基于物聯網技術的煤礦井下粉塵濃度監測方法

任桂芹，田必勇

(1.青島市即墨區綜合檢驗檢測中心，山東 青島 266200； 2.南京益彩環境科技股份有限公司，江蘇 南京 210000)

近年來，全球經濟發展迅速，工業生產效率也逐漸增加，與此同時，也會產生很多危害人體健康的因素。尤其是煤礦開采過程中的粉塵污染，輕則影響工作人員的健康，重則威脅工作人們的生命。中國目前主要消耗能源為煤炭，平均每年煤炭產量在全球煤炭產量中占比高達40%以上[1]。由此可見，煤礦開采行業是中國的主要行業之一。在煤礦開采過程中，井下會產生大量的粉塵。而粉塵是危害人體健康的主要因素之一，若人類長期生活在粉塵濃度較高的環境，極易引發肺部疾病。另外，若煤礦井下粉塵濃度超過一定的限值，極易發生爆炸事故，不但會危害工作人員的生命安全，也會造成較大的經濟損失[2]。

煤礦井下粉塵指的是生產過程產生的煤炭、細小金屬、碎石、二氧化硅等固體顆粒的總稱。常規情況下，煤礦作業環節非常復雜，每個環節均可能產生大量粉塵，致使粉塵爆炸成為威脅煤礦生產的關鍵災害之一。據研究調查數據顯示，中國煤炭行業工作人員塵肺病人數已經超過了44萬，該疾病會逐漸侵蝕患者的肺部功能，并具有較高的死亡率。上述觸目驚心的數字表明，對煤礦井下粉塵進行治理刻不容緩。要想有效地治理粉塵，需要對煤礦井下粉塵濃度進行精準地監測，已有方法存在著數據處理時間過長、監測相對誤差大等問題，無法滿足現今煤礦開采安全需求，因此提出基于物聯網技術的煤礦井下粉塵濃度監測方法研究。

1 煤礦井下粉塵濃度監測方法研究

1.1 煤礦井下物聯網組織架構搭建

已有煤礦井下粉塵濃度監測方法由于網絡架構的缺陷，無法對傳感器數據進行有效的、及時的處理，則導致粉塵濃度監測實時性較差，沒辦法對粉塵爆炸進行提前預警，增加了煤礦開采的風險[3]。為了改善已有方法存在的問題，此研究引入物聯網技術，搭建煤礦井下物聯網組織架構，為粉塵濃度監測打下堅實的基礎。煤礦井下物聯網組織架構如圖1所示。

圖1 煤礦井下物聯網組織架構Fig.1 Organization structure of underground Internet of Things in coal mine

如圖1所示，搭建的煤礦井下物聯網組織架構主要分為3個層次，分別為感知層、網絡層與應用層。其中，感知層主要由交換機、無線基站、粉塵濃度傳感器、各種終端等設備構成，承擔著煤礦井下粉塵濃度數據采集的任務；網絡層指的是以太網，承擔著粉塵濃度數據傳輸的任務，也是感知層與應用層之間的連接介質；應用層接收傳輸的粉塵濃度數據，對其進行相應的處理，獲得精準的粉塵濃度數值，對其是否超限進行判定，若粉塵濃度數值超限，發出聲光報警，并采取相應的粉塵爆炸防治措施；若粉塵濃度數值未超限，也需要對數值進行實時的記錄，以此來保障煤礦井下的安全[4]。

1.2 粉塵濃度傳感器選取

以上述搭建的煤礦井下物聯網組織架構為基礎，選取適當的粉塵濃度傳感器，為粉塵濃度的監測做充足的準備[5]。傳感器技術是物聯網應用過程中的關鍵技術，可以將模擬信號轉換成數字信號，方便計算機的處理與應用。根據粉塵濃度監測需求，此研究選取GCG1000型全塵濃度測量儀器作為煤礦井下粉塵濃度傳感器，該設備能夠在危險性氣體混合物中穩定作業，并具有靈敏度高、精準度高、穩定性強等優勢，是現今煤礦開采主要應用設備之一[6]。GCG1000型全塵濃度傳感器工作原理如圖2所示。根據實際煤礦開采情況，對全塵濃度傳感器性能參數進行科學的設置，具體見表1。另外，配合CCHZ-1000型呼塵濃度傳感器、DP-1型粉塵粒度傳感器與GFW15型風速傳感器，共同實現煤礦井下粉塵濃度的監測[7]。由于篇幅的限制，不對上述傳感器細節進行詳細的贅述。

