基于二级融合的矿井环境智能监测研究*

王文庆，龚 娜，张 涛，宋炳泉

(1.西安邮电大学自动化学院，陕西 西安710061;2.白银有色集团股份有限公司自控所，甘肃白银730900)

0 引言

为提高井下安全生产水平，国家要求地下矿山必须建立安全避险“六大系统”［1］。目前，绝大多数的地下矿井安全监测系统都是采用传感器设定阈值进行越限报警的方法来实现井下工作环境的安全性监测［2］。由于矿井环境恶劣，且传感器测量存在误差，采用多传感器数据融合技术进行数据处理成为必然。文献［3］采用多传感器模糊信息融合算法实现矿井安全监测，文献［4］以Bayes估计理论为基础得到了多传感器最优融合数据，文献［5，6］都首先利用格罗贝斯准则判断剔除稀疏数据，再分别利用模糊贴近度和分批估计法对余下的有效数据进行融合。上述方法均存在各自不足:首先，需要假设多个传感器的测量值都服从同一正态分布，而实际情况是传感器的测量值一般都是局部近似服从正态分布，如果假设整体服从正态分布也会造成很大融合误差;其次，在定义关系矩阵时常采用阈值法，而阈值的选取受主观因素的影响很大;再次，利用一些准则剔除稀疏数据时，如果剔除不当则有可能会导致一些有效数据的丢失。在地下矿井环境安全评价方面，文献［7，8］采用BP神经网络算法进行安全等级划分，虽然实现了环境监测系统的智能分析，但BP神经网络具有收敛速度慢，容易陷入局部极值和网络结构难以确定等缺点，影响了其学习效率和分类精度。

本文以井下数据采集系统为基础，首先采用最短距离聚类融合法提高测量数据融合精度，消除了传感器设定阈值进行越限报警法带来的误警率，再采用概率神经网络设计分类器对数据级融合结果进行安全等级分类，克服了使用BP神经网络的缺陷，实现了矿井环境安全状态监测。

1 矿井环境监测系统硬件方案设计

整个系统由客户端、服务器、数据传输通道(有线/无线)及传感器采集单元组成，如图1。考虑到矿山的主井(或主平硐)属于永久设施，服务年限长，故从地面至主井(或主平硐)部署有线通信;从主井(或主平硐)至穿脉和采掘工作面则采用无线通信，以利于灵活布置和设备重用。无线通信部分通过各个基站实现，基站由传感器采集单元、无线射频传输单元、信号调理及处理单元组成，各个基站之间构成无线以太网，它们将采集的现场数据通过光纤传送到服务器数据库中，经二级融合处理后送往客户端，实现矿井环境参数的越限报警、实时监测、历史记录查询等。

图1 系统硬件方案设计图Fig 1 Design diagram of system hardware scheme

2 多传感器信息融合

2.1 基于最短距离聚类的数据级融合

最短距离聚类融合法［9］不需要假设测量误差为正态分布，也不需要预先选取阈值来定义关系矩阵，可克服剔除数据不当造成的偏差，适用于多个特性参数的数据融合问题。

最短距离聚类融合将传感器测量的每组数据视为一类，利用欧氏距离计算出各个类之间的距离形成距离矩阵，再将距离最近的两类合并成一个新类，然后计算新类与其他类之间的欧氏距离矩阵，重复进行2个最近类的合并，每次减少一类，直到所有组数据合并为一个大类，形成聚类树形图，从而确定各个传感器的融合次序，最后采用文献［10］的公式进行融合，融合公式为

式中 f(xi1，xj1)表示传感器 i，j的测量数据xi，xj的第 i个分量融合后的值;c为大于1的实数。融合算法流程图如图2所示。

通过上述融合算法，虽然可以获得各环境影响因素的准确值，但依然不能就此对井下作业区环境的安全等级进行判断。为此，本文利用概率神经网络设计分类器做决策级融合，使环境监测系统具有智能分析的功能，以便能够精确判断井下环境的安全等级，防患于未然。

图2 融合算法流程图Fig 2 Flow chart of fusion algorithm

2.2 基于概率神经网络的决策级融合

概率神经网络(PNN)是一种基于Bayes分类规则与Parzen窗的概率密度估计方法发展而来的并行算法，在样本数据足够多时可逼近贝叶斯分类器以获得最佳分类器的分类性能。PNN的基本结构包括输入层、模式层、求和层和决策层，如图3所示。

图3 PNN结构示意图Fig 3 Structure diagram of PNN

式中 wi为输入层与模式层之间的连接权值;δ为平滑因子。求和层将有对应样本中同一类的模式层传来的输入(属于某类的概率)进行累加，即得到输入样本属于该类的最大可能性。决策层接收从求和层输出的各类概率密度函数，概率密度最大的那个神经元输出为1，所对应的那一类即为待识别的样本模式类别，其他神经元的输出均为0。

