CN103326909B - 一种提高物联网煤矿重大危险源监测的可靠性分析方法 - Google Patents

Abstract

本发明涉及一种提高物联网煤矿重大危险源监测的可靠性分析方法，其包括以下步骤：1）建立三维立体监测拓扑结构，并采用一个或多个三维立体监测拓扑结构完成实际监测区域的部署；2）对实际监测区域全覆盖性进行计算与分析，确定节点部署方式，使一个传感器节点恰好部署在另一个传感器节点感知范围的极限点上；3）根据步骤2）确定的节点部署方式，对拓扑结构相关参数进行量化分析，相关参数包括监测距离和监测面积；4）对不同类型的节点失效后造成的覆盖盲区的面积大小进行量化计算；5）将实际监测区域中部署的普通节点到簇头节点的路由配置为静态路由，将不同簇头节点间的路由配置为动态路由；6）对监测区域拓扑结构的路由可靠性进行优化分析。本发明可以广泛应用于煤矿重大危险源的监测中。

Description

一种提高物联网煤矿重大危险源监测的可靠性分析方法

技术领域

本发明涉及物联网监测领域，特别是关于一种提高物联网煤矿重大危险源监测的可靠性分析方法。

背景技术

煤炭工业是关系国民经济命脉的重要基础产业，煤矿生产的安全问题涉及到国计民生的大事，重大危险源的监测是防止出现诸如瓦斯、矿压与顶板、煤尘、水、火等重大危险源的主要措施之一。最近几年物联网研究力度不断增大，物联网监测技术在煤矿重大危险源的监测中能够满足传输信息的实时性、监测的远程性、人员的安全性、监测的多样性和布网的灵活性需求。物联网感知部分的无线射频和无线传感器网等非常适合对煤矿重大危险源的识别与监测，人们可以根据需求将传感器和RFID布播在需要监测的远程危险环境中，自组织地形成监测网，同时可以与现有通信网形成多渠道的远程监测通道。

与传统的无线网络和有线网络比较，物联网在煤矿重大危险源监测的优势在于：①可以通过增加低成本的传感器密度，减少传感器间的距离，解决煤矿井下因为存在大量的水汽、粉尘等导致的无线信号衰减明显的情况；②物联网的主要环节是物物相连，被监测人员、设备、重点危险源都可以经过物联网直接自动连接、识别、定位并发出报警，同时物联网适合像煤矿这样危险环境监测，可以将防爆，防水，防火和防腐蚀等封装好的监测传感器放在人员和一般监测设备难于接近和煤矿危险的环境中，可以在监测过程中避免人员和一般监测设备受到危险；③物联网适合远程监测，物联网的感知部分可以与多种目前主干传输网结合实现远程实时监测，包括GPRS、3G、卫星通信、无线通信和中国的北斗卫星导航通信等；④物联网适合煤矿重大危险源实时监测，还因为缤纷多样的监测传感器能够满足重大危险源监测的多样性，目前各种传感器有2万多种，各种RFID有上万种，加上二维码，各种定位系统和视频监控系统等，完全能够满足煤矿重大危险源多样性的监测需求。目前基于GIS的煤矿重大危险源监控系统以可视化、快捷化以及科学化为特征，提高了重大危险源现状的动态管理，但是地理信息系统处理的监控对象的实时数据是否真实可信，是否能够实时传输是发挥基于GIS的矿井重大危险源监测系统的重要基础，物联网的传感网恰是GIS的神经末梢和触角，对监测的数据的准确性起到至关重要的作用，因此物联网监控是基于GIS的煤矿重大危险源监控的关键基础，两者相互补充，相互完善。

虽然基于物联网新技术很适合煤矿重大危险源实时监测需求，但是其在监测实际的应用中仍然有许多关键问题需进一步探究和完善，特别是信息的可靠性研究，没有信息可靠性这一基础条件的保证，信息的监测是空中楼阁。之所以要重点研究物联网监测可靠性主要是因为：①煤矿井下受断层、褶皱、岩浆侵入、煤层厚度变化等影响导致煤矿井下数据采集条件复杂；②物联网节点能量有限，井下无线传感器网络经常会出现节点失效的情况，使得巷道内覆盖不足；③现有矿用传感器不同程度地存在精度差、可靠性不高的缺陷。

发明内容

针对上述问题，本发明的目的是提供一种能够对煤矿巷道中各处情况进行精确监测，进一步提高监测信息可靠性的提高物联网煤矿重大危险源监测的可靠性分析方法。

为实现上述目的，本发明采取以下技术方案：一种提高物联网煤矿重大危险源监测的可靠性分析方法，其包括以下步骤：1）建立三维立体监测拓扑结构，并采用一个或多个三维立体监测拓扑结构完成实际监测区域的部署；2）对实际监测区域全覆盖性进行计算与分析，确定节点部署方式，使一个传感器节点恰好部署在另一个传感器节点感知范围的极限点上；3）根据步骤2）确定的节点部署方式，对拓扑结构相关参数进行量化分析，相关参数包括监测距离和监测面积；4）对不同类型的节点失效后造成的覆盖盲区的面积大小进行量化计算；5）将实际监测区域中部署的普通节点到簇头节点的路由配置为静态路由，将不同簇头节点间的路由配置为动态路由；6）对监测区域拓扑结构的路由可靠性进行优化分析。

