王 普，刘鸿飞，方丽英

（1.北京工业大学电子信息与控制工程学院，北京 100124；2.数字社区教育部工程研究中心，北京 100124；3.城市轨道交通北京实验室，北京 100124）

基于加权数据融合算法的移动液化气监控系统

王 普1，2，3，刘鸿飞1，2，3，方丽英1，2，3

（1.北京工业大学电子信息与控制工程学院，北京 100124；2.数字社区教育部工程研究中心，北京 100124；3.城市轨道交通北京实验室，北京 100124）

为了提升液化气监控系统的灵活性和数据处理的精度并减少数据量的上传，提出了一种基于加权数据融合算法的移动液化气监控系统.根据MATLAB/Simulink图形仿真环境对加权数据融合算法和算术平均法进行的模拟效果对比实验，证明了加权数据融合算法的优越性；利用实地布置的同类型的多传感器进行数据采集，并将采集的数据以JSON格式存入服务器数据库内；最后，移动端通过HTTP请求的方式获取数据.结果表明:该系统在提高数据处理的精度并减少数据量的同时，还保证了数据的上传速率，使系统可以很好地应对液化气爆炸的突发性.关键词：液化气监控系统；加权数据融合；Simulink；移动端

液化气是一种新型的清洁燃料，因其具有无废料污染、燃烧热值高等优点，已被人们广泛应用于日常生活中.但是，液化气作为危险化学品，在使用时存在着很多的不安全因素.当出现温度升高、气体泄漏等情况，一旦出现爆炸，则会造成严重后果［1］.针对液化气的安全事故，需要采取有效的应急措施和安全预警，以提高用户供气系统的安全等级，达到有效防止事故发生的目的.目前，相关领域内有很多人进行了研究.文献［2］提出了一种瓦斯监控系统，文中系统基于工业以太网，并利用多传感器对环境进行监控，但是对于数据的处理并没有给出解决的办法.分析液化气事故的特点，可以看出液化气事故具有突发性，因此，液化气监控系统需要保证实时性，且液化气监控系统的历史数据无法提供有效的先验知识.文献［3］利用加权数据融合算法对文中所描述的监控系统进行数据处理，该算法不需要历史数据，因此，可以用于液化气的监控系统中.

本文通过采用传感器对现场的各项数据进行实时采集，并利用数据融合算法对采集的数据进行处理，在解决了多传感器网络上传数据量大的问题的同时，保证了数据估计精度，形成对被测环境的一致性描述.最后，将实时数据上传至移动终端进行显示，使监控系统不同于以往在监控室内监控的模式，用户可利用智能手机随时随地地了解监控地点内的情况，在出现问题时可以第一时间通过智能手机做出响应，提高了监控系统的灵活性.

1 系统结构

本文在丰台区某餐厅厨房内建设试点，进行液化气的实时监控，使用户可以实时掌握监控区域内的情况，将实时数据进行上传，系统结构如图1所示.

系统中风机、燃气阀门连接测控模块的继电器，可燃气体探头连接测控模块上的A/D转换接口.测控模块通过RS-485与网关相连.

通常情况下，液化气事故是可燃气体浓度、空气湿度、二氧化碳浓度、粉尘浓度等综合因素共同作用的结果.单一的信息源无法全面地反映被测地点的环境，因此，系统中除了可燃气体探头之外，还布置了二氧化碳浓度传感器、温湿度传感器、粉尘浓度传感器.传感器连接Zigbee子节点，主节点通过USB与网关相连.数据以JSON数据格式存于服务器的数据库内.移动端通过HTTP层协议向服务器请求数据，服务器提供给客户API接口，用户通过接口实现数据的请求与控制指令的下发［4］.

2 数据融合算法

数据融合根据融合系统中数据抽象的层次来看，可以分为数据级融合、决策级融合和特征级融合［5］.其中，数据级融合是底层的数据融合，直接在采集的原始数据层上进行融合；采用数据级融合的数据量损失小，精确度高.

