基于體感網與邊緣計算的高空作業智能防護系統研究

摘要：隨著我國高空項目建設（高壓電線鋪設和維護、超高層建筑建設等）需求的快速增長，高空作業防護信息化、智能化水平低的問題愈發凸顯。該文圍繞高空作業人員安全防護場景，利用體感網隨時隨地感知的特點，以及邊緣計算就近提供服務的技術優勢，設計高空作業智能防護系統。重點設計了可充氣的智能安全服、智能安全帽、智能安全扣，并針對高空作業人員定位與管理的需求，提出一種改進的PGSA-PSO定位算法。該系統有助于促進我國高空作業防護工作的進一步發展與提升。

關鍵詞：體感網；邊緣計算；高空作業；智能防護系統；智能安全服；智能安全帽；智能安全扣

中圖分類號：TP391.44文獻標志碼：A 文章編號：1674-2605（2023）06-0003-07

DOI：10.3969/j.issn.1674-2605.2023.06.003

Research on Intelligent Protection System for High-altitude Work Based on Somosensory Network and Edge Computing

PAN Qiao" FANGBaili" LI Hanru" SUN Guangtong" YE Xiang

（Guangdong Power Grid Limited Liability Company Guangzhou Power Supply Bureau，

Guangzhou 510180， China）

Abstract： With the rapid growth of demand for high-altitude project construction in China， such as the laying and maintenance of high-voltage power lines and the construction of super high-rise buildings， the problem of low level of information and intelligence in high-altitude work protection has become increasingly prominent. This paper designs an intelligent protection system for high-altitude work around the safety protection scene of high-altitude workers， taking advantage of the characteristics of somatosensory network sensing at anytime， anywhere， and the technical advantages of edge computing to provide services nearby. We have focused on designing inflatable intelligent safety suit， intelligent helmet， and intelligent safety buckle， and proposed an improved PGSA-PSO positioning algorithm to meet the needs of positioning and management for high-altitude workers. This system helps to promote the further development and improvement of high-altitude work protection in China.

Keywords： somatosensory network; edge computing; high altitude work; intelligent protection system; intelligent security suit; intelligent safety helmet; intelligent safety buckle

0 引言

隨著我國經濟建設水平的快速提升，電力能源、建筑物、通信等需求也與日俱增，具體表現為電力線搭設得越來越長、覆蓋范圍越來越廣；建筑物越來越高、數量越來越多；通信基站容量越來越大、速度越來越快。根據國家能源局發布的數據，2021年我國特

高壓累計線路長度增至42156公里，與上一年相比增加了17.52%，預計2023年特高壓累計線路長度將達到46297公里^[1]。世界高層建筑與都市人居學會發布的《2022年高層建筑年度回顧》報告顯示，2022年全球共建成147座200m及以上的建筑，其中中國有88座，占比超過50%。此外，2022年全球還建成了36

座300m及以上的超高層建筑，其中中國有21座，占比超過50%^[2]。與之對應的，作業人員需要在復雜的高空環境下從事高強度、快進度的作業。高空作業除了受復雜的外部環境因素（風速、溫度等），以及防護設備的影響外，還受作業人員自身因素（安全意識、健康狀況等）的影響，致使高空作業是一項危險系數極高的活動。

為有效地防護高空作業人員的生命財產安全，降低高空作業的風險，學術界與產業界在已有防護設施的基礎上，結合新興技術，開展了深入研究。文獻[3]將可充氣的氣囊集成到安全服中，當高空作業人員發生意外墜落時，會觸發氣囊充氣，起到一定的保護作用。文獻[4]圍繞變電站施工作業人員構建了一套安全管控及評價系統，雖然可以提升人員安全管控的科學性與合理性，但更多從軟件層面？？？，缺乏相應的安全提醒與防護功能。文獻[5-6]分別基于YOLOv3和FPN-CenterNet神經網絡對施工人員是否規范佩戴安全帽展開研究，并得到相應的檢測模型。這些方法雖然在一定程度上提升了高空作業人員的保護力度，但在實用性、算法的復雜度上還有待改進。

本團隊曾基于多模態技術構建了一種新型的智能安全服^[7]。在此基礎上，為更加全面地對高空作業人員進行保護，提升我國高空作業防護的信息化、智能化水平，本文將無線體感網和邊緣計算引入高空作業防控系統的研究。首先，簡單介紹體感網、邊緣計算的技術概念及基本架構；然后，圍繞高空作業防護場景，通過融合體感網與邊緣計算的技術優勢，設計高空作業智能防護系統；最后，闡述高空作業智能防護系統的軟、硬件設計。

