基于ZigBee和RBF神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)質(zhì)量預(yù)測

寶銀曇

(陜西能源職業(yè)技術(shù)學(xué)院， 資源與測繪工程學(xué)院， 陜西， 咸陽 712000)

0 引言

礦井通風(fēng)系統(tǒng)一直是礦井安全生產(chǎn)的基礎(chǔ)，直接影響到井下工作人員的正常呼吸，同時也關(guān)系到瓦斯爆炸等災(zāi)害事故[1-3]。因此，礦井通風(fēng)系統(tǒng)的升級和改造一直是礦井領(lǐng)域研究的熱點方向。

空氣質(zhì)量是衡量礦井通風(fēng)系統(tǒng)運行狀況的主要指標。無線傳感網(wǎng)技術(shù)的出現(xiàn)，使得礦井狀況的實時監(jiān)測成為可能[4]。例如，李泉等[5]設(shè)計了一種基于ZigBee的煤礦井下盲區(qū)瓦斯信息采集系統(tǒng)，較好地解決監(jiān)控盲區(qū)的問題。李瑞華等[6]設(shè)計了一種基于ZigBee的礦井安全檢測系統(tǒng)，能夠?qū)怏w濃度指標通過無線采集，解決了人工排查的延遲問題。但是，僅僅依靠數(shù)據(jù)采集并顯示的傳統(tǒng)監(jiān)測系統(tǒng)已經(jīng)無法滿足煤礦安全生產(chǎn)需要，準確的氣體監(jiān)測預(yù)警體系正成為近期相關(guān)研究的趨勢。例如，周西華等[7]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的礦井瓦斯氣體涌出預(yù)測方法，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，有效地實現(xiàn)瓦斯涌出量的準確預(yù)測。但是BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力較差，導(dǎo)致該濃度數(shù)值預(yù)測方法僅對瓦斯氣體具有較高的準確率，無法廣泛推廣應(yīng)用。然而，礦井通風(fēng)質(zhì)量預(yù)測還需要同時對多種氣體進行綜合分析。

作為一種前饋型的神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)具有比BP神經(jīng)網(wǎng)絡(luò)更好的泛化能力和更高的局部逼近精度。因此，在上述研究的基礎(chǔ)上，本文提出了一種基于ZigBee和RBF神經(jīng)網(wǎng)路的礦井通風(fēng)質(zhì)量預(yù)測方法。主要創(chuàng)新點：設(shè)計了由主、從結(jié)構(gòu)組成的ZigBee無線網(wǎng)絡(luò)，有利于更加全面地采集覆蓋井巷前、后端的5種氣體參數(shù)；采用RBF神經(jīng)網(wǎng)絡(luò)模型替換BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，提高樣本泛化能力；充分利用了AI硬件平臺資源，提高預(yù)測的實時性。實驗結(jié)果驗證所提方法的有效性和可行性。

1 ZigBee組網(wǎng)和環(huán)境數(shù)據(jù)采集

1.1 總體結(jié)構(gòu)設(shè)計

由于礦井環(huán)境中井巷結(jié)構(gòu)通常狹長，這種特殊性導(dǎo)致單一的測點設(shè)計無法有效覆蓋整個作業(yè)面。因此，為了更加全面的監(jiān)測礦井通風(fēng)質(zhì)量，設(shè)計了一種主、從型結(jié)構(gòu)的ZigBee無線網(wǎng)絡(luò)，其總體結(jié)構(gòu)如圖1所示。

圖1 主、從型ZigBee檢測裝置總體結(jié)構(gòu)

從圖1可以看出，主、從裝置分別完成對測點1和測點2處的氣體濃度采集，實現(xiàn)井巷前、后端的空氣質(zhì)量監(jiān)測。

1.2 無線收發(fā)模塊

無線傳感器節(jié)點是基于IEEE802.15.4和IEEE1451.2標準[8-10]設(shè)計的，并且使用了電化學(xué)氣體傳感器。選取PIC 18F4550型微控器用以支持以上所有功能以及節(jié)點的研發(fā)。在傳輸(TX)模式下，傳感器節(jié)點功率損耗為83.624 1 mW，接口模塊引腳如圖2所示。無線傳感器節(jié)點如圖3所示。

圖2 接口模塊引腳

圖3 無線傳感器節(jié)點

1.3 傳感器模塊

本文選擇電化學(xué)傳感器進行數(shù)據(jù)采集。電化學(xué)傳感器基本上包括3種電極，即工作電極、反電極和參比電極，氣體濃度(C)與傳感器的輸出電壓(V)之間的關(guān)聯(lián)性表示如式(1)：

C=K·V

(1)

式(1)中，K是比例因數(shù)。

2 預(yù)測模型設(shè)計

2.1 數(shù)據(jù)預(yù)處理

氣體環(huán)境采集到的數(shù)據(jù)是尺度不一，因此在訓(xùn)練之前需要對其進行歸一化預(yù)處理。采用最小-最大規(guī)范化進行數(shù)據(jù)歸一化預(yù)處理后，對RBF神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，歸一化預(yù)處理采用式(2)：

(2)

式(2)中，x′表示預(yù)處理后的樣本數(shù)據(jù)，x表示原始樣本數(shù)據(jù)，xmax和xmin分別表示樣本的最大值和最小值。

2.2 特征提取

利用SPSS 19.0 軟件的主成分分析(Principal Components Analysis，PCA)[11]提取功能，進行傳感器采集數(shù)據(jù)的降維工作。作為一種最常用的線性降維方法，PCA能夠在盡量保證“信息量不丟失”的情況下，通過投影對原始特征進行降維。

