基于改進卡爾曼濾波數據融合的礦場監測系統設計

盧曉輝，鄭廣鵬，龐哲銘

（1.鞍鋼集團礦業弓長嶺有限公司露采分公司，遼寧遼陽，111008；2.遼寧工業大學 電子與信息工程學院，遼寧錦州，121001）

0 引言

近年來礦場安全問題逐漸成為人們所關心的問題，保障礦場工作人員的在生產中的安全和健康是尤為重要的，通過分析和預測礦場生產中的危險因素，及時進行事故預防，提高礦山開采的安全性。

當礦區的重大危險源風險評級、視頻采集監測數據或者采挖區域的安全隱患智能分析結果出現異常時，通過對異構數據融合提出了鐵礦關鍵區域參數全面采集、多元信息共網傳輸新方法，為礦區監控預警系統安全無故障運行提供了技術保障；構建了自動化、信息化、智能化預警平臺，平臺具備故障自診斷、高靈敏、響應時間短、標校周期長、抗干擾等功能，使預警準確率提升。在地圖上實時上報預警，可以通過預警展示，獲取預警產生的位置、預警所在礦區評定的風險等級、安全承諾情況以及未消警的數量，這些信息可以作為故障根源所持依據。實時事件列表按時間順序對最近上報的預警進行展示，可以在此獲取第一手的預警信息，從而為安全生產提供有力支撐。對此張建峰提出一種基于計算機信息網絡技術的煤礦安全管理監測預警系統，實現了礦區安全監測[1]。王煥用zigbee 構建安全監測系統，實現環境參數的實時監測[2]。以上方法的礦場監控系統都是獨立運作，監控系統之間不能實現信息共享，因此提出了一種基于多傳感器數據融合的礦場監測系統，通過BS922 網關節點將傳感器采集到的數據傳輸到云端服務器，實現礦場的安全監測及管理。

1 數據采集及處理

1.1 數據采集

鞍本地區是我國重要的鐵礦石生產基地，鐵礦資源豐富，開發歷史早，開采時間長，開發強度大，給已有礦山的深部鐵礦資源開采利用帶來極大困難和安全威脅，其中尤以露天鐵礦最為典型，特別是其中的何家采區。圍繞非煤礦山等高危行業的安全生產重大風險，通過異種結構的監測數據進行融合，模型綜合運用多元異構數據融合的方法預測事故發生的時間并能及時響應，提高事故預報的準確性和時間效率，突破了現有預測系統適用性不高的問題，從而最大限度地降低事故對經濟的損失和對人員的危害。

隨著工業的不斷推進，鐵礦露采作業綜合自動化的不斷進步，露天鐵礦的監測技術仍存在一些不足。例如：對地形地貌和周邊環境因素認識不足；與自動監測相結合的方法使用不夠充分；監測重點不夠突出，監測效率低；數據處理和融合手段較為單一；預報模型不夠完善等。

何家采區露天鐵礦開采作業區域地形構成復雜，作業流程主要涵蓋勘探、采掘、運輸、裝卸等，整體過程簡單粗放，地形環境隨作業進程動態變化，都將直接影響露采作業安全。針對以上問題，急需對露天鐵礦開采、運輸及管理過程進行實時監測，提供多元、多維、異構數據融合跟蹤技術，故障預測模型，對地表結構姿態預警判斷，為礦區安全生產排除故障隱患。在采區作業區域，采集到的圖像、位置數據、落差數據、震動信息、應力應變數據、坡度數據、角度數據等具有動態性、多元性、相關性、非線性、高維、數據量大等特征，對這些數據進行采集、存儲、管理、處理和綜合應用，以便能夠精確地監測[3]。

假設有m 個傳感器對個N 目標進行跟蹤，每個目標的運動方程為：

式(1)中，k 表示觀測時刻，i=1，2，...，N，表示的目標的編號，?為狀態驅動矩陣，ωi(k)表示均值為0，方差為Qi的過程噪聲。第j 個傳感器對第i 個目標觀測方程為：

式(2)中v i(k) 表示均值為0，方差為觀測噪聲，且與過程噪聲ωi(k)不相關。

1.2 傳感器數據跟蹤及處理

卡爾曼濾波是一種常用于目標跟蹤的算法。它利用測量數據和模型來估計目標狀態，并根據估計結果不斷調整模型，以提高跟蹤精度。卡爾曼濾波的基本原理是利用狀態方程和觀測方程來描述目標運動和測量信息，然后通過二者之間的關系進行濾波計算，得到對目標狀態的最優估計。濾波過程中，卡爾曼濾波器不斷更新預測狀態和測量狀態之間的誤差協方差矩陣，從而實現對目標運動的更精確的估計和跟蹤。在實際應用中，卡爾曼濾波通常與目標檢測、圖像處理等技術相結合，用于實現高精度的目標跟蹤。

在測量更新擬通過迭代求解從而優化了濾波增益的計算，由于存在環境噪聲影響，會影響濾波估計的效率。因此引入自適應遺忘因子，實時修正一步預測協方差矩陣，以修正濾波增益矩陣，提升算法目標跟蹤效率。計算修正后的一步預測協方差矩陣：

