基于多特征信道状态信息边缘计算的工厂人员监管方法

1.本发明涉及基于多特征信道状态信息边缘计算的工厂人员监管方法，属于边缘计算技术领域。


背景技术：

2.一直以来，工厂经营者始终以提高工厂的生产效率为主要目标，从而获得更高的经济效益，特别是近些年，各行各业涌现的竞争对手越来越多，工厂经营者的利润在不断被挤压，因此为提升自己的竞争优势，提高生产效率的需求显得愈发迫切。然而，在无监督的工厂环境下，工作人员工作态度不积极，工作效率得不到保障，从而造成工厂生产产品效率的下降，因此为了提高工厂人员的工作效率，设计一种工厂人员监管方法显得尤为必要。


技术实现要素：

3.本发明所要解决的技术问题是提供基于多特征信道状态信息边缘计算的工厂人员监管方法，能够即时监测厂内各人员工作状态。并统计分析各人员工作效率的效果。
4.本发明为了解决上述技术问题采用以下技术方案：本发明设计了基于多特征信道状态信息边缘计算的工厂人员监管方法，用于针对包含个工作位置的目标厂区，实现对目标厂区内个人员的位置监测，且各人员分别身穿内嵌接收天线的工作服，脚穿内置压力传感器的工作靴；所述工厂人员监管方法包括执行如下步骤a至步骤b，获得人员工作位置判定模型；以及按步骤i，应用人员工作位置判定模型实现关于待监测人员的位置监测；步骤a. 基于各人员分别一一对应位于目标厂区内的各个工作位置，通过信号覆盖目标厂区作为信号发射机的发射天线连续广播个数据包，且各数据包分别包括顺序个子载波，并由位于目标厂区内作为基准信号接收机的接收天线、以及各人员所着工作服中作为参考信号接收机的接收天线，分别对来自信号发射机的各数据包进行依次接收，搭建指纹库，然后进入步骤b；步骤b. 基于各人员随机游离于目标厂区内，根据预设周期时长，周期按步骤a的方法，采集各人员参考信号接收机对应的振幅熵特征、相位差特征、以及人员参考信号接收机与信号发射机之间所对应的载波间振幅距离相关系数特征，同时周期采集各人员分别所穿两支工作靴中压力传感器数值之和对应周期时长下的波动信息，结合指纹库，针对深度强化学习算法模型进行训练，获得人员工作位置判定模型；步骤i. 采集待监测人员参考信号接收机对应的振幅熵特征、相位差特征、以及待监测人员参考信号接收机与信号发射机之间对应的载波间
振幅距离相关系数特征，同时采集待监测人员所穿两支工作靴中压力传感器数值之和对应周期时长下的波动信息，应用人员工作位置判定模型，获得待监测人员所在的工作位置。
5.作为本发明的一种优选技术方案：所述步骤a中，按如下步骤a1至步骤a5，搭建指纹库；步骤a1. 分别针对信号发射机所广播的各数据包中的各子载波，采集信号发射机与基准信号接收机之间关于子载波的信道状态信息，构建信号发射机与基准信号接收机之间信道的csi信息如下：其中，，，表示信号发射机与基准信号接收机之间信道关于第个数据包中第个子载波的信道状态信息；同时，分别针对信号发射机所广播的各数据包中的各子载波，采集信号发射机分别与各人员参考信号接收机之间关于子载波的信道状态信息，构建信号发射机分别与各人员参考信号接收机之间信道的csi信息如下：其中，，表示信号发射机与第个人员参考信号接收机之间信道的csi信息，表示信号发射机与第个人员参考信号接收机之间信道关于第个数据包中第个子载波的信道状态信息；然后进入步骤a2；
