基于霧計算的煤礦全場景監(jiān)測系統(tǒng)研究

曹健萍， 李敬兆

(1.安徽理工大學(xué) 電氣與信息工程學(xué)院， 安徽 淮南 232001； 2.工業(yè)節(jié)電與電能質(zhì)量控制協(xié)同創(chuàng)新中心， 安徽 合肥 230000)

0 引言

煤礦全場景監(jiān)測系統(tǒng)將煤礦物理信息與云計算資源深度融合，集煤礦狀態(tài)感知、數(shù)據(jù)通信與分析處理、智慧決策于一體，實現(xiàn)煤礦環(huán)境安全狀態(tài)、開采設(shè)備工作狀態(tài)的全方位智能監(jiān)測[1]。目前，煤礦全場景監(jiān)測系統(tǒng)主要依賴云計算實現(xiàn)數(shù)據(jù)處理、存儲與決策。但是，隨著煤礦自動化技術(shù)的不斷發(fā)展，云計算需實時處理海量監(jiān)測信息，嚴重影響煤礦全場景監(jiān)測系統(tǒng)決策層的時效性與精確度[2]。霧計算是云計算的延伸概念，將數(shù)據(jù)、數(shù)據(jù)處理和應(yīng)用程序集中在網(wǎng)絡(luò)邊緣設(shè)備中，可實現(xiàn)系統(tǒng)信息快速傳輸和處理、有效信息提煉、決策精度提升[3]。因此，本文提出一種基于霧計算的煤礦全場景監(jiān)測系統(tǒng)，以神經(jīng)元感知節(jié)點為單元設(shè)計霧計算神經(jīng)網(wǎng)絡(luò)，緩解云計算數(shù)據(jù)處理壓力。

神經(jīng)元感知節(jié)點布置的位置和數(shù)量通常是根據(jù)需要隨機安排的。由于節(jié)點發(fā)射功率有限，其無線通信范圍有限，若部署的節(jié)點數(shù)量過多，會造成資源浪費；若部署的節(jié)點數(shù)量過少或位置不合理，可能出現(xiàn)感知死角，因而需對神經(jīng)元感知節(jié)點進行優(yōu)化部署[4-7]。文獻[8]提出一種分布式無線感知網(wǎng)絡(luò)節(jié)點部署算法，通過粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法優(yōu)化目標監(jiān)測區(qū)域的網(wǎng)絡(luò)覆蓋和感知節(jié)點的布置，但容易出現(xiàn)過早收斂現(xiàn)象，解得的部署方案可能只是局部最優(yōu)方案。針對該問題，本文通過改進的PSO算法優(yōu)化感知節(jié)點的部署，實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。

1 系統(tǒng)結(jié)構(gòu)設(shè)計

基于霧計算的煤礦全場景監(jiān)測系統(tǒng)包括神經(jīng)元感知層、邊緣傳輸層、邊緣智慧決策層、邊緣服務(wù)層，結(jié)構(gòu)如圖1所示。邊緣傳輸層、智慧決策層、邊緣服務(wù)層均屬于霧計算范疇。

神經(jīng)元感知層由神經(jīng)元感知節(jié)點組成，模擬人體神經(jīng)系統(tǒng)的感覺神經(jīng)元感知煤礦系統(tǒng)的瓦斯含量、溫度等信息，對信息進行初步處理后通過邊緣通信設(shè)備傳輸至決策層[9-11]。邊緣傳輸層兼容多種通信協(xié)議，通過邊緣網(wǎng)關(guān)使基于不同通信協(xié)議的網(wǎng)絡(luò)系統(tǒng)互聯(lián)，實現(xiàn)通信數(shù)據(jù)的重新統(tǒng)一打包。利用全功能設(shè)備(Full Function Device，F(xiàn)FD)布置Mesh網(wǎng)絡(luò)，Mesh網(wǎng)絡(luò)中的神經(jīng)元感知節(jié)點間相互連接，單個節(jié)點有多條連接通道，即使個別節(jié)點出現(xiàn)故障，也不影響整個網(wǎng)絡(luò)的可靠運行[12-15]。智慧決策層處于整個系統(tǒng)的本地服務(wù)器中，其本質(zhì)上是一種邊緣計算平臺。通過本地數(shù)據(jù)庫接收來自本地的數(shù)據(jù)信息并分類處理，建立BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合無跡卡爾曼濾波算法，優(yōu)化處理煤礦多傳感器參數(shù)信息，從而有效地從海量數(shù)據(jù)中提煉有用信息，高效精確地作出決策，并通過網(wǎng)關(guān)分類下達至神經(jīng)元感知節(jié)點。同時，邊緣計算平臺通過TCP通信協(xié)議入網(wǎng)，將簡化處理后的有效數(shù)據(jù)傳輸至邊緣服務(wù)層。邊緣服務(wù)層主要指云服務(wù)平臺，用于接收經(jīng)過處理的數(shù)據(jù)和決策信息，并進行數(shù)據(jù)分類、存儲和管理，為后期維護管理提供依據(jù)。

