鄭 曉，汪 豪，梁偉昕，鄭武略

（中國南方電網(wǎng)有限責任公司超高壓輸電公司廣州局，廣東廣州 510700）

隨著計算機、無線傳感設備、智能數(shù)據(jù)處理等技術的發(fā)展與5G的推廣應用，越來越多的行業(yè)開始向數(shù)據(jù)化轉型。利用數(shù)字化技術（Digitization Technology）進行行業(yè)賦能，有利于提升傳統(tǒng)行業(yè)的生產效率及加強人工成本控制[1-5]。該文針對施工過程中干字塔的受力狀態(tài)、工況姿態(tài)等難以監(jiān)控的問題進行了研究。

在傳統(tǒng)場景下，干字塔狀態(tài)受控于作業(yè)工人的經(jīng)驗，受力情況無法進行數(shù)據(jù)化描述，故不符合現(xiàn)階段的安全生產管理要求。而在極端狀態(tài)下，還存在工人違規(guī)施工、超重吊裝及控制繩設置不規(guī)范等安全隱患。嚴重的甚至可能還會導致吊裝系統(tǒng)超負荷，從而出現(xiàn)拉線斷裂、桿或塔折斷等事故。為解決目前工地上干字塔受力不便于監(jiān)控的問題，可以將張力、傾角等不同測量部分進行模塊化設計。同時通過大規(guī)模無線傳感網(wǎng)絡（Wireless Sensor Networks，WSN）完成信號的采集與傳輸，并對干字塔拉線狀態(tài)進行數(shù)字化描述。然后再基于采集的數(shù)據(jù)，利用智能化算法進行報警預測。最終，實現(xiàn)施工過程的全局精準化控制。

文中針對桿塔拉線的狀態(tài)監(jiān)測設計了一套軟硬件系統(tǒng)。該系統(tǒng)通過多種傳感器進行測力，然后基于無線網(wǎng)絡將數(shù)據(jù)傳送至監(jiān)控系統(tǒng)，最終由監(jiān)控系統(tǒng)中的數(shù)據(jù)識別算法模塊實現(xiàn)拉線狀態(tài)的評估判斷，進而實現(xiàn)施工全過程的數(shù)字化、遠程化監(jiān)控。此次對系統(tǒng)的實現(xiàn)思路和異常數(shù)據(jù)識別的方法進行了詳盡地闡述，同時還基于系統(tǒng)的實測數(shù)據(jù)，對數(shù)據(jù)識別精度進行了仿真分析。

1 理論設計

1.1 系統(tǒng)架構

測力監(jiān)控系統(tǒng)由十二套拉線張力測試機、一套兩軸抱桿傾角傳感器以及數(shù)據(jù)接收器、聲光報警器等附件組成。其中，傾角傳感器采用角鋼外固板與內固板，通過螺釘緊固于橫材上；而拉線張力測試機則連接于拉線繩上，若連接可靠，二者就能進行測量操作。

測力傳感器[6]和傾角分別實現(xiàn)鐵塔組立過程中的力值及傾斜角度檢測，并根據(jù)設置的報警數(shù)據(jù)發(fā)出提示，且通過無線通信與數(shù)據(jù)接收器完成數(shù)據(jù)傳輸。數(shù)據(jù)接收顯示器可讀取、顯示各傳感器的測量數(shù)據(jù)及報警狀態(tài)，再將測量數(shù)據(jù)發(fā)送至聲光報警器完成聲光報警。測力監(jiān)控系統(tǒng)的構成，如圖1 所示。

圖1 測力監(jiān)控系統(tǒng)基本結構

系統(tǒng)基于藍牙及ZigBee 協(xié)議[7]實現(xiàn)采集信號的無線傳輸，藍牙的傳輸距離最遠可達50 m，而ZigBee協(xié)議的最遠傳輸距離則為450 m?；跓o線數(shù)字信號傳輸方式，可以消除長電纜傳輸造成的布線繁瑣與噪聲干擾。后期無線傳感器節(jié)點能夠組成龐大的無線網(wǎng)絡，支持上千個測點同時進行傾角監(jiān)測。此外，該系統(tǒng)還配套專業(yè)的電腦軟件，可進行實時的數(shù)據(jù)測量及記錄。

