大规模无环有向管网中移动物联网监测进展

涂经科，梁俊斌 ，蒋 婵，王天舒

1.广西大学 计算机与电子信息学院，南宁 530004

2.广西多媒体通信与网络技术重点实验室，南宁 530004

3.东软集团（南宁）有限公司，南宁 530007

1 引言

大规模无环有向管网（Large-Scale Acyclic Directed Pipe Networks，LSADPN）是指城市供水管网、石油及天然气供给管网等可以建模为无环有向图（DAG）的管道系统[1-4]，如图1 所示[5]。LSADPN 是影响国家经济发展和社会稳定的关键战略基础设施，需要保证它们安全稳定运行[6-9]。但是，LSADPN 往往具有分布地域广阔、连接复杂、深埋地下等特点，因此对它们进行实时、全面且准确的监测十分困难[10-11]。

图1 LSADPN无环有向图

为应对各种污染和泄露事件对LSADPN 基础设施的挑战，对LSADPN 实时监测系统被认为是至关重要的。在传统的监测方案中，针对由化学或者生物污染造成的污染事件和由于管道受到老化、破损和人为恶意破坏造成的泄露事件，往往是通过安置静态检测仪器来进行监测[12-15]。但是，用于管道监测的静态传感器的价格较为昂贵，并且对安装的位置有严格限制（例如：电子放大听漏仪要求安放在管道的暴露点，并且周边噪音小），因此只能安装在部分重要位置，监测范围较为有限[16-19]。

近年来，随着纳米技术、传感技术和通信技术的发展，有研究提出基于移动物联网的监测方法，可投放一定数量的移动传感器，从管网中获取数据取得较准确的监测结果。整个监测系统由汇聚节点、移动传感器组成，它们的功能及特点描述如下：

（1）汇聚节点。是一种具有较强通信能力的节点，可以在相应的管道接口结点预先布置一定数量的汇聚节点，以收集或接收移动传感器上传的流体数据。

（2）移动传感器。在基于移动物联网的LSADPN监测系统中移动传感器通常可分为两类，一类是自主移动的传感器，一类是非自主移动的传感器。①自主移动的移动传感器，具有水质监测能力，还有较强的数据、通信和计算功能，同时具有动力单元可按规划路线自主行动。②非自主移动的移动传感器，具有水质检测的能力，还有有限数据存储、通信和计算功能，但是没有动力单元，无法自主移动；系统进行监测时，可以根据用户成本投入指定数量的移动传感器到LSADPN中，让它们随着管网内的液体流动，从内部进行更准确的监测。当它们经过汇聚节点时，可以通过汇聚节点并上传数据。

目前，基于移动物联网的LSADPN监测系统中遇到的主要困难包括：

（1）节点布置范围受限，投放位置难以确定。在LSADPN 中，管道深埋地下且分布广泛，不同地域下的管道密度悬殊，如部分地域管道分支分布密集但部分地域管道分支分布稀疏。因此，难以通过大范围部署移动节点和汇聚节点覆盖大部分管道。另外，许多管道的接口处无法安置汇聚节点或者投放移动传感器，因此如何确定合适的管道分支来部署汇聚节点和投放移动节点是一大难点。

（2）监测系统成本有限，难以大范围投放节点。首先，在LSADPN 中，管道为无环有向管道且管道中的流体流向为单向流向，节点可能因为管道某处堵塞或阀门关闭而无法正常运动。因此，可能会出现一个管道中有多个节点进入而重复检测或者部分管道没有节点流入而无法被检测等问题，出现多个节点浪费的情况。其次，在监测成本一定条件下，节点的投放数量有限，无法通过大量部署汇聚节点和释放移动传感器来达到较高的性能指标。

