煤礦瓦斯監(jiān)控系統(tǒng)異常信號的辨識

黃凱峰，劉澤功

1.淮南職業(yè)技術(shù)學(xué)院信息與電氣工程系，安徽淮南，232001；2.安徽理工大學(xué)能源與安全學(xué)院，安徽淮南，232001

煤礦瓦斯監(jiān)控系統(tǒng)異常信號的辨識

黃凱峰1,2，劉澤功2

1.淮南職業(yè)技術(shù)學(xué)院信息與電氣工程系，安徽淮南，232001；2.安徽理工大學(xué)能源與安全學(xué)院，安徽淮南，232001

摘要：針對煤礦瓦斯監(jiān)控系統(tǒng)故障診斷研究中的問題，提出了煤礦瓦斯監(jiān)控系統(tǒng)異常信號辨識方法。此方法分為異常信號檢出和異常Hilbert-Huang信號特征提取兩步。研究表明，基于多傳感器數(shù)據(jù)融合的異常信號的檢出方法是有效的，Hilbert-Huang包絡(luò)譜分析有較好的辨識效果，對發(fā)生異常的時(shí)間點(diǎn)有指示作用。

關(guān)鍵詞：瓦斯監(jiān)控系統(tǒng)故障診斷；異常信號辨識；多傳感器數(shù)據(jù)融合；小波分析；希爾伯特-黃變換

隨著新技術(shù)的不斷涌現(xiàn)，煤礦的現(xiàn)代化、自動化水平不斷提高，以煤礦瓦斯監(jiān)控系統(tǒng)為代表的智能安全監(jiān)控網(wǎng)絡(luò)，對今天煤礦的安全運(yùn)行起到了十分重要的作用。由于新型礦井生產(chǎn)規(guī)模越來越大，監(jiān)控范圍也日漸增大，雖然安全監(jiān)控網(wǎng)絡(luò)中安置了大量傳感器和分站，但由于井下復(fù)雜的環(huán)境因素造成干擾，誤報(bào)的事故與日俱增。同時(shí)，基于信息技術(shù)的安全監(jiān)控網(wǎng)絡(luò)獲取數(shù)據(jù)的規(guī)模越來越大，數(shù)據(jù)的梳理挖掘工作越來越重，異常數(shù)據(jù)、問題數(shù)據(jù)更難辨識[1-4]。這些新問題已成為安全學(xué)科研究的熱點(diǎn)，以監(jiān)控網(wǎng)絡(luò)為平臺出現(xiàn)的問題數(shù)據(jù)、錯誤數(shù)據(jù)(如誤報(bào)、漏報(bào))辨識為目的研究，有助于降低安全監(jiān)控網(wǎng)絡(luò)信號異常給煤礦安全生產(chǎn)帶來的嚴(yán)重影響。煤礦瓦斯監(jiān)控系統(tǒng)異常信號與煤礦瓦斯監(jiān)控系統(tǒng)設(shè)備自身故障和周圍環(huán)境干擾有密切的關(guān)系，對瓦斯監(jiān)控系統(tǒng)的異常信號特征研究是解決礦井安全監(jiān)測數(shù)據(jù)誤報(bào)問題的關(guān)鍵[5-6]。

1問題的提出

筆者對淮南礦業(yè)(集團(tuán))公司張集煤礦瓦斯監(jiān)測系統(tǒng)運(yùn)行情況進(jìn)行了調(diào)查，結(jié)果顯示：淮南礦業(yè)(集團(tuán))公司張集礦現(xiàn)行的瓦斯監(jiān)控系統(tǒng)設(shè)置了5個(gè)通信分站,各型瓦斯傳感器共計(jì)24個(gè)，溫度、風(fēng)速、濕度等傳感器16個(gè)。經(jīng)統(tǒng)計(jì)，該礦瓦斯監(jiān)測系統(tǒng)發(fā)生的可查各種故障共159次,主要類型有硬件故障、傳感器誤報(bào)、井下分站故障、通訊故障、維護(hù)不當(dāng)引起的故障、人為原因引起的故障、原因不明故障等7種(表1)。

表1　故障原因分類統(tǒng)計(jì)表

礦井瓦斯監(jiān)控系統(tǒng)的可靠性問題，特別是傳感器信號異常造成的誤報(bào)診斷問題已引起學(xué)術(shù)界和工業(yè)界的高度關(guān)注。目前，國內(nèi)外在煤礦大型機(jī)電設(shè)備和風(fēng)機(jī)監(jiān)測系統(tǒng)方面已經(jīng)有關(guān)于故障診斷的研究與應(yīng)用，但在煤礦瓦斯監(jiān)測系統(tǒng)異常信號辨識方面的研究還很少見。從異常信號的角度入手，另辟蹊徑解決煤礦監(jiān)控系統(tǒng)誤報(bào)問題，進(jìn)一步完善傳感器故障診斷方法研究理論體系，對煤礦瓦斯監(jiān)測系統(tǒng)進(jìn)行誤報(bào)分析與處理，提高瓦斯監(jiān)控系統(tǒng)的監(jiān)控效率具有極其重要的意義。

