煤矿瓦斯监控系统异常信号的辨识

黄凯峰，刘泽功

1.淮南职业技术学院信息与电气工程系，安徽淮南，232001；2.安徽理工大学能源与安全学院，安徽淮南，232001

煤矿瓦斯监控系统异常信号的辨识

黄凯峰1,2，刘泽功2

1.淮南职业技术学院信息与电气工程系，安徽淮南，232001；2.安徽理工大学能源与安全学院，安徽淮南，232001

摘要：针对煤矿瓦斯监控系统故障诊断研究中的问题，提出了煤矿瓦斯监控系统异常信号辨识方法。此方法分为异常信号检出和异常Hilbert-Huang信号特征提取两步。研究表明，基于多传感器数据融合的异常信号的检出方法是有效的，Hilbert-Huang包络谱分析有较好的辨识效果，对发生异常的时间点有指示作用。

关键词：瓦斯监控系统故障诊断；异常信号辨识；多传感器数据融合；小波分析；希尔伯特-黄变换

随着新技术的不断涌现，煤矿的现代化、自动化水平不断提高，以煤矿瓦斯监控系统为代表的智能安全监控网络，对今天煤矿的安全运行起到了十分重要的作用。由于新型矿井生产规模越来越大，监控范围也日渐增大，虽然安全监控网络中安置了大量传感器和分站，但由于井下复杂的环境因素造成干扰，误报的事故与日俱增。同时，基于信息技术的安全监控网络获取数据的规模越来越大，数据的梳理挖掘工作越来越重，异常数据、问题数据更难辨识[1-4]。这些新问题已成为安全学科研究的热点，以监控网络为平台出现的问题数据、错误数据(如误报、漏报)辨识为目的研究，有助于降低安全监控网络信号异常给煤矿安全生产带来的严重影响。煤矿瓦斯监控系统异常信号与煤矿瓦斯监控系统设备自身故障和周围环境干扰有密切的关系，对瓦斯监控系统的异常信号特征研究是解决矿井安全监测数据误报问题的关键[5-6]。

1问题的提出

笔者对淮南矿业(集团)公司张集煤矿瓦斯监测系统运行情况进行了调查，结果显示：淮南矿业(集团)公司张集矿现行的瓦斯监控系统设置了5个通信分站,各型瓦斯传感器共计24个，温度、风速、湿度等传感器16个。经统计，该矿瓦斯监测系统发生的可查各种故障共159次,主要类型有硬件故障、传感器误报、井下分站故障、通讯故障、维护不当引起的故障、人为原因引起的故障、原因不明故障等7种(表1)。

表1　故障原因分类统计表

矿井瓦斯监控系统的可靠性问题，特别是传感器信号异常造成的误报诊断问题已引起学术界和工业界的高度关注。目前，国内外在煤矿大型机电设备和风机监测系统方面已经有关于故障诊断的研究与应用，但在煤矿瓦斯监测系统异常信号辨识方面的研究还很少见。从异常信号的角度入手，另辟蹊径解决煤矿监控系统误报问题，进一步完善传感器故障诊断方法研究理论体系，对煤矿瓦斯监测系统进行误报分析与处理，提高瓦斯监控系统的监控效率具有极其重要的意义。

2煤矿瓦斯监控系统异常信号检出方法

数据融合技术被广泛地应用于各种设备故障的诊断中，对煤矿瓦斯监控系统异常信号辨识而言，主要是应用于异常信号检测。由于煤矿瓦斯监控系统各传感器之间有一定的关联性，可以通过多个传感器信号对一个相关传感器的信号进行逼近。在此类研究方面，神经元网络技术和支持向量回归机被广泛使用。

2.1基于神经元网络数据融合技术的异常信号检出方法

使用训练好的网络逼近器在线工作,根据温度、C0、风速以及T0、T2等传感器测得的相关参量值输入到神经网络后得到Tl瓦斯浓度预测值[7]，逼近效果如图1所示。

图1　神经元网络逼近效果比较

图2　基于GRNN网络逼近器的瓦斯传感器故障诊断模型

2.2基于支持向量回归机的数据融合异常信号检出方法

图3　GA-SVR瓦斯传感器异常信号检出模型

图4　瞬时意外冲击信号残差信号的变化曲线

3煤矿瓦斯监控系统异常信号特征提取方法

在异常信号辨识的研究中，特征提取方法研究十分重要。傅里叶变换方法的使用，使得时域信号可以变换到频域对异常信号进行特征提取。采用小波分析法，将信号分解为几个频段，通过求取个频段的能量谱，可以大大降低特征信息的维度，减少识别或辨识的分类压力。希尔伯特-黄变换的方法首先是将被检测信号通过EMD方法分解为几个经验模态，然后求取其Hilbert变换，这种方法不仅可以得到信号的频率信息，还可以得到瞬时频率，这样对异常信号特征发生的时间点有指示作用。

3.1基于离散傅里叶变换谱分析方法

针对煤矿瓦斯监控系统信号的特征，基于离散傅里叶变换(DFT)的异常信号提取方法被广泛应用。DFT方法的主要思想是将时域离散的被辨识信号变换到频域上[9]，通过其幅值谱和功率谱进行特征的提取。对于离散信号x(n)，其离散傅里叶变换(DFT)定义为：

X(k)=DFT[x(n)]

(1)

(2)

逆离散傅里叶变换(IDFT)的定义：

(3)