（3）LSADPN 中流体运动十分复杂，计算困难。在基于移动传感器的LSADPN监测方案中，难以对复杂的流体运动进行较为准确的模拟和计算。在以往的文献中，一般会假定管道内流体的速度与容量是固定的，不会随着时间改变，随着流体漂流的节点移动速度也是稳定不变的。然而，在实际的LSADPN 中，流体的速度经常会随着时间呈现不同的变化（如管道阀门关闭造成的流体速度为零；不同区域与时间的用水量高峰期造成流体速度大幅变化等），静态的稳定流体速度模型只适用于少数的情况。根据流体速度变化的规律，将流速速度变化模型分为三种模型：静态稳定流体模型、动态稳定流体模型和动态随机流体模型。静态稳定流体模型适用于管道内水压和流体流速不变的流体模型；动态稳定流体模型是指根据时间的变化可推导出流体速度呈现规律变化的流体模型，例如通过把时间当作参数推导出流体速度随时间变化的函数，可以用来模拟城市一天的用水量变化情况；动态随机流体模型是指管道内水压和流体速度随着时间推移呈现不规则变化的模型，如水管的爆裂、地震等灾难造成的管道内流体速度的不规则变化等。

（4）监测系统的性能指标考虑不足。在LSADPN中，往往根据不同的研究目标会设置不同的性能指标。LSADPN 监测系统的较为重要的监测指标为：监测范围、监测事故的精度、保护人口等。以监测范围为监测指标时，可能会造成高覆盖、低人口的情况；以监测事故的精度为性能指标时，固定成本下有限的节点数量难以大范围覆盖管道实现事故的高精度定位；以保护人口为性能指标时，单一指标又会降低其他性能指标的要求。另外，在现实生活中监测需求往往是复杂且变化的，因此如何设置性能指标框架，使其能满足实际的监测需求是一大难点。

本文将对LSADPN 中基于移动物联网的监测方案进行综述，主要贡献为系统地归纳了基于移动物联网中不同节点的部署方案，并以此为主轴介绍了部署方案的现状。

2 国内外研究现状

目前，已经有部分工作研究如何基于移动物联网来对LSADPN进行监测。根据感知数据上传的方式，可以将这些工作划分为两类：非自动上传数据的方案和自动上传数据的方案。

2.1 非自动上传数据的方案

所谓非自动上传数据，是指依靠人工捕获移动传感器的位置并上传数据。这些移动节点相互独立，互不通信。在这种方案中，可以通过投放大量移动传感器来对管网进行大范围的覆盖。但是节点之间没有数据交互，通常无法判断获得监测数据的时间延迟[20-23]。

为了能更好地定位移动传感器在管道中的位置，Kim J H 等人[24]提出了一种基于RFID（无线射频识别标签）的监测方法SPAMMS。该方案在管道内每隔一段距离就贴一个RFID标签，移动传感器经过标签时，获取标签中的位置信息。最后在末端的泵站收集漂流的移动传感器和监测数据。然而，在长距离管道的情况下，移动节点经常会因为撞击或者能量耗尽而暂停工作，无法继续接收流体数据。

为了改进SPAMMS 中的问题，文献[25-26]提出了基于移动节点维护和能耗的长距离管道泄漏监测系统。Almazyad A S等人[25]提出的设计方案基于在管道内部署一组移动无线传感器节点，并允许它们按照预定顺序协同工作。在这种机制下，一次只有一个节点处于活动状态，而其他节点处于休眠状态。下一次唤醒的节点根据三种唤醒技术之一进行唤醒：基于位置的、基于时间的和中断驱动的。然而，在移动节点能耗的降低下，泄漏检测的精度也会随之下降。

为了进一步提高泄漏检测的精度和智能性，Liu Y等人[26]提出了一种利用固有模函数、近似熵和主成分分析法构造信号特征集，并利用支持向量机（Support Vector Machine，SVM）作为分类器进行泄漏检测的泄漏识别方法。文章提出了一种基于无线传感器网络的管道监测系统和基于支持向量机的泄漏识别方法。机器学习可以模拟人类通过学习活动获取知识的过程，能够使泄漏检测的精度和智能性自动提高。

通过分析以上的算法可以发现，该类方案通过投放大量的移动传感器，并在管道上安装RFID 来实现移动传感器的定位，从而实现较高的监测精度和较广的监测范围。同时，考虑到移动传感器的有限能耗，进一步对移动传感器的能耗、监测精度进行了智能优化，实现了较低的能耗与较高的监测精度。这些算法都是适用于需要覆盖范围较广的管道应用场景，并在此之上进一步提高管道监测精度。以上算法的性能优缺点，如表1所示。