步骤a2. 分别针对各人员参考信号接收机，以构成信号发射机、第个人员参考信号接收机之间信道与信号发射机、基准信号接收机之间信道关于第个数据包中第个子载波的振幅熵，构成第个人员参考信号接收机所对应的振幅熵特征如下：进而获得各人员参考信号接收机分别所对应的振幅熵特征；然后进入步骤a3；步骤a3. 分别针对各人员参考信号接收机，以构成信号发射机、第个人员参考信号接收机之间信道与信号发射机、基准信号接收机之间信道关于第个数据包中第个子载波的相位差，构成第个人员参考信号接收机所对应的相位差特征如下：进而获得各人员参考信号接收机分别所对应的相位差特征；其中，表示的相位，表示的相位，然后进入步骤a4；步骤a4. 根据信号发射机分别与各人员参考信号接收机之间信道的csi信息
，提取其中各载波之间振幅的距离相关系数特征，构建信号发射机分别与各人员参考信号接收机之间所对应的载波间振幅距离相关系数特征，然后进入步骤a5；步骤a5. 构建指纹库如下：。
6.作为本发明的一种优选技术方案：所述步骤a4包括如下步骤a4-1至步骤a4-3；步骤a4-1. 根据各数据包分别均包括顺序个子载波，以两两不同排序位子载波进行组合，获得各个子载波组合，同时，根据个数据包，以两两不同数据包进行组合，获得各个数据包组合，然后进入步骤a4-2；步骤a4-2. 分别针对各人员参考信号接收机，进一步分别针对各个子载波组合，执行步骤a4-2-1至步骤a4-2-3，获得该人员参考信号接收机对应该子载波组合中两个子载波之间的距离相关系数，进而获得各人员参考信号接收机分别对应各子载波组合所对应的距离相关系数；然后进入步骤a4-3；步骤a4-2-1. 根据信号发射机与人员参考信号接收机之间信道的csi信息，针对子载波组合，基于、、，关于位于子载波组合中的第个子载波、第个子载波，进一步分别结合各个数据包组合，基于、，获得位于数据包组合中的第个数据包中第个子载波与第个数据包中第个子载波之间的欧氏距离，进而获得各数据包组合分别关于位于该数据包组合中的第个子载波的欧氏距离，并以作为矩阵中第行第列的元素，构建位于该数据包组合中的第个子载波所对应的矩阵；同理构建位于该数据包组合中的第个子载波所对应的矩阵；然后进入步骤a4-2-2；步骤a4-2-2. 基于矩阵，以，构建矩阵所对应的中心距离矩阵，其中，表示矩阵中第行的均值，表示矩阵中第列的均值，表示矩阵的总均值；同理构建矩阵所对应的中心距离矩阵，然后进
入步骤a4-2-3；步骤a4-2-3. 按如下公式：计算获得该人员参考信号接收机对应位于该子载波组合中的第个子载波、第个子载波之间的距离相关系数；其中，，表示第个子载波与第个子载波之间的距离协方差，，表示第个子载波的距离方差；步骤a4-3. 根据各人员参考信号接收机分别对应各子载波组合所对应的距离相关系数，构建信号发射机分别与各人员参考信号接收机之间所对应的载波间振幅距离相关系数特征如下：。
7.作为本发明的一种优选技术方案：所述步骤b包括如下步骤b1至步骤b4；步骤b1. 基于各人员随机游离于目标厂区内，根据预设周期时长，周期按步骤a的方法，采集各人员参考信号接收机对应的振幅熵特征、相位差特征、以及人员参考信号接收机与信号发射机之间所对应的载波间振幅距离相关系数特征，同时周期采集各人员分别所穿两支工作靴中压力传感器数值之和对应周期时长下的波动信息，获得各周期采集时刻下的系统状态如下：
其中，或，表示在周期采集时刻下第个人员两支工作靴中压力传感器数值之和的波动范围超出预设压力阈值范围，表示在周期采集时刻下第个人员两支工作靴中压力传感器数值之和的波动范围未超出预设压力阈值范围；然后进入步骤b2；步骤b2. 分别针对各个人员，针对各周期采集时刻下的系统状态，若人员对应连续各周期采集时刻下，则保留该连续各周期采集时刻中第一个时刻下系统状态中的该人员所对应的记录，删除该连续各周期采集时刻中其余各时刻下系统状态中的该人员所对应的记录，实现对各周期采集时刻下的系统状态的更新，然后进入步骤b3；步骤b3. 分别针对各周期采集时刻下的系统状态，获得系统状态中所涉及各人员分别与各工作位置的组合，构成该系统状态所对应人员位置集，然后进入步骤b4；步骤b4. 