基于ZigBee和RBF神經網絡的礦井通風質量預測

寶銀曇

(陜西能源職業技術學院， 資源與測繪工程學院， 陜西， 咸陽 712000)

0 引言

礦井通風系統一直是礦井安全生產的基礎，直接影響到井下工作人員的正常呼吸，同時也關系到瓦斯爆炸等災害事故[1-3]。因此，礦井通風系統的升級和改造一直是礦井領域研究的熱點方向。

空氣質量是衡量礦井通風系統運行狀況的主要指標。無線傳感網技術的出現，使得礦井狀況的實時監測成為可能[4]。例如，李泉等[5]設計了一種基于ZigBee的煤礦井下盲區瓦斯信息采集系統，較好地解決監控盲區的問題。李瑞華等[6]設計了一種基于ZigBee的礦井安全檢測系統，能夠將氣體濃度指標通過無線采集，解決了人工排查的延遲問題。但是，僅僅依靠數據采集并顯示的傳統監測系統已經無法滿足煤礦安全生產需要，準確的氣體監測預警體系正成為近期相關研究的趨勢。例如，周西華等[7]提出了一種基于BP神經網絡的礦井瓦斯氣體涌出預測方法，采用遺傳算法優化BP神經網絡初始權值和閾值，有效地實現瓦斯涌出量的準確預測。但是BP神經網絡模型的泛化能力較差，導致該濃度數值預測方法僅對瓦斯氣體具有較高的準確率，無法廣泛推廣應用。然而，礦井通風質量預測還需要同時對多種氣體進行綜合分析。

作為一種前饋型的神經網絡，RBF神經網絡具有比BP神經網絡更好的泛化能力和更高的局部逼近精度。因此，在上述研究的基礎上，本文提出了一種基于ZigBee和RBF神經網路的礦井通風質量預測方法。主要創新點：設計了由主、從結構組成的ZigBee無線網絡，有利于更加全面地采集覆蓋井巷前、后端的5種氣體參數；采用RBF神經網絡模型替換BP神經網絡模型進行訓練，提高樣本泛化能力；充分利用了AI硬件平臺資源，提高預測的實時性。實驗結果驗證所提方法的有效性和可行性。

1 ZigBee組網和環境數據采集

1.1 總體結構設計

由于礦井環境中井巷結構通常狹長，這種特殊性導致單一的測點設計無法有效覆蓋整個作業面。因此，為了更加全面的監測礦井通風質量，設計了一種主、從型結構的ZigBee無線網絡，其總體結構如圖1所示。

圖1 主、從型ZigBee檢測裝置總體結構

從圖1可以看出，主、從裝置分別完成對測點1和測點2處的氣體濃度采集，實現井巷前、后端的空氣質量監測。

1.2 無線收發模塊

無線傳感器節點是基于IEEE802.15.4和IEEE1451.2標準[8-10]設計的，并且使用了電化學氣體傳感器。選取PIC 18F4550型微控器用以支持以上所有功能以及節點的研發。在傳輸(TX)模式下，傳感器節點功率損耗為83.624 1 mW，接口模塊引腳如圖2所示。無線傳感器節點如圖3所示。

圖2 接口模塊引腳

圖3 無線傳感器節點

1.3 傳感器模塊

本文選擇電化學傳感器進行數據采集。電化學傳感器基本上包括3種電極，即工作電極、反電極和參比電極，氣體濃度(C)與傳感器的輸出電壓(V)之間的關聯性表示如式(1)：

C=K·V

(1)

式(1)中，K是比例因數。

2 預測模型設計

2.1 數據預處理

氣體環境采集到的數據是尺度不一，因此在訓練之前需要對其進行歸一化預處理。采用最小-最大規范化進行數據歸一化預處理后，對RBF神經網絡模型進行訓練，歸一化預處理采用式(2)：

(2)

式(2)中，x′表示預處理后的樣本數據，x表示原始樣本數據，xmax和xmin分別表示樣本的最大值和最小值。

2.2 特征提取

利用SPSS 19.0 軟件的主成分分析(Principal Components Analysis，PCA)[11]提取功能，進行傳感器采集數據的降維工作。作為一種最常用的線性降維方法，PCA能夠在盡量保證“信息量不丟失”的情況下，通過投影對原始特征進行降維。

