基于数值分析的电力基坑气体分布检测分析

李强, 张峰, 宋晓燕, 韩菲, 梁纲

(1.国网河南省电力公司电力科学研究院, 河南, 郑州 450002; 2.河南九域博大科技有限公司,河南, 郑州 450002; 3.河南九域恩湃电力技术有限公司, 河南, 郑州 450002)

0 引言

基坑中存在的有害气体极大地增加了地下工程的施工难度,并延误了电力基坑的施工周期,对底板的质量和底板的铺设进程产生负面的影响。同时在电力基坑施工过程中,如果存在地裂缝或者有较薄弱的通道,将对施工人员的身体状态带来影响[1-2]。

近年来在电力基坑有害气体检测领域展开了大量研究。文献[3]通过时空数据建模的方式构建有害气体分布场,实现对气体含量预测并进行对检测传感器布点优化,实现对有害气体分布场的实时重构,并预测气体运移态势。但对气体分布的实时重构能力有限,无法预测有害气体的流动状态。文献[4]应用Fluent软件模拟工作面不同位置基坑有害气体分布规律,并阐述了气体在采空区的流动状态。但系统对不同状态下的气体运移、扩散和含量分布规律的分析不足,采用的真实监测数据量较小。文献[5-7]开发出矿用有害气体含量监测系统,基于CFD分析软件计算平台建立了气体流动的数学模型和物理学模型,完成基坑气体分布重构。但在缺失环境信息的情况下,气体含量预测的预测准确率较低,气体识别的效果容易受到其他因素的影响。

1 基于数值分析的电力基坑气体分布检测分析方法

1.1 系统整体设计

由于电力基坑工程内部环境恶劣,建筑结构复杂,为检测出电力基坑工程中坑内的有害气体成分和分布情况,本文提出一种电力基坑气体分布检测分析方法,如图1所示。

图1 气体分布检测分析系统

系统中上位机用来接收各类传感器采集到的气体信息,通过传输模块与连接无人检测设备,无人检测设备检测到的气体含量、气体流向信息实时传输到上位机上显示,并保持在系统服务器中[8-9]。上位机对无人检测装置的检测路径进行规划,选取环境地图范围内的障碍物,统计检测路径上的障碍物数量和面积,保证无人检测设备能够在复杂的基坑环境中正常行驶。上位机通过对接收到的气体信息进行分析计算,得出基坑内部混合气体中各类有害气体的含量,完成气体模式识别任务,对传感器阵列输出的响应信息进行识别,计算各成分的响应系数[10]。在检测过程中无人检测设备需要在基坑内移动时,判断周围的建筑结构、路况环境等条件,获取相应的信息并进行自主的处理以判断接下来需要行走的动作或位置。

1.2 红外硫化氢气体传感器设计

设计红外硫化氢气体传感器,采用红外吸收检测技术对硫化氢气体进行测量。红外硫化氢气体传感器检测系统如图2所示。

图2 红外硫化氢气体传感器检测系统

传感器检测到的红外光的出射光强可表示为

(1)

I=I0βnT(λ)

(2)

式(2)中,相同字母不再重复解释。在传感器的双通道中,检测通道的部分光强被采样气室中的待测气体削弱了,而对比通道的红外光强未被削弱,光强可表示为

(3)

(4)

式(4)中,m表示传感器元件的比例系数,2个通道输出电压可分别用式(5)表示为

(5)

式(5)中,ge、gr表示2个通道的光电转换比例系数,Pe、Pe表示2个通道的光功率。根据式(4)可以得出检测到的气体含量与通道电压的关系,可表示为:

(6)

式(6)中,通过所采集到的对比通道和检测通道电压值,再计算得到实际环境中待测气体的含量。红外硫化氢气体传感器使用STM32F103RB芯片作为控制单元,并对光源模块进行电调制。光源驱动电路如图3所示。

图3 光源驱动电路

红外光源通过电源电路所提供的5 V电源进行稳压驱动,主控模块通过DAC转换输出频率为0.5 Hz、占空比为50%的方波脉冲信号,经过放大芯片放大后控制MOS管的通断[11]。当输出接口PA4引脚位置位于高电平时,使MOS管导通,然后红外光源才开始工作,当PA4处于低电平时导致MOS管截止,红外光源停止工作,通过光源驱动电路实现对红外光源的实时调整,提高了传感器的检测精度。

1.3 电力基坑混合气体定量分析

电力基坑中有害气体的种类较多,并且气体分布不规范具有一定的流动性,为防止有害气体影响电力基坑项目的建设周期,避免对施工人员造成伤害,该研究对电力基坑内存在的混合有害气体进行定量分析。混合气体定量分析流程如图4所示。

图4 混合气体定量分析流程

系统输入的混合气体数据X=(x(1),x(2),…,x(m)),首先对数据样本进行处理,可表示为

(7)

式(7)中,m表示样本个数,n表示数据维度,h表示气体维度。混合气体数据集对应的协方差矩阵可表示为

(8)

通过分解得到特征(λ1,λ2,λ3,…,λn),并得到对应的特征向量(W1,W2,W3,…,WN),对样本集进行以下变换,可表示为

Z(i)=WTx(i)

