CN117269260A - 基于智能安全帽的井下气体浓度分布测量与预警系统和方法 - Google Patents

基于智能安全帽的井下气体浓度分布测量与预警系统和方法 Download PDF

Info

Publication number
CN117269260A
CN117269260A CN202311117551.1A CN202311117551A CN117269260A CN 117269260 A CN117269260 A CN 117269260A CN 202311117551 A CN202311117551 A CN 202311117551A CN 117269260 A CN117269260 A CN 117269260A
Authority
CN
China
Prior art keywords
module
sensor
gas concentration
gas
safety helmet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311117551.1A
Other languages
English (en)
Inventor
曹越洋
顾芳
周家涛
陆春玲
张加宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202311117551.1A priority Critical patent/CN117269260A/zh
Publication of CN117269260A publication Critical patent/CN117269260A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0044—Sulphides, e.g. H2S
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0047—Organic compounds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Molecular Biology (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明公开了一种基于智能安全帽的井下气体浓度分布测量与预警系统和方法。所述系统包括安全帽本体，所述安全帽本体上设有监测报警装置；所述监测报警装置包括传感器模块、定位模块、语音提示模块、视频监测模块、通信模块、微处理单元和电源模块。所述方法包括，如下步骤：S1.确定计算区域的网格；S2.建立气体扩散方程；S3.离散化气体扩散方程；S4.确定边界条件；S5.迭代求解；S6.结果分析。本发明通过将传感器、数据处理、预警算法和报警装置集成在智能安全帽中，可以实现实时、移动式的井下气体浓度监测和预警，提高矿工的安全水平。

