基于多传感器数据融合的煤矿安全状态评估

熊博杰，周华平

(安徽理工大学计算机科学与工程学院，安徽 淮南 232001)

0 引言

我国是一个产煤大国，但是煤矿所面临的安全问题一直很严峻，其中以瓦斯为诱因而导致的矿难数量最多，后果最严重。为了实时监控井下瓦斯的含量，人们在矿井下安装部署了大量的传感器，因而获得了大量的监测数据。由于测量环境的复杂性和传感器的不精确性，人们所获得的测量数据也是模糊的、不确定的、不精确的，导致很多数据都是无效的、冗余的。因此，大量传感器的测量数据并不能准确地反映出井下的安全状况。为了解决这个问题，人们做了大量的研究工作，其中，文献［1-2］分别采用神经网络和数据融合的方法对煤矿井下的瓦斯状况进行预测，文献［3-4］也采用几乎类似的方法对瓦斯含量进行监测，文献［5］提出了基于粗集和神经网络的煤矿井下危险度评估。这些研究工作都大大提高了对井下安全状况评估的准确性，并且具有很强的抗干扰能力，有效地减少了瓦斯灾害的发生。本文以多传感器数据融合为基础，提出一种煤矿安全状态评估方法。首先将传感器采集的数据进行分析与合成，得到比任何单个输入源都准确的实时信息，再利用D-S证据理论，消除评估过程中的不确定性，提高评估的准确率，对于超出标准的状况，及时采取果断措施。这将为矿井的安全和工人的生命安全提供可靠的保障。

1 设计方案

多传感器数据融合技术是上世纪70年代发展起来的技术，最早的应用领域是在军事上。它是人类模仿自身综合处理信息能力的结果。在一个多传感器数据融合系统中，采集各种信息的传感器就像是人的感官，而数据融合中心就像是人的大脑。数据融合中心对来自于传感器的信息进行综合处理，最终得到对外界情况的一个具体的判断。

煤矿井下用于环境监测的传感器有很多，常见的包括瓦斯浓度、温度、粉尘、风速、一氧化碳等多种传感器。随着开采进度的加深，传感器的数量在增多，设置地点也在发生着变化。因此，采用单一的数据融合算法肯定难以获得准确、全面的环境信息。为了保证对煤矿安全状态评估的实时性与准确性，采用两级数据融合方法，即基于均值的分批估计融合方法和D-S证据融合理论，完成对井下环境的综合分析，获得正确的结论。整个评估方法的流程如图1所示。

图1 评估方法流程图

2 数据融合理论基础

2.1 基于均值的分批估计数据融合方法

分批估计理论是对同一个检测量在不同位置的测量值进行融合处理的算法，非常适合煤矿井下的实际情况。它的实现原理是，对于同一类型的传感器，首先得到一组测量数据，然后按照空间位置相邻的两个传感器不在一组的原则把它们分成两组进行计算。下面以煤矿中的具体实例来说明这种算法的实现方式。

假设有k个瓦斯传感器实时监测瓦斯的含量，首先获得一组测量数据。然后根据相邻两个传感器不在一组的原则把这k个传感器分成两组。第一组的测量数据为 X11，X12，…，X1m，第二组的测量数据为X21，X22，…，X2n，m+n=10。那么这两组数据的算术

用σ-和X-表示上一次测量的标准差和融合结果，用σ+和X+表示当前测量的标准差和融合结果。σ-和X-的初始值分别是∞和当前数据的平均值。

根据分批估计理论，处理后得到的方差为:

式(1)中，τ为数据的个数，H为测量方程的系数矩阵，H=;R是测量噪声的协方差，且:

将式(2)代入式(1)中，可得:

因此由分批估计融合理论推导出的数据融合值为:

将前面已知的R、H、σ-、σ+、X 以及 X=代入到式(4)中，得到融合结果为:

