基于ZigBee和RBF神经网络的矿井通风质量预测

宝银昙

(陕西能源职业技术学院， 资源与测绘工程学院， 陕西， 咸阳 712000)

0 引言

矿井通风系统一直是矿井安全生产的基础，直接影响到井下工作人员的正常呼吸，同时也关系到瓦斯爆炸等灾害事故[1-3]。因此，矿井通风系统的升级和改造一直是矿井领域研究的热点方向。

空气质量是衡量矿井通风系统运行状况的主要指标。无线传感网技术的出现，使得矿井状况的实时监测成为可能[4]。例如，李泉等[5]设计了一种基于ZigBee的煤矿井下盲区瓦斯信息采集系统，较好地解决监控盲区的问题。李瑞华等[6]设计了一种基于ZigBee的矿井安全检测系统，能够将气体浓度指标通过无线采集，解决了人工排查的延迟问题。但是，仅仅依靠数据采集并显示的传统监测系统已经无法满足煤矿安全生产需要，准确的气体监测预警体系正成为近期相关研究的趋势。例如，周西华等[7]提出了一种基于BP神经网络的矿井瓦斯气体涌出预测方法，采用遗传算法优化BP神经网络初始权值和阈值，有效地实现瓦斯涌出量的准确预测。但是BP神经网络模型的泛化能力较差，导致该浓度数值预测方法仅对瓦斯气体具有较高的准确率，无法广泛推广应用。然而，矿井通风质量预测还需要同时对多种气体进行综合分析。

作为一种前馈型的神经网络，RBF神经网络具有比BP神经网络更好的泛化能力和更高的局部逼近精度。因此，在上述研究的基础上，本文提出了一种基于ZigBee和RBF神经网路的矿井通风质量预测方法。主要创新点：设计了由主、从结构组成的ZigBee无线网络，有利于更加全面地采集覆盖井巷前、后端的5种气体参数；采用RBF神经网络模型替换BP神经网络模型进行训练，提高样本泛化能力；充分利用了AI硬件平台资源，提高预测的实时性。实验结果验证所提方法的有效性和可行性。

1 ZigBee组网和环境数据采集

1.1 总体结构设计

由于矿井环境中井巷结构通常狭长，这种特殊性导致单一的测点设计无法有效覆盖整个作业面。因此，为了更加全面的监测矿井通风质量，设计了一种主、从型结构的ZigBee无线网络，其总体结构如图1所示。

图1 主、从型ZigBee检测装置总体结构

从图1可以看出，主、从装置分别完成对测点1和测点2处的气体浓度采集，实现井巷前、后端的空气质量监测。

1.2 无线收发模块

无线传感器节点是基于IEEE802.15.4和IEEE1451.2标准[8-10]设计的，并且使用了电化学气体传感器。选取PIC 18F4550型微控器用以支持以上所有功能以及节点的研发。在传输(TX)模式下，传感器节点功率损耗为83.624 1 mW，接口模块引脚如图2所示。无线传感器节点如图3所示。

图2 接口模块引脚

图3 无线传感器节点

1.3 传感器模块

本文选择电化学传感器进行数据采集。电化学传感器基本上包括3种电极，即工作电极、反电极和参比电极，气体浓度(C)与传感器的输出电压(V)之间的关联性表示如式(1)：

C=K·V

(1)

式(1)中，K是比例因数。

2 预测模型设计

2.1 数据预处理

气体环境采集到的数据是尺度不一，因此在训练之前需要对其进行归一化预处理。采用最小-最大规范化进行数据归一化预处理后，对RBF神经网络模型进行训练，归一化预处理采用式(2)：

(2)

式(2)中，x′表示预处理后的样本数据，x表示原始样本数据，xmax和xmin分别表示样本的最大值和最小值。

2.2 特征提取

利用SPSS 19.0 软件的主成分分析(Principal Components Analysis，PCA)[11]提取功能，进行传感器采集数据的降维工作。作为一种最常用的线性降维方法，PCA能够在尽量保证“信息量不丢失”的情况下，通过投影对原始特征进行降维。

