摘 要： 基于ZigBee技術(shù)設計機房環(huán)境監控系統，根據無(wú)線(xiàn)傳感器網(wǎng)絡(luò )自身的局限性和監控網(wǎng)絡(luò )多種傳感器協(xié)同工作的特點(diǎn)，重點(diǎn)研究多傳感器數據融合知識，并將模糊數學(xué)的D?S數據融合技術(shù)應用到該系統網(wǎng)絡(luò )中，為了確保無(wú)線(xiàn)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(guò)程。實(shí)踐表明，該研究達到了預定目標。
關(guān)鍵詞： 機房監控系統； 多傳感器； 數據融合； ZigBee技術(shù)
中圖分類(lèi)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(shù)概述
機房環(huán)境監控系統是指對機房環(huán)境的濕度、溫度、煙霧以及供電電源的電壓、電流進(jìn)行實(shí)時(shí)數據采集并進(jìn)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(shù)的無(wú)線(xiàn)監控網(wǎng)絡(luò )，對機房?jì)鹊沫h(huán)境進(jìn)行實(shí)時(shí)監控并將傳感器收集到的信息上傳給核心處理模塊做進(jìn)一步處理。無(wú)線(xiàn)網(wǎng)絡(luò )的基本框架如圖1所示，系統中無(wú)線(xiàn)監控的終端節點(diǎn)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(huán)境的特點(diǎn)，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(lèi)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(lái)自多個(gè)傳感器的數據進(jìn)行處理，從而產(chǎn)生這些傳感器無(wú)法產(chǎn)生的有意義的信息，實(shí)現對目標更準確、更可靠的識別。
當今，隨著(zhù)科學(xué)技術(shù)的發(fā)展，對信息融合要求也是越來(lái)越大，融合的主要技術(shù)手段是利用計算機技術(shù)對按時(shí)序獲得的多傳感器的觀(guān)察信息在一定條件下自動(dòng)優(yōu)化分析、綜合利用以做出所需的決策和相關(guān)任務(wù)而進(jìn)行的信息處理的過(guò)程?？梢?jiàn)，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(jìn)行協(xié)調優(yōu)化綜合處理。數據融合目前有許多種分類(lèi)方法[2]。按融合方法分類(lèi)，可以分為統計方法、人工智能方法等；按信號處理的域進(jìn)行分類(lèi)，分為時(shí)域、空域和頻域等；按融合的層次以及融合過(guò)程順序分為低級、中級和高級，并根據融合的層次和相關(guān)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(lèi)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(wú)線(xiàn)傳感器網(wǎng)絡(luò )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(guò)無(wú)線(xiàn)的方式組成一個(gè)網(wǎng)絡(luò )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(wú)線(xiàn)傳感器網(wǎng)絡(luò )因其具有很強的靈活性、低功耗等特點(diǎn)，在軍事領(lǐng)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(wú)線(xiàn)傳感器網(wǎng)絡(luò )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(diǎn)的工作環(huán)境一般比較惡劣，所以通信過(guò)程中往往受到地形、氣溫、磁場(chǎng)等因素的干擾；其次，計算能力有限，節點(diǎn)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(diǎn)往往是由電池供電的，而每個(gè)節點(diǎn)的運行周期長(cháng)，因此節點(diǎn)在被按放到目標環(huán)境中時(shí)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(wǎng)絡(luò )中節點(diǎn)一般會(huì )遵循傳輸協(xié)議中規定的方向進(jìn)行傳輸，一旦某個(gè)中間級節點(diǎn)發(fā)生故障而無(wú)法接收下級節點(diǎn)的數據，可能導致終端節點(diǎn)數據的丟失。