1.2 WSN網(wǎng)絡的數(shù)據(jù)異常識別算法

在圖1 的系統(tǒng)內，數(shù)據(jù)接收器中可以采集大量的拉線數(shù)據(jù)。基于這些數(shù)據(jù)，引入智能數(shù)據(jù)處理算法就可以實現(xiàn)拉線狀態(tài)的動態(tài)監(jiān)測。而當前神經(jīng)網(wǎng)絡(Back Propagation,BP)是流行的機器學習算法，其網(wǎng)絡結構如圖2 所示。

圖2 BP神經(jīng)網(wǎng)絡基本結構

該網(wǎng)絡[8-12]主要包含信號的正向傳播與誤差的反向傳播兩個過程。記網(wǎng)絡的層數(shù)為L，xi為神經(jīng)網(wǎng)絡的輸入單元，yj為輸出層的神經(jīng)單元，hi為隱藏層神經(jīng)單元，則網(wǎng)絡的正向傳播方程為：

式中，σ是當前層次神經(jīng)元所使用的激活函數(shù)，是第l層第j個神經(jīng)元的輸出值，w為神經(jīng)元間的傳播權重，b為神經(jīng)元的傳遞截距。在進行網(wǎng)絡的初始化時，將輸入層的值賦值給，則對于第1 層的全部神經(jīng)元，有：

記C為神經(jīng)網(wǎng)絡使用的代價函數(shù)，基于網(wǎng)絡的輸出aL，可求得：

在BP 神經(jīng)網(wǎng)絡中通過誤差的反向傳播不斷調整w和b，進而使網(wǎng)絡的輸出值逐漸接近理想輸出?；阪準角髮Х▌t(Chain Rule)和梯度下降法(Gradient Descent)，能夠得到參數(shù)的更新方程為：

其中，:=為更新賦值符號，α是網(wǎng)絡的學習率。傳統(tǒng)的BP 神經(jīng)網(wǎng)絡雖可實現(xiàn)數(shù)據(jù)的分類，但上文中WSN 網(wǎng)絡采集的數(shù)據(jù)規(guī)模龐大且信息豐富，即使神經(jīng)網(wǎng)絡具有較強的擬合泛化性能，仍無法滿足該場景對于算法訓練效率、監(jiān)控實時性的需求。針對WSN 網(wǎng)絡[13-16]的數(shù)據(jù)特點，此次對傳統(tǒng)BP 網(wǎng)絡進行了改進，以滿足實際的應用場景。

針對WSN 采集器的采集異?；驍?shù)據(jù)缺失等問題，文中根據(jù)傳感器數(shù)據(jù)的時間相關性，并基于馬爾可夫鏈(Markov Chain，MC)的假設，引入狀態(tài)轉移概率進行數(shù)據(jù)校準：

式中，si為序列x在t-1 時刻的狀態(tài)；pij為si在t時刻出現(xiàn)sj狀態(tài)的概率，N則是該狀態(tài)出現(xiàn)的總次數(shù)。

此外，在網(wǎng)絡訓練時還引入了一種基于置信區(qū)間思想的殘差判定模型。該模型可有效剔除由于WSN 網(wǎng)絡波動導致的異常數(shù)據(jù)。定義殘差M的計算表達式為：

式中，v是選取的樣本數(shù)量，Ei為實際的樣本值，F(xiàn)為選取樣本的數(shù)學期望。此時可得到置信區(qū)間的上下界，分別如下：

式中，S為狀態(tài)集，tα/2,v-1為t分布(t-distribution)，Xˉ為迭代過程中網(wǎng)絡的輸出值，k是[0,1]之間的一個常數(shù)。

2 方法實現(xiàn)

2.1 系統(tǒng)實現(xiàn)

基于圖1 系統(tǒng)結構和上文的技術方案，完成了系統(tǒng)的軟硬件構建。表1 給出了系統(tǒng)實現(xiàn)中，無線傳感網(wǎng)絡所使用的傳感器類型及其技術參數(shù)，表2則為整個系統(tǒng)的相關技術參數(shù)。

表1 系統(tǒng)使用的傳感器及其參數(shù)

表2 拉線狀態(tài)監(jiān)測系統(tǒng)技術參數(shù)

