CN103969162A - 一种基于数据融合的矿井煤尘浓度测量的方法及装置 - Google Patents

Abstract

本发明提供了一种基于数据融合的矿井煤尘浓度测量的方法及装置，通过收集煤尘前向±8°附近以及后向180°附近的散射光能，测量粒径a≧5μm颗粒的浓度，以及粒径a≦5μm的小颗粒的浓度；对光信号进行预处理；设定神经网络隐含层神经元个数；在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内；基于煤尘粒径的Rosin-Rammler函数分布，对多层前向神经网络BP获取的神经网络数据融合模型参数进行修正；将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度。本发明对煤矿合理测尘控尘，对控制工人患尘肺病几率具有重要意义。

Description

一种基于数据融合的矿井煤尘浓度测量的方法及装置

技术领域

本发明属于煤炭安全生产检测方法和装置领域，尤其涉及一种基于数据融合的矿井煤尘浓度测量的方法及装置。

背景技术

在煤炭生产过程中，由于煤被破碎，随之产生大量颗粒物并浮游于作业场所中，这些颗粒物粒径大的受重力作用而沉降形成降尘，粒径细小的，则随风流飘扬传播并形成飘尘，被工作人员吸入后会长时间滞留在呼吸系统中，引发尘肺病。另外，在满足一定浓度和外界环境(空气、温湿度、火源等)条件下，煤尘会引发爆炸事故。因此，准确快速地检测出煤尘浓度，对保证煤矿工人身体健康和煤矿安全生产具有重要意义。

目前煤矿测量煤尘浓度的主要方法是称重法和快速测尘法。称重法工序繁琐、工作时间长，采样后需到井上进行烘干、称重、分析后才能得出煤尘浓度，该法为各国家校验煤尘采样仪器的主要方法。快速测尘法能快速测出煤尘浓度，并可在本地实时地检测及显示，但该法主要基于光散射理论进行，受硬件实现限制及矿井环境因素制约等使得目前采用该法测得的浓度主要是大颗粒煤尘的浓度。该类大颗粒粒径(a)一般＞5μm，即主要检测的是易引起爆炸的煤尘(煤尘爆炸条件之一是粒径25μm≤a≤75μm)和可吸入颗粒物煤尘PM10(a≤10μm)，但此时PM10的范围不是a≤10μm，而是5μm≤a≤10μm，而对于易引起尘肺病的可入肺颗粒物即PM2.5颗粒则检测不到。本发明针对上述现状，提出一种基于数据融合的煤尘浓度测量方法和装置，该方法可以克服上述只测大颗粒而不测小颗粒的缺点，对煤矿合理测尘控尘意义重大。

发明内容

本发明的目的在于提供一种基于数据融合的矿井煤尘浓度测量的方法及装置，旨在解决现有技术对煤尘浓度检测不准确的问题。

本发明是这样实现的，一种基于数据融合的矿井煤尘浓度测量的方法，包括以下步骤：

(1)收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

(2)对光信号进行去除噪声和粗大误差预处理，将预处理后的光信号进行电信号转换显示处理；

(3)设定神经网络隐含层神经元个数；在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内；基于煤尘粒径的Rosin-Rammler函数分布，对多层前向神经网络BP获取的神经网络数据融合模型参数进行修正；

(4)将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度。

优选地，在步骤(2)中，所述去除噪声和粗大误差预处理包括以下步骤：

首先基于光电探测器获取I₁和I₂，并基于煤尘粒径分布符合Rosin-Rammler函数分布，函数关系式如下所示，

$V_{\left(a\right)}=1-\exp {(-a/\stackrel{\_}{a})}^n;$

设n＝3、a为多个的大小颗粒值、入射光的强度I₀为固定、典型折射率m＝1.57-0.56i，获得最佳系数k₁和k₂分别为和从而得到C₁＝k₁I₁，C₂＝k₂I₂,由此得到大小颗粒物的浓度值。

优选地，所述步骤(3)具体包括：

1)制定网络的拓扑结构，将网络设置为三层；

2)设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3)计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数；

4)以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的一类；

5)对BP获取的模型参数，基于Rosin-Rammler分布进行修正，得到最优输入输出线性关系。

本发明进一步提供了一种基于数据融合的矿井煤尘浓度测量的装置，包括：

浓度收集模块，用于收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

信号处理模块，用于对光信号进行去除噪声和粗大误差预处理，将预处理后的光信号进行电信号转换显示处理；

数据融合修正模块，用于建立基于多层前向神经网络BP的神经网络数据融合模型：包括设定神经网络隐含层神经元个数，在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内；以及用于基于煤尘粒径的Rosin-Rammler函数分布，对BP获取的神经网络数据融合模型参数进行修正；

