首页 > 资讯 > 无源无线传感网在轨道交通车辆健康监测中的应用

无源无线传感网在轨道交通车辆健康监测中的应用

泰然健康网
2024-12-07 14:55

引用本文

崔恩放, 张宏科, 杨冬. 无源无线传感网在轨道交通车辆健康监测中的应用[J]. 北京交通大学学报, 2018,42(5): 20-27.
CUI Enfang, ZHANG Hongke, YANG Dong. Application of passive wireless sensor network in health monitoring of rail transit vehicles[J]. JOURNAL OF BEIJING JIAOTONG UNIVERSITY, 2018,42(5): 20-27.
Doi:10.11860/j.issn.1673-0291.2018.05.003

Permissions

北京交通大学学报编辑部所有

无源无线传感网在轨道交通车辆健康监测中的应用

北京交通大学电子信息工程学院,北京 100044

第一作者:崔恩放(1995—),男,河北吴桥人,博士生.研究方向为下一代传感网. email:enfangcui@bjtu.edu.cn.

收稿日期: 2018-06-28

基金:

北京市科技重大专项(Z171100001217004)

摘要

采用无线传感器网络和云计算实现轨道交通车辆健康状况的实时自动化监测,是轨道交通智能化运营的发展趋势. 为了解决轨道交通车辆车轴健康监测场景中传感器网络寿命有限和电池更换困难的问题,本文首次提出了基于无源无线传感网的轨道交通车辆健康监测系统,设计了公网与私网两种方案,包括相应的网络拓扑、时隙分配算法与中继节点选择算法.在真实地铁环境中部署了单节点进行了数据采集和分析实验,并对较为复杂的公网方案进行了仿真实验.实验结果表明:部署传感器节点进行智能监测是可行的,使用无源无线传感网极大的延长了网络寿命,本文所提出的公网方案在地铁环境下的吞吐量为3.2 KB/s,丢包率为5%.

关键词:无源无线传感网;轨道交通;车辆健康监测

中图分类号:TP393文献标志码:A文章编号:1673-0291(2018)05-0020-08

Application of passive wireless sensor network in health monitoring of rail transit vehicles

CUI Enfang ,ZHANG Hongke,YANG Dong

School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing 100044,China

Fund:Major Project of Beijing Science and Technology (Z171100001217004)

Abstract

The use of Wireless Sensor Networks (WSNs) and cloud computing to conduct real-time automatically health monitoring of rail transit vehicles is a trend of intelligent rail transit operation. In order to solve the problems of limited life time of sensor networks and difficult battery replacement in the scene of axle health monitoring of rail transit vehicles, we propose a rail transit vehicles health monitoring system based on passive WSNs in this paper. Two network schemes are designed based on public network and private network respectively, including the corresponding network topology, time slot allocation algorithms, and relay nodes selection algorithms.Single nodes are deployed in the real subway environment to carry out data acquisition and analysis experiments, and the more complex public network scheme is simulated. The simulation results prove that the passive WSN greatly prolongs network life. The throughput of the proposed public network scheme in the subway environment is 3.2 KB/s and the packet loss rate is 5%.

Keyword:passive wireless sensor network;rail transit;vehicle health monitoring

随着我国轨道交通行业的蓬勃发展, 轨道车辆规模不断扩大.车辆健康监测是轨道车辆安全运行的重要保障, 传统的人工定期检查已无法满足当前的运营需求, 采用无线传感器网络和云计算实现轨道交通车辆健康状况的实时自动化监测是轨道交通智能化运营的发展趋势.与传统场景不同, 轨道交通车辆传感器节点数量庞大、拆卸困难, 定期对节点逐个更换电池或补充能量是难以实现的, 并且影响车辆的正常运营, 如何延长传感器网络寿命是当前研究的重要方向.

