CN102567640A

CN102567640A - 矿井瓦斯监测方法

Info

Publication number: CN102567640A
Application number: CN2011104537981A
Authority: CN
Inventors: 王海军
Original assignee: Shanghai Dianji University
Current assignee: Shanghai Dianji University
Priority date: 2011-12-29
Filing date: 2011-12-29
Publication date: 2012-07-11

Abstract

本发明公开一种矿井瓦斯监测方法，包括如下步骤：采用分批估计理论对来自不同分站的同类传感器的各个参数进行融合处理，以获得较准确的一级融合结果；以及采用BP神经网络对该一级融合结果进行综合处理，最终得出井下环境信息并作出安全评定，本发明采用分批估计理论和BP神经网络对井下传感器数据进行两级融合，在很大程度上降低了测量误差，提高了数据的准确性，准确地反映煤矿井下的瓦斯分布情况，提高了对瓦斯监测的速度和可靠性，经过融合后的传感器信息具有冗余性、互补性和实时性。

Description

矿井瓦斯监测方法

技术领域

本发明涉及一种矿井瓦斯监测方法，特别是涉及一种基于多信息融合的矿井瓦斯监测方法。

背景技术

随着煤矿开采深度的增加，井下地质状况的多样性、瓦斯赋存的复杂性和瓦斯突出的不确定性更为显著，使煤矿安全生产存在极大的安全隐患。矿井瓦斯监测主要是对井下瓦斯及CO浓度、粉尘含量、温度、风速、负压等参数进行实时检测。图1为现有技术中矿井瓦斯监测系统的系统架构图。如图1所示，其包括监测主站计算机及井下各分站的多个不同类型的传感器，如：瓦斯传感器、温度传感器、负压传感器、CO传感器、风速传感器及粉尘传感器等，可见，现有技术的矿井瓦斯监测系统需采用大量不同类型的传感器，但由于传感器测量精度所限及环境因素的干扰，会使测量数据与实际存在偏差，更为严重的是，井下复杂环境中有害气体的侵蚀会使部分传感器丧失检测能力。传统的很多解决方法是利用单传感器进行多次测量或多个传感器测量数据取平均值，这样虽然能在一定程度上提高测控系统的可靠性，但无法满足系统实时性的要求，不准确的测量数据仍会影响最终判断结果。

综上所述，可知先前技术之矿井瓦斯监测方法存在可靠性、实时性差的问题，因此实有必要提出改进的技术手段，来解决此一问题

发明内容

为克服上述现有技术存在的不足，本发明的主要目的在于提供一种矿井瓦斯监测方法，其利用分批估计理论和BP神经网络对井下传感器信息进行两级融合的设计方法，从多信息的视角进行处理、综合，得到各种信息的内在联系和规律，剔除无用和错误的成分，保留正确和有用的成分，最终实现信息的优化，使之能够完善、准确地反映环境特征提高了对目标的识别速度和可靠性，经过融合后的传感器信息具有冗余性、互补性和实时性。

为达上述及其他目的，本发明提供一种矿井瓦斯监测方法，包括如下步骤：

采用分批估计理论对来自不同分站的同类传感器的各个参数进行融合处理，以获得较准确的一级融合结果；以及

采用BP神经网络对该一级融合结果进行综合处理，最终得出井下环境信息并作出安全评定。

进一步地，该采用分批估计理论对来自不同分站的同类传感器的各个参数进行融合处理以获得较准确的一级融合结果的步骤还包括如下步骤：

针对每组不同分站的同类传感器，获得一组测量数据，并按照空间位置相邻的传感器不同组的原则将其分成两组；

计算获得每组测量数据的算术平均值参数与标准误差参数；以及

根据分批估计理论对计算所获得的各参数进行融合处理，获得一次融合结果。

进一步地，该一次融合结果为：

D^{+} = \frac{{\hat{σ}}_{2}^{2}}{{\hat{σ}}_{1}^{2} + {\hat{σ}}_{2}^{2}} \overset{&OverBar;}{D_{1}} + \frac{{\hat{σ}}_{1}^{2}}{{\hat{σ}}_{1}^{2} + {\hat{σ}}_{2}^{2}} \overset{&OverBar;}{D_{2}}

