基于物聯網的地下礦井空氣質量智能預測

李湘文，周輔杰，崔 崴，鄧琴秀，張輝雨

(成都理工大學 工程技術學院，四川 樂山 614000)

0 引 言

地下煤礦的惡劣的和狹窄的工作條件，導致采礦業被列為最危險的行業。中國是產煤大國，存在煤層儲藏條件差，地下礦井安全監測設施不足和安全技術落后等問題[1]，因此，對地下煤礦環境進行持續、準確的監測顯得非常重要。

近年來，無線傳感器網絡(WSNs)，射頻識別(RFID)和云計算等領域的發展，引領了物聯網(IoT)在智能電網、電子健康服務、家庭自動化、環境監測等領域的發展。基于IoT的實時監測能夠實現準確、經濟和可靠的環境監測。Jo和Khan[2]在地下煤礦中引入了一個基于STM32的開源、經濟高效的物聯網系統，用于早期預警和事件報告。Dixon等[3]將神經網絡應用于瓦斯監測數據中，預測礦井環境中甲烷氣體的濃度。這些文獻側重于煤礦環境監測的無線傳感器的實施。

礦井空氣質量評價與預測對提高礦井安全起著至關重要的作用。這不僅可以減少礦工與惡劣空氣的接觸，還可以有效控制礦井通風。然而，空氣質量變量的復雜和非線性行為超出了簡單的數學預測公式的能力。在這方面，各種統計工具，如ARIMA、多重線性回歸(MLR)、人工神經網絡(ANN)、模糊時間序列和主成分分析(PCA)，在準確評價空氣質量和預測污染物濃度方面都取得了令人滿意的結果。有毒氣體濃度是影響空氣質量的主要因素，因此，確定特定環境中存在的污染物的類型和數量是非常重要的。在這方面，統計工具主成分分析顯示了識別影響污染物的高能力，而人工神經網絡使預測更加準確。因此，在地下煤礦的惡劣環境中，主成分分析和人工神經網絡的混合方法可以有效地識別污染物，并給出準確的預測。

近幾十年來，各種科學研究使用多變量統計方法，如聚類分析(CA)、主成分分析、因子分析(FA)、判別分析等來解決環境和空氣質量問題。然而，基于特征值求解的主成分分析法是最常用和最簡單的方法。具體來說，在空氣質量問題上，它已被單獨使用或與其他方法結合使用。在目前的研究中，采用主成分分析對礦井環境中存在的主要污染源進行識別。

近年來，神經網絡在工程、工業過程控制、醫藥、計算機、風險管理和營銷等領域顯示出巨大的潛力，循環神經網絡在復雜環境下顯示了高精度預測能力[4]。文中旨在開發一個可靠、具成本效益及高效的物聯網系統，利用機器學習進行空氣質量預測。

1 系統設計

1.1 系統硬件架構

該系統專為地下礦井空氣質量監測和評估而設計。系統基本架構如圖1所示。主要框架包括數據采集、數據傳輸、空氣質量評價與預測的數據處理。傳感節點單元連接到基于STM32處理器的傳感器模塊，傳感器節點捕獲空氣質量數據，并通過LoRa無線技術將數據通過基站傳輸到服務器分析處理數據，Tensorflow作為神經網絡平臺進行礦井空氣質量預測。

圖1 系統硬件架構

傳感器節點：傳感器的基本功能是測量礦井環境中的空氣參數。傳感器節點由傳感器模塊、微控制器和無線發射機組成。選擇合適的傳感器來監測礦井環境是一個相對復雜的問題，它需要綜合考慮測量范圍、精度和靈敏度等因素。DHT11是一款有已校準數字信號輸出的溫濕度傳感器。其精度濕度+-5%RH，溫度+-2℃，量程濕度20%～90%RH，溫度0℃～50℃。通常情況下，煤礦的工作溫度在15℃到45℃之間變化，濕度在DTH11的特定范圍內。這些電位使得DTH11非常適合在地下煤礦中使用。地下煤礦中常見的氣體有CH4，CO2，CO，NO2，H2S和SO2。文中利用MQ-4、MQ-9、MQ-811、MQ-136和MiCS-2714傳感器模塊來監測各種氣體的濃度。其中，大部分傳感器模塊為金屬氧化物(SnO2)，對揮發性氣體分子反應良好；因此，它們對于氣體監測更加可靠和有效。此外，傳感器模塊，無論是用于氣體監測還是用于溫度測量，都是經濟有效、低功耗、穩定的。文中以內嵌LoRaWAN的STM32單片機為基礎，用MQ-4、MQ-9、MQ-811、MQ-136、MiCS-2714和DHT11傳感器模塊來監測煤礦中常見的氣體CH4，CO2，CO，NO2，H2S和SO2以及溫濕度。

