基于智能超表面辅助的煤矿深井提升机通信系统及方法

本发明属于煤矿自动化、智能通信及工业物联网，具体是一种基于智能超表面辅助的煤矿深井提升机通信系统及方法。

背景技术：

1、煤矿深井提升机系统作为矿井生产体系的核心组成部分，其运行的安全性与效率直接关联生产流程的稳定运行及人员的安全。针对提升机在作业过程中可能遭遇的终端荷载超载、松绳卡罐、操作失误及维护疏忽等风险因素所引发的超载断绳隐患，当前学术界与工业界正致力于探索创新的解决方案，旨在显著提高提升机系统的可靠性与安全性。低功耗广域网技术，尤其是lora技术，凭借其低功耗与长距离通信的显著优势，在矿山远程监测系统中展现出了巨大的应用潜力。lora技术通过有效利用非授权无线电频段，实现了数据的高效无线传输，显著降低了系统能耗与通信延迟。进一步地，结合移动边缘计算（mec）技术，将数据处理能力前置至设备边缘，不仅加速了数据的实时处理与分析过程，还显著提升了系统的响应速度，为矿山物联网（iot）的智能化发展奠定了坚实的基础。然而，在煤矿井下复杂的金属环境下，lora信号的衰减问题成为限制其应用效能的关键因素。

2、为解决这一技术瓶颈，智能超表面（ris）技术作为一种前沿的无线通信解决方案被引入到矿山通信系统中。ris通过精细调控反射单元的相移参数，并融合先进的强化学习算法，实现了波束赋形的智能化自适应调整，有效增强了信号强度与通信稳定性，为煤矿井下无线通信提供了一种创新的、高效的解决方案。然而，矿井环境复杂多变，电磁干扰、煤尘水雾及大型移动设备等因素对无线通信构成了严峻挑战，如何精确获取实时通信模型与信道状态信息成为亟待解决的难题。鉴于传统优化方法在应对矿井环境下动态变化与不确定性方面的局限性，引入更加先进的优化算法与人工智能技术成为必然选择。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供一种基于智能超表面辅助的煤矿深井提升机通信系统及方法，该系统通过lora无线通信技术，结合智能超表面信号增强特性及自身反射特性可调的特点，可确保提升机内部无线数据链路的稳定性，进而可以提高数据的传输效率，并确保了数据传输的可靠性和安全性，有利于边缘计算节点及云服务器能实时地对称重传感器、加速度传感器和张力传感器所监测到的数据进行融合处理，进而可以实现对提升机系统状态的全面可靠的监测；该方法智能化程度高、实施过程简单，其针对煤矿井下金属器件密集导致的信号衰减和通信不稳定问题，首次将智能超表面技术应用于提升机巷道这一特殊环境之中，同时，通过与环境的持续交互学习，利用深度强化学习算法不断优化智能超表面的配置策略，能精确化的调控电磁波的传播路径、幅度和相位，显著提升了无线信号的强度和传输稳定性，有效地适应了提升机快速运动等动态变化，确保了提升机内部通信质量长期的稳定性和可持续优化能力。

2、为了实现上述目的，本发明提供一种基于智能超表面辅助的煤矿深井提升机通信系统，包括物联网设备、边缘计算节点、云服务器和智能超表面；

3、所述物联网设备包括张力传感器、称重传感器、加速度传感器；所述张力传感器具有无线通信功能，其安装在钢丝绳上，用于实时采集钢丝绳的张力信号，并通过lora无线通信技术将张力信号向外部设备进行传输；所述称重传感器具有无线通信功能，其安装在钢丝绳与罐笼或箕斗的连接结点处，用于实时采集罐笼或箕斗的重量信号，并通过lora无线通信技术将重量信号向外部设备进行传输；所述加速度传感器具有无线通信功能，其安装在罐笼或箕斗上，用于实时采集罐笼或箕斗的加速度信号，并通过lora无线通信技术将加速度信号向外部设备进行传输；

