面向煤礦機械的多傳感器數據融合算法研究
2025-09-30 00:00:00張亞威
無線互聯科技 2025年16期
中圖分類號：TP212 文獻標志碼：A
0 引言
近年來，隨著煤礦智能化水平的不斷提升，井下作業的安全監測和智能感知能力顯著增強，但由于煤礦作業環境復雜、高風險源密集等特性，瓦斯泄漏、巷道坍塌、設備故障等安全隱患依然頻發，對煤礦機械的實時監測與精準感知提出了更高要求[1-2]。該文圍繞煤礦機械的運行場景與感知需求，設計了面向煤礦環境的多傳感器數據融合算法，通過實驗驗證其在信息一致性增強與故障識別能力提升方面的有效性，為煤礦機械的智能化升級與災害預警能力提供技術支撐。
1煤礦機械多傳感器數據處理
1.1多傳感器數據采集
在煤礦井下復雜環境中，實現對溫濕度、有毒氣體、機械狀態、粉塵濃度等多維數據的實時感知，是保障煤礦機械安全高效運行的關鍵前提。相比傳統的單一傳感器系統，多傳感器協同采集機制能顯著提升數據的完整性、魯棒性和抗干擾能力。在井下作業區域對熱濕環境進行監測，該文采用DHT11數字溫濕度傳感器等復合型器件構成溫濕度傳感器模塊，其具備低功耗、數字輸出與較強抗電磁十擾能力，適用于煤礦高濕、高粉塵環境。DHT11內部集成負溫度系數熱敏電阻與電阻式濕敏元件，其采集值表示為：
T(t)=T0+ΔT，H(t)=H0+ΔH
其中， T(t)，H(t) 分別表示當前時刻 H(t) 的溫度與濕度讀數， 
為環境波動造成的動態擾動項。為保證數據采集精度，傳感器與微控制器單元（MicrocontrollerUnit，MCU）之間通過單總線協議進行通信，采用 5kΩ 上拉電阻，當布線距離超過 20m 時，須動態調節阻值以降低信號衰減[3]
井下瓦斯濃度監測采用紅外式 CH4/CO2 濃度傳感器，基于比爾-朗伯定律對目標氣體吸收特性進行量化：
其中， A 為吸光度， 
為入射光與透過光強度，ε 為摩爾吸光系數， c 為氣體濃度， l 為氣室長度。通過此方法實現 0～5000ppm 范圍內 CO2 的精準測量，支撐瓦斯異常報警與聯動處置機制。
1.2多傳感器數據預處理
煤礦機械在實際運行過程中所采集的多傳感器數據具有強噪聲、高冗余、異步性等特點，若直接輸入融合模型，會降低判決精度，因此，在進入融合環節之前，進行了預處理操作。
數字量、模擬量、串行通信數據等不同傳感器輸出格式差異較大，統一數據結構并進行歸一化處理，對于溫度、濕度、 CO2 濃度、機械震動值等維度數據，采用極差歸一化處理方式，處理公式如下：
其中， xi 為原始傳感器讀數， xminΩ?xmax 分別為該類數據的歷史最小值與最大值，歸一化后數據分布映作者簡介：張亞威（1985—），男，助理工程師，學士;研究方向：礦山機電。
射至［0，1］區間，方便后續模型處理，避免量綱不一致帶來的偏差影響[4]
由于井下傳感器節點分布廣、采樣時間存在微秒級偏移，為保證各維數據的時序對齊，引入基于網絡時鐘協議的校準機制，將所有數據流映射至統一參考時間軸 t0 ，滿足：
D(t0)={x1(t0)，x2(t0)，?，xn(t0)}
其中， D(t0) 表示時刻 t0 所有傳感器采集的數據向量，確保在相同環境狀態下的數據可比性。
為削弱井下電磁干擾、粉塵遮蔽等因素帶來的信號噪聲，采用一階加權滑動平均技術，操作過程如下：
其中， xt 為當前時刻傳感器原始采樣值， 
為平滑后的數據值， 
為上一時刻的數據值， α 為平滑因子，取值范圍為 0<α<1 ，可據傳感器采樣周期與擾動頻率進行調節，在平滑性與響應性之間取得平衡。
預處理模塊實時監測傳感器的運行狀態。一旦某節點持續輸出靜態值或頻繁跳變，系統將標記該數據為異常點，觸發冗余備份通道或插值重構算法，保障后續融合的完整性與可靠性。
2面向煤礦機械的多傳感器數據融合模型
該文提出一種分層融合機制，兼顧局部精度控制與全局信息一致性。系統對同類傳感器數據進行局部融合，采用統計式加權均值方法完成冗余去噪；而對異類傳感器數據，引入德姆斯特-謝弗證據理論（Dempster-ShaferTheoryofEvidence，D-S），實現異構信息的可信融合與環境等級推理判斷[5]
