基于ZigBee技术的建筑环境多源监测数据融合研究

任远林，沐 娟

(安徽工商职业学院 应用工程学院，安徽 合肥 231131)

科学技术的发展使人们的工作和生活方式发生巨大改变，相关调查结果显示，人们一天中处于室内的时间可达到90%左右，因此建筑环境质量逐渐引起人们的重视.由于温度、光照度、二氧化碳浓度等是影响建筑环境质量的主要因素[1-2]，因此监测及分析建筑环境数据能够在实现降低能源消耗和污染排放的同时，提升建筑环境调控的水平，从而实现建筑环境质量的优化.建筑环境数据具有来源复杂、形式多样、冗余度较高等特点，并且会涉及流体力学计算和建筑日照分析等多种技术理论，导致建筑环境数据采集、处理和分析面临严峻考验[3].利用多个传感器采集建筑环境监测数据，并对其进行融合，同时使用信息技术对其加以分析，能够有效消除数据之间的冗余和矛盾，获得数据之间隐藏的联系，使数据更加精确和全面，进而为建筑环境调控提供科学的数据参考[4]，因此设计建筑多源监测数据融合方法十分必要.

该课题的研究引起很多相关专家和学者的关注，例如周金生等人和聂珲[5-6]等人，分别利用时空关联性与NB-IoT技术融合建筑环境多源监测数据.利用这两种方法均能很好地监测建筑环境变化，消除单一传感器监测建筑环境的局限性，但融合后的数据量仍占很大比例，数据约简能力有待优化.

ZigBee是目前最具潜力的无线通信技术之一，具有成本低、操作简单和功耗小等优势，且传输稳定性高，能够消除干扰产生的误码.因此本文研究基于ZigBee技术的建筑环境多源监测数据融合方法，以ZigBee技术为核心，结合粗糙集理论和证据理论，实现建筑环境多源监测数据融合.

1 建筑环境多源监测数据融合

1.1 整体架构

基于ZigBee技术的建筑环境多源监测数据融合架构，见图1.

图1 建筑环境多源监测数据融合架构

该架构包含采集层、传输层、应用层和用户层四个层次.采集层由温度、湿度、光照度以及二氧化碳浓度传感器构成，用于采集相应的建筑环境监测数据，以便用户对建筑环境进行全方位监测；传输层以ZigBee技术作为核心完成数据传输工作，利用ZigBee可以将采集层各传感器获取的建筑环境多源监测数据输送到应用层；应用层的多源监测数据融合模块使用基于粗糙集理论和证据理论的多源数据融合方法融合接收到的数据；用户通过用户层的查询服务器和管理服务器能实现应用层所得融合结果的查询及管理，并能够将其备份到数据库中.

1.2 ZigBee协议

该协议的创建依据为IEEE802.15.4标准，其框架具体用图2描述.

图2 ZigBee协议框架

(i)物理层.该层涵盖无线信道和介质访问层的接口定义，可以实现评估空间信道、收发数据、休眠及唤醒射频等功能[7].该层的频段标准为2.4 GHz，由16个信道组成，传输速率最高为250 Kb/S.

(ii)介质访问层.该层主要用于控制介质访问，针对逻辑链路和连接或非连接的设备，可利用该层包含的服务传输设备间的数据帧完成信道访问.该层能够为无线信道通道提供安全保障，且能实现信标同步，并在协调器生成发送信标帧的情况下，将其与协议器同步[8-9].

(iii)网络层.该层的职责主要为查找路由、确保数据帧的安全性、传输数据等，是ZigBee协议的核心，该层包含命令帧与数据帧，且具有同样的帧格式.该层通过NLDE和NLME分别完成数据传输服务以及应用层的通信，该层结构用图3描述.

