趙云濤 周明 郗文博 韓魏勐 門媛媛 程攀

物華能源科技有限公司，陜西西安 710065

0 前言

目前，我國的倉庫監(jiān)控主要采用人工巡庫和有線監(jiān)控網(wǎng)絡(luò)兩種方式[1-2]。這兩種方式都存在一定的弊端：人工巡庫方式要求人員定時查看倉庫的溫濕度、火警及安全等情況，存在監(jiān)控效率低下、人力成本高、數(shù)據(jù)誤差大等缺點[3-5]；有線監(jiān)控網(wǎng)絡(luò)方式采用連線方法組成有線網(wǎng)絡(luò)監(jiān)控倉庫的內(nèi)部環(huán)境參數(shù)，雖然能夠獲得環(huán)境參數(shù)的實時信息，但存在布線復(fù)雜，不易擴展，管理和維護成本高等問題。20 世紀70 年代開始研究的無線傳感器網(wǎng)絡(luò)在監(jiān)測區(qū)域部署大量的傳感器節(jié)點，從不同空間視角獲得監(jiān)測信息，通過對監(jiān)測信息進行采集、傳輸和處理，形成一個綜合網(wǎng)絡(luò)信息系統(tǒng)[6-7]?；跓o線傳感器的倉庫監(jiān)控系統(tǒng)，由于部署了大量的監(jiān)測節(jié)點，可以減少監(jiān)測盲區(qū)，通過分布式處理大量的采集信息能夠提高監(jiān)測精確度，傳感器網(wǎng)絡(luò)中的節(jié)點個數(shù)能夠動態(tài)地增加或減少，監(jiān)控節(jié)點易于擴展?；跓o線傳感器網(wǎng)絡(luò)的倉庫監(jiān)控系統(tǒng)，雖然通過分布式部署的采集節(jié)點可以獲得大量的倉儲環(huán)境參數(shù)，但面積較大的倉庫內(nèi)溫濕度分布不均勻，為了盡可能地提高系統(tǒng)環(huán)境參數(shù)的監(jiān)測精確度，多個傳感器節(jié)點的采集數(shù)據(jù)需通過數(shù)據(jù)融合處理，以獲得被測對象的狀態(tài)和特征估計，得到較為準確的環(huán)境參數(shù)數(shù)據(jù)。

本文設(shè)計的無線傳感器倉庫監(jiān)控系統(tǒng)在倉儲環(huán)境中設(shè)置多個現(xiàn)場監(jiān)控器節(jié)點，負責(zé)對倉儲環(huán)境參數(shù)的采集，數(shù)據(jù)采集器通過輪詢控制命令獲取各現(xiàn)場監(jiān)控器的環(huán)境參數(shù)數(shù)據(jù)，并通過自適應(yīng)加權(quán)的多傳感器數(shù)據(jù)融合算法處理后，得到誤差較小的環(huán)境參數(shù)數(shù)據(jù)，將數(shù)據(jù)上傳至遠程PC 監(jiān)控中心。

1 監(jiān)控系統(tǒng)工作數(shù)據(jù)交互關(guān)系

基于無線傳感器網(wǎng)絡(luò)的倉庫監(jiān)控系統(tǒng)由遠程PC監(jiān)控中心、LoRa 集中器網(wǎng)關(guān)、數(shù)據(jù)采集器設(shè)備及現(xiàn)場監(jiān)控器設(shè)備構(gòu)成。現(xiàn)場監(jiān)控器對應(yīng)傳感器節(jié)點；數(shù)據(jù)采集器和LoRa 集中器網(wǎng)關(guān)組成匯聚節(jié)點；遠程PC 監(jiān)控中心組成管理節(jié)點，該系統(tǒng)工作數(shù)據(jù)的交互如圖1所示。

現(xiàn)場監(jiān)控器設(shè)備用于實時采集倉庫內(nèi)的環(huán)境參數(shù)，接收數(shù)據(jù)采集器的控制命令，并返回對應(yīng)的回碼信息。

數(shù)據(jù)采集器設(shè)備通過輪詢方式獲取各現(xiàn)場監(jiān)控器設(shè)備采集的環(huán)境參數(shù)，采用自適應(yīng)加權(quán)數(shù)據(jù)融合算法進行數(shù)據(jù)處理，以提高數(shù)據(jù)的采集精度。

LoRa 集中器可同時掛載多個數(shù)據(jù)采集器，接收數(shù)據(jù)采集器發(fā)送的數(shù)據(jù)及環(huán)境參數(shù)報警信息，LoRa 集中器通過5G 網(wǎng)絡(luò)連接云服務(wù)器。

