信息融合技術在礦井安全監測系統中的應用

楊 帆，姜 勇，楊元君

1.武漢工程大學電氣信息學院，湖北 武漢 430205；2.智能機器人湖北省重點實驗室（武漢工程大學），湖北 武漢 430205

0 引 言

隨著我國經濟的發展，礦井事故頻發，特別是瓦斯、水害等重大事故，對從業人員的生命安全構成了巨大的威脅，同時也造成了巨大的經濟損失.礦井的工作環境十分特殊，存在瓦斯、CO等易燃、易爆氣體，而且里面空間狹小、礦塵大，工作場所分散且距離遠，井下安全監測設備應具有體積小、性能穩定、可靠性高、抗干擾能力強等特點.傳統的監控系統主要是采取有線電纜的傳輸方式，但是井下數據的多樣性和不同的干擾信號會嚴重影響數據的傳輸，而且隨著生產的推進、礦井結構的不斷變化以及通信電纜的延伸，線路維護起來越來越復雜，如果某處線路發生故障，整個系統有可能會癱瘓.針對礦井的特點，筆者設計了基于紫蜂（ZigBee）技術、無線傳感器網絡、信息融合和神經網絡技術的礦井安全監測系統.該系統不僅能夠準確的分析預測礦井的安全狀況，提醒井下工作人員及時采取相應的安全措施，而且當其中某些傳感器發生故障或停止工作時，系統不受影響仍能繼續工作，這樣既保證了工作人員的人身安全，也保證了礦井的安全生產［1－3］.

1 系統整體結構

礦井安全監測系統主要由數據采集單元、數據處理單元和地面監控單元3個部分構成.數據采集單元主要包括安放在礦井各地方的傳感器，主要監測礦井中的瓦斯氣體濃度、CO濃度、溫度以及風速等基本信息.數據處理單元主要將傳感器采集的環境溫度、風速、瓦斯濃度及CO濃度數據進行處理（測量瓦斯濃度選用的是CJG10光干涉式甲烷測定器，測量范圍為0～10%，分辨率為0.02%；測量風速采用的是KGF型風速傳感器，測量范圍為0.3～15m／s，測量誤差為0.3m／s；測量CO濃度采用CO－T2型CO氣體變送器，測量范圍為0～1g／L，分辨率為0.1mg／L；測量溫度采用PT100溫度傳感器，測量范圍為0～200℃），通過ZigBee協議，將采集到的礦井環境數據送入到以嵌入式為核心的遠程控制系統中，利用多傳感器信息融合對當前的礦井環境進行判斷，做出決策，再通過無線網絡傳輸給地面監控系統.地面控制單元主要是接收礦井下面發送來的處理好的數據，如果數據異常，井下報警器將啟動，井下工作人員就能及時撤退，保證人身安全.系統整體結構如圖1所示.

圖1 礦井監測系統整體結構Fig.1 Overall structure of the safety monitoring system

2 ZigBee傳感器網絡節點體系

ZigBee是一種短距離、可靠性高、低功耗、低成本、自組織的無線通信技術.礦井下環境復雜，對設備的功耗、抗干擾性具有嚴格的要求，ZigBee技術對礦井無線傳輸部分具有十分重要的作用［4－6］.

ZigBee傳感器網絡節點體系結構主要由傳感器模塊、電源模塊、射頻模塊和控制器模塊等組成，如圖2所示.

圖2 傳感器節點結構Fig.2 Structure of the sensor nodes

傳感器模塊由瓦斯傳感器、風速傳感器、CO傳感器、溫度傳感器組成；控制器模塊由CC2530芯片組成.CC2530芯片結合了RF收發器、增強型8051CPU、系統內可編程閃存和許多其他模塊的強大功能，以極低的總材料成本建立較為強大的網絡節點，具有多種運行模式，使它能滿足超低功耗系統的要求；射頻模塊由CC2530芯片本身提供的射頻模塊和外圍電路構成；電源模塊由2節1.5 V干電池供電.

3 系統軟件設計

系統軟件設計包括系統初始化和各節點的軟件設計2部分.

系統初始化包括各接口的初始化、傳感器模塊的初始化、通信模塊的初始化、CC2530芯片的初始化等.

各節點的軟件設計，以傳感器節點為例，傳感器節點系統初始化后，開始加入網絡進行傳感器的數據測量，并將采集到的數據進行轉換，再將轉換好的數據信息發送給協調器，傳感器節點流程如圖3所示.

圖3 傳感器節點組網流程圖Fig.3 Software design process of the sensor nodes

協調器節點初始化后建立網絡，開始處理節點的申請要求，接收串口傳輸來的命令并向數據采集節點傳輸數據采集命令，當數據需要接收時，接收傳輸來的數據，并將數據傳輸給上位機.當終端節點成功加入已存在的網絡后，對指令進行分析，選擇各傳感器的開關狀態，處于開啟狀態的傳感器開始采集數據并將數據傳回.

4 信息融合

信息融合的實質就是充分利用多個傳感器所獲取的數據信息，通過一定規則對這些數據進行支配和處理，將不同層次的信息，包括冗余信息和互補信息結合起來，從而獲得被測數據的一致性描述.信息融合的方法主要有Bayes推理、模糊信息融合、D－S證據推理及神經網絡融合等［7］.

由于井下環境比較特殊、復雜，瓦斯濃度、溫度、風速等都是隨機變化的，因此難以建立比較精確的數學模型.而反向傳播（Back Propagation，以下簡稱：BP）神經網絡具有較強的非線性映射能力，而且具有高度的自學習、自適應能力，因此筆者采用BP神經網絡算法來對傳感器所收集的數據進行信息融合.

BP神經網絡是由輸入層、隱含層和輸出層構成的三層網絡，如圖4所示.

