基于多源数据融合的瓦斯安全系统研究与应用

刘小宇

（山西华阳集团新能股份有限公司二矿，山西阳泉 045000）

1 地质概况

华阳二矿的赋存煤层是主要的可开采煤层，在矿区中，断裂发育明显，呈现出不完全的S 形结构，其中大型正断层占主导地位，它影响着煤炭资源开发与瓦斯赋存情况[1]。在32212 开采区，平均煤层厚度为14.64 m，煤层含煤率为2.25%。全矿井瓦斯含量区间为10.07 ～16.98 m3/t，瓦斯平均涌出量约为12.2 m3/min，瓦斯放散初速度Δp=28.40 mmHg，性质上属于瓦斯突出矿井。随着开采工作的进行，研究数据表明，煤层中的瓦斯浓度和瓦斯压力均显著增加，且煤层中瓦斯的渗透率随之增加，同时瓦斯突出区域也不断扩大，因此要求对瓦斯浓度进行实时动态监测。

2 多传感器数据融合模型

2.1 改进粒子群算法

神经网络具有很强的鲁棒属性，可以面对各种问题并进行处理，它具有计算速度快的优点，可以适应多源数据融合的需求[2]。传统BP 神经网络虽然具有较强的自学习和非线性映射能力，但该算法在求解过程中存在着易陷入局部极值、收敛性差等缺点。针对上述问题，通过调节和改变神经网络的权值和学习率，利用小波算法取代神经网络隐含层，构造出一个最优神经系统网络结构，进而提高神经网络的学习效率。具体步骤如下。

第一步：设定N 层为输入层，M 层为隐藏层，L 层为输出层，同时，将缩放和平移系数设为M 维向量。

第二步：利用微粒群算法对初始化率进行优化，找出最优初始点和总体最佳值。

第三步：把训练的样本数据传送给输入层进行学习。

第四步：按照

的算法，优化其网络参数。

第五步：判断该算法是否符合网络要求，选择最佳参数；如不符合要求，返回第三步。

2.2 算法验证及仿真

采用基于粒子函数的方法，对仿真结果进行了规范检验。从全部样本中选定50 个样本作为训练样本，其余样本作为实验样本。将训练样本输入到预报系统中，将预报结果与采集到的真实废气排放量数据相比较，改进粒子群算法小波神经网络进化代数图如图1 所示。用2 种不同的方法来展开预测，BP 神经和改进神经网络数据，并对比这2 种算法所预测的数据与原始数据之间的差异。从图2中可以看到，正常BP 神经系统的平均误差达17.67%，用改进的粒子群算法对BP 神经网络进行预测，其预测结果误差只有6.75%。

图1 改进粒子群算法小波神经网络进化代数图Fig.1 Evolution algebra diagram of wavelet neural network based on improved particle swarm optimization

图2 算法实验仿真对比图Fig.2 Algorithm experimental simulation comparison diagram

3 矿井瓦斯监控系统设计

3.1 硬件设计

煤层瓦斯监测系统是由信息层、控制层和设备层构成的[3]，它是一种仿真井下复杂条件的模拟系统。在数据层中，主要包括监控运行主机、监控显示屏幕、网络服务器的主机以及IP 电话管理系统。工作人员利用监控装置，对采集到的作业记录进行预测并在监控器上进行展示，利用外接影像装置通过IP 电话进行传送，使信息及时化，透明化。

服务器主要是利用工业以太网来收集下级监测中心所收集的资料，再经由网络传送至上位机，同时工作人员根据电脑所显示的资料来提出相应的对策。以数据查询为基础，构建与地表监测中心相连接的地下监测中心[4]。

地下监测站是整个矿井瓦斯气体监控系统的中心，利用井下瓦斯探测器采集工作区瓦斯含量，将数据送入地下监测站，再将其传送给上位计算机监测站，最后在通信机房中显示出来。一般情况下，井下瓦斯监控总流程如图3 所示。其中，RS232 总线作为主监控站的串行连接器，而RS485 总线作为地下监控站。

图3 井下瓦斯监测总流程Fig.3 The total process of underground gas monitoring

地下气体监测系统的辅助设备是地下观测站，主要设备包括电源、报警装置、显示器和通讯系统。工作过程中，一方面，总站将井下传感器收集到的数据分别发送到每个分站，这些数据被分站保存起来；另一方面，分站也可以将收集的数据传至总站，汇总后发给上位机进行监测。

