矿井安全监测多源信息融合方法的研究

程加堂 华 静 艾 莉 熊 燕

（红河学院工学院，云南 蒙自 661199）

矿井安全监测多源信息融合方法的研究

程加堂 华 静 艾 莉 熊 燕

（红河学院工学院，云南 蒙自 661199）

为了提高矿井安全监测的准确性，引入了一种基于改进证据理论的多源信息融合方法。该方法根据矿井四个不同空间域的特征信息，利用粒子群优化算法来构建矿井安全的初级识别模型，再由证据理论进行信息融合，实现对安全状况的判断。同时引入证据可信度，对初级识别模型的输出结果进行修正。试验结果表明，该方法在原始证据相一致以及出现高度冲突的情况下都具有较高的识别效果，实现了对矿井安全状态的有效监测。

改进证据理论 粒子群优化算法 证据可信度 信息融合 安全监测

0 引言

矿井的安全问题一直是煤炭行业安全生产的重中之重。然而，现阶段国内矿井中所采用的安全监测系统往往是仅对某个参数进行监测［1］，无法得到矿井大气中瓦斯含量、风速、温度以及粉尘浓度等参数的分布情况。此外，当某个传感器由于种种原因而出现功能失效时，该区域将会成为矿井安全监测的盲点。因此，采用多传感器对多源信息进行监测是提高矿井安全监测水平的必要手段。

本文利用文献［2］所提出的一种改进证据理论算法，对矿井安全监测系统的多源数据进行信息融合［3－4］。通过利用证据之间相容性的概念，确定出各证据的可信度，并将该可信度作为权重因子，对原始证据进行修正。再由证据理论的Dampster合成规则进行数据融合，有效地提高了矿井安全监测的准确性。

1 证据理论的改进

1.1 改进算法

设m1、m2为辨识框架Θ的基本概率赋值函数，则Dempster合成规则［5］为：

定义1 设辨识框架 Θ={A1，A2，…，An}，对∀Ak，两条证据的基本概率赋值分别为 mi（Ak）、mj（Ak），则相容系数为：

显然，Rij（Ak）=Rji（Ak）。此外，当一条证据支持命题Ak，另一条完全否定Ak时，Rij（Ak）=0，说明这两条证据高度冲突；而当mi（Ak）=mj（Ak）时，Rij（Ak）= 1，表明该两条证据对命题Ak的支持程度完全一致。

对于n条证据，根据相容系数的定义，可得命题Ak的相容矩阵为：

由于Rij（Ak）⊆［0，1］，说明证据间既存在着一定的冲突性，又具有一定的相容性。

定义2 绝对相容度定义为：Ri（Ak）= ∑n

j=1，i≠jRij（Ak） （4）

由于理想状态下各条证据间具有高度统一性，此时相容系数等于1，即理想相容度为（n－1），则该证据对命题Ak的可信度定义为：

将计算出的可信度αi作为该条证据对命题Ak的权重，对原始证据的基本概率赋值mi（Aj）进行修正，修正后的BPA为m′i（Aj），再由Dempster合成规则进行信息融合。修正公式为：

1.2 算例分析

已知辨识框架Θ={A，B，C}，3条证据m1、m2和m3的基本概率赋值为：m1（A）=0.95，m1（B）=0.05，m1（C）=0；m2（A）=0.98，m2（B）=0.01，m2（C）=0.01；m3（A）=0，m3（B）=0.1，m3（C）=0.9。现分别采用本文方法、Dempster法、Yager法以及李弼程法［6］进行信息融合，结果如表1所示。

表1 融合结果比较Tab.1 Com parison of fusion results

由于存在传感器检测功能失效等问题，证据3错误得出了以概率0.90支持命题C的结论。从表1可以看出，Dempster法将结论完全锁定在命题B上，支持命题A和C的概率为0，显然与事实不符，凸显了证据理论合成高冲突证据时的局限性。而 Yager法以0.999 9的概率将融合结果纳入了不确定性，融合结论过于保守。虽然李弼程法通过将冲突概率按照各命题的加权进行分配，以解决冲突证据间的合成问题，但支持命题A的可信度仅为0.498 3，收敛的速度较慢，需要多条支持命题A的证据才能消除证据3的错误影响。本文改进算法通过综合考虑证据间的冲突性与相容性，不仅可以融合高冲突证据，而且具有较快的收敛速度，此时支持命题A的可信度为0.708 1。

