基于雾计算的煤矿全场景监测系统研究

曹健萍， 李敬兆

(1.安徽理工大学 电气与信息工程学院， 安徽 淮南 232001； 2.工业节电与电能质量控制协同创新中心， 安徽 合肥 230000)

0 引言

煤矿全场景监测系统将煤矿物理信息与云计算资源深度融合，集煤矿状态感知、数据通信与分析处理、智慧决策于一体，实现煤矿环境安全状态、开采设备工作状态的全方位智能监测[1]。目前，煤矿全场景监测系统主要依赖云计算实现数据处理、存储与决策。但是，随着煤矿自动化技术的不断发展，云计算需实时处理海量监测信息，严重影响煤矿全场景监测系统决策层的时效性与精确度[2]。雾计算是云计算的延伸概念，将数据、数据处理和应用程序集中在网络边缘设备中，可实现系统信息快速传输和处理、有效信息提炼、决策精度提升[3]。因此，本文提出一种基于雾计算的煤矿全场景监测系统，以神经元感知节点为单元设计雾计算神经网络，缓解云计算数据处理压力。

神经元感知节点布置的位置和数量通常是根据需要随机安排的。由于节点发射功率有限，其无线通信范围有限，若部署的节点数量过多，会造成资源浪费；若部署的节点数量过少或位置不合理，可能出现感知死角，因而需对神经元感知节点进行优化部署[4-7]。文献[8]提出一种分布式无线感知网络节点部署算法，通过粒子群优化(Particle Swarm Optimization，PSO)算法优化目标监测区域的网络覆盖和感知节点的布置，但容易出现过早收敛现象，解得的部署方案可能只是局部最优方案。针对该问题，本文通过改进的PSO算法优化感知节点的部署，实现网络结构优化。

1 系统结构设计

基于雾计算的煤矿全场景监测系统包括神经元感知层、边缘传输层、边缘智慧决策层、边缘服务层，结构如图1所示。边缘传输层、智慧决策层、边缘服务层均属于雾计算范畴。

神经元感知层由神经元感知节点组成，模拟人体神经系统的感觉神经元感知煤矿系统的瓦斯含量、温度等信息，对信息进行初步处理后通过边缘通信设备传输至决策层[9-11]。边缘传输层兼容多种通信协议，通过边缘网关使基于不同通信协议的网络系统互联，实现通信数据的重新统一打包。利用全功能设备(Full Function Device，FFD)布置Mesh网络，Mesh网络中的神经元感知节点间相互连接，单个节点有多条连接通道，即使个别节点出现故障，也不影响整个网络的可靠运行[12-15]。智慧决策层处于整个系统的本地服务器中，其本质上是一种边缘计算平台。通过本地数据库接收来自本地的数据信息并分类处理，建立BP神经网络模型，结合无迹卡尔曼滤波算法，优化处理煤矿多传感器参数信息，从而有效地从海量数据中提炼有用信息，高效精确地作出决策，并通过网关分类下达至神经元感知节点。同时，边缘计算平台通过TCP通信协议入网，将简化处理后的有效数据传输至边缘服务层。边缘服务层主要指云服务平台，用于接收经过处理的数据和决策信息，并进行数据分类、存储和管理，为后期维护管理提供依据。

图1 基于雾计算的煤矿全场景监测系统结构Fig.1 Structure of coal mine full scene monitoring system based on fog computing

2 神经元感知节点设计

神经元感知节点包括无线感知节点和有线感知节点2种。无线感知节点主要由传感器模块、控制器模块、无线通信模块及供电模块组成，其结构如图2所示。

图2 无线感知节点硬件结构Fig.2 Hardware structure of wireless sensing node

传感器是基本感测元件，应根据煤矿各系统实际运行情况，结合检测精度要求和采集频率要求，进行传感器选型。微控制器是神经元感知节点的核心决策与控制单元。选用的微控制器应具有功耗低、信息处理效率高及集成度高等特性，支持休眠模式。由于不同神经元感知节点之间传输信号功耗大，在无数据收发时微控制器应处于休眠状态。

3 神经元感知节点部署

3.1 神经元感知节点部署框架

神经元感知节点网络部署框架如图3所示。首先，根据煤矿状态监测需要，随机投放神经元感知节点。然后，利用RSSI算法确定汇聚节点位置并估计其网络覆盖范围。最后，采用改进的PSO算法优化神经元感知节点部署。