信号输出模块，用于将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度；其中，

所述浓度收集模块、信号处理模块、数据融合修正模块以及信号输出模块依次连接。

优选地，所述浓度收集模块包括激光器、准直透镜、半透半反棱镜、第一聚焦透镜、前向光电探测器、第二聚焦透镜、后向光电探测器以及光陷阱；其中，

激光由激光器发射后经准直透镜、半透半反棱镜后进入煤尘循环测量区，经煤尘循环测量区中煤尘粒径a≦5μm反射的激光穿过煤尘循环测量区，再经第一聚焦透镜聚焦后照射在光陷阱上，所述光陷阱与前向光电探测器连接，所述前向光电探测器与信号处理模块连接；

煤尘循环测量区中煤尘粒径a≥5um反射的激光进入半透半反棱镜折射，再经第二聚焦透镜聚焦至后向光电探测器；

所述前向光电探测器和后向光电探测器均与信号处理模块连接。

优选地，所述浓度收集模块还包括光电探测器以及第三聚焦透镜；其中，所述激光进入煤尘循环测量区并反射的激光进入半透半反棱镜，由相反于第二聚焦透镜方向一侧射出，并经第三聚焦透镜聚焦至光电探测器；所述光电探测器与信号处理模块连接。

优选地，所述信号处理模块包括信号调理模块、A/D转换模块、微处理器模块、存储模块、显示模块、D/A转换模块，其中，所述光电探测器、前向光电探测器以及后向光电探测器均与信号调理模块连接，所述信号调理模块、A/D转换模块、微处理器模块、D/A转换模块依次连接，所述存储模块、显示模块均与微处理器模块连接。

优选地，所述数据融合修正模块包括：

网络拓扑结构设定模块，用于制定网络的拓扑结构，将网络设置为三层；

网络参数设定模块，用于设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

网络输出精度判断模块，用于计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数；

输出误差调节模块，用于以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的一类；

以经济模型参数修正模块，用于对BP获取的模型参数，基于Rosin-Rammler分布进行修正，得到最优输入输出线性关系；其中，所述D/A转换模块、网络拓扑结构设定模块、网络参数设定模块、网络输出精度判断模块、输出误差调节模块、模型参数修正模块以及信号输出模块依次连接。

相比与现有技术的缺点和不足，本发明具有以下有益效果：本发明克服目前只测大颗粒不测小颗粒的缺点，对煤矿合理测尘控尘，尤其对控制工人患尘肺病几率具有重要意义。

附图说明

图1是本发明基于数据融合的矿井煤尘浓度测量的方法的步骤流程图；

图2是煤尘粒径条件下不同散射角的散射光强极坐标图；

图3是大颗粒夫朗和费散射光强极坐标图；

图4是小颗粒条件下散射光强极坐标图；

图5是小颗粒瑞利散射光强极坐标图；

图6是前向散射光强与煤尘浓度关系图；

图7是后向散射光强与煤尘浓度关系图；

图8是数据融合后光强与煤尘浓度的关系图；

图9是本发明基于数据融合的矿井煤尘浓度测量的装置结构示意图；

图10是图9中浓度收集模块的结构示意图；

图11是图9中信号处理模块的结构示意图；

图12是图9中数据融合修正模块的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种基于数据融合的矿井煤尘浓度测量的方法，如图1所示，包括以下步骤：

(1)收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

在步骤(1)中，大颗粒检测方法为：

利用米氏光散射理论，根据煤尘散射特点，在不相关单散射条件下，基于煤尘颗粒相对周围环境介质的典型折射率为m＝1.57-0.56i，无因次粒径参数x≥24(x＝πa/λ，x为无因此粒径参数，a为煤尘粒径，λ为入射光波长),光源为He-Ne激光光源，λ为0.65um，此时煤尘粒径a≥5um。在煤尘粒径a≥5um情况下不同散射角的散射光强极坐标图如图2所示，从图2看出，散射光强随着粒径的增大而主要聚集于前向小角±8°范围内，此情况可用大颗粒衍射夫琅费衍射来替代米氏散射，即图2可由大颗粒夫朗和费散射光强极坐标图图3替代表示。图3表明大颗粒光散射特性可由公式(1)表示：