2.3 RBF神经网络模型设计

设输入样本为Xk=(xk1,xk2,…,xkn)，k=1,2,…,m，其中m和n分别代表样本总量和1个样本的特征总数，一般而言，输入层神经元个数和特征总数相等，若进行了样本特征筛选好净化后，输入层神经元个数一般小于特征总数[12-14]。第k个样本经过模型后得到的输出为Yk=(yk1,yk2,…,ykn)，n为输出层神经元个数。

首先，输入样本Xk经过权重到达隐含层第一层的值为式(3)：

(3)

S1j值经过特征转换函数后可得式(4)：

(4)

RBF神经网络选取的特征转换函数为Gaussian函数。其中，σ为大于0的实数，cj为第j个隐含层中心值，将第一隐含层作为输入[15]，经过权重到达第二隐含层的值为式(5):

(5)

然后经过转换函数求解得到式(6)：

(6)

经过所有隐含层的输出经过权重Vjt得到的结果为式(7)：

(7)

式(7)经过Gaussian函数求解得到整个模型的输出结果为式(8)：

(8)

第k个样本的误差结果[16]为式(9)：

(9)

所有样本的误差为式(10)：

(10)

RBF神经网络的矿井通风质量预测流程如图4所示。

图4 矿井通风质量预测流程

3 实验结果与分析

3.1 实验环境

为了对本文提出的视频分类方法进行分析和验证，进行具体实验。实验硬件环境分为模型训练平台和预测平台。模型训练平台为PC电脑： 处理器为Intel Core i7 2.2 GHz，图形图像处理设备为GTX970M@2G显存，内存为8 GB，软件环境为Windows 7操作系统，MATLAB 7.0仿真软件，监测系统的运行界面如图5所示。

EdgeTPU嵌入式AI开发板安装Python 2.7和TensorFlow1.3.0。将模型训练平台中训练后的模型迁移到EdgeTPU嵌入式AI开发板上进行通风质量预测预测。

图5 监测系统的运行界面

3.2 实验数据集

实验采用的矿井通风数据来自某煤炭公2#作业面中1000 m长井巷，环境数据采集时间是2019年5月12日到2019年10月12日。监测频率为5分钟一次，共采集到65 326组数据。其中前2个月的数据作为训练样本用于RBF神经网络模型的训练，后3个月的数据作为测试样本用于预测。

3.3 预测性能评估指标

本文采用了平均绝对误差(Mean Absolute Error，MAE)和准确率(Accuracy)；2个指标对RBF神经网络模型的预测性能进行量化评估。

MAE的计算式如式(11)：

(11)

准确率的计算式如式(12)：

(12)

式(11)与式(12)中，N表示模型预测的总数，fi表示预测数值，yi表示实际数值。MAE数值越小则预测效果越好。

3.4 预测结果分析

以NO2的预测曲线结果为例，对RBF神经网络模型的预测准确率进行了分析。RBF神经网络模型计算出的2019年9月1日到2019年9月30日期间预测值与实际值对比曲线如图6所示。

图6 NO2预测值与真实值对比曲线

从图6可以较为直观的看出，RBF神经网络模型预测值与真实值之间差异很小，预测波动较小。对于2019年7月12日到2019年10月12日期间的测试样本，不同预测模型计算得出的CO、CO2、SO2、NO2及O2平均气体浓度对比如表1所示。

表1 预测模型的性能对比

从表1可以看出，RBF神经网络模型的平均预测准确率提高了14%，达到了87%，预测精度能够满足矿井通风质量预测的需求。

4 总结

本文提出了一种基于ZigBee和RBF神经网路的矿井通风质量预测方法。设计了由主、从结构组成的ZigBee无线网络机构。采用RBF神经网络模型替换BP神经网络模型进行训练，并将训练后的模型迁移到EdgeTPU开发板上进行通风质量预测。实验结果表明，BF神经网络模型的平均预测准确率提高了14%。但是，采集数据的范围只局限于一段井巷，且采集周期较短，因此测试和训练样本有限，这在一定程度上导致气体浓度预测准确率不是很高，后续将继续扩大样本数量和气体种类。