CN109905839A - 危险化学品码垛式仓储货物定位优化方法 - Google Patents

Abstract

本发明公开了一种危险化学品码垛式仓储货物定位优化方法，包括：建立危险化学品码垛式仓储货物定位监测场景，获取待定位标签与各基站之间的到达时间差；结合获取到的到达时间差建立基于TDOA的定位模型，从而确定待定位标签位置的目标函数；利用动态调整惯性权重和加速度权重的PSO算法，寻找目标函数的最优解，从而获得待定位标签的位置。该方法针对现有PSO算法易陷入局部最优，出现搜索停滞的缺陷，对算法进行改进，动态调整惯性权重和加速度权重；有效地解决了粒子群优化算法容易陷入局部最优的问题，使算法能快速收敛到全局最优解，算法性能稳定，定位精度高；为政府部门开展危险化学品仓储混存监测提供了良好的技术手段。

Description

危险化学品码垛式仓储货物定位优化方法

技术领域

本发明涉及危险化学品安全技术领域，尤其涉及一种危险化学品码垛式仓储货物定位优化方法。

背景技术

目前我国危险化学品仓储主要有7种基本类型，即平仓、楼仓、立体仓、储罐、货棚、货场和地下半地下仓库。北京市作为使用危化品的特大城市，码垛式仓储是其主要库型。目前对危化品仓储安全状态的监控研究大多集中在运输过程或箱体、罐体自身安全参数的监控及其风险和事故的辨识方法，而对危化品库的堆放方式及其安全性还没有有效的监管手段。为实现危险化学品安全储存，国标15603-1995《常用危险化学品贮存通则》以及地标DB11/755-2010《危险化学品仓库建设及储存安全规范》中都明确提出禁忌化学品不得混存，允许混存的化学品垛间距不得小于1m。为加强存储安全的监管，利用信息化手段对危险化学品码垛式仓储开展混存监测技术研究成为当务之急，即对库房内不同化学品货物进行定位并监测。由于TDOA具有定位精度高、系统复杂度较低的优点，非常适用于危险化学品仓库的货物定位。

但是，现有的TDOA通常需要求解非线性的双曲线方程组，计算量大、时间长。为此，许多学者提出了相应的改进算法，比如:Fang，SX，SI，Taylor级数展开法和Chan算法。不过这些算法不能利用冗余测量数据提高测量精度，难以求得最优解，同时对初始解要求较高，最优解在测量噪声较大的情况下性能恶化比较严重。此外，上述定位算法一般都假设TDOA的测量误差服从高斯分布，并且可以得到似然函数的解析表达式，从而可以利用最大似然法求解。

粒子群优化(Particle Swarm Optimization PSO)算法是一种基于群体的智能优化算法，在优化问题上表现出良好的性能，在一些领域中得到很好的应用。但是在求解复杂优化问题时，标准粒子群优化算法易陷入局部最优，出现搜索停滞的现象。为解决这些问题，学者们已开展了系列研究，翟彦蓉等人在自适应粒子群优化算法的基础上，引入禁忌搜索策略，以提高定位精度；文恬等人通过非线性调整惯性权重提高定位精度；罗平等人提出基于自然选择的粒子群优化算法，提高了全局搜索能力。可以看出，研究者主要围绕PSO中的惯性权重开展研究，同时考虑惯性权重和加速度权重的并不多，因此，定位结果的精确度还有待提高。

发明内容

本发明的目的是提供一种危险化学品码垛式仓储货物定位优化方法，可以提高算法全局搜索能力，从而提高定位精度。

本发明的目的是通过以下技术方案实现的：

一种危险化学品码垛式仓储货物定位优化方法，包括：

建立危险化学品码垛式仓储货物定位监测场景，获取待定位标签与各基站之间的到达时间差；

结合获取到的到达时间差建立基于TDOA的定位模型，从而确定待定位标签位置的目标函数；

利用动态调整惯性权重和加速度权重的PSO算法，寻找目标函数的最优解，从而获得待定位标签的位置。

由上述本发明提供的技术方案可以看出，针对现有PSO算法易陷入局部最优，出现搜索停滞的缺陷，对算法进行改进，动态调整惯性权重和加速度权重；有效地解决了粒子群优化算法容易陷入局部最优的问题，使算法能快速收敛到全局最优解，算法性能稳定，定位精度高；为政府部门开展危险化学品仓储混存监测提供了良好的技术手段。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种危险化学品码垛式仓储货物定位优化方法的流程图；