數據融合技術(shù)在傳感器網(wǎng)絡(luò )中的作用是十分巨大的，主要表現在節省網(wǎng)絡(luò )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(shí)代，傳感器網(wǎng)絡(luò )的數據融合技術(shù)已經(jīng)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(gè)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(lǐng)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(jiǎn)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(guò)程簡(jiǎn)單，實(shí)時(shí)性強，但必須根據專(zhuān)家知識設定權重值，主觀(guān)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(shí)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(jìn)行處理，每個(gè)相互獨立的決策都是一個(gè)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?？柭鼮V波算法利用高斯白噪聲對線(xiàn)性系統的系統噪聲和傳感器的噪聲建模，并可以將動(dòng)態(tài)的低級冗余數據實(shí)時(shí)融合，提供了惟一一個(gè)統計意義上的最優(yōu)融合值，其實(shí)時(shí)性好且不需要大量的存儲空間。
（4） 人工神經(jīng)網(wǎng)絡(luò )。人工神經(jīng)網(wǎng)絡(luò )是在現代心理學(xué)家和數理邏輯學(xué)家模擬人腦工作機制基礎上提出的。它由大量廣泛互聯(lián)的處理單元連接而成并與傳統的數字計算機的計算過(guò)程有本質(zhì)的區別。它具有大規模并行模擬處理，連續時(shí)間動(dòng)力學(xué)和網(wǎng)絡(luò )全局作用等特點(diǎn)，存儲體和操作合而為一。利用神經(jīng)網(wǎng)絡(luò )進(jìn)行數據的融合可以實(shí)時(shí)實(shí)現最優(yōu)處理算法、分布式存儲、并行處理并可以避開(kāi)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(chǎn)生的影響，并實(shí)現實(shí)時(shí)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(guò)證據集的累積來(lái)縮小假設，首先將證據集合劃分為兩個(gè)以上不相關(guān)的小集合，并利用它們分別對目標區域進(jìn)行獨立判斷，然后用特有的Dempster組合進(jìn)行規劃，最終將它們組合起來(lái)做出最終的判斷。其特點(diǎn)就是利用多角度多方面的證據來(lái)產(chǎn)生一個(gè)綜合信任度來(lái)判斷問(wèn)題，這樣使人們判斷問(wèn)題更理性、可靠。在傳感器網(wǎng)絡(luò )中，每個(gè)傳感器就被假設為一個(gè)證據體。多個(gè)傳感器數據融合，實(shí)質(zhì)上就是在同一判斷條件下，利用Dempster組合規則將各個(gè)證據體合并成一個(gè)全新的證據體，而這個(gè)證據體產(chǎn)生的過(guò)程就是D?S數據融合過(guò)程。但是D?S數據融合也有著(zhù)自身的缺點(diǎn)，主要是數據融合建立在邏輯推理的前提下進(jìn)行的。同時(shí)，多路傳感器所收集到的證據集也會(huì )隨著(zhù)傳感器受到外界工作的影響而非定向漂移，產(chǎn)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(guò)程不同，它引入了命題?信任度的概念，并認為一個(gè)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(mǎn)足如下公式：
[m?=0X?2θm（X）=1] （2）
式中，[m（X）]稱(chēng)為命題X的基本概率賦值或質(zhì)量函數，它是[θ]的集合[2θ]到[0，1]上的映射，即[m：2θ→[0，1]]，同時(shí)X也成為[θ]內的一個(gè)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(diǎn)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(gè)公式為：
[Bel?=0Bel（θ）=1Bel（X）=Y?Xm（Y）] （3）
