方躍春 王 洪

(1.長沙民政職業(yè)技術學院電子信息工程學院,湖南 長沙 410004;2.湖南師范大學工程與設計學院,湖南 長沙 410081)

近年來,礦業(yè)生產(chǎn)中人員安全事故頻繁發(fā)生,為保障礦工安全,有必要精準了解礦工在礦區(qū)內(nèi)的活動軌跡和行為[1-3]。傳統(tǒng)的定位技術主要包括全球定位系統(tǒng)(GPS)和慣性導航系統(tǒng),但在礦山環(huán)境中,受限于信號遮擋、信噪比低等因素,無法滿足實際需求。

近年來,不少學者開展了相關研究。洪飛[4]研發(fā)了一種適用于煤礦生產(chǎn)活動的智能監(jiān)控系統(tǒng)。該系統(tǒng)能夠?qū)Σ傻V過程進行智能監(jiān)控,一旦出現(xiàn)瓦斯泄漏或水害等危險情況,則會及時向礦工和管理人員發(fā)出報警信息。此外,該系統(tǒng)還可以利用路由表查詢每個路由器節(jié)點所管理的子節(jié)點,從而較為準確地確定礦工位置?；诘V工定位服務,礦山生產(chǎn)管理員可以實時查看礦山生產(chǎn)狀態(tài),并以此制定更為合適的救援方案拯救礦工。梁慶杰[5]研發(fā)了一種異構多核嵌入式控制系統(tǒng),主控制器采用S3C2440,從控制器采用DSP F2812。該系統(tǒng)考慮到環(huán)境感知和“W”形搖臂式履帶行走機構的控制需求,采用高性價比的主、從控制系統(tǒng),在嵌入式Linux 內(nèi)核上高效處理從控制器監(jiān)測的語音、視頻、距離和障礙等信號,適合于在事故礦井中使用。

傳統(tǒng)的礦工定位算法主要采用基于傳感器、圖像處理等技術,存在以下不足:① 需要在礦山內(nèi)安裝專門的設備和傳感器,實現(xiàn)難度較大;② 通常只適用于某些特殊的場景和礦區(qū)范圍內(nèi)定位,無法滿足更廣泛的位置數(shù)據(jù)收集和監(jiān)視需求;③ 受限于環(huán)境因素如光照、天氣等因素,且信號容易受到多路徑效應干擾,定位精度不高,容易出現(xiàn)誤差;④ 需要大量的硬件設備和專業(yè)人員維護,難以實現(xiàn)高效、低成本的礦工定位;⑤ 在進行視頻監(jiān)控或人員定位時,實質(zhì)上涉及了礦工的位置、工作情況等隱私信息保護問題,如何保證數(shù)據(jù)安全和個人隱私信息被科學地使用,需引起重視[6-8]。

隨著無線射頻識別技術不斷發(fā)展,基于無線射頻識別技術的礦工定位成為一種新的解決方案。該技術通過對射頻信號的接收和處理,確定物體的位置并向用戶提供準確信息。與傳統(tǒng)技術相比,無線射頻技術具有設備簡單、復雜環(huán)境下工作可靠、系統(tǒng)構建成本低等優(yōu)點[9-11]。具體來說,該技術可以對礦工進行精確定位,實現(xiàn)室內(nèi)定位的精度可以達到厘米級,從而更好地監(jiān)控礦工的位置和行為,提高礦工的安全性。該技術還可以收集大量的數(shù)據(jù),并對這些數(shù)據(jù)進行分析和挖掘,更好地了解礦工的行為和狀態(tài),提高礦山管理水平[12]。然而,由于無線射頻信號在礦井中可能會受到各種因素干擾,例如多徑效應和隨機噪聲等,會在一定程度上使得定位精度和魯棒性下降。因此,提高基于無線射頻識別技術的礦工定位精度和穩(wěn)定性顯得尤為重要[13-15]。

本研究針對基于無線射頻識別技術的礦工定位問題進行分析,提出一種改進的定位算法。該算法采用信號強度值(RSSI)指標建立定位模型,并結合Log-Normal 信號傳播模型和卡爾曼濾波算法處理信號,從而提高定位的精度和魯棒性。同時,設計一種基于K-Means 聚類算法的參考點優(yōu)化方法,以選擇最佳的參考點,提升定位的準確性和穩(wěn)定性。

1 算法原理

1.1 算法基本特點

基于無線射頻識別技術的礦工定位算法研究的基本理念是通過在礦山內(nèi)部部署多個電子設備和信號接收器,實現(xiàn)對礦工位置的實時準確檢測。主要特點如下:

