基于多源數(shù)據(jù)融合的瓦斯安全系統(tǒng)研究與應用

劉小宇

（山西華陽集團新能股份有限公司二礦，山西陽泉 045000）

1 地質概況

華陽二礦的賦存煤層是主要的可開采煤層，在礦區(qū)中，斷裂發(fā)育明顯，呈現(xiàn)出不完全的S 形結構，其中大型正斷層占主導地位，它影響著煤炭資源開發(fā)與瓦斯賦存情況[1]。在32212 開采區(qū)，平均煤層厚度為14.64 m，煤層含煤率為2.25%。全礦井瓦斯含量區(qū)間為10.07 ～16.98 m3/t，瓦斯平均涌出量約為12.2 m3/min，瓦斯放散初速度Δp=28.40 mmHg，性質上屬于瓦斯突出礦井。隨著開采工作的進行，研究數(shù)據(jù)表明，煤層中的瓦斯?jié)舛群屯咚箟毫@著增加，且煤層中瓦斯的滲透率隨之增加，同時瓦斯突出區(qū)域也不斷擴大，因此要求對瓦斯?jié)舛冗M行實時動態(tài)監(jiān)測。

2 多傳感器數(shù)據(jù)融合模型

2.1 改進粒子群算法

神經(jīng)網(wǎng)絡具有很強的魯棒屬性，可以面對各種問題并進行處理，它具有計算速度快的優(yōu)點，可以適應多源數(shù)據(jù)融合的需求[2]。傳統(tǒng)BP 神經(jīng)網(wǎng)絡雖然具有較強的自學習和非線性映射能力，但該算法在求解過程中存在著易陷入局部極值、收斂性差等缺點。針對上述問題，通過調節(jié)和改變神經(jīng)網(wǎng)絡的權值和學習率，利用小波算法取代神經(jīng)網(wǎng)絡隱含層，構造出一個最優(yōu)神經(jīng)系統(tǒng)網(wǎng)絡結構，進而提高神經(jīng)網(wǎng)絡的學習效率。具體步驟如下。

第一步：設定N 層為輸入層，M 層為隱藏層，L 層為輸出層，同時，將縮放和平移系數(shù)設為M 維向量。

第二步：利用微粒群算法對初始化率進行優(yōu)化，找出最優(yōu)初始點和總體最佳值。

第三步：把訓練的樣本數(shù)據(jù)傳送給輸入層進行學習。

第四步：按照

的算法，優(yōu)化其網(wǎng)絡參數(shù)。

第五步：判斷該算法是否符合網(wǎng)絡要求，選擇最佳參數(shù)；如不符合要求，返回第三步。

2.2 算法驗證及仿真

采用基于粒子函數(shù)的方法，對仿真結果進行了規(guī)范檢驗。從全部樣本中選定50 個樣本作為訓練樣本，其余樣本作為實驗樣本。將訓練樣本輸入到預報系統(tǒng)中，將預報結果與采集到的真實廢氣排放量數(shù)據(jù)相比較，改進粒子群算法小波神經(jīng)網(wǎng)絡進化代數(shù)圖如圖1 所示。用2 種不同的方法來展開預測，BP 神經(jīng)和改進神經(jīng)網(wǎng)絡數(shù)據(jù)，并對比這2 種算法所預測的數(shù)據(jù)與原始數(shù)據(jù)之間的差異。從圖2中可以看到，正常BP 神經(jīng)系統(tǒng)的平均誤差達17.67%，用改進的粒子群算法對BP 神經(jīng)網(wǎng)絡進行預測，其預測結果誤差只有6.75%。

圖1 改進粒子群算法小波神經(jīng)網(wǎng)絡進化代數(shù)圖Fig.1 Evolution algebra diagram of wavelet neural network based on improved particle swarm optimization

圖2 算法實驗仿真對比圖Fig.2 Algorithm experimental simulation comparison diagram

3 礦井瓦斯監(jiān)控系統(tǒng)設計

3.1 硬件設計

煤層瓦斯監(jiān)測系統(tǒng)是由信息層、控制層和設備層構成的[3]，它是一種仿真井下復雜條件的模擬系統(tǒng)。在數(shù)據(jù)層中，主要包括監(jiān)控運行主機、監(jiān)控顯示屏幕、網(wǎng)絡服務器的主機以及IP 電話管理系統(tǒng)。工作人員利用監(jiān)控裝置，對采集到的作業(yè)記錄進行預測并在監(jiān)控器上進行展示，利用外接影像裝置通過IP 電話進行傳送，使信息及時化，透明化。

