煤礦瓦斯監控系統異常信號的辨識

黃凱峰，劉澤功

1.淮南職業技術學院信息與電氣工程系，安徽淮南，232001；2.安徽理工大學能源與安全學院，安徽淮南，232001

煤礦瓦斯監控系統異常信號的辨識

黃凱峰1,2，劉澤功2

1.淮南職業技術學院信息與電氣工程系，安徽淮南，232001；2.安徽理工大學能源與安全學院，安徽淮南，232001

摘要：針對煤礦瓦斯監控系統故障診斷研究中的問題，提出了煤礦瓦斯監控系統異常信號辨識方法。此方法分為異常信號檢出和異常Hilbert-Huang信號特征提取兩步。研究表明，基于多傳感器數據融合的異常信號的檢出方法是有效的，Hilbert-Huang包絡譜分析有較好的辨識效果，對發生異常的時間點有指示作用。

關鍵詞：瓦斯監控系統故障診斷；異常信號辨識；多傳感器數據融合；小波分析；希爾伯特-黃變換

隨著新技術的不斷涌現，煤礦的現代化、自動化水平不斷提高，以煤礦瓦斯監控系統為代表的智能安全監控網絡，對今天煤礦的安全運行起到了十分重要的作用。由于新型礦井生產規模越來越大，監控范圍也日漸增大，雖然安全監控網絡中安置了大量傳感器和分站，但由于井下復雜的環境因素造成干擾，誤報的事故與日俱增。同時，基于信息技術的安全監控網絡獲取數據的規模越來越大，數據的梳理挖掘工作越來越重，異常數據、問題數據更難辨識[1-4]。這些新問題已成為安全學科研究的熱點，以監控網絡為平臺出現的問題數據、錯誤數據(如誤報、漏報)辨識為目的研究，有助于降低安全監控網絡信號異常給煤礦安全生產帶來的嚴重影響。煤礦瓦斯監控系統異常信號與煤礦瓦斯監控系統設備自身故障和周圍環境干擾有密切的關系，對瓦斯監控系統的異常信號特征研究是解決礦井安全監測數據誤報問題的關鍵[5-6]。

1問題的提出

筆者對淮南礦業(集團)公司張集煤礦瓦斯監測系統運行情況進行了調查，結果顯示：淮南礦業(集團)公司張集礦現行的瓦斯監控系統設置了5個通信分站,各型瓦斯傳感器共計24個，溫度、風速、濕度等傳感器16個。經統計，該礦瓦斯監測系統發生的可查各種故障共159次,主要類型有硬件故障、傳感器誤報、井下分站故障、通訊故障、維護不當引起的故障、人為原因引起的故障、原因不明故障等7種(表1)。

表1　故障原因分類統計表

礦井瓦斯監控系統的可靠性問題，特別是傳感器信號異常造成的誤報診斷問題已引起學術界和工業界的高度關注。目前，國內外在煤礦大型機電設備和風機監測系統方面已經有關于故障診斷的研究與應用，但在煤礦瓦斯監測系統異常信號辨識方面的研究還很少見。從異常信號的角度入手，另辟蹊徑解決煤礦監控系統誤報問題，進一步完善傳感器故障診斷方法研究理論體系，對煤礦瓦斯監測系統進行誤報分析與處理，提高瓦斯監控系統的監控效率具有極其重要的意義。

2煤礦瓦斯監控系統異常信號檢出方法

數據融合技術被廣泛地應用于各種設備故障的診斷中，對煤礦瓦斯監控系統異常信號辨識而言，主要是應用于異常信號檢測。由于煤礦瓦斯監控系統各傳感器之間有一定的關聯性，可以通過多個傳感器信號對一個相關傳感器的信號進行逼近。在此類研究方面，神經元網絡技術和支持向量回歸機被廣泛使用。

2.1基于神經元網絡數據融合技術的異常信號檢出方法

使用訓練好的網絡逼近器在線工作,根據溫度、C0、風速以及T0、T2等傳感器測得的相關參量值輸入到神經網絡后得到Tl瓦斯濃度預測值[7]，逼近效果如圖1所示。

圖1　神經元網絡逼近效果比較

圖2　基于GRNN網絡逼近器的瓦斯傳感器故障診斷模型

2.2基于支持向量回歸機的數據融合異常信號檢出方法

圖3　GA-SVR瓦斯傳感器異常信號檢出模型

圖4　瞬時意外沖擊信號殘差信號的變化曲線

3煤礦瓦斯監控系統異常信號特征提取方法

在異常信號辨識的研究中，特征提取方法研究十分重要。傅里葉變換方法的使用，使得時域信號可以變換到頻域對異常信號進行特征提取。采用小波分析法，將信號分解為幾個頻段，通過求取個頻段的能量譜，可以大大降低特征信息的維度，減少識別或辨識的分類壓力。希爾伯特-黃變換的方法首先是將被檢測信號通過EMD方法分解為幾個經驗模態，然后求取其Hilbert變換，這種方法不僅可以得到信號的頻率信息，還可以得到瞬時頻率，這樣對異常信號特征發生的時間點有指示作用。

3.1基于離散傅里葉變換譜分析方法

針對煤礦瓦斯監控系統信號的特征，基于離散傅里葉變換(DFT)的異常信號提取方法被廣泛應用。DFT方法的主要思想是將時域離散的被辨識信號變換到頻域上[9]，通過其幅值譜和功率譜進行特征的提取。對于離散信號x(n)，其離散傅里葉變換(DFT)定義為：

X(k)=DFT[x(n)]

(1)

(2)

逆離散傅里葉變換(IDFT)的定義：

(3)

