礦井安全監測多源信息融合方法的研究

程加堂 華 靜 艾 莉 熊 燕

（紅河學院工學院，云南 蒙自 661199）

礦井安全監測多源信息融合方法的研究

程加堂 華 靜 艾 莉 熊 燕

（紅河學院工學院，云南 蒙自 661199）

為了提高礦井安全監測的準確性，引入了一種基于改進證據理論的多源信息融合方法。該方法根據礦井四個不同空間域的特征信息，利用粒子群優化算法來構建礦井安全的初級識別模型，再由證據理論進行信息融合，實現對安全狀況的判斷。同時引入證據可信度，對初級識別模型的輸出結果進行修正。試驗結果表明，該方法在原始證據相一致以及出現高度沖突的情況下都具有較高的識別效果，實現了對礦井安全狀態的有效監測。

改進證據理論 粒子群優化算法 證據可信度 信息融合 安全監測

0 引言

礦井的安全問題一直是煤炭行業安全生產的重中之重。然而，現階段國內礦井中所采用的安全監測系統往往是僅對某個參數進行監測［1］，無法得到礦井大氣中瓦斯含量、風速、溫度以及粉塵濃度等參數的分布情況。此外，當某個傳感器由于種種原因而出現功能失效時，該區域將會成為礦井安全監測的盲點。因此，采用多傳感器對多源信息進行監測是提高礦井安全監測水平的必要手段。

本文利用文獻［2］所提出的一種改進證據理論算法，對礦井安全監測系統的多源數據進行信息融合［3－4］。通過利用證據之間相容性的概念，確定出各證據的可信度，并將該可信度作為權重因子，對原始證據進行修正。再由證據理論的Dampster合成規則進行數據融合，有效地提高了礦井安全監測的準確性。

1 證據理論的改進

1.1 改進算法

設m1、m2為辨識框架Θ的基本概率賦值函數，則Dempster合成規則［5］為：

定義1 設辨識框架 Θ={A1，A2，…，An}，對?Ak，兩條證據的基本概率賦值分別為 mi（Ak）、mj（Ak），則相容系數為：

顯然，Rij（Ak）=Rji（Ak）。此外，當一條證據支持命題Ak，另一條完全否定Ak時，Rij（Ak）=0，說明這兩條證據高度沖突；而當mi（Ak）=mj（Ak）時，Rij（Ak）= 1，表明該兩條證據對命題Ak的支持程度完全一致。

對于n條證據，根據相容系數的定義，可得命題Ak的相容矩陣為：

由于Rij（Ak）?［0，1］，說明證據間既存在著一定的沖突性，又具有一定的相容性。

定義2 絕對相容度定義為：Ri（Ak）= ∑n

j=1，i≠jRij（Ak） （4）

由于理想狀態下各條證據間具有高度統一性，此時相容系數等于1，即理想相容度為（n－1），則該證據對命題Ak的可信度定義為：

將計算出的可信度αi作為該條證據對命題Ak的權重，對原始證據的基本概率賦值mi（Aj）進行修正，修正后的BPA為m′i（Aj），再由Dempster合成規則進行信息融合。修正公式為：

1.2 算例分析

已知辨識框架Θ={A，B，C}，3條證據m1、m2和m3的基本概率賦值為：m1（A）=0.95，m1（B）=0.05，m1（C）=0；m2（A）=0.98，m2（B）=0.01，m2（C）=0.01；m3（A）=0，m3（B）=0.1，m3（C）=0.9。現分別采用本文方法、Dempster法、Yager法以及李弼程法［6］進行信息融合，結果如表1所示。

表1 融合結果比較Tab.1 Com parison of fusion results

由于存在傳感器檢測功能失效等問題，證據3錯誤得出了以概率0.90支持命題C的結論。從表1可以看出，Dempster法將結論完全鎖定在命題B上，支持命題A和C的概率為0，顯然與事實不符，凸顯了證據理論合成高沖突證據時的局限性。而 Yager法以0.999 9的概率將融合結果納入了不確定性，融合結論過于保守。雖然李弼程法通過將沖突概率按照各命題的加權進行分配，以解決沖突證據間的合成問題，但支持命題A的可信度僅為0.498 3，收斂的速度較慢，需要多條支持命題A的證據才能消除證據3的錯誤影響。本文改進算法通過綜合考慮證據間的沖突性與相容性，不僅可以融合高沖突證據，而且具有較快的收斂速度，此時支持命題A的可信度為0.708 1。

