基于二級融合的礦井環(huán)境智能監(jiān)測研究*

王文慶，龔 娜，張 濤，宋炳泉

(1.西安郵電大學(xué)自動(dòng)化學(xué)院，陜西 西安710061;2.白銀有色集團(tuán)股份有限公司自控所，甘肅白銀730900)

0 引言

為提高井下安全生產(chǎn)水平，國家要求地下礦山必須建立安全避險(xiǎn)“六大系統(tǒng)”［1］。目前，絕大多數(shù)的地下礦井安全監(jiān)測系統(tǒng)都是采用傳感器設(shè)定閾值進(jìn)行越限報(bào)警的方法來實(shí)現(xiàn)井下工作環(huán)境的安全性監(jiān)測［2］。由于礦井環(huán)境惡劣，且傳感器測量存在誤差，采用多傳感器數(shù)據(jù)融合技術(shù)進(jìn)行數(shù)據(jù)處理成為必然。文獻(xiàn)［3］采用多傳感器模糊信息融合算法實(shí)現(xiàn)礦井安全監(jiān)測，文獻(xiàn)［4］以Bayes估計(jì)理論為基礎(chǔ)得到了多傳感器最優(yōu)融合數(shù)據(jù)，文獻(xiàn)［5，6］都首先利用格羅貝斯準(zhǔn)則判斷剔除稀疏數(shù)據(jù)，再分別利用模糊貼近度和分批估計(jì)法對余下的有效數(shù)據(jù)進(jìn)行融合。上述方法均存在各自不足:首先，需要假設(shè)多個(gè)傳感器的測量值都服從同一正態(tài)分布，而實(shí)際情況是傳感器的測量值一般都是局部近似服從正態(tài)分布，如果假設(shè)整體服從正態(tài)分布也會(huì)造成很大融合誤差;其次，在定義關(guān)系矩陣時(shí)常采用閾值法，而閾值的選取受主觀因素的影響很大;再次，利用一些準(zhǔn)則剔除稀疏數(shù)據(jù)時(shí)，如果剔除不當(dāng)則有可能會(huì)導(dǎo)致一些有效數(shù)據(jù)的丟失。在地下礦井環(huán)境安全評價(jià)方面，文獻(xiàn)［7，8］采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行安全等級劃分，雖然實(shí)現(xiàn)了環(huán)境監(jiān)測系統(tǒng)的智能分析，但BP神經(jīng)網(wǎng)絡(luò)具有收斂速度慢，容易陷入局部極值和網(wǎng)絡(luò)結(jié)構(gòu)難以確定等缺點(diǎn)，影響了其學(xué)習(xí)效率和分類精度。

本文以井下數(shù)據(jù)采集系統(tǒng)為基礎(chǔ)，首先采用最短距離聚類融合法提高測量數(shù)據(jù)融合精度，消除了傳感器設(shè)定閾值進(jìn)行越限報(bào)警法帶來的誤警率，再采用概率神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類器對數(shù)據(jù)級融合結(jié)果進(jìn)行安全等級分類，克服了使用BP神經(jīng)網(wǎng)絡(luò)的缺陷，實(shí)現(xiàn)了礦井環(huán)境安全狀態(tài)監(jiān)測。

1 礦井環(huán)境監(jiān)測系統(tǒng)硬件方案設(shè)計(jì)

整個(gè)系統(tǒng)由客戶端、服務(wù)器、數(shù)據(jù)傳輸通道(有線/無線)及傳感器采集單元組成，如圖1?？紤]到礦山的主井(或主平硐)屬于永久設(shè)施，服務(wù)年限長，故從地面至主井(或主平硐)部署有線通信;從主井(或主平硐)至穿脈和采掘工作面則采用無線通信，以利于靈活布置和設(shè)備重用。無線通信部分通過各個(gè)基站實(shí)現(xiàn)，基站由傳感器采集單元、無線射頻傳輸單元、信號(hào)調(diào)理及處理單元組成，各個(gè)基站之間構(gòu)成無線以太網(wǎng)，它們將采集的現(xiàn)場數(shù)據(jù)通過光纖傳送到服務(wù)器數(shù)據(jù)庫中，經(jīng)二級融合處理后送往客戶端，實(shí)現(xiàn)礦井環(huán)境參數(shù)的越限報(bào)警、實(shí)時(shí)監(jiān)測、歷史記錄查詢等。

圖1 系統(tǒng)硬件方案設(shè)計(jì)圖Fig 1 Design diagram of system hardware scheme

2 多傳感器信息融合

2.1 基于最短距離聚類的數(shù)據(jù)級融合

最短距離聚類融合法［9］不需要假設(shè)測量誤差為正態(tài)分布，也不需要預(yù)先選取閾值來定義關(guān)系矩陣，可克服剔除數(shù)據(jù)不當(dāng)造成的偏差，適用于多個(gè)特性參數(shù)的數(shù)據(jù)融合問題。