圖1 基于霧計算的煤礦全場景監(jiān)測系統(tǒng)結(jié)構(gòu)Fig.1 Structure of coal mine full scene monitoring system based on fog computing

2 神經(jīng)元感知節(jié)點設(shè)計

神經(jīng)元感知節(jié)點包括無線感知節(jié)點和有線感知節(jié)點2種。無線感知節(jié)點主要由傳感器模塊、控制器模塊、無線通信模塊及供電模塊組成，其結(jié)構(gòu)如圖2所示。

圖2 無線感知節(jié)點硬件結(jié)構(gòu)Fig.2 Hardware structure of wireless sensing node

傳感器是基本感測元件，應(yīng)根據(jù)煤礦各系統(tǒng)實際運行情況，結(jié)合檢測精度要求和采集頻率要求，進行傳感器選型。微控制器是神經(jīng)元感知節(jié)點的核心決策與控制單元。選用的微控制器應(yīng)具有功耗低、信息處理效率高及集成度高等特性，支持休眠模式。由于不同神經(jīng)元感知節(jié)點之間傳輸信號功耗大，在無數(shù)據(jù)收發(fā)時微控制器應(yīng)處于休眠狀態(tài)。

3 神經(jīng)元感知節(jié)點部署

3.1 神經(jīng)元感知節(jié)點部署框架

神經(jīng)元感知節(jié)點網(wǎng)絡(luò)部署框架如圖3所示。首先，根據(jù)煤礦狀態(tài)監(jiān)測需要，隨機投放神經(jīng)元感知節(jié)點。然后，利用RSSI算法確定匯聚節(jié)點位置并估計其網(wǎng)絡(luò)覆蓋范圍。最后，采用改進的PSO算法優(yōu)化神經(jīng)元感知節(jié)點部署。

圖3 神經(jīng)元感知節(jié)點部署框架Fig.3 Deployment framework of neuron sensing nodes

3.2 匯聚節(jié)點的定位與覆蓋范圍估計

各神經(jīng)元感知節(jié)點通過RSSI定位算法確定自身位置，節(jié)點m(xm,ym)與n(xn,yn)之間的距離為

(1)

選用陰影衰落模型作為神經(jīng)元感知網(wǎng)絡(luò)匯聚節(jié)點的信號傳輸模型，神經(jīng)元感知節(jié)點i接收到的信號強度PR(di)為

(2)

式中：A為匯聚節(jié)點的發(fā)射功率；β為路徑損耗；di為節(jié)點i與匯聚節(jié)點之間的距離；ndB為偏差函數(shù)。

3.3 神經(jīng)元感知節(jié)點優(yōu)化部署

以擴大重點網(wǎng)絡(luò)覆蓋區(qū)域和減少神經(jīng)元感知節(jié)點投放為目的，通過改進的PSO算法實現(xiàn)神經(jīng)元感知節(jié)點優(yōu)化部署。

假設(shè)粒子群中的粒子數(shù)為N，搜索空間為D維，粒子的空間位置向量xi=(xi1,xi2,…,xiD)。xi向量中，從左向右依次每2個元素表示一個感知節(jié)點的位置坐標，如(xi1,xi2)表示一個神經(jīng)元感知節(jié)點的位置坐標。粒子的空間速度向量vi=(vi1,vi2,…,viD)與位置向量同理。設(shè)粒子個體尋優(yōu)的最優(yōu)空間位置Pi=(Pi1,Pi2,…,PiD),粒子群中最佳位置Pg=(Pg1,Pg2,…,PgD)。

由于神經(jīng)元感知節(jié)點部署側(cè)重于通信覆蓋區(qū)域，確定優(yōu)化目標函數(shù)為

(3)

通過優(yōu)化目標函數(shù)評價粒子所在位置的優(yōu)劣，在粒子位置及速度不斷更新的過程中尋找最優(yōu)位置。粒子的位置和速度更新公式為

vi(t+1)=ωvi(t)+h1r1(t)[Pi(t)-xi(t)]+

h2r2(t)[Pg(t)-xi(t)]