圖2 傳感器工作原理示意Fig.2 Schematic diagram of sensor working principle

1.3 粉塵濃度監測數據融合

在實際煤礦井下粉塵濃度監測過程中，傳感器應用數量較多，并且布局較為復雜，再加之煤礦井下生產環境較為惡劣，實際獲得的傳感器數據可信度不高，容易出現誤報、漏報等現象，無法獲得精確的粉塵濃度。研究利用數據融合算法處理粉塵濃度監測數據，在錯誤、冗余數據加工基礎上，融合粉塵濃度多個監測指標，獲得精確的粉塵濃度數值，為煤礦井下安全提供更加精確的數據支撐[8]。

表1 全塵濃度傳感器性能參數Tab.1 Performance parameters of total dust concentration sensor

粉塵濃度監測數據融合程序如圖3所示。

圖3 粉塵濃度監測數據融合程序Fig.3 Data fusion procedure of dust concentration monitoring

由圖3可知，數據融合算法主要是對多個傳感器監測數據進行相應的處理，主要解決監測數據誤報、漏報、冗余等問題，提升粉塵濃度監測的準確性，也為后續粉塵治理提供可靠的依據[9]。

基于數據融合算法獲取最終粉塵濃度數值的步驟如下。

(1)設定井下粉塵濃度監測數據為X1，X2，…，Xn，定義粉塵濃度監測數據之間的相對距離，計算公式為:

dij=|Xi-Xj|

(1)

式中，dij為粉塵濃度監測數據Xi與Xj的相對距離；Xi與Xj為任意2個粉塵濃度監測數據[10]。

(2)以步驟(1)計算的數據之間相對距離為基礎，定義支持度函數，表達式為:

(2)

式中，qij為Xi對Xj的支持度，即在Xi角度看，Xj為真實數據的可能程度；max(dij)為數據之間相對距離的最大值[11]。

由式(2)可以看出，支持度與數據之間相對距離呈現明顯的負相關關系。當2個粉塵濃度監測數據間距離較大時，相互支持程度就越小[12]。

(3)根據數據融合需求，構建支持度矩陣，其表達式為:

(3)

(4)以步驟(3)構建的支持度矩陣為依據，獲得某個特定粉塵濃度監測數據的綜合支持程度，即其在所有粉塵濃度監測數據中的權重系數，記為Wi。

為了方便粉塵濃度監測數據權重系數的計算，從信息分享角度出發，設定存在一組非負實數，使得:

Wi=r1qi1+r2qi2+…+rnqin

(4)

式中，r1，r2，…，rn為一組非負實數。

令R=[r1，r2，…，rn]T，W=[W1，W2，…，Wn]T，則式(4)能夠改寫成矩陣形式，表達式為:

W=QR

(5)

如式(5)所示，支持度矩陣Q實質上是一個非負矩陣[13]。因此，該矩陣存在非負最大特征值λmax，其對應的特征向量為ri，則粉塵濃度監測數據權重系數計算公式為:

(6)

(5)加載步驟(4)計算得到的權重系數，將其與對應粉塵濃度監測數據進行相乘，再對全部乘積求和，即可獲得最終粉塵濃度監測數值，計算公式為:

X=W1X1+W2X2+…+WnXn

(7)

通過上述過程完成了粉塵濃度監測數據的處理與融合，獲得了最精準的粉塵濃度數值，為后續粉塵濃度超限預警提供準確的數據支撐[14]。

1.4 粉塵濃度超限報警

粉塵濃度超限報警也是粉塵濃度監測的關鍵環節，是保障煤礦井下生產安全的關鍵手段。此研究選取聲光報警設備作為粉塵濃度超限報警器件，其不但具有源蜂鳴器，還具備顯示燈。當粉塵濃度超過一定限值時，有源蜂鳴器發出報警指示音，顯示燈由綠燈轉換為紅燈，使工作人員第一時間了解煤礦井下粉塵濃度超限情況，安排工作人員有序撤離，采取相應的補救措施，例如噴水、降溫等，防止粉塵爆炸災害的發生[15]。依據上述描述，制定粉塵濃度超限報警程序，如圖4所示。