图2为本发明实施例提供的危险化学品码垛式仓储货物定位监测场景示意图；

图3为本发明实施例提供的经典PSO算法与本发明的收敛性能对比图；

图4为本发明实施例提供的小波变换去除非视距误差(NLOS)前传统PSO算法与本发明的定位精度对比图；

图5为本发明实施例提供的小波变换去除非视距误差(NLOS)后传统PSO算法与本发明的定位精度对比图；

图6为本发明实施例提供的小波变换去除NLOS噪声后，传统Chan算法、传统LS算法、传统PSO算法以及本发明的测量误差对定位精度的影响对比图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种危险化学品码垛式仓储货物定位优化方法，如图1所示，其主要包括如下步骤：

步骤1、建立危险化学品码垛式仓储货物定位监测场景，获取待定位标签与各基站之间的到达时间差(TDOA)。

本发明实施例中，在危险化学品码垛式仓储中安装一定数量的基站，并在每一货箱上粘贴唯一的标签；通过无线电频信道指示待定位标签发出脉冲信号，以提供待定位标签与基站之间的双向通路；当待定位标签发出脉冲序列信号并被各个基站接收时，各基站安装位置以及与待定位标签距离不同，使得不同基站接收到脉冲序列信号的时间不同，从而获取到待定位标签与各基站之间的到达时间差。

示例性的，可以采用英国Ubisense7000定位系统提供的标签和传感器(基站)搭建危险化学品码垛式仓储货物定位监测场景。在一个定位单元中，当Ubisense7000定位系统工作时，通过传统的2.4GHz无线电频(RF)信道指示标签(移动台)发出脉冲信号，以提供标签与传感器(基站)之间的双向通路。当标签发出一个7.2GHz的脉冲序列信号并被基站接收时，基站通过信号的TDOA和AOA并经过软件平台计算出标签的精确位置。标签位置能够被任意两个信息计算出来，比如TDOA和1或2个AOA，因此，只需两个基站便可定位标签。在实际应用中，采用更多的基站能够保证定位的可靠性与有效性。同时，Ubisense7000定位系统可灵活设置标签数据的更新率，基站上报的位置数据经处理后，可通过基于以太网的应用程序界面与上层软件进行交互。

如图2所示，测试选用的模拟危险化学品码垛式仓储为长25.0m、宽8.2m、高2.7m的矩形区域，为便于数据的分析和处理，在实验室内建立空间直角坐标系，4个基站分别位于仓库顶部的四个角，坐标已知。如果在每个危化品货箱上都粘贴唯一的标签，定位系统就可获悉每个标签在各时刻的位置及状态信息，从而实现对每个货箱位置的定位和跟踪。

优选的，为了提高到达时间差的准确性，可以采用小波变换去除非视距误差(NLOS)噪声。

步骤2、结合获取到的到达时间差建立基于TDOA的定位模型，从而确定待定位标签位置的目标函数。

假设共设置了M个基站，基站u的坐标为(x_u,y_u)，待定位标签与基站u之间的距离为r_u，待定位标签到基站u和基站1之间的距离差为r_u,1，则距离差表示如下：

r_u,1＝ct_u,1＝r_u-r₁+cn_u,1,u＝2,3,...,M

上式中，t_u,1为待定位标签发出的脉冲序列信号到达基站u与基站1之间的到达时间差(即到达基站u的时间t_u与到达基站1的时间t₁的差值)；c为光速；n_u,1是独立同分布，且均值为零，方差为σ²的高斯白噪声；则有：

