趙宇

(天地(常州)自動化股份有限公司， 江蘇 常州 213000)

0 引言

煤礦井下環(huán)境狀態(tài)復(fù)雜，有時因工作或者特殊情況需要對井下人員進(jìn)行定位，井下人員的定位對于提高煤礦安全生產(chǎn)和組織救援具有重要意義[1-4]。當(dāng)前煤礦井下人員定位主要基于射頻識別技術(shù)，該系統(tǒng)存在局限性，如定位條件復(fù)雜，定位精度低，只能將井下人員定位到一個范圍，無法實現(xiàn)更精確的定位，不能適應(yīng)現(xiàn)代煤礦對安全生產(chǎn)的要求。利用無線定位技術(shù)可在無線網(wǎng)絡(luò)基礎(chǔ)上實現(xiàn)井下人員定位，從而減少人員定位系統(tǒng)的建造成本。無線定位技術(shù)可通過多種技術(shù)實現(xiàn)，包括聚類定位和K近鄰算法[5]、PSO-BP算法定位[6]和DV-HOP 定位[7]等技術(shù)開展礦井人員定位。而其中依據(jù)采集信號強弱開展的定位，在礦井人員定位研究較多。文獻(xiàn)[5]利用二分k-means進(jìn)行指紋庫的聚類和分析，對采集的信號進(jìn)行二分K和動態(tài)修正，經(jīng)過處理后的信號進(jìn)行RSSI計算，計算后的結(jié)果傳遞到平臺開展定位。文獻(xiàn)[8]針對礦井人員定位問題，提出LMBP 神經(jīng)網(wǎng)絡(luò)算法，采集井下人員信息，訓(xùn)練LMBP神經(jīng)網(wǎng)絡(luò)，再根據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)開始定位，該方法的定位優(yōu)點是定位速度快，缺點是算法過程收斂慢。

無線信號的傳輸需要相對良好的環(huán)境，而煤礦井下環(huán)境不同于地表，巷道眾多，周圍配置電動機設(shè)備，這些都會影響信號的傳輸，造成無線定位精度降低。針對礦井環(huán)境存在的這些問題，本文基于Elman神經(jīng)網(wǎng)絡(luò)定位方法進(jìn)行井下人員定位。首先對樣本點指紋數(shù)據(jù)進(jìn)行無線采集，其次進(jìn)行Elman神經(jīng)網(wǎng)絡(luò)的初始化，用指紋數(shù)據(jù)庫訓(xùn)練和此時Elman神經(jīng)網(wǎng)絡(luò)開展比較，并建立定位算法模型。最后利用無線終端采集煤礦井下定位點的指紋數(shù)據(jù)，把采集到的數(shù)據(jù)傳輸?shù)紼lman神經(jīng)網(wǎng)絡(luò)，由該神經(jīng)網(wǎng)絡(luò)的定位算法對數(shù)據(jù)進(jìn)行定位。開展實驗驗證，通過九龍礦試驗驗證該系統(tǒng)的定位效果，比較該定位方法與其他定位方法的不同，判斷其能否滿足煤礦井下工作人員的定位要求。

1 井下人員無線定位系統(tǒng)設(shè)計

選擇定位試驗場所為河北九龍礦，該煤礦已經(jīng)開展智能化和機械化改造，部分煤礦已進(jìn)行網(wǎng)絡(luò)一體化改造，井下人員定位系統(tǒng)能夠搭建在網(wǎng)絡(luò)中，如圖1所示。

圖1 井下人員定位系統(tǒng)

由圖1可知，井下人員定位系統(tǒng)按照分布不同可以分為井下部分和地面部分。地面部分包括數(shù)據(jù)安全中心和地面環(huán)網(wǎng)交換機，其中，地面環(huán)網(wǎng)交換機包括人員定位機、數(shù)據(jù)服務(wù)器、WEB服務(wù)器。井下部分主要是礦用環(huán)網(wǎng)接入器和各種信息讀取以及存儲器，井下部分需要完成人員定位的關(guān)鍵步驟，記錄設(shè)備MAC地址、IP地址和物理坐標(biāo)位置。

2 混沌—粒子群對Elman神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計

2.1 混沌粒子群算法

粒子群算法是采用混沌序列的算法，在空間中搜索粒子的位置和速度。在每一輪的迭代中，粒子飛行在空間，尋找最優(yōu)解，粒子更新位置和速度為：

vk+1=w·vk+c1·r1(pk-vk)+c2·r2(gk-vk)

