基于UWB 与卷积神经网络的乌江渡发电厂厂房桥机定位算法研究

程义江，刘浪，叶长红，周德超，高钰敏，韩信

(1.贵州乌江水电开发有限责任公司乌江渡发电厂，贵州 遵义 563104；2.微特技术有限公司,湖北 宜昌 443000)

1 引言

桥机广泛应用于工矿企业、车站、港口、水电厂等，一般由训练有素的熟练人员手动操作，进行启动、停止、来回移动、升降等操作。桥机的吊钩在运行时由于惯性、风阻、摩擦等原因，往往会出现摆动，这给技术熟练的人员带来了很大的困难，因为必须在准确停机的同时防止吊钩摆动，否则会出现各种安全问题，也会降低桥机的工作效率。因此，实现吊钩的防摆控制和车体的精确定位，实现高效、安全、自动的工作是桥式起重机的关键任务之一。

乌江渡发电厂是贵州首座百万千瓦级水电厂，乌江渡发电厂为了满足无人/少人的要求，在技术上尽可能实现设备智能化，本文依托的乌江渡发电厂地下室内厂房如图1 所示。

图1 厂房示意图

由图1 可知，乌江渡发电厂厂房内的发电机组会产生极强的电磁干扰，厂房内狭小空间中桥机大、小车、吊钩的移动极易与厂房内部设备发生碰撞。同时该厂房为地下型厂房，厂房内部湿度较大，桥机整体设计落后，控制系统长期处在潮湿环境中，损坏率较高。克服上述问题，实现大型桥机在厂房内部的精准定位是亟需解决的关键问题。

在厂房桥机定位任务中，采用超宽带(Ultra-Wideband，UWB)技术的优势主要包括以下3 个方面：（1）系统结构实现较为简单。UWB 技术通过发送纳秒脉冲的非正弦波来传输数据信号，发射机直接采用脉冲小激励天线，不使用传统收发机所需要的上变频，因此不需要功能放大器和混频器，而且无需中频处理，因此实现超宽带系统的结构相对简单。（2）定位精确度较高。超宽带技术具有极强的穿透性，可以在厂房内和地下进行精确定位。（3）安全系数较高。UWB 作为通信系统的物理层技术，具有天然的安全性能。

据此，本文主要以乌江渡发电厂厂房为例对其进行桥机定位研究，设计了一种基于卷机神经网络的坐标定位方法，利用卷机神经网络提取坐标特征，采用双向飞行时间法测量了不同基站之间的距离，针对每个基站的坐标信息建立坐标数据库，然后对坐标数据库中的信息进行预处理，并利用卷机神经网络学习坐标数据库中的数据特征。最后，利用该模型实现乌江渡发电厂厂房桥机的定位，实验表明，相比于传统的室内桥机定算法，本文算法具有较高的定位精度以及鲁棒性，从而有效地避免了乌江渡发电厂厂房内极强的电磁干扰，保证了在厂房内狭小空间中精确定位的有效性。

2 超宽带定位算法设计

2.1 卷积神经网络的坐标定位

卷积神经网络作为一种极为有效的模型被广泛应用于工业、医疗、环境等多个领域，尤其是在图像识别与图像分类任务中取得了良好的效果。因此，针对NLOS 环境，本文充分发挥了卷积神经网络在特征提取方面的优势，设计了一种基于卷积神经网络的坐标定位算法，如图2 所示。

图2 卷积神经网络模型图

本文所提算法中的卷积神经网络是一种多层的监督学习神经网络，网络模型通过采用梯度下降法最小化损失函数，对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。当处理图像分类任务时，我们会把CNN 输出的特征空间作为全连接层的输入，用全连接层来完成从输入到标签集的映射。当然，整个过程最重要的工作就是如何通过训练数据迭代调整网络权重。

