多維異構瓦斯濃度數據的融合實現

張繼榮

(陜西省何家塔煤礦，陜西 神木 719315)

0 引言

目前，國內所有煤礦都已建立了較為完善的煤礦安全監控系統[1-2]。作為對安全監控系統的冗余安排，還需設置人工巡檢。同時，煤礦的監測數據需結合通風系統、煤炭生產等因素加以綜合分析，才能形成對井下瓦斯、風流等安全相關信息的全方位感知，這樣也就產生了大量的多維異構數據。

學者們已對煤礦監測系統的信息融合開展了大量研究工作：應用多傳感器模糊信息融合[3-7]；無量綱多源信息融合模型[8]；基于時空信息融合[9]；信息融合技術與遺傳支持向量機相結合[10]；在采集控制層進行多系統井下融合[11]；通過地面融合的方式進行數據采集[12]；基于D-S理論融合[13]；基于D-S理論和模糊數學建立多源異構信息融合模型[14]；基于貝葉斯估計、模糊集理論融合[15]；采用模糊評價方法進行特征級數據融合、D-S證據理論進行決策級數據融合[16]等等。

上述研究為井下危險因素的探測和感知提供了有效方法，但仍存在一些未考慮到的角度和不足。現有方法著重于對煤礦安全形勢的判斷，而對于信息融合技術還能用于提高監測系統精度的潛力挖掘不足；另外煤礦監測系統由于部署的環境惡劣，容易出現虛報警和假報警，傳感器自身也容易出現零點漂移等問題，數據融合能有效排查故障位置，提高監測系統的可靠性，有關這一應用的研究尚顯滯后。

1 瓦斯濃度數據融合的架構

1.1 數據融合的層次

具有多維異構信息融合功能的煤礦監控系統可靠性更高。當有若干個傳感器失效或誤差較大時，其它傳感器或監測手段可以彌補故障傳感器的監測功能，或自動辨識誤差并予提醒或報警，以保證故障對系統整體監測能力的影響最小化。

利用數據融合技術綜合多維異構的測值，能在一定程度上解決煤礦安全領域中測量精度不足、穩定性不高的問題，有利于更為準確地判斷安全形勢，實現有效的安全決策輔助。

煤礦井下的多傳感器數據融合層次如圖1所示，相應布置的傳感器主要獲取瓦斯濃度、風速、溫度等模擬量數據和采煤機開停等開關量數據。各類傳感器原理不同、性能不同，具有不同的精度、可靠性等技術指標，有著不同的巡檢周期，因此數據融合的特點也不盡相同。

圖1 煤礦井下多維數據融合層次圖

在煤礦井下，作為數據級融合源頭的各種傳感器，由于多方面因素的影響，傳感器測量值與目標真實值之間難免存在一定的誤差。因此，在同一測點位置或監測區域設置多個冗余傳感器進行多次測量，并通過數據級融合處理，可在一定程度上減少這種誤差。為了實現數據級的信息融合，所有傳感器最好是同類型的，否則需要先對數據進行預處理，然后才能融合。

特征級融合是指對傳感器獲得的信息進行一定程度的加工，以提取測值之外的信息，如數據的可信度、傳感器是否有故障等。將數據級融合數據送入特征級融合部分，根據通風網絡特性對數據展開進一步的分析和綜合，可從中提取出瓦斯濃度值的可信度、監控系統的一致性等特征。

決策級融合是為了服務最終檢測監控目的而進行的融合，對煤礦監控系統來說，是要通過融合，給出當前是否安全以及安全程度的結論。決策級融合是在相對較高的層次上進行的，不關注某個具體數據的大小，而是直接針對檢測目的而展開。多維異構信息的引入能大大增強決策融合的魯棒性，提高系統的抗干擾性，避免個別傳感器的故障對決策的影響，保證更為可信的融合結果，為安全管理人員決策提供有效依據。