(1)

xk+1=vk+xk

(2)

式中：vk所在的位置為求得的個體最優(yōu)解處，xk是全部數(shù)據(jù)最優(yōu)解所在地方，r1和r2代表隨機常數(shù)，c1和c2代表加速常數(shù)。

混沌粒子群算法主要可分2個步驟，第一步是將粒子群帶到混沌空間中，調(diào)整變異算子，提高多樣性，防止陷入局部最優(yōu)解。采用特殊的變異算子GC，這種算子含有柯西變異和高斯變異，柯西變異公式為：

xi+1=xi+δi

(3)

式中：xi代表的是變異前粒子位置，δi代表的是第i個粒子的隨機變量，i是0～1。

變異算子的另一種變異公式，即高斯變異公式為:

xi+1=xi+Ni(0,1)

(4)

式中:xi代表高斯便器前粒子位置，Ni(0,1)代表第i個粒子的高斯變量。

在局部搜索中，高斯變異的搜索效果更好，在大范圍的搜索尋優(yōu)中，柯西變異的搜索效果更好，柯西變異適用于全局搜索。在迭代循環(huán)中，更新局部和個體的最優(yōu)解，避免粒子過早成為最優(yōu)解。在迭代后期，粒子群的整體搜索能力需要進(jìn)行迭代調(diào)整，調(diào)整方法為動態(tài)慣性權(quán)重法。慣性權(quán)重算法在搜索中逐漸遞減，為了減少遞減造成的尋優(yōu)誤差，引入動態(tài)自適應(yīng)動態(tài)慣性權(quán)重系數(shù)，權(quán)重系數(shù)計算公式為:

(5)

式中:wt代表權(quán)重系數(shù)，wmin代表權(quán)重因子最小值，wmax代表權(quán)重因子最大值，t代表尋優(yōu)時迭代次數(shù)，T代表迭代最大次數(shù)。

慣性權(quán)重系數(shù)與尋優(yōu)過程中的迭代次數(shù)有關(guān)，當(dāng)?shù)螖?shù)多時，慣性權(quán)重系數(shù)小，當(dāng)?shù)螖?shù)少時，慣性權(quán)重系數(shù)大，粒子接近最優(yōu)的區(qū)域。當(dāng)慣性權(quán)重小時，粒子群尋優(yōu)后接近目標(biāo)，方程收斂。

粒子群改進(jìn)算法能夠在短時間內(nèi)找到最優(yōu)解，進(jìn)行的粒子群算法可以短時間內(nèi)收斂到最優(yōu)目標(biāo)。對粒子群算法進(jìn)行改進(jìn)，改進(jìn)后確定算法流程。

2.2 粒子群算法尋優(yōu)步驟

開展礦井人員定位，需要優(yōu)化神經(jīng)網(wǎng)絡(luò)才能完成算法的尋優(yōu)，對井下人員定位尋優(yōu)的步驟如下：

1)在Elman神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，進(jìn)行慣性權(quán)值、反饋因子的初始化，設(shè)置收斂精度ε，粒子群中粒子個數(shù)為q，粒子的速度和坐標(biāo)位置為(Vi,Yi)，尋優(yōu)迭代次數(shù)t，迭代次數(shù)最大值tmax。

2)將Elman神經(jīng)網(wǎng)絡(luò)映射到d維空間中，尋找全部初始的最優(yōu)部分，同時自反饋因子α、權(quán)重系數(shù)wt也進(jìn)行映射。

3)搜尋過程是一個向量產(chǎn)生在q維向量中，且在(0，1)之間進(jìn)行，Zi=[zi1,zi2,…,ziq]，i是1到q的整數(shù)，混沌序列的公式為:

zi+1=μzi(1-zi)

(6)

式中:μ代表控制參數(shù)變量，μ的數(shù)值大小決定映射的狀態(tài)。

粒子通過目標(biāo)函數(shù)尋找最優(yōu)的適應(yīng)值，找到后即可完成初始位置定位，定義目標(biāo)函數(shù)的函數(shù)方程為:

(7)

式中:n代表樣本數(shù)量，O(i)代表輸出向量，O′(i)代表期望向量。

不同的參數(shù)對神經(jīng)網(wǎng)絡(luò)影響較大，需要進(jìn)行進(jìn)一步地優(yōu)化求解，進(jìn)行確定得到初始位置對應(yīng)的分量，則

yid=ymin+zij(ymax-ymin)

