基于无线ZigBee的钨矿尾矿库安全监测系统

何学文 盛颖飞 曹清梅

(江西理工大学机电工程学院，江西 赣州 341000)

·安全与环保·

基于无线ZigBee的钨矿尾矿库安全监测系统

何学文 盛颖飞 曹清梅

(江西理工大学机电工程学院，江西 赣州 341000)

针对当前钨矿尾矿库安全监测系统存在安装和维护成本高、布线复杂、传输距离及能量受限等问题，设计了一种基于ZigBee无线传感器网络和LabVIEW的监测预警系统。选用片上芯片CC2530作为射频收发器，完成了太阳能供电的传感器节点的硬件和软件设计，实现对尾矿库监测数据的采集、传输和处理。上位机使用LabVIEW设计监测预警界面，实时显示监测参数并及时预警，利用VISA串口资源模块和SQL语言调用的Access数据库，实现监测数据的传输和存储。上位机数据处理模块通过LabVIEW的Matlab Script节点在后面板中编程调用Matlab软件并建立回归型支持向量机(SVR)模型进行测试。实验结果表明，系统能实时采集监测参数，SVR回归模型预测误差为0.3%左右，适合钨矿尾矿库的参数预测，对控制钨矿尾矿库风险，确保其安全意义重大。

无线传感器网络 钨矿尾矿库 ZigBee LabVIEW SVR

我国钨矿资源丰富，分布广，储量约占世界的40%，居世界第一位，为我国的优势资源[1]。钨矿尾矿库地形复杂、监测点多而分散,需要较大的网络覆盖。目前钨矿尾矿库的管理大部分采用人工观测或是有线监测，工作量大，监测数据受气候、现场条件等因素影响，不能进行全日实时预警。ZigBee是基于IEEE802.15.4标准的低功耗个域网协议，是一种新兴的短距离、低速率的无线网络技术[2]。ZigBee无线网络具有低功耗、低成本、网络容量大、安全、延时短、网络的自组织强、工作频率段灵活等诸多优点[3]。本研究设计和开发的钨矿尾矿库安全监测预警系统，采用太阳能供电方式，解决了传感器节点能量受限的问题，克服了传统监测布线困难、维护不便等缺点。利用LabVIEW[4]开发的上位机界面实现了及时预警和数据实时显示、存储、查询、预测等功能。

1 整体方案设计

针对钨矿尾矿库在生产运行中存在的危险因素[5]，确定其重点监测参数为坝体位移、浸润线、库水位及温湿度。浸润线是当库水位一定时，坝体横剖面上稳定渗流的自由水面线(或渗流顶面线)[6]。综合钨矿尾矿库的实际需求和成本考虑，选用振弦式渗压计、压阻式液位传感器、滑动式测斜仪及液位式静力水准仪、温湿度传感器SHT10分别监测浸润线、库水位、坝体位移、温湿度等参数。

系统总体架构如图1所示，主要由基于LabVIEW开发的上位机监测界面以及下层ZigBee无线网络组成。钨矿尾矿库监测现场测点分布广而散，ZigBee节点的辐射范围有限[7]，采用具有分布式处理能力的簇-树型网络拓扑结构实现节点间的无线通信。上位机和协调器节点放置在尾矿库的监控中心，协调器节点负责整个网络的组建和管理，接收路由节点和终端节点发送的监测数据，并通过串口上传到上位机的监测界面中。终端节点分布在坝体位移、浸润线监测断面和溢流井处，完成各个数据的采集，路由器节点负责数据包的转发，增加无线传输距离,还可绕过障碍物，减小丢包率。

图1 系统总体架构Fig.1 The overall architecture of system

2 ZigBee网络节点硬件设计

钨矿尾矿库的ZigBee网络主要由协调器节点、路由器和终端节点组成，3种节点在ZigBee网络中的功能不同，硬件设计有所差别。ZigBee网络大部分能量消耗在无线通信上，选用低功耗的SoC芯片CC2530作为通信单元，集数据处理与无线通信于一体。终端节点是整个网络中数量最多的节点，其硬件结构如图2所示，主要包括数据采集、无线收发、电源、微控制等模块。其中数据采集模块各类传感器与MCU间的信号调理在传感器内部完成，A/D转化则直接在CC2530内实现，传感器可直接与CC2530的I/O口连接实现数据的采集。路由节点主要完成转发数据包，寻找合适路由路径的功能，其硬件部分不包含数据采集模块。协调器节点通过RS232接口实现与PC机的通信，其硬件设计须加上串口通信模块，实现ZigBee网络与上位机之间的数据传输。