(4)

xi(t+1)=xi(t)+vi(t+1)

(5)

式中：t為時刻；ω為慣性權(quán)重系數(shù)；h1和h2為學(xué)習(xí)因子；r1和r2為獨立隨機變量。

在經(jīng)典PSO算法中，慣性權(quán)重系數(shù)ω是從初始點出發(fā)并根據(jù)前一次速度得出的比例因子，學(xué)習(xí)因子h1和h2通常情況下數(shù)值為2。整個更新過程是從初始點沿確定的方向轉(zhuǎn)移，存在過早收斂現(xiàn)象，易出現(xiàn)局部最優(yōu)尋解的情況。針對這一現(xiàn)象，對PSO算法進行改進。在保障粒子群穩(wěn)定的前提下，為防止ω因沿某一方向轉(zhuǎn)移而出現(xiàn)局部收斂現(xiàn)象，利用余弦非線性函數(shù)提高ω方向轉(zhuǎn)移的隨機性。設(shè)慣性權(quán)重系數(shù)為

ω(t)=0.1+0.9cos(t/c)

(6)

式中c為迭代更新次數(shù)。

在改進慣性權(quán)重系數(shù)的基礎(chǔ)上，根據(jù)粒子穩(wěn)定運動條件，得到學(xué)習(xí)因子為

(7)

改進的粒子速度更新公式為

vi(t+1)=ω(t)vi(t)+h1(t)r1(t)[Pi(t)-xi(t)]+

h2(t)r2(t)[Pg(t)-xi(t)]

(8)

粒子位置更新公式不變。通過粒子位置和速度更新公式和優(yōu)化目標函數(shù)，進行神經(jīng)元感知節(jié)點的優(yōu)化部署。

4 仿真分析

在Matlab平臺進行仿真，設(shè)部署區(qū)域為600 m×600 m的矩形，區(qū)域內(nèi)布置3個中心節(jié)點。初始狀態(tài)下，將區(qū)域劃分為20 m×10 m的網(wǎng)格進行節(jié)點部署。設(shè)權(quán)重系數(shù)σ1=0.4，σ2=0.6，選用經(jīng)典PSO算法作為對比，得到Matlab仿真結(jié)果，如圖4所示。

圖4 經(jīng)典PSO算法與改進PSO算法性能對比Fig.4 Performance comparison between classic PSO algorithm and improved PSO algorithm

由圖4可知，與經(jīng)典PSO算法相比，改進PSO算法能夠更快尋得最優(yōu)解，最優(yōu)解下的整體覆蓋率更高。

經(jīng)過100次獨立仿真，統(tǒng)計并比較2種算法的通信覆蓋率和適應(yīng)度等，結(jié)果見表1。

表1 經(jīng)典PSO算法與改進PSO算法的覆蓋率對比Table 1 Coverage comparison between classic PSO algorithm and improved PSO algorithm

由表1可知，與經(jīng)典PSO算法相比，改進PSO算法將整體通信覆蓋率的最優(yōu)值、最差值和平均值分別提高了3.19%，3.31%，3.25%。改進PSO算法具有收斂快速有效、適應(yīng)性強、穩(wěn)定性高等優(yōu)勢，可應(yīng)用于神經(jīng)元感知節(jié)點優(yōu)化部署方案中。

5 結(jié)語

提出一種基于霧計算的煤礦全場景監(jiān)測系統(tǒng)設(shè)計方案，介紹了系統(tǒng)整體架構(gòu)及神經(jīng)元感知節(jié)點硬件組成，并結(jié)合邊緣設(shè)備的特點，通過改進PSO算法優(yōu)化邊緣神經(jīng)元節(jié)點的部署，提高通信覆蓋率，降低節(jié)點部署成本。該系統(tǒng)充分利用了邊緣計算技術(shù)，將數(shù)據(jù)處理決策任務(wù)從遠程網(wǎng)絡(luò)監(jiān)測中心遷移到網(wǎng)絡(luò)邊緣側(cè)，實現(xiàn)了系統(tǒng)中冗長數(shù)據(jù)在邊緣側(cè)的過濾，從而減小了海量數(shù)據(jù)分析與存儲對云計算造成的壓力，提升了數(shù)據(jù)信息處理效率。提出用改進PSO算法優(yōu)化神經(jīng)元感知節(jié)點部署，從而優(yōu)化霧計算網(wǎng)絡(luò)結(jié)構(gòu)，并通過仿真驗證了其有效性。