基于LoRa组网技术的矿井顶板监测系统设计

孔 兵,乔 欣,余 梅

(1.巢湖学院电子工程学院,安徽 合肥 238000；2.巢湖学院化学与材料工程学院,安徽 合肥 238000)

随着产业链的完善，煤炭在我国一次能源的生产和消费中占有非常重要地位，然而在其开采中，顶板冒落、放炮事故、瓦斯爆炸、机电事故等时有发生，其中顶板事故发生率居于首位[1-2]。因此，准确有效地监测矿井顶板具有重要意义。

顶板压力、顶板位移等参数是监测顶板的重要指标[3-4]，传统顶板压力监测主要利用人工和机械式顶板离层仪，需工作人员现场观测、手动记录数据，但存在数据精确度不高、实时分析性差等缺点[5]。随着传感器技术及无线通信的发展，井下顶板监测采取有线通信方式传输信息，该方式要求在巷道布设通信线路，不仅布线难度大、工序繁杂，而且在采煤过程中线路易遭到破坏，会使监测系统局部乃至全部瘫痪，可靠性较低。目前无线顶板监测装置多数采用蓝牙技术[6]和紫蜂技术(ZigBee)[7-10]，两者主要用于距离短、功耗低的电子仪器间的信息传输。ZigBee由于协议开发历时周期长、难度系数大、穿透能力薄弱且占带宽开销量对信道带宽有较高的要求，影响了通讯距离以及环境适应性，造成实际应用时长距离、低功耗不可兼具的缺点。

LoRa技术是一种面向无线传感网络和应用控制的通信技术，集成了数字扩频、数字信号处理及前向纠错编码3种技术，具有功耗低、传输距离远、抗干扰性强等优点，可以在实现最远距离传输和最低功率消耗的同时尽可能地简化系统，达到降低成本的目的[11]。

因此，本文设计了一种基于LoRa组网技术的矿井顶板监测系统，首先根据井下巷道结构，设计了星型组网结构，然后搭建了监测系统整体框架，并对数据采集模块进行软硬件设计。最后，进行系统定位及鸡群优化(Chicken swarm optimization，CSO)算法优化设计，以期对矿井顶板进行大范围实时监测，为顶板监测系统的后续无线控制研究及定位提供理论基础。

1 井下无线组网设计

矿井顶板监测系统可以稳定运行的前提是构建适合的矿井无线通信网络，而技术的选择与组网方案则是搭建适合的矿井无线通信网络的核心。该组网构架由终端节点、网关、NS、应用服务器组成。根据煤矿安全生产要求和井下巷道结构，结合LoRa技术特点设计了一种星型组网方式。该方式能够通过集中器节点个数减少来降低无线网络里通信链路的个数[12]，多个终端节点和1个集中器节点互相通信构成星型网络，集中器节点和终端节点直接传输数据，但终端节点之间相互独立；若个别终端节点由于故障而无法工作时，不会对其他终端节点造成影响，所以该方式有利于维护和管理监测系统，方便解决终端节点出现的问题，增强了系统的稳定性[13]。

2 系统整体设计

系统整体架构如图1所示，主要由平台展示、集中器节点、终端节点及矿井顶板数据采集模块等组成，具有矿井顶板数据采集、无线组网传输以及平台展示等功能，能够对矿井顶板进行多点实时监控。该系统的主控芯片选用STM32单片机，完成对矿井顶板参数数据上传及对矿井监测系统的下行控制；在通信设置范围内，终端节点广泛分布于矿井顶板支撑柱上，彼此独立没有干扰，将采集的矿井顶板数据参数组网发送给集中器节点；集中器节点是终端节点与服务器间的纽带，它将采集的信息，经过处理后利用WiFi传至服务器端。

图1 系统整体架构

2.1 硬件结构设计

系统硬件由数据采集模块、LoRa通信节点模块(包括终端及集中器)组成，其中数据采集模块利用串口和 LoRa通信终端传输数据，而 LoRa通信终端利用 LoRa射频技术和集中器节点连接[14]。