1 體感網與邊緣計算概述

1.1 從無線傳感器網絡到無線體感網

無線傳感器網絡（wireless sensor network， WSN）是由部署在目標監控區域內大量的微型傳感器節點通過無線通信的方式形成的一種特殊Ad-hoc網絡^[8-9]。WSN的體系結構如圖1（a）所示，用于監視和記錄目標監控區域的物理狀況，如溫度、聲音、污染程度、濕度、風速等。作為無線傳感器網絡的重要組成部分，無線體感網（wireless body sensor network， WBSN）是由佩戴在人體不同部位的傳感器構成的人體區域傳感器網絡，主要對人體行為、生理參數進行檢測^[10]，其體系結構如圖1（b）所示。

從圖1（a）可以看出：首先，WSN通過傳感器節點對目標監控區域進行數據采集；然后，將采集的數據傳輸到匯集節點，通過衛星、移動蜂窩網等與云端和監控中心進行通信；最后，通過部署在云端或監控中心的服務器進行數據分析，實現目標監控區域的無線感知^[11]。

通過圖1（b）與（a）的比較可以看出，WBSN是圍繞人體進行感知的WSN，目標對象與監控區域主要是人及與人密切相關的空間，具體差異主要包括以下幾個方面：

1）監控對象與監控區域不同，WSN主要針對惡劣的、人無法到達的區域進行監控，監控區域較大；WBSN主要針對人以及人所處的周邊環境進行監控，如居家場所、辦公區域，監控區域較小；

2）節點數量不同，WSN監控區域比WBSN大，因此需要更多的傳感器節點和匯聚節點，達到成千上萬個；WBSN一般只需要幾個、十幾個傳感器節點和匯聚節點；

3）監控內容不同，WSN主要關注外部環境，如氣溫、濕度、土壤pH值、噪聲等；WBSN主要采集人的生理參數（體溫、脈搏、呼吸等）、行為動作以及居住場所的環境信息等；

4）電源續航能力要求不同，WSN的節點是隨機甚至拋散的方式部署在惡劣環境中，回收極不方便，需保持較長的續航能力，如達數年之久；WBSN的采集設備容易接觸，對續航能力的要求不高；

5）設備安全性要求不同，雖然WSN、WBSN都要求節點對環境盡可能無害，但WBSN的設備直接佩戴在人身上，其安全要求更高。

1.2 從集中式的云計算到分布式的邊緣計算

云計算通過互聯網提供計算資源和服務^[12-13]，基于虛擬化技術和分布式計算原理，將計算能力、存儲資源和應用程序等提供給用戶，以滿足需求。云計算具有資源共享、彈性伸縮、按需自助服務等特點，主要有3種服務模式：基礎設施即服務（infrastructure as a service， IaaS）、平臺即服務（platform as a service， PaaS）、軟件即服務（software as a service， SaaS）^[14]。云計算的架構如圖2（a）所示。隨著萬物互聯時代的到來，出現了一種新型的計算模式——邊緣計算^[15]。邊緣計算產業聯盟把邊緣計算定義為：“在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的開發平臺，就近提供邊緣智能服務，滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求”^[16-17]。邊緣計算的架構如圖2（b）所示。

通過圖2（a）與（b）的比較發現，邊緣計算是在云計算的云中心層與設備層之間插入邊緣層，將云服務的部分處理任務遷移到此層，而原有云計算的設備層、云中心層的功能不變。邊緣計算各層的功能分別為：設備層靠近事件源，主要由各種傳感器組成，負責數據的采集與感知；邊緣層位于網絡邊緣，由智能網關、近端服務器等組成，負責部分云中心層的數據分析任務，以及設備層與云中心層之間的數據傳輸；云中心層由服務器集群構成，負責復雜數據的處理、存儲、呈現等任務。

傳統的集中式云計算模式存在實時性不強、帶寬不足、能耗大、安全及隱私等問題。分布式邊緣計算通過引入邊緣層，可就近對數據進行處理，提供實時響應，無需將全部的原始數據上傳到云計算中心，降低了帶寬開銷。但邊緣計算不是云計算的替代，而是一種補充^[18]。