最短距離聚類融合將傳感器測量的每組數(shù)據(jù)視為一類，利用歐氏距離計(jì)算出各個(gè)類之間的距離形成距離矩陣，再將距離最近的兩類合并成一個(gè)新類，然后計(jì)算新類與其他類之間的歐氏距離矩陣，重復(fù)進(jìn)行2個(gè)最近類的合并，每次減少一類，直到所有組數(shù)據(jù)合并為一個(gè)大類，形成聚類樹形圖，從而確定各個(gè)傳感器的融合次序，最后采用文獻(xiàn)［10］的公式進(jìn)行融合，融合公式為

式中 f(xi1，xj1)表示傳感器 i，j的測量數(shù)據(jù)xi，xj的第 i個(gè)分量融合后的值;c為大于1的實(shí)數(shù)。融合算法流程圖如圖2所示。

通過上述融合算法，雖然可以獲得各環(huán)境影響因素的準(zhǔn)確值，但依然不能就此對井下作業(yè)區(qū)環(huán)境的安全等級進(jìn)行判斷。為此，本文利用概率神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類器做決策級融合，使環(huán)境監(jiān)測系統(tǒng)具有智能分析的功能，以便能夠精確判斷井下環(huán)境的安全等級，防患于未然。

圖2 融合算法流程圖Fig 2 Flow chart of fusion algorithm

2.2 基于概率神經(jīng)網(wǎng)絡(luò)的決策級融合

概率神經(jīng)網(wǎng)絡(luò)(PNN)是一種基于Bayes分類規(guī)則與Parzen窗的概率密度估計(jì)方法發(fā)展而來的并行算法，在樣本數(shù)據(jù)足夠多時(shí)可逼近貝葉斯分類器以獲得最佳分類器的分類性能。PNN的基本結(jié)構(gòu)包括輸入層、模式層、求和層和決策層，如圖3所示。

圖3 PNN結(jié)構(gòu)示意圖Fig 3 Structure diagram of PNN

式中 wi為輸入層與模式層之間的連接權(quán)值;δ為平滑因子。求和層將有對應(yīng)樣本中同一類的模式層傳來的輸入(屬于某類的概率)進(jìn)行累加，即得到輸入樣本屬于該類的最大可能性。決策層接收從求和層輸出的各類概率密度函數(shù)，概率密度最大的那個(gè)神經(jīng)元輸出為1，所對應(yīng)的那一類即為待識(shí)別的樣本模式類別，其他神經(jīng)元的輸出均為0。

3 實(shí)驗(yàn)結(jié)果分析

以某地下礦山為例，通過圖1部署的系統(tǒng)獲得井下環(huán)境監(jiān)測數(shù)據(jù)，包括粉塵、濕度、溫度、風(fēng)速、CO體積分?jǐn)?shù)、SO2體積分?jǐn)?shù)等。首先通過基于最短距離的多傳感器聚類融合算法進(jìn)行一次融合處理。這里以CO體積分?jǐn)?shù)數(shù)據(jù)為例，見表1。

表1 井下某點(diǎn)CO體積分?jǐn)?shù)數(shù)據(jù)表Tab 1 Data sheet of CO volume fraction of certain point in mine

利用最短距離聚類融合方法首先確定出各個(gè)傳感器的融合次序，在Matlab環(huán)境下的仿真結(jié)果如圖4所示。

圖4 最短距離聚類樹形圖Fig 4 Tree shape diagram of minimum-distance clustering

由圖4可以清楚地看出各個(gè)傳感器的融合次序與合并水平，然后利用式(1)計(jì)算出最終的融合結(jié)果(取 C=1.0001)。為了說明聚類融合方法的優(yōu)越性，再分別用傳統(tǒng)的算術(shù)平均法和文獻(xiàn)［6］提出的羅貝斯準(zhǔn)則剔除稀疏數(shù)據(jù)和分批估計(jì)相結(jié)合的方法計(jì)算出融合結(jié)果，同時(shí)也給出當(dāng)傳感器1的測量值隨機(jī)擾動(dòng)+0.01(即傳感器1的測量值變?yōu)?.80，-0.01(即傳感器1的測量值變?yōu)?.78)后的3種方法融合結(jié)果的比較，如表2所示。

表2 三種方法融合結(jié)果的比較Tab 2 Comparison of three methods fusion result

從表2中可以看出:基于最小距離聚類融合算法得到的融合結(jié)果比其他方法更接近被測量真值，確實(shí)提高了測量精度。

采用同樣的方法可以得到礦井作業(yè)區(qū)中溫度、風(fēng)速、SO2、粉塵等其他環(huán)境參數(shù)的數(shù)據(jù)融合值列于表3。在此基礎(chǔ)上，應(yīng)用PNN實(shí)現(xiàn)環(huán)境安全等級分類，并將安全等級分為非常安全、安全、較不安全和危險(xiǎn)四類。

