基于GA-PSO-BP混合優化算法的礦井CO氣體監測系統設計

索艷春

(1.中國煤炭科工集團太原研究院有限公司,山西 太原 030006； 2.山西天地煤機裝備有限公司,山西 太原 030006；3.煤礦采掘機械裝備國家工程實驗室,山西 太原 030032)

在礦山數字化、綠色化轉型發展背景下，我國智能礦山建設工作穩步推進，國內數十家高校及科研院所長期針對礦區工業互聯生態下的各種半密閉施工空間環境監測系統進行了深入研究。其中，中國計量大學樓俊教授團隊[1]基于傅里葉紅外光譜技術設計的抽取式氣體室多組分氣體檢測系統，實現了煤礦掘進工作面中氣體的種類甄別及濃度監測，其不足之處在于系統未設計監測節點，只能在特定位置使用；哈爾濱工業大學谷延鋒教授團隊[2]設計的有害氣體探測機器人搭載了3種氣體傳感器，可任意設定檢測氣體報警閾值，實現了井下有毒有害氣體的智能監測管理[3-4]。

然而，包含上述裝置在內的現有井下氣體監測系統多用于對井下工作面敏感點的氣體環境進行監控預警，僅有1個或多個預警點，未形成預警網絡；且與井上數據中心的互聯互通性較差，大多預警工作主要還是依靠井下人員操作。部分礦區實現了氣體濃度數據回傳，但是由于掘進工作面溫濕度環境復雜多變，尤其是高溫高濕環境對氣體測量精度[5]的影響較大，氣體濃度測量誤差較大導致井上數據監測中心對井下環境情況的誤判時有發生?；谝陨犀F狀，筆者提出了一種基于GA-PSO-BP混合優化算法的掘進工作面CO氣體監測系統[6]設計方案。

1 系統設計原理

傳統BP神經網絡算法在處理氣體濃度監測領域存在著精確度不高、收斂性較差的問題,引入粒子群優化后的BP神經網絡(PSO-BP)算法在面向掘進工作面復雜成分氣體監測時收斂速度快、操作性好，但是在井下實際應用過程中往往出現早熟收斂的現象。為此，筆者建立一個基于遺傳算法和粒子群算法混合優化后的神經網絡算法(GA-PSO-BP)[7]的井下氣體監測系統，旨在為井上數據中心工作人員預警預判井下環境內有害氣體的分布情況提供精準的原始數據支撐[8]。系統單個節點主要由基于芯片AGLN250-VQ100的主控模塊、基于K9WBG08U1M芯片的存儲模塊、調理采集模塊、無線射頻模塊、電源管理模塊等幾部分構成。其中存儲模塊主要用于對井下氣體種類、氣體濃度等數據混合編幀后統一保存，通過射頻模塊返回上位機并經文件拆分、通道加載、波形繪制等一系列操作[9]后，將井下氣體分布情況展示給井上數據監測中心工作人員；電源管理模塊支持系統喚醒/睡眠服務，為井下各節點在低功耗狀態下執行監測動作的平穩運行提供保障;調理采集模塊選用紅外氣體傳感器作為節點感知端，其主要是通過測量紅外線強度的變化來感知測量井下氣體濃度。系統總體設計框圖及系統結構框圖如圖1所示，紅外氣體傳感器工作結構圖如圖2所示。

(a)系統總體設計框圖

2 系統硬件設計

2.1 節點主控模塊電路設計

對系統各節點進行主控模塊電路設計時，考慮到井下24 h不間斷實時氣體監測的實際應用要求[10]，本系統選用業界超低功耗可編程邏輯器件AGLN250-VQ100，其與賽靈思同一代FPGA芯片相比動態功耗降低了41%，靜態功耗降低90%。部分節點主控模塊電路如圖3所示。

圖3 節點主控模塊電路設計

2.2 電源管理模塊電路設計

為了實現監測節點高效、平穩、安全運行，系統設計有電源管理模塊。電源管理模塊電路設計如圖4所示。

圖4 電源管理模塊電路設計

其中，單個節點由外部鋰電池通過“J1”接口進行3.7 V單電源供電，系統選用低壓差線性穩壓器REG104A-5芯片實現5 V的電壓轉換，REG104系列芯片的低輸出噪聲特性使系統氣體監測節點[11]在井下溫濕度復雜多變作業場景下保持線性電壓高精度輸出；采用“FPGA-EN”信號實現主控模塊對節點工作模式切換的控制。

2.3 存儲模塊電路設計

系統存儲模塊可針對井下各監測節點經混合編幀后的氣體濃度數據進行存儲陣列導入、記錄等操作。本系統選用存儲介質為K9WBG08U1M型FLASH芯片，存儲模塊電路設計如圖5所示。

圖5 存儲模塊電路設計

3 系統軟件設計

在進行系統上位機軟件設計時，出于對軟件可移植性考慮，采用圖形編輯器自帶的NI串口VISA驅動配置，通過參數設置完成對系統9處測試樣本節點返回氣體濃度數據[14]的分析處理。存儲模塊軟件設計中部分上位機內部數據接口配置程序框圖如圖6所示。圖6中“標志位一”和“標志位二”是命令識別的主要方式，每條命令有不同的數據包組成結構。該軟件把各節點氣體濃度數據以txt文件格式按時間順序存儲傳輸至井上監測中心指定文件路徑中。

