多傳感器數據融合技術在機房監控系統中的應用

趙玲云

摘 要： 基于ZigBee技術設計機房環境監控系統，根據無線傳感器網絡自身的局限性和監控網絡多種傳感器協同工作的特點，重點研究多傳感器數據融合知識，并將模糊數學的D?S數據融合技術應用到該系統網絡中，為了確保無線傳感器的穩定性以及采集到的數據的準確性，系統加入智能判別過程。實踐表明，該研究達到了預定目標。

關鍵詞： 機房監控系統； 多傳感器； 數據融合； ZigBee技術

中圖分類號： TN948.64?34 文獻標識碼： A 文章編號： 1004?373X（2016）24?0116?04

Application of multi ?sensor data fusion technology in computer room monitoring system

ZHAO Lingyun

（Nantong Shipping College， Nantong 226010， China）

Abstract： The design of computer room environment monitoring system based on ZigBee technology is introduced in this paper. According to the limitation of wireless sensor network itself and characteristics of multi?sensor cooperative work in monitoring network， the knowledge of multi?sensor data fusion is researched emphatically， and the D?S data fusion technology in fuzzy mathematics is used in the monitoring system. In order to ensure the stability of wireless sensor and veracity of the collected the data， an intelligent decision process is added in the system.

Keywords： computer room monitoring system； multi?sensor； data fusion； ZigBee technology

1 機房監控系統的多傳感器與信息融合技術概述

機房環境監控系統是指對機房環境的濕度、溫度、煙霧以及供電電源的電壓、電流進行實時數據采集并進行調控的綜合系統。本文研究的機房監控系統采用的是基于ZigBee技術的無線監控網絡，對機房內的環境進行實時監控并將傳感器收集到的信息上傳給核心處理模塊做進一步處理。無線網絡的基本框架如圖1所示，系統中無線監控的終端節點主要由傳感器、控制器、射頻通信模塊和供電系統組成。根據機房環境的特點，傳感器又分為溫濕度傳感器、水浸檢測傳感器、煙霧傳感器、電源電壓檢測傳感器等。系統中的傳感器種類復雜多樣、采集到的信息量大、每種傳感器采集的信息耦合性強。多傳感器信息融合[1] （Multisensor Information Fusion）是指多級別、多方面、多層次地對來自多個傳感器的數據進行處理，從而產生這些傳感器無法產生的有意義的信息，實現對目標更準確、更可靠的識別。

當今，隨著科學技術的發展，對信息融合要求也是越來越大，融合的主要技術手段是利用計算機技術對按時序獲得的多傳感器的觀察信息在一定條件下自動優化分析、綜合利用以做出所需的決策和相關任務而進行的信息處理的過程。可見，信息融合的硬件基礎是各種傳感器，加工對象是多源信息，核心是對數據進行協調優化綜合處理。數據融合目前有許多種分類方法[2]。按融合方法分類，可以分為統計方法、人工智能方法等；按信號處理的域進行分類，分為時域、空域和頻域等；按融合的層次以及融合過程順序分為低級、中級和高級，并根據融合的層次和相關信息推導出融合的級別，又可以分為數據級、特征級和決策級。其中，最后一種分類的三種方法目前使用的較廣泛，三種融合方法的性能對照[3]，如表1所示。

