馮韶元

（鄭煤集團(tuán)告成煤礦通風(fēng)科，河南 登封 452477）

近些年來(lái)，隨著科技的持續(xù)發(fā)展，信息技術(shù)被廣泛應(yīng)用于煤礦安全監(jiān)控。當(dāng)前，信息融合技術(shù)在醫(yī)學(xué)、圖像識(shí)別、AI等領(lǐng)域得到應(yīng)用，我國(guó)在信息融合技術(shù)領(lǐng)域也獲得了豐碩的成果。越來(lái)越多的專(zhuān)家和學(xué)者開(kāi)始關(guān)注信息融合技術(shù)在煤礦安全監(jiān)控中的應(yīng)用，利用布置在礦井下的各種傳感器獲取所需信息，利用信息融合技術(shù)提高煤礦安全監(jiān)控的準(zhǔn)確性，有效避免煤礦安全事故的發(fā)生。在現(xiàn)階段的煤礦安全監(jiān)控系統(tǒng)中，信息融合技術(shù)的應(yīng)用越來(lái)越廣泛，如基于神經(jīng)網(wǎng)絡(luò)的煤礦安全監(jiān)控、基于模糊邏輯的煤礦安全監(jiān)控等[1]。這些信息融合技術(shù)各有優(yōu)點(diǎn)，但也存在缺點(diǎn)，因?yàn)槊旱V生產(chǎn)環(huán)境復(fù)雜多變，很難構(gòu)建確切的數(shù)學(xué)模型，而且煤礦生產(chǎn)的相關(guān)數(shù)據(jù)量很大，要求監(jiān)控系統(tǒng)具備學(xué)習(xí)能力。因此，本研究提出結(jié)合模糊邏輯和神經(jīng)網(wǎng)絡(luò)構(gòu)建信息融合預(yù)測(cè)模型，以期實(shí)現(xiàn)煤礦安全監(jiān)控。

1 煤礦安全監(jiān)控預(yù)測(cè)總體方案

本次研究的煤礦安全監(jiān)控總體方案結(jié)構(gòu)如圖1所示。本次研究的重點(diǎn)是信息融合預(yù)測(cè)模型。

如圖1所示，煤礦安全監(jiān)控系統(tǒng)通過(guò)數(shù)據(jù)庫(kù)實(shí)時(shí)監(jiān)控煤礦礦井中的傳感器信息，借助信息融合模型判定煤礦的安全等級(jí)，及時(shí)預(yù)警可能發(fā)生的煤礦安全隱患。本次研究針對(duì)礦井安全生產(chǎn)中的瓦斯、風(fēng)速、粉塵這三種信息數(shù)據(jù)構(gòu)建信息融合模型。合理的風(fēng)速有助于降低瓦斯?jié)舛?，還可以給煤礦生產(chǎn)人員提供足夠的氧氣；但風(fēng)速過(guò)大會(huì)導(dǎo)致粉塵濃度上升，增加煤礦粉塵爆炸風(fēng)險(xiǎn)。瓦斯、風(fēng)速、粉塵之間存在非線性關(guān)系，三種信息數(shù)據(jù)的有效融合可以提高煤礦安全預(yù)測(cè)準(zhǔn)確度。本次研究的信息融合預(yù)測(cè)模型選用二級(jí)結(jié)構(gòu)。其中，一級(jí)融合基于自適應(yīng)加權(quán)算法實(shí)現(xiàn)融合，以獲取同類(lèi)傳感器權(quán)重值，提升信息表述精度。二級(jí)融合模型是基于模糊神經(jīng)網(wǎng)絡(luò)的模型，因?yàn)榈V井下生產(chǎn)環(huán)境復(fù)雜，很難構(gòu)建精確的數(shù)學(xué)模型，同時(shí)需要同時(shí)處理大量數(shù)據(jù)。

2 信息融合預(yù)測(cè)模型研究

2.1 信息融合預(yù)測(cè)模型設(shè)計(jì)分析

為了有效監(jiān)控煤礦生產(chǎn)，減少煤礦事故的發(fā)生率，生產(chǎn)企業(yè)就應(yīng)該設(shè)法降低礦井下的瓦斯、粉塵等危險(xiǎn)物質(zhì)的濃度。因此，礦井下的通風(fēng)非常重要，合理的通風(fēng)能夠及時(shí)有效避免瓦斯積聚，降低瓦斯?jié)舛?，同時(shí)提供足夠的氧氣。煤礦安全生產(chǎn)的基本原則之一便是“以風(fēng)定產(chǎn)”。然而，風(fēng)速過(guò)大會(huì)導(dǎo)致粉塵濃度上升，增加煤塵爆炸風(fēng)險(xiǎn)。基于此，本次研究選取了風(fēng)速、瓦斯、粉塵這三個(gè)相互影響、相互制約的傳感器信息加以融合，提出如圖2所示的信息融合預(yù)測(cè)模型。