以上这些方案具有成本低、监测范围广的优点，但是文中移动传感器的投放位置只考虑一个，不适用于多个移动传感器的部署方案，无法有效地对管网进行大范围覆盖。

为了改进以上问题，且以最少的节点满足较大的管道监测范围和事故定位的精度，Suresh 等人[27-28]设计了一个高概率覆盖整个管网的解决方案。该方案采用多个移动传感器进行投放，利用信标节点（RFID）来事故进行定位。他们更进一步提出在一定成本下，如何部署有限的移动传感器使得管网覆盖面积最大化问题[29]。该文利用整数线性规划（Integer Linear Programming，ILP）和贪婪启发式（Greedy Heuristic Method，GHM）方法对问题进行了新的建模，实验结果证明，算法得出的管网覆盖面积比之前的更大。由于实验中未考虑非线性的影响因子（如流体流速等），而采用整数线性规划对问题建模，使得定位的精度出现较大的偏差。

表1 基于非自动上传数据单投放位置的监测算法优缺点对比表

为了使得定位的精度更加准确，文献[30]将传感器和信标节点的最优配置问题描述为一个混合整数非线性规划（Mixed Integer Nonlinear Programming，MINLP）问题，以在预算约束下使定位精度最大化。他们提出以最大化平均感测覆盖（Maximize Average Sensing Coverage，MASC）和最大化下限感测覆盖（Maximize the Lower Bound Sensing Coverage，MLBSC）为性能目标。实验结果表明，MASC 和MLBSC 的性能都优于使传感器数量最小化的解决方案。但是该算法的复杂度较高，且需要部署大量的RFID来实现更大的管道监测范围。

分析以上的算法可以发现，在一定成本的限制下，该类方案通过寻找最佳的移动传感器部署位置来达到较大的监测范围和较高的监测精度。同时，将监测事件中非线性的影响因子纳入计算公式，进一步提高监测精度，提升监测系统的性能。这些算法都适用于覆盖范围较广和对精度有较高要求的应用场景，通过不断优化算法，达到更广的监测范围和更高的监测精度。以上各个算法的优缺点，如表2所示。

本节的所有方案都是通过RFID 来实现LSADPN监测系统中移动传感器的事件定位，但是在管道分支分布密集的区域，有限的成本下无法部署大量RFID 来实现移动传感器的定位。另外，该类方案需要人工物理在管道的末端出口捕获移动传感器，各个传感器之间互不通信，无法控制监测延迟。

2.2 自动上传数据的方案

为了控制时间延迟，另一种研究方案是采用监测数据自动上传的方式。根据移动传感器是否能自主移动，自动上传的方式分为两种情况。第一种是利用自主移动传感器进行监测。这类传感器通常具有自主移动能力和较强的通信能力，能及时到规定区域收集并且上传监测数据[31-35]。第二种是利用非自主移动传感器进行监测。这类传感器通常不具备动力装置，它们随着液体漂流，通过接收器节点上传数据[36-39]。

2.2.1 自主移动传感器监测

该类方案中，移动传感器可以自主行走、收集并上传监测数据，因此能更方便地到达事故区域。但是这类移动传感器价格较为昂贵，在固定成本下，可投放的数量十分有限，无法对网络进行大规模的覆盖。并且由于大部分管道远离地表，向地表基站的通信比较不稳定。

为了对水下的石油和天然气管道进行监测，Khan A等人[40]提出一种基于视觉反馈的水下自动机器人控制方法。机器人自带有摄像机，对捕捉到的管道图像进行处理，以获取管道的方向信息，跟踪管道进行检测。然而，即使在最佳的水下条件下，水下能见度范围也往往只有几米。因此，通常很难通过摄像头捕捉的管道图像来确定大面积管道的状况。

为了进一步提高管道检测定位结果的可靠性，Guan M等人[41]提出了集成一个海底探测器和网络上的船载水上和水下集成移动地图系统。该系统的数据采集包括声学图像和管道路由的水上和水下地形图。文章中设计了一种位置偏差校正方法以提高管道的精度检测定位，即实时动态定位数据中的管道定位校正和综合数据中的管道水平路由校正。以上两种方案只能监测管道外部的破损情况，无法对管道内部流体进行监测，获取流体的质量数据。

为了更好地获取流体信息，以便判断污染和泄漏等情况。Basagni S 等人[42]提出，每隔一段距离就放置一个用于监测流体的固定传感器。文中利用自动水下机器人定期从水下各固定传感器收集数据并传送到位于水面或陆上的汇聚节点。该方案利用整数线性规划模型模拟机器人移动路径。但明显该方案的水下监测范围依赖于固定传感器布局，并且成本固定情况下，很难部署大量的节点进行大范围的监测。

