基于FAHP的水坝监测系统组网优化设计与应用

， ，

(1.湖南大学 电气与信息工程学院，长沙 410082；2.重庆电力高等专科学校，重庆 400053)

1 研究背景

水坝工程在防洪、发电、灌溉等方面具有巨大的社会经济效益和环境效益，而由于自然原因和人为损坏造成的大坝安全隐患不但影响着工程效益的发挥，还会威胁到下游人民的生命财产安全[1]。研究如何实时、高效地对水坝各项参数进行监测传输，对于预防水坝灾害事故的发生、保证水坝安全运行具有非常重要的意义[2]。

目前国内外开发的水坝安全监测系统有多种监测数据传输方式，比如采用短信方式[3]、物理帧时隙交换技术[4]以及基于物联网的GPRS技术[5]等。而使数据组网传输的成本更低、性能更稳定、便于实现和维护是构建实际水坝安全监测应用工程的重点，由此发展起来的ZigBee无线传感网络则更能满足该监测系统要求[6]。但在ZigBee网络中，每次将采集的数据从一个节点发送到另一个节点，需要扫描各种可能路径，每次扫描都需要占用大量的带宽资源，增加数据传输的时延，尤其当系统网络节点数目增加和中转次数增多时，经过多次中转后的实际可用速率也大大降低，使得监控中心不能实时准确地作出响应[7]。

因此，本文把模糊层次分析法(Fuzzy Analytic Hierarchy Process，FAHP)引入ZigBee无线组网设计，提出基于FAHP的ZigBee感知组网优化设计方法。模糊层次分析法将ZigBee节点传输数据的隶属性、分布等因素按层次分解，快速计算节点权重系数，重置数据传输的路径，以解决传输节点信道扫描和排队等待造成的传输时延长、效率低的问题;同时，使计算误差在可接受范围内，能够满足工程设计需要[8]。因此将该方法应用于水坝安全监测工程各项参数的传输，利用其分层优先级机制改善数据的传输效率，实现对水坝坝体实时、高效的监测。

2 水坝安全监测系统设计

2.1 水坝安全监测系统结构

本文依托物联网感知组网通信技术建立如图1所示的水坝安全监测系统，包括传感器感知层、网络数据传输层以及监测终端应用层3个部分。

图1 水坝安全监测系统设计结构Fig.1 Design structure of dam monitoring system

传感器感知层由各类传感器和数据采集仪(简称数采仪)组成。在大坝监测中，数采仪连接的多个传感器已预埋于坝体内部，负责坝体应力、应变、温度、裂缝等信息的采集。

数据传输层是指由ZigBee节点组成的数据传输网络。每个节点以端到端的模式运作。终端节点连接数采仪；路由节点负责数据的转发和发现子节点；协调器负责启动网络以及设置相关的网络参数使其正常工作。协调器启动后开始进行信道能量扫描，扫描结束后协调器发出广播，这时路由节点和终端节点发出含有PAN ID(个域网标识符)的信标帧，请求允许加入该网络，节点在获得允许后加入网络并开始进行数据传输。一个网络系统可以布置多个终端节点和路由节点以扩大监测和传输范围[9]。

监测终端则接收ZigBee转发的坝体数据并进行数据的分析、显示和存储。

图2 路由节点优化流程Fig.2 Flow chart of route node optimization

2.2 水坝安全监测系统路径优化实现

水坝安全监测系统中传输节点的分布、位置以及每次信道扫描、路由发现和路径选择都会影响数据包的传输效率和数据包发送的时间[10]。因此将模糊层次分析法用于节点数据发送的优先级机制，计算所有节点的发送权重，分析权重结果，重设部分节点的传送顺序，从而提高数据传输效率、降低系统延时。

在基于FAHP的组网优化实现过程中，一个节点通过与指定上级发送节点连接加入网络。该节点称为子节点，其上级节点称为父节点。根据权重计算的结果，设置高权重节点成为低权重节点的父节点并向其发送数据，路由节点的优化流程如图2所示。子节点发出请求，开始进行孤立扫描，如果扫描到指定父节点，则建立它与父节点之间的相互通信关系。图2(a)给出了子节点加入网络的处理流程。

父节点处理一个节点组网申请的流程如图2(b)所示。父节点首先查看自身是否存在一个与该节点相匹配的64位扩展地址，以便确定该节点

是否已经存在于它的网络中。如果存在匹配的扩展地址，则该节点已是此父节点的子节点。如果不存在匹配的扩展地址，在父节点的地址分配空间还没耗尽的条件下，父节点将为子节点分配一个16位网络地址并确认该节点已经加入网络。

