礦用5G通信信號(hào)傳輸?shù)母蓴_監(jiān)測(cè)技術(shù)

關(guān)鍵詞：礦用5G；礦用通信；干擾抑制；干擾監(jiān)測(cè)；盲源分離；神經(jīng)網(wǎng)絡(luò)；毛刺干擾；串?dāng)_信號(hào)；Transformer

中圖分類號(hào)：TD655 文獻(xiàn)標(biāo)志碼：A

0引言

隨著礦山智能化的發(fā)展，國內(nèi)主要礦井已經(jīng)實(shí)現(xiàn)了礦用5G 通信系統(tǒng)的部署和應(yīng)用，并利用大帶寬、低時(shí)延、廣連接的通信網(wǎng)絡(luò)開展了礦山無人駕駛、智能視頻、無人化生產(chǎn)面、井下工業(yè)控制和機(jī)器人智能巡檢等應(yīng)用的探索性研究，助力礦山智能化轉(zhuǎn)型[1-5]。

井下空間局促，大型機(jī)電設(shè)備密布，這些因素交互作用，對(duì)5G 信號(hào)造成多源、多維度干擾，現(xiàn)有的干擾抑制技術(shù)包括自適應(yīng)濾波技術(shù)[6]、自適應(yīng)干擾對(duì)消技術(shù)[7-8]。自適應(yīng)濾波技術(shù)通過自適應(yīng)地調(diào)整濾波器系數(shù)，消除信號(hào)中的噪聲或干擾，但該技術(shù)計(jì)算復(fù)雜度高，容易消耗過多計(jì)算資源。自適應(yīng)干擾對(duì)消技術(shù)通過從接收信號(hào)中減去在接收端產(chǎn)生干擾信號(hào)的估計(jì)，進(jìn)行信號(hào)干擾抑制，但是對(duì)干擾信號(hào)的估計(jì)準(zhǔn)確性要求高，如果干擾信號(hào)估計(jì)不準(zhǔn)確，易導(dǎo)致殘留干擾。

相比現(xiàn)有干擾抑制技術(shù)，盲源分離技術(shù)[9-12]能夠分離混合在一起的多個(gè)信號(hào)，計(jì)算復(fù)雜度低，魯棒性強(qiáng)，但難以全面覆蓋井下復(fù)雜多變的干擾源，導(dǎo)致信號(hào)過濾不徹底，殘留干擾依舊影響通信質(zhì)量，同時(shí)，缺乏對(duì)處理后信號(hào)成分的自動(dòng)分析與評(píng)估機(jī)制，即便經(jīng)過干擾抑制處理，系統(tǒng)也無法實(shí)時(shí)、準(zhǔn)確地判斷信號(hào)質(zhì)量是否達(dá)到最優(yōu)狀態(tài)，是否存在未被有效識(shí)別的干擾成分。這種“盲處理”狀態(tài)不僅限制了通信效率的提升，還可能因干擾殘留而引發(fā)安全隱患。

針對(duì)上述問題，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的干擾監(jiān)測(cè)抑制方法。該方法通過盲源分離技術(shù)初步分離出信號(hào)中的干擾成分，并利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力，對(duì)分離后的信號(hào)進(jìn)行深度分析，自動(dòng)識(shí)別并抑制殘余干擾。同時(shí)，神經(jīng)網(wǎng)絡(luò)對(duì)處理后的信號(hào)質(zhì)量進(jìn)行實(shí)時(shí)監(jiān)測(cè)與評(píng)估，確保通信信號(hào)始終處于最佳狀態(tài)。

1礦用5G 通信干擾監(jiān)測(cè)抑制方法

1.1干擾源分析

礦山井下巷道和生產(chǎn)作業(yè)面為5G 無線覆蓋的主要區(qū)域，本文針對(duì)主運(yùn)輸大巷、綜采工作面和變電所中5G 通信系統(tǒng)信號(hào)的干擾源進(jìn)行分析[13-14]。

