振动信号无线传输压缩算法的能效分析

刘 锁，何 青，石志刚

(1.华北电力大学 能源动力与机械工程学院，北京 102206；2.中国能源建设集团 鞍山铁塔有限公司，辽宁 鞍山 114042)



振动信号无线传输压缩算法的能效分析

刘 锁1，何 青1，石志刚2

(1.华北电力大学 能源动力与机械工程学院，北京 102206；2.中国能源建设集团 鞍山铁塔有限公司，辽宁 鞍山 114042)

通过传感器节点采集设备振动信号，借助无线网络传输技术将大量的振动数据传送到数据处理和信号分析中心。通常采用数据压缩算法来减少数据传输量，一方面减少了数据传输量，同时也增加了节点的能量消耗，因此，对于能量有限的节点来说必须考虑这两者之间的能量平衡问题。根据振动信号特点，研究了振动传感器节点的能效评估方法，对两种典型的数据压缩算法结合硬件环境进行了能效评估。研究结果表明，采用压缩算法减少了传输数据量的同时，数据处理能耗也增加了，因此必须选择合适的压缩算法来平衡好两者之间的关系。可以采用有损压缩算法在保留振动数据有用信号的同时又滤除噪声，获得较好的能量效率。

振动信号；无线传输；数据压缩；能效分析

机械设备工作时普遍存在振动现象，分析振动信号可以监控设备的运行状态，及时发现机械设备早期故障。考虑到振动状态监测过程中会生成大量的振动数据，而无线传感器节点能量供应以及计算存储资源又十分有限，如果不对数据进行压缩，传感器节点的能量消耗将十分巨大[1]，甚至一个检测周期还没完成就有可能出现节点能量耗尽的情况。因此，对振动信号数据进行压缩一定要考虑噪声的影响，在满足后端监测的要求下，最大限度减少失真压缩，保留振动信号的信息特征，同时减少能耗，这是振动信号数据压缩遵循的根本原则[2]。

数据压缩就是通过牺牲一部分微处理器的能耗来大幅度减少数据无线传输的能耗，从而获得能量收益，但并不是所有的压缩算法都能获得能量的正收益，如果压缩1 bit信息消耗的能量比传输1 bit信息消耗的能量还要高，那就不可能达到节约能量的目的，甚至会导致能量负收益，实际上，在无线网络中100 m距离间传输1 kbit数据所消耗的能量与单片机处理器执行300万个指令所消耗的能量相当[3]，这就要求算法的能量消耗一定要尽可能的小，研究表明[4]，数据无线传送消耗的能量约是一个无线节点总能耗的80%。因此，对压缩算法的能效性评估十分有意义，它可以作为选择振动信号压缩算法的重要考量指标。

1 数据压缩算法的能效性评估

利用无线方式传输数据时，数据压缩的能量收益来源于牺牲一部分单片机处理器的能耗来大幅度减少数据通信的能耗，从而获得能量收益，如图1所示。

图1 数据压缩算法的能量使用情况图例

由图1可知，能量净收益[5]Ei为

Ei=En-Ey=Es-Ec

(1)

式中Ei——引入压缩算法后的能量净收益，J；Es——引入压缩算法后能量节省，J；En——未压缩时的总能耗，J；Ey——利用压缩时的总能耗，J；Ec——处理器运行算法的能耗，J。

而能量的减少量Es是由于引入压缩后相较于压缩前减少的那部分能量，与数据的压缩率Rc有直接关系，故而Rc可以表示为

Es=Ndec=RcNnec=RcEn

(2)

(3)

式中Nd，Nn——压缩后削减的数据量和未压缩时的总数据量，bit；ec——发送单位数据量时之能耗，J/bit。

微处理器MCU运行算法时能耗Ec表示为

Ec=Ncem

(4)

式中Nc——MCU运行压缩算法的周期数；em——MCU执行单位周期指令时耗费的能量，J/bit。

已知能量可以表示为功率P和时间T的乘积，从而ec、em可分别表示为

ec=PcTc

(5)

em=PmTm

(6)

式中Pc，Tc，Pm，Tm——发送单位数据及执行单位指令周期指令的功率和时间。

从而Es、Ec、Ei可分别表示为

Es=RcNnec=RcNnPcTc

(7)

Ec=Ncem=NcPmTm

(8)

Ei=Es-Ec=RcNnPmTm-NcPmTm

(9)

只能作为能量的绝对净收益，对于压缩算法的好坏并没有给出具体的考量，所以引入净收益与未压缩时消耗的总能量之比ηE，作为压缩算法的能效性评估指标

(10)

显然，ηE与算法的压缩率、复杂度、数据特性、处理环境及通信环境密切相关，是对数据压缩算法比较综合的考量。由式(10)可知，能效指标与算法的压缩率Rc有关，还与Pc、Tc、Pm、Tm等只决定于系统硬件的参数有关，而这些参数与算法本身并无关系。此外，Nc、Nn只与数据信号和算法有联系而与硬件自身没有关系。可见，这些参数很明显得表现出压缩算法和硬件两个部分，是以可以对这两种因素分开进行讨论。