4、所述边缘计算节点具有无线通信功能，其安装在矿井井壁上，且位于靠近井口的位置，用于通过lora无线通信技术接收无线信号，并根据所接收的无线信号完成边缘计算任务，再将所获得的数据通过有线传输介质传输至云服务器；

5、所述云服务器设置在远端，其与边缘计算节点连接，用于接收边缘计算节点上传的数据，并用于完成核心计算任务；

6、所述智能超表面安装在矿井井壁上，用于接收并增强物联网设备发出的无线信号强度，并通过反射的方式将所接收到的无线信号传输至边缘计算节点，同时，用于通过调整自身的反射相移系数来优化物联网设备与边缘计算节点之间的通信质量，确保物联网设备和边缘计算节点之间的可靠通信。

7、为了便于实时监控提升机的运行情况，以实现对提升机环境信息的采集，还包括监控摄像头，所述监控摄像头具有无线通信功能，其安装在矿井井壁上，用于实时采集监测区域的图像数据，并通过智能超表面作为数据传输的中继与增强媒介，确保图像数据能够迅速、稳定地传输至边缘计算节点。

8、进一步，为了确保通信的可靠性，所述智能超表面位于煤矿深井高度方向的中段。

9、作为一种优选，所述边缘计算节点由无线接入点和移动边缘计算服务器组成。

10、作为一种优选，所述有线传输介质为光缆或电缆。

11、本发明中，在钢丝绳上安装张力传感器，在钢丝绳与罐笼或箕斗的连接结点处安装称重传感器，在罐笼或箕斗上安装加速度传感器，便于实时采集提升机运行过程中钢丝绳的张力信号、罐笼或箕斗的重量信号、罐笼或箕斗的加速度信号，进而可以较为全面地采集到提升机的运行数据。使张力传感器、称重传感器和加速度传感器均采用lora无线通信技术将所采集的信号向外部设备进行传输，可以在低功耗的前提下实现远距离信号的传输。使边缘计算节点通过lora无线通信技术接收无线信号，可以在低功耗的前提下实现距离信号的接收，进而可以通过lora无线网络在低功耗的前提下实现通信距离的扩展。将智能超表面布置在煤矿深井中，并将智能超表面加入到lora无线网络系统中，能显著增强无线信号的强度和覆盖范围，有效提高了无线传感器网络的稳定性，进而可以进一步有效地扩展无线信号的覆盖范围。利用边缘计算节点来完成边缘计算任务，可以有效降低云服务器的计算压力，同时，也能通过自主计算的方式来有效降低对云服务器的依赖。使云服务器和边缘计算节点之间通过有线传输介质进行连接，可以确保远距离数据传输的可靠性。由于智能超表面能够通过自主调整自身的反射特性来优化信号的传播和方向，可以确保无线信号能绕过原有的物理障碍和信号盲区，使得通信链路能够根据实际需求进行动态化的调整，这不仅克服了传统方法难以应对动态变化的局限性，还显著提升了通信系统的自适应能力及智能化水平，有效地保障了数据传输的可靠性和安全性。

12、该系统通过lora无线通信技术，结合智能超表面信号增强特性及自身反射特性可调的特点，可确保提升机内部无线数据链路的稳定性，进而可以提高数据的传输效率，并确保了数据传输的可靠性和安全性，有利于边缘计算节点及云服务器能实时地对称重传感器、加速度传感器和张力传感器所监测到的数据进行融合处理，进而可以实现对提升机系统状态的全面可靠的监测，有效解决了煤矿场景深井提升机中无线传感器信号受金属环境衰减严重及数据稳定与时延要求高的挑战。