受到连续干扰的瓦斯监控系统信号的DFT幅值谱如图5所示。

图5　DFT算法的谱分析

3.2小波分析法

信号特征提取辨识故障的方法，早先多用于机械故障的诊断。由于机械设备部件发生故障的早期，有伴随故障的周期性振动的能量变化，所以采用小波包主元分析能量向量谱和FCM聚类分析方法辨识。在瓦斯监控系统的故障诊断研究中，王军号首次以小波分析得到4种典型故障的各阶能量谱，并运用卡尔曼滤波器优化RBF神经元网络和FCM聚类分析对故障特征进行了分类[10]。赵金宪利用三层小波包分析和能量谱方法，分析研究了异常信号在能量谱上的特征表现[11]。能量谱可以描述异常信号的特征，且识别效果较好。连续干扰的瓦斯监控系统信号的3层小波包分解如图6所示，通过归一化调整可以得到其信号在8个IMF上的能量向量如图7所示。小波分析可以提取异常信号的特征，它与能量向量谱法结合，有助于降低特征向量的维度，提高辨识分类的准确度。但是，能量向量谱方法也存在问题，因为其分析结果受样本点选择、发生异常信号的时间点以及异常程度影响巨大，容易造成误判、错分。

图6　三层小波包分解

图7　能量特征向量

3.3希尔伯特-黄变换的方法

在已知的故障诊断领域研究中，Hilbert变换谱分析常常结合经验模态分解(EMD)算法来对各种机械故障的特征进行提取。一个信号f(t)的Hilbert变换的定义[12-13]式如下：

(4)

然后重新构造出解析信号：

(5)

(6)

这样，可以得到f(t)在联合时间——频率坐标系中α(t)的变化曲线，即Hilbert谱：

(7)

将H(t,ω)对时间进行积分，则得到信号的边际谱。即：

(8)

如图8所示，采用EMD方法，将煤矿安全监控系统异常信号分解成多个模态分量(IMF)，从而提取出异常信号特征分量。然后对模态分量(IMF)进行Hilbert包络进行谱分析辨识。结果表明，煤矿安全监控系统异常信号辨识EMD包络谱分析算法有较好的辨识效果。同时，希尔伯特-黄变换可以求出信号的瞬时频率，瞬时频率对发生异常的时间点有指示作用。

图8 基于希尔伯特-黄变换的故障特征提取

4结束语

从异常数据辨识方法研究入手是煤矿瓦斯监控系统故障诊断研究的可行途径。异常数据辨识方法的主要问题是特征提取问题和异常信号的检出问题。

基于支持向量回归机的数据融合异常信号检出方法能较好地解决神经网络的小样本学习问题和过拟合问题。GA-SVR异常信号检出模型的异常信号检出效果较好。

与小波结合法相比，能量向量谱方法分析的结果受样本点选择、发生异常信号时间点和异常程度影响巨大，容易造成误判、错分的问题。希尔伯特-黄变换方法不仅可以得到信号的频率信息，还可以得到瞬时频率，这样对异常信号特征发生时间点有指示作用。

参考文献：

[1]邓奇根，王燕，刘明举，等．2001-2013年全国煤矿事故统计分析及启示[J]．煤炭技术，2014，33(9)：73-75

[2]梁秀荣，朱小龙．煤矿安全监测监控系统有关问题的探讨[J]．煤炭科学技术，2006，34(8)：69-71

[3]范维唐．中国煤炭工业发展战略与煤矿安全[R].青岛：山东科技大学，2005

[4]姚向荣．煤矿安全监测监控技术[M]．徐州：中国矿业大学出版社，2012：50-73

[5]王功进．浅谈瓦斯监测系统的管理[J]．煤炭技术，2004，23(11)：76-77

[6]高春矿．煤矿安全监控系统现状与发展前景[J]．煤炭技术，2004，23(11)：65-66

[7]黄丹，徐平安，王其军，等．基于PCA神经网络和D-S决策的瓦斯传感器故障辨识[J]．仪表技术与传感器，2015(3)：99-103

[8]黄凯峰，刘泽功，王其军，等．基于ASGSO-SVR模型的瓦斯传感器故障诊断[J]．煤炭学报，2013，38(S2)：518-523

[9]Lin Cong,Qiang Miao,Liu Zhimin,et al.Engineering asset management and infrastructure sustainability[M].London:Springer,2012:133-141

[10]王军号，孟祥瑞，吴宏伟．基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断[J]．煤炭学报，2011，36(5)：867-872

[11]赵金宪，金鸿章．基于小波包和神经网络的瓦斯传感器故障诊断[J]．传感器与微系统，2010，29(5)：80-82

[12]Wang Xiaoyi,Zhong Zhaoping,Wang Heng,et al.Application of Hilbert-Huang transformation in fluidized bed with two-component (biomass particles and quartz sands) mixing flow[J].Korean Journal of Chemical Engineering,2015,32(1):43-50

[13]Lin Li,Chu Fu-lei.Feature extraction of AE characteristics in offshore structure model using Hilbert-Huang transform[J].Measurement,2011,44(1):46-54

(责任编辑：汪材印)

doi:10.3969/j.issn.1673-2006.2016.05.028

收稿日期：2016-02-18

基金项目：安徽省教育厅自然科学研究重点项目“基于异常信号特征辨识的瓦斯传感器故障诊断方法” (KJ2015A376)。

作者简介：黄凯峰 (1982-)，黑龙江鹤岗人，在读博士研究生，讲师，主要研究方向：安全科学与工程。

中图分类号：TD713.2

文献标识码：A

文章编号：1673-2006(2016)05-0104-04