主運(yùn)輸大巷存在礦用電纜車、高壓變頻器、電源箱等大功率電氣設(shè)備及帶式輸送機(jī)等煤礦運(yùn)輸系統(tǒng)，井下巷道模型如圖1 所示。上述設(shè)備在啟停瞬間會(huì)產(chǎn)生較大的電流變化，在周圍環(huán)境中產(chǎn)生瞬變電磁場，并將電磁能量輻射到周邊環(huán)境中，造成礦用5G 通信信號(hào)中干擾信號(hào)比重較大，導(dǎo)致傳輸速率降低，甚至造成數(shù)據(jù)傳輸中斷，嚴(yán)重影響礦用5G 通信系統(tǒng)性能。

綜采工作面部署了移變列車、刮板輸送機(jī)、采煤機(jī)和液壓支架等大型機(jī)械設(shè)備，如圖2 所示。礦用5G通信信號(hào)在傳播過程中會(huì)被這些設(shè)備遮擋，引發(fā)信號(hào)反射、散射、相位失配和波形失真等問題，導(dǎo)致礦用5G通信信號(hào)快速衰減，加大信號(hào)傳輸損耗，降低傳輸可靠性。相位失配和波形失真還會(huì)增加礦用5G通信設(shè)備接收機(jī)解碼難度，對(duì)礦用5G通信系統(tǒng)的穩(wěn)定運(yùn)行產(chǎn)生不利影響。

井下變電所中存在電源箱、繼電器和高壓配電箱等設(shè)備，這些設(shè)備工作過程中也會(huì)產(chǎn)生對(duì)礦用5G 通信信號(hào)傳輸?shù)母蓴_。例如，高壓配電箱運(yùn)行期間形成的耦合電路可產(chǎn)生感應(yīng)電動(dòng)勢(shì)，對(duì)礦用5G 通信信號(hào)產(chǎn)生電磁干擾，導(dǎo)致礦用5G 通信信號(hào)強(qiáng)度快速衰減、波形失真及相位失配，造成礦用5G 通信信號(hào)傳輸?shù)目煽啃韵陆?。電源箱和繼電器在開停瞬間產(chǎn)生的瞬變電流會(huì)導(dǎo)致電磁場擾動(dòng)，對(duì)礦用5G通信信號(hào)的傳輸造成干擾，導(dǎo)致接收質(zhì)量下降。在大功率設(shè)備開關(guān)瞬間，瞬態(tài)電流和電磁場的變化較大，會(huì)引起礦用5G 通信信號(hào)的丟失、歪曲和顯著衰減，影響信號(hào)解碼和解析的正確性。

井下主運(yùn)輸大巷的大功率電氣設(shè)備、綜采工作面的大型機(jī)電設(shè)備及變電所的高壓電氣設(shè)備啟停與運(yùn)行產(chǎn)生的瞬變電磁場，會(huì)對(duì)礦用5G信號(hào)形成干擾。一方面，高壓電氣設(shè)備和大型機(jī)電設(shè)備啟停與運(yùn)行產(chǎn)生的瞬變電磁場會(huì)對(duì)礦用5G通信傳輸信號(hào)造成毛刺形式的干擾，毛刺信號(hào)表現(xiàn)為突發(fā)、高幅值、隨機(jī)性尖峰或脈沖，造成頻譜上的寬帶干擾和尖峰，導(dǎo)致頻率選擇性衰落和頻譜泄漏，從而影響礦用5G通信信號(hào)的傳輸和接收質(zhì)量。另一方面，井下環(huán)境已有的其他通信設(shè)備線路與礦用5G 通信設(shè)備線路距離較近時(shí)，也會(huì)對(duì)礦用5G 通信信號(hào)產(chǎn)生干擾，此類干擾主要體現(xiàn)為串?dāng)_信號(hào)，串?dāng)_信號(hào)會(huì)引入額外的頻率成分，干擾通信信號(hào)的頻譜純度，影響通信信號(hào)的幅度、頻率和相位，接收端可能會(huì)錯(cuò)誤地解釋信號(hào)，使誤碼率上升，導(dǎo)致信號(hào)失真，影響信息傳輸?shù)臏?zhǔn)確性。因此對(duì)毛刺干擾及串?dāng)_信號(hào)的抑制和處理是5G 抗干擾問題的重中之重。