基于各周期采集时刻下的系统状态对应的人员位置集，结合指纹库、以及各人员分别对应一个工作位置组合的有序对下的奖励函数如下：针对深度强化学习算法模型进行训练直至收敛，获得以人员参考信号接收机对应的振幅熵特征、相位差特征、以及人员参考信号接收机与信号发射机之间所对应的载波间振幅距离相关系数特征为输入，人员所在工作位置为输出的人员工作位置判定模型；其中，表示矩阵与之间的欧式距离，表示矩阵a与矩阵b之间的欧式距离。
8.作为本发明的一种优选技术方案：所述预设压力阈值范围为90n至120n。
9.作为本发明的一种优选技术方案：基于所述步骤i的执行，获得待监测人员所在的工作位置，若待监测人员未在任何一个工作位置，则判定该监测人员此时处于休息状态，进而在一天工作时间内对待监测人员按步骤i进行周期检测，统计待监测人员的休息时长，并判断该休息时长是否超出预设休息时长范围，是则判定该待监测人员未达到一天工作量要
求，否则判定该待监测人员达到一天工作量要求。
10.作为本发明的一种优选技术方案：所述内嵌于工作服的接收天线为嵌入至工作服后背尾部，所述工作靴内置的压力传感器为flexpressure压力传感器。
11.本发明所述基于多特征信道状态信息边缘计算的工厂人员监管方法，采用以上技术方案与现有技术相比，具有以下技术效果：本发明所设计基于多特征信道状态信息边缘计算的工厂人员监管方法，采用csi中振幅熵、相位差、以及载波间振幅的距离相关系数表征参考点位置信息，并将三个特征数据相融合输入至dqn算法进行工作人员区域判别的操作，提高了dqn算法的鲁棒性与准确性；并且考虑到dqn算法中决策空间的维度较大，在实际运行中会增加边缘服务器的负担、以及拉大运行时延，本发明采用跨领域的方法，通过各flexpressure压力传感器所反映的压力值适时调整决策空间的维度，从而解决dqn算法中决策空间的维度较大的问题；本发明的实施需要在连续的时间段上进行，考虑到深度强化学习中dqn算法的时延性不高，因此其更适用于本方法。
附图说明
12.图1是本发明设计基于多特征信道状态信息边缘计算的工厂人员监管方法的应用流程示意图；图2为本发明设计应用实施例的工厂环境模型图；图3为本发明设计应用实施例中的用于判别厂内各人员所属区域的dqn示意图；图4为本发明设计应用实施例中的个别参考点振幅熵数据特征表现图图5为本发明设计应用实施例中的 dqn算法收敛情况表现图；图6为本发明设计应用实施例中的 dqn算法与knn、wknn分类算法的误差累积分布图。
具体实施方式
13.下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
14.本发明设计为判别某一工作人员是否处于工作状态，首先需要判别其是否位于合理的工作区域内，考虑到csi更加稳定且更加细粒度，因此其被广泛应用于人员检测以及定位领域。本发明所涉及的工作人员区域判别方法本质上采用了指纹匹配技术，为确保指纹匹配技术的可实施性，需要提取不同的csi特征来表征不同参考点的位置，因此指纹库中的特征数据需满足以下特点：1）指纹库中不同参考点所对应的特征数据值存在可观的差异；2）指纹库中同一参考点在不同时间所对应的特征数据值具有相对稳定性。经多组数据采集测试，表明振幅熵以及载波间振幅的距离相关系数均满足以上特点，相位差在不同参考点的数据差异不够可观，因此需适当降低其在数据匹配时的权重，且由于载波间振幅的距离相关系数能够反映链路是否被入侵的状态，因此其也可表征工厂的环境信息。
