楊 帆，姜 勇，楊元君

1.武漢工程大學(xué)電氣信息學(xué)院，湖北 武漢 430205；2.智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室（武漢工程大學(xué)），湖北 武漢 430205

0 引 言

隨著我國經(jīng)濟(jì)的發(fā)展，礦井事故頻發(fā)，特別是瓦斯、水害等重大事故，對從業(yè)人員的生命安全構(gòu)成了巨大的威脅，同時也造成了巨大的經(jīng)濟(jì)損失.礦井的工作環(huán)境十分特殊，存在瓦斯、CO等易燃、易爆氣體，而且里面空間狹小、礦塵大，工作場所分散且距離遠(yuǎn)，井下安全監(jiān)測設(shè)備應(yīng)具有體積小、性能穩(wěn)定、可靠性高、抗干擾能力強(qiáng)等特點(diǎn).傳統(tǒng)的監(jiān)控系統(tǒng)主要是采取有線電纜的傳輸方式，但是井下數(shù)據(jù)的多樣性和不同的干擾信號會嚴(yán)重影響數(shù)據(jù)的傳輸，而且隨著生產(chǎn)的推進(jìn)、礦井結(jié)構(gòu)的不斷變化以及通信電纜的延伸，線路維護(hù)起來越來越復(fù)雜，如果某處線路發(fā)生故障，整個系統(tǒng)有可能會癱瘓.針對礦井的特點(diǎn)，筆者設(shè)計(jì)了基于紫蜂（ZigBee）技術(shù)、無線傳感器網(wǎng)絡(luò)、信息融合和神經(jīng)網(wǎng)絡(luò)技術(shù)的礦井安全監(jiān)測系統(tǒng).該系統(tǒng)不僅能夠準(zhǔn)確的分析預(yù)測礦井的安全狀況，提醒井下工作人員及時采取相應(yīng)的安全措施，而且當(dāng)其中某些傳感器發(fā)生故障或停止工作時，系統(tǒng)不受影響仍能繼續(xù)工作，這樣既保證了工作人員的人身安全，也保證了礦井的安全生產(chǎn)［1－3］.

1 系統(tǒng)整體結(jié)構(gòu)

礦井安全監(jiān)測系統(tǒng)主要由數(shù)據(jù)采集單元、數(shù)據(jù)處理單元和地面監(jiān)控單元3個部分構(gòu)成.數(shù)據(jù)采集單元主要包括安放在礦井各地方的傳感器，主要監(jiān)測礦井中的瓦斯氣體濃度、CO濃度、溫度以及風(fēng)速等基本信息.數(shù)據(jù)處理單元主要將傳感器采集的環(huán)境溫度、風(fēng)速、瓦斯?jié)舛燃癈O濃度數(shù)據(jù)進(jìn)行處理（測量瓦斯?jié)舛冗x用的是CJG10光干涉式甲烷測定器，測量范圍為0～10%，分辨率為0.02%；測量風(fēng)速采用的是KGF型風(fēng)速傳感器，測量范圍為0.3～15m／s，測量誤差為0.3m／s；測量CO濃度采用CO－T2型CO氣體變送器，測量范圍為0～1g／L，分辨率為0.1mg／L；測量溫度采用PT100溫度傳感器，測量范圍為0～200℃），通過ZigBee協(xié)議，將采集到的礦井環(huán)境數(shù)據(jù)送入到以嵌入式為核心的遠(yuǎn)程控制系統(tǒng)中，利用多傳感器信息融合對當(dāng)前的礦井環(huán)境進(jìn)行判斷，做出決策，再通過無線網(wǎng)絡(luò)傳輸給地面監(jiān)控系統(tǒng).地面控制單元主要是接收礦井下面發(fā)送來的處理好的數(shù)據(jù)，如果數(shù)據(jù)異常，井下報(bào)警器將啟動，井下工作人員就能及時撤退，保證人身安全.系統(tǒng)整體結(jié)構(gòu)如圖1所示.