式（3）中，同樣[?X?θ]，稱(chēng)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(gè)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(fā)送命題命題X時(shí)，[Pl（X）]為0，接收命題X時(shí)，[Pl（X）]為1，同時(shí)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(shí)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(tài)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(gè)區間：
（1） [[Bel（X），Pl（X）]]=1時(shí)，表示在[[0，1]]整個(gè)區間上均為信任度區間，命題X中包含的信息沒(méi)有任何利用價(jià)值；
（2） [[Bel（X），Pl（X）]]=0時(shí)，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(shí)，表示對命題X全然不支持；
（4） [Bel（X）=Pl（X）=1]時(shí)，表示這個(gè)區間為命題X的支持區間，此時(shí)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(shuō)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(lái)自多個(gè)信息源信息的相關(guān)規則，其中組合來(lái)自?xún)蓚€(gè)信息源的組合規則可以表示為：假設[Bel1]和[Bel2]是來(lái)自同一個(gè)證據框架[θ]上的兩個(gè)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(gè)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(shí)m（Z）可以確定一個(gè)基本概率分配，這時(shí)[Bel]是[Bel1]和[Bel2]的正交和，記作[Bel1⊕Bel2]，稱(chēng)為命題組的信任函數組合；[K=1]時(shí)則認為[m1]和[m2]發(fā)生沖突無(wú)法進(jìn)行組合，那么式（8）稱(chēng)為Dempster經(jīng)典組合規則。
進(jìn)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(gè)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(gè)決策性的準則來(lái)判斷假設命題的真偽，或者說(shuō)信任度或擬真值在哪一個(gè)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?jì)鹊脑O備進(jìn)行全天候不間斷的監控，傳感器工作過(guò)程中會(huì )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(huì )給數據融合的準確性帶來(lái)一定誤差。為了防止上述現象的發(fā)生，系統首先對傳感器采集到的數據進(jìn)行預處理，定義式（11）和式（12）兩個(gè)式子作為環(huán)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(huán)境某一項正常值的歸一化結果，如：機房?jì)鹊沫h(huán)境溫度；用[Lvalj]表示第j項環(huán)境參數正常范圍的下限值；[min1≤j≤n cj]為第j類(lèi)檢測項最小值，有時(shí)可以根據實(shí)際情況對此項進(jìn)行專(zhuān)家人為擬定；同理，[cj″∈（0，1）]為高于機房環(huán)境某一項正常值的歸一化結果；[Hvalj]為表示第j項環(huán)境參數正常范圍的上限值，[max1≤j≤n cj]為第j類(lèi)檢測項取最大值，同樣可以根據實(shí)際情況對此項進(jìn)行專(zhuān)家人為擬定。這樣就可以將機房環(huán)境的各個(gè)因素劃分在（-1，1）的范圍內，當機房環(huán)境滿(mǎn)足正常值時(shí)，歸一化的結果為0，而當某一項環(huán)境參數低于或高于正常值時(shí)，結果就會(huì )在（-1，0）或（0，1）兩個(gè)區間內。顯然，當結果出現在這兩個(gè)區間時(shí)都是非正常的情況，數據融合過(guò)程中總體的結果也會(huì )偏離正常值，最終產(chǎn)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(diǎn)非正常發(fā)送數據而落在這兩個(gè)區間時(shí)，調控就會(huì )失敗。因此，系統在得到歸一化的結果后，首先利用模糊數學(xué)的隸屬度函數對歸一化的結果與專(zhuān)家設定值進(jìn)行比對，如下：
[ri=j=1nexp-cj-nj， j=1，2，…，n] （13）
式中：[ri]為機房環(huán)境第[i]項的相似度總和；[cj]為同類(lèi)傳感器中的一個(gè)得到的歸一化結果；[nj]為專(zhuān)家設定的同類(lèi)傳感器中的一個(gè)比對數值。其次，在核心控制板設定數據融合閾值，進(jìn)而判斷模糊數學(xué)處理后的結果是否進(jìn)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(shí)也減少了核心板的運算量，控制系統的實(shí)時(shí)性更強。