13、本发明还提供了一种基于智能超表面辅助的煤矿深井提升机通信方法，采用一种基于智能超表面辅助的煤矿深井提升机通信系统，包括以下步骤：

14、步骤一：布置智能超表面，并构建智能通信系统；

15、将智能超表面部署在矿井井壁上；利用智能超表面可编程的反射特性，主动调整反射波束的方向和相位，在复杂的矿井环境中构建出虚拟的、增强的无线通信链路，并利用无线通信链路建立物联网设备与边缘计算节点之间的通信连接；利用有线传输介质建立边缘计算节点与远端的云服务器之间的通信连接；

16、步骤二：对智能通信系统中计算卸载过程中能量损耗和计算时延问题进行建模；

17、s21：根据公式（1）建立智能超表面的信道模型，得到智能超表面的信道增益；

18、         （1）；

19、式中， 表示直射路径增益；表示第n个反射路径的增益；表示智能超表面第 n个反射元素的复反射系数；

20、s22：根据公式（2）建立智能超表面接收信号的模型；

21、       （2）；

22、式中，表示第 k个物联网设备的接收信号；表示发射功率；表示边缘计算节点和第 k个物联网设备之间的信道模型，为信道估计误差；表示发射信号；表示高斯白噪声，方差为；

23、s23：根据公式（3）建立智能超表面传输速率的模型；

24、 （3）；

25、式中，表示第 k个物联网设备的传输速率；表示带宽；

26、s24：利用公式（4）表征物联网设备处的能量消耗；

27、            （4）；

28、式中， t表示处理子帧的持续时间；表示物联网设备能耗效率因子；表示第 k个物联网设备的cpu周期频率；

29、s25：利用公式（5）表征边缘计算节点处的能量消耗；

30、 （5）；

31、式中，表示物联网设备的发射功率；表示给第 k个物联网设备的传输持续时间的比例；表示边缘计算节点的能耗效率因子；表示移动边缘计算服务器的计算能力；

32、s26：利用公式（6）表征云服务器处的能量消耗；

33、  （6）；

34、式中，表示边缘计算节点的发射功率；表示边缘计算节点给第 k个物联网设备的传输持续时间的比例；表示云服务器的能耗效率因子；表示云服务器的cpu周期频率；

35、s27：将平均能耗和平均等效延迟定义为衡量智能通信系统性能的指标；利用公式（7）表征计算卸载过程中的平均能耗，利用公式（8）表征计算卸载过程中的平均等效延迟；

36、      （7）；

37、      （8）；

38、式中，；表示分配物联网设备的卸载任务数量，表示分配边缘计算节点的卸载任务数量，表示分配云服务器的卸载任务数量，表示卸载任务总数量；表示处理一位计算任务所需的计算周期数；表示计算卸载模式，被设定为1时，则触发针对不同计算资源层级的任务迁移机制，分别激活针对物联网设备的直接处理能力、边缘计算节点的就近优化处理能力，以及云服务器强大的集中处理能力的任务卸载模式，反之亦关闭对应模式；

39、步骤三：针对基于多源数据融合的煤矿提升机故障检测的特性，构建一种兼顾实时性与资源约束的计算卸载策略；根据公式（9）构建融合能量效率与计算时延两大维度的综合效益函数；

40、     （9）；

41、式中，表示能量效率的权重参数，表示总计算延迟的权重参数；

42、步骤四：将最大化综合效益函数确立为计算卸载策略的优化目标，并根据公式（a）、（b）、（c）、（d）、（e）和（f）构建计算卸载策略的优化框架；通过约束条件（a）确保物联网设备与边缘计算节点的发射功率在安全与能效之间取得平衡；通过约束条件（b）确保物联网设备、边缘计算节点和云服务器需在各自cpu频率限定的计算能力最大值下运行；各层级通过cpu频率衡量处理通信数据的能力，确保系统高效稳定，实现数据从源头到云端的高效流动与智能处理；通过约束条件（c）规定智能通信系统网络中功率分配的公平性；通过约束条件（d）考虑任务模式的多样性；通过约束条件 （e）界定智能超表面反射系数矩阵相移的取值范围；通过约束条件（f）在信道估计误差存在时，保证传输速率的最低要求；