假如只与硬件相干的系数为k，那么k是一个无量纲物理量，硬件系数可表示为

(11)

假如只与算法相关的系数为s，其物理意义是压缩1bit数据所需要的指令周期数，表示压缩算法处理当前数据需要支出的能耗代价，也是一个无量纲物理量。那么算法系数s可表示为

(12)

此时，ηE可以表示为

(13)

由此得到

(14)

由式(13)、式(14)可得

(15)

由式(15)可知，s/k的物理意义为数据压缩消耗的能量与未使用压缩算法时数据传输消耗总能量的之比。假定未引入压缩算法时的能耗En=1，则有

(16)

经过式(16)的归一化处理之后，可以得到能效示意图，如图2所示。当时Rc

图2 能效示意图

2 对不同含噪信号和压缩算法的能效分析

2.1 信号构造及无线传感器硬件系数

实例分析中硬件选用T-mote Sky无线传感器节点[6]，其射频芯片型号采用CC2530，微处理器采用MSP430F2611。查阅各硬件工作时的参数后，假设MSP430F2611在3.0 V电压下工作，主频1 MHz，此时的平均电流消耗为512 uA，CC2530射频芯片在3.0V电压下以250 kbps波特率和0 dBm的功率发送数据，射频芯片的平均电流为17.1mA，利用这些数据可以评估其硬件系数

(17)

式中Um，Ur——MCU和射频芯片的工作电压，V；Im，Ir——MCU和射频芯片的工作电流，A；fm——MCU的工作主频，MHz；Rb——射频芯片波特率，kbps。

由式(17)可见，通讯能耗为微处理器数据处理能耗的133倍。

数据压缩算法采用基于字典的Sensor Lempel-Ziv-Welch (S-LZW)算法[7]以及基于统计的Sensor-Huffman (S-H)算法[8]，这两种算法都属于无损压缩算法的范畴。S-LZW算法是一种特别为无线传感器网络设计的压缩算法，引入了微数据快存(mini-cache)技术，可以将数据流分成特定大小的独立数据块并对数据进行裁剪；而S-H算法由于在差分的基础上使用了截断的Huffman编码表，降低了运行算法需要的内存，减少了算法的复杂度，这对无线传感器节点而言至关重要。分析时使用MATLAB生成要压缩的数据，图3为对原始信号分别添加方差为0、1.5、3.0、8.0的高斯白噪声以后的波形图，数据长度为512 bit，即Nn=512 bit。

图3 含不同方差白噪声的振动信号图像

3.2 压缩算法能效分析

利用S-LZW算法以及S-H算法分别对这几种振动数据进行压缩。Nc是MCU运行算法的指令周期数，实际上就是算法源程序运行的时间Tr与MCU处理单位指令周期指令消耗的时间Tm之比，可以表示为

(18)

运行时间Tr的测定可以通过搭建外围电路测量系统电流变化得到，通过式(3)、式(12)、式(17)和式(18)可完成对算法的测试，测试结果如表1所示。

表1 S-LZW算法及S-H算法指令周期数与压缩率的测试结果

将表1中的算法系数s及压缩率Rc与式(18)中的硬件系数k联合，对提出的这两种算法进行能效性评估，评估结果如表2所示。观察表2中的数据，发现振动信号的白噪声越强，应用这两种无损压缩算法时的压缩率越低，能效也就越低，这是由于两种压缩算法分别基于字典和统计方法，数据相似程度越低，压缩率也就越低，压缩完后数据量也随之增大，发送这些数据能耗增大，是以总能耗也就越高，这与表中数据变化一致。

表2 S-LZW算法和S-H算法的能效评估结果(k=133)

两种算法的能效性指标的值相较于算法的压缩率而言都小一些，这是由于能效性指标考虑了算法运行需要的能耗，分析其值可以知道，当算法运行的自身能耗达到一定值的时候，即使压缩率为正值，最终获得的能效也有可能为负值，此时引入压缩算法反而在能量上不划算。例如，表2中，引入压缩算法后，振动信号方差为3.0时，压缩率为11.63%，但由于压缩的代价太大，能效的值反而是负值-25.74%，亦即压缩后消耗的能量比不压缩时消耗的还要大，显然是不合适的。

比较表2两种方法，当使用同一硬件节点，输入的振动信号白噪声方差一致的条件下，S-H算法的压缩率要高于S-LZW算法的压缩率，但是由于S-H算法的运行代价(s值)比S-LZW算法的运行代价(s值)大，其同等条件下的能效反而低于压缩率低而运行代价小的S-LZW算法。