以上这些方案都是通过操控可自主移动的航行器来实现对管道的监测。这些航行器可经由控制中心操控，达到特定管道进行详细的检测。这些算法都是针对水下管道监测的应用场景，同时不断优化算法，达到更大的监测范围和监测精度。但是这些自主移动的航行器成本昂贵，投放的数量十分有限，只能对特定的管道分支进行监测，无法覆盖大面积的管道。另外以上方案中的机器人都未进入管道，且都只能用于水下管道的监测。以上各个算法的优缺点，如表3所示。

表2 基于非自动上传数据多投放位置的监测算法优缺点对比表

表3 基于自主移动传感器的水下管道监测算法优缺点对比表

为了能适应管道的所在不同地理环境，Li X、Yu W等人[43-44]研究了复杂管道中自主机器人的最优检测问题。通过寻找区域内所有边界点都可见的最小点集来实现覆盖整个管道，然后利用自主机器人进入管道，依次到达这些点，收集管道内的流体和管道信息。但是该文所提出的“画廊守卫”路径规划算法，是针对凹凸不平的墙面，应用在管道模型上还是有所缺陷。

Edelkamp S 等人[45]提出了一种三维管道检测的方法。首先，该方法生成一组在期望的检查质量下其联合可见性覆盖检查区域的航路点，在生成航路点后，采用多目标运动规划方法，计算出一条无碰撞、动态可行的轨迹，该轨迹访问所有的航路点，同时寻求最小化行驶距离来覆盖整个管道。

以上两种的路径规划算法通常依赖于将无障碍空间分解为凸的无障碍区域，导致管道模型的处理精度不高，规划路径不是最优。文献[46]提出了一种基于快速探索随机树（Rapidly exploring Random Trees，RRT）的运动规划算法，基于RRT的方法可以直接处理非凸的自由空间，因此比文献[44-45]中移动规划算法所需的几何表示更容易生成。

以上这些方案研究了管道中自主移动传感器的运动规划优化问题，该问题基本分为三个步骤：（1）生成最小点集；（2）找到访问这些最小点的最佳顺序；（3）生成可行的运动路径，以按照最优的顺序访问最小点。但是由于移动传感器的自身能力（如：电源、数据存储能力等）和管道障碍的限制，步骤（1）甚至（2）的最优解可能是不可行的。因此，如何将所有这些问题和从一层到另一层的反馈信息结合起来，是一大难点。这些算法的监测精度较高，但是由于自主移动传感器成本较为昂贵，可投放的数量较少，无法实现大范围的管道覆盖。因此，这些算法主要适用于精度要求高但覆盖范围较小的应用场景。以上各个算法的优缺点，如表4所示。

2.2.2 非自主移动传感器监测

这类方案中移动传感器往往不具有动力装置，只能随着流体漂流收集数据，在遇到接收器时上传监测数据。采用接受器上传数据的方式降低了对移动节点的要求，但是网络的整体覆盖效果十分依赖于监测系统的布局。

Oliker N 等人[47]描述了一种适用于无环有向管网系统中固定传感器和移动传感器的二元整数规划模型。该方法通过计算汇聚节点和移动传感器的组合方式和投放位置，最大化管网系统的监控范围。在此之上，他们更进一步利用贝叶斯定位方法（Bayesian Localization）提高污染事件的定位精度，同时大大提高了监测精度[48]。

虽然以监控范围为性能指标会最大化监测区域，但是可能会造成高覆盖、低人口的情况，因此更需要高覆盖的是人口密集的区域。

为了改善以监控范围最大化为性能的缺陷，Du R等人[49]以保护人口为性能指标，提出了一种新的优化方案，利用优化的贪婪算法来研究移动传感器和汇聚节点的部署位置，从而达到监控范围内的保护人口的最大化。然而，文章中却没有提及如何对感兴趣的管道区域进行划分。

Venkateswaran P 等人[50]开发出了一种新的自适应监测水分布网络的混合体系结构。该文采用两阶段规划和部署方法，首先集成工作结构、事件，以及社区信息和模拟基础分析，其次确定安装现场传感器和主流化基础设施的分配。该混合体系结构可以在网络中根据需要自适应地调整感知分辨率，根据事件确定所需的感知能力，并对变化的事件严重性做出响应。