2 高空作業智能防護系統的硬件設計

WSN和WBSN側重于目標監控區域和目標對象的數據采集與感知；云計算和邊緣計算主要提供數據處理與存儲所需的資源。高空作業場景需要監控的目標對象是高空作業人員，同時要求實時響應異常情況的處理，如發生墜落事件時，需要及時采取防護措施和開展救援工作。因此，本文借助WBSN提供的數據感知功能和邊緣計算提供的就近服務技術優勢，研究高空作業智能防護系統，打造全方位高空作業智能防護“三件套”（智能安全服、智能安全帽、智能安全扣），系統架構圖如圖3所示。

高空作業智能防護系統的設備層由智能安全服、智能安全帽、智能安全扣組成，穿戴于高空作業人員身上，用于監控其工作狀態信息；邊緣層由具有數據透傳和存儲功能的智能網關組成，用于接收、轉發設備層采集的數據流，同時就近提供簡單的數據處理服務；云中心層部署了一套監控系統，用于綜合數據的分析與結果呈現。特別指出，智能安全服、智能安全帽、智能安全扣均可以獨立工作，不依賴智能網關與云中心，更大程度地保證防護的可靠性。

2.1 智能安全服

智能安全服包括微控制器模塊、采集模塊、電源模塊、保護模塊、提醒模塊和通信模塊等，其架構圖、示意圖等如圖4所示。

1）微控制器模塊：選用STM32L152RBT6作為處理器，對采集模塊傳輸的運動數據進行快速、實時地分析，判斷高空作業人員是否發生墜落，并將分析的結果數據作為喚醒保護模塊和提醒模塊的依據；同時與通信模塊進行連接，將分析的結果數據上傳到邊緣層。

2）采集模塊：選用MPU9250九軸傳感器作為采集模塊，采集高空作業人員實時的運動數據，并通過I²C總線傳輸到微控制器模塊進行分析。

3）通信模塊：采集模塊獲取的運動數據、微控制器模塊分析的結果數據，通過通信模塊上傳到邊緣層，進而傳輸到云計算中心，用于綜合業務分析與統計。根據高空作業防護對設備功耗的要求，本文選擇ZigBee作為設備層與邊緣層的通信方式，芯片選用CC2530。

4）保護模塊：本文設計的智能安全服具有墜落保護的功能，其集成了可充氣的安全氣囊（如圖4（b）所示）。當發生墜落或人為觸發時，通過電子氣體發生裝置（如圖4（c）所示）進行充氣，保護高空作業人員的頭部、軀干等重要部位。

5）提醒模塊：主要包括1個TMB12A蜂鳴器和1個LED燈，在墜落、電池電量不足等異常情況發生時，其會做出相應的提醒。

6）電源模塊：主要由正電壓調整器XC6210B332MR和可充電鋰電池LGS4084組成，負責對上述模塊供電。

2.2 智能安全帽

安全帽是保障高空作業人員頭部的重要裝備。在高空作業過程中，以及處于高空作業現場時，都需要嚴格按照要求正確佩戴安全帽。智能安全帽的架構圖、示意圖等如圖5所示。

智能安全帽主要包括微控制器模塊、采集模塊、電源模塊、提醒模塊和通信模塊。其中，微控制器模塊、提醒模塊和通信模塊與智能安全服的功能相同，選用的芯片也基本一致。采集模塊除了采用運動傳感器外，還采用了振動傳感器，通過這兩種傳感器采集的信息來分析判斷高空作業人員是否正常佩戴智能安全帽，并將分析的結果數據通過邊緣層的匯集節點上傳到云計算中心。智能安全帽除了用于判斷是否佩戴之外，還借助定位算法估算高空作業人員的位置信息，用于人員的作業管理。

2.3 智能安全扣

高空作業人員經常在懸掛的狀態下工作，佩戴安全繩和掛好安全扣尤為重要。但由于自身疏忽，或者覺得影響正常操作，經常有高空作業人員只掛一個安全扣，甚至一個安全扣都不掛，存在嚴重的安全隱患。智能安全扣可檢測是否扣好、扣全，其架構圖、示意圖等如圖6所示。

智能安全扣主要包括微控制器模塊、采集模塊、電源模塊、提醒模塊和通信模塊。其中，微控制器模塊、提醒模塊和通信模塊與智能安全服的功能相同，選用的芯片也基本一致。采集模塊主要利用壓力傳感器感知智能安全扣是否受力，進而判斷是否正常扣掛。

3 高空作業智能防護系統軟件設計

高空作業智能防護系統軟件功能主要包括臨近事件源的防護任務（智能安全服充氣防護、智能安全帽和智能安全扣是否佩戴檢測）、云中心層的綜合防護任務（高空作業人員定位）。關于臨近事件源的防