Description

基于智能安全帽的井下气体浓度分布测量与预警系统和方法
技术领域
本发明属于井下安全技术领域，更具体地说，涉及一种基于智能安全帽的井下气体浓度分布测量与预警系统和方法。
背景技术
在矿业作业过程中，气体浓度的分布是一个非常重要的问题。井下环境通常存在着多种有害气体，如甲烷、硫化氢等，而这些气体的浓度超过一定的安全范围时，可能会引发矿工中毒、窒息等严重危险。因此，准确监测和预警井下气体浓度的变化是保障矿工安全的关键。
目前，传统的气体浓度监测方法主要依赖于固定式气体检测仪器，这些仪器需要安装在井下的固定位置，无法提供实时、移动式的监测。
发明内容
智能安全帽配备了传感器和预警装置，可通过穿戴在矿工头部的方式，实时监测气体浓度并提供预警信息，从而及时提醒矿工采取相应的安全措施。
基于矿用智能安全帽的井下气体浓度分布与预警方法主要包括以下几个关键技术：首先，选择合适的气体传感器，并将其嵌入智能安全帽中，以确保传感器能够准确、稳定地采集气体浓度信息。其次，通过传感器采集到的数据传输到计算设备，进行数据处理和分析，以判断气体浓度是否达到预警值。然后，设计合理有效的预警算法，这可以涉及到阈值的设定、基于历史数据的趋势分析、机器学习等技术手段。最后，根据预警算法的结果，通过智能安全帽上的报警装置(如蜂鸣器、震动装置或者显示屏)，向矿工传递预警信息，以便矿工采取相应的防护措施。
矿用智能安全帽的出现，为井下气体浓度分布与预警方法带来了全新的解决方案。通过将传感器、数据处理、预警算法和报警装置集成在智能安全帽中，可以实现实时、移动式的井下气体浓度监测和预警，提高矿工的安全水平。
基于本发明的一个方面，一种基于智能安全帽的井下气体浓度分布测量与预警系统，
所述系统包括安全帽本体，所述安全帽本体上设有监测报警装置；
所述监测报警装置包括传感器模块、定位模块、语音提示模块、视频监测模块、通信模块、微处理单元和电源模块；
所述电源模块，为监测报警装置提供电源；
所述传感器模块，与微处理单元连接；
所述定位模块、语音提示模块、视频监测模块和通信模块均分别与微处理单元连接。
进一步的，所述传感器模块包括温湿度传感器、一氧化碳传感器、甲烷传感器、硫化氢传感器和氧气浓度传感器；
所述温湿度传感器选用了SHT30，SHT30采用IIC总线进行通讯，获取数据命令将提供相同的数据，直到新的测量更新湿度和温度值；收到的数据中前16位为温度数据，后16位为湿度数据；将数据传输到单片机中进行公式计算，便可得出具体的温度和湿度，公式如下：
进一步的，所述一氧化碳传感器采用了MQ-7气体传感器；传感器表面电阻RS，通过与其串联的负载电阻RL上的有效电压信号VRL输出而获得，二者之间的关系为：
根据公式，可以得到如下关于PPM计算的组合公式：
通过公式3便可以将MQ-7输入的电压值转换为实际的物理量。
进一步的，所述甲烷传感器采用了MQ-4可燃气体传感器；所述硫化氢浓度传感器采用了GT-203H2S传感器；所述氧气浓度传感器采用了智能型气体检测模组，模组内置高精度电化学传感器，通过电路将气体浓度信号输出为需要的数字信号。
进一步的，所述微处理单元采用STM32G431RBT6开发平台及其外围电路组成的最小系统；
所述最小系统主要由晶振电路，复位电路，电源电路组成；
所述语音模块采用SYN6288，所述SYN6288语音合成芯片通过UART接口方式与微处理单元连接；控制器可通过通讯接口向SYN6288语音合成芯片发送控制命令和文本，SYN6288语音合成芯片把接收到的文本合成为语音信号输出，输出的信号经功率放大器进行放大后连接到喇叭进行播放；
所述视频监测模块采用ESP32-CAM；
所述通信模块采用无线传输单元LORA模块；
所述定位模块采用UWB收发器模组；
进一步的，所述系统还包括远程监控系统上位机，用于显示下位机头盔收集到的矿井内部的温湿度，气体浓度、位置信息，对安全等级和内部情况等参数进行实时监控。
基于本发明的另一个方面，一种基于智能安全帽的井下气体浓度分布测量与预警方法，包括如下步骤：
S1.确定计算区域的网格：将矿井区域划分为有限个网格，并确定网格之间的尺寸和距离；
S2.建立气体扩散方程：根据气体的传播规律，建立气体扩散方程
S3.离散化气体扩散方程：将气体扩散方程转化为离散的形式，使用有限差分法将偏导数离散化，将连续的方程转化为网格上的差分方程；