其中λk為k時刻引入的遺忘因子。測量協方差矩陣為：

當跟蹤目標存在不確定性的情況下，測量協方差矩陣將會增加。

其中ηk=Yk-是測量殘差，0≤ρ≤ 1是由系統數據而確定的權重系數，和Λk之間的關系為：

引入自適應遺忘因子后改進的算法更新步驟為：

引入遺忘因子后的協方差矩陣：

協方差矩陣：

計算遺忘因子：

卡爾曼增益：

目標狀態更新：

狀態協方差矩陣：

如圖1、2 所示，在數據跟蹤中會產生誤差，引入自適應遺忘因子，實時修正一步預測協方差矩陣，降低跟蹤誤差，從而實現對運動目標的跟蹤和觀測。

圖2 數據跟蹤誤差圖

2 多源數據融合

2.1 數據選擇

隨著大數據時代的來臨，每時每刻都產生著數以億計的數據。基于海量數據，人們需要從中提取有用的信息來了解甚至指導人們的日常生活和工作。因此，要進行多源數據融合首先要進行數據選擇，為了避免影響數據融合結果要選擇出正確的數據。

2.2 多傳感器信息融合

多傳感器信息融合[4]，它突破單一傳感器信息表達的局限性，有利于對事物的判斷和決策，從而實現對礦場安全的監測和預警處理。

如圖3 所示，傳統的多傳感器數據融合方案中，一般是通過指定的傳感器對所需要的數據信息進行采集，然后直接在融合中心對所有的數據進行預處理、剔除野值、提取特征向量、加權求平均操作后得出一個均值，將這個均值與監控中心的閾值進行比較，進而判斷是否有危險的發生。如此多的傳感器采集到的信息數據量特別大，將會降低系統的運行速度，且這種方法只對同源信息進行判斷，得到的信息維度比較單一，未將多元信號考慮進來，導致決策的準確率較低。

經過上述分析可知，傳統的多傳感器數據融合方法存在著檢測精度低、計算量大且復雜的缺陷。因此，本文設計了一種多傳感器梯度數據融合模型來解決現有技術存在的缺陷。在傳感器與融合中心之間設計一個中間站，將傳感器采集到的數據信息上傳至中間站進行預處理，刪除支持度較低的數據。并通過最小二乘法在中間站對處理后的數據進行局部融合，得到最優的融合數據。該方法綜合了多維度信號來判斷礦山危險的發生情況，能夠提高識別的準確率。圖4 為本文設計的多傳感器梯度數據融合模型。

圖4 多傳感器梯度數據融合模型流程圖

3 無線傳感器網絡

無線傳感器網絡（WSN）是指一組在空間上分散且專用的傳感器，從某種意義上說，它們類似于無線自組織網絡，它們依賴于無線連接和網絡的自發形成。WSN 是空間分布的自主傳感器，用于監視物理或環境條件，并將其數據通過網絡協作傳遞到主要位置。無線傳感器網絡的發展是受軍事應用的推動。如今，此類網絡已用于許多工業和消費者應用中，例如工業過程監視和控制、機器運行狀況監視等[5～6]。

WSN 由“節點”構成從幾到幾百甚至幾千，其中每個節點都連接到一個（有時是幾個）傳感器。每一個這樣的傳感器網絡節點通常具有幾個部分：一個無線電收發信機與內部天線或連接到外部天線、微控制器，用于與所述傳感器和能量源，通常是一個接口的電子電路的電池或嵌入的形式能量收集。傳感器節點的成本從幾美元到幾百美元不等，具體取決于各個傳感器節點的復雜性。傳感器節點的大小和成本約束導致相應的約束WSN 的拓撲結構可以從簡單的星形網絡到高級的多跳無線網狀網絡，而在網絡的各跳之間的傳播技術可以是路由或洪泛[7～8]。

4 系統設計

本設計由一組硬件節點負責采集傳感器數據，通過移動通信網絡使用BeeNet 協議與云端服務器進行通信。云端服務器負責存儲和分析數據。

硬件電路單片機電路圖如圖5 所示。

圖5 單片機最小系統

系統基于1 個BeeLPW-T 無線傳感器網絡，該無線傳感器網絡由2 類不同的節點組成，每個節點都有各自的職責和特點。

（1）網關節點。單個節點，負責接收從無線傳感器節點發送的消息，并將其傳輸到云端服務器。

（2）無線傳感器節點。多個節點，負責收集傳感器信息，并將其發送給BS922 網關。

系統整體架構如圖6 所示。由于露天開采礦場的土體或者巖體，會受到開采、震動、雨水等外力影響，容易造成坍塌。當坍塌發生時會有土體或者巖體的移動，這時傳感器就會進行感應和檢測。在采區作業區域有多個傳感器節點，負責將收集到的數據通過BS922 網關傳輸給云端服務器，云端服務器監測數據的變化，并在數據達到指定閾值時進行報警[9～10]。

圖6 系統整體架構流程圖

本文所用的網關選用BS922 無線網關，可以借助無線網絡將傳感器采集的數據入網并傳回指定的數據中心。

BS922 無線網關的優點：

（1）CPU 運行頻率高達454MHZ，處理能力強；

（2）支持遠程無線更新內部程序；

（3）兼容IPV4 和IPV6（雙棧）；

云端服務器接收數據并進行預警判斷，搭建安全預警平臺實時監測數據。預警平臺如圖7 所示。

圖7 預警平臺

5 結束語

為保障露天礦山的安全問題，設計了一種用于礦區危險監測的BeeLPW-T 無線傳感網絡原型系統，多傳感器收集到的數據通過BS922 節點傳輸給BS922 網關，然后上傳到云端服務器，可以做到對礦山實時監測并作出預警。通過模擬礦區遠程監測預警系統的工作流程，實現了礦區事故隱患在線監測、智能判識和實時準確預警，為礦山的安全生產提供了保障。礦場安全管理監測預警系統通過對不同傳感器所收集到的信息進行整合和分析，增強了監控系統的實時性和有效性，有利于智慧礦場的建設。