基于无线传感器网络的智能家居安防系统设计

2022-07-21何云飞王利松陈黄立

无线互联科技 2022年9期

何云飞,王利松,陈黄立

(1.浙江大华系统工程有限公司,浙江杭州 310057;2.杭州粮油食品有限公司,浙江杭州 310000)

1 基于无线传感器网络智能家居安防系统的关键技术

1.1 短距离无线通信技术

智能家居安防系统具有终端节点密集分布、节点间距小的特征,常规无线通信技术的系统结构相对复杂,技术应用价值也无法充分发挥。系统采用短距离无线通信技术,包括红外技术、家庭无线电射频技术、蓝牙技术、ZigBee 技术、WiFi 技术等,工作频段、传输速率、数据类型与最大功耗不一致,需要根据智能家居安防系统的使用需求加以选择。例如,从控制系统建设维护成本角度出发时,选择采取功耗与成本较低的ZigBee 技术, 工作频段为2.4 GHz、传输速率为0.25 Mbps、最大功耗仅为1～3 mW。对数据类型要求严格的情况下,本研究采用WiFi 技术或家庭无线电射频技术,数据类型包括数据、视频、音频3 种。

1.2 防入侵技术

防入侵技术是由红外入侵、声源定位两项子技术组成,在智能家居安防系统中配置一定数量的热释电红外传感器以及声音传感器,由传感器持续采集现场监测信号,将现场信号上传至系统后台执行逻辑运算,从而判断是否出现人员入侵问题,跟踪监测入侵人员的位置、判定入侵人员数量、系统识别到特定电平信号后控制蜂鸣器发出警示音[1]。

红外入侵技术是在门窗部位设置传感器,当传感器监测到周边环境中出现温度较高物体时,晶体温度随之改变,产生热释电反应,释放特定波长的红外线与输出高电平信号。芯片在识别到高电平信号后发送报警信号,将相关信息发送至上位机观察者。由于热释电红外传感器常出现误报问题,红外入侵技术组合应结合其他防入侵技术,系统接收到多份传感器报警信号后再启动系统报警流程[2]。

声源定位技术是在房间内部四周布置若干声音传感器,持续收集现场监测信号,判定周边环境声音为人为声源或是自然声源,判定为人为声源后,采取到达时间差法或双曲线定位法,建立声源定位几何模型,自动计算声源坐标值,持续锁定声源位置。同时,为提高监测精度,设计人员可选择在系统中设置多处锚节点,保持全部锚节点间的协调状态。

1.3 火灾监测技术

在智能家居安防系统中设置若干一氧化碳、二氧化碳、可燃气体与温湿度传感器,同时采集现场的空气组分含量、环境温度、空气湿度等参数,实时对比现场监测参数与预设指标警戒值。如果智能家居安防系统检测到参数超限情况,系统可以自动发送报警信号,并锁定火势蔓延范围、评估烟雾浓度与空气质量。

火灾监测子系统运行面临易受外部噪声干扰和传感器数据不一致的技术难题,在系统应用中要组合应用滤波技术与多传感器数据融合技术。其中,滤波技术是在系统中设置高斯滤波器、卡尔曼滤波器与滑动平均滤波器,负责过滤所采集现场监测信号中夹杂的高斯噪声、消除观测值随机干扰量和执行滑动平均滤波操作,以消除误差,提高火灾监测精度。多传感器数据融合技术是在智能家居安防系统中采取加权平均、Bayes 推理、神经网络等随机类与人工智能类算法,对多个传感器采集的现场监测信号进行交、并运算处理,从中提取传感器的冗余信息和互补信息,强化系统的容错性、实时性、互补性和扩大实际探测范围[3]。

