与SVM相比，它克服了核函数必须满足Mercer条件的缺点，同时由于对解的稀疏性要求较高，因此在保证精度的同时，缩短了运算时间，适用于对实时性要求较高的多功能自确认水质检测传感器的故障诊断与数据恢复。第十九页，共25页。9.3.1基于RVM的传感器故障诊断和数据恢复传感器故障模式分析是进行故障诊断和数据恢复的前提，首先根据传感器工作原理，结合实测数据，对多功能水质检测传感器的常见故障进行了分析，在此基础上研究了基于RVM的传感器故障诊断和数据恢复算法。传感器两种故障分析方法：传感器故障模式分析基于RVM的传感器故障诊断算法基于RVM的数据恢复方法第二十页，共25页。9.3.1基于RVM的传感器故障诊断和数据恢复多功能自确认水质检测传感器常见的故障主要有：测温电阻开路故障。pH电极常值输出。pH电极显著突变。盐度测量电极极化。1.传感器故障模式分析第二十一页，共25页。9.3.1基于RVM的传感器故障诊断和数据恢复基于RVM的传感器故障诊断算法实质上是将多功能自确认水质检测传感器的各种故障模式进行编码，利用已知故障模式的数据集训练RVM多分类机，实际应用时，将实时测量数据输入RVM多分类机进行分类，确定故障类型。这样就将故障诊断的问题转化为了多分类问题。2.基于RVM的传感器故障诊断算法VM二分类机层次扩展来构建RVM多分类机具体步骤：

(1)利用正常状态下的数据和各种故障状态下的数据训练基于RVM的多分类机。首先将正常模式和各种故障模式作为两类训练，然后将各种故障层次分解进行训练得到完整的故障诊断分类机。如有新的故障模式出现，需要重新训练分类机。基于RVM二分类机的训练过程如下:①将两类样本数据标准化，消除量纲的影响。②将两类样本分别编码为0、1，作为目标向量。③利用核函数将标准化数据映射到特征空间，进行超参数更新，计算得到A。④计算ωMP⑤计算分类目标值，完成分类。（2）在线故障诊断时，将实测数据输入步骤(1)得到的故障诊断分类机，如果出现故障则进行数据恢复。第二十二页，共25页。9.3.1基于RVM的传感器故障诊断和数据恢复2.基于RVM的传感器故障诊断算法图9-2基于RVM的故障诊断方法第二十三页，共25页。9.3.1基于RVM的传感器故障诊断和数据恢复3.基于RVM的数据恢复算法当传感器发生故障时，应充分利用多个参数之间的相关险，利用正常输出的测量参数对故障部分进行数据恢复，例如，温度、盐度、pH之间都存在相关性，具备实现数据恢复的基本条件。基于RVM的数据恢复算法具体步骤如下:(1)利用正常数据建立基于RVM的回归分析模型。以pH、温度与盐度的关系为例，介绍建模过程：①以pH、温度测量值作为输入集xN*2,N为采样点数，盐度测量值作为目标集{tn}Nn=1，组成数据训练集，并对数据进行标准化处理，消