柳治譜,王 勇

(中國(guó)地質(zhì)大學(xué)機(jī)械與電子信息學(xué)院,武漢 430070)

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(41202232)

2017-04-21修改日期2017-06-07

基于無(wú)線傳感器網(wǎng)絡(luò)的坡面異常信號(hào)檢測(cè)方法研究*

柳治譜,王 勇*

(中國(guó)地質(zhì)大學(xué)機(jī)械與電子信息學(xué)院,武漢 430070)

提出了一種適用于硬件資源受限的傳感器節(jié)點(diǎn)的坡面異常信號(hào)檢測(cè)方法,數(shù)據(jù)的采集和異常檢測(cè)在節(jié)點(diǎn)前端完成,能提高監(jiān)測(cè)實(shí)時(shí)性,降低數(shù)據(jù)傳輸?shù)耐ㄐ拍芎?。傳感器?jié)點(diǎn)采集坡面加速度數(shù)據(jù),通過(guò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到本征模函數(shù)的上包絡(luò),并對(duì)該包絡(luò)數(shù)據(jù)進(jìn)行高斯建模自適應(yīng)學(xué)習(xí)確定檢測(cè)閾值。對(duì)監(jiān)測(cè)數(shù)據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解得到上包絡(luò)數(shù)據(jù),運(yùn)用3α原則與檢測(cè)閾值進(jìn)行比較實(shí)現(xiàn)異常信號(hào)判別。通過(guò)算法仿真和實(shí)際部署測(cè)試得到該方法檢測(cè)精度為98%,具有一定的實(shí)用價(jià)值。

無(wú)線傳感器網(wǎng)絡(luò);滑坡監(jiān)測(cè);經(jīng)驗(yàn)?zāi)B(tài)分解;自適應(yīng)學(xué)習(xí)

山體滑坡對(duì)生命和財(cái)產(chǎn)安全造成了巨大損失,對(duì)滑坡災(zāi)害進(jìn)行準(zhǔn)確實(shí)時(shí)監(jiān)測(cè)是當(dāng)前的重要任務(wù)。傳統(tǒng)滑坡監(jiān)測(cè)方法主要包括近景攝影測(cè)量法[1],GPS監(jiān)測(cè)法[2],時(shí)域反射法(TDR)[3]等,然而上述方法受到監(jiān)測(cè)設(shè)備成本高、監(jiān)測(cè)周期長(zhǎng)、操作不便等因素的制約,使得信息覆蓋范圍有限,難以大規(guī)模應(yīng)用。無(wú)線傳感器網(wǎng)絡(luò)(WSN)[4]不依賴任何固定網(wǎng)絡(luò)設(shè)施,具有成本低、自組網(wǎng)、覆蓋范圍大、無(wú)人值守、可靠性強(qiáng)的特點(diǎn),其特有的優(yōu)勢(shì)使其逐步成為滑坡監(jiān)測(cè)最主要的技術(shù)手段[5]。文獻(xiàn)[6]提出了一種用于滑坡風(fēng)險(xiǎn)分析的WSN架構(gòu),著重研究了傳感器節(jié)點(diǎn)的通訊協(xié)議和硬件設(shè)計(jì)。文獻(xiàn)[7]成功開(kāi)發(fā)了一種滑坡監(jiān)測(cè)預(yù)警系統(tǒng)并給出了具體設(shè)計(jì)細(xì)節(jié)和應(yīng)用實(shí)例。文獻(xiàn)[8]設(shè)計(jì)了一種由短距離無(wú)線傳感網(wǎng)絡(luò)和GPRS遠(yuǎn)程通信技術(shù)相結(jié)合的滑坡監(jiān)測(cè)預(yù)警平臺(tái),通過(guò)監(jiān)控中心對(duì)采集的數(shù)據(jù)進(jìn)行分析建模實(shí)現(xiàn)滑坡預(yù)警。文獻(xiàn)[9]通過(guò)傾斜傳感器對(duì)降雨引起的滑坡進(jìn)行預(yù)警監(jiān)測(cè)。文獻(xiàn)[10]設(shè)計(jì)了一種基于無(wú)線傳感網(wǎng)絡(luò)的低成本GPS模塊,用于監(jiān)測(cè)滑坡位移變化。文獻(xiàn)[11]提出了基于滑坡應(yīng)變數(shù)據(jù)的統(tǒng)計(jì)模型和一種分布式?jīng)Q策算法實(shí)現(xiàn)滑坡監(jiān)測(cè)。上述基于無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行滑坡監(jiān)測(cè)的方法大都采用傳感器節(jié)點(diǎn)采集數(shù)據(jù),通過(guò)無(wú)線網(wǎng)絡(luò)發(fā)送至監(jiān)控中心進(jìn)行分析建模預(yù)測(cè)。由于該方法缺少公認(rèn)、有效的滑坡預(yù)測(cè)模型而且側(cè)重于滑坡監(jiān)測(cè)預(yù)報(bào),致使存在預(yù)報(bào)準(zhǔn)確性偏低和實(shí)時(shí)性較差的問(wèn)題。此外,在處理非平穩(wěn)信號(hào)的方法中,Hilbert-Huang變換作為最典型且較為成熟的一種,在很多領(lǐng)域都有成功的應(yīng)用[12]。通過(guò)Hilbert-Huang變換求瞬時(shí)能量譜[13]雖然檢測(cè)精度較高,但算法較為復(fù)雜,不適用于內(nèi)存資源受限的硬件平臺(tái),而常用的基于閾值的異常檢測(cè)方法過(guò)于簡(jiǎn)單監(jiān)測(cè)準(zhǔn)確率較低。針對(duì)上述問(wèn)題,本文提出了一種適用于傳感器節(jié)點(diǎn)前端處理的坡面異常信號(hào)檢測(cè)方法,該方法計(jì)算復(fù)雜度低、可移植性好,能較好地兼顧監(jiān)測(cè)實(shí)時(shí)性與準(zhǔn)確率。