以上这些算法主要是针对固定成本下性能指标最优化的问题进行求解，即首先计算合适的汇聚节点与移动传感器的数量搭配比，然后再选择最优的位置进行传感器的投放或安装。该类方案的监测范围较大，多个移动传感器与汇聚节点组成的移动传感网络使得监测延迟大大降低。前两个算法以最大化监测范围作为性能指标，适用于范围较广和监测精度较高的应用场景。后两个算法则以保护人口作为性能指标，适用于人口密集的管道区域。但是以上的算法都是以单个目标为性能指标，在实际的监测过程中，必须同时考虑故障检测率、覆盖率、时间、延迟等多个目标。以上各个算法的优缺点，如表5所示。

表4 基于自主移动传感器的运动规划监测算法优缺点对比表

Perelman L S等人[51]以检测故障概率、识别管道故障位置率和故障定位准确率为性能指标，研究了大型无环有向管网系统管道故障位置识别的传感器优化配置问题。这个问题可以看作是一个最小测试覆盖（Minimum Test Coverage，MTC）问题，并且是NP 难的。文章提出了两种贪婪算法，最后给出一些实际的供水网络模型进行了详细的计算实验。

在此之上，Sankary N等人[52-53]构造了一种多目标混沌遗传算法。这个多目标框架提供了高性能权衡集，将监测系统的系统成本与众多性能目标进行比较，以提供高性能和弹性的监测系统。为了自定义多目标之间的权重，使得系统具有较好的性能，Aral M M等人[54]提出了一种基于多目标的算法框架。该文中自定义不同目标的权重比例，然后采用遗传算法求解移动传感器的部署位置，使得总性能期望最大化。该方案利用权重平衡多个目标参数，但是没有考虑在不同监测事件下，各个目标权重的比例和变动情况。

以上算法都是采用多目标性能指标算法来监测管道的故障事件。对比单目标性能指标的算法，多目标性能指标算法可以更好地应对实际的复杂管道故障事件，更好地平衡不同的性能指标，达到较优的监测效果。但是在调配不同事件不同参数的权重时，往往需要人为调试权重，可能导致最终的监测效果不佳。第一个算法适用于监测精度高和覆盖范围广的管道，后两个算法性能指标是多目标性能框架，更适用于复杂故障的管道监测。以上各个算法的优缺点，如表6所示。

3 应用

随着纳米技术、传感技术和通信技术的发展，采用基于移动物联网的监测技术来执行监测任务，逐步成为可能。例如：SPAMMS[24]、MISE-PIPE[55]、PipeProbe[56]等。相比于静态传感器的监测方案，基于移动传感器的监测方案能够进入管道内部，更详细收集具体的流体信息，达到更优的监测效果。基于移动物联网监测方案中，能够实时获取详细的流体数据，有利于对管道故障的准确分析，判断LSADPN 中流体信息不断更新的情况，用于分析、建模和控制管道监测系统是十分便利、可行的。

Chen Y等人[57]开发了一款基于无线传感器网络解决方案的远程实时高频水质监测系统。该项目开发的水质监测系统利用BIO（Bristol Is Open，一家由布里斯托尔大学和布里斯托尔市议会组成的合资企业）的基础设施进行无线通信和数据处理、存储和再分配。该系统借助于物联网时代开发的云计算、软件化网络和开源平台，由数据采集、数据传输、数据存储和数据可视化等全过程组成，如图2所示。

另外，他们在实验中利用BIO 提供的Wi-Fi 网络在布里斯托尔市区实时、高频地收集水质数据。该系统易于扩展到多个站点，建立一个大型传感器网络，进行大范围的管道监测。该系统还具有高采样频率、低成本和从网页获得实时读数的特点，获取的流体数据更准确、及时，监测精度高。

表5 基于非自主移动传感器的单性能指标监测算法优缺点对比表

表6 基于非自主移动传感器的多性能指标监测算法优缺点对比表

图2 系统的工作流程图

Lai T T T等人[58]设计了一种用于管道监测中传感器自主部署的无线传感器网络系统TriopusNet。Triopus-Net的工作原理是自动释放位于水管源头集中存储库中的传感器节点。在自动部署期间，TriopusNet 运行传感器部署算法来确定节点的位置。当节点在管道内流动时，它通过延伸机械臂将自身锁定到管道的内表面来执行放置。通过不断地将节点释放到管道中，TriopusNet系统构建了一个由相互连接的传感器节点组成的无线网络，如图3所示。

