PDR algorithm for precise positioning of underground personnel based on LSTM personalized step size estimation
-
摘要: 针对传统的行人航位推算(PDR)算法由于步长和航向累积误差导致定位精度较低，不能满足井下人员精准定位需求的问题，提出了一种基于长短时间记忆网络(LSTM)个性化步长估计的井下人员精准定位PDR算法。首先采集井下人员运动中的加速度、陀螺仪惯性信息，解算每一步运动距离构建步长数据，通过离线训练获得井下人员个性化步长估计LSTM模型；然后在在线预测阶段通过矿用本安智能手机实时采集加速度、陀螺仪、地磁等井下人员运动数据，分别采用步伐检测算法、个性化步长估计模型获得井下人员运动步伐及每一步的步长，利用卡尔曼滤波融合航向估计算法获得航向角；最后根据步长估计和航向角预测井下人员当前位置。在内蒙古鄂尔多斯市高头窑煤矿采集井下人员运动数据进行试验，结果表明：基于LSTM个性化步长估计的井下人员精准定位PDR算法对井下人员运动中的步伐检测精度为96.5%，步长预测精度为90%；在井下真实环境中的相对定位误差为2.33%，提高了煤矿井下人员定位的精度。Abstract: The traditional pedestrian dead reckoning (PDR) algorithm has low positioning precision due to the accumulated errors of step size and heading, which can not meet the requirements of precise positioning of underground personnel. In order to solve the problem, a PDR algorithm for precise positioning of underground personnel based on long short-term memory (LSTM) personalized step size estimation is proposed. Firstly, the acceleration and gyroscope inertia information in the movement of underground personnel is collected, and the movement distance of each step is calculated to construct step size data. The LSTM model of personalized step size estimation of the underground personnel is obtained through off-line training. Secondly, in the online prediction stage, the underground personnel movement data such as acceleration, gyroscope and geomagnetism are collected in real-time through the mine intrinsically safe smart phone. The underground personnel movement step and step size of each step are obtained by using the step detection algorithm and personalized step size estimation model respectively. The heading angle is obtained by using the Kalman filtering and heading estimation algorithm. Finally, the current position of underground personnel is predicted according to step size estimation and heading angle. In Inner Mongolia Ordos Gaotouyao Coal Mine, the underground personnel movement data is collected for testing, and the results show as follows. The PDR algorithm for precise positioning of underground personnel based on LSTM personalized step size estimation has a step detection precision of 96.5% and a step size prediction precision of 90%. The algorithm has a relative positioning error of 2.33% in the real underground environment, which improves the personnel positioning precision in coal mine.
-
0. 引言
我国煤矿井下电压等级多，大多数煤矿采用127 V或660 V作为矿用电源的交流输入电压。随着煤矿井下自动化程度提高，各种监测、通信设备用于供电电压为1 140 V的综采工作面，部分煤矿要求矿用电源能够直接接入1 140 V供电系统中。