圖1 礦井監(jiān)測系統(tǒng)整體結(jié)構(gòu)Fig.1 Overall structure of the safety monitoring system

2 ZigBee傳感器網(wǎng)絡(luò)節(jié)點(diǎn)體系

ZigBee是一種短距離、可靠性高、低功耗、低成本、自組織的無線通信技術(shù).礦井下環(huán)境復(fù)雜，對設(shè)備的功耗、抗干擾性具有嚴(yán)格的要求，ZigBee技術(shù)對礦井無線傳輸部分具有十分重要的作用［4－6］.

ZigBee傳感器網(wǎng)絡(luò)節(jié)點(diǎn)體系結(jié)構(gòu)主要由傳感器模塊、電源模塊、射頻模塊和控制器模塊等組成，如圖2所示.

圖2 傳感器節(jié)點(diǎn)結(jié)構(gòu)Fig.2 Structure of the sensor nodes

傳感器模塊由瓦斯傳感器、風(fēng)速傳感器、CO傳感器、溫度傳感器組成；控制器模塊由CC2530芯片組成.CC2530芯片結(jié)合了RF收發(fā)器、增強(qiáng)型8051CPU、系統(tǒng)內(nèi)可編程閃存和許多其他模塊的強(qiáng)大功能，以極低的總材料成本建立較為強(qiáng)大的網(wǎng)絡(luò)節(jié)點(diǎn)，具有多種運(yùn)行模式，使它能滿足超低功耗系統(tǒng)的要求；射頻模塊由CC2530芯片本身提供的射頻模塊和外圍電路構(gòu)成；電源模塊由2節(jié)1.5 V干電池供電.

3 系統(tǒng)軟件設(shè)計(jì)

系統(tǒng)軟件設(shè)計(jì)包括系統(tǒng)初始化和各節(jié)點(diǎn)的軟件設(shè)計(jì)2部分.

系統(tǒng)初始化包括各接口的初始化、傳感器模塊的初始化、通信模塊的初始化、CC2530芯片的初始化等.

各節(jié)點(diǎn)的軟件設(shè)計(jì)，以傳感器節(jié)點(diǎn)為例，傳感器節(jié)點(diǎn)系統(tǒng)初始化后，開始加入網(wǎng)絡(luò)進(jìn)行傳感器的數(shù)據(jù)測量，并將采集到的數(shù)據(jù)進(jìn)行轉(zhuǎn)換，再將轉(zhuǎn)換好的數(shù)據(jù)信息發(fā)送給協(xié)調(diào)器，傳感器節(jié)點(diǎn)流程如圖3所示.

圖3 傳感器節(jié)點(diǎn)組網(wǎng)流程圖Fig.3 Software design process of the sensor nodes

協(xié)調(diào)器節(jié)點(diǎn)初始化后建立網(wǎng)絡(luò)，開始處理節(jié)點(diǎn)的申請要求，接收串口傳輸來的命令并向數(shù)據(jù)采集節(jié)點(diǎn)傳輸數(shù)據(jù)采集命令，當(dāng)數(shù)據(jù)需要接收時，接收傳輸來的數(shù)據(jù)，并將數(shù)據(jù)傳輸給上位機(jī).當(dāng)終端節(jié)點(diǎn)成功加入已存在的網(wǎng)絡(luò)后，對指令進(jìn)行分析，選擇各傳感器的開關(guān)狀態(tài)，處于開啟狀態(tài)的傳感器開始采集數(shù)據(jù)并將數(shù)據(jù)傳回.

4 信息融合

信息融合的實(shí)質(zhì)就是充分利用多個傳感器所獲取的數(shù)據(jù)信息，通過一定規(guī)則對這些數(shù)據(jù)進(jìn)行支配和處理，將不同層次的信息，包括冗余信息和互補(bǔ)信息結(jié)合起來，從而獲得被測數(shù)據(jù)的一致性描述.信息融合的方法主要有Bayes推理、模糊信息融合、D－S證據(jù)推理及神經(jīng)網(wǎng)絡(luò)融合等［7］.