圖4 BP神經網絡拓撲結構Fig.4 BP neural network topology

根據井下傳感器采集到的瓦斯濃度、CO濃度、溫度以及風速等信息，網絡輸入樣本P、輸出樣本Fn可表示為：

式（1）中：p1為瓦斯濃度；p2為CO濃度；p3為風速；p4為溫度.式（2）中：F1表示安全；F2表示臨界安全；F3表示危險.

隱含層節點數的取值對神經網絡的性能也有非常大的影響.如果隱層節點的數目選取過少，網絡能夠獲取的有用信息太少，學習的容量非常有限，得出的結果可能具有片面性；隱層節點過多的話，不僅會增加訓練的時間，還會導致學習時間過長、容錯性差，影響網絡的泛化能力.

根據經驗公式，隱含層節點數可表示為n1＝＋a，式中n1為隱含層節點數，n為輸入節點數，l為輸出節點數，a為［1，10］之間的常數.

根據式（1）、式（2）可知n＝4，l＝3，故可取n1為4，即隱層節點數為4.

MATLAB是一款功能強大的數學軟件，可用于數據可視化、數據分析及數值計算、算法開發等多個方面，應用工具箱豐富的功能也是一大特點，其中包括神經網絡工具箱［8］.

筆者利用MATLAB中的神經網絡工具箱，將礦井中采集的各項數據作為BP神經網絡的訓練樣本，網絡輸入層神經元4個、中間層4個、輸出層3個，根據安全、臨界安全、危險3種狀態，可分別用對應的二進制000、100、010表示，最后得到的仿真誤差曲線如圖5所示.

由訓練結果可看出，經過約1 000次的訓練，神經網絡可達到收斂狀態.

圖5 神經網絡訓練誤差曲線Fig.5 Neural network training curve

分別將安全、臨界安全、危險3種情況下的隨機數據對訓練完成后的神經網絡進行信息融合仿真驗證，實際參數及情況如表1所示.通過MATLAB神經網絡處理，得到表2所示結果，處理后的結果與實際測量情況完全吻合.

表1 實際參數及實際情況Table 1 The actual parameters and situations

表2 融合仿真結果Table 2 The simulation results

由表2可知，該系統能夠準確的判斷礦井下所處的環境，當環境達到臨界安全時，警報將會自動啟動，井下工作人員有足夠的時間撤離現場，防止事故的發生.同時地面監控系統將采取相應的措施，讓井下環境達到安全狀態，使警報解除.

5 結 語

根據礦井下的特殊環境，筆者設計了基于信息融合技術、利用神經網絡融合算法的礦井安全監測系統.采用BP神經網絡信息融合算法，大大降低了預測誤差.該系統能夠準確判斷井下環境是否危險，保證了礦井的安全生產.

［1］ZHANG Xiaoyu，HUANG Weizhi.Multi－sensor information fusion technology and the application in mine pit environmental monitoring［C］／／YANG Yixian.2010Asia－Pacific Conference on Information Theory，October 1－2，2010，Xi'an，China.USA：Scientific Research Publishing，2010：10－13.

［2］楊帆，陳茂林，吳迅，等.基于傳感器信息融合技術的森林火災報警系統［J］.華中科技大學學報：自然科學版，2013，41（2）：22－25.YANG Fan，CHEN Mao－lin，WU Xun，et al.Warning system for forest－fire based on sensor information fusion technology［J］.Journal of Huazhong University of Science and Technology：Natural Science Edition，2013，41（2）：22－25.（in Chinese）

［3］YICK J，MUKHERJEE B，GHOSAL D.Wireless sensor network survey［J］.Computer Networks：The International Journal of Computer and Telecommunications Networking，2008，52（12）：2292－2330.

［4］楊帆，吳迅，陳茂林，等.基于精餾塔多源信息融合的故障診斷方法［J］.武漢理工大學學報，2012，34（11）：135－138.YANG Fan，WU Xun，CHEN Mao－lin et al.A method of fault diagnosis based on multi－source information fusion applied in the distillation column［J］.Journal of Wuhan University of Technology，2012，34（11）：135－138.（in Chinese）

［5］楊帆，程雯，夏亦冰，等.多傳感器信息融合測控體系在溫室測控中的應用研究［J］.武漢理工大學學報，2011，33（9）：156－159.YANG Fan，CHENG Wen，XIA Yi－bing，et al.Research on the application of sensor information fusion control system in the conservatory monitor［J］.Journal of Wuhan University of Technology，2011，33（9）：156－159.（in Chinese）

［6］王鶴，周東祥，宋委遠，等.基于遺傳神經網絡的混合氣體識別研究［J］.華中科技大學學報：自然科學版，2007，35（9）：118－120.WANG He，ZHOU Dong－xiang，SONG Wei－yuan et al.Recognition of multi－gas by using genetic algorithm optimizing neural network［J］.Journal of Huazhong University of Science and Technology：Natural Science Edition，2007，35（9）：118－120.（in Chinese）

［7］楊帆，江星，陳茂林，等.基于DS證據理論的精餾塔故障診斷方法［J］.長江大學學報：自然科學版，2013，10（28）：60－62.YANG Fan，JIANG Xing，CHEN Mao－lin，et al.Distillation column fault diagnosis method based on DS evidence theory［J］.Journal of Yangtze University：Natural Science Edition，2013，10（28）：60－62.（in Chinese）

［8］蘇高利，鄧芳萍.論基于 MATLAB語言的BP神經網絡的改進算法［J］.科技通報，2003，19（2）：130－135.SU Gao－li，DENG Fang－ping.On the improving back propagation algorithms of the neural networks based on MATLAB language：A review［J］.Bulletin of Science and Technology，2003，19（2）：130－135.（in Chinese）