圖1 煤礦安全監(jiān)控總體方案

圖2 信息融合預(yù)測(cè)模型

該信息融合模型分為兩級(jí)，第一級(jí)信息融合基于自適應(yīng)加權(quán)算法，第二級(jí)基于模糊神經(jīng)網(wǎng)絡(luò)。一級(jí)融合目的是通過(guò)確定多個(gè)同類(lèi)傳感器的權(quán)重值，提高對(duì)風(fēng)速、瓦斯、粉塵等監(jiān)控預(yù)測(cè)對(duì)象的表述精度。采用基于模糊神經(jīng)網(wǎng)絡(luò)的二級(jí)融合模型的原因是考慮到煤礦生產(chǎn)環(huán)境的復(fù)雜性，難以構(gòu)建精確的數(shù)學(xué)模型，且數(shù)據(jù)繁多，需要根據(jù)礦井實(shí)際情況設(shè)置相應(yīng)的報(bào)警等級(jí)，需要結(jié)合生產(chǎn)實(shí)際設(shè)置大量的模糊數(shù)據(jù)[2]。此外，礦井下環(huán)境變化頻繁，信息融合模型需要具備一定的學(xué)習(xí)能力，才能根據(jù)數(shù)據(jù)變化做出相應(yīng)調(diào)整。因此，本文基于神經(jīng)網(wǎng)絡(luò)理論提出基于模糊神經(jīng)網(wǎng)絡(luò)的二級(jí)信息融合模型。

通過(guò)第一級(jí)模型對(duì)風(fēng)速、瓦斯、粉塵這三類(lèi)信息進(jìn)行融合處理，判斷其是否超出《煤礦安全規(guī)程》的相關(guān)標(biāo)準(zhǔn)，如果其中任意一類(lèi)傳感器數(shù)據(jù)超標(biāo)則直接做出預(yù)警，不必經(jīng)過(guò)二級(jí)融合。如果未監(jiān)測(cè)到數(shù)據(jù)超標(biāo)，則對(duì)數(shù)據(jù)進(jìn)行歸一化處理，再通過(guò)二級(jí)融合模型融合各項(xiàng)數(shù)據(jù)，判斷是否超標(biāo)。

2.2 一級(jí)融合模型

2.2.1 自適應(yīng)加權(quán)融合算法

煤礦安全監(jiān)控系統(tǒng)中的一級(jí)信息融合步驟：第一步，根據(jù)自適應(yīng)加權(quán)算法獲取傳感器權(quán)重；第二部，加權(quán)處理獲得精確權(quán)重值；第三步，歸一化處理數(shù)據(jù)。自適應(yīng)加權(quán)算法按照數(shù)據(jù)精度確權(quán)，精度越高，權(quán)重越高。為提升數(shù)據(jù)精確度，需要將數(shù)據(jù)乘以相應(yīng)權(quán)數(shù)，再做計(jì)算均值。為了準(zhǔn)確反映煤礦安全監(jiān)控指標(biāo)數(shù)據(jù)，需要布設(shè)多個(gè)相同類(lèi)型的傳感器，以獲得對(duì)同一個(gè)對(duì)象的精確值。

例如，某礦井巷道布設(shè)有四個(gè)監(jiān)測(cè)瓦斯?jié)舛鹊膫鞲衅?、一個(gè)監(jiān)測(cè)粉塵濃度的傳感器、一個(gè)監(jiān)測(cè)風(fēng)速的傳感器。四個(gè)瓦斯傳感器共同獲取該巷道的瓦斯?jié)舛葦?shù)據(jù)，各瓦斯傳感器位置、精度不同，權(quán)重值不同。因此，需要獲得這四個(gè)傳感器的對(duì)應(yīng)權(quán)重值，從而提升瓦斯?jié)舛鹊木_度。為獲得各個(gè)瓦斯傳感器的最優(yōu)權(quán)重值，需要多次測(cè)量它們采集的數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行處理。也就是說(shuō)，在確保總均方差最小的情況下，根據(jù)自適應(yīng)加權(quán)算法求取各個(gè)傳感器對(duì)應(yīng)的權(quán)重值。