实际上，当选取不同硬件进行测试时，各硬件的硬件系数k，即硬件的通信代价也不相同，根据式(13)可知，硬件系数k越大，能效也就越高。硬件系数k越大，说明此硬件数据通信时消耗的能量与微处理器能耗比值也就越大，而无线传输时大部分能量消耗在无线通信上[9]，那么引入压缩算法后能量节省效果也就越显著，故而同等压缩算法条件下，硬件系数k越大，能效也就越高。

3 结论

通过能效性评估准则的建立，指出了单纯考虑算法压缩率大小的不足，提出了硬件和算法相结合的综合能效性评估指标，利用实验数据阐述压缩算法的能效性更加的直观可靠。研究表明，采用压缩算法减少了传输数据量的同时，数据处理能耗也增加了，因此必须选择的合适压缩算法来平衡好两者之间的关系。分析实验结果，为压缩算法的研究提出了新的方向，可以对含噪振动信号进行分步压缩：首先根据对振动信号的分析需求，利用有损压缩对信号进行去噪，然后再利用无损压缩增大压缩率，从而有效提高压缩算法的能效性。总之，压缩算法选取不能片面地追求压缩率，还要结合实际应用中的能耗进行综合分析。

[1]任学军, 房鼎益. 一种适于无线传感器网络的混合编码数据压缩算法[J]. 小型微型计算机系统, 2011, 32(6): 1055-1058.

REN Xue-jun, FANG Ding-yi. Mix-encode algorithm for data compression in wireless sensor networks[J]. Mini-micro Systems,2011,32(6): 1055-1058.

[2]SACALEANU D I, STOIAN R, OFRIM D M, et al. Compression scheme for increasing the lifetime of wireless intelligent sensor networks[C]. Proceeding of the 20thEuropean Signal Processing Conference, 2012: 709-713.

[3]LI De-ying, CHEN Wen-ping, HUO Rui-long, et al. Survey on energy efficiency in wireless sensor networks[J]. IEEE Signal Processing Magazine, 2002, 19(2): 40-50.

[4]SADLER C M, MARTONOSI M. Data compression algorithms for energy-constrained devices in delay tolerant networks[C]. Proceeding of the 4thinternational conference on Embedded networked sensor systems. 2006: 265-278.

[5]陈 翔. 无线传感器网络高能效数据压缩方法研究[D].长沙：中南大学, 2014.

[6]ZHANG H, FAN X, LIU S, et al. Design and realization of improved LZW algorithm for wireless sensor networks [C]. International Conference on Information Science and Technology, 2011: 671-675.

[7]SADLER C M，MARTONOSI M.Data compression algorithms for energy-constrained devices in delay tolerant networks[J]. Proc. SenSys’06: 4th Int. Conference on Embedded networked sensor systems, 2006, 265-278.

[8]刘 政，狄 佳. 一种自适应Huffman算法在无线传感器网络数据压缩中的应用[J]. 重庆理工大学学报: 自然科学版, 2013, 27(2): 84-88,92.

LIU Zheng, DI Jia.The application of an self-adaptive huffman data compression algorithm for wireless sensor network[J]. Journal of Chongqing Institute of Technology,2013，27(2):84-88,92.

[9]KOLO J G, ANG L M, SHANMUGAM S A, et al. A simple data compression algorithm for wireless sensor networks[M]. Soft Computing Models in Industrial and Environmental Applications. Springer Berlin Heidelberg, 2013.

(本文编辑：杨林青)

Energy-Efficient Analysis of Compression Algorithm in Vibration Signal Wireless Transmission

LIU Suo1, HE Qing1, SHI Zhi-gang2

(1. School of Energy Power and Mechanical Engineering, North China Electric Power University, Beijing 102206，China；2. Anshan Iron Tower Factory, China Energy Engineering Construction Group, Anshan 114042，China)

The vibration signal of equipment can be acquired by the sensor nodes. With the aid of wireless network, mass of vibration signals will be transmitted to data processing and signal analysis center. To reduce the data volume, some kinds of data compression algorithms usually be adopted. On the one hand, data compression can reduce the data volume; on the other hand, it also increases the energy consumption of sensor nodes. Therefore, energy balance between the two sides must be considered for the energy limited sensor nodes. According to the characteristics of vibration signal and the hardware environment, this paper studies the energy efficiency evaluation method of the nodes and applies this method to evaluating two typical compression algorithms. The results show that compression algorithm reduces the data volume, but energy consumption of data processing increases at the same time, so an appropriate algorithm must be adopted to balance the relationship of two sides. Because the vibration data contains lots of noise, lossy compression algorithm can be used to retain the useful signal and filter out noise at the same time, then a better energy efficiency will be acquired.

vibration signal; wireless transmission; data compression; energy-efficiency analysis

10.11973/dlyny201506017

刘 锁(1982)，男，硕士，讲师，工程师，从事信息系统项目管理的研究。

TM862

A

2095-1256(2015)06-0818-04

2015-07-20