基于无线传感器网络的坡面异常信号检测方法研究*

柳治谱,王 勇

(中国地质大学机械与电子信息学院,武汉 430070)

项目来源:国家自然科学基金项目(41202232)

2017-04-21修改日期2017-06-07

基于无线传感器网络的坡面异常信号检测方法研究*

柳治谱,王 勇*

(中国地质大学机械与电子信息学院,武汉 430070)

提出了一种适用于硬件资源受限的传感器节点的坡面异常信号检测方法,数据的采集和异常检测在节点前端完成,能提高监测实时性,降低数据传输的通信能耗。传感器节点采集坡面加速度数据,通过对训练数据进行经验模态分解得到本征模函数的上包络,并对该包络数据进行高斯建模自适应学习确定检测阈值。对监测数据经验模态分解得到上包络数据,运用3α原则与检测阈值进行比较实现异常信号判别。通过算法仿真和实际部署测试得到该方法检测精度为98%,具有一定的实用价值。

无线传感器网络;滑坡监测;经验模态分解;自适应学习

山体滑坡对生命和财产安全造成了巨大损失,对滑坡灾害进行准确实时监测是当前的重要任务。传统滑坡监测方法主要包括近景摄影测量法[1],GPS监测法[2],时域反射法(TDR)[3]等,然而上述方法受到监测设备成本高、监测周期长、操作不便等因素的制约,使得信息覆盖范围有限,难以大规模应用。无线传感器网络(WSN)[4]不依赖任何固定网络设施,具有成本低、自组网、覆盖范围大、无人值守、可靠性强的特点,其特有的优势使其逐步成为滑坡监测最主要的技术手段[5]。文献[6]提出了一种用于滑坡风险分析的WSN架构,着重研究了传感器节点的通讯协议和硬件设计。文献[7]成功开发了一种滑坡监测预警系统并给出了具体设计细节和应用实例。文献[8]设计了一种由短距离无线传感网络和GPRS远程通信技术相结合的滑坡监测预警平台,通过监控中心对采集的数据进行分析建模实现滑坡预警。文献[9]通过倾斜传感器对降雨引起的滑坡进行预警监测。文献[10]设计了一种基于无线传感网络的低成本GPS模块,用于监测滑坡位移变化。文献[11]提出了基于滑坡应变数据的统计模型和一种分布式决策算法实现滑坡监测。上述基于无线传感器网络进行滑坡监测的方法大都采用传感器节点采集数据,通过无线网络发送至监控中心进行分析建模预测。由于该方法缺少公认、有效的滑坡预测模型而且侧重于滑坡监测预报,致使存在预报准确性偏低和实时性较差的问题。此外,在处理非平稳信号的方法中,Hilbert-Huang变换作为最典型且较为成熟的一种,在很多领域都有成功的应用[12]。通过Hilbert-Huang变换求瞬时能量谱[13]虽然检测精度较高,但算法较为复杂,不适用于内存资源受限的硬件平台,而常用的基于阈值的异常检测方法过于简单监测准确率较低。针对上述问题,本文提出了一种适用于传感器节点前端处理的坡面异常信号检测方法,该方法计算复杂度低、可移植性好,能较好地兼顾监测实时性与准确率。

1 无线传感器网络节点设计

本文设计的无线传感器网络节点具有低功耗、低成本、体积小的特点,其尺寸为8.5 cm×4.6 cm,实物图如图1所示。无线传感器网络节点采用双层结构,上层是一个ZigBee核心模块,包括一个CC2530F256收发器和一个SMA天线,用于处理数据和发送信息。CC2530F256拥有256 kbyte的FLASH和8 kbyte RAM,结合了无线网络ZigBee协议栈,具有高性能、低功耗等优点。底层主要由传感器模块、供电模块、下载程序模块和USB转串口模块组成。传感器模块采用了一款低功耗、高分辨率(13 bit)的三轴加速度ADXL345传感器,其测量范围达±16 g。供电模块设计为USB接口供电或干电池供电。USB转串口模块采用PL2303芯片,PL2303芯片是一种高度集成的RS232-USB接口转换器,可提供一个RS232全双工异步串行通信装置与USB功能接口便利连接的解决方案。

图1 节点实物图

2 异常信号分析

2.1 阈值学习

由于滑坡监测过程中每个节点部署的位置及其感知到的异常程度各不相同,因此,本文提出了通过经验模态分解(EMD)和高斯建模的方法进行自适应学习确定各自检测阈值。每个节点根据实际部署环境获取训练数据,随后对该数据进行训练,学习确定检测阈值。

EMD是分析非平稳信号的一种重要方法,Huang等人[13]认为任何信号都是由若干本征模函数(IMF)组成,EMD分解的目的就是为了获取IMF。而在EMD分解过程中,由于端点处极值的不确定性,每一次样条插值都有拟合误差,这样会使分解的数据失去意义。本文采用极值延拓法[14]进行端点延拓,以端点的一个特征波为依据,在两端各延拓两个极大值和极小值点,确保上、下包络都与端点相交。实验数据经过EMD分解得到IMF上包络数据且该包络数据满足高斯正态分布的条件,通过对该上包络数据进行高斯建模自适应学习,训练确定检测阈值。由于每个节点算法步骤相同,以第i个节点为例进行说明。在实验过程中,为简化分析,实验数据采用X轴加速度数据。