圖6 存儲模塊軟件設計

在紅外氣體傳感器溫濕度補償過程中[15-16]，系統各監測節點位置主控芯片AGLN250-VQ100通過使用支持自頂向下[17]設計方式的VHDL(VHSIC Hardware Description Language) 邏輯描述語言，對BP神經網絡、基于 PSO優化的BP神經網絡和基于 GA-PSO 混合優化的BP神經網絡算法進行不斷修正，從而保證井下CO氣體濃度監測過程中網絡權值的最優化求解，配合地面上位機平臺實現通信、數據接收、數據存儲和AGLN250-VQ100中節點調取，并完成數據的處理。

系統混合優化神經網絡算法具體流程圖如圖7所示。其中，在對BP神經網絡的所有權值和閾值進行編碼的基礎上進行粒子群和遺傳算法網絡參數的初始化設置，主控芯片AGLN250-VQ100中每條編碼信息代表一處對應位置的井下CO氣體監測節點。在更新粒子對初始化后的種群時按 PSO-GA 算法流程進行迭代操作，迭代過程[18]的結束條件為最優適應度值達到收斂精度或迭代次數達到設定的最大次數。若算法不滿足結束條件，則跳回初始步驟進行重復運算；若算法滿足結束條件，則得到全局最優解，該最優解即為 BP 神經網絡的一個最優結構參數。

圖7 GA-PSO-BP神經網絡算法流程

4 系統測試

本次系統測試中選擇CO氣體作為被測對象，主要進行了以下兩方面測試：

1)在相同溫濕度作業環境下，使用不同神經網絡算法對9處測試樣本節點的CO氣體濃度進行監測、存儲、分析，通過觀察BP神經網絡、PSO-BP神經網絡、GA-PSO-BP神經網絡3種不同算法條件下的氣體濃度預測值與各測試樣本節點實際值的線性擬合是否收斂，對本系統GA-PSO-BP神經網絡算法的優化性進行驗證。本系統在溫度為10 ℃、濕度為30% 的同一環境下，分別在不同算法條件下的測試樣本節點數據以txt文件格式存儲后，通過MATLAB軟件線性擬合后的測試結果如圖8所示。

(a)BP神經網絡算法

(b)PSO-BP神經網絡算法

(c)GA-PSO-BP神經網絡算法

由圖8不難發現，基于GA-PSO-BP神經網絡算法的氣體監測數據與實際數據擬合性更好，測試樣本最大誤差出現在第9節點，不超過0.61%。

2)在不同溫濕度作業環境下，使用混合優化后的GA-PSO-BP神經網絡算法對9處測試樣本節點的CO氣體濃度進行監測、存儲、分析，通過比較系統在3種不同溫濕度作業環境下的氣體濃度預測值與各測試樣本節點實際值的收斂程度，來驗證系統對溫濕度環境的有效補償性。系統在溫度為10 ℃、濕度為30%，溫度為15 ℃、濕度為40%，溫度為20 ℃、濕度為50%共計3種不同作業環境下的測試結果如圖9所示。

(a)溫度為10 ℃、濕度為30%環境

由圖9可以看出，在不同溫濕度作業環境下，GA-PSO-BP神經網絡算法能對溫濕度進行有效補償，測試樣本最大誤差出現在溫度為15 ℃、濕度為40%作業環境下的第1節點，約為1.25%，滿足氣體監測系統高精度要求。

系統各節點決策端通過GA-PSO-BP神經網絡算法對感知端進行復雜多變條件下的溫濕度補償，測試結果表明系統監測氣體濃度最大誤差不超過1.30%，可實現井下氣體的高精度實時監測。對于有效建立健全煤礦監測預警系統[19-20]，防范遏制煤礦生產安全事故有著較大實際意義。同時需要注意的是，該系統在被測氣體種類的冗余性及混合優化算法的穩定性兩方面是今后研究工作中的主要內容。

5 結語

1)提出了一種面向掘進工作面氣體監測系統的優化設計方案，結合GA-PSO-BP混合優化算法，解決了現有井下氣體預警系統中廣泛存在的紅外氣體傳感器在不同溫濕度環境下的漂移問題，可實現對CO氣體的精準檢測。使用混合優化BP神經網絡(GA-PSO-BP)算法后，9個測試樣本節點返回監測中心的CO氣體濃度最大誤差不超過1.30%。

2)對9個測試樣本節點，通過在相同溫濕度作業環境下使用3種不同神經網絡算法開展氣體濃度監測對比實驗，對GA-PSO-BP混合優化神經網絡算法的高擬合性、快收斂性進行了驗證。

3)對9個測試樣本節點，通過在3種不同溫濕度作業環境下統一使用GA-PSO-BP神經網絡算法進行對比實驗[16]，測試樣本最大誤差僅為1.25%左右，表明系統在不同溫濕度作業環境下，能對溫濕度進行有效補償，可實現對氣體濃度的高精度監測[17]、統計與分析，為井上數據中心工作人員對井下氣體環境[18]的判斷提供了精準數據支撐，能有效避免對井下環境的誤讀誤判，對于發展完善智能礦井氣體[19]監測預警系統[20]有較大的實際意義。