所述步骤1）的具体过程为：（1）构建基本监测面模型，所述基本监测面模型包括九个传感器节点，九个传感器节点呈3×3阵列方式排列成正方形布置在巷道墙面上，每行/每列相邻两传感器节点间的距离相等，所述基本监测面模型中心的传感器节点为簇头节点，所述簇头节点周围的其它八个节点为普通节点；（2）构建基本三维监测体模型，所述基本三维监测体模型包括分别布置在巷道左右两侧墙壁上的两个所述基本监测面模型，以及设置在巷道顶棚上的簇头节点；（3）根据重大危险源，确定实际监测区域的大小，并采用一个或多个所述基本三维监测体模型对实际监测区域进行部署，并且在部署完成的实际监测区域最前端放置一个sink节点。

所述步骤3）中监测距离的计算公式为：l＝(3i+1)r_s，监测面积的计算公式为：

$S_i=\frac{(12+3\sqrt{3})i-(4-\sqrt{3})}{2}{r_s}^2+\frac{3i+4}{3}{{\mathrm{\πr}}_s}^2$

式中，i为监测区域部署的基本监测面膜型个数，r_s为传感器感知的半径。

所述步骤4）的具体过程为：（1）计算一个制约节点对失效后造成的覆盖盲区的面积；（2）计算一个角节点失效后造成的覆盖盲区的面积；（3）计算一个边节点失效后造成的覆盖盲区的面积；（4）计算多个节点失效后造成的覆盖盲区的面积。

所述步骤6）的具体过程为：（1）计算某一簇头节点与所有相邻簇头节点间的距离，并根据实际煤矿高度及宽度对某一簇头节点与相邻簇头节点的距离进行排序，保证簇头节点间的最大距离小于传感器的通信半径；（2）配置簇头节点通信链路的优先级；（3）对簇头节点的动态冗余进行优化计算与分析，使在投资费用一定的情况下使其可靠性达到最高。

所述步骤（1）的具体过程为：假设巷道中布设的其中一基本三维监测体模型的当前簇头节点为n_i、巷道对面墙壁的簇头节点为n_j，顶棚簇头节点为n_k，与此基本三维监测体模型相邻的另一基本三维监测体模型的巷道两侧簇头节点分别为n_i-1和n_j-1，顶棚簇头节点为n_k-1，则当前簇头节点为n_i到其他簇头节点的距离为：

$n_i{n}_{k-1}=\sqrt{{{9r}_s}^2+\frac{w^2+h^2}{4}},$ $n_i{n}_{j-i}=\sqrt{{{9r}_s}^2+w^2},$ $n_i{n}_k=\frac{\sqrt{w^2+h^2}}{2},$ n_in_j＝w

式中，w为巷道的宽度，h为高度，r_s为传感器的感知半径。

根据实际煤矿高度及宽度对所计算的相邻簇头节点的距离进行排序，具体情况为：

①当0＜h²＜3w²时，n_in_j-1＞n_in_k-1＞n_in_j＞n_in_k；

②当h²＝3w²时，n_in_k-1＝n_in_j-1＞n_in_k＝n_in_j；

③当3w²＜h²＜36r_s ²+3w²时，n_in_k-1＞n_in_j-1＞n_in_k＞n_in_j，可以将3w²＜h²＜36r_s ²+3w²简记为h²＞3w²；