S4.确定边界条件：根据矿井的边界条件，确定边界网格上的气体浓度值；
S5.迭代求解：使用迭代方法，从初始条件开始，根据差分方程逐步更新网格上的气体浓度值，直到满足收敛条件为止；
S6.结果分析：根据迭代求解得到的网格上的气体浓度值，生成气体浓度分布的图像或等值线图，分析和评估矿井内气体浓度的分布情况。
根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明的基于智能安全帽的井下气体浓度分布测量与预警方法中的步骤。
根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的基于智能安全帽的井下气体浓度分布测量与预警方法中的步骤。
相比于现有技术，本发明至少具有如下有益效果：1.针对性强。当前煤炭灾害形式主要有：气体中毒、氧气不足导致窒息，瓦斯泄漏引起的爆炸和火灾、顶板冒落、突水引起的井巷塌方。因此，管理人员需要密切监测矿工周围的气体浓度和位置信息，当矿工遭遇危险时，可以第一时间进行救援，时刻保障矿工的生命安全，与市场上其他安全帽相比，本智能安全帽系统更能贴合矿井工作人员的需求。
2.便携式、一体化。现有的煤矿井下气体检测大多采用有线通信井下数据传输，存在检测范围受限、对线路依赖性强和布线繁琐等缺点，针对以上不足，本设计利用LORA长距离无线通信进行数据传输，通信距离可达至上千米，并在传统的安全帽上集成了温湿度检测、气体浓度检测、工作人员定位、光声报警和语音视频等多种功能于一体，不仅携带方便，也更加有力保障矿工的生命安全。
3.实时报警。基于有限差分法获取矿井内气体浓度，并构建基于BP神经网络的矿井气体等级分布状况，分为安全，预警和危险状态，当危险气体浓度超标或者氧气浓度低于标准时，在上位机和下位机分别报警，提醒矿工及监护人员。
4.系统稳定性强、在线监测。电源方面，采用6000mA大容量锂电池供电，满足矿用智能长时间工作问题，软件方面，采用RT-Thread实时操作系统，抢占式调度内核，多线程实时调度，具有较高的实时性和稳定性。设计配套的管理端后台界面，有助于管理者全方面了解矿井内部信息。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1是本发明系统示意图；
图2是本发明方法流程图；
图3是本发明一个较佳实施例测量数据范围示意图；
图4是本发明一个较佳实施例气体浓度示意图；
图5是本发明安全帽结构示意图。
具体实施方式
下面结合附图1-5和实施例详细说明本发明的具体实施方式。
如图1所示，本发明提供了一种基于智能安全帽的井下气体浓度分布测量与预警系统，所述系统包括安全帽本体，所述安全帽本体上设有监测报警装置；
所述监测报警装置包括传感器模块、定位模块、语音提示模块、视频监测模块、通信模块、微处理单元和电源模块；
所述电源模块，为监测报警装置提供电源；
所述传感器模块，与微处理单元连接；
所述定位模块、语音提示模块、视频监测模块和通信模块均分别与微处理单元连接。
所述传感器模块包括温湿度传感器、一氧化碳传感器、甲烷传感器、硫化氢传感器和氧气浓度传感器。
所述温湿度传感器选用了SHT30，SHT30采用IIC总线进行通讯，获取数据命令将提供相同的数据，直到新的测量更新湿度和温度值。收到的数据中前16位为温度数据，后16位为湿度数据。将数据传输到单片机中进行公式计算，便可得出具体的温度和湿度。公式如下：
所述一氧化碳传感器采用了MQ-7气体传感器。MQ-7气体传感器所使用的气敏材料是在清洁空气中电导率较低的二氧化锡(SnO2)。采用高低温循环检测方式低温(1.5v加热)检测一氧化碳，传感器的电导率随空气中一氧化碳气体浓度增加而增加，高温(5.0v加热)清洗低温时吸附的杂散气体。使用简单的电路即可将电导率的变化，转换为与该气体浓度相对应的输出信号。传感器表面电阻RS，通过与其串联的负载电阻RL上的有效电压信号VRL输出而获得。二者之间的关系为：
根据公式，可以得到如下关于PPM计算的组合公式：
通过公式3便可以将MQ-7输入的电压值转换为实际的物理量。
所述甲烷传感器采用了MQ-4可燃气体传感器。MQ-4气体传感器所使用的气敏材料是在清洁空气中电导率较低的二氧化锡(SnO2)。当传感器所处环境中存在可燃气体时，传感器的电导率随空气中可燃气体浓度的增加而增大。使用简单的电路即可将电导率的变化转换为与该气体浓度相对应的输出信号。