MT/T 408—1995《煤矿用直流稳压电源》要求矿用电源交流输入电压波动范围为标称值的75%～110%，在127 V供电系统中，交流输入电压下限值约为95 V，在1 140 V供电系统中，交流输入电压上限值为1 254 V。煤矿井下环境复杂，矿用电源输入端与井下供电端之间采用数千米长的电缆进行连接，在相同负载下，交流输入电压越低，电流越大，供电电缆线损越严重。当127 V电压波动至标称值的75%时，供电电缆压降约为20 V，矿用电源输入电压约为70 V。当1 140 V电压波动至标称值的110%时，保留10%的电压裕量，矿用电源输入电压约为1 400 V。在满足煤矿电压等级的前提下，最大程度地提高矿用电源的输入电压范围，使矿用电源能够自适应70～1 400 V交流电压，是矿用电源发展趋势。
目前矿用电源主要采用反激变换器拓扑结构，如文献[1]采用多个反激变换器串联，降低了功率管电压应力，具有结构简单、成本低的特点，但功率管占空比受到限制，反激变换器电压增益小，无法自适应70～1 400 V交流电压。文献[2]提出了基于三电平变换器的宽范围开关电源，但功率管电压应力大，输入交流电压为95～825 V，无法应用于煤矿1 140 V供电系统中。文献[3-6]提出了LLC变换器，采用谐振工作方式，降低了功率管损耗，提高了效率，但受限于变换器谐振工作频率，电压增益无法增大。文献[7-9]设计的变换器为非隔离型，不满足输入输出电气隔离要求，且功率管电压应力大。文献[10-11]为降低功率管电压应力，采用多电平拓扑结构，但引入过多二极管和电容，导致控制复杂，不利于电源的稳定性且成本高。本文提出了一种矿用宽输入电压范围级联变换器设计方案，通过电容串联分压降低功率管电压应力，采用Buck变换器与LLC变换器串联方式提高变换器电压增益。
1. 级联变换器设计
矿用宽输入电压范围级联变换器由3路相同的Buck变换器和LLC变换器组成，如图1所示。交流电经不控整流电路整流后，通过电容串联分压分成3路幅值相近的电压，作为Buck变换器输入电压；Buck变换器将电压调节至一定范围，作为LLC变换器输入电压；LLC变换器利用压频变换，输出稳定的直流电压。
![]()
图 1 矿用宽输入电压范围级联变换器拓扑结构Figure 1. Topology of mine cascaded converter with wide input voltage range1.1 Buck变换器
交流输入电压经整流后得到的直流电压Udc被电容C11，C21，C31分压，每个电容电压约为Udc/3，使Buck变换器中功率管Q11，Q21，Q31承受的电压应力为直流电压的1/3；储能滤波电感L11，L21，L31和滤波电容C12，C22，C32对Buck变换器输出电压进行滤波储能；当Q11，Q21，Q31断开时，二极管D11，D21，D31进行续流。
由于输入电压范围宽，Buck变换器采用输出电压闭环和输入电压前馈补偿环相结合控制方式，调节Q11，Q21，Q31占空比，并对占空比进行限幅，维持输出电压稳定，如图2所示。图2中，Uref1为Buck变换器给定电压，Ubus_set为前馈补偿环基准电压，Uin为输入电压，Gvd(s)为占空比扰动与输出电压扰动的传递函数，UBuck为输出电压，Kvf1为Buck变换器电压反馈系数。
占空比扰动与输出电压扰动的传递函数为
$$ {G_{{\rm{vd}}}(s)} = \dfrac{U_{\rm{in}}}{{s^2}{L_{11}}{C_{12}} +{\dfrac{sL_{11}}{R}}+1}$$ (1) 式中：s为拉普拉斯算子；R为Buck变换器等效负载。
1.2 LLC变换器
LLC变换器中功率管Q12，Q13，Q22，Q23，Q32，Q33组成半桥；谐振电容Cr1，Cr2，Cr3和谐振变压器 T1，T2，T3组成谐振网络，其中Lr1，Lr2，Lr3分别为谐振变压器T1，T2，T3漏磁电感，Lm1，Lm2，Lm3分别为谐振变压器T1，T2，T3励磁电感；二极管D12，D13，D22，D23，D32，D33将谐振电压整流成直流电压，并在功率管关闭时进行续流；C13，C23，C33为输出滤波电容。
为实现LLC变换器稳压输出，采用脉冲频率调制技术对输出电压进行闭环控制，通过压控振荡器对功率管Q12，Q13，Q22，Q23，Q32，Q33进行变频驱动，改变谐振网络工作频率，稳定输出电压，如图3所示。图3中，Uref2为LLC变换器给定电压，Kvf2为LLC变换器电压反馈系数，Uout为LLC变换器输出电压。
在最低输入电压或最高条件下需调节LLC变换器电压增益进行稳压，变换器电压增益为[12]
$$\begin{aligned} & M = \left| {\frac{{{\omega ^2}{C_{{\rm{r}}1}}{R_{{\rm{ac}}}}{L_{{\rm{m}}1}}}}{{{\rm{j}}\omega {L_{{\rm{m}}1}}(1 - {\omega ^2}{L_{{\rm{r}}1}}{C_{{\rm{r}}1}}) + {R_{{\rm{ac}}}}\left[ {1 - {\omega ^2}{C_{{\rm{r}}1}}({L_{{\rm{m}}1}} + {L_{{\rm{r}}1}})} \right]}}} \right| \hfill \\&{} \end{aligned}$$ (2) 式中：ω为谐振角频率；Rac为谐振变压器初级等效负载。
当LLC变换器输入电压为最高电压时，变换器需提供最小电压增益：
