智能传感器.docx

智能传感器.docx

《智能传感器.docx》由会员分享，可在线阅读，更多相关《智能传感器.docx（11页珍藏版）》请在冰豆网上搜索。

智能传感器

第14章智能传感器

人类智能的根本特征是能从已知去得出新知、从事发明创造。

个人的知识来源有三：

亲身感知、他人告知、逻辑推知；然而对全人类来说，获取知识的途径却只有一、三两种，因为并无“他类告知”这一途径。

作为人类获取知识的重要途径逻辑推知就是在头脑中进行的从已知得出新知这种智能活动，这是作为其物质原型的客观世界中从已有事件必然过渡到新事件的正确反映、如实摹写。

第一代传感器被称为哑传感器（Dumbsensor），其功能特征是着重于测量物理参数，无智能，扁平结构。

第二代传感器为计算机化传感器（Computerizedsensor）、聪明传感器（Smartsensor）和智能传感器（Intelligentsensor），其功能特征是着重于应用，就地处理，分级结构。

这三个层次的简易判别方法：

第一层次，计算机化的传感器——具有信号与信息处理能力；第二层次，聪明传感器——具有学习能力的计算机化的传感器；第三层次，智能传感器——具有创新思维能力的聪明传感器。

第三代传感器是网络传感器，其功能特征是着重于目标，动态结构，网络智能。

14.1智能传感器

目前国内外学者普遍认为，智能传感器是由传统的传感器和微处理器（或微计算机）相结合而构成的，它充分利用微处理器的计算和存储能力，对传感器的数据进行处理，并能对它的内部行为进行调节，使采集的数据最佳。

智能传感器相对于传统传感器具有如下特点:

⒈自补偿能力。

通过软件对传感器的非线性、温度漂移、时间漂移、响应时间等进行自动补偿。

⒉自校准功能。

操作者输入零值或某一标准量值后,自校准软件可以自动地对传感器进行在线校准。

⒊自诊断功能。

接通电源后,可对传感器进行自检,检查传感器各部分是否正常,并可诊断发生故障的部件。

⒋数值处理功能。

可以根据智能传感器内部的程序,自动处理数据,如进行统计处理,剔除异常值等。

⒌双向通信功能。

微处理器和基本传感器之间构成闭环,微处理机不但接收、处理传感器的数据,还可将信息反馈至传感器,对测量过程进行调节和控制。

⒍信息存储和记忆功能。

⒎数字量输出功能。

输出数字信号,可方便地和计算机或接口总线相连。

14.1.1基本原理

传统的传感器只能作为敏感元件，检测物理量的变化，而智能传感器则包括测量信号调理（如滤波、放大、A/D转换等）、数据处理、数据显示以及自校、自检、自补偿等功能，图14-1是智能传感器的原理框图。

图14-1　智能传感器原理框图

微处理器是智能传感器的核心，它不但可以对传感器的测量数据进行计算、存储、数据处理，还可以通过反馈回路对传感器进行调节。

由于微处理器充分发挥各种软件的功能，可以完成硬件难以完成的任务，从而大大降低了传感器制造的难度，提高传感器的性能，降低成本。

需要指出的是，除微处理器以外，智能传感器相对于传统传感器的另一显著特征是其信号调理电路。

被测的物理量转换成相应的电信号后，送到信号调理电路中，进行滤波、放大、转换，再送入计算机（微处理器）中进行处理。

智能传感器的结构可以是集成的，也可以是分离式，按结构可以分为集成式、混合式和模块式三种形式。

集成智能传感器是将一个或多个敏感器件与微处理器、信号处理电路集成在同一硅片上，集成度高，体积小。

这种集成的传感器在目前的技术水平下还很难实现。

将传感器和微处理器、信号处理电路作在不同的芯片上，则构成混合式的智能/聪明传感器（HybridIntelligent/SmartSensor），目前这类结构较多。

初级的智能传感器也可以有许多互相独立的模块组成，如将微计算机、信号调理电路模块、输出电路模块、显示电路模块和传感器装配在同一壳体内，则费用较高，体积较大，但在目前的技术水平下，仍不失为一种实用的结构形式。