總均方差為：

其中，i、j表示瓦斯傳感器編號(hào)，由于X1、X2、X3、X4相互獨(dú)立，則：

總方差σ2可寫(xiě)成：

根據(jù)式（4）可知，σ2是多元二次函數(shù)，包括多個(gè)加權(quán)因子，其中必然存在一個(gè)最小值，求解出這個(gè)最小值就等于求解加權(quán)因子，其滿足式（1）中的函數(shù)極值。根據(jù)函數(shù)極值求解方法進(jìn)行計(jì)算，人們可以發(fā)現(xiàn)，當(dāng)加權(quán)因子為時(shí)，方差最小，即：

以上是對(duì)各傳感器進(jìn)行一次測(cè)量所獲數(shù)據(jù)的估計(jì)。在實(shí)際應(yīng)用中需要對(duì)第i個(gè)瓦斯傳感器進(jìn)行k次測(cè)量，以求出最優(yōu)加權(quán)因子。此時(shí)，k次測(cè)量的均值為：

此時(shí)的信息融合值為：

同理，可以根據(jù)函數(shù)極值的求解方法，計(jì)算出最小均方差，即：

由于k永遠(yuǎn)大于1，因此當(dāng)k值不斷增長(zhǎng) 時(shí)，將不斷減小，理論上來(lái)說(shuō)k越大，數(shù)據(jù)融合值精度越高。但實(shí)際上k值也不能太大，因?yàn)閗值持續(xù)增長(zhǎng)時(shí)，自適應(yīng)加權(quán)算法將不斷趨近算術(shù)平均值法。

2.2.2 最優(yōu)權(quán)重值計(jì)算

如上所述，多個(gè)傳感器自適應(yīng)加權(quán)融合基本步驟是：（1）求傳感器k次測(cè)量數(shù)據(jù)的平均值；（2）求得傳感器i的方差（3）根據(jù)公式求最優(yōu)加權(quán)因子Wi；（4）得到融合值

本文選取監(jiān)測(cè)瓦斯?jié)舛鹊亩鄠€(gè)傳感器在某時(shí)間點(diǎn)測(cè)量7次后獲得的數(shù)據(jù)，依照上述步驟計(jì)算最優(yōu)權(quán)重值，首先求得各個(gè)傳感器多次測(cè)量所獲數(shù)據(jù)的平均值、權(quán)值及方差，如表1所示。

表1 傳感器權(quán)值數(shù)據(jù)

根據(jù)表2可知，四個(gè)瓦斯傳感器的權(quán)值不同。因此，可以計(jì)算此時(shí)煤礦巷道的瓦斯?jié)舛热诤现担?/p>

在實(shí)際煤礦生產(chǎn)中，企業(yè)往往需要設(shè)置多個(gè)傳感器監(jiān)測(cè)一個(gè)指標(biāo)，需要用自適應(yīng)加權(quán)算法確定多個(gè)同類(lèi)傳感器的權(quán)重值。

2.2.3 歸一化處理

利用上述方法求得傳感器權(quán)重值，得到更加精確的數(shù)據(jù)，為了方便進(jìn)行二級(jí)信息融合，人們還必須對(duì)精確數(shù)據(jù)進(jìn)行歸一化處理，具體公式如下：

式中，x歸一為某類(lèi)傳感器數(shù)據(jù)經(jīng)過(guò)歸一化處理后的數(shù)值；為某類(lèi)傳感器數(shù)據(jù)進(jìn)行自適應(yīng)加權(quán)融合后的數(shù)值；為進(jìn)行自適應(yīng)加權(quán)一級(jí)融合后傳感器樣本數(shù)據(jù)的最小值；為自適應(yīng)加權(quán)一級(jí)融合后傳感器樣本數(shù)據(jù)最大值，到此，第一級(jí)融合處理完成。

2.3 基于模糊神經(jīng)網(wǎng)絡(luò)的二級(jí)融合模型

2.3.1 確立模糊推理預(yù)測(cè)系統(tǒng)