服務器主要是利用工業(yè)以太網(wǎng)來收集下級監(jiān)測中心所收集的資料，再經(jīng)由網(wǎng)絡傳送至上位機，同時工作人員根據(jù)電腦所顯示的資料來提出相應的對策。以數(shù)據(jù)查詢?yōu)榛A，構建與地表監(jiān)測中心相連接的地下監(jiān)測中心[4]。

地下監(jiān)測站是整個礦井瓦斯氣體監(jiān)控系統(tǒng)的中心，利用井下瓦斯探測器采集工作區(qū)瓦斯含量，將數(shù)據(jù)送入地下監(jiān)測站，再將其傳送給上位計算機監(jiān)測站，最后在通信機房中顯示出來。一般情況下，井下瓦斯監(jiān)控總流程如圖3 所示。其中，RS232 總線作為主監(jiān)控站的串行連接器，而RS485 總線作為地下監(jiān)控站。

圖3 井下瓦斯監(jiān)測總流程Fig.3 The total process of underground gas monitoring

地下氣體監(jiān)測系統(tǒng)的輔助設備是地下觀測站，主要設備包括電源、報警裝置、顯示器和通訊系統(tǒng)。工作過程中，一方面，總站將井下傳感器收集到的數(shù)據(jù)分別發(fā)送到每個分站，這些數(shù)據(jù)被分站保存起來；另一方面，分站也可以將收集的數(shù)據(jù)傳至總站，匯總后發(fā)給上位機進行監(jiān)測。

3.2 軟件設計

在設計監(jiān)測系統(tǒng)時應以礦井下工況和工作環(huán)境為基礎，設計方案應與實際相匹配。首先，要讓它可以對井下的動態(tài)畫面進行實時監(jiān)控。其次，在網(wǎng)絡通信方面，要以井下環(huán)境變化為依據(jù)。在井下實際工作環(huán)境中，監(jiān)控分站和總站都是必不可少。當緊急情況發(fā)生時，每個監(jiān)控的分站都有權限查詢數(shù)據(jù)，作出快速反應。安裝報警系統(tǒng)可以確保在突發(fā)情況下，及時、迅速地做出反應，為井下工作人員的人身安全與生產安全提供保障[5]。

在實時KingHistorian/ 歷史數(shù)據(jù)庫中，它可以為工作人員實時提供必要的信息，同時工作人員可以利用實時數(shù)據(jù)/歷史存儲系統(tǒng)中的KingHistorian數(shù)據(jù)，操作數(shù)據(jù)處理，改變設備操作狀態(tài)和人員信息。配置王7.0 支持多協(xié)議，多協(xié)議，多協(xié)議數(shù)據(jù)，如GPRS，OPC 等，增加了配置7.0 的手機服務器，讓使用者可以隨時隨地快速地存取與控制數(shù)據(jù)。KingView 7.0 版本的預警體系，可以在系統(tǒng)發(fā)生故障或者可變信息超出一定數(shù)值時發(fā)出預警。通過kingopcserver 子系統(tǒng)，所收集到的數(shù)據(jù)會被實時地傳送給配置dom 數(shù)據(jù)庫[6]。

4 應用分析

基于已有的21 d 煤層瓦斯?jié)舛扔^測資料，開展煤層瓦斯?jié)舛鹊脑缙陬A警與應用研究，為煤層瓦斯?jié)舛鹊念A警與早期探測提供技術支撐。在實地試驗后，驗證了短時預警的可用性，并證實了警報分析的可用性。瓦斯?jié)舛仍谥攸c監(jiān)測預警和分析如下。