通信協議：LoRa無線通信協議已被證明在礦井中具有高透射率、穩定性、超低功耗和高通信性能。LoRaWAN是為LoRa遠距離通信網絡設計的一套通訊協議和系統架構。一個LoRaWAN網絡架構中包含了終端、基站、NS(網絡服務器)、應用服務器這四個部分。由若干終端end nodes采集底層數據，通過(RF射頻技術/LoRaWAN技術)把數據發送到網關(Gateway)基站，再通過(4G/5G/以太網通信技術)發送到NS(網絡服務器)，網絡服務器(NS)[5]再把數據發給應用程序端(APP)。基站則對NS和終端之間的LoRaWAN協議數據做轉發處理，將LoRaWAN數據分別承載在了LoRa射頻傳輸和Tcp/IP上。網絡服務器再把數據發給應用程序端APP。

1.2 機器學習Tensorflow平臺

文中將Tensorflow應用于礦井空氣質量循環神經網絡模型的開發、訓練和測試上[6]。Tensorflow是用于數值計算的開源軟件庫，可以在創建深度學習網絡時對數據進行數值和圖形計算。用Tensorflow建立循環神經網絡(RNN)模型[7]，煤礦環境指數(MEI)的多層感知循環神經網絡的網絡架構[8]如圖2所示。

圖2 煤礦環境指數(MEI)的多層感知循環神經網絡的網絡架構

2 方法和模型

2.1 礦井環境指數(MEI)

由于開采過程中煤層中排放的CH4，CO2，CO，NO2，H2S和SO2等氣體的存在[9]，地下煤礦的環境相對惡劣。露天或室內空氣質量指標不足以完全代表井下空氣質量。應該有一個能真實反映礦井環境并能輕易評估礦井空氣質量的可用指標。為了快速評估和簡化礦井空氣質量的解釋，文中引入了礦井環境指數(mine environmental index，MEI)。

MEIP=(MEIHi-MEILo)×CP

(1)

其中，MEIP為污染物p的指標值，MEI值分為五類：非常好，良好，中等，差和非常差；CP為給定污染物p的輸入濃度。

各種氣體對礦山空氣質量指數(MEI)如表1所示。

表1 各種氣體對礦山空氣質量指數(MEI)(氣體濃度(ppm))

2.2 數據預處理

在實施任何統計方法之前，有必要對收集到的數據進行預處理，以便提取傳感器響應的實質特征，從而產生用于進一步處理的特征。文中將轉換作為預處理的一個初始步驟，使用平均值為0，標準差為1的Z變換進行，Z變換計算公式為：

Zij=(Xij-μ)×σ

(2)

其中，Zij為變量i的第j個值，Xij為變量i的第j個觀測值，μ為平均值，σ為標準差。

Z尺度變換確保任何統計過程中變量的權重相等。這種轉換均勻了分布方差，降低了由于數據集大小不同而產生任何錯誤的概率。

2.3 主成分分析建模

主成分分析(principal component analysis，PCA)[10]，是最有價值的統計方法之一，它將N維數據壓縮并轉換成一個新的N維數據集。PCA通過線性變換將原始數據變換為一組各維度線性無關的表示，可用于提取數據的主要特征分量，用于高維數據的降維[11]。這項研究使用主成分分析方法來確定礦井環境中最重要的污染物。

2.4 循環神經網絡(RNN)建模

人工神經網絡是人工智能中應用最廣泛的信息處理系統，神經網絡由幾個相互連接的神經元組成，能夠根據內部或外部數據改變其結構。循環神經網絡可以訓練非線性和復雜數據[12]，可以在時間序列上有延拓，便于分析連續的數據，主成分分析的輸出被用作循環神經網絡模型的輸入[13]，以準確地預測空氣質量。將主成分分析結果與人工神經網絡網絡相結合，識別出對環境影響顯著的污染源。在循環神經網絡的網絡中，第一層是輸入層，負責信息的收集、誤差的消除，并將數據傳輸到循環神經網絡結構[14-15]。第二層是隱藏層，有任意數量的神經元和若干層。神經元在前饋和后向傳播的過程中被激活，從而提供各層之間的連接。隱藏層在輸入層和輸出層之間接收和傳輸數據[16]。圖2顯示了使用主成分分析輸入來確定MEI的循環神經網絡體系結構。

循環神經網絡模型的準確性和訓練能力高度依賴于最佳神經元數量的選擇。在本例中，RNN是用Tensorflow設計的，其權重由隨機化函數決定。模型使用80%的整個數據集，剩余20%的數據集用于測試。

3 實驗結果和討論

3.1 空氣污染源識別

課題組實驗場所在山西石泉煤業某礦井正在運營地下煤礦的主要巷道內，拱形直巷道的尺寸為1.8米×2.2米，傳感器模塊單元安裝到礦井隧道洞口的屋頂中心，所有傳感器模塊都通過LoRa協議連接到基站，巷道共安裝32個傳感器，數據采集率設定為5分鐘。每個傳感器每天有288組數據，15天收集了138 240組樣本，在這些數據集中，110 592組數據被用來訓練模型，并且對27 548組數據進行測試。在完成訓練后，對超過一個月的MEI數據集進行了預測。

