模糊数据融合在煤矿采掘工作面瓦斯突出预测中的应用

刘海波，王福忠，董玉杰

(河南理工大学电气工程与自动化学院，河南 焦作 454000)

0 引言

瓦斯是煤矿井下的重大危险源之一。它不仅严重破坏煤矿的正常建设和生产,造成巨大的经济损失,而且还时刻威胁矿工的生命安全[1]。煤矿井下情况复杂、工作环境恶劣，由于受到各种干扰因素的影响，传感器测量的准确性和工作的稳定性大幅降低。瓦斯监测预警系统不但要求能够监测多传感器的采集信息，而且对实时性和准确性的要求较高[2-3]。

多传感器数据融合技术是通过对多源同构或异构传感器数据进行集成或融合，获得比单一传感器更多的信息，形成比单一信源更可靠、更完全的融合数据。本文通过分析模糊数据融合理论，采集多种传感器的监测数据，结合模糊集理论作出综合评判。基于特征提取融合的结构，提出了基于多传感器模糊信息融合的瓦斯突出预测方法。该方法提高了煤矿井下瓦斯突出预警系统的可靠性。

1 多传感器信息的模糊综合评判

模糊综合评价法是利用模糊集理论进行评价的一种方法。它根据模糊数学的隶属度理论，将定性评价转换为定量评价，具有系统性强和结果准确的特点，适用于处理模糊难以量化的问题，所以可以用于对煤矿井下瓦斯突出预测系统中的多传感器信息进行综合评判[5]。模糊集合理论的核心是使集合中的隶属关系更加灵活，从而使隶属度能够扩大到[0,1]区间的任意数值，所以它适用于描述和处理传感器监测信息模糊非确定性的情况[6]。

R={rij}m×n

(1)

式中：rij为vi对uj的隶属程度，即由V中单个因素i判断出U中j状态的可能程度。

瓦斯状态程度B利用模糊变换获得。模糊向量A与模糊关系矩阵R进行合成运算。利用广义模糊运算进行两者的合成，即相加时，选取两元素中较大者；相乘时，选取两元素中较小者。利用模糊变换进行模糊综合评判：

(b1,b2,…,bn)

(2)

2 模糊数据融合算法

2.1 多传感器数据融合结构

煤矿井下瓦斯突出预测信息的融合对象是每个传感器的局部评判结果，它属于决策级融合。传感器在完成变换后可以得到独立的属性评判，进而将每个传感器的属性评判顺序融合。融合中心的全局评判过程是在每个传感器独立评判的基础上进行的[8]。基于模糊综合评判的数据融合系统结构如图1所示。

图1 多传感器模糊数据融合结构图Fig.1 Structure of multi-sensor fuzzy data fusion

由图1可知，系统中的每个传感器首先根据采集结果实现特征提取，进行局部判决；然后把结果发送到融合中心；最后由融合中心依据每个传感器的局部判决，完成瓦斯突出预警系统的全局判决。

2.2 数据融合系统的算法

(3)

各传感器在信息融合系统中的作用程度互不相同，因此对各传感器赋以不同的权重A。它是V上的模糊子集，即A=(a1,a2,…,am)，其中，ai=μ(vi)，i=1,2,…,m，同时满足：

(4)

在进行权重向量A与决策矩阵R的合成运算中，其合成结果记为B′，它是评语集上的模糊子集。

(b1,b2,…,bn)

(5)

局部评判后进行全局判决，以合成运算结果B′作为输入。最终的全局判决由重心法、最大隶属度法等进行确定。文中选用最大隶属度的方法，即：

A∈F(U)i=1,2,…,nu∈U

(6)

若存在i0使得Ai0=max{A1,A2,…,An}，则判定u属于Ai0。

3 试验结果与分析

为了对井下采区和掘进工作面的安全状况作出综合评价，实现瓦斯灾害的有效预警，需要实时地检测采区和掘进工作面的温度、瓦斯浓度、风速和CO浓度等现场参数，这就需要大量的传感器，同时必须对矿井的多传感器进行相应的配置[11-12]。按照我国《煤矿安全监控系统及检测仪器使用管理规范》的相关规定，典型高瓦斯矿井的回采工作面传感器设置如图2所示。

图2 工作面传感器设置示意图Fig.2 Sensor configuration on the mining face

U形通风方式在上隅角设置瓦斯检测报警仪(B)，采掘工作面和工作面回风巷设置有瓦斯浓度传感器(T1、T2)，同时还设置有温度传感器(t)、CO浓度传感器(CO)和风速传感器(v)检测的相应参量(在实际工程应用中，上述传感器的监测数据也可以是多个传感器的集合)。

