模糊貼近度算法在煤礦安全監測WSN 系統中的應用

雷麗婷 蔣常升 陳振棠 周成才

柳州鐵道職業技術學院 廣西柳州市 545616

1 引言

數據融合技術被廣泛應用于工業制造系統，智能交通、資源探測、氣象預報、醫療診斷等[1-2]。特別是，多傳感器數據融合技術不僅可以考慮每個傳感器的性能差異，而且可以避免了單個傳感器融合結果的單側缺陷，這對煤礦復雜多變的安全環境具有良好的適應性。現階段，我國許多煤礦還是利用單一傳感器進行某方面參數的安全預警。在實際情況中，煤礦安全事故往往是由于多個因素引起的。多傳感器融合技術可以分析不同傳感器的各種信息，以獲得有關周圍環境的準確和穩定的信息，使系統具有容錯性，提高了決策的正確性。

文獻[3]在煤礦自燃監測系統中，應用改進聚類中心初始化及自適應參數調整的數據融合算法，提高異常時段融合結果準確性和監控系統的靈敏度，降低網絡整體能耗，延長網絡壽命。文獻[4]利用自適應加權和D-S 證據理論預測算法來融合井下傳感器節點采集到的原始數據，提高煤礦瓦斯監控系統估算與決策的準確性。文獻[5]將多傳感器數據融合技術應用于煤礦安全監測，通過貝葉斯估計方法及分級數據融合模型的模糊理論，提高監控結果的準確性及監控系統性能。文獻[6]是提高煤礦安全監測系統預警的準確性，將AHP、模糊評價方法及D-S 證據理論分別應用于數據融合的數據層、特征層及決策層，形成了多傳感器分層數據融合模型。

以上研究的方法各自有其適應對象，優點和缺點，并相互補充。1965 年，自動控制專家L.A.Zadeh 在他的《模糊集合》[7]中最先提出模糊集的概念，引入了“隸屬函數”這個名詞，汪培莊[8]首次提出了以De Luca 和Termini 模糊集的模糊度，以模糊集的貼近度為基礎定義了模糊集的模糊度、相似度、距離，并對其三者關系進行研究。Pawlak 和skowron 提出知識的模糊性課用粗隸屬函數來刻畫；Crabarty 和Biswas 提出一個模糊集粗糙集的模糊程度可以由粗隸屬函數導出；文獻[9]提出了粗糙集貼近度的概念，介紹了粗糙集貼近度的基本性質，分別定義了最小貼近度、最小平均貼近度、距離貼近度。國內外許多學者對此作了很多研究，獲得了一定成績。本文研究內容為，通過多種傳感器進行各數據采集，采用模糊貼近度數據融合技術，對原始數據進行融合處理，為了減少節點之間的通信，可以降低整個監控網絡的能耗。

2 模糊貼近度數據融合方法

2.1 基于最優置信域的同類數據校準

為得到與真實值相近的結果，必須對錯誤數據進行剔除，對來自同一區域的各壓縮數據在簇頭內進行預先的校準，以便獲得更加準確的數據。本文提出以落在最優置信域內的數據為準，其余數據一律剔除。

2.2 模糊貼近度矩陣

當使用多個傳感器節點檢測同一區域中的相同參數時，所收集數據之間存在一定的相關性。傳感器完成第采樣之后，壓縮數據之間的貼近度被定義為：

將其歸一化處理后，得到相對貼近程度如下：

2.3 各傳感器的相對復合權重

對于特定環境，可以根據區域中傳感器分布的差異和重要性來分配不同比例的權重。但在實際中，根據經驗分配權重具有一定的主觀性，因此，本文提出從相對復合權重的分配方案：設傳感器的貼近度為：

分析表明，傳感器的相對加權貼近度越大，說明它與具有較大權重的傳感器對模糊命題具有較高的支持度，否則相反。

2.4 融合結果

綜上所述：將各因素對融合結果的影響表示為：

最終融合結果表示為：

綜上所述，模糊貼近度的改進算法研究的整體流程如圖1 所示。

圖1 數據融合流程圖

3 數值仿真處理與分析

礦井熱害包括高溫高濕兩個方面。溫度是一個非常重要的因素，在一定范圍內調解身體的生理功能以適應外界高溫環境，但是如果超過人體承受能力，就會產生一系列不良的生理反應[10-12]，加快工人疲勞，減少工作的注意力和反應能力，降低了勞動生產率，增加了事故發生概率；高濕是指礦井中的相對濕度達到80% 以上的空氣環境[13]。高濕的環境會影響身體的正常生理功能。

煤礦井下巷道的區域共分為兩種，其中各測溫區內傳感器節點編號為：A,B,C,…,H，各測濕區內傳感器節點的編號為：Ⅰ,Ⅱ，Ⅲ,…,Ⅷ。本文實驗在23℃時進行，以巷道內特定區域A 為主要研究對象進行數據處理，區域A 隨機部署6 個傳感器節點，時刻A 區域的壓縮數據[15]經最優置信域數據校準后，得到的測溫結果見表1。

表1 區域A 內每個節點校準數據

根據式（6）得到A 區域的貼近度矩陣分別為：

根據煤礦巷道的實際情況（各區域的傳感器權重相同），以A 區域為例，區域A 中的第個傳感器權重為:

經歸一化處理后各個傳感器之間的相對權重：

將平均加權貼近度歸一化處理以獲得傳感器的相對加權貼近度為：

根據巷道實際情況，本文認為傳感器貼近度比權重更重要，現取1=0.35,2=0.5,3=0.15，由式（7）和（8）計算融合結果為21.78。

采用同樣的步驟將巷道內所有溫度、濕度區域的同類數據[13]在簇頭內融合結果，見表2 和表3 所示。

表2 基于模糊貼近度的溫度數據融合

表3 基于模糊貼近度的濕度數據融合

根據下表中各參采集值及融合值，將每個區域中六個采集值通過數據融合算法融合成一個數據傳輸給匯聚節點，通過Matlab 工具進行仿真實驗得出兩個參數的監測數據圖，圖2 中的（a）和（b）分別為溫度和濕度的監測數據圖。

圖2 影響參數的監測融合圖

通過仿真分析圖（a）和（b），為了能更直觀看出數據融合的優點，依據極差的定義，分別計算節點1-6 和融合后的值在8 個區域的極差如表4 所示：

從表4 中我們可以看出，由于節點1可能被移動，因此結果可能有所偏差，除節點1 以外，兩個影響參數的每組測量值的極差都比融合數據大，因此，各節點采集的數據經過融合處理后會減少了過高或過低的偏差，溫度和濕度的融合值都能很好的體現某區域的測量值，從而獲得較為準確的估計值。

表4 影響參數及融合之后的極差

4 結論

對于煤礦安全監測系統，合理有效的傳感器數據融合算法極為重要，本文詳細介紹了數據融合及模糊貼近度數據融合的基本概念，并給出了一種基于模糊理論和相對復合權重理論的改進的數據融合算法，實驗通過對比測溫數據的平均值與模糊貼近度融合后的溫度值相比較，誤差較小，且誤差數據偏離的越大，使用該算法的效果更優于普通的算數平均法。

采用模糊貼近度多傳感器數據融合的方法可以顯著地提高目標狀態確定的準確度，為工作人員提供更清晰的指令依據。該算法還需要進一步考慮所采集數據的多樣性和普遍性，并考慮采集數據時可能會隨機發生的狀況，尚未研究各影響因素的隸屬度，以確定更客觀的方法。