主成分分析的輸入是8個不同變量的傳感器讀數。主成分分析提取給出了主要成分。

文中將絕對值大于0.85的變量因子(表示相對較強的荷載)設定為閾值限制值。主成分分析提取給出的主要成分分別為：濕度：-0.746；CH4：0.912；CO2：0.835；CO：0.059；NO2：0.768；SO2：0.872；H2S：0.926。這表明了滿足0.85閾值限制條件的成分。這些成分CH4、CO2、SO2和CO以及溫度是該礦空氣中的主要污染因子。在這些污染物中，對溫度，CH4、CO2、CO和SO2的負荷因子貢獻率為65.16%。這些影響因素主要與地下煤礦礦井環境中常見的氣體有關。在這些氣體中，CH4和SO2通常以氣穴的形式被煤層所限制。在煤炭開采過程中，這些礦坑爆裂，并向礦井空氣中釋放氣體。礦井環境中CO2的主要原因可能是工人的呼吸活動，以及任何柴油機械的排氣。

3.2 預測結果

為了建立循環神經網絡模型，以原始成分和主成分分析提取成分為輸入，測試了不同數量神經元的網絡結構。在這些循環神經網絡結構中，神經元的最佳數目是根據MAE(平均絕對誤差)、RMSE(均方根誤差)、RSE(殘差的標準誤差)和R2(確定系數)來確定的。神經元的數量逐漸增加，用主成分分析的情況下，原始和主成分分析提取成分作為輸入的神經元數量不同的驗證模型如表2所示。對于原始數據集，給出最小誤差的最佳神經元的數目為20，而對于主成分分析提取的數據集，神經元的最佳數目為8。

表2 原始數據集為輸入，主成分分析提取成

將該模型與多元線性回歸(MLR)、主成分分析、循環神經網絡定義的模型進行了性能比較。對于所有這些模型，MAE、RMSE、RAE和RSE都進行了比較，因為接近零的錯誤值表示一個更好的模型。另一方面，通過計算確定系數(R2)來檢驗模型的準確性。在這些試驗中，模型的高精度值接近1。因此，模型的精度可能因預測所需的時間間隔而異。對于地下礦井，存在一些局限性；因此有必要預測瓦斯濃度。最佳預測模型為主成分分析-循環神經網絡(RNN)，MAE、RMSE和RSE分別為0.085 2、0.120 4和0.510 8。此外，測定系數R2為0.489 0；MEI預測模型的性能指標如表3所示。

表3 MEI預測模型的性能指標

主成分分析將線性回歸模型的準確度提高了約2.23%，在循環神經網絡(RNN)的情況下提高了17.8%。結果表明，主成分分析與RNN相結合，提高了礦井大氣污染物的預測精度。因此，主成分分析的應用有助于與空氣質量有關的預測研究。

4 結束語

近年來，人工智能計算能力徹底改變了復雜和非線性數據問題的解決方案。地下煤礦中存在的空氣污染物總是呈現非線性，最終導致預測不確定，預警可靠性降低。因此，提出的基于物聯網的礦井空氣質量監測、評估和預報系統，利用Tensorflow預測空氣質量，并有可能通過預警廣泛提高地下礦井安全性。該系統安裝在一個運行中的煤礦井下，并提出空氣質量評估模型來確定MEI，提高地下礦井安全性。IoT監測煤礦環境參數，主成分分析結果表明，四種礦井氣體(CH4、SO2、CO和H2S)對礦井空氣質量影響最大。與單線性回歸和RNN模型相比，所提出的RNN+主成分分析模型預測MEI更準確。該研究表明，經過適當訓練的RNN模型可以有效地預測MEI。

該系統通過預處理傳感器，有效緩解了礦井環境變量的非線性行為，如溫度、濕度、CO2、CH4、CO、SO2和H2S數據。數據作為人工神經網絡模型的輸入數據集上傳到Tensorflow計算。主成分分析結果表明，四種礦井氣體(CH4、SO2、CO和H2S)對礦井空氣質量影響最大。神經網絡的多層感知器能準確地預測MEI。由于人工神經網絡模型的準確性和有效性與輸入參數和隱藏層神經元數目高度相關，因此可以通過觀測最小誤差來確定隱藏層神經元的最佳數目。

盡管實驗結果表明預測準確，但仍存在一些局限性。這些限制包括地下煤礦的惡劣環境、數據隱私以及多傳感器輸出的集成。此外，文中只考慮了八個空氣質量參數，忽略了可能對礦山環境造成更嚴重影響的參數。文中依賴于隨時間變化的空氣污染物濃度，而其他與預測效果相關的因素則被忽略。未來還需要在以下方向繼續探究：首先，確定污染物的復雜非線性行為；濃度需要一個更精確的混合模型，以增強早期預警。其次，高污染物濃度是影響空氣質量的主要因素，因此，需要建立一個預測大氣污染物峰值濃度的模型。