超高层构筑物监测低功耗优化方法与流程

本发明属于楼宇监控技术领域，具体涉及一种超高层构筑物监测低功耗优化方法。

背景技术：

传统的变形监测技术均为采用水准仪、全站仪、经纬仪、测斜仪等观测技术测量定点的变形值，上述方法在使用时存在耗时、耗力、效率低下，很难做到检测的周期性、及时性和自动化；灵活性较差，布点受地形和建筑物形貌条件制约；监测范围小，难以实现构筑物结构健康监测的完整性的问题。

技术实现要素：

针对现有技术存在的不足，本发明的目的在于，提供一种超高层构筑物监测低功耗优化方法，解决现有技术中无法对超高层构建物进行长期的、连续的、实时的结构健康监测的问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

一种超高层构筑物监测低功耗优化方法，包括分布式的多个节点，包括如下步骤：

步骤1，根据节点的位置分布对所有节点进行编号，并结合各节点之间的连通性，得到网络g，所述网络g包括多个源节点和一个预设的汇聚节点，设通讯轮数为0；

步骤2，从网络g中随机选择多个源节点作为簇头，即得到多个簇头；

步骤3，从网路g中的多个源节点中选择编号最小的一个源节点作为当前源节点；

步骤4，找到从当前源节点分别经过步骤2选择的簇头到达预设的汇聚节点的多个最短路径；

步骤5，从步骤4选取的多个最短路径中选取路径重要度最小的路径作为最优路径，并将当前源节点的数据包通过所选最优路径传递至该最优路径中的簇头；

所述路径重要度为路径中节点重要度的平均值；

步骤6，重复步骤4至步骤5，直至网络g中所有的源节点均作为当前源节点为止；

步骤7，将多个簇头接收到的数据包进行数据融合，得到融合后的数据，将融合后的数据传递至汇聚节点；所有源节点和簇头减去相应的能量损耗，并将剩余能量为0的节点从网络g中剔除；

步骤8，若从步骤7中剔除的剩余能量为0的节点数小于预设阈值，则通讯轮数加1并跳转至步骤2；否则结束程序。

进一步地，步骤1中所述根据节点的位置分布，判断各节点之间的连通性，包括：

若任意两个节点满足则该两个节点之间可连通；其中，xn，yn分别为第n个节点的横坐标和纵坐标，单位为m；xm，ym分别为第m个节点的横坐标和纵坐标，单位为m；r为通信距离，r>0，单位为m。

进一步地，所述步骤2中从网络g中随机选择多个节点作为簇头，包括：

给网络g中的每个节点随机赋予一个0至1的数值；

若节点被赋予的数值小于阈值t(n)，则该节点被选择为簇头；

通过式(1)得到阈值t(n)：

式(1)中，h为为未被选择为簇头的节点集合，p为每一个通讯轮数中节点成为簇头的概率，r是通信轮数，imp(n)为节点n的重要度，n为节点编号；

其中，ρ(n)为相对距离，其中d(n,m)为节点n与节点m间的距离，若没有连通性，则d(n,m)为0，n为网络中节点个数，r为通信半径，e为节点的初始能量，e(n)为第n个节点的剩余能量，k为平衡imp(n)的常系数k>0，α为相对距离因子，β为剩余能量因子。

本发明与现有技术相比，具有如下技术效果：

1、本发明在源节点到汇聚节点之间建立多条最短路径，选择多条最短路径中重要性最小的路径进行数据传输，均衡消耗整个网络能量，从而实现延长整个网络的生存周期的目的，可提高监测的精确度、可靠性和使用寿命，并且能够降低操作和维护的成本，实现对超高层构筑物进行长期的、连续的、实时的结构健康监测；

2、本发明对簇头选取的方法进行了优化，将能量因素和距离因素考虑进去，既减少了距离汇聚节点较远的传感器节点的能量损耗，又增加了剩余能量较大的节点成为簇头的概率，从而均衡整个网络的能量消耗。