遠程PC 監(jiān)控中心通過MQTT 協(xié)議連接云服務(wù)器，從而實現(xiàn)與多個數(shù)據(jù)采集器的信息交互。

2 基于自適應(yīng)加權(quán)的數(shù)據(jù)融合方法

數(shù)據(jù)融合通過對傳感器采集的數(shù)據(jù)信息進行詳細分析和推理，把多個傳感器采集的數(shù)據(jù)信息根據(jù)一定的規(guī)則來進行信息融合處理，以獲取被測對象較為精確的數(shù)據(jù)信息[8-10]。本文采用的自適應(yīng)加權(quán)數(shù)據(jù)融合算法屬于集中式數(shù)據(jù)融合，將多個傳感器的數(shù)據(jù)都發(fā)送到融合節(jié)點進行數(shù)據(jù)融合，這種方法對融合節(jié)點的數(shù)據(jù)處理能力有較高的要求，但是具有實時性能好及獲取數(shù)據(jù)精度高等優(yōu)點。

數(shù)據(jù)處理的具體步驟如下：

第一步：計算傳感器測量值的期望

采用n個傳感器對環(huán)境參數(shù)進行測量，各傳感器測量的次數(shù)為t，則各傳感器的測量值分別為Mq(k),k=1,2,……,t；q=1,2,……,n，可計算各傳感器測量值的期望為：

其中，E(Mq)為各傳感器期望值；Mq(k)為各傳感器的測量值；t為傳感器測量的次數(shù)。

根據(jù)方差的概念與計算公式可得各傳感器均方方差為：

其中，為 均方方差。

第三步：計算各傳感器的最優(yōu)加權(quán)因子wq

設(shè)環(huán)境參數(shù)的真值為Y，各傳感器的加權(quán)因子分別為wq(q=1,2,……,n)，且，則融合后的數(shù)據(jù)值可 表示為：

其中，為 融合后的數(shù)據(jù)值；wq為各傳感器的加權(quán)因子。均方誤差為：

構(gòu)造加權(quán)因子無約束優(yōu)化問題如下所示：

其中，λ為輔助變量。

通過式（5）對各加權(quán)因子wq(q=1,2,……,n)求偏導(dǎo)，最后可得均方誤差取最小值時對應(yīng)的各加權(quán)因子的優(yōu)化值為：

由式（7）可得：

將式（8）代入式（6）可得：

第四步：計算最終的數(shù)據(jù)融合值

根據(jù)式（1）和式（2），可通過各傳感器的測量值計算出測量值的期望E(Mq)和均方方差，將方差代入式（9）可得各傳感器的最優(yōu)加權(quán)因子wq，最后將測量值的期望E(Mq)和最優(yōu)加權(quán)因子wq代入式（3），即可得到傳感器采集數(shù)據(jù)的最終融合值。

3 傳感器數(shù)據(jù)處理結(jié)果

以倉儲溫度數(shù)據(jù)采集為例，進行傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法的性能測試。

實驗中，用高精度溫度計測出的數(shù)據(jù)作為溫度的真實數(shù)據(jù)，多傳感器（10 個傳感器采集點）的測量值求和取均值的數(shù)據(jù)作為對比數(shù)據(jù)，每個傳感器在同一時間段的測量次數(shù)為5 次，采集時間間隔為5 s，共獲取300 組數(shù)據(jù)。

多傳感器采集數(shù)據(jù)處理結(jié)果對比如圖2 所示，紅色曲線代表實際溫度數(shù)據(jù)，綠色曲線代表多傳感器測量值的均值數(shù)據(jù)（作為對比數(shù)據(jù)使用），黑色曲線代表多傳感器測量值經(jīng)自適應(yīng)加權(quán)數(shù)據(jù)融合處理后的數(shù)據(jù)。兩種數(shù)據(jù)處理結(jié)果與溫度實際值的誤差對比如圖3 所示。

根據(jù)圖2 和圖3 數(shù)據(jù)處理的結(jié)果對比可知，自適應(yīng)加權(quán)數(shù)據(jù)融合算法能獲得比各傳感器數(shù)據(jù)求和取均值更高的數(shù)據(jù)精度，有利于提高基于傳感器網(wǎng)絡(luò)的倉庫環(huán)境參數(shù)監(jiān)控的準確度。

4 結(jié)束語

本文以提高基于無線傳感器網(wǎng)絡(luò)的倉庫環(huán)境參數(shù)監(jiān)測準確度為目的，以倉庫環(huán)境溫度參數(shù)監(jiān)測為例，論述了多傳感器數(shù)據(jù)自適應(yīng)加權(quán)數(shù)據(jù)融合的具體設(shè)計步驟。實驗結(jié)果表明，自適應(yīng)加權(quán)數(shù)據(jù)融合算法在無線傳感器網(wǎng)絡(luò)倉庫環(huán)境參數(shù)監(jiān)控中具有更高的數(shù)據(jù)精度，有利于提高倉庫環(huán)境參數(shù)監(jiān)測的準確性。