$${ {M_{\min}}= \frac{{L_{{\rm{m}}1} + {L_{{\rm{r}}1}}}}{{L_{{\rm{m}}1}}} = \frac{{k + 1}}{k} }$$ (3) 式中k为励磁电感和初级漏磁电感比值。
当LLC变换器输入电压为最低电压时，变换器需提供最大电压增益：
$${{ M_{\max}} = \frac{{U_{{\rm{inmax}}} }}{{U_{{\rm{inmin}} }}}{M_{\min}} }$$ (4) 式中：Uinmax为LLC变换器最高输入电压；Uinmin为LLC变换器最低输入电压。
LLC变换器中谐振变压器匝比为
$$ n = \frac{{U_{{\rm{inmax}} }}}{{2(U_{\text{out}} + 2U_{\rm{f}})}}{M_{\min}} $$ (5) 式中Uf为谐振变压器次级整流二极管压降。
由式（5）及LLC变换器整体效率E和输出功率Pout计算谐振变压器初级等效负载：
$$ R_{\rm{ac}} = \frac{{8{n^2}U_{{\rm{out}}}^2}}{{{\text{π} ^2}P_{{\rm{out}}}}}E $$ (6) 谐振电容为
$$ {C_{{\rm{r}}1}} = \frac{1}{{2 \text{π} Qf_{\min}R_{{\rm{ac}}}}} $$ (7) 式中：Q为品质因数；fmin为最低谐振频率。
谐振变压器漏磁电感为
$$ {L}_{{\rm{r}}1}=\frac{1}{(2\text{π} f_{\min}{)}^{2}C_{{\rm{r}}1}} $$ (8) 谐振变压器励磁电感为
$$ {L_{{\text{m}}1}} = \frac{{{{(k + 1)}^2}}}{{2k + 1}}{L_{{\rm{r}}1}} $$ (9) 2. 仿真与实验
为验证矿用宽输入电压范围级联变换器的有效性，利用Matlab建立级联变换器仿真模型，并搭建样机进行实验。Buck变换器功率管采用耐压1 200 V的IGBT，LLC变换器功率管采用耐压100 V的MOSFET。级联变换器参数见表1。
表 1 矿用宽输入电压范围级联变换器参数Table 1. Parameters of mine cascaded converter with wide input voltage range参数 数值 参数 数值 输入电压/V 70～1 400 LLC变换器漏磁电感/μH 12 输出电压/V 35 LLC变换器励磁电感/μH 1.3 额定功率/W 200 LLC变换器谐振电容/μF 1 Buck变换器电感/mH 1 LLC变换器输出电容/μF 1 000 Buck变换器电容/μF 1 000 变压器匝比 2∶3∶3 IGBT开关频率/kHz 35 LLC变换器PI调节器
比例系数65 Buck变换器PI调节器比例系数 15 LLC变换器PI调节器
积分系数1 Buck变换器PI调节器积分系数 2 LLC变换器压控振荡器
转换精度比例因数8 仿真模拟负载突变情况下输出电压的稳定性，如图4所示。当输出电流由0.4 A突增至2.4 A，并经0.1 s后突减至0.4 A时，负载效应在3%以内，满足MT/T 408—1995中负载效应不大于5%的要求。
![]()
图 4 负载突变时输出电压和电流仿真波形Figure 4. Output voltage and current simulation waveforms under load mutation当输入电压为AC70 V时，Buck变换器、LLC变换器功率管驱动实验波形如图5所示。可看出Buck变换器功率管IGBT开关频率为35 kHz，占空比为0.95，未出现全开通现象；LLC变换器功率管MOSFET开关频率为40 kHz，占空比固定为0.5，MOSFET工作于脉冲频率调制。
![]()
图 5 输入电压AC70 V时功率管驱动实验波形Figure 5. Power tube drive experimental waveforms under input voltage AC70 V输入电压为AC70 V且空载、满载条件下，输出电压和电流实验波形如图6所示。可看出输出电压平均值由空载时的34.91 V变化至满载时的34.90 V，输出电压偏离值在0.3%以内，满足MT/T 408—1995中输出电压偏离值不超过5%的要求。
![]()
图 6 输入电压AC70 V时输出电压和电流波形Figure 6. Output voltage and current waveforms under input voltage AC70 V当输入电压为AC1 400 V时，Buck变换器、LLC变换器功率管驱动实验波形如图7所示。可看出Buck变换器功率管IGBT开关频率为35 kHz，占空比为0.05，未出现全关闭现象；LLC变换器功率管MOSFET开关频率为60 kHz，占空比固定为0.5，MOSFET工作于脉冲频率调制。
![]()
图 7 输入电压AC1 400 V时功率管驱动实验波形Figure 7. Power tube drive experimental waveforms under input voltage AC1 400 V输入电压为AC1 400 V且空载、满载条件下，输出电压和电流实验波形如图8所示。可看出输出电压平均值由空载时的35.01 V变化至满载时的34.98 V，输出电压偏离值在0.3%以内，满足MT/T 408—1995中输出电压偏离值不超过5%的要求。
![]()
图 8 输入电压AC1 400 V时输出电压和电流波形Figure 8. Output voltage and current waveforms under input voltage AC1 400 V3. 结语