本文以山西省某煤矿为例，采用井下采区和掘进工作面的温度、瓦斯浓度、风速三种现场参数作为样本源。通过整理统计煤矿的温度、风速和瓦斯浓度三个传感器的历史数据，进行试验分析。根据我国的煤矿安全规程和特征参数的取值范围，可以将矿井的瓦斯状态划分为三种等级，即安全、比较危险和很危险。V={v1,v2,v3}={温度传感器，风速传感器，瓦斯浓度传感器}，U={u1,u2,u3}= {安全，比较危险，很危险}，权值分配依据经验进行选取：A=(a1，a2，a3)=(0.106，0.260，0.634)。依据山西省某煤矿的调研数据，选出具有代表性的某一掘进工作面不同时间的三组数据进行试验分析，样本数据如表1所示。

表1 各传感器采集数据Tab.1 Data collected by each sensor

融合中心根据接收到的样本数据，首先对各个传感器数据进行局部评判，归一化后得出其监测状态；然后由归一化的结果构成判决矩阵并进行合成运算；最后选用最大隶属度的方法综合评判，煤矿瓦斯突出综合评判的结果如表2所示。各时刻多传感器融合评判结果如表3所示。

表2 各传感器单独评判结果Tab.2 Judgment results of each sensor

表3 各时刻多传感器融合评判结果Tab.3 Multi-sensor fusion evaluation results at each moment

通过以上试验结果可知，当某个传感器单独识别时，会出现监测结果为未知的情况，无法判定是否正常或危险。利用多传感器模糊数据融合后，能够得出t1、t2、t3时刻的评判结果分别为安全、比较危险、很危险。与单传感器隶属度值相比，经过模糊信息融合后的隶属度值，充分利用数据融合的特点，掘进工作面瓦斯状态预测的准确性得到提高，降低了系统误报或不报的概率，一定程度上改善了瓦斯状态评判的不确定性和预警系统的性能。

4 结束语

利用模糊综合评判和信息融合技术，进行煤矿采掘工作面瓦斯突出预测，提出了基于模糊数据融合的瓦斯突出预警模型。通过对实例和试验结果进行分析，验证了该模型能够提高瓦斯状态评判的准确性，降低系统误报或不报的概率，在一定程度上提高了瓦斯突出预警系统的性能。煤矿瓦斯突出是一种十分复杂的动力现象，瓦斯突出事故的发生与煤矿井下很多因素有关，且具有不确定性。因此如何提高预测的准确性和可靠性需要不断的深入研究。

参考文献:

[1] 聂百胜,何学秋,土恩元.煤与瓦斯突出预测技术研究现状及发展趋势[J].中国安全科学学报,2003,13(6):40-43.

[2] 刘海波,黎永碧,王福忠.基于模糊神经网络和证据理论的瓦斯突出评判策略[J].上海理工大学学报,2016,38 (2):168-171.

[3] 赵旭生,于不凡,马代辉.煤与瓦斯突出矿井危险等级划分方法[J].矿业安全与环保,2000,4,27(2):4-8.

[4] 程加堂,华静,艾利.矿井安全监测多源信息融合方法的研究[J].自动化仪表,2014,35(8):65-68.

[5] 范金志,郭德勇,马世志.工作面煤与瓦斯突出危险性的模糊综合评判[J].煤矿安全,2004,35(3):17-19.

[6] 刘娟,任燕,高岩.模糊数据融合在矿井安全监测系统中的应用[J].河南理工大学学报(自然科学版),2008,27(3):268-271.

[7] 唐亚鹏.基于自适应加权数据融合算法的数据处理[J].计算机技术与发展,2015,25(4):54-56.

[8] 金海.多传感器模糊信息融合算法在煤矿瓦斯监测中的应用[J].煤炭技术,2012,31(8):82-84.

[9] 孙红鸽,藏义,曹毅.模糊数据融合在多传感器环境监测中的应用[J].工矿自动化,2012,31(2):84-86.

[10]周玉,钱旭,王培崇，等.基于可拓理论与信息融合的煤矿井下环境安全等级评判方法[J].计算机应用研究,2008,25(11):3328-3331.

[11]鲍毅.多传感器信息融合在煤矿环境监测系统中的应用[D].徐州:中国矿业大学,2007.

[12]王其军.瓦斯监测系统故障智能诊断技术研究[D].青岛:山东科技大学,2007.