基于UWB 與卷積神經網絡的烏江渡發電廠廠房橋機定位算法研究

程義江，劉浪，葉長紅，周德超，高鈺敏，韓信

(1.貴州烏江水電開發有限責任公司烏江渡發電廠，貴州 遵義 563104；2.微特技術有限公司,湖北 宜昌 443000)

1 引言

橋機廣泛應用于工礦企業、車站、港口、水電廠等，一般由訓練有素的熟練人員手動操作，進行啟動、停止、來回移動、升降等操作。橋機的吊鉤在運行時由于慣性、風阻、摩擦等原因，往往會出現擺動，這給技術熟練的人員帶來了很大的困難，因為必須在準確停機的同時防止吊鉤擺動，否則會出現各種安全問題，也會降低橋機的工作效率。因此，實現吊鉤的防擺控制和車體的精確定位，實現高效、安全、自動的工作是橋式起重機的關鍵任務之一。

烏江渡發電廠是貴州首座百萬千瓦級水電廠，烏江渡發電廠為了滿足無人/少人的要求，在技術上盡可能實現設備智能化，本文依托的烏江渡發電廠地下室內廠房如圖1 所示。

圖1 廠房示意圖

由圖1 可知，烏江渡發電廠廠房內的發電機組會產生極強的電磁干擾，廠房內狹小空間中橋機大、小車、吊鉤的移動極易與廠房內部設備發生碰撞。同時該廠房為地下型廠房，廠房內部濕度較大，橋機整體設計落后，控制系統長期處在潮濕環境中，損壞率較高。克服上述問題，實現大型橋機在廠房內部的精準定位是亟需解決的關鍵問題。

在廠房橋機定位任務中，采用超寬帶(Ultra-Wideband，UWB)技術的優勢主要包括以下3 個方面：（1）系統結構實現較為簡單。UWB 技術通過發送納秒脈沖的非正弦波來傳輸數據信號，發射機直接采用脈沖小激勵天線，不使用傳統收發機所需要的上變頻，因此不需要功能放大器和混頻器，而且無需中頻處理，因此實現超寬帶系統的結構相對簡單。（2）定位精確度較高。超寬帶技術具有極強的穿透性，可以在廠房內和地下進行精確定位。（3）安全系數較高。UWB 作為通信系統的物理層技術，具有天然的安全性能。

據此，本文主要以烏江渡發電廠廠房為例對其進行橋機定位研究，設計了一種基于卷機神經網絡的坐標定位方法，利用卷機神經網絡提取坐標特征，采用雙向飛行時間法測量了不同基站之間的距離，針對每個基站的坐標信息建立坐標數據庫，然后對坐標數據庫中的信息進行預處理，并利用卷機神經網絡學習坐標數據庫中的數據特征。最后，利用該模型實現烏江渡發電廠廠房橋機的定位，實驗表明，相比于傳統的室內橋機定算法，本文算法具有較高的定位精度以及魯棒性，從而有效地避免了烏江渡發電廠廠房內極強的電磁干擾，保證了在廠房內狹小空間中精確定位的有效性。

2 超寬帶定位算法設計

2.1 卷積神經網絡的坐標定位

卷積神經網絡作為一種極為有效的模型被廣泛應用于工業、醫療、環境等多個領域，尤其是在圖像識別與圖像分類任務中取得了良好的效果。因此，針對NLOS 環境，本文充分發揮了卷積神經網絡在特征提取方面的優勢，設計了一種基于卷積神經網絡的坐標定位算法，如圖2 所示。

圖2 卷積神經網絡模型圖

本文所提算法中的卷積神經網絡是一種多層的監督學習神經網絡，網絡模型通過采用梯度下降法最小化損失函數，對網絡中的權重參數逐層反向調節，通過頻繁的迭代訓練提高網絡的精度。當處理圖像分類任務時，我們會把CNN 輸出的特征空間作為全連接層的輸入，用全連接層來完成從輸入到標簽集的映射。當然，整個過程最重要的工作就是如何通過訓練數據迭代調整網絡權重。