2 礦井安全檢測系統模型

2.1 系統結構框架

首先，對礦井4個數據采樣地點（采煤工作面、礦井回風巷、礦井進風巷和掘進工作面）中的瓦斯含量（％）、氧氣含量（％）、風速（m/s）、溫度（℃）和粉塵濃度（mg/m3）5種傳感器所檢測的原始數據進行去噪處理，構造出基本概率賦值函數，以對礦井安全狀態進行初級監測。

將輸出結果進行歸一化處理，作為多個證據體的子空間，以從不同側面反映出礦井的安全狀況。然后由改進證據理論完成多證據的信息融合，最終實現對礦井安全水平的監測。系統結構框圖［7］如圖1所示。

圖1 系統結構框圖Fig.1 Structure of the system

2.2 初級監測模塊的構造

系統采用帶變異操作的異步變化學習因子粒子群優化神經網絡算法作為4個采樣地點的初級安全監測模塊。算法簡述［8］如下。

隨機初始化一群微粒，并設d維搜索空間中的第i個粒子的位置和速度分別表示為Xi=（xi1，xi2，…，xid）和Vi=（vi1，vi2，…，vid）。通過評價各粒子的目標函數，確定各粒子所經過的最佳位置pi以及群體所發現的最佳位置pg，并對各粒子進行速度和位置的更新。

vid（k+1）=wvid（k）+c1r1［pid（k）－xid（k）］+

式中：c1，ini、c2，ini分別表示c1和c2的初始值；c1，fin、c2，fin分別表示c1和c2的迭代終值；kmax為最大迭代步數。

變異操作通過設定某個概率值，使一些變量按照該值進行初始化，以提高算法搜索出全局最優解的可能性［9］。

2.3 礦井安全狀況評價

利用上述粒子群優化神經網絡算法對4個數據采樣地點的礦井安全狀態進行評價，并將評價結果作為獨立的證據體，采用文中改進證據理論進行多源信息

式中：w為慣性權重；c1、c2為學習因子；r1、r2為區間（0，1）上的隨機數；k為當前迭代步數。

為了增強粒子群算法的全局搜索能力，引入帶變異操作的異步變化學習因子算法。學習因子的變化公式為：融合，得出最終的礦井安全狀態的監測結論。在信息融合時，選擇最大可信度所對應的命題作為最終評價結果。

3 應用實例

通過在礦井巷道中的適當位置安裝瓦斯濃度、風速等傳感器，以對各參數進行實時測量，并利用多源信息融合技術來判斷礦井的安全狀況。根據阜新礦業集團某煤礦井下所收集的特征數據［10］，如表2所示，構建基于粒子群優化神經網絡的初級監測模型，以對不同時刻的采樣數據進行時間域的初級安全監測。在仿真試驗時，初級監測模型的主要參數設置為：種群規模40，學習因子 c1，ini=2.5、c1，fin=0.5、c2，ini=0.5、c2，fin= 2.5，最大迭代次數50，變異概率p=0.80。將礦井安全級別（安全、較安全、一般、危險，分別用Ⅰ、Ⅱ、Ⅲ、Ⅳ表示）構成安全監測的辨識框架Θ= {y1，y2，y3，y4}。同時，定義安全等級的編碼規則：安全（1000）、較安全（0100）、一般（0010）、危險（0001）。

表2 監測數據Tab.2 Monitoring data

將初級安全監測模型的輸出結果進行歸一化處理（為了便于區分，處理結果即證據分別用m1、m2、m3和m4表示。），然后用本文所述改進證據理論算法進行空間域的信息融合，所得到的仿真結果以及對各證據的可信度分別如表3、表4所示。