43、；

44、式中，表示第 k个物联网设备的计算卸载模式；

45、步骤五：构建安全强化学习模型；

46、将基于智能超表面辅助的煤矿深井提升机通信系统的动态计算卸载过程和ris相移调整过程建模成马尔科夫决策过程，并分别将智能超表面辅助的无线传感器网络和智能超表面作为环境和学习代理；同时，提出基于拉格朗日的机会约束强化学习方法；最终构建出基于智能超表面辅助的煤矿深井提升机通信系统的安全强化学习模型；

47、步骤六：实现最优计算卸载效益；

48、s61：先利用拉格朗日乘子法，根据公式（10）将约束马尔科夫决策过程问题转化为无约束对偶问题；再通过积分分离法来制定拉格朗日的比例积分，以防止政策过度保守；

49、                  （10）；

50、式中，表示强化学习的奖励，用于衡量算法的性能；为拉格朗日惩罚因子，用于调控约束的松弛程度；表示所用物联网设备的传输总速率小于速率阈值的概率；表示中断概率的阈值；

51、s62：引入基于深度确定性策略梯度的矿山物联网计算卸载机制，运用基于深度确定性策略梯度算法来求解最优任务卸载策略；

52、a1：基于深度确定性策略梯度算法初始化；初始化基于深度确定性策略梯度算法的相关学习参数；初始化基于深度确定性策略梯度算法中的actor网络参数和critic网络参数，通过将和赋值给target actor网络和target critic网络的网络参数、，完成target网络参数的初始化，随机给出初始基于智能超表面辅助的煤矿深井提升机通信系统的环境状态；其中，、和分别表示给不同设备分配的任务数量；、和均表示任务卸载的参数；

53、a2：单步探索与策略采样；进行回合内的一步探索，actor网络基于当前输入的初始化系统状态s确定性策略；然后，矿山物联网设备基于和ou过程采样得到的噪声，根据公式（11）选择计算卸载策略；

54、在执行计算卸载策略过程中，通过配置反射相移、任务数量、计算模式因子及资源分配因子的方式，对系统性能进行优化，并评估计算卸载的效用值，即奖励 u，随后，基于计算卸载过程的实时观测，确保系统状态得以更新，为后续决策过程提供新的起点；这一过程中，计算任务量及物联网设备位置信息的动态变化遵循马尔科夫链模型，确保环境信道状态信息的精准重估；最终，将包含上述关键信息的计算卸载经验整合成案例，存入经验池中，以供后续学习与优化之用；

55、    （11）；

56、a3：网络参数更新；判断经验池的计算卸载经验数是否达到z；若未达到，则直接跳转至步骤a4，继续探索累计计算卸载经验，直至计算卸载经验不断累计达到z组；若达到，则基于经验回放技术，矿山物联网设备从经验池中随机采样z组计算卸载经验，即，并利用这些计算卸载经验迭代更新四个神经网络参数，四个神经网络参数包括actor网络参数、critic网络参数、target actor网络参数和targetcritic网络参数；其中，表示当前时刻的状态；表示当前时刻的动作；表示当前时刻的奖励；表示下一时刻的状态；

57、a31：采用adam优化器作为梯度下降算法，并利用公式（12） 和公式（13）更新critic网络参数；

58、               （12）；

59、                   （13）；

60、式中，表示损失函数；表示强化学习里面的折算系数；表示目标critic网络；表示actor网络；表示取自经验回放数组的第 n个损失函数；表示critic网络；表示当前时刻的状态；表示取自经验回放数组的第 n个动作；

61、a32：通过确定性策略梯度上升方法，根据公式（14）更新actor网络参数；

62、    （14）；

63、式中，表示actor网络确定性策略梯度；表示数学期望；表示critic网络的策略梯度；表示critic网络参数的策略梯度；表示策略函数；

64、a33：采用软更新学习率，根据公式（15）更新target actor网络参数，根据公式（16）更新target critic网络参数，以放慢对actor网络参数和critic网络参数的追踪速度；