目前, 国内外学者对延长传感器网络寿命的问题已开展大量研究, 主要集中于节能策略设计, 如数据链路层节能措施SMAC[1]、BMAC[2]、XMAC[3], 网络层的路由算法节能优化[4], 占空比策略[5], 尽管上述技术优化了能量的使用, 但是有很大的局限性, 越来越不能满足当前的应用需求. 如为了延长寿命, 节点大部分时间处于休眠状态, 这不适用于一些有实时性需求的场景. 此外, 由于协议优化的局限性, 电量耗尽是无法避免的, 节点们将随机的耗尽电量, 需要人工更换电池. 虽然在一次性应用场景中传感器耗尽电量后将被丢弃, 并重新部署新的传感器节点. 但在长时间应用场景中, 如轨道交通和汽车领域, 传感器部署困难, 更换电池也非常困难, 这造成了传感网难以在这些领域大规模应用. 综上所述, 在电池供电的WSN设计中, 能量消耗仍然是一个关键的挑战[6].

为了应对这些挑战, 无源无线传感网[7]被提出, 无源无线传感网可以很好地平衡网络性能与网络寿命之间的矛盾[8], 被认为是一项很有前景的技术. 无源无线传感网是由具有能量收集能力的传感器节点组成的传感器网络, 节点可以利用电磁感应、光电效应、压电效应等方式来收集环境能量并将其转换成电能存储起来, 从而不断地恢复自身电量, 通过合理的设计, 理论上可以将网络寿命延长至硬件寿命的水平. 无源无线传感网可以使用多种类型的环境能量, 如太阳能、流体能和振动能[9]等. 太阳能收集适合于有太阳能光照条件的应用, 如环境监测[10]、智慧农业和智能建筑. 振动能量收集适用于工业设备监测、轨道交通等具有振动环境的领域. 流体能源, 如风能和水能的收集, 被应用于风速检测[11]、智能水表和水质监测等领域. 最近的研究集中于射频能量的收集和传输领域[12], 其目的是收集空间中丰富的射频能量进行使用.

本文作者提出了基于无源无线传感网的轨道交通车辆健康监测系统, 采用了振动能量收集模块, 可收集列车运行过程中产生的振动能量并将其转换为电能存储在储能元件中以供使用; 提出了公网与私网两种方案, 为了解决长距离多跳路由易冲突重传造成能量损失的问题, 物理层通信采用时分复用的方式, 即将传输时间分成若干时隙, 并设计了相应的网络拓扑、时隙分配算法与中继节点选择算法, 本文对固定电池和能量收集两种传感网进行了仿真, 结果显示能量收集可以极大延长传感网寿命, 本文进一步对所提出的公网方案进行了性能仿真, 所提方案在采用能量收集供电的情况下, 整个网络可以达到3.2 KB/s的吞吐量, 同时丢包率仅为5%.

1 轨道交通车辆健康监测系统设计

本文设计的基于无源无线传感网的轨道交通车辆健康监测系统见图1.无源无线传感器节点部署在轨道交通车辆底部车轴附近, 用于定期采集车轴的振动频谱和温度等信息, 除此之外, 传感节点配备能量收集模块, 可以在列车运行时采集振动能量转化为电能使用. 传感器节点采集的数据可以通过两种方式传输给服务器:1)公网方案. 通过运营商基站连接互联网, 经过公网传输给服务器, 此种方案便捷迅速, 无需重新建网, 但是数据传输不安全易泄露. 2)私网方案. 通过部署地面网关, 将数据传输给地面网关, 经过私网传输给服务器, 此种方案安全可控, 无需经过互联网, 避免了数据泄露, 但是需要重新建网. 通过两种方案获得数据后, 服务器通过机器学习等方法对采集的数据进行实时分析, 并将分析结果展示在客户端, 为相关管理人员提供决策辅助.

2 无源无线传感网设计

在车辆运行时, 各节点的振动程度是不同的, 造成其能量收集速率不同, 对于长距离路由, 其中继节点需要合理的选择, 避免过度使用某一中继节点.除此之外, 在实际工程中, 车辆并不是一直运行, 可能会停放一段时间造成无法进行能量收集的情况, 需要合理的设计方案进行同步.