图3 ZigBee协议网络层结构

(iv)应用层.该层由APS、ZigBee设备对象和应用程序对象组成.APS能有效提升通信质量，主要用于提供网络层和应用层之间的访问通道与通用服务[10]，若出现数据收发现象，且未获得目标，APS将会使用缓冲器进行数据的临时存储.ZigBee设备对象不仅可以实现网络事务的管理，还可以创建设备逻辑连接，并提供键值匹配和报文服务.

1.3 基于粗糙集理论和证据理论的多源数据融合

1.3.1 粗糙集理论

粗糙集理论可以确保分类性能不变，利用知识约简得到划分概念的标准，并有效处理不同类别的噪声数据，因此其在多源、不精确和噪声的数据处理中具有极高的应用价值.

(ii)近似空间.该理论使用上、下近似集对数据进行分析，论域子集用X描述，其对象元素集合的上、下近似集表示如下.

R-(X)={X∈U|R(X)⊆X},
R-(X)={X∈U|R(X)∩X=φ}.

(1)

决策和条件的属性集分别用D和C表示，属性a满足a∈C，则γC(D)-γC-{a}(D)可描述a的重要度，将a从C内消除后，影响分类决策的程度可通过该指标进行反映.

(iv)属性的约简.通过约简可以将结论属性关于条件属性集合的依赖，在信息不丢失的基础上，以最简单的形式描述出来[11-12].

决策系统用S=(U,C∪D)描述，假设C′代表C的非空子集，若满足γC(D)=γC′(D)，且使γC′(D)=γC″(D)成立的C″⊆C′不存在，则C对于D的约简可以用C′描述，简称D约简，关于D的核则为全部D约简的交集.

1.3.2 证据理论

(iii)D -S组合规则.Θ相同的情况下，使用数量为n的证据源，所得基本概率指派函数用m1,m2,…,mn表示，则可以利用公式(2)描述组合规则表达式.

(2)

1.3.3 多源数据融合实现

结合粗糙集理论和证据理论，实现建筑环境多源监测数据融合，并实时给出智能决策结果，据此调整建筑环境控制设备，从而使建筑环境始终保持在健康状态.建筑环境多源监测数据融合算法流程图如图4所示.

图4 建筑环境多源监测数据融合算法流程

建筑环境多源监测数据融合的具体流程如下.

(i)确定初始决策表规模.如果整体架构中采集层的数据源数量用M描述，样本数据量的组数用L描述，那么可以使用L行M+1列描述初始决策表大小，其内条件属性用前M列表示，决策属性用尾列表示.

(ii)离散化处理采集的样本数据，生成决策表.需要通过基于Kohonen网络的离散化算法处理采集的样本数据，因为粗糙集对于连续属性的直接处理难度较大[14-15]，下述为具体实施过程.

步骤1 假设Kohonen网络的最大分类数用I表示，通常为样本类型数，属性值集用Vi表示，分界点用P(j)表示，其可通过分类各Vi得到.

(a)初始权值用W(O)表示，设定其为小随机量；

(b)输入和输出节点分别用Xi(t)、j表示，对两者之间的距离进行计算，结果为dj；

(c)对距离最小节点的连接权进行调节.

步骤2 在分界点为P(j)的情况下，需要做出以下处理.

(a)根据分界点实施区间化操作，将各区间当成一类，类内方差与类间方差分别用D1、D2表示，对两者进行计算；

(b)假设类别数量用K(I≥K≥2)表示，若想跳转到步骤1，则满足K≥I；若分类终止，则满足K

(c)最佳分类数为各属性集中符合min{D1}与max{D2}的分类数.

步骤3 最优分界点可以根据各属性集的最优分类得到，在此基础上实施区间化，同时完成标记，并通过合并得到决策表.

(iii)通过粗糙集理论约简所得决策表，依次利用属性约简和对象约简，分别完成属性优选以及不同冗余对象的删减工作，并将获得的简化决策表当作经验用于证据推理.

(iv)根据所得简化决策表，将其内包含的条件属性当作已知证据，依照两个理论的关系，在待决策数据取值的基础上获得每个证据的基本概率指派.