2.3 基于FAHP的节点传输优化方法

在水坝安全监测系统中运用FAHP选择节点传输路径，将ZigBee传输节点自组网时的连接状态作为一级评价指标，ZigBee节点的对象属性和分布位置作为二级评价指标，对节点建立模糊比较判断矩阵。然后计算每个节点发送的权重，根据权重计算结果，在不打破自组网优点的基础上，对水坝坝体上监测节点密度大、传输节点收发频繁的区域，重设部分节点的父节点，使其发送数据给空闲接收的节点，以减少传输节点的信道扫描时间和排队等待时间。权重计算的详细步骤如下。

2.3.1 构建传输节点优先判断矩阵A

设i，j表示水坝安全监测系统中预置ZigBee传输节点的编号，i，j=1,2,…,n，A为

(1)

aij采用模糊层次分析法0-1标度确定，其数值和含义为

(2)

其中：aii=0.5,aij+aji=1，0≤aij≤1。当传输节点的一级评价指标冲突时，采用二级评价指标进行取值。

2.3.2 建立模糊一致性矩阵R

对传输节点的优先判断矩阵A进行数学变换，得到模糊一致性矩阵R=(rij)n×n，变换公式为

(3)

(4)

式中：aik表示优先判断矩阵A中位于第i行、第k列位置的值;k=1,2,…,n。

2.3.3 求传输节点的最大特征向量

先将模糊一致性矩阵R=(rij)n×n转化为互反判断矩阵E=(eij)n×n，其中eij=rij/rji。初始向量定义为

然后将初始向量V0代入式(6)进行迭代。

‖Vk+1‖-‖Vk‖<ε。

(6)

其中对Vk先进行范数计算，计算其长度，得到Vk+1的值，计算公式为

(7)

式中ε为给定误差，在水坝安全监测等工业系统中只需满足实际工程需要便可。求得的‖Vk+1‖即为最大特征向量。

2.3.4 求解传输节点权重向量w

对上述步骤求得的最大特征向量进行归一化处理，得到传输节点权重向量w=(w1,w2, …,wn)为

(8)

若ε精度不满足，则继续迭代到满足为止。按照FAHP方法的规定，计算得到的传输节点权重向量每个元素的值>0则满足模糊判断矩阵的一致性要求。

图3 ZigBee节点仿真布局Fig.3 Simulation of the layout of ZigBee nodes

3 基于FAHP的组网仿真设计

为了检验本文提出的基于FAHP的感知组网优化设计方法的有效性，在PC硬件平台和Windows操作系统上，采用OPNET软件进行组网仿真，观察传输节点的端到端时延、网络总时延和数据吞吐率指标[11]。

ZigBee节点布局具有随机性和任意性，不同的节点属性和分布位置对于仿真结果的影响不同，本文仿真结合实际工程项目ZigBee节点布局进行试验。仿真场景为一个500 m×100 m区域模型，如图3所示，场景中一共设置1个协调器、8个路由节点和6个终端节点。各节点之间最远通信距离不超过100 m(厦门四信ZigBee传输模块实际测试距离)。

3.1 组网节点权重计算

ZigBee传输节点的PHY和MAC层基于IEEE 802.15.4标准，通信频段为2.45 GHz，仿真试验的初始值设置如表1所示。

表1 仿真网络参数设置Table 1 Parameter setting for simulation network

由无线组网拓扑结构和工业系统中节点自组网时的连接状态以及对象属性、分布位置,根据模糊优先判断矩阵的建立方法，结合式(1)，构建如表2所示的优先判断矩阵模型，其中：D1—D6是终端节点，R1—R8表示路由节点，C1是协调器节点。

表2 优先判断矩阵模型Table 2 Preferential judgment matrix

将表2所示的模糊优先判断矩阵数值代入式(3)—式(8)，取精度ε=0.000 1，迭代最大次数为100，计算各节点的权重，结果如表3所示。

表3 基于FAHP的各传输节点权重Table 3 Weights of nodes obtained by using FAHP

由表3可知，R7的权重为1.000，则其发送数据包的优先级最高，因为C1是最终数据流向的目的节点，且C1的优先级为0.806，处于下层低优先级位置，可设置C1直接接收R7发送的数据，不经过扫描各种路径进行判断。节点的优先级越高，其接收向径越小，发送向径越大。在路由发现阶段，按照优先级排序，设置高优先级节点发送数据包给低优先级节点，依此进行。由仿真实验可知，只需要设置几组跨度较大的节点即可达成优化效果。

图4 R7各项指标改进前后对比Fig.4 Comparison of indices in R7 simulation before and after improvement

3.2 组网结果与分析

在ZigBee无线传感网络仿真中，端到端时延是指节点生成的应用程序包在创建到接收之间的总延迟，节点的权重系数不同，对数据包的发送的端到端时延的影响不同。网络时延则表示所有数据包通过该无线个域网节点的介质访问层转发到网络层的总时延。吞吐率是指单位时间内成功地传送数据的数量,吞吐率越大，说明该节点处理数据流量越多，成功传送数据包更多[12]。