对于一个液化气监控系统来说，所有数据来自于底层传感器采集的原始数据，且被测环境下的各种气体浓度随机变化，系统历史数据无法提供有效的先验知识.在安置传感器时，由于单传感器会受到环境等因素的噪声影响，因此，需要在实验环境中的不同位置安装同类型传感器4～5个，此时若将所有传感器数据实时上传至移动端的监控系统则会造成数据的冗余和流量的浪费，严重影响了系统的实时性，而且对于大部分用户来说，更多只是关心监测结果，对于大量的原始数据并不需要.因此，为了减少上传的数据量，以及获得更加精确的被测量，在液化气监测系统中采用数据级融合中的加权数据融合算法对数据进行融合、过滤或压缩处理，有效地提高数据传输的效率［6］.

2.1算术平均法

通常情况下，一般的工程系统采用算术平均法进行数据的处理.此时，系统分配给每个传感器的权重相同，这样的做法相比于单传感器的测量，可以消除系统的误差.模型框图如图2所示.

图2中的模拟传感器输入是利用Simulink中的constant模块模拟真值，本文将真值设为1来模拟理想状态.在理想状态上加入随机白噪声模拟实际情况下的环境干扰，包括传感器自身干扰.将各模拟传感器的模拟结果与求和取算术平均之后的结果在同一示波器中显示，结果如图3所示.

图3中，绿色的曲线代表经过算术平均之后的融合值，而其他颜色的曲线代表了单传感器测量的模拟值，采样频率100 Hz.可以看出，经过算术平均融合之后可以有效滤掉一部分扰动，证明了算术平均法的确可以获得比单传感器测量更加精确的结果.但是融合之后的值在真值附近的收敛效果并不好，因为在实际的环境下传感器受到的环境干扰不同，例如在门口附近的传感器会因为风吹而出现数值的波动，窗口附近的温度传感器会受到光照影响使温度高于室内气温.图3中可以看出，红色曲线的传感器受到了很大的扰动，而淡蓝色曲线受到的扰动并不大，此时若给所有传感器分配同样的权值会造成真值附近的波动很大，系统并不能得到准确的估计.因此，为了获得更加准确的数值，选用加权数据融合算法对被测地点的状态进行估计.

2.2加权数据融合算法

加权数据融合算法的核心思想就是:利用多传感器网络中每个独立传感器的局部估计，按照与真值的相近度给每个传感器一个加权因子，最后整合所有局部的估计从而得到系统的全局估计［7-8］.而本系统中的加权数据融合就是在总均方误差最小的情况下，根据不同传感器Xi测出的数据求得对应的权值Wi，最后得到被测量估计值^X的最优结果.

对于某个测量量X（如二氧化碳浓度、粉尘浓度等），同类型的传感器观测到的结果分别为｛Xi｝（i=1，2，…，N）.第N个传感器的观测表达式为

式中:X（t）表示被测量的真值；Ei（t）代表传感器噪声，噪声的方差为σi.根据传感器受到噪声干扰的幅度大小，分配给每个传感器不同的权值.最后将结果求和便能得到被测量的估计值^X.其表达式为

总均方误差为

由式（3）可以看出，总均方误差是关于各传感器加权因子的二次函数，因此，总均方误差必存在最小值［9］.根据多元函数求极值理论，该最小值的求取是加权因子满足约束条件时的多元函数极值求值.经过计算之后求出的加权因子表达式为

此时对应的最小均方误差为

可以看出，加权数据融合的精度由加权系数决定，而加权系数由各个传感器的方差决定.

2.2.1传感器方差估计

在对传感器方差进行估计之前，首先要对整个系统进行分析.通常情况下，系统分析分为横向分析和纵向分析［10］.

1）横向分析是针对多个传感器的一次采样结果进行分析.该方法可以相对比较准确地估算每一时刻的传感器方差，但每一次的测量都需要进行一次方差的估计，比较费时.

2）纵向分析是针对多传感器网络里面的单个传感器进行分析.该方法基于多次测量之后的估算，确定了传感器的方差，可以免去每次测量时的计算，节省了时间.

