基于智能大數(shù)據(jù)的礦井突發(fā)事件定位技術(shù)研究

梁華

摘要：當?shù)V井下瓦斯?jié)舛瘸瑯说仁录l(fā)生時，如果不能及時檢測到事件發(fā)生的位置，通常會帶來非常嚴重的人員傷亡和經(jīng)濟損失。因此，我們考慮采用基于智能大數(shù)據(jù)的礦井監(jiān)控系統(tǒng)對突發(fā)事件進行準確及時地定位操作。目前，在無限傳感器網(wǎng)絡(luò)中使用較多的定位算法是DV-Hop算法，但定位精度較差。因此本文提出了一種基于粒子群優(yōu)化的改進PDV-Hop算法。實驗表明，相比于原有的DV-Hop算法，PDV-Hop算法大大降低了突發(fā)事件的平均定位誤差。

關(guān)鍵詞：定位問題；DV-Hop算法；無線傳感器網(wǎng)絡(luò)；粒子群優(yōu)化

引言

在礦井生產(chǎn)作業(yè)過程中，當某些特定事件，如礦井下瓦斯?jié)舛瘸瑯?、礦井塌陷、管道泄漏等事件發(fā)生時，如果不能及時檢測到事件發(fā)生的位置，通常會帶來非常嚴重的人員傷亡和經(jīng)濟損失。本文考慮采用基于無線傳感器網(wǎng)絡(luò)技術(shù)[1] （Wireless Sensor Network， WSN）的礦井監(jiān)控系統(tǒng)對礦井的生產(chǎn)作業(yè)進行實時監(jiān)測。在監(jiān)測活動中，對象的位置信息對整個監(jiān)測活動起著非常重要的作用。因此，如何及時準確地對突發(fā)事件進行定位是WSN監(jiān)控系統(tǒng)中最急需研究的問題之一。

1無線傳感器網(wǎng)絡(luò)節(jié)點定位問題

在WSN中，現(xiàn)在主要的定位技術(shù)分為節(jié)點自身定位和移動目標定位，而當前提出的定位算法主要基于無需測距的算法。在無需測距的算法研究中，DV-Hop[2]算法是目前被研究得最多的算法，其主要原理是基于跳段的方式，來估算未知節(jié)點和錨結(jié)點之間的距離。目前很多的定位算法都是基于此進行改進，常見的用遺傳算法 [3]、禁忌搜索[4]等算法對其做優(yōu)化，也有研究采用多種混合算法，來對其做全局的優(yōu)化，以增強其全局搜索能力。本文也在此基礎(chǔ)上，提出了一種基于粒子群優(yōu)化（Particle Swarm Optimization， PSO） [5]來對DV-Hop算法進行改進，以提高定位的精度。

2 DV-HOP算法

DV-Hop算法具有方法簡單，定位精度較高的特點，它主要依賴節(jié)點間的信息交換和協(xié)調(diào)，由節(jié)點自行計算定位。它的實現(xiàn)主要分為以下三步：

（1） 計算未知節(jié)點與每個錨節(jié)點的最小跳數(shù)。信標節(jié)點向鄰居節(jié)點廣播自身位置信息的分組，其中包括跳段信息，且將該值初始化為0，并接受其他錨節(jié)點的最小跳數(shù)信息，忽略來自同一個錨節(jié)點的較大跳數(shù)的信息，然后將跳數(shù)值加1轉(zhuǎn)發(fā)給鄰居節(jié)點。

（2） 計算平均每跳距離。一旦一個錨節(jié)點得到了其他所有錨節(jié)點的信息，該錨節(jié)點就會計算平均每跳距離HopSizei，HopSizei被未知節(jié)點用來粗略估算到每個錨節(jié)點的歐式距離，即每個錨節(jié)點估計平均每跳的距離，并廣播該值。

（3） 對未知節(jié)點進行定位計算。當未知節(jié)點接收到3個及以上的HopSizei值后，就可使用極大似然估計法或三邊測量法來進行數(shù)學(xué)運算，估算未知節(jié)點的坐標值。當未知節(jié)點與所有錨節(jié)點的估計距離已知時，我們便可對未知節(jié)點的位置進行計算。