2 矿井安全检测系统模型

2.1 系统结构框架

首先，对矿井4个数据采样地点（采煤工作面、矿井回风巷、矿井进风巷和掘进工作面）中的瓦斯含量（％）、氧气含量（％）、风速（m/s）、温度（℃）和粉尘浓度（mg/m3）5种传感器所检测的原始数据进行去噪处理，构造出基本概率赋值函数，以对矿井安全状态进行初级监测。

将输出结果进行归一化处理，作为多个证据体的子空间，以从不同侧面反映出矿井的安全状况。然后由改进证据理论完成多证据的信息融合，最终实现对矿井安全水平的监测。系统结构框图［7］如图1所示。

图1 系统结构框图Fig.1 Structure of the system

2.2 初级监测模块的构造

系统采用带变异操作的异步变化学习因子粒子群优化神经网络算法作为4个采样地点的初级安全监测模块。算法简述［8］如下。

随机初始化一群微粒，并设d维搜索空间中的第i个粒子的位置和速度分别表示为Xi=（xi1，xi2，…，xid）和Vi=（vi1，vi2，…，vid）。通过评价各粒子的目标函数，确定各粒子所经过的最佳位置pi以及群体所发现的最佳位置pg，并对各粒子进行速度和位置的更新。

vid（k+1）=wvid（k）+c1r1［pid（k）－xid（k）］+

式中：c1，ini、c2，ini分别表示c1和c2的初始值；c1，fin、c2，fin分别表示c1和c2的迭代终值；kmax为最大迭代步数。

变异操作通过设定某个概率值，使一些变量按照该值进行初始化，以提高算法搜索出全局最优解的可能性［9］。

2.3 矿井安全状况评价

利用上述粒子群优化神经网络算法对4个数据采样地点的矿井安全状态进行评价，并将评价结果作为独立的证据体，采用文中改进证据理论进行多源信息

式中：w为惯性权重；c1、c2为学习因子；r1、r2为区间（0，1）上的随机数；k为当前迭代步数。

为了增强粒子群算法的全局搜索能力，引入带变异操作的异步变化学习因子算法。学习因子的变化公式为：融合，得出最终的矿井安全状态的监测结论。在信息融合时，选择最大可信度所对应的命题作为最终评价结果。

3 应用实例

通过在矿井巷道中的适当位置安装瓦斯浓度、风速等传感器，以对各参数进行实时测量，并利用多源信息融合技术来判断矿井的安全状况。根据阜新矿业集团某煤矿井下所收集的特征数据［10］，如表2所示，构建基于粒子群优化神经网络的初级监测模型，以对不同时刻的采样数据进行时间域的初级安全监测。在仿真试验时，初级监测模型的主要参数设置为：种群规模40，学习因子 c1，ini=2.5、c1，fin=0.5、c2，ini=0.5、c2，fin= 2.5，最大迭代次数50，变异概率p=0.80。将矿井安全级别（安全、较安全、一般、危险，分别用Ⅰ、Ⅱ、Ⅲ、Ⅳ表示）构成安全监测的辨识框架Θ= {y1，y2，y3，y4}。同时，定义安全等级的编码规则：安全（1000）、较安全（0100）、一般（0010）、危险（0001）。

表2 监测数据Tab.2 Monitoring data

将初级安全监测模型的输出结果进行归一化处理（为了便于区分，处理结果即证据分别用m1、m2、m3和m4表示。），然后用本文所述改进证据理论算法进行空间域的信息融合，所得到的仿真结果以及对各证据的可信度分别如表3、表4所示。

