多维异构瓦斯浓度数据的融合实现

张继荣

(陕西省何家塔煤矿，陕西 神木 719315)

0 引言

目前，国内所有煤矿都已建立了较为完善的煤矿安全监控系统[1-2]。作为对安全监控系统的冗余安排，还需设置人工巡检。同时，煤矿的监测数据需结合通风系统、煤炭生产等因素加以综合分析，才能形成对井下瓦斯、风流等安全相关信息的全方位感知，这样也就产生了大量的多维异构数据。

学者们已对煤矿监测系统的信息融合开展了大量研究工作：应用多传感器模糊信息融合[3-7]；无量纲多源信息融合模型[8]；基于时空信息融合[9]；信息融合技术与遗传支持向量机相结合[10]；在采集控制层进行多系统井下融合[11]；通过地面融合的方式进行数据采集[12]；基于D-S理论融合[13]；基于D-S理论和模糊数学建立多源异构信息融合模型[14]；基于贝叶斯估计、模糊集理论融合[15]；采用模糊评价方法进行特征级数据融合、D-S证据理论进行决策级数据融合[16]等等。

上述研究为井下危险因素的探测和感知提供了有效方法，但仍存在一些未考虑到的角度和不足。现有方法着重于对煤矿安全形势的判断，而对于信息融合技术还能用于提高监测系统精度的潜力挖掘不足；另外煤矿监测系统由于部署的环境恶劣，容易出现虚报警和假报警，传感器自身也容易出现零点漂移等问题，数据融合能有效排查故障位置，提高监测系统的可靠性，有关这一应用的研究尚显滞后。

1 瓦斯浓度数据融合的架构

1.1 数据融合的层次

具有多维异构信息融合功能的煤矿监控系统可靠性更高。当有若干个传感器失效或误差较大时，其它传感器或监测手段可以弥补故障传感器的监测功能，或自动辨识误差并予提醒或报警，以保证故障对系统整体监测能力的影响最小化。

利用数据融合技术综合多维异构的测值，能在一定程度上解决煤矿安全领域中测量精度不足、稳定性不高的问题，有利于更为准确地判断安全形势，实现有效的安全决策辅助。

煤矿井下的多传感器数据融合层次如图1所示，相应布置的传感器主要获取瓦斯浓度、风速、温度等模拟量数据和采煤机开停等开关量数据。各类传感器原理不同、性能不同，具有不同的精度、可靠性等技术指标，有着不同的巡检周期，因此数据融合的特点也不尽相同。

图1 煤矿井下多维数据融合层次图

在煤矿井下，作为数据级融合源头的各种传感器，由于多方面因素的影响，传感器测量值与目标真实值之间难免存在一定的误差。因此，在同一测点位置或监测区域设置多个冗余传感器进行多次测量，并通过数据级融合处理，可在一定程度上减少这种误差。为了实现数据级的信息融合，所有传感器最好是同类型的，否则需要先对数据进行预处理，然后才能融合。

特征级融合是指对传感器获得的信息进行一定程度的加工，以提取测值之外的信息，如数据的可信度、传感器是否有故障等。将数据级融合数据送入特征级融合部分，根据通风网络特性对数据展开进一步的分析和综合，可从中提取出瓦斯浓度值的可信度、监控系统的一致性等特征。

决策级融合是为了服务最终检测监控目的而进行的融合，对煤矿监控系统来说，是要通过融合，给出当前是否安全以及安全程度的结论。决策级融合是在相对较高的层次上进行的，不关注某个具体数据的大小，而是直接针对检测目的而展开。多维异构信息的引入能大大增强决策融合的鲁棒性，提高系统的抗干扰性，避免个别传感器的故障对决策的影响，保证更为可信的融合结果，为安全管理人员决策提供有效依据。