在局部融合階段，針對同一監測區域部署的多個溫濕度、 CH4 傳感器節點，其讀數具有時間與空間上的近似冗余特性。系統采用滑動時間窗口對各通道數據進行平滑計算，以 χt 時刻傳感器組的原始數據序列 {x1(t)，x2(t)，?，xn(t)} 為例，計算對應時間段的均值：
其中， 
為時間段 χt 的均值， n 為窗口長度，i為窗口迭代變量。對各傳感器采樣值進行異常剔除判斷，若某數據點 xk(t) 滿足 
，其中， δ 為設定的容差閾值，則判定為異常值并以 
替代[。該方法在不引入復雜濾波模型的前提下，有效抑制了孤立誤差的傳播，提升了初級感知層的數據一致性與魯棒性。
對于不同類型傳感器所測得的異構數據，如瓦斯濃度（ppm）、溫度( C ）設備振動值( Hz 及氧氣體積分數 (% ），須借助D-S證據理論進行全局融合判斷。D-S理論在處理不確定信息融合方面具有較強優勢，其基本思想是通過構建多源“信任函數”，在保留原始不確定性的同時，融合多個來源對事件的支持度[7]
具體步驟如下：依據傳感器輸出數據，將各指標映射至模糊等級集合（如“安全”“預警”“危險”），對每一傳感器輸出構建其基本信任分配函數。
設事件空間為 Θ={θ1，θ2，?，θn} ，任意子集A?Θ 的質量函數為：
其中， ?m 為基本信任分配函數， Θ 為命題空間， A 為基環境狀態事件子集，在多傳感器場景下，設2個不同來源的信任函數為 m1 與 m2 ，其D-S組合公式如下：
其中， m1(B) 為第一個來源對事件 B 的信任值，m2(C) 為第二個來源對事件 c 的信任值， m(A) 為融合后對事件 A 的信任值， B，C 為事件子集。
其中，沖突因子 K 定義為：
字母含義同公式（8），該組合規則能有效對沖突證據進行歸一化處理，提升系統融合結果的可信度。在煤礦突發瓦斯濃度異常且伴隨溫度劇烈波動的場景中，通過融合溫度、 CH4 與 02 傳感器的多重判據，系統可推斷當前環境等級為“危險”，觸發機械自停或區域警報機制。
融合框架如圖1所示。根據圖1可知，融合框架由溫濕度傳感器通道、 CO2 傳感器通道、 02 濃度傳感器通道組成，三者在前端獨立處理后，在底部匯聚至一個融合判決與控制模塊，完成環境等級識別與機械響應控制。系統遵循“局部處理 + 分布融合 + 中心決策”的架構思路。
該模型實現了從原始感知層一局部融合層一認知決策層一控制執行層的全過程閉環處理路徑，既提升了傳感器數據的抗干擾能力，又增強了系統對復雜環境狀態的精準識別能力。引入分層融合機制和基于證據理論的決策邏輯，顯著提升了煤礦機械在高風險作業場景下的智能響應水平[8]
圖1融合框架
3實驗研究
為驗證該文提出的面向煤礦機械的多傳感器數據融合算法的實際應用效果，進行實驗研究。選取典型井下作業區域作為實驗場景，模擬高溫、高濕、高瓦斯干擾等極端條件下的傳感感知過程。本實驗采集系統包含8組溫濕度傳感器（型號DHT22）、4組 CO2 傳感器（型號MH-Z19C）、2組 O2 傳感器（型號LOX-02)以及3組機械狀態傳感器（內嵌式振動單元），節點分布范圍約為 40m×30m 的作業區。所有傳感器采樣頻率統一設置為 1Hz ，數據同步采用網絡時間協議對時間戳進行對齊，融合算法運行在搭載STM32主控的邊緣處理器上。在融合模型中，局部融合采用滑動窗口均值濾波法（窗口寬度為5s），D-S證據組合中，置信函數初始分配依據傳感器量程與工業預警閾值標準進行設計，輸出每分鐘生成一次環境等級標簽，供上層控制系統調用。
與單一傳感器輸出軌跡進行實驗對比，分析融合精度，得到的實驗結果如圖2所示。
從圖中對比結果可見，單一傳感器在井下高濕、高瓦斯擾動環境中存在明顯波動與漂移現象，尤其在節點拐角與環境變化劇烈位置，誤差累計更為突出。相較而言，該文提出的融合算法在經過局部滑動均值修正與D-S證據組合后，輸出的融合軌跡更貼合實際作業路徑，具有良好的空間一致性與連續性，顯著抑制了由噪聲、瞬時干擾等引起的異常偏差。特別是在模擬礦道彎折段與高瓦斯區段，融合軌跡依然保持穩定，無明顯偏移，驗證了所設計算法具備優良的環境魯棒性與融合精度。
對比該文融合算法和單一傳感器融合方法的煤礦機械運行穩定性，得到的實驗結果如圖3所示。
