基于雙光源檢測的煙霧多特征感知技術研究

豐穎

（1.煤炭科學技術研究院有限公司，北京 100013；2.煤礦應急避險技術裝備工程研究中心，北京 100013；3.北京市煤礦安全工程技術研究中心，北京 100013）

火災是各類煤礦險情中最嚴重的災害之一。礦井內一旦發生火災事故，會產生大量有毒有害的高溫煙氣，對全礦及礦區人員的生命安全造成危害。因此，能否在火災初期及時準確地發出預警，使井下人員有充足的時間采取措施，避免更大的人員傷亡和財產損失，具有至關重要的意義。目前，煙霧監測是礦井火災早期預警的重要手段，當前礦井煙霧多采用離子式、光電式、氣敏式等單一檢測原理的煙感設備進行識別，然而煤礦井下煤塵多、濕度大、電磁環境復雜，單一檢測原理的煙霧傳感器容易出現誤報或漏報的情況[1]。該文提出一種基于雙光源檢測技術的煙霧多特征感知傳感器設計方法，在檢測煙霧的同時，檢測一氧化碳與溫度，并將檢測結果送入數據融合算法模型進行決策，實現礦井煙霧準確識別。

1 雙光源煙霧檢測技術工作原理

經過大量實驗發現：不同物質在燃燒的前兩個階段產生的氣溶膠集中分布在一段粒子直徑范圍內；同時，經過對大量氣溶膠的粒徑分析發現，導致火災誤報警的水汽和粉塵等氣溶膠粒徑遠大于其他大多數物質熱解的平均粒徑。根據粒子光散射原理，在入射光功率一定時，顆粒物散射光強會隨粒徑和波長等因素變化，采用不同波長的光源，對不同粒徑的顆粒物，其散射光強不同。因此，利用雙光源檢測技術，不僅可以進行煙霧濃度檢測，還可以對煙霧的顆粒直徑進行檢測，以此來區分火災煙與干擾源，減少誤報的情況。

ADI 的一款集成光學模塊ADPD188BI，利用不同光波長的特點，采用雙波長探測顆粒物散射光強，通過區分不同大小的顆粒來排除干擾源。該模塊在單個封裝內集成了模擬前端（AFE）、兩個LED 發射器（一個藍光發射器、一個紅外發射器）以及光電二極管——藍色LED 波長470 nm 和紅外LED 波長850 nm，這兩個LED 在獨立時隙發出光脈沖，射出的光碰到空氣中的顆粒物，散射回光電二極管。通過雙色光波長檢測，除了支持單個波長的單獨測量外，也支持分析比率構成，使得誤報率進一步降低[2]。煙霧檢測模塊原理框圖如圖1 所示。

圖1 煙霧檢測模塊原理框圖

2 多源數據識別技術

2.1 礦井火災煙霧的主要特征

物質整個燃燒過程主要分為三個發展階段：熱解、陰燃和明火，其中熱解和陰燃是以釋放氣體和氣溶膠為主要特征，釋放的氣體成分主要有一氧化碳、二氧化碳、氮氧化物等，釋放的氣溶膠俗稱為煙霧，是物質燃燒時懸浮在空氣中的微小顆粒物。另外，火災發生時的另一顯著特征為溫度的迅速升高[3-5]。

2.2 多源數據檢測

結合礦井火災煙霧的主要特征，在研究煙霧顆粒識別、溫度變化感知、氣體濃度檢測等多種煙霧特征信息識別方法的基礎上，運用多源數據融合算法，最終實現煙霧的智能識別。煙霧探測器采用ADI 的集成光學模塊ADPD188BI，溫度感知元件采用集成半導體溫度芯片DS18B20[6]，一氧化碳檢測元件采用英國城市的4 CM 系列元件[7]。

2.3 硬件電路設計

多特征感知煙霧傳感器由多源數據感知電路（包括煙霧檢測模塊、一氧化碳檢測模塊、溫度檢測模塊組成）、顯示模塊、通信模塊、報警模塊等組成。各參數檢測模塊將采集到的信號轉換成標準的模擬或者數字信號上傳至微控制器，經過微控制器處理后，實現顯示、報警、傳輸等功能[8]。傳感器使用STM32F103C8T6 作為微控制器，硬件電路框圖如圖2 所示。

圖2 煙霧多特征感知硬件電路框圖

煙霧檢測模塊采用光學模塊ADPD188BI，電路原理圖如圖3 所示。

圖3 煙霧檢測模塊電路原理圖

一氧化碳檢測模塊電路原理圖如圖4 所示。

圖4 一氧化碳檢測模塊電路原理圖

溫度檢測模塊采用DS18B20 溫度感知元件，其通過單總線通信協議與微控制器進行通信。

3 多源數據融合算法

3.1 D-S證據理論基礎

在D-S 證據理論中，用Θ表示一個樣本空間，其被稱為一個辨別框架。Θ由一系列兩兩相斥的對象Ai構成，且Θ包含當前要識別的全體對象，即Θ={A1,A2,…,An}。證據理論的基本問題是：已知辨識框架Θ，判明測量模板中某一未定元素支持Θ中某一Ai的程度[9]。