$I_1=\frac{I_0}{F^2{\mathrm{\θ}}^2}\underset{0}{\overset{\∞}{\∫}}{J}_1^2\left(\mathrm{ka\θ}\right)a^{2}f\left(a\right)\mathrm{da}---\left(1\right)$

其中，θ为散射角，I₁为θ处的散射光强，I₀为入射光强，F为透镜焦距，f(a)为颗粒群的粒径分布，k为波数，J₁(x)是一阶Bessel函数。由Bessel函数的定义和性质并通过积分变换操作，可以得到；

$V_p=-\frac{{8\mathrm{\π}}^2}{3k}\·(-\frac{3}{8})\·2\underset{0}{\overset{\∞}{\∫}}\frac{I\left(\mathrm{\θ}\right)}{I_0}\mathrm{d\θ}=\frac{2\mathrm{\π}}{k}\underset{0}{\overset{\∞}{\∫}}\frac{I\left(\mathrm{\θ}\right)}{I_0}---\left(2\right)$

于是可以得到一种有关质量浓度的表达式：

$C_1=C_v\mathrm{\ρ}=\frac{V_p}{V_T}\mathrm{\ρ}=\frac{2{\mathrm{\π}}^2{F}^2\mathrm{\ρ}}{k}{\∫}_0^{\∞}\frac{I\left(\mathrm{\θ}\right)}{I_0}\mathrm{d\θ}---\left(3\right)$

式中ρ为颗粒密度。从式(3)可以看出，当粉尘颗粒群粒径较大时，颗粒群的浓度与散射光在无限空间的角度积分成线性关系。因此，从理论上只要测量散射光在空间积分强度就能够得到颗粒的浓度。由于夫琅和费衍射的光强大部分集中在前向±8°之间，所以使用可以收集前向±8°的散射光能的光电器件，就可以有效地保证光电信号I₁与所求的质量浓度(密度乘以体积浓度)之间的线性关系。

小颗粒检测方法具体为：

和大颗粒的米氏光散射理论及条件一样，在小粒径条件下(a≤5μm)，如典型无因次粒径参数x＝0.2(x＝πa/λ，x为无因此粒径参数，a为煤尘粒径，λ为入射光波长)时的米氏散射光强极坐标图如图4所示，图5是同样条件下瑞利散射图。比较图4和图5，看出：二者表现的内容非常接近。因此小颗粒的煤尘的米氏散射光强可由瑞利散射替代。由此得到单个颗粒的散射光强表达式(4)

$I_2=\frac{{\mathrm{\π}}^4{d}^6}{{8r}^2{\mathrm{\λ}}^4}{I}_0\·{\left(\frac{m^2-1}{m^2+2}\right)}^2[1+{\cos }^2\mathrm{\θ}]---\left(4\right)$

其中θ为散射角，I₂为θ方向的散射光强，I₀为入射光强，a为颗粒粒径，m为折射率，r为散射颗粒到观测点间的距离。由于小颗粒群的体积比例一般较小，可以使用非相干散射模型描述小颗粒群的散射情形，也即是当假设颗粒数目浓度为N的时候，单位体积内的所有颗粒散射光能分布函数可以表示为单个颗粒散射的累加,公式(4)可表示为公式(5)

$I_2=N\frac{{\mathrm{\π}}^4{d}^6}{{8r}^2{\mathrm{\λ}}^4}{I}_0\·{\left(\frac{m^2-1}{m^2+2}\right)}^2[1+{\cos }^2\mathrm{\θ}]---\left(5\right)$

在θ≈180°即后向散射时，1+cos²θ≈2，由颗粒数浓度N与质量浓度C的关系，由(5)式可以得到质量浓度与后向散射光强的一次关系：

$I_2=N\frac{{\mathrm{\π}}^4{d}^6}{4{\mathrm{\λ}}^4}{I}_0\·{\left(\frac{m^2-1}{m^2+2}\right)}^2---\left(6\right)$

微粒数浓度和质量浓度有如下关系：

$N=\frac{{6C}_2}{\mathrm{\π\ρ}{a}^3}---\left(7\right)$

其中，C₂表示煤尘颗粒群的质量浓度，将(7)代入(6)式得到煤尘浓度与后向散射光强的关系式(8)

