基于數值分析的電力基坑氣體分布檢測分析

李強, 張峰, 宋曉燕, 韓菲, 梁綱

(1.國網河南省電力公司電力科學研究院, 河南, 鄭州 450002; 2.河南九域博大科技有限公司,河南, 鄭州 450002; 3.河南九域恩湃電力技術有限公司, 河南, 鄭州 450002)

0 引言

基坑中存在的有害氣體極大地增加了地下工程的施工難度,并延誤了電力基坑的施工周期,對底板的質量和底板的鋪設進程產生負面的影響。同時在電力基坑施工過程中,如果存在地裂縫或者有較薄弱的通道,將對施工人員的身體狀態帶來影響[1-2]。

近年來在電力基坑有害氣體檢測領域展開了大量研究。文獻[3]通過時空數據建模的方式構建有害氣體分布場,實現對氣體含量預測并進行對檢測傳感器布點優化,實現對有害氣體分布場的實時重構,并預測氣體運移態勢。但對氣體分布的實時重構能力有限,無法預測有害氣體的流動狀態。文獻[4]應用Fluent軟件模擬工作面不同位置基坑有害氣體分布規律,并闡述了氣體在采空區的流動狀態。但系統對不同狀態下的氣體運移、擴散和含量分布規律的分析不足,采用的真實監測數據量較小。文獻[5-7]開發出礦用有害氣體含量監測系統,基于CFD分析軟件計算平臺建立了氣體流動的數學模型和物理學模型,完成基坑氣體分布重構。但在缺失環境信息的情況下,氣體含量預測的預測準確率較低,氣體識別的效果容易受到其他因素的影響。

1 基于數值分析的電力基坑氣體分布檢測分析方法

1.1 系統整體設計

由于電力基坑工程內部環境惡劣,建筑結構復雜,為檢測出電力基坑工程中坑內的有害氣體成分和分布情況,本文提出一種電力基坑氣體分布檢測分析方法,如圖1所示。

圖1 氣體分布檢測分析系統

系統中上位機用來接收各類傳感器采集到的氣體信息,通過傳輸模塊與連接無人檢測設備,無人檢測設備檢測到的氣體含量、氣體流向信息實時傳輸到上位機上顯示,并保持在系統服務器中[8-9]。上位機對無人檢測裝置的檢測路徑進行規劃,選取環境地圖范圍內的障礙物,統計檢測路徑上的障礙物數量和面積,保證無人檢測設備能夠在復雜的基坑環境中正常行駛。上位機通過對接收到的氣體信息進行分析計算,得出基坑內部混合氣體中各類有害氣體的含量,完成氣體模式識別任務,對傳感器陣列輸出的響應信息進行識別,計算各成分的響應系數[10]。在檢測過程中無人檢測設備需要在基坑內移動時,判斷周圍的建筑結構、路況環境等條件,獲取相應的信息并進行自主的處理以判斷接下來需要行走的動作或位置。

1.2 紅外硫化氫氣體傳感器設計

設計紅外硫化氫氣體傳感器,采用紅外吸收檢測技術對硫化氫氣體進行測量。紅外硫化氫氣體傳感器檢測系統如圖2所示。

圖2 紅外硫化氫氣體傳感器檢測系統

傳感器檢測到的紅外光的出射光強可表示為

(1)

I=I0βnT(λ)

(2)

式(2)中,相同字母不再重復解釋。在傳感器的雙通道中,檢測通道的部分光強被采樣氣室中的待測氣體削弱了,而對比通道的紅外光強未被削弱,光強可表示為

(3)

(4)

式(4)中,m表示傳感器元件的比例系數,2個通道輸出電壓可分別用式(5)表示為

(5)

式(5)中,ge、gr表示2個通道的光電轉換比例系數,Pe、Pe表示2個通道的光功率。根據式(4)可以得出檢測到的氣體含量與通道電壓的關系,可表示為:

(6)

式(6)中,通過所采集到的對比通道和檢測通道電壓值,再計算得到實際環境中待測氣體的含量。紅外硫化氫氣體傳感器使用STM32F103RB芯片作為控制單元,并對光源模塊進行電調制。光源驅動電路如圖3所示。

圖3 光源驅動電路

紅外光源通過電源電路所提供的5 V電源進行穩壓驅動,主控模塊通過DAC轉換輸出頻率為0.5 Hz、占空比為50%的方波脈沖信號,經過放大芯片放大后控制MOS管的通斷[11]。當輸出接口PA4引腳位置位于高電平時,使MOS管導通,然后紅外光源才開始工作,當PA4處于低電平時導致MOS管截止,紅外光源停止工作,通過光源驅動電路實現對紅外光源的實時調整,提高了傳感器的檢測精度。

1.3 電力基坑混合氣體定量分析

電力基坑中有害氣體的種類較多,并且氣體分布不規范具有一定的流動性,為防止有害氣體影響電力基坑項目的建設周期,避免對施工人員造成傷害,該研究對電力基坑內存在的混合有害氣體進行定量分析。混合氣體定量分析流程如圖4所示。

圖4 混合氣體定量分析流程

系統輸入的混合氣體數據X=(x(1),x(2),…,x(m)),首先對數據樣本進行處理,可表示為

(7)

式(7)中,m表示樣本個數,n表示數據維度,h表示氣體維度。混合氣體數據集對應的協方差矩陣可表示為

(8)

通過分解得到特征(λ1,λ2,λ3,…,λn),并得到對應的特征向量(W1,W2,W3,…,WN),對樣本集進行以下變換,可表示為

Z(i)=WTx(i)