表1 按融合級別劃分的三種融合方法性能對照表

無線傳感器網絡大多是由部署在監控區域大量微型傳感器組成，這些傳感器具有感知、計算和通信能力，它們通過無線的方式組成一個網絡系統，其目的是采集、感知目標區域的信息，并將獲取的信息傳遞給獲取者。無線傳感器網絡因其具有很強的靈活性、低功耗等特點，在軍事領域、災難預警與救助、空間監測、醫療健康檢測等方面應用十分廣泛。但是，無線傳感器網絡也有自身的不足，首先通信能力有限，傳感器的通信能力一般在幾十至幾百米，由于節點的工作環境一般比較惡劣，所以通信過程中往往受到地形、氣溫、磁場等因素的干擾；其次，計算能力有限，節點內核往往嵌入低端的處理器和存儲器，如8/16位單片機等，這些設備只具有較低速率的處理能力；能量供給有限，節點往往是由電池供電的，而每個節點的運行周期長，因此節點在被按放到目標環境中時其供給的能量是十分有限的；最后就是傳輸數據方向性強，在網絡中節點一般會遵循傳輸協議中規定的方向進行傳輸，一旦某個中間級節點發生故障而無法接收下級節點的數據，可能導致終端節點數據的丟失。數據融合技術在傳感器網絡中的作用是十分巨大的，主要表現在節省網絡能量、提高信息的準確性、提高收集的效率等方面。

2 數據融合算法

信息時代，傳感器網絡的數據融合技術已經應用的十分廣泛，而多數數據融合的算法是對傳感器測量的一些數據提出了一些假設，如將一個統計獨立的高斯噪聲加入到傳感器的測量模型中或者將傳感器的測量誤差假定為統計獨立。根據不同的應用領域，數據融合算法可以歸納為以下幾種[4]：

（1） 加權平均值算法。加權平均值算法是一種簡單有效的融合算法，如式（1）所示，它對不同傳感器收集到的信息加權后取平均值，該方法計算過程簡單，實時性強，但必須根據專家知識設定權重值，主觀性強。

[m=j=1Nwjmjj=1Nwj] （1）

式中，[wj]為每種傳感器收集到的信息的加權值。

（2） 貝葉斯估計算法。貝葉斯估計實際就是用概率的形式表示各種不確定的信息，并用貝葉斯條件概率公式進行處理，每個相互獨立的決策都是一個樣本空間的劃分，最后由某種規則做出系統的決策，但是貝葉斯估計需要先驗概率作為計算的基礎并且計算量較大。

（3） 卡爾曼濾波算法。卡爾曼濾波算法利用高斯白噪聲對線性系統的系統噪聲和傳感器的噪聲建模，并可以將動態的低級冗余數據實時融合，提供了惟一一個統計意義上的最優融合值，其實時性好且不需要大量的存儲空間。

（4） 人工神經網絡。人工神經網絡是在現代心理學家和數理邏輯學家模擬人腦工作機制基礎上提出的。它由大量廣泛互聯的處理單元連接而成并與傳統的數字計算機的計算過程有本質的區別。它具有大規模并行模擬處理，連續時間動力學和網絡全局作用等特點，存儲體和操作合而為一。利用神經網絡進行數據的融合可以實時實現最優處理算法、分布式存儲、并行處理并可以避開模式識別中建模和特征提取，消除了模型不符與特征選擇不當所產生的影響，并實現實時識別，以提高識別系統的性能。

（5） D?S（Dempster?Shafer）證據推理方法[5]。D?S是當今數據融合中比較流行的一種方法，它是通過證據集的累積來縮小假設，首先將證據集合劃分為兩個以上不相關的小集合，并利用它們分別對目標區域進行獨立判斷，然后用特有的Dempster組合進行規劃，最終將它們組合起來做出最終的判斷。其特點就是利用多角度多方面的證據來產生一個綜合信任度來判斷問題，這樣使人們判斷問題更理性、可靠。在傳感器網絡中，每個傳感器就被假設為一個證據體。多個傳感器數據融合，實質上就是在同一判斷條件下，利用Dempster組合規則將各個證據體合并成一個全新的證據體，而這個證據體產生的過程就是D?S數據融合過程。但是D?S數據融合也有著自身的缺點，主要是數據融合建立在邏輯推理的前提下進行的。同時，多路傳感器所收集到的證據集也會隨著傳感器受到外界工作的影響而非定向漂移，產生信息誤差。