14.1.2发展趋势

智能传感器是测量技术、半导体技术、计算技术、信息处理技术、微电子学、材料科学互相结合的综合密集型技术。

目前各国科学家正在按下列技术途径开发研究:

⒈利用新型材料研制基本传感器。

基本传感器是智能传感器的基础，它的制作及其性能对整个智能传感器影响甚大。

除硅材料具有优良的物理特性，能够方便地制成各种集成传感器。

此外还有功能陶瓷、石英、记忆合金等都是制作传感器的优质材料。

⒉利用新的加工技术。

近年来利用微加工技术日趋成熟，可以加工高性能的微结构传感器、ASIC制作技术，也可用于制造智能传感器。

⒊采用新的测量原理和方法。

谐振式传感器输出数字量，可以直接和微机及接口总线连接，不用A/D转换器。

另外，光纤传感器、化学传感器、生物传感器新型传感器，为智能传感器提供新的信息来源。

虽然智能传感器领域已有很多成功的实例，但在视觉等感知能力、形象思维以及联想记忆等方面遇到了不可克服的困难。

特别是基于知识的智能传感器，在不同环境下的自学习、自组织和自适应能力很差。

在稍微复杂一点的环境系统中，一些人类感官轻易就可完成的问题，智能传感器却无能为力。

14.2传感器网络

随着网络时代的到来和信息化要求的不断提高，特别是Internet的不断普及和Intranet在企业中日益增多，将计算机网络技术和智能传感器技术相结合就有必要和可能。

“智能传感器网络”概念由此而产生。

“智能传感器网络”技术致力于研究智能传感器的网络通信功能，将传感器技术，通信技术和计算机技术融合，从而实现信息的“采集”、“传输”和“处理”真正统一和协同。

“智能传感器网络”是使智能传感器的处理单元实现网络通信协议，从而构成一个分布式“智能传感器网络”系统。

在该网络中，传感器成为一个可存取的节点，在该网络上可以对智能传感器数据、信息远程访问和对传感器功能在线编程。

可以看出，智能传感器网络的研究将对工业控制、智能建筑、远程医疗和教学等领域带来重大的影响。

它将改变传统的布线方式和信息处理技术，不仅可以节约大量现场布线，而且实现现场信息共享。

14.2.1有线传感器网络

典型的传感器网络结构如图14-2所示，主控计算机通过传感器总线控制器与传感器总线上的多个节点通信并实现上层监控和决策功能，每个节点包含一个或多个传感器执行器以及总线接口模块，节点间的通信方式可以是对等的（Peer-to-Peer）或主从的（Master-Slave）。

图14-2传感器网络结构示意图

智能传感器网络并非一个全新的概念，如果将网络的概念广义化，可以将智能传感器网络的发展分为三个阶段：

⒈第一代传感器网络

第一代传感器网络是由传统传感器组成的，点到点输出的测控系统，采用二线制4～20mA电流、1～5V电压标准，这种方式在目前工业测控领域中广泛运用。

它的最大缺点是布线复杂，抗干扰性差，以后将会被逐渐淘汰。

⒉第二代传感器网络

第二代传感器网络是基于智能传感器的测控网络，信号传输方式和第一代基本相同，但随着现场采集信息量不断扩大，传感器智能化不断提高，人们逐渐认识到通信技术是智能传感器网络发展的关键因素。

其中数据通信标准RS-232、RS-422、RS-485等通信标准的应用大大促进了智能传感器的应用。

⒊第三代智能传感器网络

第三代智能传感器网络即基于现场总线（FieldBus）和智能传感器网络。

据现场总线基金会（FieldBusFoundation）的定义，现场总线是连接现场智能设备与控制室之间的全数字式、开放的、双向的通信网络。

现场总线的不断发展和基于现场总线的智能传感器的广泛使用，使智能传感器网络进入局部测控网络阶段。

这些局部测控网络通过网关和路由器实现与Internet/Intranet网络相连。

现场总线种类很多，通信标准也多种多样，其中有几项关键技术对智能传感器网络的发展有重要意义。

控制器局域网（controlareanetwork，简称CAN），是德国Bosch公司为解决现代汽车中众多的控制与测试仪器之间的数据交换而开发的，是一种有效支持分布式实时控制的串行通讯网络。