1.4 嵌入式技术

为提高家居安防系统的智能化程度,设计人员使家居安防系统具备模拟人类思维方式、自主感知环境情况与输出控制指令的功能作用,要在系统中应用嵌入式技术。在系统后台或建筑室内环境中安装智能网关等设备,嵌入特定对象体系中,完成现场监测信号的转换、分类整理、逻辑运算、控制指令输出、反馈评估等任务,这一系统可视为智能家居安防系统的“大脑”,将无线通信网络视为智能家居安防系统的“神经”,现场传感器与控制器视为系统的“感知器官”。

现阶段,常用的系统嵌入设备为智能网关,智能网关作为一种网络设备,有支持虚拟网络接入、有线宽带接入、局域网内设备信息采集、信息输出、远程控制与联动控制等使用功能。例如:智能网关具备故障自诊、主动上报功能,通过获取并分析本地各测量点的最新数据。当检测到异常数据时,智能网关根据异常状况前后一段时间的变化情况来判断故障类型、分析问题成因,并以发送故障码、发送报警信号、控制广播通信系统播报等方式主动上传,这也是实现智能家居安防系统自控目标的关键[4]。

2 基于无线传感器的智能家居安防系统实现路径

2.1 确定系统总体架构

从智能家居安防系统的用途角度来看,该系统主要以人员入侵、火灾监测作为系统防范对象,需就此设计系统总体架构。该系统可选择应用ZigBee 技术来建立树形拓扑系统架构。系统结构由远程客户端、用户手机端、家庭网关装置、协调器与路由器节点、传感器节点、终端执行机构等部分组成。这类系统有优异的结构部署能力与规模伸缩能力,将系统结构划分为3个层级,从上至下分别为协调器层、节点层与执行机构层。协调器层负责执行数据交互操作与网络管理任务,节点层负责持续采集并上传现场监测信号以及向终端执行机构传达控制指令,执行机构层负责执行协调器层向下传达的控制指令,如启动排风扇。

2.2 服务器端软件设计

在服务器端软件设计环节,根据系统使用需求,设计人员可选择设计PC 端或Android 端,分别使用C#语言和Java 语言开展软件编程工作。其中,PC 端软件有使用灵活、数据采集流程简单的特征,由传感器持续采集现场检测信号,通过ZigBee 协议将现场信号上传至协调器,再由协调器通过RS232 芯片将数据处理结果上传至PC 端加以显示。用户可以直接在数据采集流程中使用串口控件来读取实时信息。 PC 端软件有着需要准确设置BaudRate 等属性参数、易出现串口堵塞与数据包读取不全问题的局限性。在软件设计环节,设计人员可采取增设ZedGraph 图表控件、设置线程休眠触发程序等措施来解决这类问题。 Android 端软件有着可直接运行Android 生态环境中已开发应用程序、服务器端自身具备通信供暖与安卓设备数据传输功能的优势,但服务器端的限制条件较多,包括在缓冲区数据过多时易造成数据包不完整和部分数据丢失、必须设置路由器网关、套接字创建流程烦琐、自身不具备图表控件等,要采取相应设计措施弥补服务器端短板,如手动下载AcharyEngine 开源图标库,使服务器端支持各类图表的数据显示。

此外,还要在方案中建立系统客户端、服务端间的通信机制,应用WiFi 通信技术,用户预先在服务器端输入端口号以及IP 地址等信息,使客户端接入服务器网络服务体系中,服务端、客户端保持连接状态,服务器端持续将加工处理后的数据信息以图表形式显示在客户端显示屏上,确保用户可以远程了解家居环境的实时状况。

2.3 系统程序设计

首先,为满足不同场景下的智能家居安防系统使用需求,设计人员应在系统程序中设计布防、撤防、实时监控3 种系统工作状态,采取用户手动调整或系统自动感知的方式来切换系统工作状态。系统处于布防状态时,自动进入警戒模式,由单片机通过现场装置探测周边环境情况,监测到未知身份人员侵入、明火、空气中烟雾浓度超标等异常情况时,由单片机直接向上级监控中心与手机端App 发送报警信号。系统处于撤防状态时,切换至不警戒工作状态,即使监测到异常情况,也不会直接发送报警信号,而是由单片机根据现场监测信号判断问题类型与严重程度。当系统处于实时监控状态时,控制布防区域内现场装置持续监测环境情况,处于全天候警戒状态。