④当h²＞36r_s ²+3w²时，n_in_k-1＞n_in_k＞n_in_j-1＞n_in_j，此种情况不符合煤矿实际，舍去。

所述步骤（2）采用OLR算法配置优先级即数据交付前簇头节点已对自己周围的簇头节点进行了优先级排序，当前簇头节点首先向高优先级的簇头节点进行数据交付，当高优先级的簇头节点无法接收数据时，再尝试向低优先级的簇头节点交付数据，直至数据交付成功，停止交付，从最高优先级簇头节点到最低优先级簇头节点的遍历交付为一轮交付过程，OLR算法总共进行三轮交付，若三轮都不能完成数据交付则代表网络不通，当前簇头节点停止数据交付过程；根据两种不同情况进行不同的优先级排序：一是当前簇头节点收到异常信息；二是当前簇头节点虽然没有异常信息，但是当前簇头节点无法向前驱簇头节点交付信息；当第一种情况发生时，减少数据传输跳数，使异常信息尽快交付到sink节点，优先级是按传输跳数最少为优先级的，跳数越少优先级越高；当第二种情况发生时，以节能为主要目标，优先级是以路径的距离长短为依据来指定路由顺序的，距离越短优先级越高。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用了三维立体拓扑结构对实际监测区域进行部署，因此可以对煤矿巷道中各处情况进行精确监测，提高了监测信息的准确性和异常情况发现的及时性，为监测中心的及时决策、正确决策提供基础保障。2、本发明的每个基本监测面模型由于采用了正方形簇结构部署方式，可以在满足煤矿巷道特殊环境的基础上，使监测信息均匀、准确，同时避免了多个基本监测体模型拼接时出现监测盲区的情况。3、本发明由于采用了传感器节点冗余机制，使一个传感器节点恰好部署在另一个传感器节点感知范围的极限点上，因此可以在开销较少的基础上，当少量传感器节点失效后，仍很大限度的保证监测信息的准确性，同时随着传感器数目的增多，监测系统整体的鲁棒性也得以提高。4、本发明由于在巷顶上部署了带路由功能的簇头节点，当巷道中监测区域部署好后，巷道顶的传感器间便形成了一条到达sink节点的信息传输链路，由于巷道顶上的簇头节点不属于任何基本监测面，因此不需要对其它普通节点进行管理，当有异常情况发生时，顶板处的这些簇头节点需要处理的数据较少，因此可以实现较快的数据交付速率。5、本发明簇头节点由于采用了OLR算法进行路径的选择，可以在簇头节点的前驱簇头节点失效后，仍然保证监测信息的继续向前传递，同时，该路由算法是一个轻量级的算法，在保证信息向前交付的同时，尽可能降低节点寻找路径时的能量消耗。6、由于本发明每个簇首头点采取动态优化冗余备份机制，每个簇头节点将不再是单个故障点，而是一个至少是双倍的备份单元，在每个备份单元中，当单个簇头节点出现故障后，其余节点还可以保证系统的可靠运行，可以很好的弥补簇头节点既感知数据，又融合、转发其它节点的数据，从而任务更重，耗能也更重，进而簇头节点发生故障的概率也更大的缺陷，在投资费用一定的情况下可使其可靠性达到最高。本发明可以广泛应用于煤矿重大危险源的实际监测中。

附图说明

图1是本发明的基本监测面模型示意图；

图2是本发明的基本三维监测体模型示意图；

图3是本发明的巷道监测区部署效果示意图；

图4是本发明各种各样不同密度节点部署示意图，图4（a）～（c）为一个基本监测面模型的不同密度节点部署示意图，图4（d）～（e）为两个基本监测面模型的不同密度节点部署示意图，其中，空心圆圈表示簇头节点，实心圆圈表示普通节点；

图5（a）是本发明一个基本监测面模型外切正方形和一对相邻节点示意图，图5（b）是图5（a）的局部放大示意图；

图6是本发明的自由节点示意图；

图7是本发明的两个基本监测面模型覆盖度示意图；

图8（a）是本发明的一个簇头节点（发出箭头的节点）的路由示意图，图8（b）是图8（a）的简化示意图；

图9是本发明的OLR算法流程示意图；

图10是本发明的簇头节点采取冗余前后对照图，图10（a）是簇头节点采用串联形式示意图，图10（b）和图10(c)是采用双倍备份单元冗余示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明的提高物联网煤矿重大危险源监测的可靠性分析方法，包括以下步骤：

1、建立三维立体监测拓扑结构，并采用一个或多个三维立体监测拓扑结构完成实际监测区域的部署，具体过程为：

1）构建基本监测面模型。

如图1所示，基本监测面模型1包括九个传感器节点，九个传感器节点呈3×3阵列方式排列成正方形布置在巷道墙面上，每行/每列相邻两传感器节点间的距离相等，九个传感器节点组成一个簇结构。基本监测面模型1中心采用一个带有理由功能的传感器充当簇头节点11，簇头节点11既用于监测信息又用于接收、融合和转发其它节点信息的，簇头节点11周围的其它八个节点为普通节点12。三行等间隔设置的传感器节点将巷道墙壁高度等分成四份，每相邻两行传感器节点之间的距离为1/4墙壁高度。

2）构建基本三维监测体模型。

如图2所示，基本三维监测体模型2包括分别布置在巷道左右两侧墙壁上的两个基本监测面模型1，以及设置在巷道顶棚上的一个带路由功能的簇头节点21。巷道顶棚上的簇头节点21不属于任何基本监测面模型，它既有监测功能又带有路由功能。在煤矿矿井下，巷道顶棚一般为弧形，顶板的压力情况对监测是否将有冒顶事故发生具有重要意义，因此本发明布设顶棚监测节点21。

3）根据重大危险源，确定实际监测区域的大小，并采用一个或多个基本三维监测体模型2对实际监测区域进行部署，并且在部署完成的实际监测区域最前端放置一个sink节点3（sink节点是单独的数据基站，所有传感器节点的数据最终都要交付给此节点）。

