矿井瓦斯无线传感监测系统的设计与实现

穆跃宏，韩晓霞，李云凌

（太原理工大学 信息工程学院，太原 030024）

瓦斯是造成煤矿安全事故的重要原因之一，其带来的危害不仅会导致井下生产中断，更会威胁井下工人的生命安全。目前，对瓦斯的检测还停留在静态接触式检测方法上，通过测量钻孔的排粉量、瓦斯喷出速度和压力等系数对瓦斯爆炸事故进行前期预测[1]。这些方法不仅需要大量的专业设备，而且探测灵敏度低、测量误差大、组网复杂、预测的可靠性较差[2-3]。近红外光是指可见光与中红外光之间的波长介于750～2500 nm之间的一种电磁波。近红外检测技术是以近红外光的吸收定律为基础，当近红外光照射到物质表面时，由于组成物质的化学键不同，因此将产生不同特征波长的吸收，吸收度的多少与各化学键的含量有着密切的关系。小波理论以其信号时域处理的优势，现已在信号处理领域得到了广泛的应用。人工神经网络是一种模仿生物神经网络行为特征，进行分布式并行信息处理的数学算法模型，该算法模型与传统的模型回归算法具有完全不同的机理，克服了传统意义上的模型回归算法信息非结构化方面的缺陷，加之人工神经网络算法具有自组织性、自适应性和较好的学习能力，目前已在自动控制和信息处理等领域得到广泛应用。

本设计利用瓦斯气体在1340 nm和1980 nm处的强吸收峰，结合小波神经网络理论法实现对瓦斯浓度的检测，并且采用FPGA设计主控系统，完成瓦斯检测指标的远程无线检测。实验结果表明，采用该方法实现的瓦斯检测网络具有测量误差小、系统稳定性高、应用灵活方便的特点。

1 近红外检测原理

近红外光NIR（near infrared）是一种介于中红外光（MIR）与可见光（VIS）之间的电磁波，主要是由于分子振动的非谐振分子振动从基态向高能级跃迁时产生的，具有较强的穿透能力[3-6]。近红外光谱是一种快速、绿色、无损的检测技术[7-8]，已广泛应用于农副产品和工业中。

由比尔-朗伯（Beer-lambert）定律，假定瓦斯气体在波长λ处存在吸收峰，则有：

式中：I0（λ）是入射光强度；I（λ）是透射光强度；a（λ）为在波长λ处的吸收系数；c为待测瓦斯浓度。

1.1 小波理论

傅里叶变换作为信号处理领域中应用最广的一种信号处理方法，已经在许多领域得到广泛应用，但由于傅里叶变换没有考虑时间信息，因此采用傅里叶变换的方法进行信息处理在时域中分辨率较低，为了克服这一缺点小波理论逐渐被应用到了信号处理领域[9]。

小波变换是通过一个母小波函数经过压缩和平移变换得到的，小波分析的实质就是将已知信号分解成一系列经尺度变换后的小波函数的叠加。

1.2 小波神经网络原理

以BP神经网络拓扑结构为基础，将小波基函数作为神经网络隐含层的传递函数，这样将构成信号向前传播，误差信息反向传播的神经网络。小波神经网络的拓扑结构图如图1所示。

图1 小波神经网络拓扑结构Fig.1 Topological structure of WNN

系统中采用Morlet函数作为小波基函数，其运算公式为

小波神经网络传输层运算公式为

式中：wik为隐含层的权值；h（i）为第i个隐含层的节点输出；n为隐含层的节点数。

实验中采用纯度为98%的甲烷气体模拟建立瓦斯气体浓度的检测模型，结果表明采用小波神经网络建立的瓦斯气体浓度检测模型最优，模型的相关系数达到0.905，结果如图2所示。

图2 小波神经网络建模结果Fig.2 Results wavelet neural network modeling

2 近红外瓦斯无线传感系统设计

近红外光谱瓦斯无线探测传感器网络结构如图3所示。系统主要由近红外探测器、数据处理模块、主控制器、无线传感网络、上位机和显示报警等部分组成。

图3 系统原理框图Fig.3 System principle block diagram

近红外探测器把经过瓦斯气体吸收后的近红外光信号转换为电信号，经数据处理模块采样量化处理得到瓦斯浓度指标，并由主控制器控制的A/D转换芯片转化为数字信号送入主控制器，控制无线发射芯片将数据进行发送，上位机实现实时显示和报警的功能。

2.1 近红外探测器

近红外探测器采用单光程双波长方式，光源IRL718经过8 Hz的方波脉冲调制后发出的光通过瓦斯气体吸收后，由滤光片选择1340 nm和1980 nm波长处的光强进行采集，将采集到的光强信息经模型匹配得到瓦斯气体浓度值。近红外瓦斯探测器的结构如图4所示。

图4 近红外瓦斯探测器Fig.4 Near infrared gas detector

2.2 数据处理与主控部分

光谱信号放大部分采用共模差分放大电路，有利于提高共模抑制比和系统的探测灵敏度。近红外探测器输出的电信号经过自带的放大电路放大后，输入到差分放大电路进一步放大，然后由A/D采集芯片AD9224分别对采集到的光谱信号进行模数转换，送到数据处理单元对瓦斯值进行定量分析，其中数据处理单元由主控制器FPGA内部的IP核完成对光谱信息的分析处理。主控制器采用PicoBlaze处理器架构。PicoBlaze软核是赛灵思公司推出的一种执行率高、资源占用率低的片上8位RISC（精简指令集计算机）嵌入式微处理器，已经被专门设计和优化，用于Xilinx的Virtex和Spartan系列的FPGA器件[10]。