從表3可以看出，如果僅從數據采樣地點進行安全監測，其可信度較低，甚至無法有效識別出礦井的安全級別，如樣本二中的證據m2。對于樣本一，除了采煤工作面的安全識別水平較低外，其他3個監測地點的辨識效果相對較好。在采用Dempster法進行空間域的信息融合后，通過強化各證據所支持的結論，合成結果的可信度明顯加強，達到了0.990 4。而對于樣本二這種高沖突證據間的信息融合問題，Dempster法得出了礦井安全級別為Ⅲ級的錯誤結論。由于Yager法將沖突證據信息納入了不確定性，使得兩個樣本的識別結論完全錯誤。盡管李弼程法的識別結果完全正確，但在合成一致證據時存在發散現象，如樣本一；而在合成高沖突證據時，其收斂的速度相對較慢，此時可信度為0.603 0。而采用本文改進算法進行多源信息融合，增強了礦井安全級別的區分性。對于證據間一致的合成情況，得出正確結論的可信度比Dempster法稍微低些，為0.965 9；而對于樣本二，該方法消除了初級安全監測模型輸出結果的不一致性，可信度大于李弼程法識別結果的相應值，從而驗證了該方法的有效性。

表3 仿真結果比較Tab.3 Com parison of sim ulation results

表4 各證據的可信度Tab.4 Credibility of the evidences

4 結束語

本文綜合利用礦井安全監測系統4個數據采樣地點的特征信息，采用改進證據理論進行多源信息融合。通過綜合考慮證據間的相容性與沖突性，較好地解決了高沖突證據間合成問題，降低了不良證據對最終安全監測結論的影響，提高了結果的可信度。

鑒于高沖突證據間的信息融合問題迄今沒有徹底解決，文中改進算法也存在一些缺陷。如當證據的數目大于4時，該方法的計算量會隨之加大，但為少量證據間的融合問題提供了一種新的思路。

［1］孫延飛，李智超，王靜，等.多傳感器數據融合在煤礦安全監測中的應用［J］.煤礦安全，2012，43（1）：102－104.

［2］李玲玲，馬東娟，王成山，等.DS證據理論沖突處理新方法［J］.計算機應用研究，2011，28（12）：4528－4531.

［3］鄧軍，肖旸，陳曉坤，等.礦井火災多源信息融合預警方法的研究［J］.采礦與安全工程學報，2011，28（4）：638－643.

［4］程華，杜思偉，徐萃華，等.基于DS證據的信息融合算法多指標融合［J］.華東理工大學學報：自然科學版，2011，37（4）：483－486.

［5］程加堂，艾莉，段志梅.改進證據理論與神經網絡集成的變壓器故障診斷［J］.電力系統保護與控制，2013，41（14）：92－96.

［6］徐春梅，張浩，彭道剛.基于改進D-S的汽輪機組集成故障診斷研究［J］.系統仿真學報，2011，23（10）：2190－2194，2199.

［7］韓麗，史麗萍.基于信息融合技術的異步電機故障診斷研究［J］.中國礦業大學學報，2010，39（2）：178－184.

［8］雷浩轄，劉念，崔東君，等.基于GA與PSO混合優化FCM聚類的變壓器故障診斷［J］.電力系統保護與控制，2011，39（22）：52－56.

［9］程加堂，張輝，徐紹坤.基于證據理論的煤礦瓦斯涌出組合預測［J］.中國安全科學學報，2012，22（1）：106－111.

［10］付華，聶小芳.基于粗糙集和D-S證據理論的信息融合技術應用研究［J］.傳感器與微系統，2010，29（6）：18－20，24.

Study on Multi-source Information Fusion Method for Coal Mine Safety Monitoring

To enhance the accurateness of coalmine safetymonitoring，themulti-source information fusionmethod based on improved evidence theory is introduced.In accordancewith the characteristic information in four different spatial domains，by adopting particle swarm optimization algorithm，the primary recognition model of coalmine safety is established；then information fusion is conducted by evidence theory，to judge the security conditions.In addition，the evidence credibility is introduced，for correcting the output resultof the primary recognitionmodel.The experimental results show that the method provides higher recognition effects in both conditions of original evidence is highly conflict or consistent，thus effective safety monitoring can be implemented for coalmine.

Improved evidence theory Particle swarm optimization algorithm Evidence credibility Information fusion Safety monitoring

TD76

A

修改稿收到日期：2013－12－21。

程加堂（1976－），男，2007年畢業于昆明理工大學控制理論與控制工程專業，獲碩士學位，副教授；主要從事復雜系統建模、信息融合技術方面的研究。