确定重大危险源区域后，若采用一个基本三维监测体模型2不能将危险源区域全部覆盖，则采用多个基本三维监测体模型2进行拼接部署。

如图3所示，采用四个基本三维监测体模型2将实际监测区域全部覆盖后，在实际监测区域最前端放置一个sink节点3，用于收集巷道中传感器感知到的环境信息，并将信息中继出去，另外设置在巷道顶棚的传感器相互通信后，形成一条到达sink节点3的路径，由于顶棚处的这些簇头节点21需要处理的数据较少，因此可以实现较快的数据交付速率，当巷道墙壁两侧有异常情况发生时，异常信息不沿着正常传输路径传输而是沿着顶板路径传输，可以较快的将异常数据交付到sink节点3，进而传输到监测中心，提高灾难监测的实时性。

2、对实际监测区域全覆盖性进行计算与分析，确定节点部署方式，使一个传感器节点恰好部署在另一个传感器节点感知范围的极限点上。

在对煤矿矿井监测过程中，数据的准确性直接影响监测中心的真实效果，而数据的准确在很大程度上与传感器节点部署的密度有关，一定的传感器冗余部署方式能很好保证数据的准确性。在本发明采取的正方形部署方式中，设置不同的传感器节点间距会形成不同的监测区域交集，这在一定程度上形成了不同的冗余度。

如图4所示，图4（a）为基本监测面模型中传感器节点的感知区域相切的情况，假设每个传感器节点的感知半径为r_s，则基本监测面模型可监测的距离为6r_s，但是从图4（a）图中可以看到，有部分监测区域未能覆盖。将全部监测区域恰好全覆盖的情况如图4（b）所示，此时每个基本监测面模型可以监测的距离为将传感器间的距离继续拉近，如图4（c）是基本监测面模型中一个传感器节点恰好部署在另一个传感器节点感知范围的极限点上，此时每个基本监测面模型可以监测的距离为4r_s。

当无节点失效等异常情况发生时，如图4（c）所示的覆盖情况与如图4（b）所示的情况相同，因为它们均能够达到监测区域的全覆盖，而且如图4（b）所示的监测范围比如图4（c）所示情况可监测更长的距离。但是，受断层、褶皱、岩浆侵入、煤层厚度变化等影响导致煤矿井下数据采集条件复杂，传感器节点可能死亡或者别的原因使之不能正常工作，因此必须考虑节点出现异常后，仍能确保监测数据的尽可能准确。如图4（d）和图4（e）中分别描述了如图4（b）和图4（c）中的两个基本监测面，从图4（d）中可以看到当中间一排监测节点中发生普通节点失效后，则会出现此节点原先监测区域的部分盲区，若恰好在这个盲区发生异常情况，则异常数据不能被立即监测到，因此需要进行监测上的冗余。如图4（e）所示可以有效的弥补上述缺陷，即使最上排和最下排存在节点失效，仍能最大限度的减小监测盲区，因此本发明采用如图4（c）所示的监测区域全覆盖方法。

3、根据步骤2）确定的节点部署方式，对拓扑结构相关参数进行量化分析，相关参数包括监测距离和监测面积。

为了确保传感器监测信息的准确性和感知异常信息的及时性，本发明所采取的节点部署方式如图4（c）所示，假设已知传感器感知的半径为r_s，拓扑结构相关参数的具体计算过程为：

1）计算部署i个基本监测面模型可监测的距离l。

如图4（c）所示，一个基本监测面模型可以监测的距离为4r_s，如图4（e）所示，两个基本监测面模型可监测的距离为7r_s，当i个基本监测面模型依次排列好后，可以看到，每行共有3i个传感器节点，将整个距离分为均匀的3i+1份，每一份的长度为传感器的感知半径r_s，于是部署i个基本监测面模型可监测的距离为：l＝(3i+1)r_s。

2）计算部署i个基本监测面模型可监测的面积S_i。

由于一个基本监测面模型中的传感器节点是一个簇结构，如图5（a）所示，在簇结构外设置一与簇中所有节点感知区域相切的正方形4，采用整个正方形4的面积减去若干α区域的面积和若干β区域的面积就能计算出一个基本监测面模型1的监测面积，具体步骤如下：

①计算正方形面积：s_s＝4r_s*4r_s；

②计算β区域面积：

③计算α区域面积：如图5（a）所示，首先计算的面积：

α区域面积： $S_y={r_s}^2-2*(\frac{{{\mathrm{\πr}}_s}^2}{4}-\frac{4\mathrm{\π}-3\sqrt{3}}{12}{r_s}^2)-\frac{4\mathrm{\π}-3\sqrt{3}}{12}{r_s}^2=(\frac{4-\sqrt{3}}{4}-\frac{\mathrm{\π}}{6}){r_s}^2$

④计算一个基本监测面模型可监测的实际面积S：

⑤计算i个簇结构形成的监测区域的面积S_i：

因为每两个相交圆与外切线之间就会有一个α区域，而每个角落上的圆与外切线会形成一个β区域，当监测区域由i个簇组成时，仍然存在四个角落，因此β区域一直为四个，而每行共有3i个传感器节点，于是整个监测区域共有4+2*(3i-1)个α区域。与整个监测区域相切的矩形面积为4r_s*l＝4r_s*(3i+1)r_s，则i个簇形成的监测区域的面积S_i为：