以R7为例，其仿真结果如图4所示。由图4(a)可知，改进组网结构后R7到C1的端到端时延相较于改进前R7到R6的端到端的时延大大下降。而由图4(b)可知，R7总时延也小幅度降低。由图4(c)可知，改进后R7的吞吐率有了大幅度的提升。因此可知，改进节点R7的传输顺序后，R7的传输时延总体降低，且其数据传输效率大幅提升。

在系统组网结构优化后R7取得良好的效果的同时，需要对系统网络总指标也进行分析对比，以避免局部优化导致系统性能降低。将系统总网络时延进行改进前后的比较，由图5(a)可看到改进后时延下降明显。由此可知，该组网优化方法减少了网络空闲侦听时间，提升了传输速率。从图5(b)可见，改进后总的网络数据吞吐率上升。因此，改进后的组网方法找到一条更快速、更准确的数据传输路径，系统的资源得到了更充分的利用。

图5 网络指标改进前后对比Fig.5 Comparison of network indices before and after improvement

4 工程应用与结果分析

基于本文提出的感知组网优化设计方法，将其应用于湖南中大建设工程检测技术有限公司的沩水坝安全监测工程，如图6所示。图6(a)是沩水坝初期工程现场部署图，根据实际工程的测量要求和布线组网结构对节点进行确定性部署，节点距离不大于100 m。图6(b)给出了监测终端与ZigBee协调器的互连图。

图6 沩水坝安全监测工程Fig.6 Dam monitoring system for Weishui project

沩水坝安全监测工程部分传感器、ZigBee传输节点及监测终端由太阳能电池板供电，在终端主界面输入功能指令及数据包，监测数据包返回大小以及时间，可测得实际平均数据如表4所示。测试时间t指数据包发出到传感器响应再到将采集数据返回监测界面的平均时间，平均数据包发送流量s和接收流量j是指节点产生的数据包和成功接收的数据包大小。平均总发送量sa和接收量ja是指经过所有节点的流量，包括数据包、命令以及具有时间要求的数据业务。

表4 沩水坝安全监测工程实际测量数据Table 4 Actual measurement results of Weishui project

5 结 语

(1)本文提出的基于模糊层次分析法的ZigBee感知组网通信技术应用于水坝安全监测系统数据传输。仿真和沩水坝工程应用结果表明，本文提出的方法很好地优化了节点的传输顺序，提高了数据处理能力和传输速率。

(2)数据处理和传输能力的提高能更快获得水坝安全监测的各项参数数据，促使水坝安全监测系统的有效性、实时性提高，具有重要的安全效益。

(3)该方法不仅可用于水坝安全监测工程，也适用于其他因节点引起的传输时延长的问题，可应用于其他监测系统的传输优化，具有很高的实际应用价值。

参考文献：

[1] 陈远强,郑 宏,陈 涛.基于数值流形方法的重力坝抗滑稳定性分析[J].长江科学院院报,2016，33(9):133-137.

[2] 张 磊,袁爱军,冯建华.地下水监测多源信息管理系统的开发[J].长江科学院院报,2016,33(8):130-133,137.

[3] WU F Q, LI L G, MA X S,etal. Development of Wireless Monitor System on Greenhouse Environment Based on GSM[M]∥Future Control and Automation. Berlin: Springer Berlin Heidelberg, 2012:371-379.

[4] XU Deng-yuan, DOU Jun, TU Jian-ping. Physical Frame Time-Slot Switching—A New Switching Technique over DWDM[J]. Journal of Electronic Science and Technology of China, 2005, 3(3): 208-212, 263.

[5] 王 翥,郝晓强,魏德宝.基于WSN和GPRS网络的远程水质监测系统[J].仪表技术与传感器,2010,(1):48-49,52.

[6] 韩 啸.ZigBee技术及应用[J].电脑知识与技术, 2014,10(22):5180-5181.

[7] 朱 琎,杨占勇.基于CC2530的无线振动监测传感器节点设计[J].仪表技术与传感器,2012,(8):56-58,83.

[8] 吕 伟,胡荣华.边坡稳定性的Fuzzy AHP和AHP对比研究[J].西安科技大学学报,2013,33(3):307-312.

[9] 吴呈瑜,孙运强.基于ZigBee技术的短距离无线数据传输系统[J].仪表技术与传感器,2008,(5):38-39.

[10] 饶达琴,张文超.基于ZigBee的自愈自组网的设计与应用[J].电子设计工程,2012,20(23):111-113.

[11] EL GAMAL A, MAMMEN J, PRABHAKAR B,etal. Optimal Throughput-delay Scaling in Wireless Networks: part I: the Fluid Model[J]. IEEE/ACM Transactions on Networking, 2006，14(S1)：2568-2592.

[12] HUANG W, WANG X. Throughput and Delay Scaling of General Cognitive Networks[C]∥2011 Proceedings of IEEE INFOCOM, Shanghai, China, April 10-15，2011：2210-2218.