所述硫化氢浓度传感器采用了GT-203H2S传感器，该传感器具有非常高的硫化氢检测灵敏度，能够探测出极低浓度的硫化氢气体，以确保及时发现和警示潜在的危险。GT-203H2S传感器设计小巧轻便，便于携带和移动，适用于不同的工作环境。该传感器采用先进的传感技术，具有高精度和稳定性，能够提供可靠的硫化氢浓度读数。总之，硫化氢传感器是一项关键的安全设备，特别是在工业和危险环境中。GAOTEK GT-203H2S传感器通过其高灵敏度、实时监测、便携性和高精度等特点，提供了一种可靠的选择，以确保工人和环境的安全。
所述氧气浓度传感器采用了智能型气体检测模组，模组内置高精度电化学传感器，通过电路将气体浓度信号输出为需要的数字信号。传感器内部带有高精度放大、去噪声处理、温度补偿处理，同时每个传感器都经过标准气体标定处理，保证了传感器模组可以直接输出可用和准确的气体浓度信息。
所述微处理单元采用STM32G431RBT6开发平台及其外围电路组成的最小系统。
最小系统主要由晶振电路，复位电路，电源电路组成。
所述语音模块采用SYN6288，所述SYN6288语音合成芯片通过UART接口方式与微处理单元连接。控制器可通过通讯接口向SYN6288语音合成芯片发送控制命令和文本，SYN6288语音合成芯片把接收到的文本合成为语音信号输出，输出的信号经功率放大器进行放大后连接到喇叭进行播放。
所述视频监测模块采用ESP32-CAM。该模组可广泛应用于各种物联网场合，是物联网应用的理想解决方案。
所述通信模块采用无线传输单元LORA模块。模块设计是采用高效的ISM频段射频SX1278扩频芯片，模块的工作频率为410Mhz-441Mhz，以1Mhz频率为步进信道，共32个信道，可通过AT指令在线修改串口速率，发射功率，空中速率，工作模式等参数，并且支持固件升级功能。
所述定位模块采用UWB收发器模组。BU01是基于DW1000设计的超宽带(UWB)收发器模组，集成了天线，RF电路，电源管理和时钟电路。BU01可以用于双向测距或TDOA定位系统中，定位精度可达到10厘米，并支持高达6.8Mbps的数据速率。
所述系统包括远程监控系统上位机，用于显示下位机头盔收集到的矿井内部的温湿度，气体浓度、位置信息，对安全等级和内部情况等参数进行实时监控。
构建井下气体安全等级分布采用了基于有限差分法的BP神经网络。
具体方法为：
S1.确定计算区域的网格：将矿井区域划分为有限个网格，并确定网格之间的尺寸和距离。网格可以是二维或三维的，具体根据矿井的实际情况而定。
S2.建立气体扩散方程：根据气体的传播规律，建立气体扩散方程。通常采用二维或三维扩散方程来描述气体在空间中的传播。
本发明中，一氧化碳的气体扩散方程可以通过修正的菲克定律来描述。修正的菲克定律考虑到了扩散过程中的对流和扩散的贡献。
一氧化碳的气体扩散方程可以写作：
其中，C是一氧化碳气体的浓度，t是时间，x是空间坐标，D是扩散系数，v是气体的速度。
这个方程描述了一氧化碳浓度随时间和空间变化的规律。方程右侧第一项表示了扩散对浓度变化的贡献，第二项表示了对流对浓度变化的贡献。
与一氧化碳不同，甲烷的气体扩散方程可以写作：
其中，C是甲烷气体的浓度，t是时间，x是空间坐标，D是扩散系数，v是气体的速度，R是源项项。
这个方程描述了甲烷浓度随时间和空间变化的规律。方程右侧第一项表示了扩散对浓度变化的贡献，第二项表示了对流对浓度变化的贡献，第三项表示了源项对浓度变化的贡献。
源项项R可以表示为甲烷的产生或消耗速率的函数，例如化学反应或生物过程。
除了菲克定律外还有势流扩散方程。对于气体的扩散，如本发明中的硫化氢，其势流扩散方程可以写作：
其中，C是硫化氢气体的浓度，t是时间，x是空间坐标，D是扩散系数，J是气体的势流。
势流J可以表示为：
其中，D是扩散系数，μ是气体的势流系数。
势流扩散方程综合考虑了扩散和势流对浓度变化的影响。方程右侧第一项表示了扩散对浓度变化的贡献，第二项表示了势流对浓度变化的贡献。
S3.离散化气体扩散方程：将气体扩散方程转化为离散的形式，使用有限差分法将偏导数离散化，将连续的方程转化为网格上的差分方程。
S4.确定边界条件：根据矿井的边界条件，确定边界网格上的气体浓度值。边界条件包括固定浓度、固定通量等。
S5.迭代求解：使用迭代方法，从初始条件开始，根据差分方程逐步更新网格上的气体浓度值，直到满足收敛条件为止。