3.2 软件设计

在设计监测系统时应以矿井下工况和工作环境为基础，设计方案应与实际相匹配。首先，要让它可以对井下的动态画面进行实时监控。其次，在网络通信方面，要以井下环境变化为依据。在井下实际工作环境中，监控分站和总站都是必不可少。当紧急情况发生时，每个监控的分站都有权限查询数据，作出快速反应。安装报警系统可以确保在突发情况下，及时、迅速地做出反应，为井下工作人员的人身安全与生产安全提供保障[5]。

在实时KingHistorian/ 历史数据库中，它可以为工作人员实时提供必要的信息，同时工作人员可以利用实时数据/历史存储系统中的KingHistorian数据，操作数据处理，改变设备操作状态和人员信息。配置王7.0 支持多协议，多协议，多协议数据，如GPRS，OPC 等，增加了配置7.0 的手机服务器，让使用者可以随时随地快速地存取与控制数据。KingView 7.0 版本的预警体系，可以在系统发生故障或者可变信息超出一定数值时发出预警。通过kingopcserver 子系统，所收集到的数据会被实时地传送给配置dom 数据库[6]。

4 应用分析

基于已有的21 d 煤层瓦斯浓度观测资料，开展煤层瓦斯浓度的早期预警与应用研究，为煤层瓦斯浓度的预警与早期探测提供技术支撑。在实地试验后，验证了短时预警的可用性，并证实了警报分析的可用性。瓦斯浓度在重点监测预警和分析如下。

（1） 煤矿重要瓦斯监测点和数据监测数据特征。

试验中，将瓦斯监测点重点位设在中央风井、主变电站和发动机隧道工作面。在监测点{P1,P2,P3,P4,P5}中，气体浓度的时间序列是由5 个监测点21 d 的气体监测数据组成。结果表明，在某一特定时刻，中央风井的瓦斯气体浓度没有明显的变化。

（2） 监控数据的处理。

数据预测法是对每个预测点的气体浓度时间序列进行提前排序，在完成了偏差数据和降噪处理之后，用每个预测点预先测量的气体浓度时间序列对原始预测数据进行平均，从而产生一系列规律间隔，并通过变化特征，来减少气体浓度分布和时间序列的特征。

（3） 气体浓度的预报和预警。

在此基础上，利用前期20 d 的监测数据，对所建立的模型进行了改进，筛选出了最适合的样本。将最后一日的监测结果分为3 个时段，将后续的8 个时段的监测结果加入到所建立的模型中，实现对各时段的预测。利用灰关联聚类分析法，可以得到各监测点的瓦斯浓度样品的平均等级，也可以得到预报数值所属的样品和其它样品的平均相关值。各监测点瓦斯浓度时间序列关联特征如图4 所示，显示了各监测点瓦斯预报及报警结果。

图4 各监测点瓦斯浓度时间序列关联特征Fig.4 Correlation characteristics of gas concentration time series at each monitoring point

如图4 所示，在工作面中拐角瓦斯浓度样本监测时，发现它低于其它样品平均值，部分预测点的瓦斯气体样品值相关程度比其他样品明显要低，从而被视为异常气体浓度。并且在最初的8 h 及最近的一个预报点，与其它水平相关系数的平均值相比，数值偏低，这种气体浓度是不正常的。在此基础上，对中心井及主变站的预测气体浓度进行了分析，结果表明，中心井及主变站的预测气体浓度与其他样本保持很强的相关性，无异常现象。

图5 的警告预测和数据结果显示，在试验开始时候，32212 工作面转角处的预测瓦斯气体浓度数值偏高，从相关性看，该预测值与瓦斯含量之间的关联度很低，为报警等级II，之后下降。随着时间推进，预测样本间的相关程度依然很低，出现警报级别I，这个等级在1 h 之后会逐步下降，之后会维持不变。在第3 个8 h 内，预报的气体浓度偏高，预报值属于的样本之间关联性也比较弱，达到了警报级别I。到试验的最后，预测瓦斯浓度数值依然保持很高，抽取样本关联度为较低水平，呈现出警告级别II。在整体预报过程中，预报值与真实数据的偏差较小，预警分析的效果较好。

图5 工作面上隅角监测点瓦斯浓度预测预警Fig.5 Prediction and early warning of gas concentration at monitoring points in upper corner of working face

5 结论

（1） 按照数据融合模型的设计原理，改进了粒子群神经网络算法，并以小波函数代替了神经隐含层中的刺激函数，使神经网络系统具有更好的性能。

（2） 把融于数据层、控制层和装备层的瓦斯预报系统硬件结构和井下开采条件结合，可实时监测井下气体动态，同时在一定时间内可以查询历史数据，促进系统平稳运行。

（3） 以瓦斯气体浓度预测为基础，将该系统应用于32212 工作面，试验结果验证了该方法的可行性和有效性。