基于無線ZigBee的鎢礦尾礦庫安全監測系統

何學文 盛穎飛 曹清梅

(江西理工大學機電工程學院，江西 贛州 341000)

·安全與環?！?/p>

基于無線ZigBee的鎢礦尾礦庫安全監測系統

何學文 盛穎飛 曹清梅

(江西理工大學機電工程學院，江西 贛州 341000)

針對當前鎢礦尾礦庫安全監測系統存在安裝和維護成本高、布線復雜、傳輸距離及能量受限等問題，設計了一種基于ZigBee無線傳感器網絡和LabVIEW的監測預警系統。選用片上芯片CC2530作為射頻收發器，完成了太陽能供電的傳感器節點的硬件和軟件設計，實現對尾礦庫監測數據的采集、傳輸和處理。上位機使用LabVIEW設計監測預警界面，實時顯示監測參數并及時預警，利用VISA串口資源模塊和SQL語言調用的Access數據庫，實現監測數據的傳輸和存儲。上位機數據處理模塊通過LabVIEW的Matlab Script節點在后面板中編程調用Matlab軟件并建立回歸型支持向量機(SVR)模型進行測試。實驗結果表明，系統能實時采集監測參數，SVR回歸模型預測誤差為0.3%左右，適合鎢礦尾礦庫的參數預測，對控制鎢礦尾礦庫風險，確保其安全意義重大。

無線傳感器網絡 鎢礦尾礦庫 ZigBee LabVIEW SVR

我國鎢礦資源豐富，分布廣，儲量約占世界的40%，居世界第一位，為我國的優勢資源[1]。鎢礦尾礦庫地形復雜、監測點多而分散,需要較大的網絡覆蓋。目前鎢礦尾礦庫的管理大部分采用人工觀測或是有線監測，工作量大，監測數據受氣候、現場條件等因素影響，不能進行全日實時預警。ZigBee是基于IEEE802.15.4標準的低功耗個域網協議，是一種新興的短距離、低速率的無線網絡技術[2]。ZigBee無線網絡具有低功耗、低成本、網絡容量大、安全、延時短、網絡的自組織強、工作頻率段靈活等諸多優點[3]。本研究設計和開發的鎢礦尾礦庫安全監測預警系統，采用太陽能供電方式，解決了傳感器節點能量受限的問題，克服了傳統監測布線困難、維護不便等缺點。利用LabVIEW[4]開發的上位機界面實現了及時預警和數據實時顯示、存儲、查詢、預測等功能。

1 整體方案設計

針對鎢礦尾礦庫在生產運行中存在的危險因素[5]，確定其重點監測參數為壩體位移、浸潤線、庫水位及溫濕度。浸潤線是當庫水位一定時，壩體橫剖面上穩定滲流的自由水面線(或滲流頂面線)[6]。綜合鎢礦尾礦庫的實際需求和成本考慮，選用振弦式滲壓計、壓阻式液位傳感器、滑動式測斜儀及液位式靜力水準儀、溫濕度傳感器SHT10分別監測浸潤線、庫水位、壩體位移、溫濕度等參數。

系統總體架構如圖1所示，主要由基于LabVIEW開發的上位機監測界面以及下層ZigBee無線網絡組成。鎢礦尾礦庫監測現場測點分布廣而散，ZigBee節點的輻射范圍有限[7]，采用具有分布式處理能力的簇-樹型網絡拓撲結構實現節點間的無線通信。上位機和協調器節點放置在尾礦庫的監控中心，協調器節點負責整個網絡的組建和管理，接收路由節點和終端節點發送的監測數據，并通過串口上傳到上位機的監測界面中。終端節點分布在壩體位移、浸潤線監測斷面和溢流井處，完成各個數據的采集，路由器節點負責數據包的轉發，增加無線傳輸距離,還可繞過障礙物，減小丟包率。