3 实验结果分析

以某地下矿山为例，通过图1部署的系统获得井下环境监测数据，包括粉尘、湿度、温度、风速、CO体积分数、SO2体积分数等。首先通过基于最短距离的多传感器聚类融合算法进行一次融合处理。这里以CO体积分数数据为例，见表1。

表1 井下某点CO体积分数数据表Tab 1 Data sheet of CO volume fraction of certain point in mine

利用最短距离聚类融合方法首先确定出各个传感器的融合次序，在Matlab环境下的仿真结果如图4所示。

图4 最短距离聚类树形图Fig 4 Tree shape diagram of minimum-distance clustering

由图4可以清楚地看出各个传感器的融合次序与合并水平，然后利用式(1)计算出最终的融合结果(取 C=1.0001)。为了说明聚类融合方法的优越性，再分别用传统的算术平均法和文献［6］提出的罗贝斯准则剔除稀疏数据和分批估计相结合的方法计算出融合结果，同时也给出当传感器1的测量值随机扰动+0.01(即传感器1的测量值变为6.80，-0.01(即传感器1的测量值变为6.78)后的3种方法融合结果的比较，如表2所示。

表2 三种方法融合结果的比较Tab 2 Comparison of three methods fusion result

从表2中可以看出:基于最小距离聚类融合算法得到的融合结果比其他方法更接近被测量真值，确实提高了测量精度。

采用同样的方法可以得到矿井作业区中温度、风速、SO2、粉尘等其他环境参数的数据融合值列于表3。在此基础上，应用PNN实现环境安全等级分类，并将安全等级分为非常安全、安全、较不安全和危险四类。

表3中的非常安全对应于1类，安全对应于2类，较不安全对应于3类，危险对应于4类。在一段时间内得到20组经一次融合处理后的数据，将它们作为神经网络的输入，其中，前12组融合处理结果用于神经网络分类器训练样本，后8组用于测试分类的正确性。利用Matlab工具箱对PNN进行训练并测试，PNN的平滑因子经过多次尝试取δ=1.5，PNN的分类效果如图5、图6所示。

表3 一级数据融合结果Tab 3 One-step data fusion result

图5 训练数据网络的分类效果图Fig 5 Classification effect diagram of training data network

图6 预测数据网络的分类效果图Fig 6 Classification effect diagram of predicted data network

从图5可以看出:在网络训练完成后，对已经训练好的概率神经网络，将训练样本输入进行环境安全等级分类识别，12个训练样本被完全正确分类。由图6可见，用测试数据作为输入特征向量进行分类正确性测试，8个测试样本中只有1个分类错误。

为了说明采用概率神经网络的优越性，将本方法与文献［7］采用的BP神经网络方法进行比较，结果列于表4。显然，概率神经网络在学习训练速度与准确率方面都要优于BP神经网络模型。

表4 两种网络模型测试效果比较Tab 4 Test effect comparison of two kinds of network model

4 结论

本文以实现地下矿山环境安全智能监测为目标，提出了基于最短距离聚类数据融合和基于概率神经网络的井下环境安全智能监测方法，避免了以往文献研究类似问题时，需要假设传感器的测量值服从正态分布、并根据主观设定阈值来定义关系矩阵等的缺陷;同时，采用概率神经网络实现智能分类，提高了分类速度和准确率。实践结果表明:基于二级融合的地下矿山环境智能监测系统实现了对环境的有效监测，提高了矿井安全生产水平。该系统已在白银集团某地下矿山成功实践。

［1］闫昕岭.基建煤矿建设安全避险“六大系统”适用条件分析［J］.煤矿安全，2012，43(4):187-189.

［2］付 华，高 婷，刘 洋.多传感器模糊信息融合在煤矿安全中的应用［J］.传感器与微系统，2008，27(5):114-116.

［3］王传英，付 华.模糊数据融合算法在煤矿安全系统中的应用［J］.传感器技术，2005，24(6):72-73.

［4］杜晓坤，陈 峰.两级信息融合在煤矿监测系统中的应用［J］.传感器与微系统，2010，29(7):124-126.

［5］郭向勇，傅国强，吕利昌，等.模糊推理和聚类分析的信息融合应用研究［J］.微计算机信息，2010，26(5):128-129.

［6］江 萍，胡社教，潘宗岭.轨枕蒸养测控系统中的温度融合［J］.传感器技术，2003，22(9):37-38，41.

［7］訾兴建.多传感器信息融合技术在瓦斯监测中的应用［J］.煤矿安全，2010(9):36-38.

［8］梁 涛，侯友夫.信息融合技术在矿井环境监测系统中的应用［J］.矿山机械，2009，37(3):37-40.

［9］万树平.多传感器数据的聚类融合方法［J］.系统工程理论与实践，2008(5):132-135.

［10］Odeberg H.Fusion sensor information using fuzzy measures［J］.Robotica，1989，31:217-242.