S6.结果分析：根据迭代求解得到的网格上的气体浓度值，可以生成气体浓度分布的图像或等值线图等，用于分析和评估矿井内气体浓度的分布情况。
如上所述的建立矿井内气体扩散方程的一种常用模型是扩散方程，可以根据质量守恒和扩散传递原理导出。
通常情况下，矿井内气体浓度分布可以用二维扩散方程来描述：
其中，C是气体浓度；t是时间；D是扩散系数；x,y是空间坐标。这个方程描述了气体浓度随时间和空间的变化。
另外，如果需要考虑三维的情况，可以将方程扩展为三维扩散方程：
其中，z是垂直方向的坐标。
离散化气体扩散方程是使用有限差分法将偏微分方程转化为差分方程的过程。本发明采用二维情况，具体步骤如下：
将计算区域划分为nx个网格节点沿x方向(从x＝0到x＝Lx)，ny个网格节点沿y方向(从y＝0到y＝Ly)。每个网格节点上的气体浓度用C(i,j)表示，其中i表示x方向上的网格索引(从1到nx)，j表示y方向上的网格索引(从1到ny)。
离散化扩散方程的一种常用方法是中心差分法。使用中心差分法将二阶导数项近似为：
其中Δx和Δy是网格步长。将上述近似代入到扩散方程中，可以得到离散化后的形式：
进一步进行离散化，可用以下差分方程来迭代求解气体浓度C(i,j)在不同时间步长上的值：
C(i,j,t+Δt)＝C(i,j,t)+Δt*D*((C(i-1,j,t)-2C(i,j,t)+C(i+1,j,t))/Δx2+(C(i,j-1,t)-
2C(i,j,t)+C(i,j+1,t))/Δy2)(10)
其中t和t+Δt表示不同时间步长上的时间。通过迭代求解差分方程，可以逐步更新网格节点上的气体浓度值，得到气体浓度分布随时间变化的模拟结果。
边界条件为:
固定浓度边界条件(Dirichlet边界条件)：
线性边界条件：可以选择一个线性函数来表示边界上的浓度变化，例如C(i,j)＝a*x+b，其中a和b是常数，x是边界节点的位置。
指定浓度值：直接设定边界节点上的浓度为一个给定的浓度值，例如C(i,j)＝C0，其中C0是给定的浓度值。
移动边界条件：
根据通量计算浓度：根据通风系统的设计和气体的输出速率，可以计算出边界节点上的浓度。
通过浓度＝通量/面积计算。
隔离边界条件：
边界节点上的扩散通量为零：通过将边界节点上的扩散通量设为零来实现隔离。即计算边界节点上的扩散通量，并将其设为零。
如上所述的BP神经网路包含以下步骤：
1.数据准备：
收集实时的气体浓度数据，包括四种气体的浓度值。
对数据进行预处理，确保数据的范围和分布与用于训练神经网络的数据一致。
2.模型构建：
定义BP神经网络模型，包括输入层、隐藏层和输出层。
输入层：根据实际情况，确定输入层的神经元数量，每个神经元对应一个气体浓度。
隐藏层：可以根据需求选择隐藏层的数量和神经元数量，并为每个隐藏层选择合适的激活函数。
输出层：根据安全等级的分类情况，确定输出层的神经元数量，并使用合适的激活函数。
3.模型训练：
使用历史的气体浓度数据和对应的安全等级数据进行模型训练。
设置训练的损失函数和优化器，并指定训练的批次大小和迭代次数。
可以采用在线学习的方式，即每次接收到新的气体浓度数据，都进行一次反向传播更新模型参数。
4.模型预测：
当收到新的气体浓度数据时，将其作为输入传递给训练好的BP神经网络。
网络将输出对应于每个安全等级的概率分布。可以选取概率最高的安全等级作为预测结果。
其中，对数据进行预处理是将数据缩放到一个特定的范围内，通常是[0,1]或[-1,1]之间。
使用公式：
normalized_value＝(value-min_value)/(max_value-min_value) (11)
其中value是原始数据，min_value和max_value分别是数据的最小值和最大值。
其中，本系统可以用来实时监测矿井中一氧化碳、瓦斯(甲烷)、硫化氢和氧气的气体浓度，并根据这些气体浓度来判断矿井当前位置浓度的安全等级类别，安全等级类别分为三类，分别为安全、预警和危险，并根据判断的结果来达到提示矿工的效果。因此，本次神经网络设计为3-10-3，即3个输入层，10个隐藏层和3个输出层。
本发明对矿井中氧气、一氧化碳和甲烷含量进行分类，分别规定了井下一氧化碳浓度最高允许范围为0.0024％，瓦斯(甲烷)浓度不得超过1％，硫化氢的最高允许浓度为0.00066％，氧气浓度不得低于20％，为此，本发明对气体范围分布进行如图3所示划分。