这是经过一次融合的结果。当第二批数据到来时，将 σ+、X+分别代替下一次融合时的 σ-和 X-。并利用式(1)和式(4)，即可进行下一次融合。

2.2 D-S 证据理论

第一级融合是数据级融合，而第二级融合则是决策级融合。决策级的融合结果直接关系到最终决策的准确性，因此决策层的融合算法的选择很重要。在充分考虑各种参量对决策的影响后，采用D-S证据理论作为第二级融合算法。D-S证据理论是由Dempster和Shafer于20世纪60年代末和70年代初建立的一套数学理论，是一种处理不确定性问题的重要方法，目前已广泛应用在多传感器数据融合系统中。DS证据理论中最基本的概念是识别框架，识别框架是一个集合，其中的元素互不相容，可以把识别框架理解成一个问题的所有可能答案的集合。除了识别框架，D-S证据理论还讨论了基本概率赋值函数、信度函数、似真度函数和证据的组合规则等概念。

在一个实际应用中，假设U为识别框架，如果有一个映射m:2U→［0，1］满足下列条件:(1)m(Ф)=0(Ф表示空集);(2)m(A)＞0且(A)=1，就称m为识别框架U上的概率分配函数，m(A)为A的基本概率分配，代表对A的基本信任程度。信度函数Bel称为下限函数，表示对命题A的总的信任程度，Bel(A)的值既包括A的信任值也包括A的子集的信任值。似真度函数Pl称为上限函数，表示不拒绝命题A的程度。信度函数和似真度函数构成的区间［Bel(A)，Pl(A)］，称为命题 A 的信度区间，且［Bel(A)，Pl(A)］⊆［0，1］。

假设m、Bel、Pl分别是识别框架U上的基本概率分配函数、信度函数和似真度函数，对于U中的任意一个元素A，有以下关系:Bel(A)=(D)，Pl(A)=m(D)，且 Bel(A)≤Pl(A)。

在证据理论中，如果同一个命题有两个或者多个相互独立的证据支持，那么就要采用证据组合的方法来求出这个命题的可信度，证据组合的基本组合规则为:

在式(6)中，k⊆［0，1］，表示两个证据的矛盾程度。式(6)是两个证据组合的方法，如果是多组证据进行组合，可以采用两组证据组合的递推方法得到。

3 应用实例

通过新阳煤矿的某一采煤工作面的瓦斯监控数据，验证本文方法的可行性。把煤矿的安全状况分为5个等级，分别是安全(A1)、较安全(A2)、一般安全(A3)、较危险(A4)和很危险(A5)。在实际应用中，再加上一个元素A6表示不确定性，则以上6个元素组成了整个系统的识别框架 θ ={A1，A2，A3，A4，A5，A6}。将瓦斯浓度、温度、CO浓度和粉尘作为影响煤矿安全的4个相互独立的证据。瓦斯灾害影响因素指标划分如表1所示［1］。

表1 瓦斯灾害影响因素划分

选择10组有代表性的历史观测数据作为样本数据。由于井下传感器数量众多，所以先采用一级融合中所采用的方法求出其融合后的值，然后再送入二级融合中，最终求出煤矿处于各种状态的可能性大小。采用一级融合算法之后得到的这10组样本数据如表2所示。

表2 一级融合算法后得到的样本数据

根据表1所给的灾害影响因素划分，可以直观地从表2 中看出，第1、3、5、7、9、10 组数据是安全的，而在剩下的数据中，每组数据都有一个或两个评价指标偏高。可以清楚地看到，第2组的瓦斯数据偏高，第4组的温度数据偏高，第6组的粉尘数据偏高，第8组的瓦斯和温度数据都偏高。也就是说，在这样的状态下，煤矿处于危险的可能性很高。由于不知道煤矿处于相应状态的可能性到底有多大，所以要采用D-S证据理论求出一个具体的值来衡量煤矿处于该种状态的可能性大小。