(v)获得每个证据的条件概率指派.

(vi)根据信任函数和似然函数融合证据，并利用以下规则进行决策，若满足bel(r(j))=max[bel(Vd)]≥α，则为第j类，若不满足，则无法判断，决策门限表示为0≤α≤1.

2 结果分析

将某居民建筑作为实验对象，分别在不同位置布设温度、湿度、光照度和二氧化碳浓度传感器各10个，用于采集相应建筑环境监测数据，采集时间间隔为25 min，最终获得4组多源监测数据，使用本文方法和文献[5]方法和文献[6]方法完成各组数据的融合，以验证不同方法的融合性能.

将本文方法采用的ZigBee协议的节点生命期和文献[5]方法采用的TEEN协议、文献[6]方法采用的DSDG协议的节点生命期进行比较，结果用图5描述.

图5 节点生命期比较

分析图5可以看出，随着时间增加，TEEN协议的节点死亡数量呈持续快速上升趋势，当时间从100 s增加至900 s时，节点死亡数量增加76%左右；DSDG协议的节点死亡数量随时间增加表现出先迅速升高后趋于平稳的状态；ZigBee协议的节点死亡数量随时间变化幅度较小，始终处于平稳上升趋势.以上结果表明，ZigBee协议具有较好的节点生命期，说明利用该协议可以显著提升整个建筑环境多源监测数据融合方法的运行质量.

选择某日上午9点～10点的共计24325个温度监测数据进行数据融合测试，各传感器不同节点的监测结果和不同方法的融合结果，分别用表1和表2描述.

表1 不同节点的监测结果

表2 不同方法的数据融合结果

从表2可以看出，文献[5]方法与文献[6]方法的不同传感器四个节点的温度监测数据融合结果与实际结果具有较大差距，而本文方法的不同传感器四个节点的温度监测数据融合结果与实际结果基本一致，且存在50%以上的融合结果与实际结果完全相同，因此表明本文方法的建筑环境多源监测数据融合效果较为优异，能够较准确地反映建筑环境变化.

为进一步测试本文方法的建筑环境多源监测数据融合性能，使用F1值作为相应衡量指标，F1值越高，融合性能越优异.从监测数据中分别选择1500个数据进行测试，不同数据重合度下，不同方法的融合F1值结果用图6描述.

图6 不同方法的融合F1值结果

分析图6可以看出，与文献[5]方法与文献[6]方法相比，本文方法的融合F1值始终保持在0.94以上，基本不受数据重合度的影响.以上结果表明，本文方法具有较好的建筑环境多源监测数据融合性能，受数据重合度影响很小.

根据数据源，将温度监测数据划分为10组，引入PMV值评价人体在建筑环境中的热舒适度，使用不同方法完成各组数据融合及温度调控后，相应PMV值和期望PMV值对比结果用表3描述.

表3 输出PMV值和期望PMV值对比结果

从表3可以看出，文献[5]方法与文献[6]方法的输出PMV值与期望PMV值具有较大差距，而与这两种方法相比，利用本文方法完成各组温度监测数据融合，并据此进行温度调控后，所得PMV值十分接近期望PMV值，表明本文方法具有较理想的建筑环境多源监测数据融合效果，通过融合数据方法调控后的建筑环境可以获得良好的人体热舒适度.

3 结论

针对当前建筑环境监测数据具有多源、形式多样、冗余度高等特点，研究基于ZigBee技术的建筑环境多源监测数据融合方法.该方法采用的ZigBee技术具有较理想的生命周期，精准采集温度、湿度、光照度和二氧化碳浓度四种影响建筑环境质量的监测数据，表现出了良好的数据融合性能，因此该方法可为建筑环境合理调控提供科学依据，避免传统数据融合方法由于传感器单一难以全面监测建筑环境的弊端，具备较好的实际应用效果.