瓦斯監控系統異常信號識別研究綜述

摘 要：煤礦瓦斯監控系統異常信號辨識是煤礦瓦斯監控系統故障診斷研究的關鍵問題。文章闡述煤礦瓦斯監控系統異常信號辨識的研究意義，介紹了煤礦瓦斯監控系統誤報檢測領域相關的基本方法、思路、作法，最后給出現有研究存在的問題。

關鍵詞：煤礦瓦斯監控系統；故障診斷；信號辨識

煤礦瓦斯監控系統是確保煤礦生產中最重要系統之一。煤礦瓦斯監控系統的周圍各種環境復雜、自身誤報率較高且對煤礦安全生產影響重大。從煤礦瓦斯監控系統的異常信號特征入手，以研究異常信號的辨識為目的，對瓦斯監測系統異常信號進行辨識和分類具有重要意義，對現有的瓦斯監控系統故障診斷理論研究也是必要的補充。

1 瓦斯監控系統故障診斷的研究意義

1.1 煤礦瓦斯監控系統異常信號辨識是煤礦瓦斯監控系統故障診斷研究的關鍵問題

以淮南某礦瓦斯監測系統為例，通過現場調查現該礦使用的是一套KJ91N煤礦安全監控系統，其KJ91N型監控系統運行情況良好，其框架結構分為設備層、交換層和信息層。通過對其監控分區和調度部門的調研得知該礦監控設備出現異常情況共159次。占全部故障的76.3%的主要故障是由傳感器誤報、通訊故障引起的，而此類問題在監控系統的數據表現常常反映為常值輸出、恒增益、周期性脈沖、顯著信號異常（冒大數）等，通過對瓦斯監控系統常見異常信號的分析，得出現場存在的異常信號主要分為恒偏差型、瞬時型、周期性脈沖型。瓦斯監控系統異常信號辨識首先從異常信號的統計特征下手，通過研究得到可以描述其異常特征的統計參數；再進一步研究在線應用條件下的異常信號數據融合檢出方法；通過建立模擬仿真實驗平臺，進行瓦斯監控系統異常信號加載實驗，進行異常信號的辨識研究，通過運用多種算法進行比較得到瓦斯監控系統異常信號辨識方法，通過對煤礦瓦斯監控系統的異常信號的辨識研究可以對煤礦瓦斯監控系統變定期維護或故障維修為預防維修，輔助現有人工檢查更快更好的完成復雜的故障排除和現場處理，提高設備維和安全管理水平，保障安全生產。

1.2 從異常信號的角度入手，辨識瓦斯監控系統的異常信號，為解決煤礦監控系統誤報問題提出了有效地途徑

礦井瓦斯監控系統的可靠性特別是傳感器信號異常造成的誤報診斷問題已引起學術界和工業界的高度關注。目前，煤礦提升設備、供電變壓器和風機方面的故障診斷研究都已很多，有的已經有了很好的實踐應用，但針對煤礦瓦斯監測系統異常信號辨識方面的研究并不多見。從異常信號的角度入手，另辟蹊徑解決煤礦監控系統誤報診斷技術，進一步完善了傳感器故障診斷方法研究理論體系，對于煤礦瓦斯監測系統進行誤報分析與誤報處理，提高其可靠性安全性有著極其重要的意義。

2 國內外研究現狀

異常監測數據出現的概率雖然不太大，屬于小樣本事件，但其中蘊涵的影響十分巨大，所以不能簡單的將其從安全監測監控系統中消除，而是要對其進行辨識，分析原因得到其內部蘊含的意義。從現有文獻研究可知，還無人從異常信號的角度入手，系統的研究此方向問題。現有文獻中的各種方法很難適用所有的情況，對故障發生的機理描述尚不確切。從研究手段和方法來分，可以分為以下三類。