令：

则有：

ΔR中的元素均为独立同分布的高斯随机变量，其均值为r_u-r1，方差为c²σ²，则似然函数为：

最终待定位标签的位置(x,y)就是上述似然函数的最大坐标值，或者求解以下目标函数：

(x,y)＝arg{min[(ΔR-R+R₁)^T(ΔR-R+R₁)]}

可以看出，似然函数包含了很复杂的非线性函数，使用传统求导方法求解非常困难。从目标函数式可以看出，搜索峰值对应的坐标也可以求得最大似然估计值，但是直接搜索计算量非常大。因此，可以利用PSO算法对寻优函数基本没有限制的特点，在整个潜在的解空间中搜索最优解，确定待定位标签的位置(x,y)。

步骤3、利用动态调整惯性权重和加速度权重的PSO算法，寻找目标函数的最优解，从而获得待定位标签的位置。

本步骤的优选实施方式如下：

步骤3-1、设置种群规模m、惯性权重w、加速度权重c₁与c₂、以及结束条件；

假设在D维空间中有m个粒子，粒子i的坐标为X_i＝(x_i1,x_i2,...,x_iD)，并具有与优化目标函数相关的适应度(通常可以直接将目标函数作为粒子的适应度f_fitness)，粒子i的速度为V_i＝(v_i1,v_i2,...,v_iD)，粒子i所经历的历史最好位置记为P_i＝(p_i1,p_i2,...,p_iD)，也称为P_best，粒子群体所经历的历史最好位置记为P_g＝(g₁,g₂,...,g_D)，也称为g_best；其中，x_ij为粒子i在第j维空间中的坐标，v_ij为粒子i在第j维空间中的速度，p_ij为粒子i在第j维空间中所经历的历史最好位置，g_j为粒子群体在第j维空间中所经历的历史最好位置集合，其包含m个位置，第i个元素对应于粒子i，i＝1,2,...,m,j＝1,2,...,D。

步骤3-2、初始化群体中粒子，包括粒子的初始位置和初始速度。

步骤3-3、依据速度和位置评价各粒子的适应度函数值。

步骤3-4、对每个粒子，将其当前适应度函数值(即f(x_ij(t+1)))与历史最好位置P_best对应的适应度函数值(即f(p_ij(t)))相比较，如果当前适应度值更优，则用当前位置更新历史最佳位置P_best，更新公式为：

上式中，f(.)表示相应位置对应的适应度函数值，t表示迭代次数；p_ij(t+1)、p_ij(t)表示第t+1次、第t次迭代时粒子i在第j维空间中所经历的历史最好位置；x_ij(t+1)表示第t+1次迭代时粒子i在第j维空间中的位置。

步骤3-5、对每个粒子，将其当前适应度函数值(即f(x_ij(t+1)))与群体经历过的历史最佳位置g_best对应的适应度函数值(即f(g_ij(t)))相比较，如果当前的适应度函数值较好，则将其置为新的群体最好历史位置g_best；

其中，粒子群体所经历的历史最好位置的更新公式为：

上式中，g_ij为g_j中的第i个元素，t、t+1分别对应第t、t+1次迭代；

步骤3-6、更新各粒子的位置和速度，同时动态调整惯性权重w、加速度权重c₁与c₂。

其中粒子i在第t+1代的第j维的速度和位置为：

v_ij(t+1)＝wv_ij(t)+r_ac₁(p_ij-x_ij(t))+r_bc₂(g_ij-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，r_a、r_b为0与1之间的随机数，v_ij(t)为第t次迭代时粒子i在第j维空间中的速度；粒子的速度由最大速度限制，若粒子i在第j维空间中的速度v_ij大于等于第j维空间中的速度最大速度v_maxj，则令v_ij＝v_maxj；

