煤礦安全監(jiān)控中信息融合技術(shù)的應(yīng)用研究

馮韶元

（鄭煤集團告成煤礦通風(fēng)科，河南 登封 452477）

近些年來，隨著科技的持續(xù)發(fā)展，信息技術(shù)被廣泛應(yīng)用于煤礦安全監(jiān)控。當(dāng)前，信息融合技術(shù)在醫(yī)學(xué)、圖像識別、AI等領(lǐng)域得到應(yīng)用，我國在信息融合技術(shù)領(lǐng)域也獲得了豐碩的成果。越來越多的專家和學(xué)者開始關(guān)注信息融合技術(shù)在煤礦安全監(jiān)控中的應(yīng)用，利用布置在礦井下的各種傳感器獲取所需信息，利用信息融合技術(shù)提高煤礦安全監(jiān)控的準(zhǔn)確性，有效避免煤礦安全事故的發(fā)生。在現(xiàn)階段的煤礦安全監(jiān)控系統(tǒng)中，信息融合技術(shù)的應(yīng)用越來越廣泛，如基于神經(jīng)網(wǎng)絡(luò)的煤礦安全監(jiān)控、基于模糊邏輯的煤礦安全監(jiān)控等[1]。這些信息融合技術(shù)各有優(yōu)點，但也存在缺點，因為煤礦生產(chǎn)環(huán)境復(fù)雜多變，很難構(gòu)建確切的數(shù)學(xué)模型，而且煤礦生產(chǎn)的相關(guān)數(shù)據(jù)量很大，要求監(jiān)控系統(tǒng)具備學(xué)習(xí)能力。因此，本研究提出結(jié)合模糊邏輯和神經(jīng)網(wǎng)絡(luò)構(gòu)建信息融合預(yù)測模型，以期實現(xiàn)煤礦安全監(jiān)控。

1 煤礦安全監(jiān)控預(yù)測總體方案

本次研究的煤礦安全監(jiān)控總體方案結(jié)構(gòu)如圖1所示。本次研究的重點是信息融合預(yù)測模型。

如圖1所示，煤礦安全監(jiān)控系統(tǒng)通過數(shù)據(jù)庫實時監(jiān)控煤礦礦井中的傳感器信息，借助信息融合模型判定煤礦的安全等級，及時預(yù)警可能發(fā)生的煤礦安全隱患。本次研究針對礦井安全生產(chǎn)中的瓦斯、風(fēng)速、粉塵這三種信息數(shù)據(jù)構(gòu)建信息融合模型。合理的風(fēng)速有助于降低瓦斯?jié)舛?，還可以給煤礦生產(chǎn)人員提供足夠的氧氣；但風(fēng)速過大會導(dǎo)致粉塵濃度上升，增加煤礦粉塵爆炸風(fēng)險。瓦斯、風(fēng)速、粉塵之間存在非線性關(guān)系，三種信息數(shù)據(jù)的有效融合可以提高煤礦安全預(yù)測準(zhǔn)確度。本次研究的信息融合預(yù)測模型選用二級結(jié)構(gòu)。其中，一級融合基于自適應(yīng)加權(quán)算法實現(xiàn)融合，以獲取同類傳感器權(quán)重值，提升信息表述精度。二級融合模型是基于模糊神經(jīng)網(wǎng)絡(luò)的模型，因為礦井下生產(chǎn)環(huán)境復(fù)雜，很難構(gòu)建精確的數(shù)學(xué)模型，同時需要同時處理大量數(shù)據(jù)。

2 信息融合預(yù)測模型研究

2.1 信息融合預(yù)測模型設(shè)計分析

為了有效監(jiān)控煤礦生產(chǎn)，減少煤礦事故的發(fā)生率，生產(chǎn)企業(yè)就應(yīng)該設(shè)法降低礦井下的瓦斯、粉塵等危險物質(zhì)的濃度。因此，礦井下的通風(fēng)非常重要，合理的通風(fēng)能夠及時有效避免瓦斯積聚，降低瓦斯?jié)舛?，同時提供足夠的氧氣。煤礦安全生產(chǎn)的基本原則之一便是“以風(fēng)定產(chǎn)”。然而，風(fēng)速過大會導(dǎo)致粉塵濃度上升，增加煤塵爆炸風(fēng)險?；诖?，本次研究選取了風(fēng)速、瓦斯、粉塵這三個相互影響、相互制約的傳感器信息加以融合，提出如圖2所示的信息融合預(yù)測模型。