圖1 系統總體架構Fig.1 The overall architecture of system

2 ZigBee網絡節點硬件設計

鎢礦尾礦庫的ZigBee網絡主要由協調器節點、路由器和終端節點組成，3種節點在ZigBee網絡中的功能不同，硬件設計有所差別。ZigBee網絡大部分能量消耗在無線通信上，選用低功耗的SoC芯片CC2530作為通信單元，集數據處理與無線通信于一體。終端節點是整個網絡中數量最多的節點，其硬件結構如圖2所示，主要包括數據采集、無線收發、電源、微控制等模塊。其中數據采集模塊各類傳感器與MCU間的信號調理在傳感器內部完成，A/D轉化則直接在CC2530內實現，傳感器可直接與CC2530的I/O口連接實現數據的采集。路由節點主要完成轉發數據包，尋找合適路由路徑的功能，其硬件部分不包含數據采集模塊。協調器節點通過RS232接口實現與PC機的通信，其硬件設計須加上串口通信模塊，實現ZigBee網絡與上位機之間的數據傳輸。

圖2 終端節點硬件結構Fig.2 The hardware structure diagram of end device

目前傳感器節點一般都使用干電池供電[8]，而在鎢礦尾礦庫現場進行電池更換極其不便。本研究采用太陽能供電單元為節點供電,其系統結構如圖3所示。選用輸出電壓5.5 V，輸出電流140～150 mA的單晶硅太陽能電池組將太陽能轉化為電能。電源管理與充電控制模塊具有防反充、過充、過放電控制等功能，2個電容為25 F、耐壓為2.7 V的超級電容串聯作為主要能量存儲器。當光照較弱時由900 mAh、工作電壓為3.6～4.2 V的鋰電池供電。升降壓DC-DC電源穩壓器可獲得穩定的輸出電壓值，其電磁干擾影響無線通信單元的信號接收靈敏度，采用超低壓線性穩壓器，從節能角度出發，供電模塊將后端的電路設計為3個分支。當節點處于休眠狀態時，微控制器關斷另外2路的電源轉換電路，進入低頻睡眠狀態。CC2530的工作電壓一般取3.3 V，采用LM1117-3.3進行電壓轉換。傳感器的工作電壓一般為12 V,15 V,24 V等，采用LM2576芯片將電壓轉換為可調電壓值，以便于擴展不同的傳感器類型。

圖3 太陽能供電系統結構Fig.3 The structure diagram of solar power supply system

3 ZigBee節點軟件設計

CC2530應用程序通過ZigBee協議棧的應用程序接口(Application Programming Interface,API)與協議棧進行交互。在確定ZigBee網絡整體功能的基礎上，使用TI公司提供的IAR7.6軟件平臺對協調器節點，路由器和終端節點進行相應的編程，實現各自的功能。協調器節點(主節點)的程序流程如圖4所示，主要完成組網、網絡參數配置、管理子節點入網和維護網絡穩定等功能，同時接受子節點上傳的數據，通過串口實現與上位機的通信。子節點(路由器和終端節點)的程序流程如圖5所示，主要功能是接受主節點的采集信息控制，完成數據的采集，路由節點起到中轉作用，以增加無線發送距離。

圖4 主節點程序流程Fig.4 The process flow chart of coordinator

圖5 子節點程序流程Fig.5 The process flow chart of sub-node

4 上位機軟件設計與測試結果分析

本系統的上位機監測界面是基于LabVIEW開發的，主要采用模塊化的設計思想，通過串口讀取下層ZigBee網絡采集的浸潤線、庫水位、溫濕度、壩體位移數據，對其進行實時發布顯示、分析處理之后，創建SVR模型進行數據預測并及時報警，實現對鎢礦尾礦庫的有效監測。根據實際需求，監測界面主要實現的功能包括用戶管理、數據采集與實時顯示、數據預測、實時預警、歷史數據與報警查詢。

4.1 監測預警界面實時數據采集與顯示

上位機界面利用LabVIEW的VISA串口資源模塊設計串口通信部分，登陸系統進行串口設置之后，即可根據需要進行浸潤線、庫水位、溫濕度、壩體位移數據的實時采集。以溫度和浸潤線參數為例，其通過串口上傳至上位機監測界面實時采集的監測數據如圖6和圖7所示。

圖6 溫度監控預警界面Fig.6 Temperature monitoring and warning interface

圖7 浸潤線監測預警界面Fig.7 Saturation line monitoring and warning interface

由圖6可知，終端節點在某日較短的時間間隔內所采集的溫度值基本恒定，保持在27 ℃左右，溫度閾值可根據尾礦庫現場需求，進行手動設置。如圖7所示，通過設置數據采集的時間間隔，將當前的采集時間、參數值及其實時曲線圖實時顯示在前面板上。當實時參數值超過預設的安全閾值時，則報警燈閃爍，并彈出窗口，發出警報聲，提醒工作人員采取相應的措施。系統使用SQL語言調用Access2007數據庫，輸入要查詢的始末時間后，即可在前面板顯示出該時間段的監測參數及報警信息。

4.2 SVR算法模型建立

(2)創建SVR模型。先對數據進行歸一化處理，設在高維特征空間里建立的線性回歸函數為

(φ(x)為非線性映射函數)，其中f(x)即為待擬合函數，w、b為待估參數。求上述w、b的值可轉化為求滿足約束條件的二次凸規劃問題

(1)

s.t.