(8)

4)用公式(7)求得粒子的自適應(yīng)值，與個體進(jìn)行對比，取全部最優(yōu)的最優(yōu)解Gbest。以此作為判斷收斂的依據(jù)，如果滿足收斂，則進(jìn)行位置尋優(yōu)。

5) 根據(jù)粒子變化速度，限制粒子尋優(yōu)速度，防止過快找到最優(yōu)而停止計算迭代。

6) 根據(jù)公式(6)求得混沌序列，并生成公式：

(9)

在迭代尋優(yōu)中，Z″存在一定的擾動范圍[-τ,τ]，擾動量為：

(10)

8)判斷粒子群迭代次數(shù)，根據(jù)t=t+1，若t>tmax，則開始下一步粒子尋優(yōu)，若不符合條件，則重新回到步驟4開始。

9)粒子群尋優(yōu)算法結(jié)束，把輸出的最優(yōu)解映射到Elman神經(jīng)網(wǎng)絡(luò)，開始對礦井人員定位。

3 井下人員無線定位方法流程

煤礦井下人員無線定位系統(tǒng)工作原理簡單，第一步是建立定位方法，第二步是實施定位。其中，建立定位方法是實施定位的前提階段，詳細(xì)的流程步驟如圖2所示。

圖2 無線定位系統(tǒng)流程

1) 建立定位方法階段。該階段的重要步驟是選取樣本點，在巷道中選擇s個樣本點，對這些樣本點進(jìn)行測量和標(biāo)記，把測量所得的數(shù)據(jù)輸入數(shù)據(jù)采集系統(tǒng)。然后采集樣本點的指紋數(shù)據(jù)(包括IP地址、MAC地址、RSSI信號強度)，設(shè)置相同時間間隔的采集，一個樣本點采集時間為30 s，分10 次采集完成，把采集的數(shù)據(jù)傳輸?shù)綉?yīng)用服務(wù)器。應(yīng)用服務(wù)器對采集的信息進(jìn)行處理計算，求得樣本點的RSSI平均值，并對這些平均值進(jìn)行組合。組合所得結(jié)果存入指紋庫，計算指紋庫的平均值，把平均值指紋庫隨機分成2部分，這2部分是定位的關(guān)鍵，2部分是測試指紋數(shù)據(jù)庫與訓(xùn)練指紋庫。對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化利用的就是訓(xùn)練指紋數(shù)據(jù)庫，利用CPSO算法開展Elman神經(jīng)網(wǎng)絡(luò)的尋優(yōu)，將最優(yōu)的結(jié)果輸出，實現(xiàn)井下人員定位。最優(yōu)解再次代入神經(jīng)網(wǎng)絡(luò)中，進(jìn)行訓(xùn)練和測試，建立井下人員定位模型。

{x,y,r1,r2,…,rm,MAC地址，IP地址}

(11)

式中：(x，y)為樣本點在礦井中的實際位置坐標(biāo)，rm代表的是煤礦井下采樣本點RSSI平均值。RSSI 值是一個存在瞬時變化較大的數(shù)值，需要多次采集求得平均值，以降低采集結(jié)果的誤差，提高對井下人員定位的精確度。

2) 實施定位階段。工作人員需要先把無線定位終端帶到井下巷道，開始選擇定位點，定位點的選擇是隨機的，之后開啟無線定位終端。無線定位終端把采集到的指紋信息數(shù)據(jù)傳輸至應(yīng)用服務(wù)器。應(yīng)用服務(wù)器對其進(jìn)行處理，計算出RSSI平均值。然后在Elman神經(jīng)網(wǎng)絡(luò)定位算法模型中代入定位點的信息數(shù)據(jù)，計算煤礦井下定位點坐標(biāo)。最后將RSSI平均值的組合導(dǎo)進(jìn)定位指紋數(shù)據(jù)庫，井下人員定位系統(tǒng)結(jié)束定位。

4 九龍礦實例驗證分析

4.1 試驗條件

選擇九龍礦進(jìn)行現(xiàn)場試驗，試驗環(huán)境包含運輸巷、回風(fēng)巷等組成的礦井環(huán)路。在確保試驗安全的情況下進(jìn)行本次試驗，試驗環(huán)境如圖3所示。