2.2 TW-TOF 測距算法

測距采用雙向飛行時間法（two way-time of flight，TW-TOF），檢測兩點之間的無線電飛行時間，即雙向飛行時間，如圖3 所示。

圖3 雙邊雙向測距示意圖

雙邊雙向測距，設備A（Device A）主動發送（TX）數據，同時記錄發送時間戳，設備B（Device B）接收（RX）到之后記錄接收時間戳。設備A 主動發起第一次測距消息，設備B 響應，當設備A 收到數據之后，再返回數據，可以得到如下4 個時間差Tround1、Tround2、Treply1、Treply2。最終得到無線信號的飛行時間Tprop，見公式1。

公式1 為測距的機制是非對稱的測距方法情況，對于響應時間不要求相同。在實際情況中設備發送、接收數據需要時間，假設設備A 和設備B 的時鐘偏移量分別為ea和eb，則飛行時間測量為公式2 所示。

雙邊雙向測距飛行時間的誤差為公式3 所示。

由于ea＜＜1 和eb＜＜1。飛行時間的誤差化簡，如公式4 所示。

3 UWB 定位實驗

3.1 收集數據集

在實驗場里每相同距離選取一個采樣點。然后數據采集人員站在采樣點上進行數據集采集。采用雙向飛行時間法（TW-TOF）采集采樣點到4 個不同定位基站節點之間的距離，采集到的連續時間序列作為該采樣點的坐標信息。然后分別采集區域內每個采樣點的坐標信息，建立該區域的坐標數據庫。在每個待測點上收集定位標簽與基站之間的距離數據，將距離數據作為坐標信息存入坐標數據庫中。如圖4 所示。

圖4 現場實驗選取樣本點示意圖

3.2 建立坐標數據庫

本文建立坐標數據庫，布置多個超寬帶基站和標簽，收集每個待測點的標簽與各個基站之間的距離作為坐標信息，并將數據存入坐標數據庫。在場地內每相隔相等的距離取測試點直至測試點布滿整個場地。在每個測試點取連續的多個時刻的標簽和4 個基站間的距離，構成一個數組，作為該點坐標特征。

訓練坐標數據庫時，卷積神經網絡輸入的坐標特征需先進行標準差歸一化處理，輸出的位置信息需要經過編號處理并記錄編號方式，如圖5 所示為部分輸入數據示例圖。相應的實測信號定位中的待測數據也需要進行標準差歸一化處理，且采用的均值和標準差應參考訓練輸入時的數值。

圖5 部分輸入數據示例圖

3.3 訓練坐標數據

將坐標定位數據庫中的信息隨機打亂，分為訓練數據（0.9）和測試數據（0.1）。使用訓練數據對卷積神經網絡進行多次訓練，并使用測試數據測試準確率。學 習 率 為0.0001，epoch 為200，batch_size 為10，kernel_size=9，進行訓練。

如表1 所示，不同定位算法在基站數、硬件要求、定位精度比較，RSS 與TOA 定位在現實中定位精度，已經使用的基站個數方面上，都與本文定位算法有一定的差距。

表1 不同定位方法的區別

如圖6 測距實驗所示。調用訓練好的卷積神經網絡模型，輸入標準差歸一化后的待測數據，輸出即為代表位置信息的編號，通過查詢編號方式即可得到相應的位置信息，使用TW-TOF 算法與RSS、TOA 算法比較，實驗迭代80 次開始收斂，當訓練次數達到80 倫時TW-TOF 準確率接近100%。

圖6 實驗迭代次數與訓練準確率關系示例

4 結語

本文首先對烏江渡發電廠廠房進行實地場景調研，對廠房的干擾因素、廠房空間結構以及廠房內橋機大、小車和吊鉤的行走軌跡進行分析。本文提出一種基于卷積神經網絡的坐標定位算法，通過TW-TOF 測距算法獲取廠房內各點之間的距離，構成定位點的坐標數據，利用卷積神經網絡學習其坐標數據特征實現廠房內部橋機精準定位，并將本文提出的方法與RSS、TOA 定位算法進行對比，本文所提出的算法可實現更精準、快速的定位。在以后的工作中，我們將圍繞如何利用圖像信息的優勢，發揮監控視頻的實時性和動態性，將其與超聲波信息相結合，提取更加準確的橋機位置表征信息，從而實現更為精準的廠房橋機定位，避免復雜傳感器的布置并減少成本。