其中，激活函数为Sigmoid函数：
f(x)＝1/(1+exp(-x)) (12)
它将输入的连续实值映射到0和1之间的输出，具有平滑的性质。
其中，损失函数采用交叉熵(Cross Entropy)，用于衡量两个概率分布之间的差异。对于分类问题，本发明使用交叉熵来计算模型输出的预测概率分布与真实标签之间的差异。
假设有N个样本，每个样本有K个类别(分类问题)，则交叉熵的公式如下：
交叉熵＝-1/N*Σ(Σ(yi*log(pi))) (13)
其中，yi是第i个样本的真实标签向量，维度为K维，表示样本所属的类别；pi是第i个样本的预测概率向量，维度也为K维，表示模型对每个类别的预测概率；log表示自然对数。
交叉熵损失函数通过将真实标签的对数概率与预测概率相乘，再对所有样本求和，来衡量模型输出的预测概率与真实标签之间的误差。本发明希望模型的预测概率能够准确地接近真实标签的概率，从而使交叉熵的值最小化。
其中，本发明使用交叉熵作为损失函数时，预测概率需要通过激活函数进行归一化，以保证概率的范围在0到1之间且概率之和为1。同时，为了避免计算log(0)的错误，本发明在计算交叉熵时加入一个小的平滑项(epsilon)，如1e-8，以防止log(0)的出现。
其中，模型测试结果结合图4在具体实施方式中阐述。
采用多线程实时调度，多线程可以同时执行多个任务，从而提高系统的并发处理能力。特别是在多核处理器上，多线程可以充分利用处理器的多个核心，实现并行处理，提高系统的处理效率。多线程可以将任务分成多个子任务，并同时进行处理，在任务开始执行的时候就能减少等待时间。因此，多线程可以减少响应时间，提高系统的实时性能。多线程可以使系统中的资源得到更充分的利用。例如，一个线程在等待I/O操作完成的时候，可以让其他线程继续执行其他任务，从而减少资源的闲置时间。多线程可以将复杂的任务划分成多个独立的子任务，并由不同的线程独立执行，从而降低系统的复杂度，提高系统的可维护性和可扩展性。总的来说，多线程实时调度可以提高系统的处理能力、响应时间和资源利用率，提高系统的灵活性和可扩展性，从而为用户提供更好的使用体验。
实施例2：
本实施例的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1的基于智能安全帽的井下气体浓度分布测量与预警方法中的步骤。
本实施例的计算机可读存储介质可以是终端的内部存储单元，例如终端的硬盘或内存；本实施例的计算机可读存储介质也可以是所述终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡，安全数字卡，闪存卡等；进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。
本实施例的计算机可读存储介质用于存储计算机程序以及终端所需的其他程序和数据，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3：
本实施例的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1的基于智能安全帽的井下气体浓度分布测量与预警方法中的步骤。
本实施例中，处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等；存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据，存储器的一部分还可以包括非易失性随机存取存储器，例如，存储器还可以存储设备类型的信息。
本领域内的技术人员应明白，实施例公开的内容可提供为方法、系统、或计算机程序产品。因此，本方案可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本方案可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本方案是参照根据本方案实施例的方法、和计算机程序产品的流程图和/或方框图来描述的，应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合；可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。