圖1 煤礦安全監(jiān)控總體方案

圖2 信息融合預(yù)測模型

該信息融合模型分為兩級，第一級信息融合基于自適應(yīng)加權(quán)算法，第二級基于模糊神經(jīng)網(wǎng)絡(luò)。一級融合目的是通過確定多個同類傳感器的權(quán)重值，提高對風(fēng)速、瓦斯、粉塵等監(jiān)控預(yù)測對象的表述精度。采用基于模糊神經(jīng)網(wǎng)絡(luò)的二級融合模型的原因是考慮到煤礦生產(chǎn)環(huán)境的復(fù)雜性，難以構(gòu)建精確的數(shù)學(xué)模型，且數(shù)據(jù)繁多，需要根據(jù)礦井實際情況設(shè)置相應(yīng)的報警等級，需要結(jié)合生產(chǎn)實際設(shè)置大量的模糊數(shù)據(jù)[2]。此外，礦井下環(huán)境變化頻繁，信息融合模型需要具備一定的學(xué)習(xí)能力，才能根據(jù)數(shù)據(jù)變化做出相應(yīng)調(diào)整。因此，本文基于神經(jīng)網(wǎng)絡(luò)理論提出基于模糊神經(jīng)網(wǎng)絡(luò)的二級信息融合模型。

通過第一級模型對風(fēng)速、瓦斯、粉塵這三類信息進行融合處理，判斷其是否超出《煤礦安全規(guī)程》的相關(guān)標(biāo)準(zhǔn)，如果其中任意一類傳感器數(shù)據(jù)超標(biāo)則直接做出預(yù)警，不必經(jīng)過二級融合。如果未監(jiān)測到數(shù)據(jù)超標(biāo)，則對數(shù)據(jù)進行歸一化處理，再通過二級融合模型融合各項數(shù)據(jù)，判斷是否超標(biāo)。

2.2 一級融合模型

2.2.1 自適應(yīng)加權(quán)融合算法

煤礦安全監(jiān)控系統(tǒng)中的一級信息融合步驟：第一步，根據(jù)自適應(yīng)加權(quán)算法獲取傳感器權(quán)重；第二部，加權(quán)處理獲得精確權(quán)重值；第三步，歸一化處理數(shù)據(jù)。自適應(yīng)加權(quán)算法按照數(shù)據(jù)精度確權(quán)，精度越高，權(quán)重越高。為提升數(shù)據(jù)精確度，需要將數(shù)據(jù)乘以相應(yīng)權(quán)數(shù)，再做計算均值。為了準(zhǔn)確反映煤礦安全監(jiān)控指標(biāo)數(shù)據(jù)，需要布設(shè)多個相同類型的傳感器，以獲得對同一個對象的精確值。

例如，某礦井巷道布設(shè)有四個監(jiān)測瓦斯?jié)舛鹊膫鞲衅?、一個監(jiān)測粉塵濃度的傳感器、一個監(jiān)測風(fēng)速的傳感器。四個瓦斯傳感器共同獲取該巷道的瓦斯?jié)舛葦?shù)據(jù)，各瓦斯傳感器位置、精度不同，權(quán)重值不同。因此，需要獲得這四個傳感器的對應(yīng)權(quán)重值，從而提升瓦斯?jié)舛鹊木_度。為獲得各個瓦斯傳感器的最優(yōu)權(quán)重值，需要多次測量它們采集的數(shù)據(jù)并對數(shù)據(jù)進行處理。也就是說，在確保總均方差最小的情況下，根據(jù)自適應(yīng)加權(quán)算法求取各個傳感器對應(yīng)的權(quán)重值。

總均方差為：

其中，i、j表示瓦斯傳感器編號，由于X1、X2、X3、X4相互獨立，則：

總方差σ2可寫成：

根據(jù)式（4）可知，σ2是多元二次函數(shù)，包括多個加權(quán)因子，其中必然存在一個最小值，求解出這個最小值就等于求解加權(quán)因子，其滿足式（1）中的函數(shù)極值。根據(jù)函數(shù)極值求解方法進行計算，人們可以發(fā)現(xiàn)，當(dāng)加權(quán)因子為時，方差最小，即：

以上是對各傳感器進行一次測量所獲數(shù)據(jù)的估計。在實際應(yīng)用中需要對第i個瓦斯傳感器進行k次測量，以求出最優(yōu)加權(quán)因子。此時，k次測量的均值為：

此時的信息融合值為：

同理，可以根據(jù)函數(shù)極值的求解方法，計算出最小均方差，即：

由于k永遠(yuǎn)大于1，因此當(dāng)k值不斷增長 時，將不斷減小，理論上來說k越大，數(shù)據(jù)融合值精度越高。但實際上k值也不能太大，因為k值持續(xù)增長時，自適應(yīng)加權(quán)算法將不斷趨近算術(shù)平均值法。

2.2.2 最優(yōu)權(quán)重值計算

如上所述，多個傳感器自適應(yīng)加權(quán)融合基本步驟是：（1）求傳感器k次測量數(shù)據(jù)的平均值；（2）求得傳感器i的方差（3）根據(jù)公式求最優(yōu)加權(quán)因子Wi；（4）得到融合值