3 PDV-HOP算法

因為距離為預(yù)測值，因此存在一定的誤差。定位問題的實質(zhì)就是要盡量減小誤差，該問題可用公式（3）表示為：

其中為位置節(jié)點的預(yù)估值，AT為錨節(jié)點的坐標位置。

本文提出的PDV-Hop算法是使用PSO算法對原有的DV-HOP算法進行優(yōu)化和改進，該算法的適應(yīng)度函數(shù)可用公式（4）表示：

第一步：計算每一個節(jié)點到每一個錨節(jié)點的最小跳數(shù)值和平均單跳距離，并根據(jù)最小二乘法求解未知節(jié)點的位置。

第二步：根據(jù)DV-Hop求解得出的未知節(jié)點位置初始化粒子群。

第三步：使用粒子群優(yōu)化算法，計算當前粒子群的適應(yīng)函數(shù)值。

第四步：根據(jù)Gbest和pbesti計算粒子群中成員新的速度，并根據(jù)該速度求得新的位置。

第五步：對新的粒子群成員進行測試，看是否符合接受標準，以此跳出局部最小值。

終止標準：當?shù)螖?shù)達到我們預(yù)先設(shè)定的最大值的值時，循環(huán)停止。

4實驗和結(jié)果分析

我們將基于PSO算法改進的PDV-Hop算法應(yīng)用到基于WSN的礦井監(jiān)控系統(tǒng)仿真實驗中，使用Matlab 7.0對該算法進行仿真，并和現(xiàn)有的DV-Hop算法及MEDV-Hop算法進行比較。仿真場景設(shè)置如下：模擬在礦井下部署100個傳感器節(jié)點，其中信標節(jié)點為60個，區(qū)域范圍為100米×100米。控制參數(shù)被設(shè)置為：通信半徑R = 15米， c1 = c2 = 2， ω = 0.6；對定位問題主要的檢測標準為平均定位誤差。因此本文將從定位誤差上對比DV-Hop算法和PDV-Hop算法，仿真結(jié)果如圖1所示：

其中1（a）圖為DV-Hop算法下未知節(jié)點的定位誤差，范圍在3%-45%之間，平均誤差在20%左右；1（b）圖為PDV-Hop算法下未知節(jié)點的定位誤差，范圍在1%-17%之間，平均誤差在9%左右。從1（a），（b）圖對比可知，通過PDV-Hop算法，未知節(jié)點的定位誤差降低到17%以下。

5 結(jié)論

在本文中，我們使用基于WSN的礦井監(jiān)控系統(tǒng)對礦井下的突發(fā)事件進行監(jiān)測和定位。為了提高定位的精度，我們在原有的DV-Hop算法基礎(chǔ)上，采用PSO（Particle Swarm Optimization）算法對其進行改進，提出PDV-Hop算法。通過仿真實驗結(jié)果可知，在基于WSN的礦井監(jiān)控系統(tǒng)中PDV-Hop算法相比于傳統(tǒng)的DV-Hop算法，平均定位誤差減少了55%，在不需增加額外硬件支持的情況下，大大降低定位誤差。因此，在實際的基于WSN的礦井監(jiān)控系統(tǒng)中使用該算法，可以大大提高監(jiān)控系統(tǒng)的定位精確度。

參考文獻：

[1] Akyildiz IF， Su W， Sankarasubramaniam Y， Cayirci E. A survey on sensor networks [J]. IEEE Communications Magazine， 2002， 40（8）：102-114.

[2] D. Niculescu and B. Nath. DV Based Positioning in Ad hoc Networks. Journal of Telecommunication Systems[J]， 27（5）， 136-142， 2003.

[3] D. E. Goldberg. Genetic Algorithms in Search， Optimization and Machine Learning[M]， Reading， Mass. Addison Wesely， 1989.

[4] J. A. Bland and G. P. Dawson， Tabu Search and Design Optimization[J]， 1991， 23（3）：195-201.

[5] 葉蓉，趙靈鍇. 基于蟻群粒子群混合的無線傳感器網(wǎng)絡(luò)定位算法[J] . 數(shù)據(jù)測量與控制，2011，19（3）：732-735.