基于Hadoop云平臺的礦井指紋定位算法

韓繼英 李芳麗 朱元凱

(1.山西職業技術學院計算機工程系,山西 太原 030006;2.馬來西亞林肯大學工程學院,雪蘭莪州 八打靈再也 47301;3.泰山職業技術學院信息技術工程系,山東 泰安 271001)

隨著互聯網和信息技術的快速發展,大數據技術逐漸成為礦井行業信息化建設的重要組成部分。礦井定位技術作為礦井生產管理中的重要手段,其準確性和實時性對于保障礦井生產安全具有至關重要的作用。隨著礦井深度增加和礦井規模擴大,傳統的礦井定位技術已經無法滿足礦井生產管理需求[1]。因此,如何利用先進的技術手段提高礦井定位的準確性和實時性已成為亟須解決的問題。

指紋定位技術是一種基于信號指紋的定位技術[2],該技術通過采集環境中的信號指紋,如Wi-Fi信號強度、藍牙信號強度、地磁傳感器等[3],將這些指紋與已知的指紋庫進行匹配,從而確定當前位置。相比于其他定位技術,指紋定位技術具有定位精度高、適用范圍廣、無需額外設備等優點,已被廣泛應用于室內定位、物聯網、智能交通等領域[4]。近年來,隨著礦井指紋定位技術日趨成熟,利用礦井指紋定位已成為礦井生產管理的重要手段,其準確性和實時性對于保障礦井生產安全具有至關重要的作用。然而,傳統的礦井定位技術已經無法滿足礦井生產管理需求。隨著礦井深度增加和礦井規模擴大,礦井環境的復雜性也越來越高,這導致傳統的定位技術在精度和實時性上存在著很大的限制[5-6]。其次,礦井信號會受到多種因素干擾,如多徑效應、障礙物遮擋等,從而導致采集的信號指紋存在一定的誤差,并且指紋庫的建立和維護也是一個難點,因為礦井內的信號會隨著時間和環境的變化而發生變化,因此需要不斷地更新和維護指紋庫。此外,礦井內存在大量的節點和數據,需要進行大規模的計算和處理。

礦井指紋定位技術的研究起源于2003年[7],自此之后,礦井指紋定位技術逐漸發展壯大,并在礦山得到了廣泛應用。礦井指紋定位技術的研究主要涉及信號采集、指紋提取和定位算法[8-9]3 個方面。信號采集是實現礦井指紋定位的第一步,采集的信號將用于指紋提取和定位算法。礦井指紋定位技術采集信號的方式主要包括:① 采用無線傳感網絡,將各個節點采集的信號上傳到中心服務器;② 采用激光掃描等技術,將礦井內的地形、巖層等信息轉化為信號指紋。其中,指紋提取是礦井指紋定位技術的關鍵步驟,主要涉及特征提取和指紋庫建立。特征提取是將采集的信號轉化為能夠用于定位的特征向量的過程,常用的特征提取算法包括主成分分析、小波變換等[10-12]。然而在實踐中,指紋定位技術的應用受到了多種因素限制。首先,礦井環境復雜多變,存在大量的噪聲和干擾信號,這會影響指紋定位的準確性和可靠性。其次,礦井的地形地貌復雜,導致信號傳輸路徑復雜,難以建立準確的指紋庫。此外,傳統的指紋定位算法通常需要大量的計算資源和存儲資源,難以滿足礦井定位實時性的要求。

為此,本研究提出一種基于Hadoop云平臺的礦井指紋定位算法,旨在提高礦井定位的準確性和實時性。Hadoop 是一種開源的分布式計算平臺,具有高可靠性、高可擴展性、高性能等優點,已被廣泛應用于大數據處理領域。本研究將采集的礦井信號指紋存儲在Hadoop 分布式文件系統中,并使用MapReduce計算模型進行指紋匹配和位置識別,從而實現礦井指紋定位的高效實時計算。

1 礦井指紋定位算法

1.1 基本思路

隨著礦井深度增加和規模擴大,礦井安全監測和管理成為重要的研究領域。礦井指紋定位是其中的一項關鍵技術,能夠在礦井中快速、準確地定位移動目標,提高礦井生產的安全性和效率。本研究基于Hadoop云平臺,提出了一種礦井指紋定位算法,通過數據預處理、指紋特征提取、指紋匹配和定位結果輸出4 個步驟,實現了對礦井指紋的提取和定位。礦井指紋定位流程如圖1所示。