$I_2=\frac{3{\mathrm{\π}}^3{d}^3}{2\mathrm{\ρ}{\mathrm{\λ}}^4}\left(\frac{m^2-1}{m^2+2}\right)I_0\·C_2---\left(8\right)$

定义常数 $k\≡\frac{{3\mathrm{\π}}^3{a}^3}{2\mathrm{\ρ}{\mathrm{\λ}}^4}\frac{m^2-1}{m^2+2}{I}_0$

有I₂＝kC₂ (9)

因此，只要测量散射光在后向空间积分强度就能够得到小颗粒的浓度。所以使用可以收集后向180°附近的散射光能的光电器件，就可以有效地保证光电信号I₂与所求的质量浓度C₂之间的线性关系。

(2)进行信息的预处理：包括去除噪声和粗大误差处理，以及将预处理后的光信号进行电信号转换显示处理；

在步骤(2)中，更具体的，去除噪声和粗大误差处理包括以下步骤：

首先基于光电探测器获取I₁和I₂，并基于前人已经获得煤尘粒径分布符合Rosin-Rammler函数(简称R-R函数)分布，如公式(10)，

$V_{\left(a\right)}=1-\exp {(-a/\stackrel{\_}{a})}^n---\left(10\right)$

设n＝3、a为多个的大小颗粒值、入射光的强度I₀为固定、典型折射率m＝1.57-0.56i，通过图(6)和图(7)及图(8)，获得最佳系数k₁和k₂分别为和从而得到C₁＝k₁I₁，C₂＝k₂I₂,由此得到大小颗粒物的浓度值。

(3)建立基于多层前向神经网络(ErrorBackPropagationNetworks，简称BP)的神经网络数据融合模型包括设定神经网络隐含层神经元个数；在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内。基于煤尘粒径的Rosin-Rammler函数分布，对BP获取的神经网络数据融合模型参数进行修正。

信息融合算法采用面向对象的编程语言C#，其保持了C++中的优点，去除了C++的复杂性，使得语言更加简单，功能更加强大。上位机开发环境为MicrosoftVisualStudio20008。建立基于BP的神经网络数据融合模型，包括设定神经网络隐含层神经元个数，然后在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内，具体的步骤包括：

1)制定网络的拓扑结构，将网络设置为三层；

2)设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3)计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数。

4)以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后,样本信息识别归为输出误差最小的一类。

5)对BP获取的模型参数，基于Rosin-Rammler分布进行修正，便可以得到较好的输入输出线性关系。

(4)将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度。

本发明可以克服目前方法只测大颗粒不测小颗粒的缺点，对煤矿合理测尘控尘，意义显著。

一种基于数据融合的矿井煤尘浓度测量的装置，如图9所示，包括：

浓度收集模块1，用于收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

信号处理模块2，用于对光信号进行去除噪声和粗大误差预处理，以及将预处理后的光信号进行电信号转换显示处理：

数据融合修正模块3，用于建立基于BP的神经网络数据融合模型，包括设定神经网络隐含层神经元个数；在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内，以及用于基于煤尘粒径的Rosin-Rammler函数分布，对BP获取的神经网络数据融合模型参数进行修正；

信号输出模块4，用于将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度；其中，

所述浓度收集模块1、信号处理模块2、数据融合修正模块3以及信号输出模块4依次连接。

更具体的，如图10所示，所述浓度收集模块1包括激光器11、准直透镜12、半透半反棱镜13、第一聚焦透镜14、前向光电探测器15、第二聚焦透镜16、后向光电探测器17以及光陷阱18；其中，

激光由激光器11发射后经准直透镜12、半透半反棱镜13后进入煤尘循环测量区5，经煤尘循环测量区5中煤尘粒径a≦5μm反射的激光穿过煤尘循环测量区5，再经第一聚焦透镜14聚焦后照射在光陷阱18上，所述光陷阱18与前向光电探测器15连接，所述前向光电探测器15与信号处理模块2连接；

煤尘循环测量区5中煤尘粒径a≥5um反射的激光进入半透半反棱镜13折射，再经第二聚焦透镜16聚焦至后向光电探测器17；所述前向光电探测器15和后向光电探测器17均与信号处理模块2连接。

更具体的，所述浓度收集模块1还包括光电探测器101以及第三聚焦透镜19；其中，所述激光进入煤尘循环测量区5并反射的激光进入半透半反棱镜13，由相反于第二聚焦透镜16方向一侧射出，并经第三聚焦透镜19聚焦至光电探测器101；所述光电探测器101与信号处理模块2连接。

