基于GA—RBF的煤矿机器人井下混合气体检测系统的研究

许刚

摘 要：井下混合气体的检测关系到地下煤矿挖掘工程的安全，以及地下工人的安全与健康，进行高效、高精准度的气体检测，对工程进度及安全保障的提升有重大意义。该设计对GA-RBF径向基函数以及煤矿机器人井下混合气体检测的工程进行概述，并以试验的形式提出了GA-RBF在煤矿机器人检测井下混合气体的运用，给工程单位以借鉴，保证井下工作安全。

关键词：GA-RBF；煤矿机器人；混合气体；井下检测

中图分类号：TP29 文献标识码：A

Abstract： The detection of underground mixed gas is related to the safety of underground coal mine excavation engineering，as well as the safety and health of underground workers.It is of great significance to carry out high-efficiency and high-accuracy gas detection for the improvement of the project schedule and safety guarantee.GA - RBF radial basis function and underground gas mixture detection engineering of coal mine robot are summarized，and the application of GA- RBF in underground gas mixture detection of coal mine robot is put forward in the form of experiment，which can be used for reference by engineering units to ensure the safety of underground work.

Key words： GA-RBF；coal mine robot；mixed gas；downhole inspection

针对煤矿救援机器人井下有害混合气体检测工作中不敏感且检测效率低的问题，应用双气体识别传感器缓解因为气体混合而造成的识别精度低的问题综合考虑温湿度等不可控因素在测量期间对设备灵敏度的影响，结合检测设备的实际使用提出遗传神经网络算法与K聚类算法对RBF神经网络进行优化升级，建立起传感器集合改良RBF神经网络的气体检测系统。试验结果证明，改善后的神经网络算法应用在训练中，对气体的检测速度及精度都有所提升，在标准范围内，能够完成常规毒害混合气体的检测任务。

1 GA-RBF徑向基函数

GA-RBF即径向基函数，是一种依靠原点距离的实值函数，就是?（x） = ?（‖x‖）或是到任意

点 c的距离，c点为中心点。只要是满足?（x） =

?（‖x‖）特征的函数都可以是径向基函数，常规的应用欧氏距离。在神经网络结构中，可以用作全连接层的主要函数。

现阶段径向基函数广泛应用与地质勘测、外形设计等领域，径向基函数在偏微分方程的数值解及神经网络构造中都得到了广泛的应用。在微分方程数值解领域研究出假设函数能够通过径向基函数进行近似表示，并代回微分方程在出局点上度量，最终使微分方程误差降到最低[1]。

2 煤矿机器人井下混合气体检测的工程 概述

煤矿井下的环境危险复杂，除了不稳定的矿山结构外，还充斥着甲烷、一氧化碳等有毒有害气体，威胁井下生产安全、工人健康及社会稳定。在井下工作中应用煤矿救援机器人代替人工进行井下气体探测，成功应用的前提是具备较高的检测效率及测量精度，才能够有效检测出井下的有毒有害气体，为井下的空气评估提供依据，为人员安全提供保障。因此，对气体检测效率及精度的提升要应用更为先进的系统及技术。

井下存在着多种气体，且在长时间的沉淀下发生了混合，气体间相互存在干扰，机器人检测的主要成分会因为混合反应而丢失，导致传感及响应设备无法做出及时的动作，影响机器人及操作人员的判断。现阶段研究人员对气体的检测形式进行研究，弥补传统检测技术中的不足。研究的结果虽然完成了主要成分检测，但没有综合考虑温湿度等不可控因素的影响，针对此问题应用双气体识别感应器，结合GA优化提升检测精度及效率[2]。

3 GA-RBF在煤矿机器人检测井下混合 气体的运用

3.1 煤矿机器人井下混合气体检测工作的原理及系统构成

煤矿机器人的井下检测系统结构原理如图1 所示，在整个检测系统中，主要应用到了感应模块、信号预处理模块、信号处理及传输模块以及模式识别模块。感应模块即传感器阵列，是煤矿机器人对混合气体的识别组织，起到对地下混合气体的感知作用，整个传感其系统模块又由多种传感器组成，在感应到敏感气体时，不同的传感器发出专属响应信号；信号调理系统模块是对传感器所发射出的响应信号进行过滤、交换、特征提取等处理，进行下一步的动作；信号处理模块是对信号预处理模块所处理的传感信号进行采集、分析、处理，最后再从模式识别系统模块中进行识别输出。在试验中应用双气体识别传感器，对氧化碳及硫化氢、甲烷及二氧化碳进行识别，再结合温湿传感器组成一个完整的传感器系统，应用双气体识别传感器缓解气体混合导致的识别精度低的问题[3]。