系统硬件总体结构如图2所示，数据采集端模块主要由电源模块、信号采集模块、STM32单片机、串口通讯模块及存储模块等组成，其中信号采集模块包含测量矿井顶板压力的矿用压力传感器、判断顶板是否透水的煤层湿度传感器、预防火灾的烟雾传感器以及判断井下通风条件预防瓦斯爆炸的风速传感器。

图2 系统硬件总体结构

2.2 数据采集端程序设计

数据采集端程序设计主要对STM32微处理进行编程，包括系统初始化、数据采集及处理存储等部分，程序总体框架如图3所示。系统开启后，先执行系统初始化(对时钟、定时器、IIC与SPI总线、SD卡等参数初始化配置)，然后通过两个定时函数(对应时间为1min和10min)，为系统采集数据设定时间标准，即系统程序每10min循环1次，在10min内，每隔1min系统采集1次数据，然后将数据临时保存于结构体数组中，待10次数据采集完成后，求其平均值并保存至SD卡内，最后利用串口通信传送到 LoRa无线通信模块。当数据处理结束时，系统将重新循环等待下一指令。

图3 数据采集模块软件整体框架图

针对传感器输出量类型，程序设计如下：一是模拟电压量，包含AD采集初始化、底层驱动、通道选择等程序块。二是数字量，根据其通信接口形式不同，又分为RS485、IIC总线形式，其中RS485通信接口选用ModBus-RTU标准协议，具体编写的程序块包括 485协议初始化、CRC数据校验、实时数据读取、接收、处理等；IIC通信接口选用IIC 通信标准协议，需要处理的底层程序块包括IIC协议初始化、读取数据、数据接收等。若同时选用上述3类传感器时，须设置设备地址。

3 系统定位及算法优化设计

3.1 传感器节点分区

井下巷道是长为几百米甚至几千米、宽与高为3～5m的拱形截面，具有封闭及半封闭的特点，与平面区域相比较具有一定的不同。因此需考虑在井下区域覆盖率及连通性的条件下，利用最低传感器节点数目达到最有效的监测目的。

由于各类传感器的感知范围有限且不相同，所以，传感器节点分区需结合巷道顶板实际情况，首先将传感器节点间的距离及信号强度当作已知条件，再对巷道顶板连续分布的两个传感器节点之间的水平区域进行等距离分割，最后利用传播信号损耗模型得出传感器节点发出的信号到达各分区时的信号强度值(received signal strength indication，RSSI)，根据该值的高低划分不同等级区域。本研究最终利用传感器节点接收数值的等级来确定问题区域。

图4为巷道顶板分区模型，传感器节点水平等距离分布，分别用1-6顺次表示，其对应中点位置依次表示为1′-5′。令任意相邻传感器节点间距为Lm，则3点到传感器节点2′和3′的水平距离均L/2m，由此可知其他各点间的距离。

图4 巷道顶板分区模型

若待求节点α收到来自传感器节点的RSSI，由公式(1)求得两点间的距离d，如公式(2)所示。

RSSI(d)=RSSI(d0)-10δlg(d/d0)+N(0,σ)

(1)

d=10[RSSI(d0)-RSSI(d/d0)+N(0,σ)]/10δ

(2)

其中：RSSI(d)表示距传感器节点dm处收到的信号强度值；d0表示距离传感器节点1m；N(0，σ)表示正态分布函数；δ表示路径衰减因子， 取值为2～6。

假设传感器节点3与α待求节点收到传感器节点1的信号，则由公式(1) 可得，节点3和α的接收RSSI分别为

RSSI(d13)=RSSI(d0)-10δlg(d13)+N(0,σ1)

(3)

RSSI(d1α)=RSSI(d0)-10δlg(d1α)+N(0,σ2)

(4)

由于N(0，σ)很小，由公式(3)、(4)化简得

(5)

由公式(5) 可得，点 1′、2、 2′接收到1节点的RSSI为

RSSI(d11′)=RSSI(2L)-10δlg(1/4)

RSSI(d12)=RSSI(2L)-10δlg(1/2)

RSSI(d12′)=RSSI(2L)-10δlg(3/4)

(6)