在本发明中，激光器11采用光束质量高、功率稳定性强、激光参数(波长、光斑直径，发散角、光斑能量分布)一致性好、波长为632.8nm的LE-LS-HeNe型氦氖激光器；准直透镜12采用型号为R650E5-3的滤波-准直扩束系统，其可以将光束宽度较细的激光束转化为光束大小适宜、光强均匀的平行光束，这样作为颗粒群的入射光，使测量更加准确；半透半反棱镜13将准直扩束后的光线分为反射光束和透射光束两部分，反射光束I₀由光电探测器101接受，作为入射光信号；透射光束通过煤尘循环测量区5后分为大量的前向散射光、后向散射光和少量的透射光三部分，其中前向散射光通过第一聚焦透14进入前向光电探测器15，由前向光电探测器15获得前向散射光强I₁，后向散射光透过半透半反棱镜13后进入第二聚焦透镜16，经第二聚焦透镜16由后向光电探测器17获取后向散射光强I₂，透射光则通过第三聚焦透镜19被光陷阱18吸收。光电转换探测器15、17、101采用工作电压宽、驱动电流小(仅有400μA)、灵敏度高、带宽4kHz、温度范围大(-40°～85°)的OPT301集成光电二极管。

所述半透半反棱镜13将准直扩束后的光线分为两束，反射光束I₀由光电探测器5接受，作为入射光信号，透射光束通过煤尘循环测量区5后分为大量的前向散射光、后向散射光和少量的透射光三部分，其中前向散射光通过第一聚焦透14进入前向光电探测器15，由前向光电探测器15获得前向散射光强I₁，后向散射光透过半透半反棱镜13后进入第二聚焦透镜16，经第二聚焦透镜16由后向光电探测器17获取后向散射光强I₂，透射光则通过第三聚焦透镜19被光陷阱18吸收。

更具体的，如图11所示，所述信号处理模块2包括信号调理模块21、A/D转换模块22、微处理器模块23、存储模块24、显示模块25以及D/A转换模块26，其中，所述光电探测器101、前向光电探测器15以及后向光电探测器17均与信号调理模块21连接，所述信号调理模块21、A/D转换模块22、微处理器模块23、D/A转换模块26依次连接，所述存储模块24、显示模块25均与微处理器模块23连接。微处理器采用型号STC12C5A60S2，其功耗低、抗干扰强、每个I/O口驱动能力为20mA。

更具体的，如图12所示，所述数据融合修正模块3包括：

网络拓扑结构设定模块31，用于制定网络的拓扑结构，将网络设置为三层；

网络参数设定模块32，用于设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

网络输出精度判断模块33，用于计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数；

输出误差调节模块34，用于以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的一类；

以经济模型参数修正模块35，用于对BP获取的模型参数，基于Rosin-Rammler分布进行修正，得到最优输入输出线性关系；其中，所述D/A转换模块26、网络拓扑结构设定模块31、网络参数设定模块32、网络输出精度判断模块33、输出误差调节模块34、模型参数修正模块35以及信号输出模块36依次连接。

在本发明实施例的实际应用过程中，激光器11发出的激光，经准直扩束系统后进入半透半反系统，将光束一分为二，经反射后的光作为系统的入射光，透过的光通过煤尘测量区5，经煤尘透射、散射后，输出前向散射光、后向散射光和透射一部分光。前向散射光经前向光电探测器15采集处理后得到代表大颗粒的信息；后向散射光经后向光电探测器17采集处理后得到代表小颗粒的信息。浓度收集模块1前后两向光通量信号并转化为电信号，其中，光电探测器101接收半透半反棱镜13的反射光通量，通过光电转化得到了反映入射光I₀的电压信号；同理前向光电探测器15由于接受了前向散射光能量，反映的是大粒径颗粒的散射光强，其中绝大部分是大颗粒的散射光能量(95％以上)通过光电转换得到电压信号β₁(t)，通过光电转换得到了反映大颗粒质量浓度的电压信号；后向光电探测器17接收了小颗粒的后向散射光能量，通过光电转换得到了反映小颗粒质量浓度的电压信号β₂(t)。将β₁(t)和β₂(t)依次输入信息融合修正模块3，通过融合算法可以得到测量空间中煤尘的浓度C。