矿用宽输入电压范围级联变换器能够在AC70～1 400 V输入电压波动范围内，输出电压稳定，电压偏离值在5%以内，且负载效应在5%以内，满足MT/T 408—1995要求，同时具有输入输出电气隔离性能，可应用于多电压等级的矿用电气设备。
-
![]()
图 2 井下人员个性化步长估计LSTM模型框架
Figure 2. LSTM model framework of underground personnel personalized step size estimation
![]()
图 5 井下人员个性化步长估计LSTM模型的输入
Figure 5. Input of LSTM model of underground personnel personalized step size estimation
![]()
图 6 井下人员个性化步长估计LSTM模型的结构参数
Figure 6. Structural parameters of LSTM model of underground personnel personalized step size estimation
![]()
图 8 不同步长估计算法误差分布对比
Figure 8. Comparison of error distribution of different step size estimation algorithms
![]()
图 11 传统PDR算法与基于LSTM个性化步长估计的PDR算法在煤矿井下行走路径对比
Figure 11. Comparison of walk routes of traditional PDR algorithm and PDR algorithm based on LSTM personalized step size estimation in coal mine
表 1 井下人员个性化步长估计LSTM模型的超参数
Table 1 Super parameter of LSTM model of underground personnel personalized step size estimation
批量大小 激活函数 优化器 学习率 迭代次数 早停次数 损失函数 128 ReLU Adam 0.001 500 50 MSE 
下载: 导出CSV
表 2 步伐检测算法结果
Table 2 Results of step detection algorithm
试验
次数试验者1 试验者2 试验者3 误检步数 准确率/% 误检步数 准确率/% 误检步数 准确率/% 1 3 94 1 98 2 96 2 2 96 0 100 6 88 3 1 98 0 100 1 98 4 0 100 0 100 7 86 5 1 98 1 98 1 98
下载: 导出CSV
-
[1] 李晨辉, 甄杰, 祝会忠, 等. 复杂环境下的超宽带高精度定位算法[J]. 测绘科学,2020,45(1):4-10. LI Chenhui, ZHEN Jie, ZHU Huizhong, et al. Ultra wideband high precision positioning algorithm in complex environment[J]. Science of Surveying and Mapping,2020,45(1):4-10.
[2] YU N, ZHAN X, ZHAO S, et al, A precise dead reckoning algorithm based on bluetooth and multiple sensors[J]. IEEE Internet Things Journal, 2018, 5(1): 336-351.
[3] 孙哲星. 煤矿井下人员精确定位方法[J]. 煤炭科学技术,2018,46(3):130-134. SUN Zhexing. Accurate positioning method of underground personnel in coal mine[J]. Coal Science and Technology,2018,46(3):130-134.
[4] 孙延鑫, 毛善君, 苏颖, 等. 改进的井下人员定位PDR算法研究[J]. 工矿自动化,2021,47(1):43-48. SUN Yanxin, MAO Shanjun, SU Ying, et al. Research on improved PDR algorithm for underground personnel positioning[J]. Industry and Mine Automation,2021,47(1):43-48.
[5] 郭娅婷, 杨君, 甘露. 基于改进PDR与RSSI融合的定位算法[J]. 传感技术学报,2020,33(7):1027-1032. DOI: 10.3969/j.issn.1004-1699.2020.07.016 GUO Yating, YANG Jun, GAN Lu. Localization algorithm based on improved PDR and RSSI fusion[J]. Journal of Sensor Technology,2020,33(7):1027-1032. DOI: 10.3969/j.issn.1004-1699.2020.07.016
[6] WEINBERG H. Using the ADXL202 in pedometer and personal navigation applications[EB/OL]. (2016-09-23) [2021-06-15].https://www.docin.com/p-1743985325.html.