由公式(6)得知1′点RSSI最大，2点次之，2′点最小。因此，根据RSSI大小划分区域，当未知节点α收到传感器节点1的RSSI(d1α)≥RSSI(d11′)，标记为一等强度1A；假如RSSI(d12)≤RSSI(d1α)≤RSSI(d11′)，标记为二等强度1B；假如RSSI(d12′)≤RSSI(d1α)≤RSSI(d12) ，标记为三等强度3C，当比RSSI(d12′)小时，忽略不计。由此，得到待求节点α的区域编码是2B3A4C，其他区域编码分别是1B2A3C、1C2A3B等。待求节点可根据自身接收到周围传感器节点的RSSI及对应的编码得知其所处位置。

3.2 定位算法与优化

鸡群优化(Chicken swarm optimization，CSO)属于群智能优化算法的一种，它是利用鸡群的觅食行踪提出的算法。此算法利用雄鸡数目确定鸡群由数个子群构成，雌鸡与小鸡可以随机进入各个子群内。其中，雄鸡的适应度值最优，觅食空间较大; 雌鸡次之，跟随所处子群内的雄鸡觅食; 小鸡最差，追随鸡妈妈觅食，子群内雌鸡群中随机选出鸡妈妈且随机和多只小鸡形成母子。待进化G代时，须重新配置鸡群等级。

4.2.2 基于基准、粗放和集约利用等三种情景的各类用地面积SD模型仿真结果中城市土地利用预测总面积年均增长率分别为0.305%、0.761%和0.163%，且其中年均用地面积占比最大的两类建设用地是粗放利用方案中的住宅用地和交通运输用地面积，其值分别达到12.416%和10.090%；基于三种情景的SD-MOP模型的仿真结果中预测用地总面积年均增长率分别为0.743%、2.551%和2.210%，且其中年均面积占比最大两类建设用地则为粗放利用情景下的工矿仓储用地和集约利用情景下的商服用地，其值分别达到16.924%和13.811%。

雄鸡的活动决定了整个鸡群的活动，雄鸡局部最优化容易导致整个鸡群也处于局部最优。由CSO优化规则可知，若个体拥有更优的适应度值时，说明它距食物更近，这时应该缩小范围才有利于寻找食物，所以雄鸡应该缩小觅食范围。原有算法雄鸡更新位置时，未考虑和其他个体交换信息，但通过观察整个鸡群，数量处于首位的雌鸡，不仅是联系雄鸡与小鸡的纽带，在鸡群内起着承上启下的作用，而且对CSO的寻优速度和精度方面也起着非常重要的作用[15-17]。在原有的雄鸡位置更新公式中引入雌鸡活动的反馈信息，降低陷入局部最优的几率。

雄鸡位置更新公式

F=exp(fmean-fi)

(7)

雌鸡位置更新公式

(8)

式中：rand表示[0，1]间的任意数；r1表示第i只雌鸡个体所属子群内雄鸡个体；r2表示不包括r1的全体雄鸡与雌鸡的随机个体。

小鸡位置更新公式

(9)

式中：鸡妈妈用q表示，FL则为跟随系数(取值为[0，2])。

3.3 适应度函数设计

在顶板监测系统中，令未知节点与信标传感器节点的坐标分别对应(x，y)、(xg，yg) (g取1，2，…，m)，那么未知节点到信标节点的距离di可以表示如下

(10)

系统中节点定位算法的适应度函数表达式为

(11)

利用上式把定位问题成功地转成最小值求解，在此过程中把所有可能解视为鸡群内个体所在位置，从而求出个体的适应度值，再利用不断的迭代寻优，得到适应度值最佳的个体，它所在的位置就是未知节点的坐标。

3.4 节点定位

经过顶板分区后能够得知未知节点所处区域，在此区域内，再使用CSO进行整体搜寻，从而精确定位未知节点。通过计算节点的定位误差来评价本文算法的定位效果。公式如下

(12)

4 系统测试与分析

本文旨在设计定位精度较高的矿井顶板无线监测系统，因而定位精确度属于重要的评判标准。结合远程监测要求，无线通信的距离将对节点及网关的数量产生直接影响。系统设计结束后，需测试以下指标。