本发明克服目前只测大颗粒不测小颗粒的缺点，对煤矿合理测尘控尘，尤其对控制工人患尘肺病几率具有重要意义。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于数据融合的矿井煤尘浓度测量的方法，其特征在于包括以下步骤：

(1)收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

(2)对光信号进行去除噪声和粗大误差预处理，将预处理后的光信号进行电信号转换显示处理；

(3)设定神经网络隐含层神经元个数；在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内；基于煤尘粒径的Rosin-Rammler函数分布，对多层前向神经网络BP获取的神经网络数据融合模型参数进行修正；

(4)将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度。

2.如权利要求1所述的基于数据融合的矿井煤尘浓度测量的方法，其特征在于，在步骤(2)中，所述去除噪声和粗大误差预处理包括以下步骤：

首先基于光电探测器获取I₁和I₂，并基于煤尘粒径分布符合Rosin-Rammler函数分布，函数关系式如下所示，

$V_{\left(a\right)}=1-\exp {(-a/\stackrel{\_}{a})}^n;$

设n＝3、a为多个的大小颗粒值、入射光的强度I₀为固定、典型折射率m＝1.57-0.56i，获得最佳系数k₁和k₂分别为和从而得到C₁＝k₁I₁，C₂＝k₂I₂,由此得到大小颗粒物的浓度值。

3.如权利要求2所述的基于数据融合的矿井煤尘浓度测量的方法，其特征在于，所述步骤(3)具体包括：

1)制定网络的拓扑结构，将网络设置为三层；

2)设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3)计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数；

4)以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的一类；

5)对BP获取的模型参数，基于Rosin-Rammler分布进行修正，得到最优输入输出线性关系。

4.一种基于数据融合的矿井煤尘浓度测量的装置，其特征在于，包括：

浓度收集模块，用于收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

信号处理模块，用于对光信号进行去除噪声和粗大误差预处理，将预处理后的光信号进行电信号转换显示处理；

数据融合修正模块，用于建立基于多层前向神经网络BP的神经网络数据融合模型：包括设定神经网络隐含层神经元个数，在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内；以及用于基于煤尘粒径的Rosin-Rammler函数分布，对BP获取的神经网络数据融合模型参数进行修正；

信号输出模块，用于将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度；其中，

所述浓度收集模块、信号处理模块、数据融合修正模块以及信号输出模块依次连接。

5.如权利要求4所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述浓度收集模块包括激光器、准直透镜、半透半反棱镜、第一聚焦透镜、前向光电探测器、第二聚焦透镜、后向光电探测器以及光陷阱；其中，

激光由激光器发射后经准直透镜、半透半反棱镜后进入煤尘循环测量区，经煤尘循环测量区中煤尘粒径a≦5μm反射的激光穿过煤尘循环测量区，再经第一聚焦透镜聚焦后照射在光陷阱上，所述光陷阱与前向光电探测器连接，所述前向光电探测器与信号处理模块连接；

煤尘循环测量区中煤尘粒径a≥5um反射的激光进入半透半反棱镜折射，再经第二聚焦透镜聚焦至后向光电探测器；

所述前向光电探测器和后向光电探测器均与信号处理模块连接。

6.如权利要求5所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述浓度收集模块还包括光电探测器以及第三聚焦透镜；其中，所述激光进入煤尘循环测量区并反射的激光进入半透半反棱镜，由相反于第二聚焦透镜方向一侧射出，并经第三聚焦透镜聚焦至光电探测器；所述光电探测器与信号处理模块连接。

7.如权利要求6所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述信号处理模块包括信号调理模块、A/D转换模块、微处理器模块、存储模块、显示模块、D/A转换模块，其中，所述光电探测器、前向光电探测器以及后向光电探测器均与信号调理模块连接，所述信号调理模块、A/D转换模块、微处理器模块、D/A转换模块依次连接，所述存储模块、显示模块均与微处理器模块连接。

8.如权利要求7所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述数据融合修正模块包括：

网络拓扑结构设定模块，用于制定网络的拓扑结构，将网络设置为三层；

网络参数设定模块，用于设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

网络输出精度判断模块，用于计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数；

输出误差调节模块，用于以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的一类；

以经济模型参数修正模块，用于对BP获取的模型参数，基于Rosin-Rammler分布进行修正，得到最优输入输出线性关系；其中，所述D/A转换模块、网络拓扑结构设定模块、网络参数设定模块、网络输出精度判断模块、输出误差调节模块、模型参数修正模块以及信号输出模块依次连接。