图2 终端节点硬件结构Fig.2 The hardware structure diagram of end device

目前传感器节点一般都使用干电池供电[8]，而在钨矿尾矿库现场进行电池更换极其不便。本研究采用太阳能供电单元为节点供电,其系统结构如图3所示。选用输出电压5.5 V，输出电流140～150 mA的单晶硅太阳能电池组将太阳能转化为电能。电源管理与充电控制模块具有防反充、过充、过放电控制等功能，2个电容为25 F、耐压为2.7 V的超级电容串联作为主要能量存储器。当光照较弱时由900 mAh、工作电压为3.6～4.2 V的锂电池供电。升降压DC-DC电源稳压器可获得稳定的输出电压值，其电磁干扰影响无线通信单元的信号接收灵敏度，采用超低压线性稳压器，从节能角度出发，供电模块将后端的电路设计为3个分支。当节点处于休眠状态时，微控制器关断另外2路的电源转换电路，进入低频睡眠状态。CC2530的工作电压一般取3.3 V，采用LM1117-3.3进行电压转换。传感器的工作电压一般为12 V,15 V,24 V等，采用LM2576芯片将电压转换为可调电压值，以便于扩展不同的传感器类型。

图3 太阳能供电系统结构Fig.3 The structure diagram of solar power supply system

3 ZigBee节点软件设计

CC2530应用程序通过ZigBee协议栈的应用程序接口(Application Programming Interface,API)与协议栈进行交互。在确定ZigBee网络整体功能的基础上，使用TI公司提供的IAR7.6软件平台对协调器节点，路由器和终端节点进行相应的编程，实现各自的功能。协调器节点(主节点)的程序流程如图4所示，主要完成组网、网络参数配置、管理子节点入网和维护网络稳定等功能，同时接受子节点上传的数据，通过串口实现与上位机的通信。子节点(路由器和终端节点)的程序流程如图5所示，主要功能是接受主节点的采集信息控制，完成数据的采集，路由节点起到中转作用，以增加无线发送距离。

图4 主节点程序流程Fig.4 The process flow chart of coordinator

图5 子节点程序流程Fig.5 The process flow chart of sub-node

4 上位机软件设计与测试结果分析

本系统的上位机监测界面是基于LabVIEW开发的，主要采用模块化的设计思想，通过串口读取下层ZigBee网络采集的浸润线、库水位、温湿度、坝体位移数据，对其进行实时发布显示、分析处理之后，创建SVR模型进行数据预测并及时报警，实现对钨矿尾矿库的有效监测。根据实际需求，监测界面主要实现的功能包括用户管理、数据采集与实时显示、数据预测、实时预警、历史数据与报警查询。

4.1 监测预警界面实时数据采集与显示

上位机界面利用LabVIEW的VISA串口资源模块设计串口通信部分，登陆系统进行串口设置之后，即可根据需要进行浸润线、库水位、温湿度、坝体位移数据的实时采集。以温度和浸润线参数为例，其通过串口上传至上位机监测界面实时采集的监测数据如图6和图7所示。

图6 温度监控预警界面Fig.6 Temperature monitoring and warning interface

图7 浸润线监测预警界面Fig.7 Saturation line monitoring and warning interface

由图6可知，终端节点在某日较短的时间间隔内所采集的温度值基本恒定，保持在27 ℃左右，温度阈值可根据尾矿库现场需求，进行手动设置。如图7所示，通过设置数据采集的时间间隔，将当前的采集时间、参数值及其实时曲线图实时显示在前面板上。当实时参数值超过预设的安全阈值时，则报警灯闪烁，并弹出窗口，发出警报声，提醒工作人员采取相应的措施。系统使用SQL语言调用Access2007数据库，输入要查询的始末时间后，即可在前面板显示出该时间段的监测参数及报警信息。

4.2 SVR算法模型建立

(2)创建SVR模型。先对数据进行归一化处理，设在高维特征空间里建立的线性回归函数为

(φ(x)为非线性映射函数)，其中f(x)即为待拟合函数，w、b为待估参数。求上述w、b的值可转化为求满足约束条件的二次凸规划问题

(1)

s.t.

(2)

s.t.