[7] KIM J W, HAN J J, HWANG D H, et al. A step, stride and heading determination for the pedestrian navigation system[J]. Journal of Global Positioning Systems,2004,3(1/2):273-279.
[8] SCARLETT J. Enhancing the performance of pedometers using a single accelerometer [EB/OL]. (2020-06-02) [2021-06-15].https://www.86ic.net/qiche/xinnengyuan/44427.html.
[9] HAN G, GROVES P D . Context determination for adaptive navigation using multiple sensors on a smartphone [C]//Ion Gnss, 2016: 12-16.
[10] HANNINK J, KAUTZ T, PASLUOSTA C, et al. Mobile stride length estimation with deep convolutional neural networks[J]. IEEE Biomedical and Health Informatics,2018,22(2):354-362. DOI: 10.1109/JBHI.2017.2679486
[11] 张荣辉, 贾宏光, 陈涛, 等. 基于四元数法的捷联式惯性导航系统的姿态解算[J]. 光学精密工程,2008,16(10):1963-1970. DOI: 10.3321/j.issn:1004-924X.2008.10.029 ZHANG Ronghui, JIA Hongguang, CHEN Tao, et al. Attitude calculation of strapdown inertial navigation system based on quaternion method[J]. Optics and Precision Engineering,2008,16(10):1963-1970. DOI: 10.3321/j.issn:1004-924X.2008.10.029
[12] 肖宇. 基于互补滤波算法的四旋翼飞行器姿态和高度解算[J]. 工业控制计算机,2016,29(10):94-96. DOI: 10.3969/j.issn.1001-182X.2016.10.045 XIAO Yu. Attitude and height estimation of quad-rotor aircraft based on complementary filter[J]. Industrial Control Computer,2016,29(10):94-96. DOI: 10.3969/j.issn.1001-182X.2016.10.045
[13] YADAV N, BLEAKLEY C. Accurate orientation estimation using AHRS under conditions of magnetic distortion[J]. Sensors,2014,14(11):20008-20024. DOI: 10.3390/s141120008
[14] WANG Qu, LUO Haiyong, YE Langlang, et al. Personalized stride-length estimation based on active online learning[J]. IEEE Internet of Things Journal,2020,7(6):4885-4897. DOI: 10.1109/JIOT.2020.2971318
[15] 毕京学, 汪云甲, 曹鸿基, 等. 一种波峰波谷检测的智能手机计步算法[J]. 中国惯性技术学报,2020,28(3):287-292. BI Jingxue, WANG Yunjia, CAO Hongji, et al. A step counting algorithm for smartphone with peak-valley detection[J]. Journal of Chinese Inertial Technology,2020,28(3):287-292.
-
期刊类型引用(10)
1. 陈铎. 煤矿井下通风安全隐患排查探讨. 山西化工. 2024(09): 193-194+203 . 
百度学术
2. 欧安平. 贵州省煤矿机械化开采现状与展望. 内蒙古煤炭经济. 2023(03): 148-150 . 百度学术
3. 王哲豪. “互联网+”背景下的采煤机智能化关键技术探思. 西部探矿工程. 2023(06): 117-119 . 百度学术
4. 余长宏，宁掌玄，陈涛涛，刘晓杰，周豪. 我国煤巷快速掘进作业线现状分析. 山西大同大学学报(自然科学版). 2023(03): 108-112 . 百度学术
5. 金智新，闫志蕊，王宏伟，李正龙，史凌凯. 新一代信息技术赋能煤矿装备数智化转型升级. 工矿自动化. 2023(06): 19-31 . 本站查看
6. 卫桢. 煤矿通风系统智能化改造研究. 煤矿机械. 2023(12): 118-121 . 百度学术
7. 王国法. 煤矿智能化最新技术进展与问题探讨. 煤炭科学技术. 2022(01): 1-27 . 百度学术
8. 李春，王碧清，曹国选，张超，赵米真，王利平. 超长综采工作面智能控制系统研究与应用. 煤矿机械. 2022(08): 163-166 . 百度学术
9. 孙峰，李红波，张金. 王家岭煤矿掘进工作面智能通风管控系统. 煤矿安全. 2022(09): 239-243 . 百度学术
10. 白建波，孙添，张小平. 工业万兆环网+采煤机智能化关键技术研究. 城市建筑空间. 2022(S2): 322-323 . 百度学术
其他类型引用(7)
计量
- 文章访问数: 281
- HTML全文浏览量: 166
- PDF下载量: 51
- 被引次数: 17