图3 管道监测图

当一个节点在低电池电量下运行或遇到故障时，TriopusNet 系统会从存储库中释放一个新节点，并执行一个节点替换算法，用新节点替换故障节点。最后文章通过在实验管道试验台上创建和收集真实数据来评估系统。与静态部署相比，TriopusNet 能够使用较少的传感器节点覆盖管道中的传感区域，同时保持数据采集率高的节点之间的网络连通性。实验结果还表明，Triopus-Net 可以从电池耗尽节点造成的网络断开中恢复，并成功地用新节点替换电池耗尽节点。

为了提高供水网络系统的故障恢复能力，Han Q等人[59]提出了一个集成的中间件框架，用于快速准确地识别复杂管道网络中具有不确定性行为的故障。文中提出的方法将基于物联网的传感、领域特定模型和模拟与机器学习方法相结合，以识别故障（管道破裂、污染事件）。由于网络组件、物理力学和人工操作的限制，这些技术的组合导致了故障识别中固有的成本-精度-延迟权衡。

文章中研究了三个关键的恢复问题：在少量故障情况下的多故障隔离、地震等极端事件下的水系统状态估计和水网污染源识别，同时设计并实现了传感器仿真数据集成框架AquaSCALE，如图4 所示，并将其应用于多个并发管道故障的定位。

Sankary N 等人[60]提出了一种预警系统，即在网络节点处放置固定传感器，在网络管道内流动的网络节点上部署内联移动传感器，并通过地面收发器与移动传感器进行无线通信的数据传输和分析，系统操作图如图5所示。该预警系统的性能是根据污染检测所需的时间、检测可能性、事件检测前受影响的人口以及小型、中型和大型市政网络的系统总成本来衡量的。该文利用增广凌乱遗传算法进行多目标优化，探讨了系统性能与规模的内在权衡。增强的凌乱遗传算法有助于解决部署的传感器数量变化的问题。结果表明，每个目标的帕累托前沿与每个解决方案的成本有很好的对应关系，为之后的优化预算决策提供了一个较好的工具。

图4 AquaSCALE系统框架图

图5 Sankary N等人提出的系统操作图

为了降低监测成本，Suresh M A 等人[61]提出了一种移动无线传感器网络系统，该系统由移动传感器（它们的移动借助于基于流量的监控系统中固有的流量）和帮助定位传感器的静态信标组成，如图6所示。该文介绍了第一个完整的结构设计、算法和协议，以实现对基于流量监控系统的最佳监控。该文提出的解决方案包括传感和通信模型、传感器和信标通信的MAC 和组管理协议以及传感器和信标放置算法。最后，通过大量的仿真和概念验证系统的实现，证明了算法的有效性，例如传感器数量的显著减少，而敏感范围则略有增加。

图6 配水系统监测图

4 存在的问题以及未来的研究方向

综上所述，目前已经有许多基于移动物联网的LSADPN监测的研究，但由于LSADPN中的管道分支深埋地下、分布广泛、密度不均等特点，使其变成一项较为困难的监测问题。目前的研究方案主要基于单性能指标的最大化和多性能指标的目标函数最大化两种。在一定的成本下，如何最优化不同的性能指标是研究的重难点。虽然目前已经有一定的研究成果，但是仍然有一些问题，具体主要表现如下：