1.2 瓦斯浓度数据融合的架构

瓦斯浓度数据融合采用混合式数据融合结构，如图2所示。瓦斯数据融合首先以传感器自动监测数据、人工检测等数据为基础，通过融合获得井下各个关键位置的综合瓦斯浓度。然后将瓦斯数据及井下装备设施状态等多维数据，通过通风网络分析相关联，并以D-S证据理论进行各个测点数据的相互校验。最后在获得准确测值的同时具备监测系统的智能自检能力。最终达到将冲突数据融合，综合后获得合理、自洽、高精度的数据分析成果，为后续分析和矿井决策提供依据。

图2 通风瓦斯监测数据融合架构图

2 多维异构瓦斯浓度数据的融合

2.1 多维异构瓦斯数据融合

瓦斯传感器采集到的数据是实时数据；而人员巡检数据相对较少，且需通过上报而进入系统，属于非实时数据。这两大类数据构成了异构型瓦斯数据。由此获得的数据均有其不确定性，如瓦斯传感器的精度较低，在低浓度时传感器的变化常常是随机误差导致。

为了保证尽可能高的精度，有必要在同一检测区域布置多个传感器，并充分参考巡检获得的高精度数据，才能保证监测数据的准确性，而将多个传感器的数据进行融合，将能最大限度地获取被测目标的信息。由此提出的同一监控位的瓦斯数据融合流程，如图3所示。

图3 异构瓦斯浓度数据融合过程

对瓦斯传感器而言，为消除测量过程的不确定性，使最终数据尽可能地接近真实值，需要在同一监控位设立冗余传感器，根据对瓦斯浓度精度的要求确定传感器的数量，依照瓦斯传感器的衰减特性、精度、使用时间、校准时间等设定其可信权重系数，经数据的初步融合，获得节点传感器瓦斯浓度。在巡检数据方面，由于人员巡检次数远少于传感器的监测次数，需采用插值拟合法获得多时间节点的瓦斯测值，并根据仪器状况设定其可信权重系数。在此基础上，根据监控与巡检的多维数据及其不同的可信系数，融合获得该监控位的最终的融合数据。

2.2 基于3次样条插值法的巡检数据插值

人员巡检数据是监控系统的重要印证与补充，由便携式光学瓦斯检测仪测得，精度相对较高、方便灵活，并能兼顾需加关注的区域。人员巡检数据与监控系统数据相融合，可以相互印证支撑，能够更加全面准确地反映井下瓦斯状况。

传感器检测和人工巡检的周期不同。为了实现两者之间的融合，需要依据离散数据拟合出最合理的光滑曲线，再根据融合需要，选取其中对应的检测点位进行融合。

3次样条插值是得到最大认可的曲线拟合方法之一，应用广泛，可以通过对离散数据的处理获取其间隐含的信息。

设[a,b]区间上有n+1个点，a=x0

先用3次样条函数S(t)求解此n+1个点的函数值，再求解S(t)的一阶和二阶导数S′(t)、S″(t)。以分段3次多项式使得S(t)逼近函数y=f(x)，同时：①每个子区间[xi,xi+1]上，S(t)是3次多项式；②在原始数据点y0,y1,y2,…，yn处，3次多项式有给定的函数值，即3次样条通过已知数据点S(xi)=yi(i=1,2,…,n)；③S(x)，S′(x)和S″(x)均连续。则称S(x)为y=f(x)的3次样条差值函数。

应用Matlab的3次样条插值方法，根据人员巡检获得的检测数据，对瓦斯浓度数据进行差值分析。根据人员巡检获得的检测数值插值到每天24 h中，力求尽可能较小插值误差。

3次样条插值方法本质上是一种分段插值方法的改进，能够在各个分段点处保持曲线光滑，保留了分段插值的低次性特点，可以较好地解决人工巡检中监测数据相对稀疏的问题。通过插值获得的瓦斯浓度变化曲线能够直观反映瓦斯浓度的时间分布特征，并用于瓦斯多维监测信息融合。