图3 神经元感知节点部署框架Fig.3 Deployment framework of neuron sensing nodes

3.2 汇聚节点的定位与覆盖范围估计

各神经元感知节点通过RSSI定位算法确定自身位置，节点m(xm,ym)与n(xn,yn)之间的距离为

(1)

选用阴影衰落模型作为神经元感知网络汇聚节点的信号传输模型，神经元感知节点i接收到的信号强度PR(di)为

(2)

式中：A为汇聚节点的发射功率；β为路径损耗；di为节点i与汇聚节点之间的距离；ndB为偏差函数。

3.3 神经元感知节点优化部署

以扩大重点网络覆盖区域和减少神经元感知节点投放为目的，通过改进的PSO算法实现神经元感知节点优化部署。

假设粒子群中的粒子数为N，搜索空间为D维，粒子的空间位置向量xi=(xi1,xi2,…,xiD)。xi向量中，从左向右依次每2个元素表示一个感知节点的位置坐标，如(xi1,xi2)表示一个神经元感知节点的位置坐标。粒子的空间速度向量vi=(vi1,vi2,…,viD)与位置向量同理。设粒子个体寻优的最优空间位置Pi=(Pi1,Pi2,…,PiD),粒子群中最佳位置Pg=(Pg1,Pg2,…,PgD)。

由于神经元感知节点部署侧重于通信覆盖区域，确定优化目标函数为

(3)

通过优化目标函数评价粒子所在位置的优劣，在粒子位置及速度不断更新的过程中寻找最优位置。粒子的位置和速度更新公式为

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为时刻；ω为惯性权重系数；h1和h2为学习因子；r1和r2为独立随机变量。

在经典PSO算法中，惯性权重系数ω是从初始点出发并根据前一次速度得出的比例因子，学习因子h1和h2通常情况下数值为2。整个更新过程是从初始点沿确定的方向转移，存在过早收敛现象，易出现局部最优寻解的情况。针对这一现象，对PSO算法进行改进。在保障粒子群稳定的前提下，为防止ω因沿某一方向转移而出现局部收敛现象，利用余弦非线性函数提高ω方向转移的随机性。设惯性权重系数为

ω(t)=0.1+0.9cos(t/c)

(6)

式中c为迭代更新次数。

在改进惯性权重系数的基础上，根据粒子稳定运动条件，得到学习因子为

(7)

改进的粒子速度更新公式为

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变。通过粒子位置和速度更新公式和优化目标函数，进行神经元感知节点的优化部署。

4 仿真分析

在Matlab平台进行仿真，设部署区域为600 m×600 m的矩形，区域内布置3个中心节点。初始状态下，将区域划分为20 m×10 m的网格进行节点部署。设权重系数σ1=0.4，σ2=0.6，选用经典PSO算法作为对比，得到Matlab仿真结果，如图4所示。

图4 经典PSO算法与改进PSO算法性能对比Fig.4 Performance comparison between classic PSO algorithm and improved PSO algorithm

由图4可知，与经典PSO算法相比，改进PSO算法能够更快寻得最优解，最优解下的整体覆盖率更高。

经过100次独立仿真，统计并比较2种算法的通信覆盖率和适应度等，结果见表1。

表1 经典PSO算法与改进PSO算法的覆盖率对比Table 1 Coverage comparison between classic PSO algorithm and improved PSO algorithm

由表1可知，与经典PSO算法相比，改进PSO算法将整体通信覆盖率的最优值、最差值和平均值分别提高了3.19%，3.31%，3.25%。改进PSO算法具有收敛快速有效、适应性强、稳定性高等优势，可应用于神经元感知节点优化部署方案中。

5 结语

提出一种基于雾计算的煤矿全场景监测系统设计方案，介绍了系统整体架构及神经元感知节点硬件组成，并结合边缘设备的特点，通过改进PSO算法优化边缘神经元节点的部署，提高通信覆盖率，降低节点部署成本。该系统充分利用了边缘计算技术，将数据处理决策任务从远程网络监测中心迁移到网络边缘侧，实现了系统中冗长数据在边缘侧的过滤，从而减小了海量数据分析与存储对云计算造成的压力，提升了数据信息处理效率。提出用改进PSO算法优化神经元感知节点部署，从而优化雾计算网络结构，并通过仿真验证了其有效性。