15.基于上述设计思想，本发明设计了基于多特征信道状态信息边缘计算的工厂人员监管方法，如图2所示，用于针对包含个工作位置的目标厂区，实现对目标厂区内个人员的位置监测，且各人员分别身穿内嵌接收天线的工作服，脚穿内置压力传感器的工作靴；应用中，内嵌于工作服的接收天线为嵌入至工作服后背尾部，所述工作靴内置的压力传感
器为flexpressure压力传感器。
16.实际应用当中，如图1所示，所述工厂人员监管方法包括执行如下步骤a至步骤b，获得人员工作位置判定模型。
17.步骤a. 基于各人员分别一一对应位于目标厂区内的各个工作位置，通过信号覆盖目标厂区作为信号发射机的发射天线连续广播个数据包，且各数据包分别包括顺序个子载波，并由位于目标厂区内作为基准信号接收机的接收天线、以及各人员所着工作服中作为参考信号接收机的接收天线，分别对来自信号发射机的各数据包进行依次接收，搭建指纹库，然后进入步骤b。
18.实际应用当中，上述步骤a具体设计执行如下步骤a1至步骤a5，搭建指纹库。
19.步骤a1. 分别针对信号发射机所广播的各数据包中的各子载波，采集信号发射机与基准信号接收机之间关于子载波的信道状态信息，构建信号发射机与基准信号接收机之间信道的csi信息如下：其中，，，表示信号发射机与基准信号接收机之间信道关于第个数据包中第个子载波的信道状态信息。
20.同时，分别针对信号发射机所广播的各数据包中的各子载波，采集信号发射机分别与各人员参考信号接收机之间关于子载波的信道状态信息，构建信号发射机分别与各人员参考信号接收机之间信道的csi信息如下：其中，，表表示信号发射机与第个人员参考信号接收机之间信道
的csi信息，表示信号发射机与第个人员参考信号接收机之间信道关于第个数据包中第个子载波的信道状态信息；然后进入步骤a2。
21.步骤a2. 分别针对各人员参考信号接收机，以构成信号发射机、第个人员参考信号接收机之间信道与信号发射机、基准信号接收机之间信道关于第个数据包中第个子载波的振幅熵，构成第个人员参考信号接收机所对应的振幅熵特征如下：进而获得各人员参考信号接收机分别所对应的振幅熵特征；然后进入步骤a3。
22.步骤a3. 分别针对各人员参考信号接收机，以构成信号发射机、第个人员参考信号接收机之间信道与信号发射机、基准信号接收机之间信道关于第个数据包中第个子载波的相位差，构成第个人员参考信号接收机所对应的相位差特征如下：进而获得各人员参考信号接收机分别所对应的相位差特征；其中，表示
的相位，表示的相位，然后进入步骤a4。
23.步骤a4. 根据信号发射机分别与各人员参考信号接收机之间信道的csi信息，提取其中各载波之间振幅的距离相关系数特征，构建信号发射机分别与各人员参考信号接收机之间所对应的载波间振幅距离相关系数特征，然后进入步骤a5。
24.实际应用当中，上述步骤a4具体设计执行如下步骤a4-1至步骤a4-3。
25.步骤a4-1. 根据各数据包分别均包括顺序个子载波，以两两不同排序位子载波进行组合，获得各个子载波组合，同时，根据个数据包，以两两不同数据包进行组合，获得各个数据包组合，然后进入步骤a4-2。
26.步骤a4-2. 分别针对各人员参考信号接收机，进一步分别针对各个子载波组合，执行步骤a4-2-1至步骤a4-2-3，获得该人员参考信号接收机对应该子载波组合中两个子载波之间的距离相关系数，进而获得各人员参考信号接收机分别对应各子载波组合所对应的距离相关系数；然后进入步骤a4-3。
27.步骤a4-2-1. 根据信号发射机与人员参考信号接收机之间信道的csi信息，针对子载波组合，基于、、，关于位于子载波组合中的第个子载波、第个子载波，进一步分别结合各个数据包组合，基于、，获得位于数据包组合中的第个数据包中第个子载波与第个数据包中第个子载波之间的欧氏距离，进而获得各数据包组合分别关于位于该数据包组合中的第个子载波的欧氏距离，并以作为矩阵中第行第列的元素，构建位于该数据包组合中的第个子载波所对应的矩阵；同理构建位于该数据包组合中的第个子载波所对应的矩阵；然后进入步骤a4-2-2。