（1）节点投放数量和部署范围受限。在以往的研究方案中，往往是以监测范围最大化为系统的性能指标，这就意味着需要部署更多的移动传感器和接收器节点。但是由于系统成本的限制，往往只能部署一定数量的移动传感器和接收器节点。例如，利用RFID 对移动传感器的定位时，虽然RFID的价格较为低廉，可实现较大数量投放，但是RFID的定位范围较小，因此无法大范围覆盖管道系统；汇聚节点虽然监测范围较大，但是汇聚节点成本较为昂贵，也无法实现较大数量的投放。现有的分配节点数量以及部署位置的主要方法可分为可自主移动传感器和不可自主移动传感器两类。可自主移动的传感器方案中移动传感器的成本较为昂贵，可分配的数量较少，一般是通过计算传感器的最佳移动路径来选择投放的位置。该类方案中的移动传感器可自主上传监测数据，实现高精度的监测。但是在固定成本下，难以投放大量的可自主移动传感器实现大范围的管道检测。不可自主移动传感器方案中移动传感器成本较低，可实现较大数量的投放，通过贪婪固定成本下的移动传感器数量和投放的管道位置，依次进行遍历，得出最佳的节点分配数量和投放位置。该类方案可实现较大范围的管道监测，但是该类方案中的移动传感器无法自动上传数据，通常需要固定的传感器来收集监测数据或人工收集移动传感器的监测数据，造成延迟较大、监测精度不高等问题。因此，在有限成本下，如何分配节点的数量，在合适的管道位置投放这些节点，是一大难点。

（2）LSADPN监测系统中非线性因子考虑不足。以上的大部分研究中，都是将监测系统的流体数据当成静态参数，并没有考虑非线性因子对目标性能的影响。例如，在实际的流体系统中，管道内的流体压力会随着时间做不同规则的非均匀变化。流体速度变化的模型大概可分为静态稳定流体模型、动态稳定流体模型和动态随机流体模型，静态的流体速度模型只适用于极少数的情况。因此，在实际的监测系统中，需要对这些非线性因子的实际变化模型展开研究。

（3）移动节点的通信能力有限，数据传输延迟较大。在LSADPN监测系统中，移动传感器与接收器节点之间的通信基本是采用水声通信，但是传播延迟较大，可靠性较低，数据传输的丢失率较大。同时，移动传感器需要经过接收器才能将数据上传，为了实现较低的数据传输延迟，需要大量地安装接收器节点。但是LSADPN中管道分布广泛，为了实现更大范围的监测，移动传感器和接收器节点的距离常常较远。因此，如何调整移动传感器和接收器节点的部署位置，使其具有较低的传输时延，同时又有较好的监测性能是一大难点。

（4）LSADPN 监测系统中多性能指标难以平衡。LSADPN 监测系统的研究主要有单性能指标和多性能指标两类。单性能指标的监测系统只能在特定需求的监测环境中才能更好地使用。但是面对实际的复杂需求时，往往需要考虑多个性能指标，并考虑如何分配各个指标的权重使之监测效益最大化。可以根据不同的事件和事件的紧急程度来设定不同的权重分配顺序。管道故障情况大概可以分为：管道泄露、管道污染和例行检查这三种情况。另外，根据管道的故障严重程度，紧急程度的不同可划分为不紧急、较为紧急和紧急。可以分别对这几种不同的管道故障情况和紧急程度设置相对应的性能目标和权重优先分配顺序。例如在面对突发的较大管道泄露事件时，监测范围和监测精度最为重要，应该分配较大的权重；在面对管道的渗漏时，监测的精度尤为重要，应该赋予更大的权重；在对管道进行例行检查时，在满足一定的监测范围时就必须考虑有限成本，应该对其赋予较大的权重。因此，如何设计一个多性能指标框架，平衡不同的性能指标也是研究中的重点。

针对以上问题，未来的研究方向如下：（1）固定成本下节点的投放数量和投放位置，如何在有限成本下部署一定数量的节点使得监测性能最大化；（2）LSADPN 监测系统中非线性因子的模型建模，对这些非线性因子进行合理化的建模，使得监测性能最大化；（3）设计节点之间的低延迟数据传输方法，将移动传感器收集的数据尽可能地快速上传；（4）设计多性能指标的性能平衡框架。如何在不同的管道事件中，平衡不同的性能参数，相应地分配适宜权重，使得监测系统的监测效益最大。

5 结束语

LSADPN包括了水、油、气等大规模管道系统，是国民经济与安全的重要设施，因此对它们进行快速、有效的监测十分重要。但是，由于大部分管道深埋地下且分布广泛，使得监测这些管道十分困难。首先，本文介绍了基于移动物联网的LSADPN监测方案的背景，然后分析、总结了LSADPN系统中不同节点部署方案优劣。最后，虽然现有的研究已经获得一定进展，但是依然存在一些问题。为了继续改善LSADPN的监测方案，提出了几个待解决的问题，并分析了下一步的研究方案。