65、              （15）；

66、         （16）；

67、a4：回合结束判定；判断时隙数是否达到最大回合内训练步长数，若未达到，则令下一步状态为新的初始化系统状态，回到a2；若达到，则结束回合训练。

68、作为一种优选，在步骤六的a1中，相关学习参数包括学习率、折扣因子、记忆池大小、ou噪声、软更新学习率，、批量大小z、回合数以及回合内探索步长。

69、本发明中，先将智能反射面布置于煤矿深井中，并将利用其所构建出的无线通信链路来建立物联网设备与边缘计算节点之间的通信连接，可以基于智能超表面的信号增强及自身反射特性可调节的优点，再结合lora无线通信技术低功耗远距离传输的特性，来进一步扩展提升机内部无线通信网络的覆盖范围，同时，可进一步提高无线通信链路的可靠性和稳定性，进而确保监测数据能够及时可靠地传输至边缘计算节点。针对基于多源数据融合的煤矿提升机故障检测而言，对于数据稳定和时延要求较高的问题，在设计煤矿深井提升机通信卸载效益函数的同时，本发明还分考虑了提高最低能量效率限制并降低计算时延的问题，构建了智能超表面辅助的网络系统中矿山物联网设备的计算卸载过程中能量损耗和计算时延问题的模型，进而可以通过联合设计智能超表面的反射相移和计算卸载率的方式来实现最大化计算卸载效益函数的优化目标。由于在煤矿井下很难准确获取到实时的无线通信模型和信道状态信息，且会受到智能超表面反射相移系数和最低能量损耗的非凸约束，为了有效解决井下实时信息获取难及非凸约束的问题，将智能超表面辅助煤矿深井提升机通信的动态计算卸载过程和智能超表面相移调整过程建模成马尔科夫决策过程。同时，本发明还引入了拉格朗日机会约束强化学习方案，确保了数据处理的实时性和应急响应的及时性。深度强化学习作为人工智能领域的新兴技术，在复杂动态环境中的优化问题处理上展现出卓越的能力。通过构建基于有限状态马尔可夫决策过程的模型，深度强化学习算法能够在不完全了解系统模型与具体信道状态信息的情况下，通过与环境的持续交互学习，自适应地选择最优的计算卸载策略，从而保障矿山物联网设备的高效实时数据处理与快速应急响应能力。为了保证满足计算时延阈值的要求，保障实时性数据处理与事故应急响应，提出了基于拉格朗日的机会约束强化学习方法，最终构建智能超表面辅助的煤矿深井提升机通信的安全强化学习模型。然后，利用深度确定性策略梯度（ddpg）算法优化安全强化模型，实现复杂环境中最优计算卸载效益，确保了煤矿深井提升机通信的高效与安全。通过将安全学习机制巧妙地融入drl框架中，可以确保探索过程的安全性。该机制通过设定安全指标来评估状态-动作对的风险等级，并自动规避高风险行为，有效防止了因随机探索导致的计算时延过高问题，确保了矿山物联网系统的稳定运行。在强化学习算法的驱动下，提升机通信系统能够持续监测并分析通信环境的变化，自主调整反射单元的相移参数，以最优化的波束形态应对不同环境条件下的通信需求。

70、该方法智能化程度高、实施过程简单，其针对煤矿井下金属器件密集导致的信号衰减和通信不稳定问题，首次将智能超表面技术应用于提升机巷道这一特殊环境之中，同时，通过与环境的持续交互学习，利用深度强化学习算法不断优化智能超表面的配置策略，能精确化的调控电磁波的传播路径、幅度和相位，显著提升了无线信号的强度和传输稳定性，有效地适应了提升机快速运动等动态变化，确保了提升机内部通信质量长期的稳定性和可持续优化能力。