(9)

式(9)中,WT表示變化矩陣,x(i)表示混合氣體數據集。輸出降維后的氣體數據樣本為Z=(Z(1),Z(2),Z(3),…,Z(N))。

在有害氣體含量等級識別的任務中,不同含量等級的氣體數據差異性不大,該研究借助卷積神經網絡的提取特征能力,在傳統的神經網絡結構中應用了全局平均池化的方式,對特征圖內的所有元素同等對待。每個卷積層輸出將與下一個層多個輸入連接,可表示為

(10)

式(10)中,i表示卷積核序號,g(i)表示特征圖,a表示輸出的混合氣體數據,x、y、z表示氣體數據維度,βi表示卷積核的偏置。卷積層輸出為

(11)

式(11)中,ω(k,g)表示濾波器,k、g表示混合氣體信號序列的長度。為了更加重視特征圖的細節特征,使用隨機區域池化方法,通過特征圖中隨機對特征圖進行處理,計算池化區域內每個單元的概率,可表示為

(12)

(13)

通過隨機區域池化保留了特征圖中氣體信息的非最大響應值,對應的神經元可能進入下一層被提取。

綜上所示,通過主成分分析對混合氣體信息進行降維和轉化處理,進一步進入聚類分析和判別。再通過構建好的卷積神經網絡提取氣體信息的特征圖。通過隨機區域池化使混合氣體更豐富多樣化的特征響應,完成氣體種類的識別和氣體含量等級分類的任務。

2 應用測試

為了驗證本研究氣體分布分析檢測方法的性能,搭建實驗環境進行應用測試,實驗環境中使用服務器、實驗計算機、交換機、氣體傳感器等硬件裝置。服務器系統為Windows Server,服務器開發平臺為ECLIPSE和JDK,數據庫采用MySQL數據庫。實驗環境如圖5所示。

圖5 實驗環境

使用數據庫對實驗過程中產生的數據進行存儲,并完成數據表的建立和數據字段的設計,用來存儲氣體傳感器端口號、傳感器閾值、傳感器類型、混合氣體參數、氣體含量、檢測位置等數據。實驗數據庫表如表1所示。

表1 實驗數據庫表

實驗場景選擇在X市的電力基坑項目中,電力基坑大小為200 m×50 m×5 m,在電力基坑中安裝有氣體傳感器陣列和單像素成像裝置。在進行電力基坑有害氣體的成像實驗時,設定還原圖像分辨率為64×64,采樣率為0.5,文獻[3]系統采用差分吸收法進行氣體檢測作為對比實驗。實驗過程中使用體積分數為25%的甲烷氣體袋。成像結果如圖6所示。

圖6 成像結果

由圖6可以看出,本文方法的成像結果更加清晰明顯,并且目標氣體與背景像素值明暗差異較大,對采集到的信號進行處理后能夠有效地消除環境中存在的暗噪聲,使檢測到甲烷氣體的分布情況更加清晰。

基于上述同樣裝置,將目標氣體更換為體積分數為12.5%左右的甲烷氣體,并增強光電轉換器采集到反射信號,再對氣體成像結果進行圖像處理。圖像處理結果如圖7所示。

圖7 圖像處理結果

由于甲烷氣體含量進一步降低,成像結果進一步劣化,圖像后處理后,文獻[3]方法的成像結果中噪聲信號較為明顯,氣體分布情況不清晰。本文系統的氣體成像結果中噪聲信號得到了有效地抑制,使目標氣體與背景更好地分離開,背景圖像中噪點明顯較小,可以清晰地看到氣體的分布輪廓。

對電力基坑內混合氣體識別測試時,與文獻[3]系統和文獻[4]系統進行對比測試,文獻[3]系統中使用了隨機森林算法,文獻[4]系統中使用了支持向量機,采用識別準確率作為評價指標,實驗時間設定為30 min,在電力基坑內隨機的5個位置進行5組測試,每組實驗進行5次測試取檢測的平均值,在第一次實驗過程中檢測到的混合氣體體積分數如表2所示。

表2 混合氣體體積分數數據

完成5組實驗后計算得到氣體識別的準確率如圖8所示。

圖8 氣體識別的準確率

通過對比各系統的實驗結果可知,文獻[3]系統和文獻[4]系統使用的傳統的識別模型在復雜的并且存在干擾的電力基坑場景下達不到較好的識別效果,對混合氣體的識別準確率整體在94%以下。文獻[3]識別準確率最低為89.4%,在第5組實驗中的識別準確率最高達到94.6%。文獻[4]系統在第1組實驗的識別準確率為89.2%,在第3組識別準確率最高達到92.8%。本文系統的識別準確率最高可達到97.2%,有效識別到各氣體的成分,在處理有干擾場景下的低體積分數氣體數據更具優勢。

3 總結

本文提出一種針對電力基坑工程的氣體分布檢測方法,應用無人檢測裝置和傳感器陣列采集電力基坑內部氣體分布情況,并將采集到的氣體參數回傳到遠程監控站進行分析處理,利用單像素成像技術將有害氣體的分布情況顯示出來。紅外硫化氫氣體傳感器采用了紅外吸收檢測技術進行氣體測量,通過主成分分析和聚類對氣體樣本集進行預處理,構建卷積神經網絡完成氣體識別和含量分級任務。本文使用的氣體識別算法從整體的優化精度上滿足電力基坑的檢測需求,但仍需進一步完善和優化,選擇其他優化算法進一步提高系統的識別精度,并考慮環境溫濕度值與氣體含量值進行數據融合分析。