由于井下環(huán)境比較特殊、復(fù)雜，瓦斯?jié)舛取囟取L(fēng)速等都是隨機(jī)變化的，因此難以建立比較精確的數(shù)學(xué)模型.而反向傳播（Back Propagation，以下簡稱：BP）神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，而且具有高度的自學(xué)習(xí)、自適應(yīng)能力，因此筆者采用BP神經(jīng)網(wǎng)絡(luò)算法來對傳感器所收集的數(shù)據(jù)進(jìn)行信息融合.

BP神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層構(gòu)成的三層網(wǎng)絡(luò)，如圖4所示.

圖4 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.4 BP neural network topology

根據(jù)井下傳感器采集到的瓦斯?jié)舛?、CO濃度、溫度以及風(fēng)速等信息，網(wǎng)絡(luò)輸入樣本P、輸出樣本Fn可表示為：

式（1）中：p1為瓦斯?jié)舛?；p2為CO濃度；p3為風(fēng)速；p4為溫度.式（2）中：F1表示安全；F2表示臨界安全；F3表示危險(xiǎn).

隱含層節(jié)點(diǎn)數(shù)的取值對神經(jīng)網(wǎng)絡(luò)的性能也有非常大的影響.如果隱層節(jié)點(diǎn)的數(shù)目選取過少，網(wǎng)絡(luò)能夠獲取的有用信息太少，學(xué)習(xí)的容量非常有限，得出的結(jié)果可能具有片面性；隱層節(jié)點(diǎn)過多的話，不僅會增加訓(xùn)練的時間，還會導(dǎo)致學(xué)習(xí)時間過長、容錯性差，影響網(wǎng)絡(luò)的泛化能力.

根據(jù)經(jīng)驗(yàn)公式，隱含層節(jié)點(diǎn)數(shù)可表示為n1＝＋a，式中n1為隱含層節(jié)點(diǎn)數(shù)，n為輸入節(jié)點(diǎn)數(shù)，l為輸出節(jié)點(diǎn)數(shù)，a為［1，10］之間的常數(shù).

根據(jù)式（1）、式（2）可知n＝4，l＝3，故可取n1為4，即隱層節(jié)點(diǎn)數(shù)為4.

MATLAB是一款功能強(qiáng)大的數(shù)學(xué)軟件，可用于數(shù)據(jù)可視化、數(shù)據(jù)分析及數(shù)值計(jì)算、算法開發(fā)等多個方面，應(yīng)用工具箱豐富的功能也是一大特點(diǎn)，其中包括神經(jīng)網(wǎng)絡(luò)工具箱［8］.

筆者利用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱，將礦井中采集的各項(xiàng)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，網(wǎng)絡(luò)輸入層神經(jīng)元4個、中間層4個、輸出層3個，根據(jù)安全、臨界安全、危險(xiǎn)3種狀態(tài)，可分別用對應(yīng)的二進(jìn)制000、100、010表示，最后得到的仿真誤差曲線如圖5所示.

由訓(xùn)練結(jié)果可看出，經(jīng)過約1 000次的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)可達(dá)到收斂狀態(tài).

圖5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.5 Neural network training curve

分別將安全、臨界安全、危險(xiǎn)3種情況下的隨機(jī)數(shù)據(jù)對訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)進(jìn)行信息融合仿真驗(yàn)證，實(shí)際參數(shù)及情況如表1所示.通過MATLAB神經(jīng)網(wǎng)絡(luò)處理，得到表2所示結(jié)果，處理后的結(jié)果與實(shí)際測量情況完全吻合.