分析圖3可知，在引入該文融合算法后，煤礦機械運行的運行電流與標準值幾乎一致，而單一傳感器融合方法的煤礦機械運行穩定性與標準值相差較大。說明所提融合模型在多源感知數據處理方面具有更高的擬合度與一致性，能夠有效過濾局部干擾與傳感器漂移帶來的誤判，提升煤機控制系統對環境變化的響應精度。
圖2融合精度實驗結果
圖3運行穩定性實驗結果
4結語
該文圍繞煤礦機械在復雜作業環境下的多源感知需求，構建了由局部濾波與全局融合相結合的傳感數據處理框架，提出了一種適應井下工況的多傳感器融合算法。實驗結果驗證了該方法在環境等級判定、設備運行參數擬合方面具有良好的精度與穩定性，能夠有效應對單一傳感器易失真、易漂移等問題，提升系統對井下高風險因素的響應能力。未來研究將進一步結合深度學習模型與時序建模方法，拓展融合算法的自適應能力，為煤礦智能感知系統提供更高層次的決策支持。
參考文獻
[1]滕文想，何繼鵬，劉鵬宇.窄長空間無線傳感器網絡節點部署策略研究［J].煤炭工程，2023（7）：151-157.
[2]劉體操，黃青，康虎，等.煤礦機電設備智能化管
理研究[J].礦山機械，2024（2):64-68.
[3]曹現剛，張富強，史可欣.基于ZigBee協議的礦用設備數據采集分站設計[J].儀表技術與傳感器，2023(3) :65-70.
[4]趙振疆，陳濤，麻榮福，等.煤礦設備智能潤滑養護系統研究與應用[J].機械設計與制造工程，2023(10):25-29.
[5]閆保永，曹柳，王國震.煤礦井下聲波測量系統降噪技術研究[J].礦山機械，2024（9)：10-17.
[6]毛清華，安炎基，馬宏偉，等.煤礦掘進裝備光纖慣導多源異構噪聲降噪方法研究[J].煤炭科學技術，2023(2) :390-399.
[7]張少華.基于沖擊脈沖傳感器監測技術的礦用膠帶機自動化機械監測研究[J].煤化工，2024（2）：78-81.
[8]陳偉崇，趙海偉，郭文孝.基于UWB的煤礦井下設備自動控制方法[J].礦山機械，2024（1)：65-69.
(編輯 王永超)
Research on multi sensor data fusion algorithm for coal mining machinery
ZHANG Yawei (Shanxi Liliu Coking Coal Group Co.，Ltd.，Lyuliang O323OO，China)
Abstract:The currently proposed single sensor algorithm has low data fusion accuracyand poor operational stability. Therefore，thisarticleproposesamulti-sensordata fusionalgorithm forcoal mining machinery.Thisalgorithm combines sliding window mean filtering for local anomaly removal and introduces Dempster-Shafer evidence theory for global fusionof heterogeneous sensor information.The experimental results show thatcomparedwith a singlesensor output，the proposedfusion algorithmcan significantly improve the accuracyof environmental parameterand equipment staterecognition，achieve stable monitoringand safetycontrolofcoal mine machinery operationstatus，and provide strong perceptual support for intelligent mining construction.
Key words: coal mining machinery;multi sensor; data fusion； fusion algorithm