1.2礦用5G通信信號(hào)傳輸干擾抑制的盲源分離方法

盲源分離是在既不知道源信號(hào)的分布，也不知道源信號(hào)混合模型的情況下，利用源信號(hào)的混合信號(hào)來恢復(fù)或提取獨(dú)立源信號(hào)的技術(shù)。礦用5G通信信號(hào)傳輸干擾抑制的盲源分離方法原理如圖3所示。

2礦用5G通信干擾監(jiān)測(cè)方法

2.1方法的提出

礦用5G 通信有用信號(hào)和干擾信號(hào)的混合信號(hào)在每次信號(hào)收發(fā)過程中會(huì)隨著井下環(huán)境中干擾條件的變化而變化，導(dǎo)致觀測(cè)信號(hào)x的組成也會(huì)改變。因此，需要通過殘余干擾的強(qiáng)度監(jiān)測(cè)，確定盲源分離矩陣是否能夠有效分離出礦用5G 通信有用信號(hào)和干擾信號(hào)。礦用5G通信信號(hào)干擾監(jiān)測(cè)流程如圖4 所示，通過神經(jīng)網(wǎng)絡(luò)提取礦用5G 通信信號(hào)傳輸干擾抑制盲源分離處理后的源信號(hào)y的干擾特征，通過特征判斷是否為干擾信號(hào)，得到分類結(jié)果，實(shí)現(xiàn)對(duì)礦用5G 有用信號(hào)和干擾信號(hào)的分類識(shí)別，完成對(duì)信號(hào)傳輸干擾抑制方法的干擾監(jiān)測(cè)。

2.2基于神經(jīng)網(wǎng)絡(luò)的干擾監(jiān)測(cè)算法

2.2.1礦用5G 信號(hào)特征提取

施加在礦用5G 通信有用信號(hào)上的干擾信號(hào)難以精確描述，而卷積神經(jīng)網(wǎng)絡(luò)可以通過輸入和輸出之間已知的數(shù)值關(guān)系（不需要精確數(shù)學(xué)表達(dá)式），學(xué)習(xí)并確定輸入和輸出之間的映射關(guān)系。因此，采用擴(kuò)展的卷積神經(jīng)網(wǎng)絡(luò)（深度復(fù)雜網(wǎng)絡(luò)）[15-17]提取盲源分離后礦用5G 通信有用信號(hào)和干擾信號(hào)的特征，以確保干擾信號(hào)特征提取的準(zhǔn)確性。

神經(jīng)網(wǎng)絡(luò)由轉(zhuǎn)換層、卷積層、批量歸一化層、激活函數(shù)及全連接層構(gòu)成。輸入層為盲源分離后得出的源信號(hào)y，輸出為源信號(hào)"y中有用信號(hào)的特征及干擾信號(hào)的特征。通過神經(jīng)網(wǎng)絡(luò)處理，得到表征礦用5G通信有用信號(hào)和干擾信號(hào)特征的全局信息矩陣O，用于確定干擾信號(hào)的權(quán)重。礦用5G通信信號(hào)干擾監(jiān)測(cè)的神經(jīng)網(wǎng)絡(luò)處理流程如圖5所示。

F_w中的元素和b 初始值均為0～1 的隨機(jī)數(shù)，在模型訓(xùn)練過程中對(duì)其不斷更新和優(yōu)化。

采用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取后，輸出矩陣O表征了礦用5G 有用信號(hào)和干擾信號(hào)特征的全局信息矩陣，為確定干擾信號(hào)權(quán)重提供分類識(shí)別的基礎(chǔ)。