为了减少由于节点数据传输时冲突重传造成的能量浪费, 本文采用了基于时分多址接入(Time Division Multiple Access, TDMA)的实时工业传感网通信技术[13], 为每个节点分配不同的时隙, 节点数据的传输在不同时隙完成, 避免载波侦听多路访问(Carrier Sense Multiple Access, CSMA)机制带来的信道冲突问题.在此基础上, 设计了适用于轨道交通车辆梯形拓扑结构的组网方案, 针对车辆运行中能量收集速率不断变化的问题, 改进了传统传感网基于剩余能量的中继节点选择算法, 采用了基于能量预测的能耗均衡策略. 为了应对实际工程中可能出现的短期无法收集能量的情况, 设计了基于备用电池的同步方案, 保证网络的可靠性.

2. 1 公网方案

2.1.1 网络拓扑

公网方案的网络拓扑如图2所示, 包含传感器节点和网关节点. 每节车厢车轴位置均放置一个传感器节点用于数据采集, 每节车厢共8个节点, 车头放置一网关节点, 传感器节点以多跳的方式将数据传输给网关节点.

本文将该拓扑结构抽象成一种梯形拓扑结构如图2(a)所示, 按照传感器节点所处的位置, 将其分为1、2、3、…、l、…、L区, 用于组网时的位置识别, L表示总区数, 每个区处于两节车厢交界处, 除1区和L区包含4个节点外, 其余每个区包含8个节点, 节点按照1区到L区的顺序编号为1、2、…、m、…、M, M表示传感器节点的总数目, 每个区域内部按照顺时针编号, 如图2(b)所示. 数据的多跳传输将从l区传输到l-1区, 直至网关节点.

2.1.2 时隙分配

时隙表的分配如图3所示, rth表示传感器网络运行在第r个活跃周期, 每一个活跃周期的帧分为5个时隙段, ith表示第i个时隙段, 这5个时隙段分别用于邻居信息获取、中继节点选择、数据采集、数据传输和休眠. 每个时隙段又分为Ni个时隙, 每个时隙的长度为Tslot, 则每个时隙段的长度为NiTslot. 时隙的具体分配如下.

1)邻居信息获取时隙分配:此时隙段中N1=M, 此时隙段满足为每个节点分配一个单一的广播时隙. 设置m节点的编号为m的时隙为广播时隙, 节点在该时隙广播自己身份信息, m+1时隙为监听时隙, 处于监听状态接收下一节点广播信息. 假设m节点在l区, 则在l区所有节点广播完成之前, l+1区节点均处于接收状态, 即l+1区节点会收到l区所有节点的信息用于中继节点选择.

2)中继节点选择时隙分配:此时隙段中N2=M, 同样满足为每个节点分配一个单一的广播时隙. 设置m节点的编号为m的时隙为广播时隙, 节点在该时隙广播自己的中继节点选择结果, 假设m节点在l区, 则在l区所有节点广播完成之前, l-1区节点均处于接收状态, 特别的是, 1区无需进行此项广播, 默认其中继节点为网关.

3)数据采集时隙分配:该时隙段中N3可根据需要采集的数据量自由选择, 该时隙段用于数据采集, 即所有的节点均处于数据采集状态.

4)数据传输时隙分配:此时隙段中N4=M. 设置m节点的编号为N-m+1的时隙为发送时隙, 节点在该时隙发送自己的数据给中继节点; 每个中继节点在选择自己为中继节点的若干子节点的发送时隙处于接收状态, 接收子节点数据.

5)休眠时隙分配:此时隙段中N5可根据实际能量收集速率自由选择. 该时隙段所有节点均处于休眠状态, 用于电量恢复.

2.1.3 运行流程

公网方案无源无线传感网的运行流程见图4.节点启动后初始化时隙表, 在时隙表安排的时隙中.

1)首先完成邻居节点信息的获取, 即在规定的广播时隙发送广播告知邻居节点自身信息, 在规定的监听时隙监听邻居节点的广播; 在完成邻居节点信息的获取后, 节点将根据中继节点选择算法选择中继节点, 并在规定的时隙广播通知该中继节点自己的数据传输时隙标号, 中继节点接收到该通知, 记录该子节点的标号, 完成整个中继节点选择流程.

2)在数据传输时隙, 中继节点将在子节点的数据传输时隙处于接收状态, 接收子节点发送的数据, 数据将按照时隙安排经由多跳传送至网关, 从而完成数据的传输.

