程義江，劉浪，葉長紅，周德超，高鈺敏，韓信

(1.貴州烏江水電開發(fā)有限責(zé)任公司烏江渡發(fā)電廠，貴州 遵義 563104；2.微特技術(shù)有限公司,湖北 宜昌 443000)

1 引言

橋機(jī)廣泛應(yīng)用于工礦企業(yè)、車站、港口、水電廠等，一般由訓(xùn)練有素的熟練人員手動操作，進(jìn)行啟動、停止、來回移動、升降等操作。橋機(jī)的吊鉤在運行時由于慣性、風(fēng)阻、摩擦等原因，往往會出現(xiàn)擺動，這給技術(shù)熟練的人員帶來了很大的困難，因為必須在準(zhǔn)確停機(jī)的同時防止吊鉤擺動，否則會出現(xiàn)各種安全問題，也會降低橋機(jī)的工作效率。因此，實現(xiàn)吊鉤的防擺控制和車體的精確定位，實現(xiàn)高效、安全、自動的工作是橋式起重機(jī)的關(guān)鍵任務(wù)之一。

烏江渡發(fā)電廠是貴州首座百萬千瓦級水電廠，烏江渡發(fā)電廠為了滿足無人/少人的要求，在技術(shù)上盡可能實現(xiàn)設(shè)備智能化，本文依托的烏江渡發(fā)電廠地下室內(nèi)廠房如圖1 所示。

圖1 廠房示意圖

由圖1 可知，烏江渡發(fā)電廠廠房內(nèi)的發(fā)電機(jī)組會產(chǎn)生極強(qiáng)的電磁干擾，廠房內(nèi)狹小空間中橋機(jī)大、小車、吊鉤的移動極易與廠房內(nèi)部設(shè)備發(fā)生碰撞。同時該廠房為地下型廠房，廠房內(nèi)部濕度較大，橋機(jī)整體設(shè)計落后，控制系統(tǒng)長期處在潮濕環(huán)境中，損壞率較高。克服上述問題，實現(xiàn)大型橋機(jī)在廠房內(nèi)部的精準(zhǔn)定位是亟需解決的關(guān)鍵問題。

在廠房橋機(jī)定位任務(wù)中，采用超寬帶(Ultra-Wideband，UWB)技術(shù)的優(yōu)勢主要包括以下3 個方面：（1）系統(tǒng)結(jié)構(gòu)實現(xiàn)較為簡單。UWB 技術(shù)通過發(fā)送納秒脈沖的非正弦波來傳輸數(shù)據(jù)信號，發(fā)射機(jī)直接采用脈沖小激勵天線，不使用傳統(tǒng)收發(fā)機(jī)所需要的上變頻，因此不需要功能放大器和混頻器，而且無需中頻處理，因此實現(xiàn)超寬帶系統(tǒng)的結(jié)構(gòu)相對簡單。（2）定位精確度較高。超寬帶技術(shù)具有極強(qiáng)的穿透性，可以在廠房內(nèi)和地下進(jìn)行精確定位。（3）安全系數(shù)較高。UWB 作為通信系統(tǒng)的物理層技術(shù)，具有天然的安全性能。

據(jù)此，本文主要以烏江渡發(fā)電廠廠房為例對其進(jìn)行橋機(jī)定位研究，設(shè)計了一種基于卷機(jī)神經(jīng)網(wǎng)絡(luò)的坐標(biāo)定位方法，利用卷機(jī)神經(jīng)網(wǎng)絡(luò)提取坐標(biāo)特征，采用雙向飛行時間法測量了不同基站之間的距離，針對每個基站的坐標(biāo)信息建立坐標(biāo)數(shù)據(jù)庫，然后對坐標(biāo)數(shù)據(jù)庫中的信息進(jìn)行預(yù)處理，并利用卷機(jī)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)坐標(biāo)數(shù)據(jù)庫中的數(shù)據(jù)特征。最后，利用該模型實現(xiàn)烏江渡發(fā)電廠廠房橋機(jī)的定位，實驗表明，相比于傳統(tǒng)的室內(nèi)橋機(jī)定算法，本文算法具有較高的定位精度以及魯棒性，從而有效地避免了烏江渡發(fā)電廠廠房內(nèi)極強(qiáng)的電磁干擾，保證了在廠房內(nèi)狹小空間中精確定位的有效性。

