复杂环境下高精度异构无线充电传感器网络监控系统

2019年05月05日  点击:[]


作为无线通信和控制工程的交叉领域,无线充电传感器网络(WirelessRechargeable Sensor Networks, WRSN)充电效率最大化问题是国际学术界研究的最前沿。无线充电传感器网络中,节点配备无线接收线圈(或天线),收集来自磁耦合共振技术或射频技术产生的电磁波,进行能量转换,极大延长了网络生存时间,使得无线传感器网络大规模部署成为可能。已有理论研究成果仅围绕无线充电性能优化问题(包括最大化能量效率、最长化工作时间、最小化充电路程等)展开,忽略了线圈对准、复杂环境对充电效率影响等问题,导致WRSN始终无法大规模推广,难以应用到实际应用中。

智能系统研究所聚焦上述研究瓶颈问题,于2016年7月自主研发了物联网领域首个高精度无线充电传感器网络控制系统WCArm(Wireless Charging Arm)。系统中,传感器节点配备无线充电接收线圈,智能机械臂、无人机携带发送线圈为节点提供无线充电服务。如图1所示,该系统克服了传统无线充电传感器网络(WRSN)中充电定位不准、操控力弱等方面的缺点,能够实现充电车的精确定位、发送线圈和接收线圈的精确重合。

WCArm系统中由移动机械臂、无人机充当WRSN的充电器,机械臂手持发射线圈(无人机搭载线圈),可以精确定位到节点的接收线圈之上,使发射线圈接收线圈紧贴在一起,达到充电效率的最大化,实现“刷卡式无线充电”。基于此系统,项目组还对于无线充电领域几类充电标准的充电效率进行了精确测量,包括无线充电标准Wictricity、Qi和接触式充电标准iNPOFi。



(a)智能机械臂              (b)智能无人机          (c)两者(异构MC)协同充电



图1高精度无线充电传感器试验床

以该系统为研究基础,获批国家自然科学基金青年、面上基金各一项。本团队在计算机网络顶级会议INFOCOM、ICDCS、SECON顶级期刊IEEE TMC、IEEE TVT、ACM TECS发表论文近20篇,获得辽宁省、大连市自然科学学术成果奖5项。

该研究方向发表如下代表性论文:

[1] Chi Lin, Jingzhe Zhou, Chunyang Guo, Houbing Song, Guowei Wu, Mohammad S. Obaidat, TSCA: A Temporal-Spatial Real-Time Charging Scheduling Algorithm for On-Demand Architecture in Wireless Rechargeable Sensor Networks, IEEE Transactions on Mobile Computing, 2018. (ESI高引论文)

[2] Chi Lin, Zhiyuan Wang, Jing Deng, Lei Wang, Jiankang Ren, Guowei Wu, mTS: Temporal- and Spatial-Collaborative Charging for Wireless Rechargeable Sensor Networks with Multiple Vehicles, INFOCOM 2018.

[3] Chi Lin, Zhi Shang, et al. CoDoC: A Novel Attack for Wireless Rechargeable Sensor Networks through Denial of Charge, INFOCOM 2019.

[4] Chi Lin, Yanhong Zhou, et al. Minimizing Charging Delay for Directional Charging in Wireless Rechargeable Sensor Networks, INFOCOM 2019.

[5] Chi Lin, Chunyang Guo, Jing Deng, Guowei Wu, 3DCS: A 3-D Dynamic Collaborative Scheduling Scheme for Wireless Rechargeable Sensor Networks with Heterogeneous Chargers. ICDCS 2018.

[6] Chi Lin, Chunyang Guo, Haipeng Dai, Lei Wang, Guowei Wu, Near Optimal Charging Scheduling for 3-D Wireless Rechargeable Sensor Networks with Energy Constraints, ICDCS 2019.

上一条:复杂生物数据的机器学习算法​ 下一条:多模态数据融合挖掘

关闭