基于GA—RBF的煤礦機器人井下混合氣體檢測系統的研究

許剛

摘 要：井下混合氣體的檢測關系到地下煤礦挖掘工程的安全，以及地下工人的安全與健康，進行高效、高精準度的氣體檢測，對工程進度及安全保障的提升有重大意義。該設計對GA-RBF徑向基函數以及煤礦機器人井下混合氣體檢測的工程進行概述，并以試驗的形式提出了GA-RBF在煤礦機器人檢測井下混合氣體的運用，給工程單位以借鑒，保證井下工作安全。

關鍵詞：GA-RBF；煤礦機器人；混合氣體；井下檢測

中圖分類號：TP29 文獻標識碼：A

Abstract： The detection of underground mixed gas is related to the safety of underground coal mine excavation engineering，as well as the safety and health of underground workers.It is of great significance to carry out high-efficiency and high-accuracy gas detection for the improvement of the project schedule and safety guarantee.GA - RBF radial basis function and underground gas mixture detection engineering of coal mine robot are summarized，and the application of GA- RBF in underground gas mixture detection of coal mine robot is put forward in the form of experiment，which can be used for reference by engineering units to ensure the safety of underground work.

Key words： GA-RBF；coal mine robot；mixed gas；downhole inspection

針對煤礦救援機器人井下有害混合氣體檢測工作中不敏感且檢測效率低的問題，應用雙氣體識別傳感器緩解因為氣體混合而造成的識別精度低的問題綜合考慮溫濕度等不可控因素在測量期間對設備靈敏度的影響，結合檢測設備的實際使用提出遺傳神經網絡算法與K聚類算法對RBF神經網絡進行優化升級，建立起傳感器集合改良RBF神經網絡的氣體檢測系統。試驗結果證明，改善后的神經網絡算法應用在訓練中，對氣體的檢測速度及精度都有所提升，在標準范圍內，能夠完成常規毒害混合氣體的檢測任務。

1 GA-RBF徑向基函數

GA-RBF即徑向基函數，是一種依靠原點距離的實值函數，就是?（x） = ?（‖x‖）或是到任意

點 c的距離，c點為中心點。只要是滿足?（x） =

?（‖x‖）特征的函數都可以是徑向基函數，常規的應用歐氏距離。在神經網絡結構中，可以用作全連接層的主要函數。

現階段徑向基函數廣泛應用與地質勘測、外形設計等領域，徑向基函數在偏微分方程的數值解及神經網絡構造中都得到了廣泛的應用。在微分方程數值解領域研究出假設函數能夠通過徑向基函數進行近似表示，并代回微分方程在出局點上度量，最終使微分方程誤差降到最低[1]。

2 煤礦機器人井下混合氣體檢測的工程 概述

煤礦井下的環境危險復雜，除了不穩定的礦山結構外，還充斥著甲烷、一氧化碳等有毒有害氣體，威脅井下生產安全、工人健康及社會穩定。在井下工作中應用煤礦救援機器人代替人工進行井下氣體探測，成功應用的前提是具備較高的檢測效率及測量精度，才能夠有效檢測出井下的有毒有害氣體，為井下的空氣評估提供依據，為人員安全提供保障。因此，對氣體檢測效率及精度的提升要應用更為先進的系統及技術。

井下存在著多種氣體，且在長時間的沉淀下發生了混合，氣體間相互存在干擾，機器人檢測的主要成分會因為混合反應而丟失，導致傳感及響應設備無法做出及時的動作，影響機器人及操作人員的判斷。現階段研究人員對氣體的檢測形式進行研究，彌補傳統檢測技術中的不足。研究的結果雖然完成了主要成分檢測，但沒有綜合考慮溫濕度等不可控因素的影響，針對此問題應用雙氣體識別感應器，結合GA優化提升檢測精度及效率[2]。

3 GA-RBF在煤礦機器人檢測井下混合 氣體的運用

3.1 煤礦機器人井下混合氣體檢測工作的原理及系統構成

煤礦機器人的井下檢測系統結構原理如圖1 所示，在整個檢測系統中，主要應用到了感應模塊、信號預處理模塊、信號處理及傳輸模塊以及模式識別模塊。感應模塊即傳感器陣列，是煤礦機器人對混合氣體的識別組織，起到對地下混合氣體的感知作用，整個傳感其系統模塊又由多種傳感器組成，在感應到敏感氣體時，不同的傳感器發出專屬響應信號；信號調理系統模塊是對傳感器所發射出的響應信號進行過濾、交換、特征提取等處理，進行下一步的動作；信號處理模塊是對信號預處理模塊所處理的傳感信號進行采集、分析、處理，最后再從模式識別系統模塊中進行識別輸出。在試驗中應用雙氣體識別傳感器，對氧化碳及硫化氫、甲烷及二氧化碳進行識別，再結合溫濕傳感器組成一個完整的傳感器系統，應用雙氣體識別傳感器緩解氣體混合導致的識別精度低的問題[3]。