在正常情况下采集L个样本数据作为训练数据,设置一个长度为N的滑动窗口,采用先进先出FIFO(First Input First Output)结构,每次更新ΔL个数据。设xh(t)为第h个滑动窗口中的数据,对xh(t)进行EMD分解,具体步骤如下:

①计算出数据xh(t)的所有的局部极值点;

②求所有的极大值点构成的上包络线和所有的极小值点构成的下包络线,分别记为e0(t)和v0(t);

④判断h0(t)是否满足IMF的性质。若满足,则h0(t)为IMF;否则,记h0(t)为xh(t)重复步骤①～步骤③直至得到第1个IMF,记为c1(t)。

⑤信号与第1个IMF之差为r1(t)=xh(t)-c1(t)

以r1(t)为新待分析信号重复步骤①～步骤⑤,直至得到第k阶IMF上包络数据ek(t)。求出ek(t)的均值sh,按式(1)对均值u、标准差α进行更新

(1)

式中:b为更新因子,uh-1、αh-1分别为前面h-1个滑动窗口更新得到的均值与标准差。以ΔL为步进连续更新滑动窗中数据并重复上述步骤,得到训练完成的均值ut和标准差αt。

2.2 异常信号检测

3α原则又称拉依达准则,通常用于异常数据的判别。在正态分布中α代表标准差,u代表均值,一组服从正态分布或近似正态分布的数据样本,其分布在(u-3α,u+3α)中的概率为0.997 4,当超过此区间时,认为是异常数据。监测数据经过EMD分解得到IMF上包络数据,运用3α原则与学习训练得到的检测阈值进行比较实现异常信号判别。

采集监测数据x(t),同样设置一个长度为N的滑动窗口,以ΔL为步进按FIFO结构更新滑动窗中数据。对滑动窗口中的数据进行EMD分解得到第k阶IMF上包络数据ek(t)及其均值sh,按式(2)进行3α原则判别。设di为第i个节点判决结果,当比值c超过3时为异常数据,di判决为1,否则为正常数据,di判决为0。将单个节点的局部判决结果发送到协调器,经过多数表决得到全局判决结果以确定是否有滑坡发生。

(2)

2.3 参数选取

CC2530片内仅有8 kbyte RAM,ZigBee协议栈需占用大约5.4 kbyte RAM,能用于算法的存储空间有限。出于硬件资源考虑,设置滑动窗口长度N为40,步进ΔL为10。这种情况下,共占用了大约7.8 kbyte RAM。

图2 IMF上包络及检测结果

每一阶IMF都包含了原函数的一些特征,它们都可以用于异常信号的分析。图2(a)、2(b)分别为第1阶IMF和第2阶IMF上包络数据及其对应检测结果。由图可知,相比于第1阶IMF,选取第2阶IMF进行分析能够更好排除干扰。其原因在于,每一阶IMF都可以当成一次平滑滤波,IMF阶数选取越大对干扰的抑制作用越明显,检测效果越好。然而,IMF阶数越大内存资源消耗越多,运行时间也越长。例如,在节点上分解出第1阶IMF运行时间为210 ms,但当分解到第7阶IMF时运行时间为270 μs。因此,从实际需求和硬件资源综合考虑选取第2阶IMF最好。此外,式(1)中的更新因子b不宜选取过大,通过实验比较取0.01较为合适。

3 实验测试

3.1 算法仿真

为了验证算法的有效性,通过3个终端节点采集坡面加速度数据传输到上位机并进行MATLAB算法仿真。图3(a)～3(c)分别为3个终端节点采集的坡面加速度数据及其经过EMD分解得到的第2阶IMF上包络数据和对应的检测结果。由图可知,监测数据前1 900个数据中有轻微正常干扰,从第1 900个数据开始出现异常数据。3个节点监测数据通过自适应学习确定阈值和异常信号判别后,其检测结果都能排除干扰并在第1 900个数据左右开始检测到异常信号。即使节点3没能及时检测到异常信号,但通过多数投票表决,最终能够排除单个节点的检测错误。实验仿真结果证明该算法能够排除正常干扰并及时准确检测出滑坡异常信号。

通过对图3中IMF上包络数据分析可知,采用基于阈值的异常检测方法效果不佳。以节点3上包络数据为例,当设置阈值较小如取0.02时,在第500个数据和1 200个数据左右会出现检测错误,把干扰信号误检测为异常信号。而设置阈值较大如取0.1时,在第2 300个数据才开始检测到异常数据,出现了检测延时。因此,此方法虽然操作简单,计算复杂度低,但检测结果易受干扰影响。此外,Hilbert-Huang变换求瞬时能量谱是一种经典的分析非平稳信号的方法,其瞬时能量谱波形如图4所示。由图可知,3个节点瞬时能量集中于异常信号发生区域,干扰信号的瞬时能量较小,当对其设置一个经验阈值时能够检测出异常数据。但瞬时能量谱计算过程相对复杂,无法将其移植到内存资源有限的硬件节点上。比较而言,本文提出的基于经验模态分解的坡面异常信号检测方法能兼顾计算复杂度和检测精度。