1.2 瓦斯濃度數據融合的架構

瓦斯濃度數據融合采用混合式數據融合結構，如圖2所示。瓦斯數據融合首先以傳感器自動監測數據、人工檢測等數據為基礎，通過融合獲得井下各個關鍵位置的綜合瓦斯濃度。然后將瓦斯數據及井下裝備設施狀態等多維數據，通過通風網絡分析相關聯，并以D-S證據理論進行各個測點數據的相互校驗。最后在獲得準確測值的同時具備監測系統的智能自檢能力。最終達到將沖突數據融合，綜合后獲得合理、自洽、高精度的數據分析成果，為后續分析和礦井決策提供依據。

圖2 通風瓦斯監測數據融合架構圖

2 多維異構瓦斯濃度數據的融合

2.1 多維異構瓦斯數據融合

瓦斯傳感器采集到的數據是實時數據；而人員巡檢數據相對較少，且需通過上報而進入系統，屬于非實時數據。這兩大類數據構成了異構型瓦斯數據。由此獲得的數據均有其不確定性，如瓦斯傳感器的精度較低，在低濃度時傳感器的變化常常是隨機誤差導致。

為了保證盡可能高的精度，有必要在同一檢測區域布置多個傳感器，并充分參考巡檢獲得的高精度數據，才能保證監測數據的準確性，而將多個傳感器的數據進行融合，將能最大限度地獲取被測目標的信息。由此提出的同一監控位的瓦斯數據融合流程，如圖3所示。

圖3 異構瓦斯濃度數據融合過程

對瓦斯傳感器而言，為消除測量過程的不確定性，使最終數據盡可能地接近真實值，需要在同一監控位設立冗余傳感器，根據對瓦斯濃度精度的要求確定傳感器的數量，依照瓦斯傳感器的衰減特性、精度、使用時間、校準時間等設定其可信權重系數，經數據的初步融合，獲得節點傳感器瓦斯濃度。在巡檢數據方面，由于人員巡檢次數遠少于傳感器的監測次數，需采用插值擬合法獲得多時間節點的瓦斯測值，并根據儀器狀況設定其可信權重系數。在此基礎上，根據監控與巡檢的多維數據及其不同的可信系數，融合獲得該監控位的最終的融合數據。

2.2 基于3次樣條插值法的巡檢數據插值

人員巡檢數據是監控系統的重要印證與補充，由便攜式光學瓦斯檢測儀測得，精度相對較高、方便靈活，并能兼顧需加關注的區域。人員巡檢數據與監控系統數據相融合，可以相互印證支撐，能夠更加全面準確地反映井下瓦斯狀況。

傳感器檢測和人工巡檢的周期不同。為了實現兩者之間的融合，需要依據離散數據擬合出最合理的光滑曲線，再根據融合需要，選取其中對應的檢測點位進行融合。

3次樣條插值是得到最大認可的曲線擬合方法之一，應用廣泛，可以通過對離散數據的處理獲取其間隱含的信息。

設[a,b]區間上有n+1個點，a=x0

先用3次樣條函數S(t)求解此n+1個點的函數值，再求解S(t)的一階和二階導數S′(t)、S″(t)。以分段3次多項式使得S(t)逼近函數y=f(x)，同時：①每個子區間[xi,xi+1]上，S(t)是3次多項式；②在原始數據點y0,y1,y2,…，yn處，3次多項式有給定的函數值，即3次樣條通過已知數據點S(xi)=yi(i=1,2,…,n)；③S(x)，S′(x)和S″(x)均連續。則稱S(x)為y=f(x)的3次樣條差值函數。

應用Matlab的3次樣條插值方法，根據人員巡檢獲得的檢測數據，對瓦斯濃度數據進行差值分析。根據人員巡檢獲得的檢測數值插值到每天24 h中，力求盡可能較小插值誤差。

3次樣條插值方法本質上是一種分段插值方法的改進，能夠在各個分段點處保持曲線光滑，保留了分段插值的低次性特點，可以較好地解決人工巡檢中監測數據相對稀疏的問題。通過插值獲得的瓦斯濃度變化曲線能夠直觀反映瓦斯濃度的時間分布特征，并用于瓦斯多維監測信息融合。