3 D?S在監控系統中的應用

3.1 D?S證據理論

D?S理論中最基本的概念是建立證據框架（Frame of Discernment），并記為[θ]，與貝葉斯公式對[θ]內的元素采用事件?概率的計算過程不同，它引入了命題?信任度的概念，并認為一個事件與其對立事件的信任度之和可以小于1。在證據理論中，[θ]內元素互不相容，對于框架內的基本命題X滿足如下公式：

[m?=0X?2θm（X）=1] （2）

式中，[m（X）]稱為命題X的基本概率賦值或質量函數，它是[θ]的集合[2θ]到[0，1]上的映射，即[m：2θ→[0，1]]，同時X也成為[θ]內的一個焦元。[m（X）]表示對命題X的支持程度，顯然對于空集[?]的支持程度為0，對于[θ]的全部子集的支持程度為1，從這點可看出，對命題X的賦值與計算X出現的概率方法相同。證據理論中第二個公式為：

[Bel?=0Bel（θ）=1Bel（X）=Y?Xm（Y）] （3）

式（3）中，同樣[?X?θ]，稱Bel（X）為命題X的總信任度，由此基本概率賦值函數又可以推導為：

[m（X）=Y?X（-1）X-YBel（Y）] （4）

證據理論中的第三個公式：

[Pl（X）=1-Bel（X）Pl（X）=X?Y≠?m（Y）] （5）

式中，[Pl（X）]為命題X的似真度，似真度函數與信任度函數表示的是同樣的意義，即當發送命題命題X時，[Pl（X）]為0，接收命題X時，[Pl（X）]為1，同時由式（5）還可以得到[Bel（X）≤Pl（X）]，這樣信任度函數與似真度函數可以用圖2表示。

區間[[0，Bel（X）]]定義為支持命題X的證據區間，[Bel（X）]為證據區間的上限；區間[[0，Pl（X）]]定義為命題X的似真區間，同樣，[Pl（X）]為似真區間的上限，同時它也是拒絕區間[[Pl（X），1]]的下限；區間[[Bel（X），Pl（X）]]為信任度區間或者中性證據區間，此區間表示對命題X的態度為既不支持也不反對。信任度區間是證據理論中討論性最強的一個區間：

（1） [[Bel（X），Pl（X）]]=1時，表示在[[0，1]]整個區間上均為信任度區間，命題X中包含的信息沒有任何利用價值；

（2） [[Bel（X），Pl（X）]]=0時，表示D?S證據理論與貝葉斯估計算法相一致，即[Bel（X）=Pl（X）=P（X）]，其中[P（X）]表示命題X的概率；

（3） [Bel（X）=Pl（X）=0]時，表示對命題X全然不支持；

（4） [Bel（X）=Pl（X）=1]時，表示這個區間為命題X的支持區間，此時的支持程度最大。

由證據理論式（2）、式（3）、式（5）可以推導得：

[Bel（X）+Bel（X）≤1] （6）

[Pl（X）+Pl（X）≥1] （7）

式（6）、式（7）說明接收與拒絕命題X的信任度之和可以小于1，似真度之和可以大于1。

3.2 Dempster組合規則

D?S證據理論定義了組合來自多個信息源信息的相關規則，其中組合來自兩個信息源的組合規則可以表示為：假設[Bel1]和[Bel2]是來自同一個證據框架[θ]上的兩個信任度函數，基本概率賦值分別為[m1]和[m2]，相應的命題組（焦元）為[X1，X2，…，Xk]和[Y1，Y2，…，Yk]，則兩個命題組合成后的信任度函數[Bel]，如式（8）所示。