如上所述，選擇風(fēng)速、瓦斯、粉塵這三個(gè)關(guān)鍵的煤礦安全信息作為融合信息來(lái)源。可見(jiàn)，基于模糊神經(jīng)網(wǎng)絡(luò)的二級(jí)融合模型輸入變量有三個(gè)。模型輸出變量即模型預(yù)測(cè)結(jié)果，也就是煤礦當(dāng)前安全等級(jí)：安全、中等、危險(xiǎn)[3]?！鞍踩钡燃?jí)表示礦井下非常安全，出現(xiàn)安全事故的可能性很??；“中等”等級(jí)表示礦井下安全環(huán)境一般，需要加強(qiáng)監(jiān)測(cè)；“危險(xiǎn)”等級(jí)則代表當(dāng)前礦井下發(fā)生安全事故的可能性較高，必須馬上中止生產(chǎn)活動(dòng)，仔細(xì)排查安全隱患。本次研究通過(guò)實(shí)地調(diào)查、查閱文獻(xiàn)資料等方式，以某煤礦為例，得到風(fēng)速、瓦斯、粉塵這三個(gè)信息與煤礦安全等級(jí)的關(guān)系，如表2所示

針對(duì)風(fēng)速、瓦斯、粉塵這三種輸入變量，根據(jù)其測(cè)量數(shù)值大小與煤礦礦井實(shí)際生產(chǎn)情況，對(duì)數(shù)值進(jìn)行歸一化處理后，分成三個(gè)模糊子集：{高、中、低}。選取高斯函數(shù)作為各模糊子集的隸屬度函數(shù)，將各類(lèi)傳感器的測(cè)量數(shù)據(jù)進(jìn)行歸一化處理得到具體的隸屬度。

模糊推理的規(guī)則形式一般為“IF...THEN...”。結(jié)合某煤礦生產(chǎn)實(shí)踐，人們可以確立合理的模糊推理規(guī)則，例如，“IF（風(fēng)速高）AND（瓦斯?jié)舛雀撸〢ND（粉塵濃度高）THEN（安全等級(jí)為危險(xiǎn)）”。規(guī)則中的高、中、低是風(fēng)速、瓦斯?jié)舛?、粉塵濃度的模糊量化等級(jí)，可使用具體分值“1”“0.5”“0”來(lái)量化煤礦安全等級(jí)。

模糊推理的規(guī)則往往有很多條，制定規(guī)則的基本原則是規(guī)則必須涵蓋一切可能出現(xiàn)的情況。相同的規(guī)則可合并但不能出現(xiàn)相互沖突的規(guī)則。根據(jù)風(fēng)速、瓦斯、粉塵這三個(gè)輸入變量，考慮一切可能發(fā)生的情況，可以將礦井下模糊推理規(guī)則設(shè)置為27條。

表2 風(fēng)速、瓦斯、粉塵與煤礦安全等級(jí)的關(guān)系

2.3.2 構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)模型

煤礦監(jiān)控預(yù)測(cè)模型的核心是基于模糊神經(jīng)網(wǎng)絡(luò)的信息融合模型。首先利用煤礦礦井的實(shí)際生產(chǎn)數(shù)據(jù)訓(xùn)練基于模糊神經(jīng)網(wǎng)絡(luò)的信息融合模型。訓(xùn)練結(jié)束后，此模型具備了學(xué)習(xí)能力，可以根據(jù)礦井下的各項(xiàng)數(shù)據(jù)對(duì)煤礦安全等級(jí)進(jìn)行及時(shí)準(zhǔn)確的預(yù)測(cè)。基于模糊神經(jīng)網(wǎng)絡(luò)的融合模型包括五層。

（1）輸入層。該層包括代表各項(xiàng)指標(biāo)信息的節(jié)點(diǎn)，負(fù)責(zé)將傳感器數(shù)據(jù)傳遞至下一層。

（2）模糊化層。該層包括代表各個(gè)輸入量模糊子集的節(jié)點(diǎn)，負(fù)責(zé)獲取輸入量屬于某模糊子集的隸屬度。本次研究的隸屬度函數(shù)選取高斯型函數(shù)，如式（11）所示：

式中，為隸屬度，cij為隸屬函數(shù)中心。

（3）規(guī)則層。該層包括代表根據(jù)礦井實(shí)際情況制定的27條模糊推理規(guī)則的節(jié)點(diǎn)，各節(jié)點(diǎn)輸入為模糊子集隸屬度，輸出為匹配度。其主要作用是計(jì)算模糊規(guī)則的合適度。

（4）歸一化層。該層總共有27個(gè)節(jié)點(diǎn)，其主要作用是對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