1 無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)設(shè)計(jì)

本文設(shè)計(jì)的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)具有低功耗、低成本、體積小的特點(diǎn),其尺寸為8.5 cm×4.6 cm,實(shí)物圖如圖1所示。無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采用雙層結(jié)構(gòu),上層是一個(gè)ZigBee核心模塊,包括一個(gè)CC2530F256收發(fā)器和一個(gè)SMA天線,用于處理數(shù)據(jù)和發(fā)送信息。CC2530F256擁有256 kbyte的FLASH和8 kbyte RAM,結(jié)合了無(wú)線網(wǎng)絡(luò)ZigBee協(xié)議棧,具有高性能、低功耗等優(yōu)點(diǎn)。底層主要由傳感器模塊、供電模塊、下載程序模塊和USB轉(zhuǎn)串口模塊組成。傳感器模塊采用了一款低功耗、高分辨率(13 bit)的三軸加速度ADXL345傳感器,其測(cè)量范圍達(dá)±16 g。供電模塊設(shè)計(jì)為USB接口供電或干電池供電。USB轉(zhuǎn)串口模塊采用PL2303芯片,PL2303芯片是一種高度集成的RS232-USB接口轉(zhuǎn)換器,可提供一個(gè)RS232全雙工異步串行通信裝置與USB功能接口便利連接的解決方案。

圖1 節(jié)點(diǎn)實(shí)物圖

2 異常信號(hào)分析

2.1 閾值學(xué)習(xí)

由于滑坡監(jiān)測(cè)過(guò)程中每個(gè)節(jié)點(diǎn)部署的位置及其感知到的異常程度各不相同,因此,本文提出了通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和高斯建模的方法進(jìn)行自適應(yīng)學(xué)習(xí)確定各自檢測(cè)閾值。每個(gè)節(jié)點(diǎn)根據(jù)實(shí)際部署環(huán)境獲取訓(xùn)練數(shù)據(jù),隨后對(duì)該數(shù)據(jù)進(jìn)行訓(xùn)練,學(xué)習(xí)確定檢測(cè)閾值。