2.1 采用數據融合方法的故障診斷策略

基于數據融合的故障診斷方法本質上是根據相關多傳感器通過某種學習算法或推理逼近傳感器真實值的自確認和信號恢復技術。徐立中在文獻[1]中通過引入系統的完整性及完整度的定義，采用模糊控制理論和方法解決了煤礦監控系統可靠性問題，探討了使用模糊決策的數據融合技術在監控系統性能評價上的應用。遼寧工程科技大學的付華教授在文獻[1]中使用了離線訓練、在線應用的支持向量回歸方法對現有工作面的瓦斯濃度進行預測。通過支持向量回歸方法建立的信號序列恢復信號對實測信號的逼近和跟蹤，對于異常信號給出診斷的結果。同時采用神經網絡預測結合主元分析降維的的方法來處理訓練樣本集合維數龐大、計算耗時過長、失去實時性的問題，在診斷決策方面采用D-S證據理論。通過仿真實驗可以看到此方法對瓦斯監控系統的診斷是有效的。

2.2 信號處理和模式辨識理論進行瓦斯監控系統故障診斷的方法

這種方法的主要途徑是：根據原始采樣信號形成初始樣本，利用小波包，主元分析、Hilbert-Huang變換等特征提取方法，提取信號特征（降維）后，通過神經元網絡，支持向量機、模糊聚類分析等分類方法進行故障辨識。

王軍號在文獻[2]中提出了偏置型、沖擊型、漂移型和周期型等幾種突發型信號特征故障，同時提出了瓦斯監控系統突變型和漸變型故障的概念，細分了瓦斯監控系統故障的表現類型。采用小波包分解的各階特征能量譜和Kalman濾波算法（EKF）優化的RBF神經網絡方法對其定義的幾種典型故障信號進行了辨識，獲得了很高的辨識準確率。

2.3 多Agent融合的瓦斯監測系統故障診斷方法

王其軍在文獻[3]中都提到了構造多個Agent融合診斷的思想。這種方法在中心站上位機上可以實現，也適合現有的監控網絡盤平臺。將各個智能診斷方法形成多個Agent，譬如王其軍將免疫神經網絡預測模型的故障檢出方法當作Agent1；將故障樹方法故障檢出方法當作Agent2；將灰箱模型的故障檢出方法當作Agent3；最后給出了決策級融合的多Agent融合路線和架構，通過多個判決方法的辨識結果融合評價進行故障診斷。

3 目前研究存在的問題

（1）基于數據融合的異常信號識別只能對瓦斯濃度做數值預測（信號重構）難以作煤礦瓦斯監控系統的信號狀態進行模式辨識。（2）多數據融合瓦斯傳感器信號的算法的參數人為盲目的選擇十分影響支持向量回歸的精度，應避免人為選擇參數的盲目性。（3）已有研究并沒有提出科學的異常信號檢出預定閾值選取方法，現有文獻采用的是先驗性的閾值，而且閾值的選擇角度單一，這會影響出現故障的診斷正確率，會造成誤報和錯報概率提高。（4）研究小波分解提取特征方法多用于機械故障診斷特征提取方面，在煤礦瓦斯監控系統異常信號提取方面應用不多，提取結果受樣本點選擇、發生異常信號的時間點及程度影響巨大，容易造成誤判、錯分，現有相關研究對各種算法也沒有提出小波函數的選擇標準。

4 結束語

文章針對煤礦瓦斯監控系統異常信號辨識這一煤礦瓦斯監控系統故障診斷研究中的關鍵問題，總結了現有相關研究的進展和成果。提出了煤礦瓦斯監控系統異常信號辨識現存的主要問題。為進一步開展煤礦瓦斯監控系統異常信號辨識工作提供了思路。

參考文獻

[1]徐立中.井下監控系統運行可靠性的一種監測方法研究[J].太原理工大學學報，1998，29（2）.

[2]付華，楊欣，高婷.基于SVR的瓦斯傳感器故障診斷方法[J].傳感器與微系統，2009，28（2）：10-12.

[3]王軍號，孟祥瑞，吳宏偉.基于小波包與EKF-RBF神經網絡辨識的瓦斯傳感器故障診斷[J].煤炭學報，2011，35（5）：868-872.

[4]王其軍，程久龍.基于免疫神經網絡模型的瓦斯濃度智能預測[J].煤炭學報，2008，33（6）：665-669.

作者簡介：黃凱峰（1982-），男，黑龍江鶴崗人，博士研究生。