令Θ為一論域集合，2Θ為Θ的所有子集合構成的集合，稱為m：2Θ→[0,1]為基本概率分配函數，它滿足如下定理：

式中，P(Θ)為Θ 的所有子集；m(A)為證據對命題A的支持程度；m(?)為證據對空集的支持程度。

D-S 證據理論的基本策略：將證據集合分成2個以上（包含2 個）不相關的元素，然后用它們來獨立判斷辨識框架，再結合Dempster 合成規則將它們組合起來，Dempster 證據合成公式如式（2）所示[10-13]：

其中，證據之間沖突程度如式（3）所示：

式中，Ai，Aj，Al為Θ的子集；m1(Ai) 為證據1對命題Ai的支持程度；m2(Aj)為證據2 對命題Aj的支持程度；m3(Al)為證據3 對命題Al的支持程度。

但是，當證據間發生高度沖突時，用原始的D-S合成規則進行數據融合，無法得到有效的決策結果，在實際應用中，需要對其進行改進。該文將證據沖突程度k按q(A)（證據對A的平均支持度）分配給A，即把證據沖突概率按各個命題的平均支持程度加權進行分配[14-16]。

改進后的合成公式為：

其中，證據對A的平均支持度為：

式中，n為證據條數；mi(A)為證據i對命題A的支持程度。

3.2 數據融合算法在煙霧檢測中的應用

根據火災是否發生，確定識別框架Θ={A1,A2}，其中A1代表有火災，A2代表無火災。

根據式（3），火災發生的概率為：

其中，證據間的沖突因子為：

證據對A1的平均支持度為：

式中，ms(A1)為煙霧檢測模塊支持有火災的概率；ms(A2) 為煙霧檢測模塊支持無火災的概率；mt(A1)為溫度檢測模塊支持有火災的概率；mt(A2)為溫度檢測模塊支持無火災的概率；mc(A1)為一氧化碳檢測模塊支持有火災的概率；mc(A2)為一氧化碳檢測模塊支持無火災的概率。

當煙霧檢測模塊檢測到煙霧濃度大于5% obs/m時，ms(A1)為1，ms(A2)為0，反之，ms(A1)為0，ms(A2)為1。一氧化碳及溫度兩個參數支持火災發生概率的確定依賴于檢測模塊自學習得到的經驗數據庫。將傳感器置于測試環境中，在有煙及無煙的狀態下，獲取一定數量的經驗數據。

溫度支持火災發生的概率為：

式中，nt為溫度小于或等于當前溫度下經驗數據庫中發生火災的次數；N為經驗數據庫中發生火災的總次數。

一氧化碳濃度支持火災發生的概率為：

式中，nc為一氧化碳濃度小于或等于當前一氧化碳濃度下經驗數據庫中發生火災的次數；N為經驗數據庫中發生火災的總次數。

3.3 數據融合算法軟件流程設計

軟件的主要功能包括初始化，敏感元器件自檢，數據采集、計算、融合，數據顯示、上傳和聲光報警[17-18]。煙霧多特征感知傳感器軟件流程圖如圖5 所示。

圖5 煙霧多特征感知傳感器軟件流程圖

4 基于D-S證據理論融合算法的實驗驗證

實驗分為三個場景進行驗證：①實際有煙的情況下，傳感器漏報率；②水汽、粉塵較大的環境下，傳感器的誤報率；③現場工業實驗。前兩個場景各進行10 組實驗，實驗結果如表1 和表2 所示，工業實驗選取5 處粉塵、水汽較大的井下環境進行，實驗結果如表3 所示。

表1 實際有煙狀態下D-S融合結果

表2 水汽、粉塵環境下D-S融合結果

表3 工業實驗結果

4.1 實際有煙的情況下，傳感器的漏報率

實際有煙的情況下，各檢測模塊對火災發生支持概率及D-S 融合結果如表1 所示。

表1 表明：①煙霧檢測模塊正常工作的情況下，可以準確判斷環境中存在煙霧；②D-S 融合算法得到的決策結果與實際情況相符；③第10 組實驗模擬煙霧檢測模塊損壞，實驗結果表示，在煙霧檢測模塊失效的情況下，D-S 融合算法也能得到正確的結果。

4.2 水汽、粉塵環境下，傳感器的誤報率

1-5 組實驗為將傳感器懸掛于加濕器上方進行，6-10 組實驗為將傳感器置于粉塵風洞中進行，各檢測模塊對火災發生支持概率及D-S 融合結果如表2 所示。

表2 表明：①煙霧檢測模塊在水汽、粉塵較大的環境下，可以準確區分水汽、粉塵與煙霧顆粒，無誤報警情況出現；②D-S 融合算法得到的決策結果與實際情況相符。

4.3 工業實驗

選取粉塵、水汽較大的礦井皮帶運輸轉載機頭5處作為實驗地點，進行為期6 個月的工業測試，實驗結果如表3 所示。

表3 表明：5 處實驗點的煙霧傳感器報警均由人造模擬煙霧引起，無效報警次數均為0 次，基于雙光源檢測技術的煙霧多特征感知傳感器煙霧識別的準確率為100%。

5 結束語

通過實驗室及現場工業實驗驗證：基于雙光源檢測的煙霧多特征感知傳感器在粉塵、水汽較大的環境下，能有效排除環境中干擾因數，煙霧識別準確率為100%；而且，在煙霧檢測模塊失效的情況下，即當煙霧檢測模塊與一氧化碳檢測模塊、溫度檢測模塊的判決結果出現高度沖突時，改進后的D-S 融合算法亦能正確判別煙霧存在與否。