[m（Z）=Xi?Yj=Zm1（Xi）m2（Yj）1-K， ?Z?θ， Z≠?0， Z=? ] （8）

式中，假設[K=Xi?Yjm1（Xi）m2（Yj）]，[K<1]，[i=1，2，…，k]且[j=1，2，…，k]。式（8）中，[0≤K<1]時m（Z）可以確定一個基本概率分配，這時[Bel]是[Bel1]和[Bel2]的正交和，記作[Bel1⊕Bel2]，稱為命題組的信任函數組合；[K=1]時則認為[m1]和[m2]發生沖突無法進行組合，那么式（8）稱為Dempster經典組合規則。

進一步，命題[Xi]和[Yj]的信任度區間記為[El（Xi）=[Bel（Xi），Pl（Xi）]]和[El（Yj）=[Bel（Yj），Pl（Yj）]]，那么[X1]和[Y1]組合后的證據區間為：

[El（Z1）=El（X1）⊕El（Y1）=[1-ξ（1-Bel（X1））（1-Bel（Y1），ξPl（Y1））]] （9）

式中，[ξ={1-[Bel（X1）Bel（Y1）Bel（X1）]Bel（Y1）}-1]。對于多個信任度的融合，融合后的基本概率分配為[m（Z）=m1⊕m2⊕…⊕mN]，如下：

[m（Z）=?Xi=Zi=1Nmi（Xi）?Xi≠?i=1Nmi（Xi）] （10）

最后，需要一個決策性的準則來判斷假設命題的真偽，或者說信任度或擬真值在哪一個范圍是可以接受的、哪些需要拒絕等，從而給命題下定論。

3.3 監控系統的數據融合

機房監控系統需要對機房內的設備進行全天候不間斷的監控，傳感器工作過程中會受到各種噪聲的干擾，這些噪聲大多以高斯分布形式出現，雖然系統可以判別噪聲并加以濾除，但還是會給數據融合的準確性帶來一定誤差。為了防止上述現象的發生，系統首先對傳感器采集到的數據進行預處理，定義式（11）和式（12）兩個式子作為環境變量歸一化公式：

[cj′=cj-LvaljLvalj-min1≤j≤n cj] （11）

[cj″=cj-Hvaljmax1≤j≤n cj-Hvalj] （12）

式中：[cj′∈（-1，0）]為低于機房環境某一項正常值的歸一化結果，如：機房內的環境溫度；用[Lvalj]表示第j項環境參數正常范圍的下限值；[min1≤j≤n cj]為第j類檢測項最小值，有時可以根據實際情況對此項進行專家人為擬定；同理，[cj″∈（0，1）]為高于機房環境某一項正常值的歸一化結果；[Hvalj]為表示第j項環境參數正常范圍的上限值，[max1≤j≤n cj]為第j類檢測項取最大值，同樣可以根據實際情況對此項進行專家人為擬定。這樣就可以將機房環境的各個因素劃分在（-1，1）的范圍內，當機房環境滿足正常值時，歸一化的結果為0，而當某一項環境參數低于或高于正常值時，結果就會在（-1，0）或（0，1）兩個區間內。顯然，當結果出現在這兩個區間時都是非正常的情況，數據融合過程中總體的結果也會偏離正常值，最終產生監控系統報警并且采取使之向正常值變化的調控。但是，如果因噪聲或其他因素的影響使傳感器節點非正常發送數據而落在這兩個區間時，調控就會失敗。因此，系統在得到歸一化的結果后，首先利用模糊數學的隸屬度函數對歸一化的結果與專家設定值進行比對，如下：

[ri=j=1nexp-cj-nj， j=1，2，…，n] （13）

式中：[ri]為機房環境第[i]項的相似度總和；[cj]為同類傳感器中的一個得到的歸一化結果；[nj]為專家設定的同類傳感器中的一個比對數值。其次，在核心控制板設定數據融合閾值，進而判斷模糊數學處理后的結果是否進一步采取數據融合的判斷，這樣不但提高了數據融合的準確性，加強了系統的可信度，同時也減少了核心板的運算量，控制系統的實時性更強。