从表3可以看出，如果仅从数据采样地点进行安全监测，其可信度较低，甚至无法有效识别出矿井的安全级别，如样本二中的证据m2。对于样本一，除了采煤工作面的安全识别水平较低外，其他3个监测地点的辨识效果相对较好。在采用Dempster法进行空间域的信息融合后，通过强化各证据所支持的结论，合成结果的可信度明显加强，达到了0.990 4。而对于样本二这种高冲突证据间的信息融合问题，Dempster法得出了矿井安全级别为Ⅲ级的错误结论。由于Yager法将冲突证据信息纳入了不确定性，使得两个样本的识别结论完全错误。尽管李弼程法的识别结果完全正确，但在合成一致证据时存在发散现象，如样本一；而在合成高冲突证据时，其收敛的速度相对较慢，此时可信度为0.603 0。而采用本文改进算法进行多源信息融合，增强了矿井安全级别的区分性。对于证据间一致的合成情况，得出正确结论的可信度比Dempster法稍微低些，为0.965 9；而对于样本二，该方法消除了初级安全监测模型输出结果的不一致性，可信度大于李弼程法识别结果的相应值，从而验证了该方法的有效性。

表3 仿真结果比较Tab.3 Com parison of sim ulation results

表4 各证据的可信度Tab.4 Credibility of the evidences

4 结束语

本文综合利用矿井安全监测系统4个数据采样地点的特征信息，采用改进证据理论进行多源信息融合。通过综合考虑证据间的相容性与冲突性，较好地解决了高冲突证据间合成问题，降低了不良证据对最终安全监测结论的影响，提高了结果的可信度。

鉴于高冲突证据间的信息融合问题迄今没有彻底解决，文中改进算法也存在一些缺陷。如当证据的数目大于4时，该方法的计算量会随之加大，但为少量证据间的融合问题提供了一种新的思路。

［1］孙延飞，李智超，王静，等.多传感器数据融合在煤矿安全监测中的应用［J］.煤矿安全，2012，43（1）：102－104.

［2］李玲玲，马东娟，王成山，等.DS证据理论冲突处理新方法［J］.计算机应用研究，2011，28（12）：4528－4531.

［3］邓军，肖旸，陈晓坤，等.矿井火灾多源信息融合预警方法的研究［J］.采矿与安全工程学报，2011，28（4）：638－643.

［4］程华，杜思伟，徐萃华，等.基于DS证据的信息融合算法多指标融合［J］.华东理工大学学报：自然科学版，2011，37（4）：483－486.

［5］程加堂，艾莉，段志梅.改进证据理论与神经网络集成的变压器故障诊断［J］.电力系统保护与控制，2013，41（14）：92－96.

［6］徐春梅，张浩，彭道刚.基于改进D-S的汽轮机组集成故障诊断研究［J］.系统仿真学报，2011，23（10）：2190－2194，2199.

［7］韩丽，史丽萍.基于信息融合技术的异步电机故障诊断研究［J］.中国矿业大学学报，2010，39（2）：178－184.

［8］雷浩辖，刘念，崔东君，等.基于GA与PSO混合优化FCM聚类的变压器故障诊断［J］.电力系统保护与控制，2011，39（22）：52－56.

［9］程加堂，张辉，徐绍坤.基于证据理论的煤矿瓦斯涌出组合预测［J］.中国安全科学学报，2012，22（1）：106－111.

［10］付华，聂小芳.基于粗糙集和D-S证据理论的信息融合技术应用研究［J］.传感器与微系统，2010，29（6）：18－20，24.

Study on Multi-source Information Fusion Method for Coal Mine Safety Monitoring

To enhance the accurateness of coalmine safetymonitoring，themulti-source information fusionmethod based on improved evidence theory is introduced.In accordancewith the characteristic information in four different spatial domains，by adopting particle swarm optimization algorithm，the primary recognition model of coalmine safety is established；then information fusion is conducted by evidence theory，to judge the security conditions.In addition，the evidence credibility is introduced，for correcting the output resultof the primary recognitionmodel.The experimental results show that the method provides higher recognition effects in both conditions of original evidence is highly conflict or consistent，thus effective safety monitoring can be implemented for coalmine.

Improved evidence theory Particle swarm optimization algorithm Evidence credibility Information fusion Safety monitoring

TD76

A

修改稿收到日期：2013－12－21。

程加堂（1976－），男，2007年毕业于昆明理工大学控制理论与控制工程专业，获硕士学位，副教授；主要从事复杂系统建模、信息融合技术方面的研究。