对惯性权重w、加速度权重c₁与c₂进行动态调整，用于下一次迭代时更新各粒子的位置和速度：

其中，k_max为最大迭代次数，c_1start、c_1end、c_2start、c_2end、w_start、w_end分别为c₁、c₂和w的起始值和终止值。

步骤3-7、如果算法到达最大迭代次数或最佳适应度函数值的增量小于某个给定阈值时(即满足结束条件时)算法结束，提取当前适应度函数值最高的粒子对应的位置作为目标函数的最优解，也即待定位标签的位置；否则，返回步骤3-3。

本发明实施例上述方案，针对现有PSO算法易陷入局部最优，出现搜索停滞的缺陷，对算法进行改进，动态调整惯性权重和加速度权重；有效地解决了粒子群优化算法容易陷入局部最优的问题，使算法能快速收敛到全局最优解，算法性能稳定，定位精度高；为政府部门开展危险化学品仓储混存监测提供了良好的技术手段。

为了说明本发明实施例上述方案的效果，还与传统方案进行了对比。

在测试时，本发明实施例上述方案(IPSO)中，可以设置种群数量m为60，粒子的最大速度v_max＝8，最大迭代次数为80。在此基础上，自适应加速度粒子群算法的c_1start＝2，c_1end＝1，c_2start＝1，c_2end＝2，惯性权重的取值为w_start＝0.9，w_end＝0.4。传统PSO的c₁＝2，c₂＝2，惯性权重w＝0.7

如图3所示，为本发明与传统PSO的收敛性能比较结果。从图中可以看出，通过改进惯性权重w和加速度权重c_a、c_b，IPSO在迭代28次后达到收敛条件，传统PSO算法在迭代54次后才达到收敛条件。可见，IPSO算法相对传统PSO算法提高了收敛速度。

由于危险化学品库环境复杂，有遮挡物，存在非视距误差(NLOS)，直接影响了TDOA值的准确性，对后续定位产生了一定影响。本发明采用小波变换去除NLOS噪声。去噪前后IPSO与PSO定位精度比较如图4和图5所示。其中方块表示不同货物(标签)的实际位置，其通过激光测距仪测试100次取均值获得，测量结果由IPSO和PSO算法获得，以三角与菱形表示。从图中可以看出，去除NLOS噪声后，所有算法定位精度均有所上升，本发明提出的IPSO算法具有更高的定位精度。

小波变换去除NLOS噪声后，传统Chan算法、传统LS算法、传统PSO算法以及改进PSO算法，测量误差对定位精度的影响如图6所示。从图中可以看出，在不同TDOA测量误差下，本发明的定位误差明显小于其他的定位算法且定位性能变化不大。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种危险化学品码垛式仓储货物定位优化方法，其特征在于，包括：

建立危险化学品码垛式仓储货物定位监测场景，获取待定位标签与各基站之间的到达时间差；

结合获取到的到达时间差建立基于TDOA的定位模型，从而确定待定位标签位置的目标函数；

利用动态调整惯性权重和加速度权重的PSO算法，寻找目标函数的最优解，从而获得待定位标签的位置。

2.根据权利要求1所述的一种危险化学品码垛式仓储货物定位优化方法，其特征在于，所述建立危险化学品码垛式仓储货物定位监测场景，获取待定位标签与各基站之间的到达时间差包括：

在危险化学品码垛式仓储中安装一定数量的基站，并在每一货箱上粘贴唯一的标签；

通过无线电频信道指示待定位标签发出脉冲信号，以提供待定位标签与基站之间的双向通路；当待定位标签发出脉冲序列信号并被各个基站接收时，各基站安装位置以及与待定位标签距离不同，使得不同基站接收到脉冲序列信号的时间不同，从而获取到待定位标签与各基站之间的到达时间差。

3.根据权利要求1所述的一种危险化学品码垛式仓储货物定位优化方法，其特征在于，所述结合获取到的到达时间差建立基于TDOA的定位模型，从而确定待定位标签位置的目标函数包括：