图3 3个节点的检测结果

图4 ilbert-Huang变换瞬时能量谱

3.2 实际部署

图5 滑坡前后实物图

为了验证算法的可行性,我们将算法移植到硬件节点上进行实际部署测试。实验采用3个终端节点和一个协调器节点通过Z-Stack协议栈构成一个星型网络。在塑料箱中堆土构造一个斜坡,3个终端节点放置在坡面上,采用USB接口供电,如图5(a)所示。协调器节点与电脑相连,用于收发数据和传输指令。节点部署完成后,终端节点以频率2 Hz采集10 000个训练数据进行自适应学习确定阈值,其中前2 000个数据不施加任何干扰,之后对箱体进行轻微振动模拟正常干扰。随后,进行实时监测。采集前200个数据时不施加任何外力,200至1 400个数据之间在箱体顶端外侧进行连续轻微敲击,之后逐渐加大外力直至发生坍塌,实物图如图5(b)所示。3个终端节点对监测数据进行实时检测,单个节点的局部检测结果发送到协调器节点进行多数投票表决。1号节点,2号节点,3号节点采集的坡面加速度数据、比值c和检测结果如图6(a)～(c)所示,多数投票表决后的最终结果如图6(d)所示。由图可知,由于1号节点位置最高,感受振动程度最强烈,最早开始滑动,在第1 440个数据左右检测到异常信号,随后2号节点检测到异常。由于3号节点位于坡面较低位置,感受振动程度最小,在第1 500个数据左右检测到异常信号。此外,2号节点在第1 570个数据,3号节点在第1 600个数据左右检测结果异常,但最后通过多数投票表决能够排除单个节点检测错误,正确检测到滑坡异常信号。

图6 实际部署检测结果

本文方法在50次模拟实验过程中及时准确监测到49次坡面异常,准确率为98%,证明该方法监测准确性较高,能够用于基于传感网络的滑坡监测应用。此外,为了验证该方法能耗较低,实验采用两节1.5 V干电池串联进行供电,节点串联一个大小为20 Ω的电阻,通过示波器对电阻两端电压进行观测获取发射电流及算法运行电流。终端节点每次发送1个数据(5个字符),传输时间为3.5 ms,发射电流为34 mA,以一个窗口为周期,发射40个数据,其总功耗为0.014 3焦(J)。在节点前端进行异常数据检测,算法工作电流16 mA,一个工作周期运行时间250 ms,其功耗为0.012 J。因此,相比于节点发送数据到上位机进行处理,该方法每个周期减少百分之十六的能耗,延长了节点的工作寿命。

4 结论

本文提出了一种面向传感器节点前端的坡面异常信号监测方法,数据采集和异常检测都在传感器节点前端完成,提高了监测实时性和准确率并降低了数据传输能耗。通过软件仿真比较和实际部署测试证明了该算法计算复杂度低,能够移植到硬件平台上运行,而且具有较高检测精度。由于滑坡模拟环境较为简单,后期需要在野外实地布置传感器网络节点进行监测,验证方法的实用性和扩展性。此外,为进一步降低节点能耗延长节点工作寿命,我们后续将开展节点睡眠机制算法研究。

[1] 王秀美,贺跃光,曾卓乔. 数字化近景摄影测量系统在滑坡监测中的应用[J]. 测绘通报,2002(2):28-30.

[2] 张清志,郑万模,巴仁基,等. 应用高精度GPS系统对四川丹巴哑喀则滑坡进行监测及稳定性分析[J]. 工程地质学报,2013,21(2):250-259.

[3] 邬晓岚,涂亚庆. 滑坡监测的一种新方法——TDR技术探析[J]. 岩石力学与工程学报,2002,21(5):740-744.

[4] 陈起传. WSN技术在滑坡监测系统中的应用研究[D]. 成都:成都理工大学,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,胡颖,王可之,等. 基于无线传感器网络的山体滑坡预警系统设计[J]. 传感技术学报,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] 黄晓,谭跃刚. 希尔伯特黄变换在调制超声激励-光纤光栅传感损伤检测中的应用[J]. 传感技术学报,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] 杨小强,李沛,黄杰,等. 基于极值波延拓的端点效应处理方法[J]. 系统工程与电子技术,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

柳治谱(1992-),男,湖北省恩施人,现为中国地质大学(武汉)机械与电子信息学院硕士研究生,主要研究方向为无线传感器网络和嵌入式系统设计,liuzhipu@cug.edu.cn;

王勇(1980-),男,副教授,湖北省仙桃人,2009年于华中科技大学获得博士学位,主要研究方向为计算机视觉,无线传感器网络和嵌入式系统设计,Yongwang_cug@163.com。