由于其具有卓越的性能和极高的可靠性，被公认为是几种最有前途的现场总线之一。

目前，国际电工委员会和现场总线基金会正致力于现场总线的通信标准的统一，但由于商业和技术两方面的原因，通信标准统一在短期内难以实现。

14.2.2无线传感器网络

无线传感器网络是由大量的、具有通信与计算能力的微小型节点密集布设在无人值守的监控区域而构成的能够根据环境自主完成指定任务的自治探测网络。

它是一种超大规模、无人值守、资源严格受限的分布式系统，采用多跳对等的通信方式，其网络拓扑结构动态变化，具有自组织、自适应等智能属性。

美国国防高级研究计划局（DARPA）在开发“智能微尘”项目时，确定了传感器网络的概念，即传感器网络是由大量微小的、成本低廉和自我供电的设备布设而成的网络，这些设备具有传感、计算并与其他设备相互通信的功能，通过收集本地信息来获得对物理环境的综合判断。

无线传感器网络是军民两用的战略性信息系统。

在民事应用上，可用于环境科学、灾害预测、医疗卫生、制造业、城市信息化改造等各个领域。

在军事应用上，无线传感器网络的随机快速布设、自组织、环境适应性强以及容错能力使其在己方兵力与装备部署监控、战场侦察、核/生物/化学攻击预警、电子对抗、海洋环境监测以及关键基础设施防护等领域具有广阔的应用前景，如图14-3所示。

图14-3　无线传感器网络的应用

无线传感器网络与雷达、红外设备、ISR卫星等通用传感器相比，在军事应用上具有以下特点：

⑴布设快速、灵活

军用无线传感器网络通常要部署在战场或者其他有敌意的对抗环境中，采用传统的人工布设可能会带来人员伤亡。

同时，无线传感器网络节点数量很大，未来可能会达到成千上万个，这种超大规模、大区域的部署也不适合采用人工布设方式。

而无线传感器网络一方面具有自组织、自适应的特点，另一方面节点已经可以做到很小，采取加固手段后能够具有较强的抗震性。

因此，无线传感器网络的布设与雷达或红外装备的部署方式明显不同，除了人工布设外，还可以采用飞行器空投、机器人布设等方式，按照作战人员的要求，随机、快速地布设在需要长期或临时监控的地区。

节点到达地面后，能够自组织建立起动态的拓扑结构并开始工作，无需人工介入。

这种快速、灵活的布设方式保证了无线传感器网络成为一种非常灵活的侦察手段。

图14-4为无线传感器网络体系结构图。

图14-4无线传感器网络体系结构图

⑵抵近目标探测

无线传感器网络节点体积小，功率低，不易被发现，具有较强的隐蔽性，可以在敌方目标附近布设，尤其在传统传感器不易使用的城市作战环境中使用，作用更加突出。

而且，由于距离目标较近，可以克服环境噪声对系统性能的影响，有助于改善探测性能。

例如士兵将网络节点布设在建筑物内，从而掌握建筑物内敌方兵力和弹药的部署情况，可以使士兵在不以身涉险的同时做到有的放矢，提高了士兵的生存能力和杀伤力。

在电子对抗领域，将电子侦察节点布设在敌方目标附近，可准确地定位出那些低截获/低可探测性目标的位置及其信息网络，为后续的网络化电子攻击提供必要的数据。

⑶网络节点数量大、多模式

无线传感器网络节点成本低廉，未来单个节点的价格有望低于1美元。

单个节点受资源限制，功能也十分有限。

通常，磁传感器的探测距离为25m，正确识别概率小于50%；震动传感器的探测距离为350m，正确识别概率在50%~60%之间；声传感器的探测距离为500m，正确识别概率也是在50%~60%之间。