3.2 混合气体检测算法原理

1.RBF神经网络

RBF数神经网络是前馈式的神经网络，具备众多的优点及特性，能够更为贴近模型，用于模拟实验，有效缓解了因网络复杂而引起的训练速度降低及反应时间延长的问题。对于RBF而言，隐藏层的基函数对整个试验尤其重要，函数应用直接影响网络结构，也会影响训练速度和输出效果，在试验中将PBF的基函数应用为高斯函数，应用高斯函数简单的特性。

2.遗传算法

遗传算法以群体为主，是由M个个体的集合，遗传算法的应用与生物的进化相似，是重复迭代模式。在试验中将群体的 代设定为p（t），将交叉变异以及进化后的一代设定为t+1代，以p（t+1）表示。群体在遗传及进化的过程中是不会间断的，遵循择优的原则，具有较高适应能力的个体进行下一代的遗传，群体中会得到一个优良的个体，将个体设定为X，个体的对应表现型X1会与问题的最优解X2相互吻合或是接近。

3.RBF进行方式的改进

4 实验及分析

实验应用到的气体符合安全管理规定，所选用的气体浓度为，CH4为5000以内，H2S为200之内，CO控制在1000之内，CO2在5000之内。为了能够满足气体浓度空间，为了能够提供充足的试验样本，配置具有差异性的混合气体用于试验。将气体进行分组之后进行密闭检测，之后进行采集数据、处理、分析，之后训练神经网络，经过反复训练，建立起GA-RBF神经网络，最后将剩余训练样本输入，通过对比以修正测试结果与实际数值间的误差，提升检测精度。

试验结果分析试验中的传感器模块系统对应输出4种气体浓度及温湿度，因此在构建RBF神经网络时，输出的层数为6个，4个神经元，共13个隐含神经元；优化后的目标误差为小数点后三位，最高迭代次数拟定为1000次。对所采集的样本进行整合，并随即抽取样本输入为训练样本，对优化前后的神经网络进行训练，训练后对参数进行保存，将剩余数据作为测试样本输入，检测神经网络预测的精度，测试结果见表1与表2 。

从表1和表2的試验结果数据对比可以很明显的看出在应用同一训练样本的情况下，改进后的神经网络比RBF神经网络的误差要小，应用此网络能够有效降低训练时的局部最优，提升系统稳定性[5]。

5 总 结

针对井下煤矿机器人检测煤矿有毒有害混合气体工程中，传统神经网络灵敏度不足，误差较大的问题，本文应用双气体识别传感器，缓解气体交叉灵敏度的问题，综合井下温湿度等不可控因素对识别灵敏度的影响，并结合煤矿机器人在救援、探测工程中的应用，提出K聚类算法为算法学习的GA-RBF优化式神经网络，以提升RBF神经网络的识别能力及精度。在试验中得出以下结论，GA-RBF优化后的神经网络与传感器结合而成的检测系统，应用于地下有毒有害气体检测，其敏感程度高，整体测试结果良好，提升了RBF神经网络的检测效率及精度。在符合标准的检测范围内，能够良好的完成氧化碳及硫化氢、甲烷及二氧化碳四种常见气体及其混合物的检测，为井下施工提供安全保障。

参考文献

[1] 马西良.GA-RBF在煤矿机器人检测井下混合气体的应用[J].中国科技信息，2016，（18）：66—68.

[2] 龚雪飞.基于集成神经网络的多元有害气体定量检测方法研究[D].宁波：宁波大学，2015.

[3] 郗艳梅，石岩，岳红新.煤矿危险气体探测机器人结构和防爆设计[J].煤炭技术，2016，35（9）：260—261.

[4] 西安科技大学.煤矿井下多气体浓度采集传输装置：中国，CN201420629948.9[P].2015-2-18.

[5] 陈洋，张伯虎，余缘敏.基于无线传感器和BP神经网络的有毒气体检测[J].移动信息，2015，（2）：19—20.