其次,在系统中明确设定不同运行模式的工作流程,以实时监控状态为例,系统对基站节点和传感器节点执行初始化操作,调整至对应的节点工作状态,随后,基站对各类状态的数据实施差异性处理。

最后,单片机完成控制命令后切换至返回状态,等待后续命令处理。

2.4 节点设计

在开发智能家居安防系统时,设计人员务必做好协调器节点与终端节点的设计工作。在协调器节点设计中,设计人员将网络射频频段划分为若干数量独立信道,在各处设备中设置配套的默认信道集。协调器运行期间,系统依次执行扫描噪声最小信道、建立全新网络、启动终端设备、控制设备接入网络、向终端设备分配对应网络地址、保持终端设备与协调器的双向通信状态等操作,实现大量终端设备的集成管理目标,并将终端设备信息发送到上位机加以解析处理。在终端节点设计环节,可选择在系统中安装具备AD 转换器的CC2530 型号芯片,配置模拟多路转换器装置来实现模拟数字转换功能,并采取定时读取传感器的方式来完成现场信号采集任务。

2.5 基于多传感器数据融合的智能家居安防算法模型设计

在现代智能建筑工程中,多传感器检测方式逐渐取代了传统的单传感器检测方式。智能家居安防系统在运行期间持续采集环境温度、空气湿度、声音分贝与声源等多项参数,以此来强化系统的环境感知能力。在系统设计环节,多传感器检测方式解决了各类传感器数据的融合计算问题,避免了感知节点数据冲突、检测精度下降等问题。为保证检测结果真实准确,切实满足多传感器数据融合计算需求,需要在系统设计方案中建立多传感器数据融合算法模型[5]。

以神经网络及模糊逻辑推理算法模型为例,充分结合神经网络算法的并行计算、自适应与自学习能力强、容错能力强的优点以及模糊逻辑推理算法的易实现、充分利用经验知识、贴近人体思维模式的优点。在设计方案中,该模型采取并联算法模型结构。独立并联是独立控制两种算法的参数,辅助并联由模糊逻辑控制向神经网络提供辅助修正量来减小误差,模糊逻辑控制与神经网络分别负责处理语义信息和难以用规则表示的信息,如图1 所示。随后,该模型将算法模型拆解为数据感知层、数据融合层、决策层3 部分进行设计。感知数据层负责收集传感器的现场监测信号,由感知节点端微处理器对接入传感器的上传数据加以预处理、本地决策处理,并执行信号放大、滤波去噪、A/D转换等操作。如果决策结果超过预先设定的界限值时,表明出现异常状况,微处理器将相关信息发送至智能网关设备。为解决不同输入数据的单位量级差异性问题,设计人员应采取归一化方法,按比例将输入数据缩放后,映射值在[0,1]区间内。数据融合层由神经网络融合、模糊逻辑推理融合两部分组成,在神经网络融合方案中采取3 层BP 网络结构,由底部输入层接收感知数据层发送的数据信息,由输入层将数据整理后发送至隐藏层节点进行计算,如根据环境温度、CO 浓度、烟雾浓度等数据来计算明火事故、火灾事故和阴燃火事故的出现概率,输出层得到具体火灾概率值。模糊逻辑推理融合方案设计系统模糊化处理、模糊逻辑推理和去模糊化功能,最终获取火灾概率值。决策层负责根据神经网络与模糊逻辑推理算法的输出结构进行决策分析,仍以火灾概率计算为例,决策层对比两种算法的输出值与界限值,如在BP 神经网络和模糊逻辑推理算法均判定明火概率值超过0.7 时,判定已发生明火事故,由系统对终端设备下达相应控制指令和播报警情。