从这组数据中可以看出，单个节点功能有限，不能单独完成对目标的测量、识别和跟踪，这就需要布设大量的节点构成网络来协作完成对目标跟踪和精确定位。

而且，由于节点数量巨大，单个节点即使受到破坏等原因造成失效后，也不会影响到网络的整体性能，网络容错能力很强。

此外，根据任务需求，这些大数量的网络节点可采用雷达、红外、震动、磁等不同类型的传感模式对目标的各种物理现象进行测量，这些测量信息相互融合、相互印证，确保网络具有较高的探测性能。

蓝牙技术是一种使用2.4GHz频段的短距离无线通信技术。

采用快速跳频、前向纠错和优化的编码等技术,使得其具有抗干扰能力强、通信质量稳定的优点,同时它还具有低功耗、低成本、使用便捷和电磁污染小等特点。

蓝牙技术的这些优势，为其在无线传感器网络中的实际应用提供了条件。

图14-5所示的蓝牙温度无线传感器网络采用数字式输出温度传感器DS18B20和单片机AT89S2051组成温度采集系统。

利用重庆金瓯公司生产的蓝牙内嵌模块，完成温度数据的传输及控制。

实现计算机对温度数据的无线传输、采集和处理。

图14-5蓝牙温度无线传感器网络

ZigBee技术是近年来新兴的一种介于RFID和蓝牙之间的10～40m近距离无线通信技术，它具有低功耗、低成本、低速率、容量大（一个网络最多支持65535个节点）的特点。

ZigBee网络中的节点分为FFD（全功能设备）节点和RFD（半功能设备）节点两大类。

主器件（coordinator）和路由器（router）属于FFD节点，终端器件（enddevice）属于RFD节点。

由于ZigBee设备工作时间较短，收发信息功耗较低且采用休眠模式，使得它非常省电，电池可使用长达6个月至2年左右。

ZigBee工作在250kbps的通信速率，足已满足低速率通信传输的需要，且2.4GHz的工作频段是免费频段。

目前生产ZigBee芯片的厂商主要有美国的Chipcon、Freescale、英国的Jennic等公司。

3G，即3rdGeneration，是第三代移动通信系统的通称，3G网络技术的主要优点是利用先进的空中接口技术（包括对频谱的高效利用）、核心网全面的IP包交换及控制技术，能极大地增加系统容量、提高端到端通信质量和提供更高的数据传输速率。

3G无线网络通信技术的发展为当前传感器及其组网方式的提供了全新的应用模式。

采用3G技术进行无线传感器组网，传输速率高，接入时间短，资源利用率高，费用低廉，随时随地永远在线，提高了无线传感器的便携式和实时性。

3G无线传感器网络节点各模块的组成见图14-6所示。

图14-63G无线传感器的节点模型

14.2.3传感器网络编程

由于通信技术和网络系统集成技术不断进步，给我们研究真正意义上的传感器网络带来了希望。

环球网（WorldWideWeb）浏览器的广泛运用和Java编程技术将对智能传感器网络的研究带来新的启示。

浏览器提供了一个通用的图形用户接口（GUI），目前已成为许多领域的标准工具。

Java语言对这种工具提供了有力支持，Java语言是一种可视化的、乘法的、面向对象的语言，非常适用于小型可嵌入系统。

另外，Java又具有强大的网络通信功能，并且支持动态可下载代码，也适用于用户之间的通信。

Java作为一种发展性语言和可执行环境，对分布式系统用户非常适用，已经引起了可嵌入系统发展商的广泛注意。

Java是一种面向对象、跨平台语言，采用的技术也在不断进步。

由于Java支持多种网络协议，例如TCP/IP协议、HTTP和FTP协议，Java目前可内置于以太网络芯片中。

可以预见，浏览器技术和以太Java为基础的软件技术结合，将会使真正意义上的智能传感器网络由理论研究走向实际应用。

很好地将Java和智能传感器网络结合将会使浏览器技术和Java技术进入传感器网络应用领域。

如果在智能传感器处理单元之中，内置含Java技术芯片，就能够实现各种网络功能，这恰恰就是我们所需要的智能传感器网络。

另外，国外有人也在研究将虚拟仪器（VirtualInstrument）技术应用于智能传感器网络，是一个值得研究的方向。

14.3多传感器信息融合

在生命的进化过程中，大自然赋予人类及其它生物系统一种基本的功能，那就是“多感官”信息融合。

人类本能地具备将身体的各个感官（如眼、鼻、耳、口、皮肤等）获得的信息（如视觉、嗅觉、听觉、味觉、触觉等），与以往获得的经验知识一起进行综合的能力，以便能实时地对某一事物作出正确合理的判断，从而提高其生存能力。