2.3 RBF神經(jīng)網(wǎng)絡(luò)模型設(shè)計

設(shè)輸入樣本為Xk=(xk1,xk2,…,xkn)，k=1,2,…,m，其中m和n分別代表樣本總量和1個樣本的特征總數(shù)，一般而言，輸入層神經(jīng)元個數(shù)和特征總數(shù)相等，若進行了樣本特征篩選好凈化后，輸入層神經(jīng)元個數(shù)一般小于特征總數(shù)[12-14]。第k個樣本經(jīng)過模型后得到的輸出為Yk=(yk1,yk2,…,ykn)，n為輸出層神經(jīng)元個數(shù)。

首先，輸入樣本Xk經(jīng)過權(quán)重到達隱含層第一層的值為式(3)：

(3)

S1j值經(jīng)過特征轉(zhuǎn)換函數(shù)后可得式(4)：

(4)

RBF神經(jīng)網(wǎng)絡(luò)選取的特征轉(zhuǎn)換函數(shù)為Gaussian函數(shù)。其中，σ為大于0的實數(shù)，cj為第j個隱含層中心值，將第一隱含層作為輸入[15]，經(jīng)過權(quán)重到達第二隱含層的值為式(5):

(5)

然后經(jīng)過轉(zhuǎn)換函數(shù)求解得到式(6)：

(6)

經(jīng)過所有隱含層的輸出經(jīng)過權(quán)重Vjt得到的結(jié)果為式(7)：

(7)

式(7)經(jīng)過Gaussian函數(shù)求解得到整個模型的輸出結(jié)果為式(8)：

(8)

第k個樣本的誤差結(jié)果[16]為式(9)：

(9)

所有樣本的誤差為式(10)：

(10)

RBF神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)質(zhì)量預(yù)測流程如圖4所示。

圖4 礦井通風(fēng)質(zhì)量預(yù)測流程

3 實驗結(jié)果與分析

3.1 實驗環(huán)境

為了對本文提出的視頻分類方法進行分析和驗證，進行具體實驗。實驗硬件環(huán)境分為模型訓(xùn)練平臺和預(yù)測平臺。模型訓(xùn)練平臺為PC電腦： 處理器為Intel Core i7 2.2 GHz，圖形圖像處理設(shè)備為GTX970M@2G顯存，內(nèi)存為8 GB，軟件環(huán)境為Windows 7操作系統(tǒng)，MATLAB 7.0仿真軟件，監(jiān)測系統(tǒng)的運行界面如圖5所示。

EdgeTPU嵌入式AI開發(fā)板安裝Python 2.7和TensorFlow1.3.0。將模型訓(xùn)練平臺中訓(xùn)練后的模型遷移到EdgeTPU嵌入式AI開發(fā)板上進行通風(fēng)質(zhì)量預(yù)測預(yù)測。

圖5 監(jiān)測系統(tǒng)的運行界面

3.2 實驗數(shù)據(jù)集

實驗采用的礦井通風(fēng)數(shù)據(jù)來自某煤炭公2#作業(yè)面中1000 m長井巷，環(huán)境數(shù)據(jù)采集時間是2019年5月12日到2019年10月12日。監(jiān)測頻率為5分鐘一次，共采集到65 326組數(shù)據(jù)。其中前2個月的數(shù)據(jù)作為訓(xùn)練樣本用于RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，后3個月的數(shù)據(jù)作為測試樣本用于預(yù)測。

3.3 預(yù)測性能評估指標

本文采用了平均絕對誤差(Mean Absolute Error，MAE)和準確率(Accuracy)；2個指標對RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能進行量化評估。

MAE的計算式如式(11)：

(11)

準確率的計算式如式(12)：

(12)

式(11)與式(12)中，N表示模型預(yù)測的總數(shù)，fi表示預(yù)測數(shù)值，yi表示實際數(shù)值。MAE數(shù)值越小則預(yù)測效果越好。

3.4 預(yù)測結(jié)果分析

以NO2的預(yù)測曲線結(jié)果為例，對RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準確率進行了分析。RBF神經(jīng)網(wǎng)絡(luò)模型計算出的2019年9月1日到2019年9月30日期間預(yù)測值與實際值對比曲線如圖6所示。

圖6 NO2預(yù)測值與真實值對比曲線

從圖6可以較為直觀的看出，RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與真實值之間差異很小，預(yù)測波動較小。對于2019年7月12日到2019年10月12日期間的測試樣本，不同預(yù)測模型計算得出的CO、CO2、SO2、NO2及O2平均氣體濃度對比如表1所示。

表1 預(yù)測模型的性能對比

從表1可以看出，RBF神經(jīng)網(wǎng)絡(luò)模型的平均預(yù)測準確率提高了14%，達到了87%，預(yù)測精度能夠滿足礦井通風(fēng)質(zhì)量預(yù)測的需求。

4 總結(jié)

本文提出了一種基于ZigBee和RBF神經(jīng)網(wǎng)路的礦井通風(fēng)質(zhì)量預(yù)測方法。設(shè)計了由主、從結(jié)構(gòu)組成的ZigBee無線網(wǎng)絡(luò)機構(gòu)。采用RBF神經(jīng)網(wǎng)絡(luò)模型替換BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，并將訓(xùn)練后的模型遷移到EdgeTPU開發(fā)板上進行通風(fēng)質(zhì)量預(yù)測。實驗結(jié)果表明，BF神經(jīng)網(wǎng)絡(luò)模型的平均預(yù)測準確率提高了14%。但是，采集數(shù)據(jù)的范圍只局限于一段井巷，且采集周期較短，因此測試和訓(xùn)練樣本有限，這在一定程度上導(dǎo)致氣體濃度預(yù)測準確率不是很高，后續(xù)將繼續(xù)擴大樣本數(shù)量和氣體種類。