(1)無線射頻技術。利用無線射頻技術,通過天線收集由標簽發(fā)送出的RSSI,而后根據(jù)其信號強度值計算礦工所處的位置信息。

(2)多點定位。通過設置多個參考節(jié)點和測試點,形成較為完整的信號網(wǎng)絡,在需要定位的節(jié)點上安裝無線射頻標簽,可以提高定位的精度和魯棒性。

(3)實時性和可擴展性?；跓o線射頻技術的礦工定位算法可以實時監(jiān)測礦工位置信息,隨時更新數(shù)據(jù),并且具有良好的可擴展性,可以根據(jù)需要便捷地添加或移除參考節(jié)點。

(4)低成本。相比傳統(tǒng)技術,基于無線射頻識別技術的礦工定位算法采用的硬件設備相對簡單且易于安裝,同時無須經(jīng)常維護,因而大大降低了硬件成本。

1.2 基于RSSI 的礦工定位信號優(yōu)化

在無線射頻識別技術中,每個設備都有一個唯一的ID,在礦山中部署多個接收器可以通過硬件設備獲取每個設備發(fā)送的RSSI[16]。RSSI是一種表示接收到信號強度的非負整數(shù),通常將它轉換成負的分貝單位(dBm),以便更直觀地獲悉信號的強度和損失。這些RSSI值可以通過網(wǎng)絡協(xié)議傳遞和集成到應用程序中。在空中傳播的電磁波隨著距離的增加而衰減,這種衰減會影響到接收的RSSI。根據(jù)預先獲取的RSSI數(shù)據(jù)生成RSSI模板,然后將接收的RSSI數(shù)據(jù)與設備之間預先確定的RSSI模板進行比較,從而獲得定位信息。不同的模板匹配算法會采用不同的比較策略對RSSI值進行匹配,以實現(xiàn)最精確的位置估計。因此,可將RSSI作為估計兩個設備之間距離的指標,從而確定礦工位置。

Log-Normal 模型是一種經(jīng)典的無線電信號傳輸模型,描述了射頻信號在傳輸過程中的衰減效應[17]。在該模型中,為了量化信號衰減,一般引入衰減因子n表示信號以指數(shù)方式隨著距離增加而衰減,并假設無線信號損失服從高斯分布,可以將信號功率的平均損失描述為

式中,PL(d)表示距離為d時信號的平均功率損失;PL(d0)為參考距離d0處的信號平均功率損失;n為路徑損耗指數(shù);ε為由標準正態(tài)分布隨機變量表示的噪聲。

在實際礦工定位實踐中,通常取d0=1 m,ε=0,從而得到實際的RSSI測距公式為

式中,A為距離信號發(fā)射源 1 m 處的信號強度平均值的絕對值;n′為環(huán)境參數(shù),且與信號傳播環(huán)境有關;A和n′為待定參數(shù)。

卡爾曼濾波算法通過不斷地校正預測值和觀測值之間的誤差來估計礦工位置[18],包括兩個基本步驟:預測和更新。預測步驟利用當前狀態(tài)與外部輸入信息來預測下一步狀態(tài),同時伴隨著不確定度增加;更新步驟通過采集新的觀測數(shù)據(jù)對預測值進行修正,并按照新的狀態(tài)及其不確定度完成后驗估計。卡爾曼濾波算法可通過以下幾步完成。

RSSI預估值可表示為

式中,RSSIk-1為k-1 時刻的最佳估值;RSSI′[k/(k-1)]為k時刻的RSSI預估值。

礦工定位預估誤差的協(xié)方差P可表示為

式中,P[k/(k-1)]是RSSI′[k/(k-1)]對應的協(xié)方差;Pk-1為RSSIk-1對應的協(xié)方差;Q為RSSI的過程噪聲協(xié)方差。

k時刻的卡爾曼增益K可表示為

式中,R為RSSI系統(tǒng)的測量噪聲協(xié)方差。

k時刻RSSI的最優(yōu)估值可表示為

因此,k時刻的誤差協(xié)方差可表示為

在礦工定位應用中,卡爾曼濾波算法可以將RSSI數(shù)據(jù)作為觀測值,以Log-Normal 模型計算出的預測值作為先驗估計,利用卡爾曼濾波器實現(xiàn)對礦工位置狀態(tài)的估測,進而實現(xiàn)準確監(jiān)測和定位。本研究基于RSSI的礦工定位信號優(yōu)化算法流程如圖1所示。

圖1 基于RSSI 的礦工定位信號優(yōu)化算法流程Fig.1 Mine location signal optimization algorithm flow based on RSSI