其中，

与

分别表示每组测量数据的标准误差参数，

表示每组测量数据的算术平均值参数。

进一步地，该采用BP神经网络对该一级融合结果进行综合处理并最终得出井下环境信息作出安全评定的步骤还包括如下步骤：

选择确定所采用的BP神经网络模型；

根据输入层获得的该一级融合结果及各节点的连接权值获得隐层及输出层每个节点的总输入与输出，并计算获得输出误差。

进一步地，在赋予初始权值及输入向量后进行网络训练，调整该些连接权值，以使该输出误差达到期望值。

进一步地，权值调整量与该输出误差的梯度下降成正比。

进一步地，该BP神经网络模型为三层BP神经网络，其包含输入层、隐层和输出层，该输入层接收该一级融合结果，该输出层输出井下安全状况信息。

进一步地，该输入层节点数为6，输出层节点数为5，隐层节点数为10。

与现有技术相比，本发明一种矿井瓦斯监测方法，其利用分批估计理论和BP神经网络对井下传感器信息进行两级融合的设计方法，从多信息的视角进行处理、综合，得到各种信息的内在联系和规律，剔除无用和错误的成分，保留正确和有用的成分，最终实现信息的优化，使之能够完善、准确地反映环境特征提高了对目标的识别速度和可靠性，经过融合后的传感器信息具有冗余性、互补性和实时性。

附图说明

图1为现有技术中矿井瓦斯监测系统的系统架构图；

图2为本发明一种矿井瓦斯监测方法的步骤流程图；

图3为图2中步骤201的详细步骤流程图；

图4为图2中步骤202的详细步骤流程图；

图5为本发明较佳实施例中BP神经网络模型示意图；

图6为本发明较佳实施例中网络训练误差曲线示意图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图2为本发明一种矿井瓦斯监测方法的步骤流程图，应用于图1之矿井瓦斯监测系统，至少包括如下步骤：

步骤201，采用分批估计理论对来自不同分站的同类传感器的各个参数进行融合处理，以获得较准确的融合结果(测量结果)。这实际上是本发明中的一级融合，以下将配合图3对此步骤的具体实现进行详细说明：

步骤301，针对每组特定的传感器，如不同分站的同类传感器，首先得出一组测量数据，然后按照空间位置相邻的传感器不同组的原则分成两组；

步骤302，计算获得每组测量数据的算术平均值与标准误差等参数；

设第一组测量数据为D₁₁，D₁₂，D₁₃，…，D_1m (m∈N)

其算术平均值为

\overset{&OverBar;}{D_{1}} = \frac{1}{m} Σ_{i = 1}^{m} D_{1 i}

其标准误差为

{\hat{σ}}_{1} = \sqrt{\frac{1}{m - 1} Σ_{i = 1}^{m} {(D_{1 i} - {\overset{&OverBar;}{D}}_{1})}^{2}}

第二组测量数据为D₂₁，D₂₂，D₂₃，…，D_2n (n∈N)

其算术平均值为

\overset{&OverBar;}{D_{2}} = \frac{1}{n} Σ_{j = 1}^{n} D_{2 j}

其标准误差为

{\hat{σ}}_{2} = \sqrt{\frac{1}{n - 1} Σ_{j = 1}^{n} {(D_{2 j} - {\overset{&OverBar;}{D}}_{2})}^{2}}

步骤303，根据分批估计理论对计算所获得的各参数进行融合处理，获得融合结果。

用

D^-表示上一次测量的标准误差和融合结果，其初始值分别取∞和当前数据的算术平均值。用

D⁺表示当前测量的标准误差和融合结果，根据分批估计理论可得

{\hat{σ}}^{+} = {[{({\hat{σ}}^{-})}^{- 1} \cdot H^{τ} R^{- 1} H]}^{- 1} = \frac{{\hat{σ}}_{1}^{2} {\hat{σ}}_{2}^{2}}{{\hat{σ}}_{1}^{2} + {\hat{σ}}_{2}^{2}} - - - (1)

式中：τ为数据个数；

H为测量方程的系数矩阵，

H = [\begin{matrix} 1 \\ 1 \end{matrix}];

R为测量噪声协方差，

R = E [{vv}^{τ}] = [\begin{matrix} E [{v_{1}}^{2}] & E [v_{2} v_{1}] \\ E [v_{2} v_{1}] & E [{v_{2}}^{2}] \end{matrix}] = [\begin{matrix} {\hat{σ}}_{1}^{2} & 0 \\ 0 & {\hat{σ}}_{2}^{2} \end{matrix}] .