28.步骤a4-2-2. 基于矩阵，以，构建矩阵所对应的中心距离矩阵，其中，表示矩阵中第行的均值，表示矩阵中第列的均值，表示矩阵的总均值；同理构建矩阵所对应的中心距离矩阵，然后进入步骤a4-2-3。
29.步骤a4-2-3. 按如下公式：计算获得该人员参考信号接收机对应位于该子载波组合中的第个子载波、第个
子载波之间的距离相关系数；其中，，表示第个子载波与第个子载波之间的距离协方差，，表示第个子载波的距离方差。
30.步骤a4-3. 根据各人员参考信号接收机分别对应各子载波组合所对应的距离相关系数，构建信号发射机分别与各人员参考信号接收机之间所对应的载波间振幅距离相关系数特征如下：。
31.步骤a5. 构建指纹库如下：。
32.步骤b. 基于各人员随机游离于目标厂区内，根据预设周期时长，周期按步骤a的方法，采集各人员参考信号接收机对应的振幅熵特征、相位差特征、以及人员参考信号接收机与信号发射机之间所对应的载波间振幅距离相关系数特征，同时周期采集各人员分别所穿两支工作靴中压力传感器数值之和对应周期时长下的波动信息，结合指纹库，针对深度强化学习算法模型dqn进行训练，获得人员工作位置判定模型。
33.实际应用当中，上述步骤b具体设计执行如下步骤b1至步骤b4。
34.步骤b1. 基于各人员随机游离于目标厂区内，根据预设周期时长，周期按步骤a的方法，采集各人员参考信号接收机对应的振幅熵特征、相位差特征、以及人员参考信号接收机与信号发射机之间所对应的载波间振幅距离相关系数特征，同时周期采集各人员分别所穿两支工作靴中压力传感器数值之和对应周期时长下的波动信息，获得各周期采集时刻下的系统状态如下：其中，或，表示在周期采集时刻下第个人员两支工作靴中压力传感器数值之和的波动范围超出预设压力阈值范围，表示在周期采集时刻下第个人员两支工作靴中压力传感器数值之和的波动范围未超出预设压力阈值范围；然后进入步骤b2。
35.实际应用中，关于上述预设压力阈值范围，因各工作人员的体重而异，这里具体设计采用90n至120n之间，且阈值不得超出对应工作人员的体重。
36.步骤b2. 分别针对各个人员，针对各周期采集时刻下的系统状态，若人员对应连续各周期采集时刻下，则保留该连续各周期采集时刻中第一个时刻下系统状态中的该人员所对应的记录，删除该连续各周期采集时刻中其余各时刻下系统状态中的该人员所对应的记录，实现对各周期采集时刻下的系统状态的更新，然后进入步骤b3。
37.步骤b3. 分别针对各周期采集时刻下的系统状态，获得系统状态中所涉及各人员分别与各工作位置的组合，构成该系统状态所对应人员位置集，然后进入步骤b4；步骤b4. 基于各周期采集时刻下的系统状态对应的人员位置集，结合指纹库、以及各人员分别对应一个工作位置组合的有序对下的奖励函数如下：针对深度强化学习算法模型进行训练直至收敛，获得以人员参考信号接收机对应的振幅熵特征、相位差特征、以及人员参考信号接收机与信号发
射机之间所对应的载波间振幅距离相关系数特征为输入，人员所在工作位置为输出的人员工作位置判定模型；其中，表示矩阵与之间的欧式距离，表示矩阵a与矩阵b之间的欧式距离。
38.dqn算法的结构示意图如图3所示；步骤b41，构建两个结构完全相似、参数完全相同的神经网络，分别记为评估网络以及目标网络，评估网络所有参数的集合记为，目标网络所有参数的集合记为；步骤b42，在第t次采集csi以及压力值数据时，基于系统当前状态s
t