人的大脑神经系统是各感觉器官的信息融合中心，其结构如图14-7所示。

图14-7人脑神经系统信息融合结构

对于简单的事情，如区分苹果和梨，只需通过眼睛看，再加上以前对苹果和梨的了解，即可将它们区分开。

但对于复杂的事物，不仅需要“眼观六路、耳听八方”，还需要借助其它的感觉器官进行综合判断。

人类的多种感觉器官的融合具有以下一些特点：

⒈复杂性。

对于不同空间范围内发生的不同物理现象，能够采用不同的测量特征来度量，并对不同的特征进行相关处理，从而作出估计和综合处理。

这一过程是复杂的。

⒉模糊性。

在对复杂事物作出判断时，每种感官获得的信息是不太完备的，甚至是模糊的。

如何串联这些模糊数据使之成为明确的答案，至今仍不清楚。

⒊自学习。

两岁的小孩能轻而易举地区分出苹果和香蕉，因为他们吃过、摸过、看过。

对于未知的东西，只要他们体验过几次，就能辨别出来。

这说明人类在利用多种感官进行融合时，具有自学习的能力。

⒋自适应。

当时间、空间发生变化，或物体的形状发生变形时，人类仍能“去伪存真”，透过现象抓住本质。

这说明人类多感官的融合具有较强的自适应性。

多传感器信息融合MSDF（MultisensorDataFusion）是20世纪80年代出现的一个新兴学科，它是将不同传感器对某一环境特征描述的信息，综合成统一的特征表达信息及其处理的过程。

多传感器信息融合首先广泛地应用于军事领域，如海上监视、空-空和地-空防御、战场情报、监视和获取目标及战略预警等，随着科学技术的进步，多传感器信息融合至今已形成和发展成为一门信息综合处理的专门技术，并很快推广应用到工业机器人、智能检测、自动控制、交通管理和医疗诊断等多种领域。

14.3.1基本概念

为了更好地阐述信息融合这一概念，可以把传感器获得的信息分成三类：

冗余信息、互补信息和协同信息。

冗余信息是由多个独立传感器提供的关于环境信息中同一特征的多个信息，也可以是某一传感器在一段时间内多次测量得到的信息；在一个多传感器系统中，若每个传感器提供的环境特征都是彼此独立的，即感知的是环境各个不同侧面的信息，则这些信息称为互补信息；在一个多传感器系统中，若一个传感器信息的获得必须依赖另一个传感器的信息，或一个传感器必须与另一个传感器配合工作才能获得所需要的信息时，则这两个传感器提供的信息称为协同信息。

在信息融合领域，人们经常提及“传感器融合（sensorfusion）”、“数据融合（datafusion）”和“信息融合（informationfusion）”。