假设共设置了M个基站，基站u的坐标为(x_u,y_u)，待定位标签与基站u之间的距离为r_u，待定位标签到基站u和基站1之间的距离差为r_u,1，则距离差表示如下：

r_u,1＝ct_u,1＝r_u-r₁+cn_u,1,u＝2,3,...,M

上式中，t_u,1为待定位标签发出的脉冲序列信号到达基站u与基站1之间的到达时间差；c为光速；n_u,1是独立同分布，且均值为零，方差为σ²的高斯白噪声；则有：

令：

则有：

ΔR中的元素均为独立同分布的高斯随机变量，其均值为r_u-r1，方差为c²σ²，则似然函数为：

最终待定位标签的位置(x,y)就是上述似然函数的最大坐标值，或者求解以下目标函数：

(x,y)＝arg{min[(ΔR-R+R₁)^T(ΔR-R+R₁)]}。

4.根据权利要求1所述的一种危险化学品码垛式仓储货物定位优化方法，其特征在于，所述利用动态调整惯性权重和加速度权重的PSO算法，寻找目标函数的最优解，从而获得待定位标签的位置包括：

步骤3-1、设置种群规模m、惯性权重w、加速度权重c₁与c₂、以及结束条件；

假设在D维空间中有m个粒子，粒子i的坐标为X_i＝(x_i1,x_i2,...,x_iD)，粒子i的速度为V_i＝(v_i1,v_i2,...,v_iD)，粒子i所经历的历史最好位置记为P_i＝(p_i1,p_i2,...,p_iD)，也称为P_best，粒子群体所经历的历史最好位置记为P_g＝(g₁,g₂,...,g_D)，也称为g_best；其中，x_ij为粒子i在第j维空间中的坐标，v_ij为粒子i在第j维空间中的速度，p_ij为粒子i在第j维空间中所经历的历史最好位置，g_i为粒子群体在第j维空间中所经历的历史最好位置，其包含m个位置，第i个元素对应于粒子i，i＝1,2,...,m,j＝1,2,...,D；

步骤3-2、初始化群体中粒子，包括粒子的初始位置和初始速度；

步骤3-3、依据速度和位置评价各粒子的适应度函数值；

步骤3-4、对每个粒子，将其当前适应度函数值与历史最好位置P_best对应的适应度函数值相比较，如果当前适应度值更优，则用当前位置更新历史最佳位置P_best，更新公式为：

上式中，f(.)表示相应位置对应的适应度函数值，t表示迭代次数；p_ij(t+1)、p_ij(t)表示第t+1次、第t次迭代时粒子i在第j维空间中所经历的历史最好位置；x_ij(t+1)表示第t+1次迭代时粒子i在第j维空间中的位置；

步骤3-5、对每个粒子，将其当前的适应度函数值与群体经历过的历史最佳位置g_best对应的适应度函数值相比较，如果当前的适应度函数值较好，则将其置为新的群体最好历史位置g_best；其中，粒子群体所经历的历史最好位置的更新公式为：

步骤3-6、更新各粒子的位置和速度，同时动态调整惯性权重w、加速度权重c₁与c₂；

其中粒子i在第t+1代的第j维的速度和位置为：

v_ij(t+1)＝wv_ij(t)+r_ac₁(p_ij-x_ij(t))+r_bc₂(g_ij-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，r_a、r_b为0与1之间的随机数，v_ij(t)为第t次迭代时粒子i在第j维空间中的速度；粒子的速度由最大速度限制，若粒子i在第j维空间中的速度v_ij大于等于第j维空间中的速度最大速度v_maxj，则令v_ij＝v_maxj；

对惯性权重w、加速度权重c₁与c₂进行动态调整，用于下一次迭代时更新各粒子的位置和速度：

其中，k_max为最大迭代次数，c_1start、c_1end、c_2start、c_2end、w_start、w_end分别为c₁、c₂和w的起始值和终止值；

步骤3-7、如果算法到达最大迭代次数或最佳适应度函数值的增量小于某个给定阈值时算法结束，提取当前适应度函数值最高的粒子对应的位置作为目标函数的最优解，也即待定位标签的位置；否则，返回步骤3-3。