2煤礦瓦斯監(jiān)控系統(tǒng)異常信號檢出方法

數(shù)據(jù)融合技術(shù)被廣泛地應(yīng)用于各種設(shè)備故障的診斷中，對煤礦瓦斯監(jiān)控系統(tǒng)異常信號辨識而言，主要是應(yīng)用于異常信號檢測。由于煤礦瓦斯監(jiān)控系統(tǒng)各傳感器之間有一定的關(guān)聯(lián)性，可以通過多個(gè)傳感器信號對一個(gè)相關(guān)傳感器的信號進(jìn)行逼近。在此類研究方面，神經(jīng)元網(wǎng)絡(luò)技術(shù)和支持向量回歸機(jī)被廣泛使用。

2.1基于神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)的異常信號檢出方法

使用訓(xùn)練好的網(wǎng)絡(luò)逼近器在線工作,根據(jù)溫度、C0、風(fēng)速以及T0、T2等傳感器測得的相關(guān)參量值輸入到神經(jīng)網(wǎng)絡(luò)后得到Tl瓦斯?jié)舛阮A(yù)測值[7]，逼近效果如圖1所示。

圖1　神經(jīng)元網(wǎng)絡(luò)逼近效果比較

圖2　基于GRNN網(wǎng)絡(luò)逼近器的瓦斯傳感器故障診斷模型

2.2基于支持向量回歸機(jī)的數(shù)據(jù)融合異常信號檢出方法

圖3　GA-SVR瓦斯傳感器異常信號檢出模型

圖4　瞬時(shí)意外沖擊信號殘差信號的變化曲線

3煤礦瓦斯監(jiān)控系統(tǒng)異常信號特征提取方法

在異常信號辨識的研究中，特征提取方法研究十分重要。傅里葉變換方法的使用，使得時(shí)域信號可以變換到頻域?qū)Ξ惓Ｐ盘栠M(jìn)行特征提取。采用小波分析法，將信號分解為幾個(gè)頻段，通過求取個(gè)頻段的能量譜，可以大大降低特征信息的維度，減少識別或辨識的分類壓力。希爾伯特-黃變換的方法首先是將被檢測信號通過EMD方法分解為幾個(gè)經(jīng)驗(yàn)?zāi)B(tài)，然后求取其Hilbert變換，這種方法不僅可以得到信號的頻率信息，還可以得到瞬時(shí)頻率，這樣對異常信號特征發(fā)生的時(shí)間點(diǎn)有指示作用。

3.1基于離散傅里葉變換譜分析方法

針對煤礦瓦斯監(jiān)控系統(tǒng)信號的特征，基于離散傅里葉變換(DFT)的異常信號提取方法被廣泛應(yīng)用。DFT方法的主要思想是將時(shí)域離散的被辨識信號變換到頻域上[9]，通過其幅值譜和功率譜進(jìn)行特征的提取。對于離散信號x(n)，其離散傅里葉變換(DFT)定義為：

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

(1)

(2)

逆離散傅里葉變換(IDFT)的定義：

(3)

受到連續(xù)干擾的瓦斯監(jiān)控系統(tǒng)信號的DFT幅值譜如圖5所示。

圖5　DFT算法的譜分析

3.2小波分析法

信號特征提取辨識故障的方法，早先多用于機(jī)械故障的診斷。由于機(jī)械設(shè)備部件發(fā)生故障的早期，有伴隨故障的周期性振動的能量變化，所以采用小波包主元分析能量向量譜和FCM聚類分析方法辨識。在瓦斯監(jiān)控系統(tǒng)的故障診斷研究中，王軍號首次以小波分析得到4種典型故障的各階能量譜，并運(yùn)用卡爾曼濾波器優(yōu)化RBF神經(jīng)元網(wǎng)絡(luò)和FCM聚類分析對故障特征進(jìn)行了分類[10]。趙金憲利用三層小波包分析和能量譜方法，分析研究了異常信號在能量譜上的特征表現(xiàn)[11]。能量譜可以描述異常信號的特征，且識別效果較好。連續(xù)干擾的瓦斯監(jiān)控系統(tǒng)信號的3層小波包分解如圖6所示，通過歸一化調(diào)整可以得到其信號在8個(gè)IMF上的能量向量如圖7所示。小波分析可以提取異常信號的特征，它與能量向量譜法結(jié)合，有助于降低特征向量的維度，提高辨識分類的準(zhǔn)確度。但是，能量向量譜方法也存在問題，因?yàn)槠浞治鼋Y(jié)果受樣本點(diǎn)選擇、發(fā)生異常信號的時(shí)間點(diǎn)以及異常程度影響巨大，容易造成誤判、錯分。