$S_i=4r*(3i+1)r_s-4*({r_s}^2-\frac{{{\mathrm{\πr}}_s}^2}{4})-(4+2*(3i-1))*(\frac{4-\sqrt{3}}{4}-\frac{\mathrm{\π}}{6}){r_s}^2$

$=\frac{(12+3\sqrt{3})i-(4-\sqrt{3})}{2}{r_s}^2+\frac{3i+4}{3}{{\mathrm{\πr}}_s}^2$

4、对不同类型的节点失效后造成的覆盖盲区的面积大小进行量化计算，包括以下步骤：

本发明定义的各种节点类型包括自由节点、制约节点对、角节点和边节点。其中自由节点是指这一类节点，它失效后对监测系统的监测覆盖没有影响，如图6（a）所示，中间行的两个簇头节点（空心圆圈所表示）间的任何一个普通节点均为自由节点，因为将它们中的任何一个去掉，对整个监测网的覆盖来说没有影响。如图6（b）所示，如果将两个普通节点全部去掉，则便会出现一小块的覆盖盲区。制约节点对是将中间行的两个簇头节点间的两个节点称为制约节点对。角节点是监测区域中四个角上的节点。边节点是将最上行和最下行除去角节点的节点。

①计算一个制约节点对失效后造成的覆盖盲区的面积S_d：

一个制约节点对失效后，造成的覆盖盲区面积为两个，如图5（a）中α区域的面积，因此 $S_d={2S}_y=2*(\frac{4-\sqrt{3}}{4}-\frac{\mathrm{\π}}{6}){r_s}^2=(\frac{4-\sqrt{3}}{2}-\frac{\mathrm{\π}}{3}){r_s}^2$

②计算一个角节点失效后造成的覆盖盲区的面积S_c：

角节点失效后，造成的覆盖盲区面积为减去如图5（b）中的因此

③计算一个边节点失效后造成的覆盖盲区的面积S_s：

一个边节点失效后，造成的覆盖盲区面积为减去如图5（b）中因此

④计算多个节点失效后造成的覆盖盲区的面积S_m

如图7所示的两个基本监测面模型的各部分覆盖度，图中标号i,i∈{1,2,3}的区域为i覆盖，即这块区域是i个节点的共同覆盖区域。图7暂未考虑簇头节点感知区域内的覆盖度，因为簇头节点一旦失效，整个监测面的数据都不能交付。

当有N个节点失效时，S_m＝S_nd+S_irg，其中

S_nd＝xS_c+yS_d+zS_s,

s.t.x+y+z＝N,0≤x,y,z≤N

S_irg表示这N个节点形成的小的不规则图形的面积之和，例如图7中标号为2或3的区域。举例说明：假设图7中第一行最左侧的前两个节点和第二行最左侧的第一个节点失效，则表示有一个角节点和两个边节点失效，则S_m＝S_nd+S_irg＝S_c+2*S_s+S_irg，其中S_irg表示这三个节点共同覆盖区域中的一个标号为3的区域的面积和两个标号为2的区域的面积。由于图7所示标号为1，2，3的区域面积并不都相同，因此对于不同的情况S_irg的值不同，但是S_irg总等于S_c，S_d，S_s的线性组合。

5、将普通节点到簇头节点的路由配置为静态路由，将不同簇头间的路由配置为动态路由。

当物联网节点部署好后，若仅仅存在静态路由，则系统的可靠性将会受到很大影响，一旦静态链路失效，则监测的数据不能传递到sink节点3；若监测区域的路由仅仅部署为动态路由，则在节点寻找路径的过程中耗费较大能量开销，导致节点提前失效，因此完全的动态或者静态路由都不利于监测可靠性的提高。由于在基于物联网的煤矿监测系统中，一旦传感器节点部署好，一般不会移动，因此本发明选择动静态路由相结合的方式，能够保证系统的可靠性而且能够达到节能的目地。如图3所示的节点部署方式中，每个簇中所有普通节点均将自己感知的数据传递给自己所在基本监测模型的簇头节点，不存在多路径选择问题，因此将普通节点到簇头节点的路由配置为静态路由，不仅可以免去复杂的路由算法，而且可以有效的达到节能的目的。在监测系统中簇头节点承担着传输信息的任务，如果配置为静态路由，一旦默认路由出现问题，则信息无法向前交付，因此为了提高系统的鲁棒性，簇头节点间的路由需要配置为动态路由。

6、对监测区域拓扑结构的路由可靠性进行优化分析，具体过程为：

1）计算某一簇头节点与所有相邻簇头节点间的距离，并根据实际煤矿高度及宽度对某一簇头节点与相邻簇头节点的距离进行排序，保证簇头节点间的最大距离小于传感器的通信半径。