3.2 混合氣體檢測算法原理

1.RBF神經網絡

RBF數神經網絡是前饋式的神經網絡，具備眾多的優點及特性，能夠更為貼近模型，用于模擬實驗，有效緩解了因網絡復雜而引起的訓練速度降低及反應時間延長的問題。對于RBF而言，隱藏層的基函數對整個試驗尤其重要，函數應用直接影響網絡結構，也會影響訓練速度和輸出效果，在試驗中將PBF的基函數應用為高斯函數，應用高斯函數簡單的特性。

2.遺傳算法

遺傳算法以群體為主，是由M個個體的集合，遺傳算法的應用與生物的進化相似，是重復迭代模式。在試驗中將群體的 代設定為p（t），將交叉變異以及進化后的一代設定為t+1代，以p（t+1）表示。群體在遺傳及進化的過程中是不會間斷的，遵循擇優的原則，具有較高適應能力的個體進行下一代的遺傳，群體中會得到一個優良的個體，將個體設定為X，個體的對應表現型X1會與問題的最優解X2相互吻合或是接近。

3.RBF進行方式的改進

4 實驗及分析

實驗應用到的氣體符合安全管理規定，所選用的氣體濃度為，CH4為5000以內，H2S為200之內，CO控制在1000之內，CO2在5000之內。為了能夠滿足氣體濃度空間，為了能夠提供充足的試驗樣本，配置具有差異性的混合氣體用于試驗。將氣體進行分組之后進行密閉檢測，之后進行采集數據、處理、分析，之后訓練神經網絡，經過反復訓練，建立起GA-RBF神經網絡，最后將剩余訓練樣本輸入，通過對比以修正測試結果與實際數值間的誤差，提升檢測精度。

試驗結果分析試驗中的傳感器模塊系統對應輸出4種氣體濃度及溫濕度，因此在構建RBF神經網絡時，輸出的層數為6個，4個神經元，共13個隱含神經元；優化后的目標誤差為小數點后三位，最高迭代次數擬定為1000次。對所采集的樣本進行整合，并隨即抽取樣本輸入為訓練樣本，對優化前后的神經網絡進行訓練，訓練后對參數進行保存，將剩余數據作為測試樣本輸入，檢測神經網絡預測的精度，測試結果見表1與表2 。

從表1和表2的試驗結果數據對比可以很明顯的看出在應用同一訓練樣本的情況下，改進后的神經網絡比RBF神經網絡的誤差要小，應用此網絡能夠有效降低訓練時的局部最優，提升系統穩定性[5]。

5 總 結

針對井下煤礦機器人檢測煤礦有毒有害混合氣體工程中，傳統神經網絡靈敏度不足，誤差較大的問題，本文應用雙氣體識別傳感器，緩解氣體交叉靈敏度的問題，綜合井下溫濕度等不可控因素對識別靈敏度的影響，并結合煤礦機器人在救援、探測工程中的應用，提出K聚類算法為算法學習的GA-RBF優化式神經網絡，以提升RBF神經網絡的識別能力及精度。在試驗中得出以下結論，GA-RBF優化后的神經網絡與傳感器結合而成的檢測系統，應用于地下有毒有害氣體檢測，其敏感程度高，整體測試結果良好，提升了RBF神經網絡的檢測效率及精度。在符合標準的檢測范圍內，能夠良好的完成氧化碳及硫化氫、甲烷及二氧化碳四種常見氣體及其混合物的檢測，為井下施工提供安全保障。

參考文獻

[1] 馬西良.GA-RBF在煤礦機器人檢測井下混合氣體的應用[J].中國科技信息，2016，（18）：66—68.

[2] 龔雪飛.基于集成神經網絡的多元有害氣體定量檢測方法研究[D].寧波：寧波大學，2015.

[3] 郗艷梅，石巖，岳紅新.煤礦危險氣體探測機器人結構和防爆設計[J].煤炭技術，2016，35（9）：260—261.

[4] 西安科技大學.煤礦井下多氣體濃度采集傳輸裝置：中國，CN201420629948.9[P].2015-2-18.

[5] 陳洋，張伯虎，余緣敏.基于無線傳感器和BP神經網絡的有毒氣體檢測[J].移動信息，2015，（2）：19—20.