EMD是分析非平穩(wěn)信號(hào)的一種重要方法,Huang等人[13]認(rèn)為任何信號(hào)都是由若干本征模函數(shù)(IMF)組成,EMD分解的目的就是為了獲取IMF。而在EMD分解過(guò)程中,由于端點(diǎn)處極值的不確定性,每一次樣條插值都有擬合誤差,這樣會(huì)使分解的數(shù)據(jù)失去意義。本文采用極值延拓法[14]進(jìn)行端點(diǎn)延拓,以端點(diǎn)的一個(gè)特征波為依據(jù),在兩端各延拓兩個(gè)極大值和極小值點(diǎn),確保上、下包絡(luò)都與端點(diǎn)相交。實(shí)驗(yàn)數(shù)據(jù)經(jīng)過(guò)EMD分解得到IMF上包絡(luò)數(shù)據(jù)且該包絡(luò)數(shù)據(jù)滿足高斯正態(tài)分布的條件,通過(guò)對(duì)該上包絡(luò)數(shù)據(jù)進(jìn)行高斯建模自適應(yīng)學(xué)習(xí),訓(xùn)練確定檢測(cè)閾值。由于每個(gè)節(jié)點(diǎn)算法步驟相同,以第i個(gè)節(jié)點(diǎn)為例進(jìn)行說(shuō)明。在實(shí)驗(yàn)過(guò)程中,為簡(jiǎn)化分析,實(shí)驗(yàn)數(shù)據(jù)采用X軸加速度數(shù)據(jù)。

在正常情況下采集L個(gè)樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),設(shè)置一個(gè)長(zhǎng)度為N的滑動(dòng)窗口,采用先進(jìn)先出FIFO(First Input First Output)結(jié)構(gòu),每次更新ΔL個(gè)數(shù)據(jù)。設(shè)xh(t)為第h個(gè)滑動(dòng)窗口中的數(shù)據(jù),對(duì)xh(t)進(jìn)行EMD分解,具體步驟如下:

①計(jì)算出數(shù)據(jù)xh(t)的所有的局部極值點(diǎn);

②求所有的極大值點(diǎn)構(gòu)成的上包絡(luò)線和所有的極小值點(diǎn)構(gòu)成的下包絡(luò)線,分別記為e0(t)和v0(t);

④判斷h0(t)是否滿足IMF的性質(zhì)。若滿足,則h0(t)為IMF;否則,記h0(t)為xh(t)重復(fù)步驟①～步驟③直至得到第1個(gè)IMF,記為c1(t)。

⑤信號(hào)與第1個(gè)IMF之差為r1(t)=xh(t)-c1(t)

以r1(t)為新待分析信號(hào)重復(fù)步驟①～步驟⑤,直至得到第k階IMF上包絡(luò)數(shù)據(jù)ek(t)。求出ek(t)的均值sh,按式(1)對(duì)均值u、標(biāo)準(zhǔn)差α進(jìn)行更新

(1)

式中:b為更新因子,uh-1、αh-1分別為前面h-1個(gè)滑動(dòng)窗口更新得到的均值與標(biāo)準(zhǔn)差。以ΔL為步進(jìn)連續(xù)更新滑動(dòng)窗中數(shù)據(jù)并重復(fù)上述步驟,得到訓(xùn)練完成的均值ut和標(biāo)準(zhǔn)差αt。

2.2 異常信號(hào)檢測(cè)

3α原則又稱拉依達(dá)準(zhǔn)則,通常用于異常數(shù)據(jù)的判別。在正態(tài)分布中α代表標(biāo)準(zhǔn)差,u代表均值,一組服從正態(tài)分布或近似正態(tài)分布的數(shù)據(jù)樣本,其分布在(u-3α,u+3α)中的概率為0.997 4,當(dāng)超過(guò)此區(qū)間時(shí),認(rèn)為是異常數(shù)據(jù)。監(jiān)測(cè)數(shù)據(jù)經(jīng)過(guò)EMD分解得到IMF上包絡(luò)數(shù)據(jù),運(yùn)用3α原則與學(xué)習(xí)訓(xùn)練得到的檢測(cè)閾值進(jìn)行比較實(shí)現(xiàn)異常信號(hào)判別。

采集監(jiān)測(cè)數(shù)據(jù)x(t),同樣設(shè)置一個(gè)長(zhǎng)度為N的滑動(dòng)窗口,以ΔL為步進(jìn)按FIFO結(jié)構(gòu)更新滑動(dòng)窗中數(shù)據(jù)。對(duì)滑動(dòng)窗口中的數(shù)據(jù)進(jìn)行EMD分解得到第k階IMF上包絡(luò)數(shù)據(jù)ek(t)及其均值sh,按式(2)進(jìn)行3α原則判別。設(shè)di為第i個(gè)節(jié)點(diǎn)判決結(jié)果,當(dāng)比值c超過(guò)3時(shí)為異常數(shù)據(jù),di判決為1,否則為正常數(shù)據(jù),di判決為0。將單個(gè)節(jié)點(diǎn)的局部判決結(jié)果發(fā)送到協(xié)調(diào)器,經(jīng)過(guò)多數(shù)表決得到全局判決結(jié)果以確定是否有滑坡發(fā)生。