1.3 基于K-Means 聚類的參考點優(yōu)化

K-Means 聚類算法是一種經(jīng)典的聚類算法,用于將觀測數(shù)據(jù)分成不同的簇。在礦工定位領域中,KMeans 聚類算法也可以用來優(yōu)化參考點選擇[19-21]。假設有一個包含m個觀測數(shù)據(jù)x1,x2,…,xm的集合,其中每個觀測數(shù)據(jù)xi表示位置信息和對應的信號強度值等特征信息。需要從中選擇l個參考點y1,y2,…,yl作為數(shù)據(jù)庫中的參考點,并通過這些參考點來估計礦工的位置信息。K-Means 聚類算法的目標是將所有觀測數(shù)據(jù)劃分成l個非重疊的簇,使得同一簇內(nèi)的觀測數(shù)據(jù)彼此相似,而不同簇之間的觀測數(shù)據(jù)差異較大。在聚類過程中,首先隨機選擇l個參考點,而后將每個觀測數(shù)據(jù)分配到距其最近的參考點所在的簇中;通過重新計算每個簇內(nèi)部的平均值來更新參考點位置,以使得該簇內(nèi)部的每個觀測數(shù)據(jù)到該參考點的距離最小化;再次將所有觀測數(shù)據(jù)分配到更新后最近的參考點所在的簇中,而后重新計算參考點位置,迭代上述過程直至達到收斂條件。

基于用K-Means 聚類算法優(yōu)化參考點選擇方法的基本步驟如下:

(1)隨機選擇l個參考點y1,y2,…,yl。

(2)將所有觀測數(shù)據(jù)分配到距離其最近的參考點所在的簇中,并根據(jù)每個簇內(nèi)部的平均值計算出該簇內(nèi)的新參考點位置y′i。

(3)利用上述K-Means 聚類結果,計算簇之間的相似度,選擇其中最不相似(即樣本間距離最大)的簇將其作為壞點簇。

(4)在壞點簇中隨機選擇一個觀測數(shù)據(jù)xi,將其作為新的參考點yj,重新計算簇內(nèi)平均值并迭代更新所有參考點的位置。

(5)重復步驟(2)至步驟(4),直到算法收斂或達到預定迭代次數(shù)后停止。

通過上述方法,可以利用K-Means 聚類算法選擇合適的參考點,同時避免壞點干擾。該方法可以大幅度降低參考點選擇難度,在減少計算時間的同時,保證礦工定位的準確性和魯棒性。

2 試驗分析

2.1 試驗設置

(1)試驗場地。選擇典型的礦山工作場景,建立適當規(guī)模的試驗場地,在場地內(nèi)設置多個參考節(jié)點和測試點,保證試驗條件的可控性和真實性。

(2)測試節(jié)點。多個測試節(jié)點應布置在不同區(qū)域,以獲取較為全面的信號數(shù)據(jù),同時避免在一個特定區(qū)域過于聚集導致結果出現(xiàn)偏差。測試節(jié)點應固定位置,并安裝好無線射頻標簽或設備,用于信號采集和數(shù)據(jù)傳輸。

(3)參考節(jié)點。多個參考節(jié)點應均勻分布在試驗場地內(nèi),其位置應提前記錄,形成參考點數(shù)據(jù)庫,用于處理RSSI,并確定礦工的具體位置。

(4)測試方案。為了驗證算法效果,可以制定不同的測試方案和測試方法,如測試礦工移動軌跡、礦工數(shù)量和密度等,針對各種可能發(fā)生的情況進行測試和對比分析。

(5)數(shù)據(jù)采集。使用專業(yè)的數(shù)據(jù)采集設備,測量無線射頻標簽的RSSI,使用距離測量、數(shù)據(jù)濾波等方法進行預處理,并建立參考點數(shù)據(jù)庫。

(6)試驗分析。利用采集的信號數(shù)據(jù),并根據(jù)具體算法模型計算礦工的精確位置,在特定時間段內(nèi)記錄定位誤差與定位精度、魯棒性等參數(shù)對算法進行分析與評估。