2.2.2礦用5G信號(hào)分類識(shí)別

采用Softmax 函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)輸出矩陣O進(jìn)行分類輸出。通過對(duì)矩陣O中的每個(gè)元素進(jìn)行指數(shù)運(yùn)算并除以所有元素指數(shù)運(yùn)算結(jié)果之和，確保輸出值在0～1 之間且總和為1，明確了礦用5G 通信有用信號(hào)和干擾信號(hào)之間的相對(duì)概率，計(jì)算出有用信號(hào)和干擾信號(hào)的權(quán)重，得到干擾信號(hào)在源信號(hào)y中的比重，為評(píng)估干擾抑制效果提供直觀的依據(jù)。根據(jù)設(shè)定的干擾判斷閾值，判斷盲源分離后對(duì)于干擾信號(hào)的抑制效果是否符合預(yù)期。在殘余干擾信號(hào)高于閾值時(shí)，采用盲源分離方法對(duì)殘余干擾信號(hào)進(jìn)一步清除，如殘余干擾信號(hào)未高于閾值，則本次干擾監(jiān)測(cè)流程結(jié)束。

對(duì)于礦用5G 主要通信場景的不同干擾情況，需要配置不同的監(jiān)測(cè)閾值，避免出現(xiàn)判斷閾值低，導(dǎo)致頻繁更新迭代，造成反饋環(huán)路震蕩，對(duì)于礦用5G 信號(hào)，采用Softmax 函數(shù)獲得分類識(shí)別后的礦用5G 有用信號(hào)和干擾信號(hào)的比重后，殘余干擾的比重應(yīng)滿足礦用5G 有用信號(hào)與殘余干擾信號(hào)的相比結(jié)果不低于15 dB。

3實(shí)驗(yàn)驗(yàn)證

3.1實(shí)驗(yàn)環(huán)境

在礦區(qū)進(jìn)行5G信號(hào)組網(wǎng)設(shè)備的部署，實(shí)現(xiàn)井下主要場所的5G 信號(hào)覆蓋，為實(shí)驗(yàn)驗(yàn)證提供數(shù)據(jù)基礎(chǔ)。在礦區(qū)地面部署1 套5G 專網(wǎng)核心網(wǎng)、核心交換機(jī)等設(shè)備，井下部署4 臺(tái)基站控制器，24 套5G 基站及射頻天線，30 部智能終端。

選用的5G 通信制式為NR，基站頻段為3 500 MHz，頻帶寬度為100 MHz，調(diào)制方式為64QAM，測(cè)試使用KXH12（5G）礦用本安型無線信號(hào)分析儀進(jìn)行干擾信號(hào)的評(píng)估，選用的天線為定向天線，增益為8 dBi，水平面波瓣寬度為65°，垂直面波瓣寬度為60°。井下部署場所主要包括綜采面、變電所、水泵房、避難硐室等。在不同的干擾模型條件下，采集多路射頻天線的輸出端空間的信號(hào)[20-22]。實(shí)驗(yàn)測(cè)試部署如圖7 所示。

為了定量評(píng)估本文方法進(jìn)行干擾監(jiān)測(cè)的效果，從實(shí)際井下通信環(huán)境中采集包含不同水平和類型干擾的上百段信號(hào)樣本，作為本文的自建數(shù)據(jù)集。自建數(shù)據(jù)集由920 段井下信號(hào)樣本組成，包含綜采工作面、井下變電所、主運(yùn)輸大巷等場景的攜帶干擾信號(hào)的數(shù)據(jù)，能較為全面地覆蓋煤礦井下實(shí)際通信場景。

實(shí)驗(yàn)在使用盲源分離方法時(shí)，選擇logcosh（雙曲正切函數(shù)）作為非線性函數(shù)，設(shè)迭代次數(shù)為200，收斂閾值為10，學(xué)習(xí)率為0.01。