圖1 礦井指紋定位流程Fig.1 Flow of mine fingerprint localization

1.2 數據預處理

礦井信號預處理是指在指紋提取前對礦井中多基站信號源進行預處理,旨在提高指紋特征的可靠性和區分度。通常采用均值濾波、中值濾波、小波去噪、信噪比增強等方法進行預處理[13]。此處,數據預處理僅對原始數據進行清洗和壓縮。其中,數據清洗包括去噪和異常值處理兩個過程,數據壓縮采用Lempel-Ziv-Welch(LZW)算法[14]實現,具體實現方法分析如下。

1.2.1 數據清洗

以均值濾波為例,假設數據序列為{x1,x2,…,xn} ,窗口大小為k(k

式中,i,j

在異常值處理過程中,可以采用基于統計學方法或基于模型的方法。以基于統計學方法中的3σ原則為例,假設數據序列為{x1,x2,…,xn} ,則首先計算出均值μ和標準差σ,然后將大于μ +3σ或小于μ-3σ的值視為異常值,并進行替換或刪除處理。

1.2.2 數據壓縮

Lempel-Ziv-Welch(LZW)算法是一種常用的無損數據壓縮算法。該算法采用字典編碼方法進行壓縮[15],將輸入的數據序列映射為一系列短代碼,從而減小數據規模。具體實現步驟如下:

(1)初始化字典,將所有單個字符作為初始字典項。

(2)掃描輸入序列,將序列中的字符序列逐步加入字典中,同時輸出其對應的編碼序列。

(3)如果加入新的字符序列后,字典已滿,則刪除最舊的字典項,以騰出空間。

(4)重復步驟(2)、步驟(3),直到輸入序列全部掃描完畢。

1.3 指紋特征提取

離散小波變換是指將礦井多基站信號分解成多個頻帶,以便去除噪聲和冗余信息,提取出具有代表性的指紋特征向量[16]。本研究通過小波變換處理,將礦井多基站信號分解成不同尺度的頻帶,在保留信號細節信息的同時進行信號分解;然后通過對各個頻帶系數的閾值處理和重構,得到具有代表性的指紋特征向量。

在離散小波變換的基礎上,通過對各個尺度的頻帶系數進行分析和處理,提取出具有代表性的礦井指紋特征。具體來說,通過對高頻子帶系數的處理,可以提取出礦井邊緣、紋理等細節特征;然后,對低頻子帶系數進行處理,可以提取出礦井的整體特征;最后,將這些特征組合起來,形成礦井指紋特征向量。離散小波變換的礦井指紋特征提取偽代碼見表1。

表1 基于離散小波變換的礦井指紋特征提取算法偽代碼Table 1 Pseudo-code of mine fingerprint feature extraction algorithm based on discrete wavelet transform

1.4 指紋匹配

對于每個需要定位的礦工或移動設備,將指紋信號分為若干個子信號區域,并計算每個區域的相關系數矩陣。公式為

式中,Rxy為相關系數,xi和yi分別為兩個向量中的第i個元素;和分別為兩個向量的均值;n表示向量的長度。

將這些相關系數矩陣與之前采集的指紋信號庫中的所有指紋進行比對,計算兩者之間的相似度。此處,選擇與輸入指紋信號相似度最高的前k個指紋信號,作為最終匹配結果。指紋匹配流程偽代碼見表2。

1.5 基于Hadoop云平臺的礦井指紋定位

基于上述指紋匹配結果,利用多普勒效應和信號衰減等原理,對每個節點的位置進行估計。本研究利用最小二乘法計算節點位置[17],得到每個節點在礦井中的坐標。在此基礎上,將上述礦井指紋定位算法嵌入基于Hadoop 的云平臺系統上。Hadoop 的核心組件包括HDFS(Hadoop 分布式文件系統)和MapReduce[18]。HDFS 是一個分布式文件系統,用于存儲大規模數據。MapReduce 是一種分布式計算模型,用于在Hadoop 上處理大規模數據[19]。此外,Hadoop 還包括其他組件,如YARN(Hadoop 資源管理器)和HBase(分布式列式數據庫)等[20]。本研究基于Hadoop云平臺的礦井指紋定位模型部署結構如圖2所示。

圖2 Hadoop云平臺礦井指紋定位模型部署結構Fig.2 Deployment structure of mine fingerprint positioning model of Hadoop cloud platform