4 智能判別
無(wú)線(xiàn)傳感網(wǎng)中的每一個(gè)節點(diǎn)都承擔獲取傳感信息、數據存儲并發(fā)送、與其他節點(diǎn)通信的任務(wù)。每一個(gè)節點(diǎn)在傳輸過(guò)程中易受到高斯噪聲的影響而產(chǎn)生漂移。實(shí)際上，每一個(gè)傳感終節點(diǎn)都會(huì )被布置在環(huán)境相對較差的地方，如：將溫濕度傳感器節點(diǎn)安置在工作中的交換機、路由器周?chē)?，那里溫度較高且電磁干擾強，噪聲大。因此，傳感器節點(diǎn)易受到軟、硬件的損失而導致系統產(chǎn)生錯誤甚至崩潰，其中產(chǎn)生錯誤傳感信息（較傳感獲取值嚴重偏大或偏低）并發(fā)送給核心控制板是最為隱蔽，同時(shí)也是損失較大的一種錯誤，它會(huì )擾亂后續的調節處理步驟，給機房監控帶來(lái)嚴重后果。為了解決這一問(wèn)題，系統在加入模糊數學(xué)的同時(shí)也設置了輪回方式的網(wǎng)絡(luò )自詢(xún)問(wèn)，實(shí)現網(wǎng)絡(luò )節點(diǎn)的智能判別過(guò)程。
在輪回方式網(wǎng)絡(luò )自詢(xún)問(wèn)的過(guò)程中，每一個(gè)在無(wú)線(xiàn)網(wǎng)絡(luò )中coordinator節點(diǎn)附近的若干個(gè)終端節點(diǎn)將組成一個(gè)虛擬小網(wǎng)絡(luò )，coordinator節點(diǎn)和終端節點(diǎn)是ZigBee無(wú)線(xiàn)網(wǎng)絡(luò )中的典型節點(diǎn)。在這個(gè)小網(wǎng)絡(luò )中，共由9個(gè)節點(diǎn)組成，如圖3所示。
由圖3可知，一個(gè)節點(diǎn)向周?chē)濣c(diǎn)發(fā)送一致性檢測的信息，通過(guò)周?chē)濣c(diǎn)的反饋結果來(lái)確定周?chē)濣c(diǎn)的健康情況。在這個(gè)網(wǎng)絡(luò )中的節點(diǎn)不論coordinator節點(diǎn)還是終端節點(diǎn)其通信地位都是平等的，因此第一個(gè)發(fā)送檢測信息的節點(diǎn)從其ID號最低的開(kāi)始，依次輪回到小網(wǎng)絡(luò )中ID號最高的節點(diǎn)。發(fā)送的檢測信息包括檢測軟件與硬件的相關(guān)內容，這些內容可以根據用戶(hù)的要求進(jìn)行定義。當其他節點(diǎn)完成一致性檢測后它將發(fā)送一個(gè)回答信息，最初發(fā)送的節點(diǎn)將收集這些信息以確定周?chē)濣c(diǎn)的健康情況。在整個(gè)智能判別的網(wǎng)絡(luò )中，每一個(gè)節點(diǎn)都有一個(gè)健康閾值[wk]，它是指小網(wǎng)絡(luò )檢測一輪后各個(gè)節點(diǎn)健康信息總和。當這個(gè)節點(diǎn)的健康信息不小于健康閾值時(shí)，它將被判定為正常節點(diǎn)，否則定義為錯誤節點(diǎn)，整個(gè)網(wǎng)絡(luò )將舍棄該節點(diǎn)的任何信息。圖3中，各個(gè)節點(diǎn)的健康閾值定義為2，當健康信息總和為1時(shí)，將被定義為錯誤節點(diǎn)。經(jīng)過(guò)無(wú)線(xiàn)通信網(wǎng)絡(luò )自主智能判別后，網(wǎng)絡(luò )會(huì )自動(dòng)濾除錯誤節點(diǎn)，使網(wǎng)絡(luò )信息的可信度大大提高。
5 結 語(yǔ)
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(huán)境的實(shí)際情況確定最準確的隸屬度函數，對收集到的數據進(jìn)行模糊數學(xué)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(huán)境監控的最佳監控結果，實(shí)現機房高效監控、科學(xué)調控的目的。
參考文獻
[1] 劉曉寧.ZigBee無(wú)線(xiàn)傳感器網(wǎng)絡(luò )在監控系統中的研究與應用[D].濟南：山東大學(xué)，2007.
[2] 寧永生.智能控制技術(shù)在中央空調監控系統中的應用研究[D].重慶：重慶大學(xué)，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(xué)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(kāi)發(fā)方法[J].北京生物醫學(xué)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(jìn)，2015（3）：108?112.
[7] 朱舒揚.全尺寸超燃沖壓發(fā)動(dòng)機推力測量臺架研制[J].火箭推進(jìn)，2015（5）：106?110.