如图8（a）所示，假设巷道中布设的其中一基本三维监测体模型的当前簇头节点为n_i、巷道对面墙壁的簇头节点为n_j，顶棚簇头节点为n_k，与此基本三维监测体模型相邻的另一基本三维监测体模型的巷道两侧簇头节点分别为n_i-1和n_j-1，顶棚簇头节点为n_k-1，其中簇头节点n_i-1为失效的簇头。

如图8（b）所示，巷道的宽度为w，高度为h，即n_in_j＝w，n_k-1p为等腰Δn_i-1n_j-1n_k-1的高，因为簇头节点都部署在巷道顶离地面高度的1/2高度处，因此n_k-1p＝h/2。

由于n_in_i-1＝3r_s（r_s为传感器的感知半径），因此 $n_i{n}_{k-1}=\sqrt{{{9r}_s}^2+\frac{w^2+h^2}{4}},$ $n_i{n}_{j-i}=\sqrt{{{9r}_s}^2+w^2},$ $n_i{n}_k=\frac{\sqrt{w^2+h^2}}{2},$ n_in_j＝w。

由于不同的煤矿高度及宽度都不尽相同，因此根据实际煤矿高度及宽度对簇头节点n_i与相邻簇头节点的距离进行排序：

①当0＜h²＜3w²时，n_in_j-1＞n_in_k-1＞n_in_j＞n_in_k

②当h²＝3w²时，n_in_k-1＝n_in_j-1＞n_in_k＝n_in_j

③当3w²＜h²＜36r_s ²+3w²时，n_in_k-1＞n_in_j-1＞n_in_k＞n_in_j，可以将3w²＜h²＜36r_s ²+3w²简记为h²＞3w²

④当h²＞36r_s ²+3w²时，n_in_k-1＞n_in_k＞n_in_j-1＞n_in_j，但是矿井巷道的高度有一定限制，不会过高，因此此种情况不符合煤矿实际，可以舍去。

为使当前簇头信息n_i可以成功传递到下一跳簇头节点（下一跳簇头节点：转发当前簇头节点数据的簇头节点，可能是前驱簇头节点也可能不是前驱簇头节点，如对面的簇头节点），需要保证节点间的最大距离小于传感器的通信半径r_c，即：

r_c≥max{n_in_k-1,n_in_j-1}。

2）配置簇头节点通信链路的优先级。

如图8（a）所示，默认情况下，簇头节点n_i将信息传递给n_i-1，但是当n_i将信息传递给n_i-1的过程中发现信息无法交付，此时簇头节点n_i需要选择别的信息交付路径，本发明实施例中簇头节点n_i采用OLR(Ordered-Loop-Route)算法进行动态路由选择。

OLR算法的思想是指定优先级的路由，即数据交付前簇头节点已对自己周围的簇头节点进行了优先级排序，当前簇头节点首先向高优先级的簇头节点进行数据交付，当高优先级的簇头节点无法接收数据时，再尝试向低优先级的簇头节点交付数据，直至数据交付成功，停止交付；从最高优先级簇头节点到最低优先级簇头节点的遍历交付为一轮交付过程，OLR算法总共进行三轮交付（C=3），若三轮都不能完成数据交付则代表网络不通，当前簇头节点停止数据交付过程。

本发明根据两种不同情况进行不同的优先级排序：一是当前簇头节点收到异常信息；二是当前簇头节点虽然没有异常信息，但是当前簇头节点无法向前驱簇头交付信息。

当第一种情况发生时，即当前簇头节点收到异常信息，在数据中插入数据报警标记，首要的任务是减少数据传输跳数，使异常信息尽快交付到sink节点3，因此优先级是按传输跳数最少为优先级的，跳数越少优先级越高。如图9所示，优先级排序的结果为：

P(n_k-1)＞P(n_i-1)＞P(n_j-1)＞P(n_k)＞P(n_j)，

其中P(i),i∈{n_k-1,n_i-1,n_j-1,n_k,n_j}表示节点i的优先级，因此数据交付顺序为：n_k-1，n_i-1，n_j-1，n_k，n_j。当前簇头节点在向这五个簇头节点中任何一个簇头节点交付数据时数据交付成功则完成交付过程，否则继续向低优先级的节点进行数据交付，当一轮数据交付过程结束后如果这几个节点均无法接收数据，则当前簇头节点随机等待一段时间后，则再从最高优先级节点开始进行第二轮的数据交付，总共进行三轮数据交付，三轮都不能完成数据交付则代表网络不通当前簇头节点停止交付。

当第二种情况发生时，即当前簇头节点无法向前驱簇头交付信息，由于不存在异常信息，此时以节能为主要目标，因此优先级是以路径的距离长短为依据（距离短可以节省能量）来指定路由顺序的，距离越短优先级越高，具体路由顺序的确定由步骤1）中三种情况依据实际的应用情况而定，此以步骤1）中③为例进行说明：在步骤1）③中，因为n_in_k-1＞n_in_j-1＞n_in_k＞n_in_j，因此优先级排序的结果为：