圖3 試驗場地平面圖

試驗過程中，由于煤礦井下巷道較多，無法均勻布置無線接入點，解決這一困境的方法是通過網(wǎng)絡(luò)覆蓋算法展開接入點的優(yōu)化。試驗現(xiàn)場布置16個無線接入點，優(yōu)化后接入點與接入點之間距離在30～80 m范圍內(nèi)，在實驗場地共部署16個無線接入點。

本次試驗的系統(tǒng)軟件編寫程序采用Python，應(yīng)用服務(wù)器的CPU為Xeon E5-2 660，內(nèi)存為64 G，數(shù)據(jù)庫采用SQLo。試驗工作人員從指紋庫選擇300個樣本點，訓(xùn)練指紋數(shù)據(jù)庫由余下的1 464個樣本點組成，樣本信息在采集的過程中盡可能保證均勻。

考慮煤礦井下環(huán)境和人員定位系統(tǒng)實現(xiàn)精確定位的條件，結(jié)合樣本輸出和輸入屬性，設(shè)置優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，如表1所示。

表1 優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)參數(shù)

對定位系統(tǒng)中的Elman神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行參數(shù)優(yōu)化，結(jié)合測試指紋數(shù)據(jù)庫信息和訓(xùn)練指紋數(shù)據(jù)庫信息，能夠建立井下人員定位系統(tǒng)算法模型。

當(dāng)試驗人員進(jìn)行試驗時，將無線定位終端固定身上，間隔相同的時間，采集數(shù)據(jù)一次，設(shè)置采集時間間隔5 s，工作人員以速度2 m/s進(jìn)行樣本點的數(shù)據(jù)采集。每一個采集周期的采集數(shù)據(jù)組數(shù)為80～100組，測試完之后回到起始點重新進(jìn)行下一輪測試。由于數(shù)據(jù)測量過程中存在誤差，因此，需要進(jìn)行多次重復(fù)測量以減少誤差，試驗重復(fù)5次，取平均值作為指紋數(shù)據(jù)庫的結(jié)果值。

4.2 定位性能分析

4.2.1 對比最小二乘法定位性能

檢測Elman神經(jīng)網(wǎng)絡(luò)人員定位系統(tǒng)的定位性能，將其對比不同定位系統(tǒng)的定位性能。選擇最小二乘法與本次試驗的定位算法進(jìn)行對比。

文獻(xiàn)[4]中采用最小距離算法進(jìn)行定位，然后加權(quán)最小二乘法，文中把試驗場地進(jìn)行若干分段，對不同的區(qū)段分別采用加權(quán)，提高定位精度。

做458組定位數(shù)據(jù)，計算加權(quán)值，計算方法為最小二乘法定位計算。采用兩種不同的計算方法進(jìn)行定位，將458 組定位指紋數(shù)據(jù)分開調(diào)用，調(diào)用次數(shù)為100次，定位所得的結(jié)果如圖4所示。

圖4 不同定位算法定位誤差圖

由圖4可知，Elman神經(jīng)網(wǎng)絡(luò)算法定位所得結(jié)果誤差較小，而分段加權(quán)最小二乘法所得結(jié)果誤差較大。根據(jù)試驗結(jié)果，將Elman神經(jīng)網(wǎng)絡(luò)算法和最小二乘法所得結(jié)果的誤差進(jìn)行對比，如表2所示。其中，縱坐標(biāo)誤差累計分布反映了不同定位誤差的集中程度，該誤差累計曲線變化越緩慢，說明在該定位誤差處的樣本數(shù)據(jù)越少，反之，樣本數(shù)據(jù)在該定位誤差累計越多。Elman算法誤差曲線在2.63 m之后的曲線變化速率很小，說明該處是樣本數(shù)據(jù)最大累計誤差。

表2 不同算法定位誤差對比

由表2可知，不同的定位算法所得出的定位誤差大小不同，分段加權(quán)最小二乘法最大誤差3.76，而Elman 神經(jīng)網(wǎng)絡(luò)算法最大誤差2.63。對兩者的平均誤差進(jìn)行比較，發(fā)現(xiàn)EIman神經(jīng)網(wǎng)絡(luò)算法平均誤差比最小二乘法所得的定位誤差小，前者平均僅為1.35 m，能夠滿足井下復(fù)雜環(huán)境時作業(yè)人員的定位需要，符合智能型煤礦要求。