受到連續干擾的瓦斯監控系統信號的DFT幅值譜如圖5所示。

圖5　DFT算法的譜分析

3.2小波分析法

信號特征提取辨識故障的方法，早先多用于機械故障的診斷。由于機械設備部件發生故障的早期，有伴隨故障的周期性振動的能量變化，所以采用小波包主元分析能量向量譜和FCM聚類分析方法辨識。在瓦斯監控系統的故障診斷研究中，王軍號首次以小波分析得到4種典型故障的各階能量譜，并運用卡爾曼濾波器優化RBF神經元網絡和FCM聚類分析對故障特征進行了分類[10]。趙金憲利用三層小波包分析和能量譜方法，分析研究了異常信號在能量譜上的特征表現[11]。能量譜可以描述異常信號的特征，且識別效果較好。連續干擾的瓦斯監控系統信號的3層小波包分解如圖6所示，通過歸一化調整可以得到其信號在8個IMF上的能量向量如圖7所示。小波分析可以提取異常信號的特征，它與能量向量譜法結合，有助于降低特征向量的維度，提高辨識分類的準確度。但是，能量向量譜方法也存在問題，因為其分析結果受樣本點選擇、發生異常信號的時間點以及異常程度影響巨大，容易造成誤判、錯分。

圖6　三層小波包分解

圖7　能量特征向量

3.3希爾伯特-黃變換的方法

在已知的故障診斷領域研究中，Hilbert變換譜分析常常結合經驗模態分解(EMD)算法來對各種機械故障的特征進行提取。一個信號f(t)的Hilbert變換的定義[12-13]式如下：

(4)

然后重新構造出解析信號：

(5)

(6)

這樣，可以得到f(t)在聯合時間——頻率坐標系中α(t)的變化曲線，即Hilbert譜：

(7)

將H(t,ω)對時間進行積分，則得到信號的邊際譜。即：

(8)

如圖8所示，采用EMD方法，將煤礦安全監控系統異常信號分解成多個模態分量(IMF)，從而提取出異常信號特征分量。然后對模態分量(IMF)進行Hilbert包絡進行譜分析辨識。結果表明，煤礦安全監控系統異常信號辨識EMD包絡譜分析算法有較好的辨識效果。同時，希爾伯特-黃變換可以求出信號的瞬時頻率，瞬時頻率對發生異常的時間點有指示作用。

圖8 基于希爾伯特-黃變換的故障特征提取

4結束語

從異常數據辨識方法研究入手是煤礦瓦斯監控系統故障診斷研究的可行途徑。異常數據辨識方法的主要問題是特征提取問題和異常信號的檢出問題。

基于支持向量回歸機的數據融合異常信號檢出方法能較好地解決神經網絡的小樣本學習問題和過擬合問題。GA-SVR異常信號檢出模型的異常信號檢出效果較好。

與小波結合法相比，能量向量譜方法分析的結果受樣本點選擇、發生異常信號時間點和異常程度影響巨大，容易造成誤判、錯分的問題。希爾伯特-黃變換方法不僅可以得到信號的頻率信息，還可以得到瞬時頻率，這樣對異常信號特征發生時間點有指示作用。

參考文獻：

[1]鄧奇根，王燕，劉明舉，等．2001-2013年全國煤礦事故統計分析及啟示[J]．煤炭技術，2014，33(9)：73-75

[2]梁秀榮，朱小龍．煤礦安全監測監控系統有關問題的探討[J]．煤炭科學技術，2006，34(8)：69-71

[3]范維唐．中國煤炭工業發展戰略與煤礦安全[R].青島：山東科技大學，2005

[4]姚向榮．煤礦安全監測監控技術[M]．徐州：中國礦業大學出版社，2012：50-73

[5]王功進．淺談瓦斯監測系統的管理[J]．煤炭技術，2004，23(11)：76-77

[6]高春礦．煤礦安全監控系統現狀與發展前景[J]．煤炭技術，2004，23(11)：65-66

[7]黃丹，徐平安，王其軍，等．基于PCA神經網絡和D-S決策的瓦斯傳感器故障辨識[J]．儀表技術與傳感器，2015(3)：99-103

[8]黃凱峰，劉澤功，王其軍，等．基于ASGSO-SVR模型的瓦斯傳感器故障診斷[J]．煤炭學報，2013，38(S2)：518-523

[9]Lin Cong,Qiang Miao,Liu Zhimin,et al.Engineering asset management and infrastructure sustainability[M].London:Springer,2012:133-141

[10]王軍號，孟祥瑞，吳宏偉．基于小波包與EKF-RBF神經網絡辨識的瓦斯傳感器故障診斷[J]．煤炭學報，2011，36(5)：867-872

[11]趙金憲，金鴻章．基于小波包和神經網絡的瓦斯傳感器故障診斷[J]．傳感器與微系統，2010，29(5)：80-82

[12]Wang Xiaoyi,Zhong Zhaoping,Wang Heng,et al.Application of Hilbert-Huang transformation in fluidized bed with two-component (biomass particles and quartz sands) mixing flow[J].Korean Journal of Chemical Engineering,2015,32(1):43-50

[13]Lin Li,Chu Fu-lei.Feature extraction of AE characteristics in offshore structure model using Hilbert-Huang transform[J].Measurement,2011,44(1):46-54

(責任編輯：汪材印)

doi:10.3969/j.issn.1673-2006.2016.05.028

收稿日期：2016-02-18

基金項目：安徽省教育廳自然科學研究重點項目“基于異常信號特征辨識的瓦斯傳感器故障診斷方法” (KJ2015A376)。

作者簡介：黃凱峰 (1982-)，黑龍江鶴崗人，在讀博士研究生，講師，主要研究方向：安全科學與工程。

中圖分類號：TD713.2

文獻標識碼：A

文章編號：1673-2006(2016)05-0104-04