本文選取監(jiān)測瓦斯?jié)舛鹊亩鄠€傳感器在某時間點測量7次后獲得的數(shù)據(jù)，依照上述步驟計算最優(yōu)權(quán)重值，首先求得各個傳感器多次測量所獲數(shù)據(jù)的平均值、權(quán)值及方差，如表1所示。

表1 傳感器權(quán)值數(shù)據(jù)

根據(jù)表2可知，四個瓦斯傳感器的權(quán)值不同。因此，可以計算此時煤礦巷道的瓦斯?jié)舛热诤现担?/p>

在實際煤礦生產(chǎn)中，企業(yè)往往需要設(shè)置多個傳感器監(jiān)測一個指標(biāo)，需要用自適應(yīng)加權(quán)算法確定多個同類傳感器的權(quán)重值。

2.2.3 歸一化處理

利用上述方法求得傳感器權(quán)重值，得到更加精確的數(shù)據(jù)，為了方便進行二級信息融合，人們還必須對精確數(shù)據(jù)進行歸一化處理，具體公式如下：

式中，x歸一為某類傳感器數(shù)據(jù)經(jīng)過歸一化處理后的數(shù)值；為某類傳感器數(shù)據(jù)進行自適應(yīng)加權(quán)融合后的數(shù)值；為進行自適應(yīng)加權(quán)一級融合后傳感器樣本數(shù)據(jù)的最小值；為自適應(yīng)加權(quán)一級融合后傳感器樣本數(shù)據(jù)最大值，到此，第一級融合處理完成。

2.3 基于模糊神經(jīng)網(wǎng)絡(luò)的二級融合模型

2.3.1 確立模糊推理預(yù)測系統(tǒng)

如上所述，選擇風(fēng)速、瓦斯、粉塵這三個關(guān)鍵的煤礦安全信息作為融合信息來源?？梢?，基于模糊神經(jīng)網(wǎng)絡(luò)的二級融合模型輸入變量有三個。模型輸出變量即模型預(yù)測結(jié)果，也就是煤礦當(dāng)前安全等級：安全、中等、危險[3]?！鞍踩钡燃壉硎镜V井下非常安全，出現(xiàn)安全事故的可能性很小；“中等”等級表示礦井下安全環(huán)境一般，需要加強監(jiān)測；“危險”等級則代表當(dāng)前礦井下發(fā)生安全事故的可能性較高，必須馬上中止生產(chǎn)活動，仔細(xì)排查安全隱患。本次研究通過實地調(diào)查、查閱文獻資料等方式，以某煤礦為例，得到風(fēng)速、瓦斯、粉塵這三個信息與煤礦安全等級的關(guān)系，如表2所示

針對風(fēng)速、瓦斯、粉塵這三種輸入變量，根據(jù)其測量數(shù)值大小與煤礦礦井實際生產(chǎn)情況，對數(shù)值進行歸一化處理后，分成三個模糊子集：{高、中、低}。選取高斯函數(shù)作為各模糊子集的隸屬度函數(shù)，將各類傳感器的測量數(shù)據(jù)進行歸一化處理得到具體的隸屬度。

模糊推理的規(guī)則形式一般為“IF...THEN...”。結(jié)合某煤礦生產(chǎn)實踐，人們可以確立合理的模糊推理規(guī)則，例如，“IF（風(fēng)速高）AND（瓦斯?jié)舛雀撸〢ND（粉塵濃度高）THEN（安全等級為危險）”。規(guī)則中的高、中、低是風(fēng)速、瓦斯?jié)舛取⒎蹓m濃度的模糊量化等級，可使用具體分值“1”“0.5”“0”來量化煤礦安全等級。

模糊推理的規(guī)則往往有很多條，制定規(guī)則的基本原則是規(guī)則必須涵蓋一切可能出現(xiàn)的情況。相同的規(guī)則可合并但不能出現(xiàn)相互沖突的規(guī)則。根據(jù)風(fēng)速、瓦斯、粉塵這三個輸入變量，考慮一切可能發(fā)生的情況，可以將礦井下模糊推理規(guī)則設(shè)置為27條。

表2 風(fēng)速、瓦斯、粉塵與煤礦安全等級的關(guān)系

2.3.2 構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)模型

煤礦監(jiān)控預(yù)測模型的核心是基于模糊神經(jīng)網(wǎng)絡(luò)的信息融合模型。首先利用煤礦礦井的實際生產(chǎn)數(shù)據(jù)訓(xùn)練基于模糊神經(jīng)網(wǎng)絡(luò)的信息融合模型。訓(xùn)練結(jié)束后，此模型具備了學(xué)習(xí)能力，可以根據(jù)礦井下的各項數(shù)據(jù)對煤礦安全等級進行及時準(zhǔn)確的預(yù)測。基于模糊神經(jīng)網(wǎng)絡(luò)的融合模型包括五層。