基于以上的分析，用Xji表示第i个传感器第j次测量的结果.利用求方差公式可以计算出第i个传感器第j次测量的方差σ2ji.将其带入式（4）即可得到该传感器的加权系数.根据前j次的计算，本文推出第j+1次的方差推算.

j次测量的平均值表达式为

j次测量的方差表达式为

j+1次测量的方差表达式为

将式（7）代入式（8），可得

由式（9）可以求出下一时刻的方差，只需将新测得的测量值代入即可.通过对传感器方差的推导可以简化每一次测量所需要的方差计算.系统可利用多次测量计算获得的先验条件推算出下一次的传感器方差.在本系统中，将对用于整体环境估算的传感器利用该方法进行传感器方差的推算，将推算出的方差带入式（4）求出该传感器对应的加权系数.

2.3仿真实验

针对2.2节推出的结果，将加权数据融合与算术平均之后的结果进行比对，其中模拟传感器输入的值和图2中的一样.每个传感器加入了随机的白噪声来模拟传感器自身干扰以及环境干扰.模型如图4所示，模型中加入了平均值计算、方差计算以及加权因子计算的子模块.模型中采样频率设定为100 Hz.经过仿真之后的估计值与算术平均融合的对比图如图5所示.

从图5中可以看出，相比于算术平均法（红线）加权融合算法（绿线）有更好的收敛性，可以更加准确地估算出待测量的真值，进一步证明了加权融合算法可以获得精度更高的数值估计.

3 实验验证

3.1实地采集数据实验

本文利用传感器进行实时数据采集.在实验的密闭空间内的不同位置分别布置可燃气体探头、二氧化碳浓度传感器、空气湿度传感器等不同种类传感器.以温度传感器为例，室内的传感器节点分布如图6所示，由于室内温度分布不均匀，温度数值在靠近窗口和屋内及室内上下各处均有差异.所以本文总共布置10个温度传感器节点.测量数据如表1所示.

表1　室内温度测量数据Table 1 Indoor measurement data of temperature℃

该组传感器在同一时刻进行5次测量，测量之后求得对应加权因子.而测量次数越多，最终获得的传感器方差越趋于稳定.因为在多次测量中，如果传感器测量值上下波动很大，则证明该传感器所处位置的环境波动较大或者该传感器出现自身故障.通过对实验数据的分析计算，可求得每一时刻的系统方差分别为:1.27、1.23、3.26、1.23、3.26.而经过加权数据融合算法计算之后的系统方差为0.021 1.充分证明相比于算术平均算法，该算法可以获得精度更高的估计值.

3.2采集数据时间实验

如图7所示，为了验证系统可以很好地应对事故的突发性，本文在底层网关采集数据的流程中加入了计算时间的步骤.当服务器下发的指令判断为读指令时，程序在读串口前开始计时，并在读串口后结束计时，将时间与数据一同打印.结果如图8所示，其中小于4 ms的时间全部按0 ms计，而大于5 ms的时间全部按10 ms计.由此可以看出，采集数据的时间能够保证10 ms之内，可以很好地应对事故的突发性.

3.3报警功能实验

为了验证移动应用端的警报通知功能切实可行，在保证安全的前提之下，利用丰台区某试点内的可燃气体探头进行实验验证.在可燃气体探头附近使2个打火机漏气，当系统监测到可燃气体数值超过事先设定好的阈值时，系统会自动向用户的手机端发送报警推送.实时采集数据的情况以及实时的推送报警如图9所示.

4 结论

1）提出一种液化气监控系统，采用加权数据融合算法，很好地解决了系统中数据量大的问题，并提高了数据精度；可在10 ms之内将数据上传，保证了系统实时性.但对于扰动很大的传感器，在之后的研究中考虑加入滤波算法进行解决.

2）采用移动端作为监控平台，可使用户随时随地了解监测地点的情况，出现问题可以第一时间做出响应.实验验证了功能的可靠性，并且该系统可以广泛应用于室内厨房、餐馆等试点.