圖4 粉塵濃度超限報警程序Fig.4 Alarm procedure for dust concentration exceeding limit

由圖4可知，粉塵爆炸不但需要粉塵濃度達到一定的限值，還需要環境溫度的引發。若是粉塵濃度超限，但是環境溫度較低，此時，發生粉塵爆炸的概率也較低。因此，在粉塵濃度監測過程中，也需要實時監測煤礦井下生產環境溫度，若是溫度超限，也需要進行預警，提醒工作人員實施降溫措施，以此來保障煤礦井下生產的安全性[16]。

煤礦井下生產環境溫度超限判斷規則如下：

(8)

式中，T為煤礦井下生產環境溫度數值；T*為環境溫度限值。

綜上所述，此研究應用物聯網技術實現了煤礦井下粉塵濃度的監測與預警，為煤礦井下生產安全提供更加有效的手段支撐，也為粉塵濃度監測研究提供一定的參考與借鑒。

2 應用分析

2.1 準備階段

為了驗證提出方法的應用性能，此研究選取某年產40萬t原煤的煤礦作為實驗對象，并對煤礦井下生產每個環節產生的粉塵濃度進行采樣，為了方便實驗的進行，設置在實驗過程中，煤礦處于滿負荷生產狀態。煤礦井下生產情況如圖5所示。

圖5 煤礦井下生產情況Fig.5 Underground production of coal mine

由圖5可知，煤礦井下生產環境較為惡劣，并且粉塵濃度較高，極大地威脅著工作人員的健康與煤礦生產的安全。為了精確監測煤礦井下粉塵濃度，在井下掘進面、采煤面、運輸巷道與錨噴點等場所均設置多臺粉塵濃度傳感器，盡可能獲取更全面的粉塵濃度數據。粉塵濃度傳感器布置情況如圖6所示。

圖6 粉塵濃度傳感器布置Fig.6 Layout of dust concentration sensor

由圖6可知，其只是采煤面的粉塵濃度傳感器布置情況，由于篇幅的限制，不對全部傳感器位置進行顯示。

在實驗進行之前，還需要將全部粉塵濃度傳感器進行統一的初始化，并將其測量時間與采樣時間間隔設置為相同，為后續實驗的進行與實驗數據的獲取提供便利。

以上述實驗對象選取結果與傳感器布置結果為基礎，進行煤礦井下粉塵濃度監測實驗，參與方法為提出方法與尿素造粒塔粉塵濃度監測方法的探索(對比方法)[17]，選取粉塵濃度監測數據處理時間及其粉塵濃度監測相對誤差作為應用性能評價指標，具體實驗結果分析過程如下。

2.2 粉塵濃度監測數據處理時間分析

粉塵濃度監測數據處理時間是決定粉塵濃度監測實時性的關鍵指標。一般情況下，粉塵濃度監測數據處理時間越短，表明方法的實時性越強。通過實驗獲得粉塵濃度監測數據處理時間數據見表2。

表2 粉塵濃度監測數據處理時間Tab.2 Processing schedule of dust concentration monitoring data

由表2可知，相較于對比方法，應用提出方法獲得的粉塵濃度監測數據處理時間更短，表明提出方法粉塵濃度監測數據處理實時性更強。

2.3 粉塵濃度監測相對誤差分析

粉塵濃度監測相對誤差是決定粉塵濃度監測準確度的關鍵指標。一般情況下，粉塵濃度監測相對誤差越小，表明方法的監測準確度越高。

粉塵濃度監測相對誤差計算公式為:

(9)

通過實驗獲得粉塵濃度監測相對誤差數據，如圖7所示。

圖7 粉塵濃度監測相對誤差數據Fig.7 Relative error data of dust concentration monitoring

由圖7可知，相較于對比方法，應用提出方法獲得的粉塵濃度監測相對誤差較小，表明提出方法粉塵濃度監測準確度更高。上述實驗結果顯示：與對比方法相比較，提出方法粉塵濃度監測數據處理時間更短，粉塵濃度監測相對誤差更小，充分證實了提出方法具備更好的粉塵濃度監測效果。

3 結語

此研究應用物聯網技術搭建了煤礦井下網絡架構，并在此基礎上，選取了適當的粉塵濃度傳感器，提出了新的煤礦井下粉塵濃度監測方法，縮短了粉塵濃度監測數據處理時間，減小了粉塵濃度監測相對誤差，可以為粉塵濃度監測提供更加有效的方法手段，也為煤礦井下生產安全提供更加有效的保障。實驗測試結果表明，與對比方法相比較，應用提出方法獲得的粉塵濃度監測數據處理時間更短，粉塵濃度監測相對誤差更小，充分證實了提出方法粉塵濃度監測效果更佳。