但是，3次样条插值方法也有其局限性，瓦斯浓度数据波动较小时分析效果较好；瓦斯浓度数据波动较大时，插值误差偏大；对于瓦斯浓度水平急剧变化时的插值分析不利。

2.3 传感器测值融合的权重确定

井下瓦斯检测方法对测值的准确性有着较大影响，由于每个测点的检测仪表、仪表状态、工作环境有所不同，在数据融合之前需要确定每个传感器的权重系数。影响测值权重确定的因素包括传感器测量精度、衰减特征、分析方法误差等。权重确定方法如下。

瓦斯测量精度：瓦斯仪表由于原理的不同而有不同的测量精度，可按其标称测量精度对其测值权重进行设定。当前瓦斯传感器的技术要求中，在测量0.0%～10% CH4范围的瓦斯时，对测量精度的要求范围是≤±0.05%～≤±0.03%，因此，为测量精度最高的仪表设定较大权重，而低精度的仪表设定较小权重。瓦斯传感器的精度相对较差，所以其权重设置稍低。而光学检测精度高，在数据融合时具有优势，权重设置较高。为了兼顾精度和多维信息，权重的取值范围设定为0.5～1之间，具体确定方法如下

(1)

式中：wi,j(Ac)—瓦斯传感器的精度权重；Ac—瓦斯浓度的测量精度，±%。

需要注意的是，瓦斯浓度的测量精度一般使用正负百分号来表示，所以本式中的精度也采用这种形式。当精度的正负范围不一致时，应取精度范围的一半作为Ac带入式中。由于瓦斯浓度测量范围对光学检测的精度影响很大，所以在确定测值权重时需根据实际测值选择传感器的测量精度，然后计算其测量权重。

衰减性：催化燃烧式传感器的测量精度会随着时间的推移而降低，每隔7 d需要校准一次。可将校准时间作为评价衰减性的起始时间。因衰减性造成的权重系数确定式如下

(2)

式中：wi,j(Se)—传感器的衰减性权重，只对催化燃烧式的瓦斯传感器所获得的数据设置该权重；T—测量时，载体催化剂元件距离上次校准过去的时间，d。

差值误差： 图4所示为插值法的误差变化规律。由图中可知：插值离测量值越近，数据的可信度越高，反之则误差越大。因此，基于人员巡检测值的插值数据权重，应随其距巡检时刻的时间间隔加以设定。从文献[17]中可知，3次样条的插值误差和被插值函数特性有关，而瓦斯浓度监测值没有对应的函数，因此可简化设定其权重如下

wi,j(Op)=

(3)

图4 差值误差示意图

式中：wi,j(Op)—传感器的插值权重，只对光学瓦检仪获得的数据设置该权重；Tc—插值数据对应的时刻；Ti-Tc—前一测量时刻；Ti+1-Tc—后一测量时刻。

权重归一：当每个传感器的测值或插值数据被赋予权重后，需对其权重归一化，以使融合后的数据有不变的物理意义。当一个测点位有若干个瓦斯传感器，且有人员进行定期巡检时，需要按获得数据的时间计算各自的融合权重，然后按下式对权重进行归一化处理。

(4)

(5)

多维数据融合：由式(5)计算得到所有测点的权重后，按式(6)进行数据融合

(6)

式中：di,j—测点位置i的第j个瓦斯浓度数据源；Ci—测点位置i处融合后的瓦斯浓度数据。

3 结语

从多维异构数据融合的角度着重于传感器自动监测、人工检测等数据的融合分析，发掘不同数据序列间的互补性，获得具备更强指导意义的瓦斯浓度数据，以实现通风瓦斯监测数据的综合分析，从而提高瓦斯安全保障的可靠性。有效的数据融合能从海量数据中揭示隐含的信息，提高监测系统的可靠性和鲁棒性，增进对矿井全局通风瓦斯显现规律的展现能力。