但是，3次樣條插值方法也有其局限性，瓦斯濃度數據波動較小時分析效果較好；瓦斯濃度數據波動較大時，插值誤差偏大；對于瓦斯濃度水平急劇變化時的插值分析不利。

2.3 傳感器測值融合的權重確定

井下瓦斯檢測方法對測值的準確性有著較大影響，由于每個測點的檢測儀表、儀表狀態、工作環境有所不同，在數據融合之前需要確定每個傳感器的權重系數。影響測值權重確定的因素包括傳感器測量精度、衰減特征、分析方法誤差等。權重確定方法如下。

瓦斯測量精度：瓦斯儀表由于原理的不同而有不同的測量精度，可按其標稱測量精度對其測值權重進行設定。當前瓦斯傳感器的技術要求中，在測量0.0%～10% CH4范圍的瓦斯時，對測量精度的要求范圍是≤±0.05%～≤±0.03%，因此，為測量精度最高的儀表設定較大權重，而低精度的儀表設定較小權重。瓦斯傳感器的精度相對較差，所以其權重設置稍低。而光學檢測精度高，在數據融合時具有優勢，權重設置較高。為了兼顧精度和多維信息，權重的取值范圍設定為0.5～1之間，具體確定方法如下

(1)

式中：wi,j(Ac)—瓦斯傳感器的精度權重；Ac—瓦斯濃度的測量精度，±%。

需要注意的是，瓦斯濃度的測量精度一般使用正負百分號來表示，所以本式中的精度也采用這種形式。當精度的正負范圍不一致時，應取精度范圍的一半作為Ac帶入式中。由于瓦斯濃度測量范圍對光學檢測的精度影響很大，所以在確定測值權重時需根據實際測值選擇傳感器的測量精度，然后計算其測量權重。

衰減性：催化燃燒式傳感器的測量精度會隨著時間的推移而降低，每隔7 d需要校準一次。可將校準時間作為評價衰減性的起始時間。因衰減性造成的權重系數確定式如下

(2)

式中：wi,j(Se)—傳感器的衰減性權重，只對催化燃燒式的瓦斯傳感器所獲得的數據設置該權重；T—測量時，載體催化劑元件距離上次校準過去的時間，d。

差值誤差： 圖4所示為插值法的誤差變化規律。由圖中可知：插值離測量值越近，數據的可信度越高，反之則誤差越大。因此，基于人員巡檢測值的插值數據權重，應隨其距巡檢時刻的時間間隔加以設定。從文獻[17]中可知，3次樣條的插值誤差和被插值函數特性有關，而瓦斯濃度監測值沒有對應的函數，因此可簡化設定其權重如下

wi,j(Op)=

(3)

圖4 差值誤差示意圖

式中：wi,j(Op)—傳感器的插值權重，只對光學瓦檢儀獲得的數據設置該權重；Tc—插值數據對應的時刻；Ti-Tc—前一測量時刻；Ti+1-Tc—后一測量時刻。

權重歸一：當每個傳感器的測值或插值數據被賦予權重后，需對其權重歸一化，以使融合后的數據有不變的物理意義。當一個測點位有若干個瓦斯傳感器，且有人員進行定期巡檢時，需要按獲得數據的時間計算各自的融合權重，然后按下式對權重進行歸一化處理。

(4)

(5)

多維數據融合：由式(5)計算得到所有測點的權重后，按式(6)進行數據融合

(6)

式中：di,j—測點位置i的第j個瓦斯濃度數據源；Ci—測點位置i處融合后的瓦斯濃度數據。

3 結語

從多維異構數據融合的角度著重于傳感器自動監測、人工檢測等數據的融合分析，發掘不同數據序列間的互補性，獲得具備更強指導意義的瓦斯濃度數據，以實現通風瓦斯監測數據的綜合分析，從而提高瓦斯安全保障的可靠性。有效的數據融合能從海量數據中揭示隱含的信息，提高監測系統的可靠性和魯棒性，增進對礦井全局通風瓦斯顯現規律的展現能力。