2.2 異常識別算法驗證

2.2.1 識別算法仿真實驗設計

接下來，對寫入的異常數(shù)據(jù)識別算法的性能加以驗證。系統(tǒng)中，11 個傳感器節(jié)點的采集數(shù)據(jù)可通過服務器端的MySQL 數(shù)據(jù)庫導出。從中篩選出如表3 所示的數(shù)據(jù)集，進行算法的訓練與性能測試。

表3 數(shù)據(jù)集參數(shù)

根據(jù)上文所述的模型理論，設計相關模型參數(shù)如表4 所示。

表4 模型參數(shù)

為了避免網(wǎng)絡在訓練過程中陷入局部最優(yōu)解，還引入了一種動態(tài)的學習率調整機制。該機制的主要思路：在網(wǎng)絡訓練的初期，降低網(wǎng)絡的目標訓練誤差，提升學習率及訓練效率；而在網(wǎng)絡訓練的后期，隨著網(wǎng)絡的逐漸收斂，提升網(wǎng)絡的目標訓練誤差，且降低其學習率，以保證網(wǎng)絡的擬合精度。具體的調整策略，如表5 所示。

表5 學習率調整策略

在評估算法性能時，使用檢測率(True Positive Rate，TPR)和誤報率(False Positive Rate，F(xiàn)PR)兩個指標，計算公式如下：

其中，mTP、mFP、mTN、mFN分別為識別結果中真正例、假正例、真反例及假反例的個數(shù)。

2.2.2 識別算法仿真實驗結果

為驗證所提算法對拉線異常狀態(tài)的識別效率，文中引入了傳統(tǒng)的BP 神經(jīng)網(wǎng)絡進行對比。首先在驗證算法的訓練速度時，將表3 的數(shù)據(jù)集按照表6 進行劃分。

表6 樣本劃分

圖3 給出了所提算法與傳統(tǒng)BP 網(wǎng)絡在不同樣本上的訓練時間。從整體來看，每個樣本集中所提算法的訓練時間均優(yōu)于傳統(tǒng)BP 算法。且測量得到該文算法的平均訓練時長為12.32 s，較傳統(tǒng)的BP 神經(jīng)網(wǎng)絡降低了27.53%。

圖3 不同樣本上的算法訓練時間

兩種算法在迭代過程中，網(wǎng)絡的訓練誤差與迭代步數(shù)變化情況如圖4 所示。同時，各算法在迭代過程中均采用表5 所述的學習率調整策略。由表可知，所提算法在91 次便達到了目標誤差，而傳統(tǒng)BP網(wǎng)絡則在124 次時才達到，故所提算法較傳統(tǒng)算法迭代次數(shù)下降了26.61%。

圖4 算法的訓練誤差隨迭代步數(shù)的變化

表7-8 分別給出了傳統(tǒng)BP 網(wǎng)絡與所提算法在測試集上的指標計算結果。根據(jù)表6 的樣本劃分，選用每個樣本集的30%作為測試集。

對比表7-8 的結果可以看出，兩種算法的模型指標均會隨著訓練測試樣本規(guī)模的增加而改善。從算法的平均TPR 及FPR 指標可知，所提算法較傳統(tǒng)BP 網(wǎng)絡均有明顯改善。其中TPR 從傳統(tǒng)的96.25%提升至99.05%，增長了2.8%，F(xiàn)PR 則從傳統(tǒng)的4.43%下降至2.45%，降低了1.98%。

表7 傳統(tǒng)BP算法的模型指標

綜上所述，在算法的訓練速度及模型指標兩個方面，所提算法的性能均顯著優(yōu)于傳統(tǒng)BP 網(wǎng)絡。

表8 所提算法的模型指標

3 結束語

該文基于大規(guī)模無線傳感網(wǎng)絡設計了一套拉線動態(tài)監(jiān)測系統(tǒng)。該系統(tǒng)實現(xiàn)后，能在每個數(shù)據(jù)接收器上對監(jiān)控點進行數(shù)據(jù)顯示，其數(shù)顯界面直觀明了，報警值設置操作簡單便捷。因此，該系統(tǒng)可以有效實現(xiàn)電力工程施工安全的可控、能控及在控，進而提高了安全性與作業(yè)效率。