(2)

s.t.

求解式(2)可求得w的值，應用KKT條件即可求得系數b*。將核函數K(xi,xj)=φ(xi)φ(xj)代入式(2)，即得最優回歸超平面的解析式

(3)

(3)選擇參數。選擇RBF核函數，利用交叉驗證方法尋找最佳的懲罰因子C和RBF核函數方差g，利用最佳參數訓練模型，并設定ε的值。設置BP神經網絡的最大訓練次數為1 000，最小均方誤差為10-3，訓練顯示間隔為10，學習速率為0.1。

(4)訓練模型。以浸潤線高度預測為例，結合某鎢礦尾礦庫主壩25個監測點數據，隨機選取20個樣本作為訓練集，剩余的5個樣本作為測試集。

(5)性能評價。以圖形的形式給出最終的測試集結果及浸潤線預測結果，利用libsvm軟件包中的函數svmpredict分別計算出其預測值和測試集的均方誤差E及決定系數R2，并與BP神經網絡進行性能比較。

E和R2的計算公式如式(4)和式(5)所示:

(4)

(5)

4.3 預測結果分析

通過在LabVIEW后面板中編程實現對Matlab軟件的調用，對SVR算法進行仿真，其訓練集仿真結果如圖8所示，將測試集預測結果與BP神經網絡進行對比，仿真結果如圖9所示。

圖8 SVR模型訓練集結果Fig.8 The training set result of SVR model□—真實值；○—預測值

圖9 SVR回歸模型和BP神經網絡性能對比Fig.9 The performance comparison of SVR model and BP neural network model□—真實值；△—SVR預測值；○—BP神經網絡預測值

從圖9中不難發現，BP神經網絡的均方誤差E為0.021，決定系數R2為0.988，而SVR回歸模型訓練集和測試集的均方誤差E分別為0.001 38和0.002 67，決定系數R2均為0.997，明顯比BP神經網絡具有更好的泛化能力及預測精度。

表1所示數據為測試集的5組數據，將2種算法的浸潤線預測結果進行比較，BP神經網絡的預測誤差雖然都不超過1%，但波動比較大，其平均誤差為0.34%。而SVR回歸模型的預測誤差均不超過0.5%，其平均誤差僅為0.1%，且前4組數據非常接近真實值，誤差波動范圍明顯小于BP神經網絡，預測精度較高。

表1 浸潤線預測結果比較Table 1 The contrast of seepage line prediction results

5 結 語

本研究提出了一種新型的鎢礦尾礦庫監測預警系統，該系統由基于LabVIEW開發的上位機監測預警界面以及下層ZigBee無線網絡組成，實時監測鎢礦尾礦庫參數變化，其主要實現功能如下。

(1)實現了基于太陽能供電的無線傳感器節點的軟硬件設計，采用低功耗SoC芯片CC2530作為通信單元，ZigBee 2007作為網絡通信協議，采用簇-樹型網絡拓撲結構實現節點間的無線通信，利用RS232串口實現節點與PC間的通信。

(2)上位機界面以LabVIEW為前臺的顯示層，實時采集并以圖表形式顯示溫濕度、浸潤線高度、庫水位及壩體位移的值，當采集到的監測參數值超過預設的安全閾值時可正常報警。

(3)LabVIEW后面板中調用Matlab軟件作為運算層，針對具體監測參數建立相應的SVR算法模型，應用SQL語言調用Access數據庫，負責數據的存儲和歷史數據的查詢調用。

[1] 李俊萌.中國鎢礦資源淺析[J].中國鎢業，2009，24(6)：9-13. Li Junmeng.On the characteristics and utilization of China' s tungsten resources[J].China Tungsten Industry，2009，24(6)：9-13.