P(n_j)＞P(n_k)＞P(n_j-1)＞P(n_k-1)，

其中P(i),i∈{n_k-1,n_i-1,n_j-1,n_k,n_j}表示节点i的优先级，因此数据交付顺序为：n_j，n_k，n_j-1，n_k-1。当前簇头节点在向这五个簇头节点中任何一个簇头节点交付数据时数据交付成功则完成交付过程，否则继续向低优先级的节点进行数据交付，当一轮数据交付过程结束后如果这几个节点均无法接收数据，则当前簇头节点随机等待一段时间后，再从最高优先级节点开始进行第二轮的数据交付，总共进行三轮数据交付，三轮都不能完成数据交付则代表网络不通当前簇头节点停止交付。

发送数据的簇头节点向某个接收数据的簇头节点无法完成数据交付的情况如下：①接收数据的簇头节点失效②接收数据的簇头节点处于忙碌状态。当出现上述两种情况时，发送数据的簇头节点便向下一个优先级的簇头节点进行数据交付。

本发明中的OLR算法是一个轻量级的路由算法，因为在使用物联网技术进行煤矿监测时，监测节点靠电池供电，资源有限，较适合轻量级的路由算法，让簇头节点执行OLR算法，可以有效的降低某个簇头节点的前驱簇头节点失效后，重新组织路由带来的能量开销，来达到节省节点能量的目的。

3）簇头节点动态冗余优化计算与分析，在投资费用一定的情况下使其可靠性达到最高。

在重大危险源的监测过程中，如果簇头节点失效，意味着整个簇的数据面临着无法向前交付的处境，这时如果有节点监测到异常数据，就不能及时交付。如果在一个簇头节点失效后，普通节点重新选择其他的簇头节点进行数据的交付，不仅对失效簇中的节点来是一个复杂的过程，而且对欲加入的簇来说，如何处理新加入的节点，也需要额外进行控制。解决这种情况的一个简单而有效的方法是采取簇头节点的多备份冗余。

如图10（a）所示，由于巷道每侧墙壁上的簇头节点是以链式方式相连，它们所形成的拓扑结构为串联结构。因此，如若某个节点出现故障则这个节点之前的数据很难交付，采取簇头节点冗余备份后，链路结构如图10（b）和（c）所示，此时每个簇头不再是单个的故障体，而是一个簇头节点组，当一个簇头节点失效后，节点组的另一个备份的簇头节点接替工作，这样不仅降低了路由寻径的开销，也降低了其他簇头节点对欲加入普通控制的复杂性。m_i表示簇头节点冗余的个数，由于不同的簇头节点承担的任务不同，因此m_i不尽相同。采用上述机制后，当个别簇头节点失效依然可以保证通信链路的连通性。

下面计算第i个簇头节点冗余设备的个数m_i：设投资在簇头节点的总费用为b，现假设一条沿墙壁的链路上共m个簇，第i个簇头节点共有m_i设备进行冗余可使整个由簇头节点组成的监测区域系统的可靠性最高，各簇头节点的各个冗余设备是同构的，并设其可靠性均为R_j，其价格均为c，则使整个监测链的簇头节点的可靠性达到最优的m_i可以有下列公式计算获得：

$\left\{\begin{array}{c}\underset{i=1}{\overset{m}{\mathrm{\&Pi;}}}(1-\underset{j=1}{\overset{m_i}{\mathrm{\&Pi;}}}{\stackrel{\&OverBar;}{R}}_j)\&RightArrow;\mathrm{Max}\\ \underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{cm}}_i<b\end{array}\right.$

上述各实施例仅用于说明本发明，其中方法的各实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (7)

1.一种提高物联网煤矿重大危险源监测的可靠性分析方法，其包括以下步骤：

1)建立三维立体监测拓扑结构，并采用一个或多个三维立体监测拓扑结构完成实际监测区域的部署，具体过程为：

1.1)构建基本监测面模型，所述基本监测面模型包括九个传感器节点，九个传感器节点呈3×3阵列方式排列成正方形布置在巷道墙面上，每行/每列相邻两传感器节点间的距离相等，所述基本监测面模型中心的传感器节点为簇头节点，所述簇头节点周围的其它八个节点为普通节点；

1.2)构建基本三维监测体模型，所述基本三维监测体模型包括分别布置在巷道左右两侧墙壁上的两个所述基本监测面模型，以及设置在巷道顶棚上的簇头节点；

1.3)根据重大危险源，确定实际监测区域的大小，并采用一个或多个所述基本三维监测体模型对实际监测区域进行部署，并且在部署完成的实际监测区域最前端放置一个sink节点；