实际上它们是有差别的，现在普遍的看法是“传感器融合”包含的内容比较具体和狭窄。

至于“信息融合”和“数据融合”，有一些学者认为数据融合包含了信息融合，还有一些学者认为信息融合包含了数据融合，而更多的学者把“信息融合”与“数据融合”等同看待。

14.3.2层次结构

对于多传感器融合层次的问题，人们存在着不同的看法，影响较大的是三层融合结构，即数据层、特征层和决策层（见图14-8）。

图14-8多传感器信息融合的三种层次结构。

（a）数据层融合；（b）特征层融合；（c）决策层融合

数据层融合如图14-8（a）所示，首先将全部传感器的观测数据融合，然后从融合的数据中提取特征向量，并进行判断识别。

这便要求传感器是同质的（传感器观测的是同一物理现象），如果多个传感器是异质的（观测的不是同一个物理量），那么数据只能在特征层或决策层进行融合。

数据层融合不存在数据丢失的问题，得到的结果也是最准确的但对系统通信带宽的要求很高。

特征层融合如图14-8（b）所示。

每种传感器提供从观测数据中提取的有代表性的特征，这些特征融合成单一的特征向量，然后运用模式识别的方法进行处理。

这种方法对通信带宽的要求较低，但由于数据的丢失使其准确性有所下降。

决策层融合是指在每个传感器对目标做出识别后，将多个传感器的识别结果进行融合，如图14-8（c）所示。

由于对传感器的数据进行了浓缩，这种方法产生的结果相对而言最不准确，但它对通信带宽的要求最低。

对于多传感器融合系统特定的工程应用，应综合考虑传感器的性能、系统的计算能力、通信带宽、期望的准确率以及资金能力等因素，以确定哪种层次是最优的。

另外，在一个系统中，也可能同时在不同的融合层次上进行融合。

14.3.3实现方法

成熟的多传感器信息融合方法主要有：

经典推理法、卡尔曼滤波法、贝叶斯估计法、D-S证据推理法、聚类分析法、参数模板法、物理模型法、熵法、品质因数法、估计理论法和专家系统法等。

近年来，用于多传感器数据融合的计算智能方法主要包括：

模糊集合理论、神经网络、粗集理论、小波分析理论和支持向量机等。

J.Z.Sasiadek把信息融合的方法分成三大类：

一是基于随机模型的融合方法；二是基于最小二乘法的融合方法；三是智能型的融合方法。

基于随机模型的融合方法主要有贝叶斯推理（BeyesianReasoning）、证据理论（EvidenceTheory）、鲁棒估计（RobustStatistics）、递归算子（RecursiveOperators）；基于最小二乘法的融合方法主要有卡尔曼滤波（KalmanFiltering）、最优理论（OptimalTheory）；智能型的融合方法主要有模糊逻辑方法（FuzzyLogic）、神经网络方法（NeuralNetworks）、遗传算法（GeneticAlgorithms）、人工智能方法（ArtificialIntelligence）、粗集理论（RoughSetTheory）、支持向量机（SupportVectorMachine）、小波分析理论（WaveletAnalysisTheory）等。

常用的多传感器信息融合算法有：

⒈加权平均法

这是一种最简单最直观的数据融合方法，即将多个传感器提供的冗余信息进行加权平均后作为融合值。

该方法能实时的处理动态的原始传感器读数，它的缺点是需要对系统进行详细的分析，以获得正确的传感器权值，调整合设定权系数的工作量很大，并且带有一定的主观性。

⒉聚类分析法

根据事先给定的相似标准，对观测值分类，用于真假目标分类、目标属性判别等。

⒊贝叶斯估计法

贝叶斯估计法是融合静态环境中多传感器低层数据的一种常用方法，融合时必须确保测量数据代表同一实体（即需要进行一致性检测），其信息不确定性描述为概率分布，需要给出各传感器对目标类别的先验概率，既有一定的局限性。

⒋多贝叶斯估计方法

将环境表示为不确定几何的集合，对系统得每个传感器作一种贝叶斯估计，将各单独物体的关联分布组成一个联合后验概率分布函数，通过列队的一致性观察来描述环境。

⒌卡尔曼滤波

它使用于动态环境中冗余传感器信息的实时融合。

当噪声为高斯分布的白噪声时，卡尔曼滤波提供信息融合的统计意义下的最优递推估计。

对非线性系统模型的信息融合，可采用扩展卡尔曼滤波及迭代卡尔曼滤波。

⒍统计决策理论

将信息不确定性表示为可加噪声。

先对多传感器进行鲁棒假设测试，以验证其一致性；再利用一组鲁棒最小最大决策规则对通过测试的数据进行融合。

⒎D-S证据推理

D-S证据推理是贝叶斯方法的推广，用信任区间描述传感器信息，满足比贝叶斯概率理论更弱的条件，是一种在不确定条件下进行推理的强有力的方法，使用于决策层融合。

以上各种算法对信息类型、观测环境都有不同的要求，且各自存在优缺点，在具体应用事需要根据系统的实际情况综合运用。