以及评估网络对应决策空间中各行动决策所反映的q预测值，结合贪婪选择策略确定行动决策a
t
，进而得到奖励r
t
并进入系统下一状态s
t 1
，同时将这一记录{s
t
, a
t
, r
t
, s
t 1
}存至经验回放池中;步骤b43，从第1次采集csi以及压力数据开始，重复执行步骤s452，直至经验回放池被填满；步骤b44，从经验回放池中随机抽取n个样本，采用该n个样本训练评估网络，并记其中的一个样本为{s
t
, a
t
, r
t
, s
t 1
}；步骤b45，将s
t
、a
t
输入至评估网络获取q预测值；将s
t 1
输入至目标网络，获取s
t 1
对应的最大q目标值，其中a'表示根据状态s
t 1
，目标网络获取最大q值时所采取的行动决策；步骤b46，判断{s
t
, a
t
, r
t
, s
t 1
}是否为n个样本中的最后一个样本，若是，令；若否，则令；步骤b47，针对与之间的差方，采用梯度下降法对参数集进行更新；步骤b48，定时更新目标网络中的参数集。
39.基于上述所获人员工作位置判定模型，在实际应用中，进一步按如下步骤i，应用人员工作位置判定模型实现关于待监测人员的位置监测。
40.步骤i. 采集待监测人员参考信号接收机对应的振幅熵特征、相位差特征、以及待监测人员参考信号接收机与信号发射机之间对应的载波间振幅距离相关系数特征，同时采集待监测人员所穿两支工作靴中压力传感器数值之和对应周期时长下的波动信息，应用人员工作位置判定模型，获得待监测人员所在的工作位置。
41.实际应用当中，基于所述步骤i的执行，获得待监测人员所在的工作位置，若待监测人员未在任何一个工作位置，则判定该监测人员此时处于休息状态，进而在一天工作时间内对待监测人员按步骤i进行周期检测，统计待监测人员的休息时长，并判断该休息时长
是否超出预设休息时长范围，是则判定该待监测人员未达到一天工作量要求，否则判定该待监测人员达到一天工作量要求。
42.将本发明所设计基于csi-flexpressure边缘计算的工场人员工作状态检测方法，应用于实际当中，图4给出了同一子载波下个别参考点所对应的振幅熵与采样次数之间的关系，由图可知，不同参考点所对应的振幅熵值存在可观的差异且同一参考点所采样的振幅熵值具有相对稳定性，符合指纹定位技术实施的特征。如图5给出的是本发明所应用的dqn算法收敛情况表现图，由于dqn网络模型的参数在训练的初始阶段是随机的，因此此时所采取的行动决策大概率不是最优的，随着训练次数的递增，dqn算法不断优化网络模型的参数，使得行动决策趋于最优化、奖励函数值趋于最大化且达到稳定状态。从图中可以看出，经过80个回合左右的训练之后，本发明所应用的dqn算法趋于收敛状态。图6为knn、wknn分类算法与本实施例中dqn算法的误差累积分布图，实验结果表明本实施例所提出的算法可进一步提高人员区域识别的准确度。
43.上述技术方案所设计基于多特征信道状态信息边缘计算的工厂人员监管方法，采用csi中振幅熵、相位差、以及载波间振幅的距离相关系数表征参考点位置信息，并将三个特征数据相融合输入至dqn算法进行工作人员区域判别的操作，提高了dqn算法的鲁棒性与准确性；并且考虑到dqn算法中决策空间的维度较大，在实际运行中会增加边缘服务器的负担、以及拉大运行时延，本发明采用跨领域的方法，通过各flexpressure压力传感器所反映的压力值适时调整决策空间的维度，从而解决dqn算法中决策空间的维度较大的问题；本发明的实施需要在连续的时间段上进行，考虑到深度强化学习中dqn算法的时延性不高，因此其更适用于本方法。
44.上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。