2 超寬帶定位算法設(shè)計

2.1 卷積神經(jīng)網(wǎng)絡(luò)的坐標(biāo)定位

卷積神經(jīng)網(wǎng)絡(luò)作為一種極為有效的模型被廣泛應(yīng)用于工業(yè)、醫(yī)療、環(huán)境等多個領(lǐng)域，尤其是在圖像識別與圖像分類任務(wù)中取得了良好的效果。因此，針對NLOS 環(huán)境，本文充分發(fā)揮了卷積神經(jīng)網(wǎng)絡(luò)在特征提取方面的優(yōu)勢，設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)的坐標(biāo)定位算法，如圖2 所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)模型圖

本文所提算法中的卷積神經(jīng)網(wǎng)絡(luò)是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)模型通過采用梯度下降法最小化損失函數(shù)，對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。當(dāng)處理圖像分類任務(wù)時，我們會把CNN 輸出的特征空間作為全連接層的輸入，用全連接層來完成從輸入到標(biāo)簽集的映射。當(dāng)然，整個過程最重要的工作就是如何通過訓(xùn)練數(shù)據(jù)迭代調(diào)整網(wǎng)絡(luò)權(quán)重。

2.2 TW-TOF 測距算法

測距采用雙向飛行時間法（two way-time of flight，TW-TOF），檢測兩點之間的無線電飛行時間，即雙向飛行時間，如圖3 所示。

圖3 雙邊雙向測距示意圖

雙邊雙向測距，設(shè)備A（Device A）主動發(fā)送（TX）數(shù)據(jù)，同時記錄發(fā)送時間戳，設(shè)備B（Device B）接收（RX）到之后記錄接收時間戳。設(shè)備A 主動發(fā)起第一次測距消息，設(shè)備B 響應(yīng)，當(dāng)設(shè)備A 收到數(shù)據(jù)之后，再返回數(shù)據(jù)，可以得到如下4 個時間差Tround1、Tround2、Treply1、Treply2。最終得到無線信號的飛行時間Tprop，見公式1。

公式1 為測距的機(jī)制是非對稱的測距方法情況，對于響應(yīng)時間不要求相同。在實際情況中設(shè)備發(fā)送、接收數(shù)據(jù)需要時間，假設(shè)設(shè)備A 和設(shè)備B 的時鐘偏移量分別為ea和eb，則飛行時間測量為公式2 所示。

雙邊雙向測距飛行時間的誤差為公式3 所示。

由于ea＜＜1 和eb＜＜1。飛行時間的誤差化簡，如公式4 所示。

3 UWB 定位實驗

3.1 收集數(shù)據(jù)集

在實驗場里每相同距離選取一個采樣點。然后數(shù)據(jù)采集人員站在采樣點上進(jìn)行數(shù)據(jù)集采集。采用雙向飛行時間法（TW-TOF）采集采樣點到4 個不同定位基站節(jié)點之間的距離，采集到的連續(xù)時間序列作為該采樣點的坐標(biāo)信息。然后分別采集區(qū)域內(nèi)每個采樣點的坐標(biāo)信息，建立該區(qū)域的坐標(biāo)數(shù)據(jù)庫。在每個待測點上收集定位標(biāo)簽與基站之間的距離數(shù)據(jù)，將距離數(shù)據(jù)作為坐標(biāo)信息存入坐標(biāo)數(shù)據(jù)庫中。如圖4 所示。