(2)

2.3 參數(shù)選取

CC2530片內(nèi)僅有8 kbyte RAM,ZigBee協(xié)議棧需占用大約5.4 kbyte RAM,能用于算法的存儲(chǔ)空間有限。出于硬件資源考慮,設(shè)置滑動(dòng)窗口長(zhǎng)度N為40,步進(jìn)ΔL為10。這種情況下,共占用了大約7.8 kbyte RAM。

圖2 IMF上包絡(luò)及檢測(cè)結(jié)果

每一階IMF都包含了原函數(shù)的一些特征,它們都可以用于異常信號(hào)的分析。圖2(a)、2(b)分別為第1階IMF和第2階IMF上包絡(luò)數(shù)據(jù)及其對(duì)應(yīng)檢測(cè)結(jié)果。由圖可知,相比于第1階IMF,選取第2階IMF進(jìn)行分析能夠更好排除干擾。其原因在于,每一階IMF都可以當(dāng)成一次平滑濾波,IMF階數(shù)選取越大對(duì)干擾的抑制作用越明顯,檢測(cè)效果越好。然而,IMF階數(shù)越大內(nèi)存資源消耗越多,運(yùn)行時(shí)間也越長(zhǎng)。例如,在節(jié)點(diǎn)上分解出第1階IMF運(yùn)行時(shí)間為210 ms,但當(dāng)分解到第7階IMF時(shí)運(yùn)行時(shí)間為270 μs。因此,從實(shí)際需求和硬件資源綜合考慮選取第2階IMF最好。此外,式(1)中的更新因子b不宜選取過(guò)大,通過(guò)實(shí)驗(yàn)比較取0.01較為合適。

3 實(shí)驗(yàn)測(cè)試

3.1 算法仿真

為了驗(yàn)證算法的有效性,通過(guò)3個(gè)終端節(jié)點(diǎn)采集坡面加速度數(shù)據(jù)傳輸?shù)缴衔粰C(jī)并進(jìn)行MATLAB算法仿真。圖3(a)～3(c)分別為3個(gè)終端節(jié)點(diǎn)采集的坡面加速度數(shù)據(jù)及其經(jīng)過(guò)EMD分解得到的第2階IMF上包絡(luò)數(shù)據(jù)和對(duì)應(yīng)的檢測(cè)結(jié)果。由圖可知,監(jiān)測(cè)數(shù)據(jù)前1 900個(gè)數(shù)據(jù)中有輕微正常干擾,從第1 900個(gè)數(shù)據(jù)開(kāi)始出現(xiàn)異常數(shù)據(jù)。3個(gè)節(jié)點(diǎn)監(jiān)測(cè)數(shù)據(jù)通過(guò)自適應(yīng)學(xué)習(xí)確定閾值和異常信號(hào)判別后,其檢測(cè)結(jié)果都能排除干擾并在第1 900個(gè)數(shù)據(jù)左右開(kāi)始檢測(cè)到異常信號(hào)。即使節(jié)點(diǎn)3沒(méi)能及時(shí)檢測(cè)到異常信號(hào),但通過(guò)多數(shù)投票表決,最終能夠排除單個(gè)節(jié)點(diǎn)的檢測(cè)錯(cuò)誤。實(shí)驗(yàn)仿真結(jié)果證明該算法能夠排除正常干擾并及時(shí)準(zhǔn)確檢測(cè)出滑坡異常信號(hào)。

