基于多源數據融合的瓦斯安全系統研究與應用

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，在礦區中，斷裂發育明顯，呈現出不完全的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與瓦斯賦存情況[1]。在32212 開采區，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，研究數據表明，煤層中的瓦斯濃度和瓦斯壓力均顯著增加，且煤層中瓦斯的滲透率隨之增加，同時瓦斯突出區域也不斷擴大，因此要求對瓦斯濃度進行實時動態監測。

2 多傳感器數據融合模型

2.1 改進粒子群算法

神經網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點，可以適應多源數據融合的需求[2]。傳統BP 神經網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，通過調節和改變神經網絡的權值和學習率，利用小波算法取代神經網絡隱含層，構造出一個最優神經系統網絡結構，進而提高神經網絡的學習效率。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，將縮放和平移系數設為M 維向量。

第二步：利用微粒群算法對初始化率進行優化，找出最優初始點和總體最佳值。

第三步：把訓練的樣本數據傳送給輸入層進行學習。

第四步：按照

的算法，優化其網絡參數。

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

2.2 算法驗證及仿真

采用基于粒子函數的方法，對仿真結果進行了規范檢驗。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中，將預報結果與采集到的真實廢氣排放量數據相比較，改進粒子群算法小波神經網絡進化代數圖如圖1 所示。用2 種不同的方法來展開預測，BP 神經和改進神經網絡數據，并對比這2 種算法所預測的數據與原始數據之間的差異。從圖2中可以看到，正常BP 神經系統的平均誤差達17.67%，用改進的粒子群算法對BP 神經網絡進行預測，其預測結果誤差只有6.75%。

圖1 改進粒子群算法小波神經網絡進化代數圖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 礦井瓦斯監控系統設計

3.1 硬件設計

煤層瓦斯監測系統是由信息層、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。在數據層中，主要包括監控運行主機、監控顯示屏幕、網絡服務器的主機以及IP 電話管理系統。工作人員利用監控裝置，對采集到的作業記錄進行預測并在監控器上進行展示，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以太網來收集下級監測中心所收集的資料，再經由網絡傳送至上位機，同時工作人員根據電腦所顯示的資料來提出相應的對策。以數據查詢為基礎，構建與地表監測中心相連接的地下監測中心[4]。

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

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

地下氣體監測系統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。工作過程中，一方面，總站將井下傳感器收集到的數據分別發送到每個分站，這些數據被分站保存起來；另一方面，分站也可以將收集的數據傳至總站，匯總后發給上位機進行監測。

3.2 軟件設計

在設計監測系統時應以礦井下工況和工作環境為基礎，設計方案應與實際相匹配。首先，要讓它可以對井下的動態畫面進行實時監控。其次，在網絡通信方面，要以井下環境變化為依據。在井下實際工作環境中，監控分站和總站都是必不可少。當緊急情況發生時，每個監控的分站都有權限查詢數據，作出快速反應。安裝報警系統可以確保在突發情況下，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/ 歷史數據庫中，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據/歷史存儲系統中的KingHistorian數據，操作數據處理，改變設備操作狀態和人員信息。配置王7.0 支持多協議，多協議，多協議數據，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據。KingView 7.0 版本的預警體系，可以在系統發生故障或者可變信息超出一定數值時發出預警。通過kingopcserver 子系統，所收集到的數據會被實時地傳送給配置dom 數據庫[6]。

4 應用分析

基于已有的21 d 煤層瓦斯濃度觀測資料，開展煤層瓦斯濃度的早期預警與應用研究，為煤層瓦斯濃度的預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。瓦斯濃度在重點監測預警和分析如下。

（1） 煤礦重要瓦斯監測點和數據監測數據特征。

試驗中，將瓦斯監測點重點位設在中央風井、主變電站和發動機隧道工作面。在監測點{P1,P2,P3,P4,P5}中，氣體濃度的時間序列是由5 個監測點21 d 的氣體監測數據組成。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） 監控數據的處理。

數據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，在完成了偏差數據和降噪處理之后，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據進行平均，從而產生一系列規律間隔，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 的監測數據，對所建立的模型進行了改進，篩選出了最適合的樣本。將最后一日的監測結果分為3 個時段，將后續的8 個時段的監測結果加入到所建立的模型中，實現對各時段的預測。利用灰關聯聚類分析法，可以得到各監測點的瓦斯濃度樣品的平均等級，也可以得到預報數值所屬的樣品和其它樣品的平均相關值。各監測點瓦斯濃度時間序列關聯特征如圖4 所示，顯示了各監測點瓦斯預報及報警結果。

圖4 各監測點瓦斯濃度時間序列關聯特征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濃度樣本監測時，發現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的平均值相比，數值偏低，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?，F象。

圖5 的警告預測和數據結果顯示，在試驗開始時候，32212 工作面轉角處的預測瓦斯氣體濃度數值偏高，從相關性看，該預測值與瓦斯含量之間的關聯度很低，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性也比較弱，達到了警報級別I。到試驗的最后，預測瓦斯濃度數值依然保持很高，抽取樣本關聯度為較低水平，呈現出警告級別II。在整體預報過程中，預報值與真實數據的偏差較小，預警分析的效果較好。

圖5 工作面上隅角監測點瓦斯濃度預測預警Fig.5 Prediction and early warning of gas concentration at monitoring points in upper corner of working face

5 結論

（1） 按照數據融合模型的設計原理，改進了粒子群神經網絡算法，并以小波函數代替了神經隱含層中的刺激函數，使神經網絡系統具有更好的性能。

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

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