2)对实际监测区域全覆盖性进行计算与分析，确定节点部署方式，使一个传感器节点恰好部署在另一个传感器节点感知范围的极限点上；

3)根据步骤2)确定的节点部署方式，对拓扑结构相关参数进行量化分析，相关参数包括监测距离和监测面积；

4)对不同类型的节点失效后造成的覆盖盲区的面积大小进行量化计算；

5)将实际监测区域中部署的普通节点到簇头节点的路由配置为静态路由，将不同簇头节点间的路由配置为动态路由；

6)对监测区域拓扑结构的路由可靠性进行优化分析，具体过程为：

6.1)计算某一簇头节点与所有相邻簇头节点间的距离，并根据实际煤矿高度及宽度对某一簇头节点与相邻簇头节点的距离进行排序，保证簇头节点间的最大距离小于传感器的通信半径；

6.2)配置簇头节点通信链路的优先级；

6.3)对簇头节点的动态冗余进行优化计算与分析，使在投资费用一定的情况下使其可靠性达到最高。

2.如权利要求1所述的一种提高物联网煤矿重大危险源监测的可靠性分析方法，其特征在于：所述步骤3)中监测距离的计算公式为：l＝(3i+1)r_s，监测面积的计算公式为：

$S_i=\frac{(12+3\sqrt{3})i-(4-\sqrt{3})}{2}{r_s}^2+\frac{3i+4}{3}{{\mathrm{\&pi;r}}_s}^2$

式中，i为监测区域部署的基本监测面模型个数，r_s为传感器感知的半径。

3.如权利要求1所述的一种提高物联网煤矿重大危险源监测的可靠性分析方法，其特征在于：所述步骤4)的具体过程为：

(1)计算一个制约节点对失效后造成的覆盖盲区的面积；

(2)计算一个角节点失效后造成的覆盖盲区的面积；

(3)计算一个边节点失效后造成的覆盖盲区的面积；

(4)计算多个节点失效后造成的覆盖盲区的面积。

4.如权利要求2所述的一种提高物联网煤矿重大危险源监测的可靠性分析方法，其特征在于：所述步骤4)的具体过程为：

(1)计算一个制约节点对失效后造成的覆盖盲区的面积；

(2)计算一个角节点失效后造成的覆盖盲区的面积；

(3)计算一个边节点失效后造成的覆盖盲区的面积；

(4)计算多个节点失效后造成的覆盖盲区的面积。

5.如权利要求1或2或3或4所述的一种提高物联网煤矿重大危险源监测的可靠性分析方法，其特征在于：所述步骤6.1)的具体过程为：假设巷道中布设的其中一基本三维监测体模型的当前簇头节点为n_i、巷道对面墙壁的簇头节点为n_j，顶棚簇头节点为n_k，与此基本三维监测体模型相邻的另一基本三维监测体模型的巷道两侧簇头节点分别为n_i-1和n_j-1，顶棚簇头节点为n_k-1，则当前簇头节点为n_i到其他簇头节点的距离为：

$n_i{n}_{k-1}=\sqrt{9{r_s}^2+\frac{w^2+h^2}{4}},n_i{n}_{j-1}=\sqrt{9{r_s}^2+w^2},n_i{n}_k=\frac{\sqrt{w^2+h^2}}{2},$ n_in_j＝w

式中，w为巷道的宽度，h为高度，r_s为传感器的感知半径。

6.如权利要求5所述的一种提高物联网煤矿重大危险源监测的可靠性分析方法，其特征在于：根据实际煤矿高度及宽度对所计算的相邻簇头节点的距离进行排序，具体情况为：

①当0＜h²＜3w²时，n_in_j-1＞n_in_k-1＞n_in_j＞n_in_k；

②当h²＝3w²时，n_in_k-1＝n_in_j-1＞n_in_k＝n_in_j；

③当3w²＜h²＜36r_s ²+3w²时，n_in_k-1＞n_in_j-1＞n_in_k＞n_in_j，可以将3w²＜h²＜36r_s ²+3w²简记为h²＞3w²；

④当h²＞36r_s ²+3w²时，n_in_k-1＞n_in_k＞n_in_j-1＞n_in_j，此种情况不符合煤矿实际，舍去。

7.如权利要求6所述的一种提高物联网煤矿重大危险源监测的可靠性分析方法，其特征在于：所述步骤6.2)采用OLR算法配置优先级即数据交付前簇头节点已对自己周围的簇头节点进行了优先级排序，当前簇头节点首先向高优先级的簇头节点进行数据交付，当高优先级的簇头节点无法接收数据时，再尝试向低优先级的簇头节点交付数据，直至数据交付成功，停止交付，从最高优先级簇头节点到最低优先级簇头节点的遍历交付为一轮交付过程，OLR算法总共进行三轮交付，若三轮都不能完成数据交付则代表网络不通，当前簇头节点停止数据交付过程；根据两种不同情况进行不同的优先级排序：一是当前簇头节点收到异常信息；二是当前簇头节点虽然没有异常信息，但是当前簇头节点无法向前驱簇头节点交付信息；当第一种情况发生时，减少数据传输跳数，使异常信息尽快交付到sink节点，优先级是按传输跳数最少为优先级的，跳数越少优先级越高；当第二种情况发生时，以节能为主要目标，优先级是以路径的距离长短为依据来指定路由顺序的，距离越短优先级越高。