網(wǎng)絡(luò)模型在具有NVIDIA GTX 3080Ti 顯卡的環(huán)境中進(jìn)行訓(xùn)練，為了確保模型在訓(xùn)練過程中有足夠的數(shù)據(jù)進(jìn)行學(xué)習(xí)，同時(shí)也有獨(dú)立的測(cè)試集和驗(yàn)證集來評(píng)估模型的泛化能力和調(diào)整模型參數(shù)，本文將數(shù)據(jù)集按照8∶1∶1的比例分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。在數(shù)據(jù)預(yù)處理階段，使用中值濾波器對(duì)劃分好的圖像進(jìn)行去噪處理。訓(xùn)練時(shí)，模型采用16 層卷積層，卷積核大小設(shè)置為3×3，使用ReLU 激活函數(shù)處理，丟棄比率設(shè)置為0.2，在0.0001～0.003范圍內(nèi)進(jìn)行學(xué)習(xí)率超參數(shù)搜索，間隔為0.002，本文使用 Adam優(yōu)化器，批量大小為4，進(jìn)行100 個(gè)epochs 的訓(xùn)練。

將訓(xùn)練好的模型及算法部署到KXH12（5G）礦用本安型無線信號(hào)分析儀上進(jìn)行信號(hào)監(jiān)測(cè)，若干擾信號(hào)高于閾值，則重復(fù)進(jìn)行干擾信號(hào)清除。

3.2定量實(shí)驗(yàn)

礦用5G通信系統(tǒng)采用100 MHz 全帶寬發(fā)送，用于驗(yàn)證井下綜采工作面大型機(jī)電設(shè)備啟停與運(yùn)行產(chǎn)生瞬變電磁場造成的干擾信號(hào)的抑制效果。應(yīng)用礦用5G 通信信號(hào)干擾監(jiān)測(cè)抑制方法對(duì)毛刺干擾信號(hào)抑制效果如圖8所示。

從圖8可看出，井下綜采工作面大型機(jī)電設(shè)備啟停與運(yùn)行產(chǎn)生的瞬變電磁場造成的毛刺干擾表現(xiàn)為頻域的尖峰，毛刺干擾的強(qiáng)度相比礦用5G 通信信號(hào)強(qiáng)度最大高出16 dBm。采用盲源分離的礦用5G 通信信號(hào)傳輸干擾抑制方法后，毛刺干擾的強(qiáng)度較礦用5G 通信信號(hào)強(qiáng)度最大高出10 dBm，實(shí)現(xiàn)了6 dBm 的干擾抑制增益。采用礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法后，毛刺干擾的強(qiáng)度較礦用5G通信信號(hào)強(qiáng)度最大高出3 dBm，實(shí)現(xiàn)了13dBm 的干擾抑制增益。

在井下變電所測(cè)試中，礦用5G通信系統(tǒng)采用100 MHz 全帶寬發(fā)送，用于驗(yàn)證礦用5G 設(shè)備線路鄰近部署的通信設(shè)備線路造成串?dāng)_信號(hào)的抑制效果。礦用5G 通信信號(hào)傳輸干擾抑制方法對(duì)10 MHz 串?dāng)_信號(hào)的抑制效果如圖9所示。

從圖9可看出，井下變電所中窄帶通信設(shè)備串?dāng)_信號(hào)強(qiáng)度較礦用5G 通信信號(hào)強(qiáng)度高18 dBm。采用盲源分離的礦用5G 通信信號(hào)傳輸干擾抑制方法后， 毛刺干擾的強(qiáng)度較礦用5G通信信號(hào)強(qiáng)度高11 dBm，實(shí)現(xiàn)了7 dBm 的干擾抑制增益。而采用礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法后，毛刺干擾的強(qiáng)度相比礦用5G 通信信號(hào)強(qiáng)度最大高5 dBm，實(shí)現(xiàn)了13 dBm 的干擾抑制增益。