（1） 煤礦重要瓦斯監(jiān)測點和數(shù)據(jù)監(jiān)測數(shù)據(jù)特征。

試驗中，將瓦斯監(jiān)測點重點位設在中央風井、主變電站和發(fā)動機隧道工作面。在監(jiān)測點{P1,P2,P3,P4,P5}中，氣體濃度的時間序列是由5 個監(jiān)測點21 d 的氣體監(jiān)測數(shù)據(jù)組成。結果表明，在某一特定時刻，中央風井的瓦斯氣體濃度沒有明顯的變化。

（2） 監(jiān)控數(shù)據(jù)的處理。

數(shù)據(jù)預測法是對每個預測點的氣體濃度時間序列進行提前排序，在完成了偏差數(shù)據(jù)和降噪處理之后，用每個預測點預先測量的氣體濃度時間序列對原始預測數(shù)據(jù)進行平均，從而產生一系列規(guī)律間隔，并通過變化特征，來減少氣體濃度分布和時間序列的特征。

（3） 氣體濃度的預報和預警。

在此基礎上，利用前期20 d 的監(jiān)測數(shù)據(jù)，對所建立的模型進行了改進，篩選出了最適合的樣本。將最后一日的監(jiān)測結果分為3 個時段，將后續(xù)的8 個時段的監(jiān)測結果加入到所建立的模型中，實現(xiàn)對各時段的預測。利用灰關聯(lián)聚類分析法，可以得到各監(jiān)測點的瓦斯?jié)舛葮悠返钠骄燃墸部梢缘玫筋A報數(shù)值所屬的樣品和其它樣品的平均相關值。各監(jiān)測點瓦斯?jié)舛葧r間序列關聯(lián)特征如圖4 所示，顯示了各監(jiān)測點瓦斯預報及報警結果。

圖4 各監(jiān)測點瓦斯?jié)舛葧r間序列關聯(lián)特征Fig.4 Correlation characteristics of gas concentration time series at each monitoring point

如圖4 所示，在工作面中拐角瓦斯?jié)舛葮颖颈O(jiān)測時，發(fā)現(xiàn)它低于其它樣品平均值，部分預測點的瓦斯氣體樣品值相關程度比其他樣品明顯要低，從而被視為異常氣體濃度。并且在最初的8 h 及最近的一個預報點，與其它水平相關系數(shù)的平均值相比，數(shù)值偏低，這種氣體濃度是不正常的。在此基礎上，對中心井及主變站的預測氣體濃度進行了分析，結果表明，中心井及主變站的預測氣體濃度與其他樣本保持很強的相關性，無異常現(xiàn)象。

圖5 的警告預測和數(shù)據(jù)結果顯示，在試驗開始時候，32212 工作面轉角處的預測瓦斯氣體濃度數(shù)值偏高，從相關性看，該預測值與瓦斯含量之間的關聯(lián)度很低，為報警等級II，之后下降。隨著時間推進，預測樣本間的相關程度依然很低，出現(xiàn)警報級別I，這個等級在1 h 之后會逐步下降，之后會維持不變。在第3 個8 h 內，預報的氣體濃度偏高，預報值屬于的樣本之間關聯(lián)性也比較弱，達到了警報級別I。到試驗的最后，預測瓦斯?jié)舛葦?shù)值依然保持很高，抽取樣本關聯(lián)度為較低水平，呈現(xiàn)出警告級別II。在整體預報過程中，預報值與真實數(shù)據(jù)的偏差較小，預警分析的效果較好。

圖5 工作面上隅角監(jiān)測點瓦斯?jié)舛阮A測預警Fig.5 Prediction and early warning of gas concentration at monitoring points in upper corner of working face

5 結論

（1） 按照數(shù)據(jù)融合模型的設計原理，改進了粒子群神經(jīng)網(wǎng)絡算法，并以小波函數(shù)代替了神經(jīng)隱含層中的刺激函數(shù)，使神經(jīng)網(wǎng)絡系統(tǒng)具有更好的性能。

（2） 把融于數(shù)據(jù)層、控制層和裝備層的瓦斯預報系統(tǒng)硬件結構和井下開采條件結合，可實時監(jiān)測井下氣體動態(tài)，同時在一定時間內可以查詢歷史數(shù)據(jù)，促進系統(tǒng)平穩(wěn)運行。

（3） 以瓦斯氣體濃度預測為基礎，將該系統(tǒng)應用于32212 工作面，試驗結果驗證了該方法的可行性和有效性。