通過(guò)對(duì)圖3中IMF上包絡(luò)數(shù)據(jù)分析可知,采用基于閾值的異常檢測(cè)方法效果不佳。以節(jié)點(diǎn)3上包絡(luò)數(shù)據(jù)為例,當(dāng)設(shè)置閾值較小如取0.02時(shí),在第500個(gè)數(shù)據(jù)和1 200個(gè)數(shù)據(jù)左右會(huì)出現(xiàn)檢測(cè)錯(cuò)誤,把干擾信號(hào)誤檢測(cè)為異常信號(hào)。而設(shè)置閾值較大如取0.1時(shí),在第2 300個(gè)數(shù)據(jù)才開(kāi)始檢測(cè)到異常數(shù)據(jù),出現(xiàn)了檢測(cè)延時(shí)。因此,此方法雖然操作簡(jiǎn)單,計(jì)算復(fù)雜度低,但檢測(cè)結(jié)果易受干擾影響。此外,Hilbert-Huang變換求瞬時(shí)能量譜是一種經(jīng)典的分析非平穩(wěn)信號(hào)的方法,其瞬時(shí)能量譜波形如圖4所示。由圖可知,3個(gè)節(jié)點(diǎn)瞬時(shí)能量集中于異常信號(hào)發(fā)生區(qū)域,干擾信號(hào)的瞬時(shí)能量較小,當(dāng)對(duì)其設(shè)置一個(gè)經(jīng)驗(yàn)閾值時(shí)能夠檢測(cè)出異常數(shù)據(jù)。但瞬時(shí)能量譜計(jì)算過(guò)程相對(duì)復(fù)雜,無(wú)法將其移植到內(nèi)存資源有限的硬件節(jié)點(diǎn)上。比較而言,本文提出的基于經(jīng)驗(yàn)?zāi)B(tài)分解的坡面異常信號(hào)檢測(cè)方法能兼顧計(jì)算復(fù)雜度和檢測(cè)精度。

圖3 3個(gè)節(jié)點(diǎn)的檢測(cè)結(jié)果

圖4 ilbert-Huang變換瞬時(shí)能量譜

3.2 實(shí)際部署

圖5 滑坡前后實(shí)物圖

為了驗(yàn)證算法的可行性,我們將算法移植到硬件節(jié)點(diǎn)上進(jìn)行實(shí)際部署測(cè)試。實(shí)驗(yàn)采用3個(gè)終端節(jié)點(diǎn)和一個(gè)協(xié)調(diào)器節(jié)點(diǎn)通過(guò)Z-Stack協(xié)議棧構(gòu)成一個(gè)星型網(wǎng)絡(luò)。在塑料箱中堆土構(gòu)造一個(gè)斜坡,3個(gè)終端節(jié)點(diǎn)放置在坡面上,采用USB接口供電,如圖5(a)所示。協(xié)調(diào)器節(jié)點(diǎn)與電腦相連,用于收發(fā)數(shù)據(jù)和傳輸指令。節(jié)點(diǎn)部署完成后,終端節(jié)點(diǎn)以頻率2 Hz采集10 000個(gè)訓(xùn)練數(shù)據(jù)進(jìn)行自適應(yīng)學(xué)習(xí)確定閾值,其中前2 000個(gè)數(shù)據(jù)不施加任何干擾,之后對(duì)箱體進(jìn)行輕微振動(dòng)模擬正常干擾。隨后,進(jìn)行實(shí)時(shí)監(jiān)測(cè)。采集前200個(gè)數(shù)據(jù)時(shí)不施加任何外力,200至1 400個(gè)數(shù)據(jù)之間在箱體頂端外側(cè)進(jìn)行連續(xù)輕微敲擊,之后逐漸加大外力直至發(fā)生坍塌,實(shí)物圖如圖5(b)所示。3個(gè)終端節(jié)點(diǎn)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行實(shí)時(shí)檢測(cè),單個(gè)節(jié)點(diǎn)的局部檢測(cè)結(jié)果發(fā)送到協(xié)調(diào)器節(jié)點(diǎn)進(jìn)行多數(shù)投票表決。1號(hào)節(jié)點(diǎn),2號(hào)節(jié)點(diǎn),3號(hào)節(jié)點(diǎn)采集的坡面加速度數(shù)據(jù)、比值c和檢測(cè)結(jié)果如圖6(a)～(c)所示,多數(shù)投票表決后的最終結(jié)果如圖6(d)所示。由圖可知,由于1號(hào)節(jié)點(diǎn)位置最高,感受振動(dòng)程度最強(qiáng)烈,最早開(kāi)始滑動(dòng),在第1 440個(gè)數(shù)據(jù)左右檢測(cè)到異常信號(hào),隨后2號(hào)節(jié)點(diǎn)檢測(cè)到異常。由于3號(hào)節(jié)點(diǎn)位于坡面較低位置,感受振動(dòng)程度最小,在第1 500個(gè)數(shù)據(jù)左右檢測(cè)到異常信號(hào)。此外,2號(hào)節(jié)點(diǎn)在第1 570個(gè)數(shù)據(jù),3號(hào)節(jié)點(diǎn)在第1 600個(gè)數(shù)據(jù)左右檢測(cè)結(jié)果異常,但最后通過(guò)多數(shù)投票表決能夠排除單個(gè)節(jié)點(diǎn)檢測(cè)錯(cuò)誤,正確檢測(cè)到滑坡異常信號(hào)。