Claims (9)

1.一种基于智能安全帽的井下气体浓度分布测量与预警系统，其特征在于，所述系统包括安全帽本体，所述安全帽本体上设有监测报警装置；
所述监测报警装置包括传感器模块、定位模块、语音提示模块、视频监测模块、通信模块、微处理单元和电源模块；
所述电源模块，为监测报警装置提供电源；
所述传感器模块，与微处理单元连接；
所述定位模块、语音提示模块、视频监测模块和通信模块均分别与微处理单元连接。
2.根据权利要求1所述的系统，其特征在于，所述传感器模块包括温湿度传感器、一氧化碳传感器、甲烷传感器、硫化氢传感器和氧气浓度传感器；
所述温湿度传感器选用了SHT30，SHT30采用IIC总线进行通讯，获取数据命令将提供相同的数据，直到新的测量更新湿度和温度值；收到的数据中前16位为温度数据，后16位为湿度数据；将数据传输到单片机中进行公式计算，便可得出具体的温度和湿度，公式如下：
3.根据权利要求2所述的系统，其特征在于，所述一氧化碳传感器采用了MQ-7气体传感器；传感器表面电阻RS，通过与其串联的负载电阻RL上的有效电压信号VRL输出而获得，二者之间的关系为：
根据公式，可以得到如下关于PPM计算的组合公式：
通过公式3便可以将MQ-7输入的电压值转换为实际的物理量。
4.根据权利要求2所述的系统，其特征在于，所述甲烷传感器采用了MQ-4可燃气体传感器；所述硫化氢浓度传感器采用了GT-203H2S传感器；所述氧气浓度传感器采用了智能型气体检测模组，模组内置高精度电化学传感器，通过电路将气体浓度信号输出为需要的数字信号。
5.根据权利要求1所述的系统，其特征在于，所述微处理单元采用STM32G431RBT6开发平台及其外围电路组成的最小系统；
所述最小系统主要由晶振电路，复位电路，电源电路组成；
所述语音模块采用SYN6288，所述SYN6288语音合成芯片通过UART接口方式与微处理单元连接；控制器可通过通讯接口向SYN6288语音合成芯片发送控制命令和文本，SYN6288语音合成芯片把接收到的文本合成为语音信号输出，输出的信号经功率放大器进行放大后连接到喇叭进行播放；
所述视频监测模块采用ESP32-CAM；
所述通信模块采用无线传输单元LORA模块；
所述定位模块采用UWB收发器模组。
6.根据权利要求1所述的系统，其特征在于，所述系统还包括远程监控系统上位机，用于显示下位机头盔收集到的矿井内部的温湿度，气体浓度、位置信息，对安全等级和内部情况等参数进行实时监控。
7.一种基于智能安全帽的井下气体浓度分布测量与预警方法，其特征在于，包括如下步骤：
S1.确定计算区域的网格：将矿井区域划分为有限个网格，并确定网格之间的尺寸和距离；
S2.建立气体扩散方程：根据气体的传播规律，建立气体扩散方程
S3.离散化气体扩散方程：将气体扩散方程转化为离散的形式，使用有限差分法将偏导数离散化，将连续的方程转化为网格上的差分方程；
S4.确定边界条件：根据矿井的边界条件，确定边界网格上的气体浓度值；
S5.迭代求解：使用迭代方法，从初始条件开始，根据差分方程逐步更新网格上的气体浓度值，直到满足收敛条件为止；
S6.结果分析：根据迭代求解得到的网格上的气体浓度值，生成气体浓度分布的图像或等值线图，分析和评估矿井内气体浓度的分布情况。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求7中所述的基于智能安全帽的井下气体浓度分布测量与预警方法中的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求7中所述的基于智能安全帽的井下气体浓度分布测量与预警方法中的步骤。
CN202311117551.1A 2023-08-31 2023-08-31 基于智能安全帽的井下气体浓度分布测量与预警系统和方法 Pending CN117269260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311117551.1A CN117269260A (zh) 2023-08-31 2023-08-31 基于智能安全帽的井下气体浓度分布测量与预警系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311117551.1A CN117269260A (zh) 2023-08-31 2023-08-31 基于智能安全帽的井下气体浓度分布测量与预警系统和方法