3)数据传输完成后进行休眠, 休眠过程中能量采集模块将会采集振动能量转化为电能并存储, 补充电能以供使用. 休眠结束后, 首先判断能量收集是否正常, 在列车长时间停放造成无法收集能量的情况下, 节点将会切换到备用电池进行同步, 在振动能量充足时将会回充备用电池, 从而保证网络寿命.

2.1.4 中继节点动态选择算法

1)中继节点的选择采用基于能量预测的能耗均衡策略.在传统固定电池传感网中, 均以剩余能量作为参考选择中继节点, 在无源无线传感网中, 除了考虑剩余能量, 还要考虑每个节点未来一段时间的能量收集情况, 在同等剩余能量的情况下, 使未来一段时间能量收集较多的节点负载更多数据包.

这样做可以优先使用能量收集情况好的节点作为中继节点, 避免由于能量存储空间有限造成的能量浪费, 除此之外, 还可以更平稳的实现能耗的均衡.在选择中继节点时, 需要设定一个阈值Eth, 当节点能量低于此阈值时节点会死亡.设当前剩余电量为Eremain, 数据发送功率为Psend, 安排的发送时隙时间为Tsend.

2)第1阶段选择是要确定节点可以完成此次数据传输而不会中断, 首先遍历所有待选节点, 若节点满足Eremain-PsendTsend> Eth.则完成此周期数据传输后节点剩余能量高于阈值, 节点不会死亡, 可以进行下一阶段选择, 否则放弃选择其作为中继节点.

3)第2阶段采用支持向量回归(SVR)[14]进行能量收集预测, 其流程如下:选取最近一段时间的能量收集历史数据作为训练数据, 表示为{(E1, t1), …, (Ei, ti), …, (EI, tI)}⊂R× R, 其中Ei表示第i个周期休眠所收集的能量, ti表示第i个周期, 目标是预测第I+1周期收集的能量.

SVR的方法是找到一个线性函数, 使其与训练数据的偏差不超过ε , 设线性函数为

f(t)=w·t+b, 其中w∈Rn, b∈R(1)

式中:w 表示线性函数权重; b为线性函数常数量.

为求最优近线性函数, 需要最小化‖ w‖ 2, 本文用y表示f(t), 可以将该问题表示为凸优化问题

min12‖w‖2+C∑i=1lξi+ξi* (2)s.t.y-w·t-b≤ε+ξiw·t+b-y≤ε+ξi* ξi, ξi* ≥0(3)

式中:ξ i, ξi* 为引入的松弛变量, 目的是减小误差; C为常数, 对优化式的第1项和第2项取折中.

为解决此凸优化问题引入拉格朗日函数

L=12‖w2‖+C∑i=1lξi+ξi* -∑i=1lαiε+ξi-yi+w·ti+b-∑i=1lαi* ε+ξi+yi-w·ti-b-∑i=1lηiξi+ηi* ξi* (4)

其中α i, αi* , η i, ηi* 为对偶变量, 满足

αi, αi* , ηi, ηi* ≥0(5)

得到优化问题的对偶形式为

max-12∑i, j=1lαi-αi* αj-αj* (ti·tj)-ε∑i=1lαi+αi* +∑i=1lyiαi-αi* (6)s.t.∑i=1lαi-αi* =0αi, αi* ∈[0, C](7)

求解该对偶问题得到

w=∑i=1lαi-αi* ti(8)f(t)=∑i=1lαi-αi* (ti·t)+b(9)

根据KTT条件计算b的值为

b=yi-w·ti-ε, 　　αi∈0, Cyi-w·ti+ε, 　　αi* ∈0, C(10)

代入训练数据可以求得该线性函数, 进而预测下一周期收集的能量大小Eharvest.求得预测休眠完成后待选节点的剩余能量为

Enext=Eremain-PsendTsend+Eharvest(11)

将剩余能量最多的k个节点放入备选集中, k可以自由选择, k∈ [1, 4].最后节点在备选集中随机选取一个节点作为中继节点, 并在广播时隙广播.