圖6 實(shí)際部署檢測(cè)結(jié)果

本文方法在50次模擬實(shí)驗(yàn)過(guò)程中及時(shí)準(zhǔn)確監(jiān)測(cè)到49次坡面異常,準(zhǔn)確率為98%,證明該方法監(jiān)測(cè)準(zhǔn)確性較高,能夠用于基于傳感網(wǎng)絡(luò)的滑坡監(jiān)測(cè)應(yīng)用。此外,為了驗(yàn)證該方法能耗較低,實(shí)驗(yàn)采用兩節(jié)1.5 V干電池串聯(lián)進(jìn)行供電,節(jié)點(diǎn)串聯(lián)一個(gè)大小為20 Ω的電阻,通過(guò)示波器對(duì)電阻兩端電壓進(jìn)行觀測(cè)獲取發(fā)射電流及算法運(yùn)行電流。終端節(jié)點(diǎn)每次發(fā)送1個(gè)數(shù)據(jù)(5個(gè)字符),傳輸時(shí)間為3.5 ms,發(fā)射電流為34 mA,以一個(gè)窗口為周期,發(fā)射40個(gè)數(shù)據(jù),其總功耗為0.014 3焦(J)。在節(jié)點(diǎn)前端進(jìn)行異常數(shù)據(jù)檢測(cè),算法工作電流16 mA,一個(gè)工作周期運(yùn)行時(shí)間250 ms,其功耗為0.012 J。因此,相比于節(jié)點(diǎn)發(fā)送數(shù)據(jù)到上位機(jī)進(jìn)行處理,該方法每個(gè)周期減少百分之十六的能耗,延長(zhǎng)了節(jié)點(diǎn)的工作壽命。

4 結(jié)論

本文提出了一種面向傳感器節(jié)點(diǎn)前端的坡面異常信號(hào)監(jiān)測(cè)方法,數(shù)據(jù)采集和異常檢測(cè)都在傳感器節(jié)點(diǎn)前端完成,提高了監(jiān)測(cè)實(shí)時(shí)性和準(zhǔn)確率并降低了數(shù)據(jù)傳輸能耗。通過(guò)軟件仿真比較和實(shí)際部署測(cè)試證明了該算法計(jì)算復(fù)雜度低,能夠移植到硬件平臺(tái)上運(yùn)行,而且具有較高檢測(cè)精度。由于滑坡模擬環(huán)境較為簡(jiǎn)單,后期需要在野外實(shí)地布置傳感器網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行監(jiān)測(cè),驗(yàn)證方法的實(shí)用性和擴(kuò)展性。此外,為進(jìn)一步降低節(jié)點(diǎn)能耗延長(zhǎng)節(jié)點(diǎn)工作壽命,我們后續(xù)將開(kāi)展節(jié)點(diǎn)睡眠機(jī)制算法研究。

[1] 王秀美,賀躍光,曾卓喬. 數(shù)字化近景攝影測(cè)量系統(tǒng)在滑坡監(jiān)測(cè)中的應(yīng)用[J]. 測(cè)繪通報(bào),2002(2):28-30.

[2] 張清志,鄭萬(wàn)模,巴仁基,等. 應(yīng)用高精度GPS系統(tǒng)對(duì)四川丹巴啞喀則滑坡進(jìn)行監(jiān)測(cè)及穩(wěn)定性分析[J]. 工程地質(zhì)學(xué)報(bào),2013,21(2):250-259.