總體來說,通過Hadoop云平臺進行分布式計算可以提高計算效率,降低計算復雜度,并且可以對大規模數據進行處理。同時,Hadoop 還具備良好的容錯性和可擴展性,可以適應不同規模的數據處理需求。

2 試驗分析

2.1 試驗環境

試驗硬件環境:CPU,Intel(R)Xeon(R)Gold 6130 CPU@2.10 GHz;內存選擇256GB DDR4-2666 ECC RDIMM;網絡環境為以太網千兆交換機。試驗軟件環境:采用操作系統為CentOS Linux release 7.6.1810(Core)的PC 機,Hadoop 版本為Apache Hadoop 3.1.2;開發語言為Java 版本,OpenJDK Runtime Environment(build 1.8.0_212-b04)。

2.2 試驗算法描述

本研究提出的基于Hadoop云平臺的礦井指紋定位算法運行流程如下:

(1)數據采集。在井下部署4 個相差8 m 的無線路由器,并將其作為信號發射基站的數據采集源,本地選擇PC 機作為信號接收源,每組采集50 組數據,共采集5 組,共包含250 組數據。

(2)數據傳輸。將采集的數據通過網絡傳輸至Hadoop云平臺上的數據節點,存儲為文本文件格式。

(3)數據預處理。對采集的數據進行清洗、去重、過濾等預處理操作,以保證數據質量和準確性。

(4)數據分析和特征提取。利用MapReduce 編程模型對預處理后的數據進行分析和特征提取操作,提取出與工人位置相關的特征信息。

(5)建立指紋庫。根據特征提取結果,建立礦井指紋庫,包含每個位置的特征向量。

(6)定位算法實現。根據工人在礦井內部采集的數據,利用指紋匹配算法在指紋庫中尋找最佳匹配項,從而確定其當前位置。

(7)結果輸出和可視化。將定位結果輸出到文件或數據庫中,并通過可視化方式呈現給用戶,便于用戶掌握工人的位置信息。詳細流程如圖3所示。

圖3 礦井指紋定位算法運行流程Fig.3 Operation flow of mine fingerprint location algorithm

2.3 性能比較

以國內某煤礦為例,在井下進行離線采樣和實時定位信息采集,并與多組仿真試驗結果進行對比分析。在不同位置上收集RSS(Recombination signal sequence)信號數據,并記錄位置信息,信號采樣分布如圖4所示。在此基礎上,通過預處理和特征提取等步驟,建立指紋庫。最后進行實時定位信息采集,將采集到的信號數據與指紋庫進行匹配,并輸出位置信息。

圖4 礦井指紋信號分布Fig.4 Distribution of mine fingerprint signal

為驗證所提算法的有效性,分別選擇高斯濾波、卡爾曼濾波指紋定位算法與本研究算法進行性能對比,結果見表3。3 種算法的定位誤差曲線如圖5所示。

表3 3 種算法定位性能對比Table 3 Comparison of the localization performance of three algorithmsm

圖5 3 種算法的定位誤差曲線Fig.5 Localization error curves of three algorithms

由表3 可知:本研究所提算法具有較高的定位精度和穩定性,可以滿足實際應用需求,但因各種因素(如噪聲、干擾等)影響,真實位置與模型計算位置之間仍然存在部分偏差。相比當前主流的定位算法高斯濾波和卡爾曼濾波指紋定位算法,所提模型的綜合性能優勢明顯,此外圖5 給出的位置偏差曲線再一次驗證了所提算法的有效性和穩定性。

本研究算法與高斯濾波、卡爾曼濾波指紋定位算法的耗時對比如圖6所示。由圖6 可知:本研究算法耗時相對于其余兩類算法而言有一定的優勢,將其部署于Hadoop云平臺上有助于提升數據采集與傳輸的時效性。

圖6 3 種算法耗時對比Fig.6 Comparison of time-consuming of three methods

3 結論

(1)提出了一種基于Hadoop云平臺的礦井指紋定位算法,通過將多基站源信號分解為若干個子信號區域,逐區域計算待測信號源與特征集之間的相關性。并借助Hadoop云平臺的高性能和可擴展性,結合指紋識別技術實現了在礦井環境下的準確定位。通過與當前主流的指紋定位算法相比,所提算法在定位精度和實時性上均具有一定的優勢。

(2)后續工作中,可以進一步優化算法的計算效率和減少誤差;同時,將算法與更多實際應用場景相結合,如智能采礦和安全管理等方面。基于Hadoop云平臺的礦井指紋定位算法為解決礦井定位問題提供了一種新思路。