2. 2 私网方案

2.2.1 网络拓扑

私网方案网络拓扑如图5所示, 与公网方案相同, 网络包含传感器节点和网关节点, 并进行分区和编号. 不同的是, 在私网方案中, 网关节点分为车头网关节点和地面网关节点. 除此之外, 本文将每个区的节点进行内部组网, 组成一个小型分布式网络, 每个小型分布式网络是一个由中心节点和多个子节点组成的星形网络, 并且每个网络之间相互独立. 传感网以各小型分布式网络为基本单位, 每个分布式网络内部子节点的数据传输给中心节点. 车头网关节点具有定位能力, 当车头网关节点发现自己位置处于地面网关节点接收范围内时将会广播发送信令, 告知各中心节点发送数据, 中心节点则以单跳的方式将汇总的数据传输给地面网关节点. 地面网关节点会通过光纤等设备将数据传输至服务器.

2.2.2 时隙分配

时隙表的分配如图6所示, 包括中心节点选择时隙段、数据采集时隙段、子节点数据传输时隙段、休眠侦听时隙段、中心节点数据传输时隙段5部分.

1)中心节点选择时隙段:N1=1, 即该时隙段占用一个时隙, 用于中心节点选择下一任节点并广播其选择的下一任中心节点身份信息.

2)数据采集时隙段:该时隙段中N2可根据数据量的大小自由决定, 用于各节点数据的采集.

3)子节点数据传输时隙段:N3=7, 用于子节点将数据传输给中心节点, 每个时隙对应一个节点, 除中心节点外的所有子节点在其对应时隙处于发送状态进行数据传输, 中心节点在所有的子节点发送时隙均处于接收状态, 接收子节点的数据. 该数据包括传感数据和能量数据, 其中能量数据用于下一任中心节点选择.

4)休眠侦听时隙段N4=K(Tmon+Tsleep)/Tslot.其中, Tmon表示监听时间长度; Tsleep表示休眠时间长度; K表示从时隙段开始到接收到中心节点的发送信令所经过的监听加休眠的轮数; Tslot表示每个时隙的长度.

5)中心节点数据传输时隙段:该时隙段中N5可根据数据量的大小自由决定, 用于中心节点向地面网关传输汇聚的整个区所有节点的数据.

2.2.3 运行流程

私网方案运行流程如图7所示, 节点启动后初始化时隙表, 按照时隙表顺序依次操作.

1)进行中心节点选择, 每个小型分布式网络会设定一个默认的节点作为初始中心节点, 该节点在第1个周期的中心节点选择时隙段将会广播自己身份信息, 告知区域内其他节点以自己为中心节点组网.2)在其他周期, 经过上一周期子节点数据传输时隙段后中心节点拥有子节点的能量信息, 由中心节点指定剩余能量最高的子节点为下一任中心节点. 3)中心节点选择完毕后, 在数据采集时隙段, 各节点将进行数据采集, 采集完的数据将在子节点数据传输时隙传输给中心节点. 中心节点汇聚完各自区域的数据后, 进入休眠侦听时隙段, 开始等待发送信令, 该时隙段中节点会周期性的休眠和重启监听, 从而恢复电量并减少能耗. 当各个中心节点监听到发送信令后则立即进入中心节点数据传输时隙段, 将数据发送给地面网关.

3 实验结果与分析

3.1 单节点部署实验

为了验证数据的可靠性和智能监测可行性, 本文在地铁环境中部署了单节点进行试验.

实验设备包含传感器节点、振动发电电池和外壳连接装置. 传感器节点的硬件电路如图8所示, 图中振动传感器量程为± 200 g, 采集频率最大范围为6 400 Hz, 满足实际振动量程要求.振动发电电池采用了电磁感应发电原理, 内置磁铁和铜线圈. 外部连接装置如图9所示, 采用防磁铝合金制成, 包括连接手臂、传感节点固定装置和电池固定装置. 本文将该连接装置固定于车轴保护壳外部, 与车轴外壳紧密接触.

实验参数设置:实验中传感节点无线通信模块的通信频率为780 MHz, 信号发射强度为9 dBm, 加速度传感器的采样频率为5 129Hz; 储能电容为10 F; 通信距离30 m, 另外, 整个节点工作电压为3.3 V, 为其满足中国IEEE 802.15.4C标准; 测得了节点在此参数下的功耗如表1所示.