由分批估计理论推导的数据融合值为：

D^{+} = [{\hat{σ}}^{+} \cdot {({\hat{σ}}^{-})}^{- 1}] D^{-} + [{\hat{σ}}^{+} \cdot H^{τ} R^{- 1}] D - - - (2)

将相关的

D^-、R、H及

代入(2)式可得融合结果为

D^{+} = \frac{{\hat{σ}}_{2}^{2}}{{\hat{σ}}_{1}^{2} + {\hat{σ}}_{2}^{2}} \overset{&OverBar;}{D_{1}} + \frac{{\hat{σ}}_{1}^{2}}{{\hat{σ}}_{1}^{2} + {\hat{σ}}_{2}^{2}} \overset{&OverBar;}{D_{2}} - - - (3)

通过上述步骤得到一次融合结果，第二批数据到来时，用

D⁺分别替代上一次融合时的

D^-进行下一次融合，依此类推。

可见，这种数据融合算法既实现了空间上的融合，也实现了时间上的融合。实验及误差比较：

现场测取某矿井的一组数据样本(这里列出瓦斯、CO、温度、风速四个参数，每个参数由8个不同位置的传感器测取)，采用算术平均和分批估计的方法分别求出标准误差和融合结果，详见下表1：

表1

可见，采用分批估计对同一个被测量在不同区域的测量值进行融合处理，和算术平均法相比，分批估计融合算法确实大大减小了测量误差，提高了测量精度。

步骤202，采用BP神经网络对一级融合的融合结果进行综合处理，最终得出井下环境信息并作出安全评定。以下将配合图4对此步骤的具体实现进行具体说明：

步骤401，选择确定所采用的BP神经网络模型。

在本发明较佳实施例中，采用三层BP神经网络，其包含输入层、一个隐层和输出层。输入层接收由一级融合获得的瓦斯、CO、温度、风速、粉尘和负压数据，因此节点数为6；输出层输出井下安全状况信息，分为五个等级：安全、较安全、一般安全、较危险、危险，故节点数选择为5；通过多次实验，确定隐层节点数取为10，其网络模型如附图5所示。

步骤402，根据输入层获得的一级融合的融合结果及各节点的连接权值获得隐层及输出层每个节点的总输入与输出，并计算获得输出误差。

隐层及输出层激活函数选取连续可微的单极性sigmoid函数，即

f (x) = \frac{1}{1 + e^{- x}}

因此，隐层第k(k＝1，2，…，10)个节点的总输入和输出为

ne t_{k} = Σ_{i = 1}^{6} w_{ki} X_{i} - - - (4)

O_{k} = f (ne t_{k}) = \frac{1}{1 + e^{- ne t_{k}}} - - - (5)

式中，w_ki为隐层节点k与输入层节点i的连接权值。

输出层第j(j＝1，2，…，5)个节点的总输入和输出为

{net}_{j} = Σ_{k = 1}^{10} v_{jk} O_{k} - - - (6)

Y_{j} = f (ne t_{j}) = \frac{1}{1 + e^{- ne t_{j}}} - - - (7)

式中，V^jk为输出层节点j与隐层节点k的连接权值。

输出误差为

E = \frac{1}{2} Σ_{j = 1}^{6} {(d_{j} - Y_{j})}^{2}

较佳的，在赋予初始权值及输入向量后开始网络训练，即通过反复计算，求取输出误差，调整权值，权值调整量应与输出误差的梯度下降成正比，即

Δ w_{ki} = - η \frac{&PartialD; E}{&PartialD; w_{ki}} = - η \frac{&PartialD; E}{&PartialD; {net}_{k}} \frac{&PartialD; {net}_{k}}{&PartialD; w_{ki}} - - - (8)

Δ v_{jk} = - η \frac{&PartialD; E}{&PartialD; v_{jk}} = - η \frac{&PartialD; E}{&PartialD; {net}_{j}} \frac{&PartialD; {net}_{j}}{&PartialD; v_{jk}} - - - (9)

式中：η为学习速率。

通过网络训练使输出误差不断减小，直至达到期望值。

网络训练实验仿真：

初始权值取(-1，1)间的随机数，η取0.1，期望误差取0.001，最大步数设为1000。选取5个矿井的实测环境数据样本经一级融合后输入BP神经网络进行训练，最终确定各级连接权值。训练误差曲线见图6，经BP神经网络的融合结果(二级融合)见下表2。

表2

可见，输出数据能够准确地反映井下环境安全状况。通过二级信息融合，全面综合了井下环境参数，实时、客观、准确地给出安全状况评价。

综上所述，本发明一种矿井瓦斯监测方法采用分批估计理论和BP神经网络对井下传感器数据进行两级融合，分批估计理论融合了井下监测分站内不同位置的同类传感器的信息，在很大程度上降低了测量误差，提高了数据的准确性，BP神经网络则对前级融合结果再次融合，全面综合了井下环境参数，实时、客观、准确地给出安全状况评价。仿真实验结果表明这种方法是切实可行的，使之能够完善、准确地反映煤矿井下的瓦斯分布情况，提高了对瓦斯监测的速度和可靠性，经过融合后的传感器信息具有冗余性、互补性和实时性。对煤矿瓦斯监测和安全生产具有很高的使用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。