4.1 定位精度仿真

通过MATLAB对本文CSO算法与朱光的RSSI加权质心定位算法[18]以及赵佳奇的卡尔曼滤波优化定位精度算法[19]进行仿真对比。该实验在图5所示巷道顶板中进行，未知节点数为60，节点通信半径取40m，鸡群总数目为60，迭代最大次数取100，最终值选取重复40次的均值。

令传感器节点间距依次取20m、25m、30m、35m、40m，其他参数设置保持不变，CSO算法、RSSI加权质心算法以及卡尔曼滤波优化算法的定位误差如图5所示。 节点间距与定位精度的关系为，当节点间距由20m增至40m时，3种算法对应的定位误差由0.633m、1.631m、2.962m增至1.076m、 2.868m、5.792m，说明传感器节点间距对上述算法得到的定位精度产生不同程度的影响，卡尔曼滤波优化定位精度算法得到的定位误差最大，并且该误差值会随节点间距的增大而变大，而RSSI加权质心算法与CSO算法的定位误差值受节点间距的影响相对较小；当节点间距变化时，定位误差值较平稳，其中，CSO算法的定位误差值最小。由此可知，CSO算法不仅对节点安置密度标准要求不高，而且定位精度也较高，即CSO算法实现矿井顶板监控定位具有很好的效果。

图5 节点间距与定位精度的关系

图6显示的是3种算法对应的测量误差与定位精度的关系，由图6可知，虽然标准差(依次取1、1.5、2、2.5、3、3.5、4)增大，但3者得出的定位误差变化值都不大。这表明3种算法都能够在一定程度上避免定位精度被测量不准确的影响，且CSO算法较RSSI 加权质心算法以及卡尔曼滤波优化算法而言，具有更优的定位精度。

图6 测量误差与定位精度的关系

4.2 丢包率测试

丢包率测试之前，先进行无线通信参数配置如下： SF=10， 发射信号功率=20dBm， 发射频率=433MHz， BW=250kHz，CR=4/5；通信距离，每间隔50m测试1次，最远距离定于500m，终端节点每隔10s发出1个有效字节至集中器节点，累计发出2 000个数据包，成功数据包1和丢包率1是指在有效数据信息为20字节大小下测试，成功数据包2和丢包率2是指在有效数据信息为40字节大小下测试，丢包率测试结果如表1所示。

表1 丢包率测试

不同距离下的通信效果如图7所示，数据包长度会影响丢包率，在相同环境下且等距离时，数据包增长，丢包率随之增大，这是因为发送信号随数据包长度增加受井下环境影响的衰减率变大。不仅如此，数据包的长度还会对收发时间造成影响，不同长度数据包会占用不同的间隔时间(长度和时间间隔成正比)，LoRa芯片解析数据时就会受到微干扰，从而影响丢包率。

图7 不同距离下的通信效果

继续分析可知，当距离不超过300m时，丢包率不大于0.05%；当距离越过300m后，丢包率随距离的增加而变大；当距离大于450m时，丢包率随距离增加会加速增大，这说明距离对丢包率的影响显著；当距离为500m时，丢包率不高于3.10%，平均丢包率不大于0.54%，说明系统的稳定性和可靠性较好。

5 结论与展望

(1)本研究以矿井顶板监测系统为研究对象，基于LoRa无线通信技术搭建了系统整体框架，并对数据采集模块进行软硬件设计，根据井下巷道结构建立顶板分区模型，把顶板定位精度要求转化成寻优问题，利用节点值划分所属区域，通过CSO算法实现未知节点定位，解决了现有矿井顶板监测系统远距离、低功耗不可兼具及定位不精确的问题。

(2)通过仿真及测试实验得知， 系统对节点安置密度标准要求不高，而且定位误差小，无线传输距离半径不低于300m，系统的稳定性和可靠性较好。

(3)系统虽然解决了传输距离、定位等问题，但是对大量实时监测数据的处理、应用等仍需深入研究，随着数字孪生、高性能计算、GIS时空数据分析等技术的发展，提高其在可视化效果、监测效率等方面的性能应是未来重点研究方向。