表1 节点功耗 Tab.1 Node energy consumption

分别在车轴良好和一个准备返厂维修的已知问题车轴上部署了单节点, 采集了其实际运行时的振动数据和电容电压数据, 并进行处理分析, 值得注意的是, 为了获取准确的充电时间和能量收集功率、进一步确定电池设计参数, 在此实验中采用电池给节点供电, 电容只充电而不放电.

图10为振动发电电池的能量收集情况, 振动发电电池在90 min将10 F电容从0 V充到了3.5 V左右, 所收集的能量为61.25 J, 约5.1 mAh, 平均能量收集功率为11.3 mW.

图11为振动的频谱对比, 结果显示, 车况良好时包含一个主频和两个谐振频率, 且其频谱幅度较小; 车况恶劣时, 在1 300 Hz左右出现了一个异常, 且其各个主频和谐振频率的幅度较大.

3.2 无源无线传感网仿真

为验证无源无线传感网的有效性并检验其性能, 本文对较为复杂的公网多跳方案进行仿真实验. 仿真中, 设置32个节点, 组成图5的拓扑结构, 比较固定电池传感网和无源无线传感网的性能.

仿真设置为50个唤醒周期, 每个周期时长为1 min, 在每个周期中, 各个节点将会产生80个数据包, 每个数据包包含80字节数据, 并经过多跳的方式传输给网关节点.

1)在两种传感网中, 本文按照测定的节点功耗参数和能量收集数据, 设置每个节点的初始能量为61.25 J, 设定每个数据包发送和接收时间为10 ms, 则每发送一个数据包将消耗0.825 mJ, 每接收一个数据包将消耗0.627 mJ, 休眠功耗为3.3 mW, 设定数据采集时间为1 s, 则数据采集功耗为28 mJ.无源无线传感网将在每个周期中随机的按照功率11.3± 4 mW补充能量, 来模拟实际中的振动能量收集.

除此之外, 设置每个节点的最低电压为2.6 V, 即当电容低于2.6 V时, 节点会死亡, 此时剩余能量为33.8 J(最小剩余能量), 低于33.8 J节点死亡.当在某个周期, 节点预计发送完自己负载的数据, 剩余能量会低于33.8 J时, 节点会将数据缓存, 在该周期不发送数据包. 设置当数据超过5轮没有传输到网关或者节点死亡时会被丢弃, 会造成数据的丢失. 在仿真中测量了各节点的剩余能量.

图12为固定电池传感网的仿真结果, 仿真测量了第1、9、17、25、33轮的各节点能量剩余情况. 可以看出, 除了离网关最近的1、2、3、4这4个直接传输给网关, 并且不会被选择作为中继节点的传感节点外, 越靠近网关的区域节点能量消耗越快, 这是由于越靠近网关, 其汇聚的子节点的数据积累越多, 离网关最近的几个节点几乎汇聚了整个网络的数据, 能耗远远高于离网关较远的边缘节点. 当5到12号节点能量耗尽死亡时, 整个网络将会瘫痪.

为了与固定电池传感网作对比, 选取不同轮测量各节点的剩余能量见图13. 与固定电池传感网趋势相同, 除了1、2、3、4这4个节点外, 越靠近网关的节点能量消耗越快. 不同的是, 由于可以收集能量, 各个节点的能量会随机的恢复, 从图13中可以看出, 到第33轮时, 所有节点剩余电量均高于50 J, 而固定电池传感网各节点均低于此值.

2)为了进一步测试无源无线传感网性能, 将无源无线传感网的初始电池电量设置为33.8 J, 使电池完全使用收集的电量进行数据传输.分别在不同唤醒周期的条件下进行了仿真实验, 吞吐量和丢包率性能结果见图14和图15.每个周期参数进行了多次试验, 实验结果以箱型图的方式表示.

图14中, 随着唤醒周期时长的增加, 节点在每个周期中所收集的能量越来越多, 数据发送成功率越来越高, 吞吐量呈增加趋势, 在60 s时吞吐量达到最佳, 当时间大于80 s时, 能量收集已经足够完成所有数据的传输, 已经不再是网络吞吐量的限制因素, 此时由于每个周期的数据采集数量维持不变, 所以吞吐量呈下降趋势.