為了驗(yàn)證采用所提出的基于神經(jīng)網(wǎng)絡(luò)的干擾監(jiān)測(cè)方法對(duì)于信號(hào)的干擾監(jiān)測(cè)能力，對(duì)信號(hào)質(zhì)量進(jìn)行分析，在綜采工作面、井下變電所、主運(yùn)輸大巷中，使用盲源分離干擾抑制方法和礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法，對(duì)信號(hào)質(zhì)量進(jìn)行分析，同時(shí)使用了多種常用信號(hào)干擾抑制方法作為對(duì)照。測(cè)試結(jié)果見表1。

從表1 可看出，使用礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法在信噪比 （Signal-to-Noise Ratio，SNR）和誤碼率 （Bit Error Ratio， BER） 方面均優(yōu)于其他4 種方法。礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法較盲源分離干擾抑制方法的信噪比平均提升了15.56%，較基于小波變換的局部放電信號(hào)干擾抑制方法平均提升了65.08%，較最小二乘均衡器方法平均提升了46.48%，較最小均方誤差均衡器方法平均提升了25.30%。礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法較盲源分離干擾抑制方法的誤碼率平均降低了21.88%，較基于小波變換的局部放電信號(hào)干擾抑制方法平均降低了65.28%，較最小二乘均衡器方法平均降低了54.55%，較最小均方誤差均衡器方法平均降低了44.44%。礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法一旦監(jiān)測(cè)到干擾信號(hào)超出預(yù)設(shè)閾值，系統(tǒng)將自動(dòng)觸發(fā)新一輪的干擾抑制流程，形成迭代優(yōu)化的閉環(huán)控制，能夠有效提高信噪比，降低誤碼率，顯著提升信號(hào)傳輸質(zhì)量，從而解決井下復(fù)雜環(huán)境對(duì) 5G信號(hào)傳輸?shù)母蓴_問題。

4結(jié)論

1） 基于神經(jīng)網(wǎng)絡(luò)的礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力，對(duì)經(jīng)過初步干擾抑制處理后的信號(hào)進(jìn)行深度分析，精準(zhǔn)識(shí)別并量化其中殘留的干擾成分。一旦監(jiān)測(cè)到干擾信號(hào)超出預(yù)設(shè)閾值，系統(tǒng)將自動(dòng)觸發(fā)新一輪的干擾抑制流程，形成迭代優(yōu)化的閉環(huán)控制。

2） 實(shí)驗(yàn)結(jié)果顯示，在相同條件下，相較于僅采用干擾抑制技術(shù)，使用礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法后，在干擾抑制效果上取得了顯著提升。信號(hào)的信噪比明顯提升，誤碼率明顯降低，充分證明了該方法在提高信號(hào)傳輸質(zhì)量方面的有效性。此外，隨著迭代次數(shù)的增加，系統(tǒng)對(duì)干擾的抑制能力進(jìn)一步增強(qiáng)，信號(hào)質(zhì)量持續(xù)優(yōu)化，直至達(dá)到較為穩(wěn)定的最佳狀態(tài)。

3） 盡管礦用5G 通信信號(hào)傳輸干擾監(jiān)測(cè)抑制方法已展現(xiàn)出良好的應(yīng)用前景，但仍存在進(jìn)一步改進(jìn)的空間。首先，可以探索更先進(jìn)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，如深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)，以提升模型對(duì)復(fù)雜干擾模式的識(shí)別能力。其次，優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，采用更高效的數(shù)據(jù)預(yù)處理和特征提取方法，以提高模型的訓(xùn)練效率和泛化能力。然后，考慮到實(shí)際應(yīng)用中可能面臨的計(jì)算資源限制，未來研究還需關(guān)注如何在保證性能的前提下，降低模型的復(fù)雜度和計(jì)算成本。最后，隨著5G、6G 等新一代通信技術(shù)的不斷發(fā)展，信號(hào)干擾的形式和特性也將發(fā)生變化，因此，持續(xù)跟蹤并適應(yīng)這些變化，對(duì)模型進(jìn)行迭代升級(jí)，將是未來研究的重要方向。