［1］刘畅.关于加强液化气安全管理方法的分析［J］.科技致富向导，2012，20（8）:403，349. LIU C.The analysis of enhance management of liquefied gas［J］.Guide of Sci-tech Magazine，2012，20（8）: 403，349.（in Chinese）

［2］李树刚，徐竟天，黄金星.基于工业以太网的瓦斯监控系统设计［J］.中国安全生产科学技术，2010，6（2）:141-145. LI S G，XU J T，HUANG J X.Design of gas monitoring system based on industrial Ethernet［J］.Journal of Safety Science and Technology，2010，6（2）:141-145.（in Chinese）

［3］张晓亮，罗文广.多传感器数据融合技术在室内环境品质监控系统中的应用［J］.仪表技术与传感器，2012，42（2）:103-105. ZHANG X L，LUO W G.Application of m-ultisensor data fusion technology in indoor environment quality monitoring and control system［J］.Technique and Sensor，2012，42 （2）:103-105.（in Chinese）

［4］ALJAWARNEH S，DABABNEH M，HOSSENY H，et al. A Web client authentication system using smart card for esystems:initial testing and evaluation［C］∥Proceedings of the 2010 Four International Conference on Digital Society （ICDS）.Washington，D.C.:IEEE Computer Society，2010:192-197.

［5］姜延吉.多传感器数据融合关键技术研究［D］.哈尔滨:哈尔滨工程大学，2010. JIANG Y J.Research on key technologies of multi-sensor data fusion［D］.Harbin:Harbin Engineering University，2010.（in Chinese）

［6］王平，程明传，翁宗煌.数据融合处理算法在ZigBee中的应用［J］.计算机应用，2009，29（7）:1897-1900. WANG P，CHENG M C，WENG Z H.Application of data confusion algorithm in ZigBee protocol［J］.Journal of Computer Applications，2009，29（7）:1897-1900.（in Chinese）

［7］杨万海.多传感器数据融合及其应用［M］.西安:西安电子科技大学出版社，2004.

［8］康耀红.数据融合理论与应用［M］.西安:西安电子科技大学出版社，1997.

［9］李战明，陈若珠，张保梅.同类多传感器自适应加权估计的数据级融合算法研究［J］.兰州理工大学学报，2006，32（4）:78-82. LI Z M，CHEN R Z，ZHANG B M.Study of adaptive weighted estimate algorithm of congeneric muti-sensor data fusion［J］.Journal of Lanzhou University of Technology，2006，32（4）:78-82.（in Chinese）

［10］仲崇权，张立勇，杨素英，等.基于最小二乘原理的多传感器加权融合算法［J］.仪器仪表学报，2003，24 （4）:427-430. ZHONG C Q，ZHANG L Y，YANG S Y，et al.A weighted fusion algorithm of multi-sensor based on the principle of least squares［J］.Chinese Journal of Scientific Instrument，2003，24（4）:427-430.（in Chinese）

（责任编辑 梁 洁）

Mobile Liquefied Gas Monitoring System Based on Weighted Fusion

WANG Pu1，2，3，LIU Hongfei1，2，3，FANG Liying1，2，3
（1.College of Electronic Information and Control Engineering，Beijing University of Technology，Beijing 100124，China；2.Engineering Research Center of Digital Community，Beijing 100124，China；3.Beijing Laboratory of Urban Rail Transit，Beijing 100124，China）

To reduce the amount of upload data and improve the accuracy and flexibility of liquefied gas monitor system，a mobile liquefied gas monitoring system based on the weighted fusion algorithm was proposed.The fact that the weighted fusion is better than that of the arithmetic method，was proved by the comparison between them on MATLAB/Simulink.Then，data was collected from field，and was uploaded to the database in JSON type.The HTTP method was used to get data from the server by the terminal.The experiment shows that the system proposed in this paper reduce the amount of data and improve the accuracy.Meanwhile，it can guarantee the speed of data uploading which can reply to the emergency of explosion.

liquefied gas monitoring system；weighted fusion；Simulink；mobile terminal

TP 277

A

0254-0037（2016）09-1307-06

10.11936/bjutxb2015100022

2015-10-10

科研基地建设—北京实验室—城市轨道交通北京实验室（PXM2015_014204_500081）；北京市物联网应用支撑平台研发和示范应用项目（2012BAH26B01）

王 普（1962—），男，教授，主要从事控制理论与智能控制方面的研究，E-mail:wangpu@bjut.edu.cn

方丽英（1977—），女，博士，主要从事信息集成方面的研究，E-mail:fangliying@bjut.edu.cn