2.3 无线通信网络

无线通信网络采用Zigbee技术和拓扑结构进行组网。Zigbee技术利用XBee-Pro无线网络设备，采用IEEE 802.15.4通信标准，工作频率为2.4 GHz，具有功耗低、体积小、传输距离远以及传输效率高等优点，广泛应用在终端与主机建立局域网的设备中。另外，由于该无线传输设备具有体积小的特点，因此本系统将无线通信系统与近红外探测部分集成在一起，使传感器不仅具有采集近红外光谱信息的功能，而且还具有数据无线发送的功能，信号采集与数据无线发送部分结构如图5所示。

图5 信号采集与数据无线发送部分结构图Fig.5 Signal acquisition and data wireless transmission part of the structure

2.4 上位机

近红外瓦斯无线传感监测系统分为井下数据采集与传输系统和井上控制及报警系统，井上部分又称为上位机，可以对每个终端的工作情况进行实时监控，并可完成瓦斯浓度显示、超标报警等功能。无线传感网络和上位机系统结构框图如图6所示。

图6 无线通信网络和上位机部分原理框图Fig.6 Wireless communication network and PC part principle diagram

3 实验结果与分析

实验中对近红外瓦斯无线传感器分别进行了瓦斯浓度分析实验和无线通信实验。选取有代表性的12个瓦斯浓度气体对设备的检测精度进行验证，检测结果如表1所示，最大误差不超过0.2%，近红外对瓦斯浓度的检测具有较高的预测精度。

表1 检测值与真实值比较Tab.1 Values compared with the real value

选取瓦斯浓度分别为0.5%、2.5%和5%的3个浓度的瓦斯气体样本各分别重复检测10次，检测结果如图7所示，可以发现对同一个样本的10次检测结果的偏差最大不超过0.19，且检测结果均匀分布在真实值的两侧，符合概率统计分布原理，因此系统的稳定性较好。

图7 系统稳定性测试结果Fig.7 System stability test results

无线通信实验主要测试了系统的传输距离和抗干扰情况。无线通信测试包括室内测试和室外测试2部分，测试过程中各自使用5部无线传感网络节点，通过室外测试发现在比较空旷的地区传输距离可达800 m左右，室内传输距离也可以达到150 m以上。分别对室内和室外2种无线通信进行80次重复测试，测试过程中无数据错发或者丢失的情况，证明该组网方案具有较好的稳定性。

4 结语

近红外瓦斯无线传感网络系统是基于近红外光谱吸收原理与化学计量学方法跟先进的无线通信技术相结合，完成对煤矿瓦斯浓度无线实时监测的目的。采用单光双波长的工作方式和近红外光源的方波脉冲点调制技术简化了系统的设计复杂度，同时也降低了光谱信号处理的难度。在建模分析部分将小波理论与人工神经网络相融合，使模型的预测精度和模型稳定性都得到了较大的提高。最后采用Zigbee无线传感网络技术提高了系统的传输效率，更加方便系统的维护，也降低了组网过程的复杂度，大大降低了组网成本，使其具有更高的竞争力。实验测试结果表明该瓦斯监测系统具有监测误差小、灵敏度高、组网方便、运行可靠等优点，可以有效保障煤矿的安全生产。

[1] 侯少杰，程远平，周红星.煤与瓦斯突出指标预测模型及其实验软件设计[J].煤矿机械，2010（3）：20-23.

[2] 窦新宇.基于PIC单片机的煤与瓦斯突出检查系统的设计[J].制造业自动化，2013（4）：48-54.

[3] 冯广丽，卢朝杰.红外瓦斯无线传感器检测系统设计与实现[J].计算机测量与控制，2013，21（1）：80-88.

[4] 张孝亮.快速煤质分析仪在集装站煤质管理中的应用[J].煤质技术，2010（5）：42-44.

[5] 赵凯，雷萌.近红外光谱灰分预测模型中煤炭样品的优化方法[J].工矿自动化，2012（9）：35-38.

[6] 成芳，樊玉霞，廖宜涛.应用近红外漫反射光谱对猪肉肉糜进行定性定量检测研究[J].光谱学与光谱分析，2012，32（2）：354-359.

[7] 严衍禄，赵龙莲，韩东海，等.近红外光谱分析基础与应用[M].北京：中国轻工业出版社，2005.

[8] 孙通，徐慧荣，应义斌.近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展[J].光谱学与光谱分析，2009，24（1）：122-129.

[9] 姜滨，孙丽萍，曹军，等.基于小波神经网络的木材干燥窑内传感器建模研究[J].传感器与微系统，2013，32（11）：11-13.

[10]董新伟，许敏，顾丹红，等.基于FPGA片上PicoBlaze的煤矿监测系统[J].煤矿机械，2013，34（7）：257-259.

2014年国家科技部机器人产业技术创新战略联盟年度大会召开

2014年8月30日，由机器人产业机器人创新战略联盟主办，沈阳新松机器人自动化股份有限公司、机器人技术与系统国家重点实验室、机器人学国家重点实验室、沈阳国家大学科技城管理委员会承办的2014年国家科技部机器人产业技术创新战略联盟年度大会在辽宁沈阳盛大召开。

新松机器人自动化股份有限公司曲道奎博士，华中科技大学丁汗院士，北京航空航天大学王田苗教授，哈尔滨工业大学赵杰教授等业界专家出席了本次联盟大会，以新松机器人自动化股份有限公司、哈尔滨博实自动化设备有限责任公司、安徽埃夫特智能装备有限公司为代表的机器人企业，以沈阳机床设计研究院有限公司、四川长虹电器股份有限公司、北方微电子基地设备工艺研究中心有限责任公司为代表的机器人典型应用客户以及以中国科学院沈阳自动化研究所、中国科学院深圳先进技术研究院、哈尔滨工业大学为代表的科研中心和大学院校等25家联盟成员参加了会议。