護任務的設計與實現，可查看本團隊已發表的文章^[7]。本文重點針對高空作業人員定位服務展開研究。

3.1 基于ZigBee的高空作業人員定位算法

在智能安全服、智能安全帽、智能安全扣中都包含ZigBee通信模塊，利用其提供的無線信號信息，可進行高空作業人員的定位。高空作業人員定位是一個綜合性的管理問題，一般在云中心層進行。高空作業人員定位可看作是最優化問題，利用粒子群優化（particle swarm optimization， PSO）算法^[19-22]進行求解，但PSO算法易陷入局部最優。為了讓粒子跳出局部最優，尋找出全局最優值，本文將模擬植物生長算法（plant growth simulation algorithm， PGSA）的思想與PSO算法融合，提出一種改進的模擬退火算法—PGSA-PSO定位算法，即將PGSA的生長算子和選擇算子加入PSO算法。生長是由一個粒子生長出多個粒子；選擇是根據粒子的適應度計算其對應的概率區間，然后產生一個隨機數，當這個隨機數落入該概率區間，該區間對應的生長點就有優先生長的機會。

PGSA-PSO定位算法具體過程如下：

S1：初始化粒子群，包括種群大小Size、解空間維度D、慣性因子的最大值、最小值，最大速度、最大位移限制、最大迭代次數；

S2：初始化粒子開始的速度和位移，根據選擇的目標函數進行適應度值計算；

S3：確定初始個體的最優值pbest，群體的最優值gbest；

S4：根據？？？公式更新慣性因子，實現慣性權值因子的非線性減小，每個粒子的速度和位移也進行更新；

S5：計算每個粒子的適應度值，找出適應度值最大的粒子；

S6：模擬植物生長算子的操作流程，最優粒子直接進入下一次迭代，其余粒子執行模擬植物生長過程；

S7：計算新的粒子群中每個粒子的歷史最優和群體的全局最優，若當前粒子的適應度值優于歷史值，就對該粒子的個體最優值pbest進行替換，如果某個粒子的個體歷史最優值pbest優于全局的適應度值，則將這個粒子的pbest作為當前的gbest，記錄每次迭代尋找到的全局最優位置信息；

S8：判斷是否達到設定的迭代次數或者要達到的精度；如果達到則跳出循環，輸出結果；如未達到，則跳到第S4步，繼續迭代。

3.2 PGSA-PSO定位算法模擬仿真

本文仿真環境為20m×20m的平面室內區域，在該區域中隨機布置5個已知位置的信標節點，假設每個信標節點的通信范圍都覆蓋了整個定位區域。隨機產生20個未知節點，通過PGSA-PSO定位算法計算這20個未知節點的坐標。不考慮具體的測距方式、測距過程中存在的誤差，即為了驗證PGSA-PSO定位算法與PSO算法在不同噪聲環境下的定位效果，使噪聲方差從0.1開始，以0.1的步進逐步增加至1。為進一步減小實驗誤差，在每個噪聲環境下，多次進行定位，并取多次定位誤差的平均值，實驗結果如圖7所示。由圖7可知：PGSA-PSO定位算法的定位誤差比PSO算法小，且都小于1 m；PSO算法的定位誤差只有在噪聲方差為0.1時才小于1 m，表明PGSA-PSO定位算法比PSO算法具有更好的定位效果。

3.3 高空作業人員定位監控可視化實現

為了直觀地在云中心監控中心查看高空作業人員的位置信息，對設備層上傳的數據用PGSA-PSO定位算法進行位置計算，并將結果實時顯示到高空作業智能防護系統，可視化效果如圖8所示。

由圖8可知，通過PGSA-PSO定位算法，能夠實時監控高空作業人員的位置，有效預防因位置不清或誤操作導致的安全風險；且在出現緊急情況時，能迅速定位高空作業人員的位置，進行及時救援。

4 結論

本文圍繞高空作業場景，利用體感網的實時數據采集功能，以及邊緣計算的就近提供服務的技術優勢，設計了高空作業智能防護系統，包括設備層的智能安全服、智能安全帽、智能安全扣，以及云中心層的PGSA-PSO定位算法。該高空作業智能防護系統有助于提升我國高空作業的信息化與智能化水平，后續將進一步研究在其他領域的應用。

參考文獻

[1] 張楠.我國新型電力系統建設全面啟動[N].中國工業報. 2023-06-06.