（1）輸入層。該層包括代表各項指標(biāo)信息的節(jié)點，負(fù)責(zé)將傳感器數(shù)據(jù)傳遞至下一層。

（2）模糊化層。該層包括代表各個輸入量模糊子集的節(jié)點，負(fù)責(zé)獲取輸入量屬于某模糊子集的隸屬度。本次研究的隸屬度函數(shù)選取高斯型函數(shù)，如式（11）所示：

式中，為隸屬度，cij為隸屬函數(shù)中心。

（3）規(guī)則層。該層包括代表根據(jù)礦井實際情況制定的27條模糊推理規(guī)則的節(jié)點，各節(jié)點輸入為模糊子集隸屬度，輸出為匹配度。其主要作用是計算模糊規(guī)則的合適度。

（4）歸一化層。該層總共有27個節(jié)點，其主要作用是對數(shù)據(jù)進行歸一化處理。

（5）輸出層。該層只有一個節(jié)點，用于完成解模糊功能，為模型輸出值，期望輸出值設(shè)為0、0.5、1，分別代表煤礦安全、中等、危險這三個安全等級。

在二級信息融合模型中除了歸一化層、輸出層之外，其他層的權(quán)值均設(shè)為1，而歸一化層、輸出層之間的權(quán)值設(shè)為Wij。按照模糊推理規(guī)則，人們可以構(gòu)建模糊化層和隱層之間的連接關(guān)系，并通過數(shù)據(jù)訓(xùn)練持續(xù)優(yōu)化模糊化層的隸屬度函數(shù)值，不斷完善模型，以提升模型輸出值的精度。

2.4 模糊神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練算法

BP算法是現(xiàn)階段應(yīng)用最廣泛的模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。BP算法的應(yīng)用推動了多層前饋神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用，形成使用廣泛的BP神經(jīng)網(wǎng)絡(luò)。現(xiàn)階段，大部分關(guān)于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法均為基于BP算法進行改進所得。經(jīng)典三層BP網(wǎng)絡(luò)包含輸入層、隱層、輸出層，結(jié)構(gòu)如圖3所示

圖3 經(jīng)典三層BP網(wǎng)絡(luò)建結(jié)構(gòu)

BP算法存在兩個主要缺陷：易陷入局部極小點；收斂速度慢。煤礦礦井環(huán)境復(fù)雜多變，會產(chǎn)生大量數(shù)據(jù)，對于預(yù)測的速度要求很高。傳統(tǒng)BP算法無法滿足其預(yù)測速度。因此，必須基于傳統(tǒng)BP算法進行相應(yīng)改進，以顯著提升BP算法的速度。在此背景下，一些改進算法被相繼提出，如傳牛頓法、變步長算法、附加動量法等，這些算法可以提高算法運算速度，但是也存在較多問題，而且對訓(xùn)練速度的提升效果不明顯。而將數(shù)值優(yōu)化算法（LM）與BP算法結(jié)合開展網(wǎng)絡(luò)訓(xùn)練的算法被人們稱為LMBP算法。當(dāng)網(wǎng)絡(luò)權(quán)重個數(shù)在幾百以內(nèi)時，LMBP算法的收斂速度明顯優(yōu)于其他傳統(tǒng)改進算法，相比傳統(tǒng)BP算法的收斂速度更是有顯著提升。實際上，數(shù)值優(yōu)化算法LM是基于牛頓法變形而來的一種高效算法，非常適合用來訓(xùn)練指標(biāo)指數(shù)是均方誤差的網(wǎng)絡(luò)。而BP算法正需要將輸出與實際輸出信號之間的誤差平方和控制在最小，因此結(jié)合LM算法與BP算法可以有效調(diào)整傳統(tǒng)BP算法收斂速度。

3 結(jié)語

本次研究提出了一種二級信息融合模型，用于對煤礦安全狀況進行準(zhǔn)確預(yù)測，通過經(jīng)過優(yōu)化的信息融合算法來提升煤礦安全預(yù)測的精度和速度。筆者分析了信息融合預(yù)測技術(shù)在煤礦安全監(jiān)控預(yù)測中的應(yīng)用現(xiàn)狀和應(yīng)用必要性，提出一種二級結(jié)構(gòu)的信息融合模型。其中，第一級結(jié)構(gòu)采用自適應(yīng)加權(quán)算法獲取多個同類傳感器的權(quán)重系數(shù)，以提升傳感器的表述精度；第二級融合模型基于模糊神經(jīng)網(wǎng)絡(luò)，解決礦井安全環(huán)境難以建立精確數(shù)學(xué)模型的問題，同時模型具備學(xué)習(xí)能力，符合煤礦礦井實際生產(chǎn)情況。