圖4 現(xiàn)場實驗選取樣本點示意圖

3.2 建立坐標(biāo)數(shù)據(jù)庫

本文建立坐標(biāo)數(shù)據(jù)庫，布置多個超寬帶基站和標(biāo)簽，收集每個待測點的標(biāo)簽與各個基站之間的距離作為坐標(biāo)信息，并將數(shù)據(jù)存入坐標(biāo)數(shù)據(jù)庫。在場地內(nèi)每相隔相等的距離取測試點直至測試點布滿整個場地。在每個測試點取連續(xù)的多個時刻的標(biāo)簽和4 個基站間的距離，構(gòu)成一個數(shù)組，作為該點坐標(biāo)特征。

訓(xùn)練坐標(biāo)數(shù)據(jù)庫時，卷積神經(jīng)網(wǎng)絡(luò)輸入的坐標(biāo)特征需先進(jìn)行標(biāo)準(zhǔn)差歸一化處理，輸出的位置信息需要經(jīng)過編號處理并記錄編號方式，如圖5 所示為部分輸入數(shù)據(jù)示例圖。相應(yīng)的實測信號定位中的待測數(shù)據(jù)也需要進(jìn)行標(biāo)準(zhǔn)差歸一化處理，且采用的均值和標(biāo)準(zhǔn)差應(yīng)參考訓(xùn)練輸入時的數(shù)值。

圖5 部分輸入數(shù)據(jù)示例圖

3.3 訓(xùn)練坐標(biāo)數(shù)據(jù)

將坐標(biāo)定位數(shù)據(jù)庫中的信息隨機(jī)打亂，分為訓(xùn)練數(shù)據(jù)（0.9）和測試數(shù)據(jù)（0.1）。使用訓(xùn)練數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練，并使用測試數(shù)據(jù)測試準(zhǔn)確率。學(xué) 習(xí) 率 為0.0001，epoch 為200，batch_size 為10，kernel_size=9，進(jìn)行訓(xùn)練。

如表1 所示，不同定位算法在基站數(shù)、硬件要求、定位精度比較，RSS 與TOA 定位在現(xiàn)實中定位精度，已經(jīng)使用的基站個數(shù)方面上，都與本文定位算法有一定的差距。

表1 不同定位方法的區(qū)別

如圖6 測距實驗所示。調(diào)用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，輸入標(biāo)準(zhǔn)差歸一化后的待測數(shù)據(jù)，輸出即為代表位置信息的編號，通過查詢編號方式即可得到相應(yīng)的位置信息，使用TW-TOF 算法與RSS、TOA 算法比較，實驗迭代80 次開始收斂，當(dāng)訓(xùn)練次數(shù)達(dá)到80 倫時TW-TOF 準(zhǔn)確率接近100%。

圖6 實驗迭代次數(shù)與訓(xùn)練準(zhǔn)確率關(guān)系示例

4 結(jié)語

本文首先對烏江渡發(fā)電廠廠房進(jìn)行實地場景調(diào)研，對廠房的干擾因素、廠房空間結(jié)構(gòu)以及廠房內(nèi)橋機(jī)大、小車和吊鉤的行走軌跡進(jìn)行分析。本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的坐標(biāo)定位算法，通過TW-TOF 測距算法獲取廠房內(nèi)各點之間的距離，構(gòu)成定位點的坐標(biāo)數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)其坐標(biāo)數(shù)據(jù)特征實現(xiàn)廠房內(nèi)部橋機(jī)精準(zhǔn)定位，并將本文提出的方法與RSS、TOA 定位算法進(jìn)行對比，本文所提出的算法可實現(xiàn)更精準(zhǔn)、快速的定位。在以后的工作中，我們將圍繞如何利用圖像信息的優(yōu)勢，發(fā)揮監(jiān)控視頻的實時性和動態(tài)性，將其與超聲波信息相結(jié)合，提取更加準(zhǔn)確的橋機(jī)位置表征信息，從而實現(xiàn)更為精準(zhǔn)的廠房橋機(jī)定位，避免復(fù)雜傳感器的布置并減少成本。