2.3 RBF神經網絡模型設計

設輸入樣本為Xk=(xk1,xk2,…,xkn)，k=1,2,…,m，其中m和n分別代表樣本總量和1個樣本的特征總數，一般而言，輸入層神經元個數和特征總數相等，若進行了樣本特征篩選好凈化后，輸入層神經元個數一般小于特征總數[12-14]。第k個樣本經過模型后得到的輸出為Yk=(yk1,yk2,…,ykn)，n為輸出層神經元個數。

首先，輸入樣本Xk經過權重到達隱含層第一層的值為式(3)：

(3)

S1j值經過特征轉換函數后可得式(4)：

(4)

RBF神經網絡選取的特征轉換函數為Gaussian函數。其中，σ為大于0的實數，cj為第j個隱含層中心值，將第一隱含層作為輸入[15]，經過權重到達第二隱含層的值為式(5):

(5)

然后經過轉換函數求解得到式(6)：

(6)

經過所有隱含層的輸出經過權重Vjt得到的結果為式(7)：

(7)

式(7)經過Gaussian函數求解得到整個模型的輸出結果為式(8)：

(8)

第k個樣本的誤差結果[16]為式(9)：

(9)

所有樣本的誤差為式(10)：

(10)

RBF神經網絡的礦井通風質量預測流程如圖4所示。

圖4 礦井通風質量預測流程

3 實驗結果與分析

3.1 實驗環境

為了對本文提出的視頻分類方法進行分析和驗證，進行具體實驗。實驗硬件環境分為模型訓練平臺和預測平臺。模型訓練平臺為PC電腦： 處理器為Intel Core i7 2.2 GHz，圖形圖像處理設備為GTX970M@2G顯存，內存為8 GB，軟件環境為Windows 7操作系統，MATLAB 7.0仿真軟件，監測系統的運行界面如圖5所示。

EdgeTPU嵌入式AI開發板安裝Python 2.7和TensorFlow1.3.0。將模型訓練平臺中訓練后的模型遷移到EdgeTPU嵌入式AI開發板上進行通風質量預測預測。

圖5 監測系統的運行界面

3.2 實驗數據集

實驗采用的礦井通風數據來自某煤炭公2#作業面中1000 m長井巷，環境數據采集時間是2019年5月12日到2019年10月12日。監測頻率為5分鐘一次，共采集到65 326組數據。其中前2個月的數據作為訓練樣本用于RBF神經網絡模型的訓練，后3個月的數據作為測試樣本用于預測。

3.3 預測性能評估指標

本文采用了平均絕對誤差(Mean Absolute Error，MAE)和準確率(Accuracy)；2個指標對RBF神經網絡模型的預測性能進行量化評估。

MAE的計算式如式(11)：

(11)

準確率的計算式如式(12)：

(12)

式(11)與式(12)中，N表示模型預測的總數，fi表示預測數值，yi表示實際數值。MAE數值越小則預測效果越好。

3.4 預測結果分析

以NO2的預測曲線結果為例，對RBF神經網絡模型的預測準確率進行了分析。RBF神經網絡模型計算出的2019年9月1日到2019年9月30日期間預測值與實際值對比曲線如圖6所示。

圖6 NO2預測值與真實值對比曲線

從圖6可以較為直觀的看出，RBF神經網絡模型預測值與真實值之間差異很小，預測波動較小。對于2019年7月12日到2019年10月12日期間的測試樣本，不同預測模型計算得出的CO、CO2、SO2、NO2及O2平均氣體濃度對比如表1所示。

表1 預測模型的性能對比

從表1可以看出，RBF神經網絡模型的平均預測準確率提高了14%，達到了87%，預測精度能夠滿足礦井通風質量預測的需求。

4 總結

本文提出了一種基于ZigBee和RBF神經網路的礦井通風質量預測方法。設計了由主、從結構組成的ZigBee無線網絡機構。采用RBF神經網絡模型替換BP神經網絡模型進行訓練，并將訓練后的模型遷移到EdgeTPU開發板上進行通風質量預測。實驗結果表明，BF神經網絡模型的平均預測準確率提高了14%。但是，采集數據的范圍只局限于一段井巷，且采集周期較短，因此測試和訓練樣本有限，這在一定程度上導致氣體濃度預測準確率不是很高，后續將繼續擴大樣本數量和氣體種類。