附图说明

图1是本发明中一个实施例的节点分布图；

图2是一个实施例与现有技术每轮死亡节点数的对比图；

图3是一个实施例与现有技术节点平均能耗的对比图。

以下结合附图对本发明的具体内容作进一步详细解释说明。

具体实施方式

本发明中节点指的是在超高层构筑物中分布的传感器，每个传感器作为一个节点，传感器之间可以进行数据的传输；源节点指的是数据传输的的起始节点，汇聚节点指的是数据传输到达的节点，簇头指的是将簇内节点的数据进行融合的节点，其中簇内节点先将数据传给簇头，簇头将数据融合之后再转发给汇聚节点,节点的能量是指传感器的电量，当传感器传输数据时需耗费电量，剩余能量则指传感器的剩余电量。

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例：

本实施例提供了一种超高层构筑物监测低功耗优化方法，包括分布式的多个节点，如图1所示为本实施例下超高层构筑物中分布的节点组成的网络，包括如下步骤：

步骤1，根据节点的位置分布对所有节点进行编号，并结合各节点之间的连通性，得到网络g，所述网络g包括多个源节点和一个预设的汇聚节点，设通讯轮数为0；本实施例中的通讯轮数指的是网络g中所有的源节点都已将其数据包传输至汇聚节点为一个通信轮数。

本实施例中，网络g即为传感器网络，该网络由在100m×100m的网络范围内随机地放置100个传感器组成，其通信半径r为30m，汇聚节点坐标为(50，50)，各节点的初始能量为20j，汇聚节点的能量无限大。

具体地，步骤1中所述根据节点的位置分布，判断各节点之间的连通性，包括：

若任意两个节点满足则该两个节点之间可连通；其中，xn，yn分别为第n个节点的横坐标和纵坐标，单位为m；xm，ym分别为第m个节点的横坐标和纵坐标，单位为m，r为通信距离，r≥0，单位为m，本实施例中通信半径r为30m。

步骤2，从网络g中随机选择多个源节点作为簇头，即得到多个簇头；

本实施例中，在簇形成阶段，每个传感器节点生成0～1之间的随机数，如果生成的随机数小于阈值t(n)，那么该节点就被选为从簇头。阈值的大小由式(1)决定。

具体地，通过式(1)得到从网络g中选择簇头的阈值t(n)：

式(1)中，h为为未被选择为簇头的节点集合，p为每一个通讯轮数中节点成为簇头的概率，r是通信轮数，imp(n)为节点n的重要度，n为节点编号；

其中，ρ(n)为相对距离，其中d(n,m)为节点n与节点m间的距离(两节点间具有连通性)，若没有连通性，则d(n,m)为0，n为网络中节点个数，r为通信半径，e为节点的初始能量，e(n)为第n个节点的剩余能量，k为平衡imp(n)的常系数k>0，α为相对距离因子，β为剩余能量因子。

步骤3，从网路g中的多个源节点中选择编号最小的一个源节点作为当前源节点；

步骤4，找到从当前源节点分别经过步骤2选择的簇头到达预设的汇聚节点的多个最短路径；

步骤5，从步骤4选取的多个最短路径中选取路径重要度最小的路径作为最优路径，并将当前源节点的数据包通过所选最优路径传递至该最优路径中的簇头；

所述路径重要度为路径中节点重要度的平均值：

步骤6，重复步骤4至步骤5，直至网络g中所有的源节点均作为当前源节点为止；

步骤7，将多个簇头接收到的数据包进行数据融合，得到融合后的数据，将融合后的数据传递至汇聚节点；所有源节点和簇头减去相应的能量损耗，并将剩余能量为0的节点从网络g中剔除；

步骤8，若从步骤7中剔除的剩余能量为0的节点数小于预设阈值，则通讯轮数加1并跳转至步骤2；否则结束程序。

通过图2可以看出，采用leach算法第一个节点死亡的轮数为190轮，而采用优化leach时，第一个节点死亡的轮数较leach提高了19.5％。此外，在网络通信的整个过程中，优化leach算法相较于leach算法而言有更优越的性能。

通过图3可以看出，当网络通信轮数在200-400轮时，优化leach的平均能耗比leach少了2j，有了明显的优化效果。从该图中可以看出优化leach的平均能耗一直都要低于leach，这主要是由于优化leach结合了路径重要性和dijkstra算法，路由的选择考虑到了节点剩余能量和最短路径，从而节省了能量。

可见，采用优化leach的无线传感器路由算法较传统的leach算法而言更能有效的均衡使用整个网络节点的能量，特别是当通讯轮数在200-400轮时，优化leach算法较leach算法节省了约10％的能量，有效的缓解了节点死亡的频率，提高了网络的生命周期。