采用D-S证据理论，最难的部分就是基本概率赋值函数的获取。在实际应用中，基本概率赋值函数主要来自监测人员或者专家的经验，带有很强的主观性。现在有很多学者在致力解决这个问题，但是至今仍没有得出一种通用的求这个值的方法。文献［6］给出了一些在不同条件下求基本概率赋值的方法。本文采用文献［7-9］中所介绍的方法，即利用模糊集合的方法来求基本概率赋值函数。求出基本概率赋值以后，可以算出煤矿处于何种安全状态的可能性。各组数据的融合结果如表3所示。

表3 各组数据的第二级融合结果

从表3中可以看出，最终的评估结果与前期的判断完全一致。第2、4、6、8组数据处于较危险状态，需要立即采取措施消除安全隐患。

在以往的评价过程中常遇到的情况是，只有一个评价指标处于危险状态，比如瓦斯偏高，而其他指标都处于安全状态，常常会猜测在这种情况下，煤矿是否有一定的可能性处于安全的状态。在本文提出的方法下，可以断定，只要有一组评价指标处于危险状态，整个煤矿就将处于危险状态;如果有多组数据都处于危险状态，那么煤矿必将处于危险状态。

从以上的分析可以看出，经过一级融合后就可以对煤矿井下的安全状况有一个直观的评价，判断出矿井目前处于哪一个安全等级，第二级融合能够求出一个具体的数值，这个数值能够为监测者提供依据，从而做出正确的决策。

4 结束语

本文针对矿井下瓦斯传感器监控系统数据量大、精度低、不能准确反映井下安全状况的问题，提出了一种采用两级数据融合算法的煤矿安全状态评估方法。实验结果表明:一级数据融合采用的基于均值的分批估计方法，获得了比较精确的测量数据;二级融合采用的D-S证据理论，提高了决策的准确性，减少了决策中的不确定性。评估结果与实际状况相一致，具有非常高的准确性。与其他的评估方法相比，本方法的算法简洁易懂，计算量少，有效地减少了系统的负荷，而且有比较高的准确性，能够为矿井安全状态的评估与判断提供决策支持。

［1］魏永强，甄选，魏丽娜，等.基于模糊神经网络的瓦斯安全状况预测模型［J］.煤炭工程，2010(9):79-81.

［2］邵良杉，付贵祥.基于数据融合理论的煤矿瓦斯动态预测技术［J］.煤炭学报，2008，33(5):551-555.

［3］韩兵，付华.基于BP神经网络数据融合的瓦斯监测系统［J］.工矿自动化，2008(4):10-13.

［4］付华，李博，薛永存.基于D-S证据理论的数据融合井下监测方法分析［J］.传感器与微系统，2007，26(1):27-29.

［5］任虹.基于粗集和神经网络的煤矿井下危险度评估［J］.山西科技，2010，25(5):21-23.

［6］孙锐，孙上媛，葛云峰.基于D-S证据理论的基本概率赋值的获取［J］.现代机械，2006(4):22-23.

［7］汪永东，陈颖.模糊证据理论及其在信息融合中的应用［J］.工矿自动化，2006(5):32-34.

［8］曹秀岚，吴杰，米新磊，等.基于多传感器融合的无线感知状态监测［J］.传感技术学报，2011，24(12):1744-1749.

［9］孔金生，李文艺.基于模糊集合的证据理论信息融合方法［J］.计算机工程与应用，2008，44(20):152-154.

［10］韩崇昭，朱洪艳，段战胜，等.多源信息融合(第2版)［M］.北京:清华大学出版社，2010.

［11］栗俊艳，马宪民.基于多传感器数据融合理论的瓦斯智能排放系统［C］//第六届全国信息获取与处理学术会议论文集(2).2008:234-236.

［12］马国胜.基于多传感器融合技术的瓦斯监控系统实现［D］.武汉:武汉理工大学，2010.

［13］程珍珍.多传感器数据融合技术在煤矿水害预防中的应用［D］.太原:太原理工大学，2009.

［14］徐耀松，王丹丹.采用数据融合技术进行矿井瓦斯预测［J］.山东煤炭科技，2004(3):29-30.