(9)

式(9)中,WT表示变化矩阵,x(i)表示混合气体数据集。输出降维后的气体数据样本为Z=(Z(1),Z(2),Z(3),…,Z(N))。

在有害气体含量等级识别的任务中,不同含量等级的气体数据差异性不大,该研究借助卷积神经网络的提取特征能力,在传统的神经网络结构中应用了全局平均池化的方式,对特征图内的所有元素同等对待。每个卷积层输出将与下一个层多个输入连接,可表示为

(10)

式(10)中,i表示卷积核序号,g(i)表示特征图,a表示输出的混合气体数据,x、y、z表示气体数据维度,βi表示卷积核的偏置。卷积层输出为

(11)

式(11)中,ω(k,g)表示滤波器,k、g表示混合气体信号序列的长度。为了更加重视特征图的细节特征,使用随机区域池化方法,通过特征图中随机对特征图进行处理,计算池化区域内每个单元的概率,可表示为

(12)

(13)

通过随机区域池化保留了特征图中气体信息的非最大响应值,对应的神经元可能进入下一层被提取。

综上所示,通过主成分分析对混合气体信息进行降维和转化处理,进一步进入聚类分析和判别。再通过构建好的卷积神经网络提取气体信息的特征图。通过随机区域池化使混合气体更丰富多样化的特征响应,完成气体种类的识别和气体含量等级分类的任务。

2 应用测试

为了验证本研究气体分布分析检测方法的性能,搭建实验环境进行应用测试,实验环境中使用服务器、实验计算机、交换机、气体传感器等硬件装置。服务器系统为Windows Server,服务器开发平台为ECLIPSE和JDK,数据库采用MySQL数据库。实验环境如图5所示。

图5 实验环境

使用数据库对实验过程中产生的数据进行存储,并完成数据表的建立和数据字段的设计,用来存储气体传感器端口号、传感器阈值、传感器类型、混合气体参数、气体含量、检测位置等数据。实验数据库表如表1所示。

表1 实验数据库表

实验场景选择在X市的电力基坑项目中,电力基坑大小为200 m×50 m×5 m,在电力基坑中安装有气体传感器阵列和单像素成像装置。在进行电力基坑有害气体的成像实验时,设定还原图像分辨率为64×64,采样率为0.5,文献[3]系统采用差分吸收法进行气体检测作为对比实验。实验过程中使用体积分数为25%的甲烷气体袋。成像结果如图6所示。

图6 成像结果

由图6可以看出,本文方法的成像结果更加清晰明显,并且目标气体与背景像素值明暗差异较大,对采集到的信号进行处理后能够有效地消除环境中存在的暗噪声,使检测到甲烷气体的分布情况更加清晰。

基于上述同样装置,将目标气体更换为体积分数为12.5%左右的甲烷气体,并增强光电转换器采集到反射信号,再对气体成像结果进行图像处理。图像处理结果如图7所示。

图7 图像处理结果

由于甲烷气体含量进一步降低,成像结果进一步劣化,图像后处理后,文献[3]方法的成像结果中噪声信号较为明显,气体分布情况不清晰。本文系统的气体成像结果中噪声信号得到了有效地抑制,使目标气体与背景更好地分离开,背景图像中噪点明显较小,可以清晰地看到气体的分布轮廓。

对电力基坑内混合气体识别测试时,与文献[3]系统和文献[4]系统进行对比测试,文献[3]系统中使用了随机森林算法,文献[4]系统中使用了支持向量机,采用识别准确率作为评价指标,实验时间设定为30 min,在电力基坑内随机的5个位置进行5组测试,每组实验进行5次测试取检测的平均值,在第一次实验过程中检测到的混合气体体积分数如表2所示。

表2 混合气体体积分数数据

完成5组实验后计算得到气体识别的准确率如图8所示。

图8 气体识别的准确率

通过对比各系统的实验结果可知,文献[3]系统和文献[4]系统使用的传统的识别模型在复杂的并且存在干扰的电力基坑场景下达不到较好的识别效果,对混合气体的识别准确率整体在94%以下。文献[3]识别准确率最低为89.4%,在第5组实验中的识别准确率最高达到94.6%。文献[4]系统在第1组实验的识别准确率为89.2%,在第3组识别准确率最高达到92.8%。本文系统的识别准确率最高可达到97.2%,有效识别到各气体的成分,在处理有干扰场景下的低体积分数气体数据更具优势。

3 总结

本文提出一种针对电力基坑工程的气体分布检测方法,应用无人检测装置和传感器阵列采集电力基坑内部气体分布情况,并将采集到的气体参数回传到远程监控站进行分析处理,利用单像素成像技术将有害气体的分布情况显示出来。红外硫化氢气体传感器采用了红外吸收检测技术进行气体测量,通过主成分分析和聚类对气体样本集进行预处理,构建卷积神经网络完成气体识别和含量分级任务。本文使用的气体识别算法从整体的优化精度上满足电力基坑的检测需求,但仍需进一步完善和优化,选择其他优化算法进一步提高系统的识别精度,并考虑环境温湿度值与气体含量值进行数据融合分析。