求解式(2)可求得w的值，应用KKT条件即可求得系数b*。将核函数K(xi,xj)=φ(xi)φ(xj)代入式(2)，即得最优回归超平面的解析式

(3)

(3)选择参数。选择RBF核函数，利用交叉验证方法寻找最佳的惩罚因子C和RBF核函数方差g，利用最佳参数训练模型，并设定ε的值。设置BP神经网络的最大训练次数为1 000，最小均方误差为10-3，训练显示间隔为10，学习速率为0.1。

(4)训练模型。以浸润线高度预测为例，结合某钨矿尾矿库主坝25个监测点数据，随机选取20个样本作为训练集，剩余的5个样本作为测试集。

(5)性能评价。以图形的形式给出最终的测试集结果及浸润线预测结果，利用libsvm软件包中的函数svmpredict分别计算出其预测值和测试集的均方误差E及决定系数R2，并与BP神经网络进行性能比较。

E和R2的计算公式如式(4)和式(5)所示:

(4)

(5)

4.3 预测结果分析

通过在LabVIEW后面板中编程实现对Matlab软件的调用，对SVR算法进行仿真，其训练集仿真结果如图8所示，将测试集预测结果与BP神经网络进行对比，仿真结果如图9所示。

图8 SVR模型训练集结果Fig.8 The training set result of SVR model□—真实值；○—预测值

图9 SVR回归模型和BP神经网络性能对比Fig.9 The performance comparison of SVR model and BP neural network model□—真实值；△—SVR预测值；○—BP神经网络预测值

从图9中不难发现，BP神经网络的均方误差E为0.021，决定系数R2为0.988，而SVR回归模型训练集和测试集的均方误差E分别为0.001 38和0.002 67，决定系数R2均为0.997，明显比BP神经网络具有更好的泛化能力及预测精度。

表1所示数据为测试集的5组数据，将2种算法的浸润线预测结果进行比较，BP神经网络的预测误差虽然都不超过1%，但波动比较大，其平均误差为0.34%。而SVR回归模型的预测误差均不超过0.5%，其平均误差仅为0.1%，且前4组数据非常接近真实值，误差波动范围明显小于BP神经网络，预测精度较高。

表1 浸润线预测结果比较Table 1 The contrast of seepage line prediction results

5 结 语

本研究提出了一种新型的钨矿尾矿库监测预警系统，该系统由基于LabVIEW开发的上位机监测预警界面以及下层ZigBee无线网络组成，实时监测钨矿尾矿库参数变化，其主要实现功能如下。

(1)实现了基于太阳能供电的无线传感器节点的软硬件设计，采用低功耗SoC芯片CC2530作为通信单元，ZigBee 2007作为网络通信协议，采用簇-树型网络拓扑结构实现节点间的无线通信，利用RS232串口实现节点与PC间的通信。

(2)上位机界面以LabVIEW为前台的显示层，实时采集并以图表形式显示温湿度、浸润线高度、库水位及坝体位移的值，当采集到的监测参数值超过预设的安全阈值时可正常报警。

(3)LabVIEW后面板中调用Matlab软件作为运算层，针对具体监测参数建立相应的SVR算法模型，应用SQL语言调用Access数据库，负责数据的存储和历史数据的查询调用。

[1] 李俊萌.中国钨矿资源浅析[J].中国钨业，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] 张竣淞，刘冬梅.ZigBee 技术在图书馆环境自动监测方面的应用[J].华北科技学院学报，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] 张 猛，房俊龙，韩 雨.基于ZigBee和Internet的温室群环境远程监控系统设计[J].农业工程学报，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，刘恩博，胡 蓉,等.LabVIEW虚拟仪器数据采集与串口通信测控应用实战[M].北京：人民邮电出版社，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] 张力霆.尾矿库溃坝研究综述[J].水利学报，2013(5)：594-600. Zhang Liting.Summary on the dam-break of tailing pond[J].Journal of Hydraulic Engineering，2013(5)：594-600.

[6] 国家安全生产监督管理总局.AQ2030—2010尾矿库安全监测技术规范[S].北京：国家安全生产监督管理总局，2011. State Administration of Work Safety.AQ2030-2010 Technical Regulation for Tailings Pond Safety Monitoring[S].Beijing：State Administration of Work Safety，2011.

[7] 李晓维，徐勇军，任丰原. 无线传感器网络技术[M]. 北京：北京理工大学出版社，2007. Li Xiaowei，Xu Yongjun，Ren Fengyuan. Techniques for Wireless Sensor Networks[M]. Beijing:Beijing Institute of Technology Press,2007.

[8] 杨世超，陶正苏.一种基于无线传感器网络的生物信息检测系统节点电源设计[J].电子设计工程，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，张兴凯，等.尾矿坝浸润线序列的支持向量机预测研究[J].金属矿山，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.

(责任编辑 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

国家自然科学基金项目(编号：61163063，50764005)，江西省教育厅科技项目(编号：GJJ12329，GJJ12353)。

何学文(1971—)，男，教授，博士，硕士研究生导师。

TD76

A

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