[2] 世界高層建筑與都市人居學會.2022年高層建筑年度回顧[R].https：//www.ctbuh.org/resources/papers/download/4034-2022-year-in-review-tall-trends-of-2021-cn.pdf.

[3] 趙文超，于曉春，張武，等.帶安全氣囊的高空作業安全服研究[J].工業安全與環保，2019，45（3）：28-31.

[4]呂學賓，李巖，李英，等.變電站施工作業人員安全管控及評價系統研究[J].電力系統保護與控制，2021，49（4）：21-27.

[5] 屈文謙，邱志斌，廖才波，等.基于YOLOv3的電網作業人員安全帽佩戴檢測[J].中國安全生產科學技術，2022，18（2）：214-219.

[6] 趙江河，王海瑞，吳蕾.FPN-CenterNet安全帽佩戴檢測算法[J].計算機工程與應用，2022，58（14）：114-120.

[7] 張明，李昌鎬，梁森，等.一種基于多模態技術的施工智能安全服研究[C]//2020年工業建筑學術交流會論文集（下冊），2020-11，中國北京：[出版社不詳]，2020：1727-1731.

[8] ESTRIN D， GOVINDAN R， HEIDEMANN J， et al. Next Century Challenges： Scalable Coordination in Sensor Networks [C]//1999.DOI：10.1145/313451.313556.

[9] 馬祖長，孫怡寧，梅濤.無線傳感器網絡綜述[J].通信學報， 2004（4）：114-124.

[10] 梁園.基于體感網的人體運動監測動作識別研究[J].自動化與儀器儀表，2016（10）：219-220.

[11] GAYNOR M， WELSH M， ROWAN A， et al. Wireless Sensor Network Applications[C]//Americas Conference on Informa-tion Systems.DBLP， 2004.

[12] WEINHARDT C， ANANDASIVAM A， BLAU B， et al. Cloud computing–a classification， business models， and research directions[J]. Business amp; Information Systems Engineering， 2009，1：391-399.

[13]張浩.云計算環境下的電力任務節能調度方法研究[J].電力系統保護與控制，2021，49（13）：128-134.

[14] SHEN Y， LI Y， WU L， et al. Cloud computing overview[M]//Enabling the New Era of Cloud Computing： Data Security， Transfer， and Management. IGI Global， 2014： 1-24.

[15] 施巍松，孫輝，曹杰，等.邊緣計算：萬物互聯時代新型計算模型[J].計算機研究與發展，2017，54（5）：907-924.

[16] 丁春濤，曹建農，楊磊，等.邊緣計算綜述：應用，現狀及挑戰[J].中興通訊技術，2019，25（3）：6. DOI：10.12142/ZTETJ. 201903001.

[17]黃冬梅，何立昂，孫錦中，等.基于邊緣計算的電網假數據攻擊分布式檢測方法[J].電力系統保護與控制，2021，49（13）：1-9.

[18] 施巍松，張星洲，王一帆，等.邊緣計算：現狀與展望[J].計算機研究與發展，2019，56（1）：69-89.

[19] 吳建鋒，徐振宇，蔣震.無線傳感器網絡中改進粒子群優化DV-Hop算法的研究[J].傳感技術學報， 2022，35（6）：825-830.

[20] 王一，宋志偉，王祎澤，等.基于PSO優化神經網絡和空間網格的機器人位姿標定方法[J].中國測試，2016，42（8）：98-102.

[21] 徐曉鳴，鄧裕琪，吳綺萍.基于SLP和粒子群算法的車間布局優化研究[J].機電工程技術，2020，49（2）：17-20;98.

[22] 伍建軍，朱迅，吳思倩，等.基于聚類分析法和粒子群算法的柔順定位平臺優化設計[J].機床與液壓，2020，48（23）：99-103.

作者簡介：

潘巧，男，1988年生，工學學士，高級工程師，主要研究方向：輸電生產運維技術。E-mail： 532315745@qq.com

方百里，男，1992年生，工學學士，工程師，主要研究方向：輸電線路安全管理。

李瀚儒，男，1983年生，工學碩士，高級工程師、技術專家，主要研究方向：輸電線路運行管理。

孫廣通，男，1983年生，工學學士，工程師，主要研究方向：供電企業安全監管和應急管理。

葉翔（通信作者），男，1984年生，工學碩士，工程師，主要研究方向：輸電線路運維、安全管理。E-mail： yexiang84@163.com