Publications (1)

Publication Number Publication Date
CN117269260A true CN117269260A (zh) 2023-12-22

Family

ID=89201793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311117551.1A Pending CN117269260A (zh) 2023-08-31 2023-08-31 基于智能安全帽的井下气体浓度分布测量与预警系统和方法

Country Status (1)

Country Link
CN (1) CN117269260A (zh)

Similar Documents

Publication Publication Date Title
Amado et al. Development of machine learning-based predictive models for air quality monitoring and characterization
US9612195B1 (en) Gas detector and method for monitoring gas in a confined space
Zakaria et al. Wireless internet of things-based air quality device for smart pollution monitoring
Shah et al. IoT-enabled low power environment monitoring system for prediction of PM2. 5
Legg et al. Optimal gas detector placement under uncertainty considering Conditional-Value-at-Risk
US11473996B2 (en) Remote pneumatic testing system
Bhoi et al. IoT-EMS: An internet of things based environment monitoring system in volunteer computing environment
KR20150041590A (ko) 동적 워크플로우 우선순위 선정 및 작업 수행을 위한 방법들 및 시스템들
Brodny et al. Applying an automatic gasometry system and a fuzzy set theory to assess the state of gas hazard during the coal mining production process
Dhanalakshmi A survey paper on vehicles emitting air quality and prevention of air pollution by using IoT along with machine learning approaches
CN117269260A (zh) 基于智能安全帽的井下气体浓度分布测量与预警系统和方法
Yang et al. Prediction of hydrogen leakage location and intensity in hydrogen refueling stations based on deep learning
CN106706854A (zh) 一种空气检测系统
Shi et al. Research on Air Quality Monitoring System Based on STM32 Single Chip Microcomputer
CN114444776A (zh) 一种基于神经网络的危险源分析方法及装置
Zhang et al. An unsupervised leak detection method with aggregating prediction and reconstruction along projection pathway for natural gas gathering pipelines
CN110543198A (zh) 一种设备监控系统和方法
Wu et al. Research on the geometric weighting-coupling degree method for the urban ecological environment vulnerability index
Yang et al. AI-EMS: An Environmental Monitoring System with AI Prediction
Deepthi et al. Solar based air quality monitoring using internet of things
Gul et al. Learning Predictive Models for Underground Coal Mine Environment Using Sensor Data
US12027268B2 (en) Device for measuring skin exposure to pollutants or proximity to pollutant sources and recommending personalized skincare products
US20220139551A1 (en) Device for measuring skin exposure to pollutants or proximity to pollutant sources and recommending personalized skincare products
Siwan et al. Machine learning in AWS for IoT-based oil pipeline monitoring system
Ai et al. Early fire detection technology based on improved transformers in aircraft cargo compartments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination