面向煤礦混合氣體檢測的神經網絡算法研究進展

焦明之， 沈中麗， 周揚明， 何新建， 賀耀宜

（1. 礦山互聯網應用技術國家地方聯合工程實驗室，江蘇 徐州 221116；2. 中國礦業大學 信息與控制工程學院，江蘇 徐州 221116；3. 中國礦業大學 安全學院，江蘇 徐州 221116；4. 天地（常州）自動化股份有限公司，江蘇 常州 213015）

0 引言

近年來我國煤礦朝著智能化的方向迅速發展[1-2]。煤礦井下環境危險且復雜，存在大量如一氧化碳、甲烷、乙烯等易燃易爆或劇毒的危險氣體，粉塵爆炸、瓦斯爆炸和煤自燃成為煤礦生產中的主要災害。對井下混合氣體的準確識別和檢測關系到礦工的生命安全和企業的財產安全。為減少井下火災、爆炸事故，必須采用氣體監測裝置實時監測相關氣體濃度，保障煤礦人員的安全與健康。

煤礦氣體傳感器用于混合氣體檢測時測量信號之間有交叉干擾，難以保證檢測準確性?；趩我粴怏w傳感器構建傳感器陣列，通過陣列的多維空間氣體響應模式，結合特定的信息處理算法，能夠實現對混合氣體的定性、定量識別，提高氣體檢測精度，保障煤礦安全生產。對于相同的待識別氣體，傳統氣體識別算法如支持向量機（Support Vector Machine,SVM）、K近鄰（K-Nearest Neighbor, KNN）等的識別精度低于基于神經網絡（如卷積神經網絡（Convolutional Neural Network，CNN）、循環神經網絡（Recurrent Neural Network，RNN）等）的氣體識別算法。神經網絡具有非線性適應性信息處理能力，克服了傳統算法在非結構化信息處理方面的缺陷，在模式識別、信號處理、智能控制、組合優化、預測等領域得到廣泛應用。與傳統氣體識別算法相比，神經網絡通過調整其網絡層、每層神經元的數量、神經元的激活函數和各層網絡之間的權重等來實現更高的氣體識別精度。一般來說，神經網絡的學習樣本越多，其泛化能力越強，分類識別性能越好。本文主要介紹幾種面向煤礦混合氣體檢測的神經網絡算法并進行對比分析。

1 煤礦混合氣體檢測系統結構

煤礦混合氣體檢測系統主要由傳感器陣列、信號調理模塊、信號處理模塊、多通道信號采集模塊及模式識別模塊組成[3]，如圖1所示。

圖1 煤礦混合氣體檢測系統結構[3]Fig. 1 Structure of coal mine mixed gas detection system[3]

傳感器陣列由多種傳感器組成，用于感知混合氣體，在感應到敏感氣體時，不同的傳感器會發出特定的響應信號。信號調理模塊對響應信號進行過濾、交換、特征提取等預處理。信號處理模塊對預處理后的信號進行采集、分析、處理。模式識別模塊通過各種算法對混合氣體的組成和濃度信息進行識別輸出。

2 面向煤礦混合氣體檢測的神經網絡算法

2.1 反向傳播神經網絡

反向傳播 （Back Propagation，BP） 神經網絡通過梯度下降法對網絡的損失函數進行迭代優化，求取極小值，解決多種監督學習的分類回歸問題。BP神經網絡起源于多層感知器（Multi-Layer Perceptron，MLP），MLP可看作一個有向圖，由多個節點層組成，每一層全連接到下一層。除了輸入節點，每個節點都是一個帶有非線性激活函數的神經元[4]。BP神經網絡一般由輸入層、隱藏層和輸出層組成，其中隱藏層激活函數常采用Sigmoid函數。經典的單隱層BP神經網絡如圖2所示。

圖2 經典的單隱層BP神經網絡[4]Fig. 2 Classical BP neural network with single hidden layer[4]

BP神經網絡具有很多優勢。BP神經網絡具有良好的自適應性，能夠根據不同任務和數據自適應調整權值和閾值，從而提高網絡的準確性和泛化能力；BP神經網絡適用于分類、回歸、模式識別等任務；BP神經網絡訓練過程簡單，容易實現和理解。但是由于BP神經網絡有很強的擬合能力，如果數據過少或噪聲過大，可能會出現過擬合現象，且BP神經網絡使用梯度下降算法，容易陷入局部最優解，無法達到全局最優解。因此，可引入更先進的優化算法，使得BP神經網絡更高效、可靠，在準確性和運算效率等方面獲得更大提升；另外，未來BP神經網絡可能會更廣泛應用于多模態數據融合，在數據預測等方面獲得更高的準確率。

2.2 CNN

CNN是在BP神經網絡基礎上發展而來的一種深度學習模型，通常由1個或多個卷積層、池化層及全連接層等組成[5]，輸出層一般通過ReLU、Sigmoid或tanh激活函數進行分類和識別。一維CNN（1DCNN）含有4個隱藏層，每個隱藏層包含2個卷積層、1個池化層及激活函數tanh，如圖3所示。卷積層可提取傳感器陣列的原始數據特征；池化層可保留明顯特征，降低特征維度，從而減少運算量，提高運算效率；最后通過softmax函數對信號進行分類[6]。

圖3 1DCNN結構[6]Fig. 3 One dimensional convolutional neural network structure[6]

2018年，Peng Pai等[7]首次將CNN應用于氣體識別，實現了對4種不同氣味的識別，準確率達95.2%。譚光韜等[8]提出利用CNN提取傳感器陣列數據特征，通過核主成分分析及梯度提升樹進行混合氣體的定性、定量檢測，其中定性識別的準確率高達98.7%，定量估計的平均相對誤差小于4.1%。M. Sharma等[9]提出一種基于Dempster-Shafer證據理論（DSET）與1DCNN的新型分類方法，通過將DSET和1DCNN進行融合，即使在部分傳感器故障的情況下，分類準確率也能達到99.6%。Zhao Xiaojin等[10]提出一種新的一維深度CNN（1D-DCNN），其網絡架構如圖4所示，主要分為特征提取和分類2個部分。該網絡可以全面自動地提取混合氣體的特征并分類，準確率為96.3%。

1D-DCNN與SVM、人工神經網絡（Artificial Neural Network, ANN）、KNN、隨機森林（Random Forest，RF）4種傳統方法在10倍交叉驗證下的分類識別準確率對比見表1，可看出1D-DCNN的識別精度明顯高于其他算法。

表1 1D-DCNN與其他方法的識別準確率比較[10]Table 1 Comparison of recognition accuracy between 1D-DCNN and other methods[10]

2023年，Li Xiulei等[11]通過比較SVM、MLP、CNN對甲烷、乙烯和甲烷乙烯混合氣體的準確預測時間，發現CNN僅用10 s就能實現混合氣體目標識別和濃度預測，既減輕了傳感器存儲數據的壓力，又實現了混合氣體的早期檢測。

CNN在模式識別中應用廣泛，具有很強的特征提取能力，能夠自主學習輸入圖像中的局部和全局特征，實現端到端的學習和優化，省去傳統算法中復雜的特征提取和分類器設計過程。但是CNN通常需要大量數據進行訓練，過于依賴訓練數據的質量和數量。此外，當CNN面對圖像精細分類、檢測等任務時表現得還不夠理想，需要結合其他方法提高模型性能。

2.3 RNN

CNN中非相鄰的2層之間不會互相關聯，而RNN每個隱藏層之間互相關聯，且每個隱藏層的當前單元還與時序輸入有關[12]，即單向RNN中第I時刻的隱藏層需要接收第I-1時刻的輸入，雙向RNN中第I時刻的隱藏層還需要接收第I+1時刻的輸入，這對于時間序列相關數據的處理非常有利。RNN模型框架如圖5所示。

圖5 RNN模型框架[12]Fig. 5 Framework of RNN model[12]

2019年，溫志煌[13]提出了一種新型的CNN-RNN結構，實現了對一氧化碳和乙烯混合氣體的種類識別和濃度預測，如圖6所示。該網絡主要由CNN、RNN和全連接線性回歸層3個部分組成。CNN主要對原始時間序列進行處理，并選出高層次特征輸入RNN中加以分析，找到更適用于時間預測的特征，最后，將這些特征通過全連接的方式，用于線性回歸計算，得到最終的預測值。將CNN-LSTM與CNN-門控循環單元（Gated Recurrent Unit，GRU）、回聲狀態網絡（Echo State Network，ESN）、邏輯回歸（Logistic Regression，LR）進行對比，用于一氧化碳與乙烯混合氣體濃度預測，結果見表2?？煽闯鯟NN-LSTM對2種氣體濃度的預測誤差最小。

表2 4種算法對混合氣體濃度的預測結果對比[13]Table 2 Comparison of four algorithms for predicting the concentration of mixed gases[13]

圖6 CNN-RNN結構[13]Fig. 6 Sturcture of CNN-RNN[13]

長短期記憶（Long Short-Term Memory，LSTM）神經網絡是是RNN的一種改進網絡。常規的LSTM網絡單元由輸入門、遺忘門和輸出門來控制和維持單元狀態，與傳統RNN相比，LSTM使用存儲單元和門函數來控制信息流，以防止梯度消失得過快和梯度爆炸。

2020年，Lyu Pingyang等[14]提出了基于ARMA算法、混沌模型和編碼器-解碼器模型的氣體濃度時間序列多步預測模型，預測誤差較低，為煤礦瓦斯事故預防提供了新方法。2021年，Zhang Wenwen等[15]提出了一種新的氣體識別和濃度估計模型，由多對LSTM神經網絡和動態小波CNN組成，實現對一氧化碳、氫氣及二者混合氣體的識別，識別精度接近100%。同年，H. Bakiler等[16]利用LSTM神經網絡對氣體信號進行特征提取，實現了對一氧化碳、乙烯、乙醇和甲烷4種氣體的分類，最高準確率為90.8%，相比較于其他傳統模式識別方法，準確率有了很大提升。張海慶[17]將LSTM神經網絡用于傳感器自校準，測試結果表明該方法可有效解決礦用甲烷傳感器長時間工作后存在的漂移問題。

RNN作為一種有記憶的神經網絡模型，多用于序列處理任務，可以獲取數據中的時間依賴關系。此外，RNN含有BP算法，可以進行監督式學習并優化模型，訓練模型能夠自適應學習數據的特征和規律。但是， RNN存在長期依賴和梯度消失等問題，未來的發展方向是將RNN與CNN、生成對抗網絡、注意力機制或與其他架構等相結合，以進一步提升模型的性能。

2.4 徑向基函數神經網絡

徑向基函數（Radial Basis Function，RBF）神經網絡結構如圖7所示。RBF神經網絡為3層前向神經網絡，包含輸入層、隱藏層和輸出層[18-19]。輸入層是信號源節點，隱藏層神經元的激活函數需徑向對稱，且是衰減的非線性函數，輸出層是簡單的線性函數。

圖7 RBF神經網絡結構[19]Fig. 7 RBF neural network structure[19]

RBF神經網絡大量用于模擬實驗中，是具有設計簡單、泛化能力強、抗輸入噪聲能力強、在線學習能力強等良好性能的一種前饋型神經網絡[20]。RBF神經網絡能夠以任意精度逼近任意連續的非線性網絡，被廣泛用于函數逼近、語音識別、模式識別、圖像處理、自動控制和故障診斷等領域。2010年，趙金憲等[21]針對瓦斯質量濃度的非線性特點，在驗證其時間序列具有混沌特性后，構建了基于混沌理論和RBF神經網絡的預測模型，實驗結果表明該模型預測精度較高。2014年，李萬慶等[22]提出了一種基于層次分析法（Analytic Hierarchy Process，AHP）-RBF神經網絡的煤礦安全風險評估方法，首先確立煤礦安全風險指標體系，然后通過AHP明確各風險指標權重并對其重要性進行排序，最后將RBF神經網絡當作評價工具。BP神經網絡和RBF神經網絡在4個樣本下的預測誤差對比見表3，可以看出RBF神經網絡的預測準確性和迭代收斂步數均優于BP神經網絡。

表3 BP神經網絡和RBF神經網絡預測誤差對比[22]Table 3 Comparison of prediction errors between BP neural network and RBF neural network[22]

文獻[23]針對煤礦救援機器人對煤礦有毒有害氣體的感知問題，采用雙氣體傳感器降低對部分氣體的交叉靈敏度，并考慮溫度、濕度等可變因素的影響，提出了基于遺傳神經網絡算法和K均值聚類算法的改進RBF神經網絡，其流程如圖8所示[23]。其中hi(k+1)為RBF神經網絡第i個隱節點的第k+1次遺傳迭代聚類中心，hj(k)為RBF神經網絡第j個隱節點的第k次遺傳迭代聚類中心。

圖8 改進RBF神經網絡流程[23]Fig. 8 Process of improved RBF neural network[23]

RBF神經網絡可用于對輸入輸出之間的非線性關系進行建模，有效解決復雜的非線性問題。由于RBF神經網絡具有較好的非線性適應性，所以能夠適應不同的數據集，具有很好的泛化性能，且其網絡只含有1個隱藏層，參數相對較少，在訓練時易于優化。但是RBF神經網絡對輸入數據比較敏感，需要根據具體情況對輸入數據進行相應的特征提取和預處理，以減小誤差；此外，RBF神經網絡需要對隱藏層的中心點和權值進行調整，并進行大量訓練和優化，訓練時間相對較長。RBF神經網絡未來發展趨勢是通過改進網絡結構，提升其準確性，減少訓練時間，拓寬應用范圍。

3 結語

介紹了面向煤礦混合氣體檢測的神經網絡算法研究進展，詳細分析了BP神經網絡、CNN、RNN和RBF神經網絡的應用效果。BP神經網絡通?？梢赃_到較高的分類精度，然而需要訓練大量的參數，訓練時間長，通常為了減少時長和提高精度，可以將BP神經網絡與其他算法相結合。CNN可以自動提取數據特征，精度和訓練速度都優于BP神經網絡，但其易于陷入局部最優。RNN可以使用更少的數據并提取更有效的特征，但容易出現梯度消失等問題。RBF神經網絡具有較強的魯棒性和在線學習能力，但其通常需要大量數據完成模型訓練。神經網絡算法應用將大幅提升煤礦混合氣體檢測精度，保障煤礦智能化的實現。