曹健萍, 李敬兆
(1.安徽理工大學 電氣與信息工程學院, 安徽 淮南 232001; 2.工業(yè)節(jié)電與電能質量控制協(xié)同創(chuàng)新中心, 安徽 合肥 230000)
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、數據通信與分析處理、智慧決策于一體,實現煤礦環(huán)境安全狀態(tài)、開采設備工作狀態(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數據處理、存儲與決策。但是,隨著煤礦自動化技術的不斷發(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,將數據、數據處理和應用程序集中在網絡邊緣設備中,可實現系統(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),以神經元感知節(jié)點為單元設計霧計算神經網絡,緩解云計算數據處理壓力。
神經元感知節(jié)點布置的位置和數量通常是根據需要隨機安排的。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)點數量過多,會造成資源浪費;若部署的節(jié)點數量過少或位置不合理,可能出現感知死角,因而需對神經元感知節(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絡節(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)域的網絡覆蓋和感知節(jié)點的布置,但容易出現過早收斂現象,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,實現網絡結構優(yōu)化。
基于霧計算的煤礦全場景監(jiān)測系統(tǒng)包括神經元感知層、邊緣傳輸層、邊緣智慧決策層、邊緣服務層,結構如圖1所示。邊緣傳輸層、智慧決策層、邊緣服務層均屬于霧計算范疇。
神經元感知層由神經元感知節(jié)點組成,模擬人體神經系統(tǒng)的感覺神經元感知煤礦系統(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,通過邊緣網關使基于不同通信協(xié)議的網絡系統(tǒng)互聯,實現通信數據的重新統(tǒng)一打包。利用全功能設備(Full Function Device,FFD)布置Mesh網絡,Mesh網絡中的神經元感知節(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)點出現故障,也不影響整個網絡的可靠運行[12-15]。智慧決策層處于整個系統(tǒng)的本地服務器中,其本質上是一種邊緣計算平臺。通過本地數據庫接收來自本地的數據信息并分類處理,建立BP神經網絡模型,結合無跡卡爾曼濾波算法,優(yōu)化處理煤礦多傳感器參數信息,從而有效地從海量數據中提煉有用信息,高效精確地作出決策,并通過網關分類下達至神經元感知節(jié)點。同時,邊緣計算平臺通過TCP通信協(xié)議入網,將簡化處理后的有效數據傳輸至邊緣服務層。邊緣服務層主要指云服務平臺,用于接收經過處理的數據和決策信息,并進行數據分類、存儲和管理,為后期維護管理提供依據。
圖1 基于霧計算的煤礦全場景監(jiān)測系統(tǒng)結構Fig.1 Structure of coal mine full scene monitoring system based on fog computing
神經元感知節(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,其結構如圖2所示。
圖2 無線感知節(jié)點硬件結構Fig.2 Hardware structure of wireless sensing node
傳感器是基本感測元件,應根據煤礦各系統(tǒng)實際運行情況,結合檢測精度要求和采集頻率要求,進行傳感器選型。微控制器是神經元感知節(jié)點的核心決策與控制單元。選用的微控制器應具有功耗低、信息處理效率高及集成度高等特性,支持休眠模式。由于不同神經元感知節(jié)點之間傳輸信號功耗大,在無數據收發(fā)時微控制器應處于休眠狀態(tài)。
神經元感知節(jié)點網絡部署框架如圖3所示。首先,根據煤礦狀態(tài)監(jiān)測需要,隨機投放神經元感知節(jié)點。然后,利用RSSI算法確定匯聚節(jié)點位置并估計其網絡覆蓋范圍。最后,采用改進的PSO算法優(yōu)化神經元感知節(jié)點部署。
圖3 神經元感知節(jié)點部署框架Fig.3 Deployment framework of neuron sensing nodes
各神經元感知節(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元感知網絡匯聚節(jié)點的信號傳輸模型,神經元感知節(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。
以擴大重點網絡覆蓋區(qū)域和減少神經元感知節(jié)點投放為目的,通過改進的PSO算法實現神經元感知節(jié)點優(yōu)化部署。
假設粒子群中的粒子數為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)。
由于神經元感知節(jié)點部署側重于通信覆蓋區(qū)域,確定優(yōu)化目標函數為
(3)
通過優(yōu)化目標函數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為慣性權重系數;h1和h2為學習因子;r1和r2為獨立隨機變量。
在經典PSO算法中,慣性權重系數ω是從初始點出發(fā)并根據前一次速度得出的比例因子,學習因子h1和h2通常情況下數值為2。整個更新過程是從初始點沿確定的方向轉移,存在過早收斂現象,易出現局部最優(yōu)尋解的情況。針對這一現象,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因沿某一方向轉移而出現局部收斂現象,利用余弦非線性函數提高ω方向轉移的隨機性。設慣性權重系數為
ω(t)=0.1+0.9cos(t/c)
(6)
式中c為迭代更新次數。
在改進慣性權重系數的基礎上,根據粒子穩(wěn)定運動條件,得到學習因子為
(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,進行神經元感知節(jié)點的優(yōu)化部署。
在Matlab平臺進行仿真,設部署區(qū)域為600 m×600 m的矩形,區(qū)域內布置3個中心節(jié)點。初始狀態(tài)下,將區(qū)域劃分為20 m×10 m的網格進行節(jié)點部署。設權重系數σ1=0.4,σ2=0.6,選用經典PSO算法作為對比,得到Matlab仿真結果,如圖4所示。
圖4 經典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度等,結果見表1。
表1 經典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、適應性強、穩(wěn)定性高等優(yōu)勢,可應用于神經元感知節(jié)點優(yōu)化部署方案中。
提出一種基于霧計算的煤礦全場景監(jiān)測系統(tǒng)設計方案,介紹了系統(tǒng)整體架構及神經元感知節(jié)點硬件組成,并結合邊緣設備的特點,通過改進PSO算法優(yōu)化邊緣神經元節(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,將數據處理決策任務從遠程網絡監(jiān)測中心遷移到網絡邊緣側,實現了系統(tǒng)中冗長數據在邊緣側的過濾,從而減小了海量數據分析與存儲對云計算造成的壓力,提升了數據信息處理效率。提出用改進PSO算法優(yōu)化神經元感知節(jié)點部署,從而優(yōu)化霧計算網絡結構,并通過仿真驗證了其有效性。