[3] 鄔曉嵐,涂亞慶. 滑坡監(jiān)測(cè)的一種新方法——TDR技術(shù)探析[J]. 巖石力學(xué)與工程學(xué)報(bào),2002,21(5):740-744.

[4] 陳起傳. WSN技術(shù)在滑坡監(jiān)測(cè)系統(tǒng)中的應(yīng)用研究[D]. 成都:成都理工大學(xué),2016.

[5] Chiara B,Andrea C,Davide D,et al. An Overview on Wireless Sensor Networks Technology and Evolution[J]. Sensors,2009(9):6869-6896.

[6] Andrea G,Matteo L,Emanuele T,et al. A Robust Wireless Sensor Network for Landslide Risk Analysis:System Design,Deployment,and Field Testing[J]. IEEE Sensors Journal,2016:6374-6386.

[7] Emanuele I,Giovanni G,Francesco M,et al. Design and Implementation of a Landslide Early Warning System[J]. Engineering Geology,2012:124-136.

[8] 梁山,胡穎,王可之,等. 基于無(wú)線傳感器網(wǎng)絡(luò)的山體滑坡預(yù)警系統(tǒng)設(shè)計(jì)[J]. 傳感技術(shù)學(xué)報(bào),2010,23(8):1184-1188.

[9] Taro U,Ikuo T,Lin W,et al. Precaution and Early Warning of Surface Failure of Slopes Using Tilt Sensors[J]. Soils and Foundations,2015(55):1086-1099.

[10] Benoit L,Briole P,Martin O,et al. Monitoring Landslide Displacements with the Geocube Wireless Network of Low-Cost GPS[J]. Engineering Geology,2015(195):111-121.

[11] Prakshep M,Deepthi C,Mohamed S,et al. Distributed Detection for Landslide Prediction Using Wireless Sensor Network[C]//First International Global Information Infrastructure symposium,Marrakech,Morocco,2007.

[12] 黃曉,譚躍剛. 希爾伯特黃變換在調(diào)制超聲激勵(lì)-光纖光柵傳感損傷檢測(cè)中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào),2017,30(2):242-246.

[13] Huang N E,Long S R,Wu M L C,et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis[J]. Proceedings of the Royal Society,1998,A454:903-995.

[14] 楊小強(qiáng),李沛,黃杰,等. 基于極值波延拓的端點(diǎn)效應(yīng)處理方法[J]. 系統(tǒng)工程與電子技術(shù),2016(9):1987-1992.

ResearchonMethodofSlopeAbnormalSignalDetectionBasedonWirelessSensorNetwork*

LIUZhipu,WANGYong*

(School of Mechanical and Electronic Information,China University of Geosciences,Wuhan 430070,China)

As for landslide monitoring,this paper presents an anomaly detection method that is suitable for sensor nodes with limited hardware resources. Data acquisition and anomaly detection can be directly run in the node,which improves the real-time of detection and reduces the communication overhead of data transmission. The sensor nodes collect the acceleration data of the slope,and then obtain the upper envelope of the intrinsic mode function of the training data via empirical mode decomposition. The detection threshold is determined by the adaptive learning based on Gaussian modeling. Similarly,the upper envelope data of the monitoring data can be obtained,and the data will be compared with the detection threshold by 3α principle to perform the anomaly detection. It can be found that the detection accuracy is around 98% through the algorithm simulations and the actual deployment tests,which means that the proposed method is feasible for the practical application.

wireless sensor network;landslide monitoring;empirical mode decomposition;adaptive learning

TN911;TP393

A

1004-1699(2017)10-1536-06

10.3969/j.issn.1004-1699.2017.10.014

柳治譜(1992-),男,湖北省恩施人,現(xiàn)為中國(guó)地質(zhì)大學(xué)(武漢)機(jī)械與電子信息學(xué)院碩士研究生,主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)和嵌入式系統(tǒng)設(shè)計(jì),liuzhipu@cug.edu.cn;

王勇(1980-),男,副教授,湖北省仙桃人,2009年于華中科技大學(xué)獲得博士學(xué)位,主要研究方向?yàn)橛?jì)算機(jī)視覺(jué),無(wú)線傳感器網(wǎng)絡(luò)和嵌入式系統(tǒng)設(shè)計(jì),Yongwang_cug@163.com。