图15中, 随着唤醒周期时间的增加, 每个周期收集的能量越多, 丢包率越低.综合两个性能结果, 为了最大化网络性能, 可选择唤醒周期为60 s, 此时网络吞吐量为3.2 KB/s, 丢包率为5%左右.

4 结论

1)设计了适用于轨道交通领域的两种无源无线组网方案, 包含成本低廉的公网方案和安全保密性强的私网方案.通过时隙分配算法和中继节点选择算法, 实现了多跳组网和能耗均衡.

2)实验结果表明, 部署传感节点进行智能监测是可行的, 无源无线传感网可以在完全使用收集的能量供电, 本文提出的方案在唤醒周期为60 s的情况下, 网络吞吐量为3.2 KB/s, 丢包率为5%左右.

本文下一步的工作是在实际环境中部署组网方案, 对无源无线传感网关键技术进行进一步的研究、完善和推广应用.

参考文献

[1]HEIDEMANN Y W, ESTRIN J D. An energy-efficient MAC protocol for wireless sensor networks[J]. IEEE Infoco, 2016, 3(10): 1567-1576.[本文引用:1][2]POLASTRE J, HILL J, CULLER D. Versatile low power media access for wireless sensor networks[C]// International Conference on Embedded Networked Sensor Systems, 2004: 95-107.[本文引用:1][3]BUETTNER M, YEE G V, ANDERSON E, et al. X-MAC: a short preamble MAC protocol for duty-cycled wireless sensor networks[C]// Proceedings of the International Conference on Embedded Networked Sensor Systems, 2006: 307-320.[本文引用:1][4]MING L, JIANNONG C, GUIHAI C, et al. An energy-aware routing protocol in wireless sensor networks[J]. Sensors, 2009, 9(1): 445-449.[本文引用:1][5]GANERIWAL S, GANESAN D, SHIM H, et al. Estimating clock uncertainty for efficient duty-cycling in sensor networks[C]// International Conference on Embedded Networked Sensor Systems, 2005: 130-141.[本文引用:1][6]KANSAL A, SRIVASTAVA M B. An environmental energy harvesting framework for sensor networks[C]// International Symposium on Low Power Electronics and Design, 2003: 481-486.[本文引用:1][7]KANSAL A, HSU J, ZAHEDI S, et al. Power management in energy harvesting sensor networks[J]. Acm Transactions on Embedded Computing Systems, 2007, 6(4): 32-70.[本文引用:1][8]SUDEVALAYAM S, KULKARNI P. Energy harvesting sensor nodes: survey and implications[J]. IEEE Communications Surveys & Tutorials, 2011, 13(3): 443-461.[本文引用:1][9]KU M L, LI W, CHEN Y, et al. Advances in energy harvesting communications: past, present, and future challenges[J]. IEEE Communications Surveys & Tutorials, 2017, 18(2): 1384-1412.[本文引用:1][10]ALIPPI C, CAMPLANI R, GALPERTI C, et al. A robust, adaptive, solar-powered WSN framework for aquatic environmental monitoring[J]. IEEE Sensors Journal, 2010, 11(1): 45-55.[本文引用:1][11]SARDINI E, SERPELLONI M. Self-powered wireless sensor for air temperature and velocity measurements with energy harvesting capability[J]. IEEE Transactions on Instrumentation & Measurement, 2011, 60(5): 1838-1844.[本文引用:1][12]LU X, WANG P, NIYATO D, et al. Wireless networks with rf energy harvesting: a contemporary survey[J]. IEEE Communications Surveys & Tutorials, 2017, 17(2): 757-789.[本文引用:1][13]YANG D, XU Y, WANG H, et al. Assignment of segmented slots enabling reliable real-time transmission in industrial wireless sensor networks[J]. IEEE Transactions on Industrial Electronics, 2015, 62(6): 3966-3977.[本文引用:1][14]SMOLA A J, SCHÖLKOPF B. A tutorial on support vector regression[J]. Statistics & Computing, 2004, 14(3): 199-222.[本文引用:1]