表3中的非常安全對應(yīng)于1類，安全對應(yīng)于2類，較不安全對應(yīng)于3類，危險(xiǎn)對應(yīng)于4類。在一段時(shí)間內(nèi)得到20組經(jīng)一次融合處理后的數(shù)據(jù)，將它們作為神經(jīng)網(wǎng)絡(luò)的輸入，其中，前12組融合處理結(jié)果用于神經(jīng)網(wǎng)絡(luò)分類器訓(xùn)練樣本，后8組用于測試分類的正確性。利用Matlab工具箱對PNN進(jìn)行訓(xùn)練并測試，PNN的平滑因子經(jīng)過多次嘗試取δ=1.5，PNN的分類效果如圖5、圖6所示。

表3 一級數(shù)據(jù)融合結(jié)果Tab 3 One-step data fusion result

圖5 訓(xùn)練數(shù)據(jù)網(wǎng)絡(luò)的分類效果圖Fig 5 Classification effect diagram of training data network

圖6 預(yù)測數(shù)據(jù)網(wǎng)絡(luò)的分類效果圖Fig 6 Classification effect diagram of predicted data network

從圖5可以看出:在網(wǎng)絡(luò)訓(xùn)練完成后，對已經(jīng)訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練樣本輸入進(jìn)行環(huán)境安全等級分類識(shí)別，12個(gè)訓(xùn)練樣本被完全正確分類。由圖6可見，用測試數(shù)據(jù)作為輸入特征向量進(jìn)行分類正確性測試，8個(gè)測試樣本中只有1個(gè)分類錯(cuò)誤。

為了說明采用概率神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，將本方法與文獻(xiàn)［7］采用的BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行比較，結(jié)果列于表4。顯然，概率神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練速度與準(zhǔn)確率方面都要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

表4 兩種網(wǎng)絡(luò)模型測試效果比較Tab 4 Test effect comparison of two kinds of network model

4 結(jié)論

本文以實(shí)現(xiàn)地下礦山環(huán)境安全智能監(jiān)測為目標(biāo)，提出了基于最短距離聚類數(shù)據(jù)融合和基于概率神經(jīng)網(wǎng)絡(luò)的井下環(huán)境安全智能監(jiān)測方法，避免了以往文獻(xiàn)研究類似問題時(shí)，需要假設(shè)傳感器的測量值服從正態(tài)分布、并根據(jù)主觀設(shè)定閾值來定義關(guān)系矩陣等的缺陷;同時(shí)，采用概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)智能分類，提高了分類速度和準(zhǔn)確率。實(shí)踐結(jié)果表明:基于二級融合的地下礦山環(huán)境智能監(jiān)測系統(tǒng)實(shí)現(xiàn)了對環(huán)境的有效監(jiān)測，提高了礦井安全生產(chǎn)水平。該系統(tǒng)已在白銀集團(tuán)某地下礦山成功實(shí)踐。

［1］閆昕嶺.基建煤礦建設(shè)安全避險(xiǎn)“六大系統(tǒng)”適用條件分析［J］.煤礦安全，2012，43(4):187-189.

［2］付 華，高 婷，劉 洋.多傳感器模糊信息融合在煤礦安全中的應(yīng)用［J］.傳感器與微系統(tǒng)，2008，27(5):114-116.

［3］王傳英，付 華.模糊數(shù)據(jù)融合算法在煤礦安全系統(tǒng)中的應(yīng)用［J］.傳感器技術(shù)，2005，24(6):72-73.

［4］杜曉坤，陳 峰.兩級信息融合在煤礦監(jiān)測系統(tǒng)中的應(yīng)用［J］.傳感器與微系統(tǒng)，2010，29(7):124-126.

［5］郭向勇，傅國強(qiáng)，呂利昌，等.模糊推理和聚類分析的信息融合應(yīng)用研究［J］.微計(jì)算機(jī)信息，2010，26(5):128-129.

［6］江 萍，胡社教，潘宗嶺.軌枕蒸養(yǎng)測控系統(tǒng)中的溫度融合［J］.傳感器技術(shù)，2003，22(9):37-38，41.

［7］訾興建.多傳感器信息融合技術(shù)在瓦斯監(jiān)測中的應(yīng)用［J］.煤礦安全，2010(9):36-38.

［8］梁 濤，侯友夫.信息融合技術(shù)在礦井環(huán)境監(jiān)測系統(tǒng)中的應(yīng)用［J］.礦山機(jī)械，2009，37(3):37-40.

［9］萬樹平.多傳感器數(shù)據(jù)的聚類融合方法［J］.系統(tǒng)工程理論與實(shí)踐，2008(5):132-135.

［10］Odeberg H.Fusion sensor information using fuzzy measures［J］.Robotica，1989，31:217-242.