表1 實(shí)際參數(shù)及實(shí)際情況Table 1 The actual parameters and situations

表2 融合仿真結(jié)果Table 2 The simulation results

由表2可知，該系統(tǒng)能夠準(zhǔn)確的判斷礦井下所處的環(huán)境，當(dāng)環(huán)境達(dá)到臨界安全時，警報(bào)將會自動啟動，井下工作人員有足夠的時間撤離現(xiàn)場，防止事故的發(fā)生.同時地面監(jiān)控系統(tǒng)將采取相應(yīng)的措施，讓井下環(huán)境達(dá)到安全狀態(tài)，使警報(bào)解除.

5 結(jié) 語

根據(jù)礦井下的特殊環(huán)境，筆者設(shè)計(jì)了基于信息融合技術(shù)、利用神經(jīng)網(wǎng)絡(luò)融合算法的礦井安全監(jiān)測系統(tǒng).采用BP神經(jīng)網(wǎng)絡(luò)信息融合算法，大大降低了預(yù)測誤差.該系統(tǒng)能夠準(zhǔn)確判斷井下環(huán)境是否危險(xiǎn)，保證了礦井的安全生產(chǎn).

［1］ZHANG Xiaoyu，HUANG Weizhi.Multi－sensor information fusion technology and the application in mine pit environmental monitoring［C］／／YANG Yixian.2010Asia－Pacific Conference on Information Theory，October 1－2，2010，Xi'an，China.USA：Scientific Research Publishing，2010：10－13.

［2］楊帆，陳茂林，吳迅，等.基于傳感器信息融合技術(shù)的森林火災(zāi)報(bào)警系統(tǒng)［J］.華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，41（2）：22－25.YANG Fan，CHEN Mao－lin，WU Xun，et al.Warning system for forest－fire based on sensor information fusion technology［J］.Journal of Huazhong University of Science and Technology：Natural Science Edition，2013，41（2）：22－25.（in Chinese）

［3］YICK J，MUKHERJEE B，GHOSAL D.Wireless sensor network survey［J］.Computer Networks：The International Journal of Computer and Telecommunications Networking，2008，52（12）：2292－2330.

［4］楊帆，吳迅，陳茂林，等.基于精餾塔多源信息融合的故障診斷方法［J］.武漢理工大學(xué)學(xué)報(bào)，2012，34（11）：135－138.YANG Fan，WU Xun，CHEN Mao－lin et al.A method of fault diagnosis based on multi－source information fusion applied in the distillation column［J］.Journal of Wuhan University of Technology，2012，34（11）：135－138.（in Chinese）

［5］楊帆，程雯，夏亦冰，等.多傳感器信息融合測控體系在溫室測控中的應(yīng)用研究［J］.武漢理工大學(xué)學(xué)報(bào)，2011，33（9）：156－159.YANG Fan，CHENG Wen，XIA Yi－bing，et al.Research on the application of sensor information fusion control system in the conservatory monitor［J］.Journal of Wuhan University of Technology，2011，33（9）：156－159.（in Chinese）

［6］王鶴，周東祥，宋委遠(yuǎn)，等.基于遺傳神經(jīng)網(wǎng)絡(luò)的混合氣體識別研究［J］.華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，35（9）：118－120.WANG He，ZHOU Dong－xiang，SONG Wei－yuan et al.Recognition of multi－gas by using genetic algorithm optimizing neural network［J］.Journal of Huazhong University of Science and Technology：Natural Science Edition，2007，35（9）：118－120.（in Chinese）

［7］楊帆，江星，陳茂林，等.基于DS證據(jù)理論的精餾塔故障診斷方法［J］.長江大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，10（28）：60－62.YANG Fan，JIANG Xing，CHEN Mao－lin，et al.Distillation column fault diagnosis method based on DS evidence theory［J］.Journal of Yangtze University：Natural Science Edition，2013，10（28）：60－62.（in Chinese）

［8］蘇高利，鄧芳萍.論基于 MATLAB語言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法［J］.科技通報(bào)，2003，19（2）：130－135.SU Gao－li，DENG Fang－ping.On the improving back propagation algorithms of the neural networks based on MATLAB language：A review［J］.Bulletin of Science and Technology，2003，19（2）：130－135.（in Chinese）