4.2.2 4種神經(jīng)網(wǎng)絡(luò)算法定位性能對比

檢測Elman神經(jīng)網(wǎng)絡(luò)人員定位系統(tǒng)的定位性能，再次將其對比不同定位系統(tǒng)定位性能。選擇另外3種不同算法進(jìn)行定位對比，其他3種不同的算法分別是PSO-BP神經(jīng)網(wǎng)絡(luò)算法、BP神經(jīng)網(wǎng)絡(luò)算法、傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)算法。

參照表1網(wǎng)絡(luò)參數(shù)，設(shè)置Elman神經(jīng)網(wǎng)絡(luò)各個參數(shù)，PSO-BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元個數(shù)分別為：輸入層16個， 輸出層2個，隱含層34個。BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置與PSO-BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置一致。利用前面試驗得到的測試數(shù)據(jù)庫與訓(xùn)練數(shù)據(jù)庫，將458 組定位指紋數(shù)據(jù)分開調(diào)用，調(diào)用次數(shù)為100次。最終所得的定位結(jié)果如圖5所示。

圖5 不同算法定位誤差分布

由圖5可知，不同算法在進(jìn)行人員定位時，所表現(xiàn)的誤差不同，且呈現(xiàn)出較大差異。其中，本文Elman神經(jīng)網(wǎng)絡(luò)算法定位精度最高，傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)算法比BP神經(jīng)網(wǎng)絡(luò)算法精度略高，BP神經(jīng)網(wǎng)絡(luò)算法精度最低。依據(jù)以上試驗結(jié)果，對不同定位算法的誤差進(jìn)行對比，如表3所示。

表3 不同定位算法誤差對比

由表3可知，不同算法的誤差有著較大區(qū)別。BP神經(jīng)網(wǎng)絡(luò)最大誤差3.76，而Elman神經(jīng)網(wǎng)絡(luò)算法最大誤差2.63，與其他4種算法的平均誤差相比，本文Elman神經(jīng)網(wǎng)絡(luò)算法誤差小，僅為1.35 m，定位精度較高，優(yōu)化結(jié)果較好，能夠滿足井下作業(yè)人員的定位需要，符合智能化煤礦要求。

4.2.3 檢測多人實時定位性能

檢測Elman神經(jīng)網(wǎng)絡(luò)人員定位系統(tǒng)的定位性能，再次將其應(yīng)用到多人定位條件下，檢驗其定位性能。邀請12名自愿參與試驗的志愿者開展定位測試，每個人配備無線定位終端，實時測試系統(tǒng)如圖6所示。

圖6 井下人員位置監(jiān)測系統(tǒng)

參與試驗的志愿者在巷道內(nèi)走動，在每隔5s的時間內(nèi)，定位點采集數(shù)據(jù)，為保證數(shù)據(jù)采集的精度和準(zhǔn)確性，采集次數(shù)重復(fù)500次，再經(jīng)Elman神經(jīng)網(wǎng)絡(luò)算法對12名參與試驗的人員進(jìn)行定位，計算出每個人員的定位誤差，得到誤差數(shù)據(jù)如表4所示。

表4 礦井人員實時定位誤差

由表4可知，不同試驗人員進(jìn)行定位后，所得的最大誤差與平均誤差大小不同。最大誤差為10號，誤差值為3.03 m;最大平均誤差為5號，誤差值為1.43 m。整體誤差與表3的結(jié)果相差不大，在平均誤差上基本接近。因此本文選擇的Elman 神經(jīng)網(wǎng)絡(luò)算法能夠在礦井中實現(xiàn)多人實時定位，定位精度較高，誤差僅僅為1.35 m。且Elman 神經(jīng)網(wǎng)絡(luò)算法魯棒性更好，能夠適應(yīng)煤礦井下復(fù)雜的工作環(huán)境，可以進(jìn)行井下人員定位。

5 結(jié)論

針對煤礦井下環(huán)境復(fù)雜，工作人員定位精度低，提出一種井下人員定位系統(tǒng)，該系統(tǒng)基于Elman 神經(jīng)網(wǎng)絡(luò)對井下人員進(jìn)行定位。

Elman神經(jīng)網(wǎng)絡(luò)具有記憶功能，能夠處理所需要的信息，減少了礦井環(huán)境對系統(tǒng)定位精度的影響。試驗表明，該系統(tǒng)在人員定位方面的精度較BP神經(jīng)網(wǎng)絡(luò)算法高，能夠滿足井下人員定位要求。