2.2 試驗結果

利用 MATLAB 仿真軟件,通過模擬RSSI信號在距離為14 m 時的對數(shù)損耗模型并引入少量大干擾信息,得到了50 次測量值。這些測量值使用滑動平均濾波、卡爾曼濾波和本研究算法進行處理,并將每次得到的結果取平均,得到了濾波后的平均RSSI值?；瑒悠骄鶠V波是一種簡單有效的濾波算法,其基本原理是利用一個窗口大小為N的移動窗口對數(shù)據(jù)進行濾波,每次將窗口中最舊樣本移除并添加最新樣本。該算法能夠有效地平滑原始信號,并去除一部分噪聲。但是,滑動平均濾波在處理非理想信號時容易產(chǎn)生較大誤差,而且對于信號波動較大的情況無法有效地抑制噪聲?？柭鼮V波是一種廣泛應用于底層控制系統(tǒng)中的估計算法,通過不斷對比實際測量值和預測值之間的差異,對測量數(shù)據(jù)進行隨時調(diào)整以達到更加準確的估計結果。相對于滑動平均濾波,卡爾曼濾波具有良好的適應性和追蹤性能,但是該方法也需要更多的計算資源,因此實現(xiàn)較為復雜。當信號噪聲本身的方差較小且能夠被完全建模時,卡爾曼濾波常常能夠獲得更高的濾波效果。對數(shù)據(jù)各仿真50 次,取平均RSSI值,結果如圖2所示。針對每次試驗結果,計算了平均距離誤差。測量平均誤差為2.14 m,滑動平均濾波的平均誤差為1.83 m,卡爾曼濾波算法的平均誤差為1.36 m,本研究算法的平均誤差為0.83 m。在采用本研究算法進行濾波后,信號質(zhì)量有較大幅度提高,礦工定位精度也得到了明顯提升。

圖2 不同算法RSSI 信號濾波值對比Fig.2 Comparison of RSSI signal filtering values of different algorithms

在礦工定位中,常見的定位算法包括指紋定位算法、距離測量算法、視覺定位算法、傳感器融合算法。其中,指紋定位算法是一種基于已有標記點位置和對應RSSI信號值建立指紋庫的方法,利用指紋庫來估計未知位置的礦工位置信息。距離測量算法是一種基于可靠距離測量技術計算礦工位置的方法,如GPS、超聲波、光纖陀螺儀等,但由于受到室內(nèi)環(huán)境復雜、信號衰減等因素影響,其精度受到一定限制。視覺定位算法是一種基于數(shù)字圖像處理技術獲取礦工位置信息的方法,如單目、雙目或多目攝像機、深度相機等,但由于其受到光線、遮擋、角度等因素影響,需要針對不同場景進行優(yōu)化。傳感器融合算法是指通過將多種感知信息進行綜合分析和加權計算,得到更準確和可靠的位置估計結果,但需要針對不同的環(huán)境進行調(diào)整、校正和優(yōu)化,同時會增加硬件成本和復雜度。本研究方法結合了RSSI定位和卡爾曼濾波算法,利用RSSI信號和接收設備之間的距離關系,采用卡爾曼濾波進行預測和更新,從而實現(xiàn)礦工定位。本研究對該類算法的礦工定位誤差進行了對比分析,結果如圖3所示。由圖3 可知:本研究算法平均距離誤差僅為0.72,具有簡單易實現(xiàn)、適用性強、具有一定的容錯性等優(yōu)點。

圖3 不同算法礦工定位結果誤差對比Fig.3 Error comparison of miner positioning results by different algorithms

基于K-Means 聚類算法的礦工定位參考點優(yōu)化是一種應用于煤礦等地下礦井中的礦工定位方法。該方法通過選擇適合礦井環(huán)境的各個節(jié)點作為參考點,使用射頻信號強度三角測量技術對礦工位置進行定位。該方法的礦工定位原理如圖4所示。本研究通過真實數(shù)據(jù)集試驗進一步驗證基于K-Means 聚類算法的礦工定位參考點優(yōu)化方法的準確性,結果如圖5所示。試驗結果表明:在真實煤礦環(huán)境中,該方法可以將礦工所在位置的定位誤差控制在2 m 以內(nèi),符合礦山生產(chǎn)精度要求。優(yōu)化后的參考點可以減少數(shù)據(jù)傳輸量,從而提高了信號處理速度。同時,K-Means算法的計算復雜度較低,相對其他算法耗時較小,因此能夠更快地完成礦工定位。該方法不依賴于任何精確的距離信息,并且對多重路徑衰減、障礙物干擾等情形具有較好的魯棒性,可適應礦井復雜環(huán)境。

圖4 基于K-Means 聚類算法礦工定位原理示意Fig.4 Schematic of miner positioning principle based on K-Means clustering algorithm

圖5 仿真環(huán)境可視化結果Fig.5 Visual results of simulation environment

3 結語

無線射頻識別技術的應用可以實現(xiàn)礦工位置監(jiān)測和定位,有效避免礦工因迷路或者其他原因而發(fā)生意外事故。本研究提出了一種基于無線射頻識別技術的礦工定位算法,該算法采用RSSI指標建立定位模型,并結合Log-Normal 信號傳播模型和卡爾曼濾波算法處理信號,并通過K-Means 聚類算法進行參考點優(yōu)化。相對于經(jīng)典礦工定位算法,本研究算法在定位精度、魯棒性和穩(wěn)定性方面均有顯著優(yōu)勢,有助于提升礦工定位精度。