4 智能判別

無線傳感網中的每一個節點都承擔獲取傳感信息、數據存儲并發送、與其他節點通信的任務。每一個節點在傳輸過程中易受到高斯噪聲的影響而產生漂移。實際上，每一個傳感終節點都會被布置在環境相對較差的地方，如：將溫濕度傳感器節點安置在工作中的交換機、路由器周圍，那里溫度較高且電磁干擾強，噪聲大。因此，傳感器節點易受到軟、硬件的損失而導致系統產生錯誤甚至崩潰，其中產生錯誤傳感信息（較傳感獲取值嚴重偏大或偏低）并發送給核心控制板是最為隱蔽，同時也是損失較大的一種錯誤，它會擾亂后續的調節處理步驟，給機房監控帶來嚴重后果。為了解決這一問題，系統在加入模糊數學的同時也設置了輪回方式的網絡自詢問，實現網絡節點的智能判別過程。

在輪回方式網絡自詢問的過程中，每一個在無線網絡中coordinator節點附近的若干個終端節點將組成一個虛擬小網絡，coordinator節點和終端節點是ZigBee無線網絡中的典型節點。在這個小網絡中，共由9個節點組成，如圖3所示。

由圖3可知，一個節點向周圍節點發送一致性檢測的信息，通過周圍節點的反饋結果來確定周圍節點的健康情況。在這個網絡中的節點不論coordinator節點還是終端節點其通信地位都是平等的，因此第一個發送檢測信息的節點從其ID號最低的開始，依次輪回到小網絡中ID號最高的節點。發送的檢測信息包括檢測軟件與硬件的相關內容，這些內容可以根據用戶的要求進行定義。當其他節點完成一致性檢測后它將發送一個回答信息，最初發送的節點將收集這些信息以確定周圍節點的健康情況。在整個智能判別的網絡中，每一個節點都有一個健康閾值[wk]，它是指小網絡檢測一輪后各個節點健康信息總和。當這個節點的健康信息不小于健康閾值時，它將被判定為正常節點，否則定義為錯誤節點，整個網絡將舍棄該節點的任何信息。圖3中，各個節點的健康閾值定義為2，當健康信息總和為1時，將被定義為錯誤節點。經過無線通信網絡自主智能判別后，網絡會自動濾除錯誤節點，使網絡信息的可信度大大提高。

5 結 語

綜上所述，機房監控系統選用D?S融合算法作為數據融合的主要手段，為了克服D?S數據融合應用在本監控系統中的不足，首先根據機房環境的實際情況確定最準確的隸屬度函數，對收集到的數據進行模糊數學處理，然后將處理后的數據集作為多方面證據融合出機房環境監控的最佳監控結果，實現機房高效監控、科學調控的目的。

參考文獻

[1] 劉曉寧.ZigBee無線傳感器網絡在監控系統中的研究與應用[D].濟南：山東大學，2007.

[2] 寧永生.智能控制技術在中央空調監控系統中的應用研究[D].重慶：重慶大學，2004.

[3] 王蘊紅，譚鐵牛，朱勇.基于奇異值分解和數據融合的臉像鑒別[J].計算機學報，2000，23（6）：649?653.

[4] 張弘強，鄧振生，蘇心雨.基于Linux和Qt4便攜式醫療儀器的開發方法[J].北京生物醫學工程，2011，30（2）：191?194.

[5] JOHNSTON M S， ROSENTHAL K L， SHOFER F S. Assessment of a point?of?care biochemical analyzer and comparison with a commercial laboratory for the measurement of total protein and albumin concentrations in psittacines [J]. American journal of veterinary research， 2007， 68（12）： 15?27.

[6] 劉小杰，杜永清，張鶴平，等.基于LabVIEW與PLC的燒嘴試驗臺測控系統設計[J].火箭推進，2015（3）：108?112.

[7] 朱舒揚.全尺寸超燃沖壓發動機推力測量臺架研制[J].火箭推進，2015（5）：106?110.