2.2 TW-TOF 测距算法

测距采用双向飞行时间法（two way-time of flight，TW-TOF），检测两点之间的无线电飞行时间，即双向飞行时间，如图3 所示。

图3 双边双向测距示意图

双边双向测距，设备A（Device A）主动发送（TX）数据，同时记录发送时间戳，设备B（Device B）接收（RX）到之后记录接收时间戳。设备A 主动发起第一次测距消息，设备B 响应，当设备A 收到数据之后，再返回数据，可以得到如下4 个时间差Tround1、Tround2、Treply1、Treply2。最终得到无线信号的飞行时间Tprop，见公式1。

公式1 为测距的机制是非对称的测距方法情况，对于响应时间不要求相同。在实际情况中设备发送、接收数据需要时间，假设设备A 和设备B 的时钟偏移量分别为ea和eb，则飞行时间测量为公式2 所示。

双边双向测距飞行时间的误差为公式3 所示。

由于ea＜＜1 和eb＜＜1。飞行时间的误差化简，如公式4 所示。

3 UWB 定位实验

3.1 收集数据集

在实验场里每相同距离选取一个采样点。然后数据采集人员站在采样点上进行数据集采集。采用双向飞行时间法（TW-TOF）采集采样点到4 个不同定位基站节点之间的距离，采集到的连续时间序列作为该采样点的坐标信息。然后分别采集区域内每个采样点的坐标信息，建立该区域的坐标数据库。在每个待测点上收集定位标签与基站之间的距离数据，将距离数据作为坐标信息存入坐标数据库中。如图4 所示。

图4 现场实验选取样本点示意图

3.2 建立坐标数据库

本文建立坐标数据库，布置多个超宽带基站和标签，收集每个待测点的标签与各个基站之间的距离作为坐标信息，并将数据存入坐标数据库。在场地内每相隔相等的距离取测试点直至测试点布满整个场地。在每个测试点取连续的多个时刻的标签和4 个基站间的距离，构成一个数组，作为该点坐标特征。

训练坐标数据库时，卷积神经网络输入的坐标特征需先进行标准差归一化处理，输出的位置信息需要经过编号处理并记录编号方式，如图5 所示为部分输入数据示例图。相应的实测信号定位中的待测数据也需要进行标准差归一化处理，且采用的均值和标准差应参考训练输入时的数值。

图5 部分输入数据示例图

3.3 训练坐标数据

将坐标定位数据库中的信息随机打乱，分为训练数据（0.9）和测试数据（0.1）。使用训练数据对卷积神经网络进行多次训练，并使用测试数据测试准确率。学 习 率 为0.0001，epoch 为200，batch_size 为10，kernel_size=9，进行训练。

如表1 所示，不同定位算法在基站数、硬件要求、定位精度比较，RSS 与TOA 定位在现实中定位精度，已经使用的基站个数方面上，都与本文定位算法有一定的差距。

表1 不同定位方法的区别

如图6 测距实验所示。调用训练好的卷积神经网络模型，输入标准差归一化后的待测数据，输出即为代表位置信息的编号，通过查询编号方式即可得到相应的位置信息，使用TW-TOF 算法与RSS、TOA 算法比较，实验迭代80 次开始收敛，当训练次数达到80 伦时TW-TOF 准确率接近100%。

图6 实验迭代次数与训练准确率关系示例

4 结语

本文首先对乌江渡发电厂厂房进行实地场景调研，对厂房的干扰因素、厂房空间结构以及厂房内桥机大、小车和吊钩的行走轨迹进行分析。本文提出一种基于卷积神经网络的坐标定位算法，通过TW-TOF 测距算法获取厂房内各点之间的距离，构成定位点的坐标数据，利用卷积神经网络学习其坐标数据特征实现厂房内部桥机精准定位，并将本文提出的方法与RSS、TOA 定位算法进行对比，本文所提出的算法可实现更精准、快速的定位。在以后的工作中，我们将围绕如何利用图像信息的优势，发挥监控视频的实时性和动态性，将其与超声波信息相结合，提取更加准确的桥机位置表征信息，从而实现更为精准的厂房桥机定位，避免复杂传感器的布置并减少成本。