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)

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。

1 系統(tǒng)結構設計

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

2 神經元感知節(jié)點設計

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)。

3 神經元感知節(jié)點部署

3.1 神經元感知節(jié)點部署框架

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

3.2 匯聚節(jié)點的定位與覆蓋范圍估計

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。

3.3 神經元感知節(jié)點優(yōu)化部署

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。

4 仿真分析

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。

5 結語

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。