[2] 張竣淞，劉冬梅.ZigBee 技術在圖書館環境自動監測方面的應用[J].華北科技學院學報，2013，10(1)：109-110. Zhang Junsong，Liu Dongmei.Application of the Zigbee technology in the automatic monitoring in library environment[J].Journal of North China Institute of Science and Technology，2013，10(1)：109-110.

[3] 張 猛，房俊龍，韓 雨.基于ZigBee和Internet的溫室群環境遠程監控系統設計[J].農業工程學報，2013(S1)：171-176. Zhang Meng，Fang Junlong，Han Yu.Design on remote monitoring and control system for greenhouse group based on ZigBee and internet[J].Transactions of the Chinese Society of Agricultural Engineering，2013(S1)：171-176.

[4] 李江全，劉恩博，胡 蓉,等.LabVIEW虛擬儀器數據采集與串口通信測控應用實戰[M].北京：人民郵電出版社，2010. Li Jiangquan，Liu Enbo，Hu Rong,et al.LabVIEW Virtual Instrument Data Acquisition and Serial Port Communication[M].Beijing：Posts and Telecom Press，2010.

[5] 張力霆.尾礦庫潰壩研究綜述[J].水利學報，2013(5)：594-600. Zhang Liting.Summary on the dam-break of tailing pond[J].Journal of Hydraulic Engineering，2013(5)：594-600.

[6] 國家安全生產監督管理總局.AQ2030—2010尾礦庫安全監測技術規范[S].北京：國家安全生產監督管理總局，2011. State Administration of Work Safety.AQ2030-2010 Technical Regulation for Tailings Pond Safety Monitoring[S].Beijing：State Administration of Work Safety，2011.

[7] 李曉維，徐勇軍，任豐原. 無線傳感器網絡技術[M]. 北京：北京理工大學出版社，2007. Li Xiaowei，Xu Yongjun，Ren Fengyuan. Techniques for Wireless Sensor Networks[M]. Beijing:Beijing Institute of Technology Press,2007.

[8] 楊世超，陶正蘇.一種基于無線傳感器網絡的生物信息檢測系統節點電源設計[J].電子設計工程，2012(02)：184-187. Yang Shichao，Tao Zhengsu.Design of power system in biological information monitoring system base on WSN[J].Electronic Design Engineering，2012(02)：184-187.

[9] 李春民，王云海，張興凱，等.尾礦壩浸潤線序列的支持向量機預測研究[J].金屬礦山，2010(12)：18-21. Li Chunmin，Wang Yunhai，Zhang Xingkai，et al.Prediction of infiltration route series in tailing dam by the support vector machine[J].Metal Mine，2010(12)：18-21.

(責任編輯 徐志宏)

Tungsten Tailings Pond Safety Monitoring System based on Wireless ZigBee

He Xuewen Sheng Yingfei Cao Qingmei

(MechanicalandElectricalEngineeringCollege，JiangxiUniversityofScienceandTechnology，Ganzhou341000，China)

In view of the existing problems of high installation and maintenance cost，complex wiring，limited transmission distance and energy in current safety monitoring systems of tungsten tailings pond，a new type of monitoring and warning system based on ZigBee wireless sensor network and LabVIEW is designed.The system chooses system-on-chip CC2530 as the radio frequency transceiver and completes hardware and software designing of the solar power sensor nodes，which could collect，transmit and process the data of tailings pond.The monitoring and warning interface of PC is completed with LabVIEW，which displays real-time monitoring parameters and warns in time.It uses VISA serial port resource module and Access database called by SQL to transmit and store the monitoring data.Through the Matlab Script node，data processing module of PC calls Matlab software and establishes the regression model of support vector machine (SVR) in the back panel of the LabVIEW.The experimental results show that the system could collect real-time monitoring parameters.The prediction error of SVR regression model is about 0.3%.It is suitable for predicting parameters of tungsten tailings pond.The system is of great significance to control the risk and ensure the security of tungsten tailings pond.

Wireless sensor networks，Tungsten tailings pond，ZigBee，LabVIEW，SVR

2013-11-02

國家自然科學基金項目(編號：61163063，50764005)，江西省教育廳科技項目(編號：GJJ12329，GJJ12353)。

何學文(1971—)，男，教授，博士，碩士研究生導師。

TD76

A

1001-1250(2014)-01-120-05