（5）輸出層。該層只有一個(gè)節(jié)點(diǎn)，用于完成解模糊功能，為模型輸出值，期望輸出值設(shè)為0、0.5、1，分別代表煤礦安全、中等、危險(xiǎn)這三個(gè)安全等級(jí)。

在二級(jí)信息融合模型中除了歸一化層、輸出層之外，其他層的權(quán)值均設(shè)為1，而歸一化層、輸出層之間的權(quán)值設(shè)為Wij。按照模糊推理規(guī)則，人們可以構(gòu)建模糊化層和隱層之間的連接關(guān)系，并通過(guò)數(shù)據(jù)訓(xùn)練持續(xù)優(yōu)化模糊化層的隸屬度函數(shù)值，不斷完善模型，以提升模型輸出值的精度。

2.4 模糊神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練算法

BP算法是現(xiàn)階段應(yīng)用最廣泛的模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。BP算法的應(yīng)用推動(dòng)了多層前饋神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用，形成使用廣泛的BP神經(jīng)網(wǎng)絡(luò)。現(xiàn)階段，大部分關(guān)于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法均為基于BP算法進(jìn)行改進(jìn)所得。經(jīng)典三層BP網(wǎng)絡(luò)包含輸入層、隱層、輸出層，結(jié)構(gòu)如圖3所示

圖3 經(jīng)典三層BP網(wǎng)絡(luò)建結(jié)構(gòu)

BP算法存在兩個(gè)主要缺陷：易陷入局部極小點(diǎn)；收斂速度慢。煤礦礦井環(huán)境復(fù)雜多變，會(huì)產(chǎn)生大量數(shù)據(jù)，對(duì)于預(yù)測(cè)的速度要求很高。傳統(tǒng)BP算法無(wú)法滿足其預(yù)測(cè)速度。因此，必須基于傳統(tǒng)BP算法進(jìn)行相應(yīng)改進(jìn)，以顯著提升BP算法的速度。在此背景下，一些改進(jìn)算法被相繼提出，如傳牛頓法、變步長(zhǎng)算法、附加動(dòng)量法等，這些算法可以提高算法運(yùn)算速度，但是也存在較多問(wèn)題，而且對(duì)訓(xùn)練速度的提升效果不明顯。而將數(shù)值優(yōu)化算法（LM）與BP算法結(jié)合開(kāi)展網(wǎng)絡(luò)訓(xùn)練的算法被人們稱(chēng)為L(zhǎng)MBP算法。當(dāng)網(wǎng)絡(luò)權(quán)重個(gè)數(shù)在幾百以?xún)?nèi)時(shí)，LMBP算法的收斂速度明顯優(yōu)于其他傳統(tǒng)改進(jìn)算法，相比傳統(tǒng)BP算法的收斂速度更是有顯著提升。實(shí)際上，數(shù)值優(yōu)化算法LM是基于牛頓法變形而來(lái)的一種高效算法，非常適合用來(lái)訓(xùn)練指標(biāo)指數(shù)是均方誤差的網(wǎng)絡(luò)。而B(niǎo)P算法正需要將輸出與實(shí)際輸出信號(hào)之間的誤差平方和控制在最小，因此結(jié)合LM算法與BP算法可以有效調(diào)整傳統(tǒng)BP算法收斂速度。

3 結(jié)語(yǔ)

本次研究提出了一種二級(jí)信息融合模型，用于對(duì)煤礦安全狀況進(jìn)行準(zhǔn)確預(yù)測(cè)，通過(guò)經(jīng)過(guò)優(yōu)化的信息融合算法來(lái)提升煤礦安全預(yù)測(cè)的精度和速度。筆者分析了信息融合預(yù)測(cè)技術(shù)在煤礦安全監(jiān)控預(yù)測(cè)中的應(yīng)用現(xiàn)狀和應(yīng)用必要性，提出一種二級(jí)結(jié)構(gòu)的信息融合模型。其中，第一級(jí)結(jié)構(gòu)采用自適應(yīng)加權(quán)算法獲取多個(gè)同類(lèi)傳感器的權(quán)重系數(shù)，以提升傳感器的表述精度；第二級(jí)融合模型基于模糊神經(jīng)網(wǎng)絡(luò)，解決礦井安全環(huán)境難以建立精確數(shù)學(xué)模型的問(wèn)題，同時(shí)模型具備學(xué)習(xí)能力，符合煤礦礦井實(shí)際生產(chǎn)情況。