圖6　三層小波包分解

圖7　能量特征向量

3.3希爾伯特-黃變換的方法

在已知的故障診斷領(lǐng)域研究中，Hilbert變換譜分析常常結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法來對各種機(jī)械故障的特征進(jìn)行提取。一個(gè)信號f(t)的Hilbert變換的定義[12-13]式如下：

(4)

然后重新構(gòu)造出解析信號：

(5)

(6)

這樣，可以得到f(t)在聯(lián)合時(shí)間——頻率坐標(biāo)系中α(t)的變化曲線，即Hilbert譜：

(7)

將H(t,ω)對時(shí)間進(jìn)行積分，則得到信號的邊際譜。即：

(8)

如圖8所示，采用EMD方法，將煤礦安全監(jiān)控系統(tǒng)異常信號分解成多個(gè)模態(tài)分量(IMF)，從而提取出異常信號特征分量。然后對模態(tài)分量(IMF)進(jìn)行Hilbert包絡(luò)進(jìn)行譜分析辨識。結(jié)果表明，煤礦安全監(jiān)控系統(tǒng)異常信號辨識EMD包絡(luò)譜分析算法有較好的辨識效果。同時(shí)，希爾伯特-黃變換可以求出信號的瞬時(shí)頻率，瞬時(shí)頻率對發(fā)生異常的時(shí)間點(diǎn)有指示作用。

圖8 基于希爾伯特-黃變換的故障特征提取

4結(jié)束語

從異常數(shù)據(jù)辨識方法研究入手是煤礦瓦斯監(jiān)控系統(tǒng)故障診斷研究的可行途徑。異常數(shù)據(jù)辨識方法的主要問題是特征提取問題和異常信號的檢出問題。

基于支持向量回歸機(jī)的數(shù)據(jù)融合異常信號檢出方法能較好地解決神經(jīng)網(wǎng)絡(luò)的小樣本學(xué)習(xí)問題和過擬合問題。GA-SVR異常信號檢出模型的異常信號檢出效果較好。

與小波結(jié)合法相比，能量向量譜方法分析的結(jié)果受樣本點(diǎn)選擇、發(fā)生異常信號時(shí)間點(diǎn)和異常程度影響巨大，容易造成誤判、錯分的問題。希爾伯特-黃變換方法不僅可以得到信號的頻率信息，還可以得到瞬時(shí)頻率，這樣對異常信號特征發(fā)生時(shí)間點(diǎn)有指示作用。

參考文獻(xiàn)：

[1]鄧奇根，王燕，劉明舉，等．2001-2013年全國煤礦事故統(tǒng)計(jì)分析及啟示[J]．煤炭技術(shù)，2014，33(9)：73-75

[2]梁秀榮，朱小龍．煤礦安全監(jiān)測監(jiān)控系統(tǒng)有關(guān)問題的探討[J]．煤炭科學(xué)技術(shù)，2006，34(8)：69-71

[3]范維唐．中國煤炭工業(yè)發(fā)展戰(zhàn)略與煤礦安全[R].青島：山東科技大學(xué)，2005

[4]姚向榮．煤礦安全監(jiān)測監(jiān)控技術(shù)[M]．徐州：中國礦業(yè)大學(xué)出版社，2012：50-73

[5]王功進(jìn)．淺談瓦斯監(jiān)測系統(tǒng)的管理[J]．煤炭技術(shù)，2004，23(11)：76-77

[6]高春礦．煤礦安全監(jiān)控系統(tǒng)現(xiàn)狀與發(fā)展前景[J]．煤炭技術(shù)，2004，23(11)：65-66

[7]黃丹，徐平安，王其軍，等．基于PCA神經(jīng)網(wǎng)絡(luò)和D-S決策的瓦斯傳感器故障辨識[J]．儀表技術(shù)與傳感器，2015(3)：99-103

[8]黃凱峰，劉澤功，王其軍，等．基于ASGSO-SVR模型的瓦斯傳感器故障診斷[J]．煤炭學(xué)報(bào)，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]王軍號，孟祥瑞，吳宏偉．基于小波包與EKF-RBF神經(jīng)網(wǎng)絡(luò)辨識的瓦斯傳感器故障診斷[J]．煤炭學(xué)報(bào)，2011，36(5)：867-872

[11]趙金憲，金鴻章．基于小波包和神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器故障診斷[J]．傳感器與微系統(tǒng)，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

(責(zé)任編輯：汪材印)

doi:10.3969/j.issn.1673-2006.2016.05.028

收稿日期：2016-02-18

基金項(xiàng)目：安徽省教育廳自然科學(xué)研究重點(diǎn)項(xiàng)目“基于異常信號特征辨識的瓦斯傳感器故障診斷方法” (KJ2015A376)。

作者簡介：黃凱峰 (1982-)，黑龍江鶴崗人，在讀博士研究生，講師，主要研究方向：安全科學(xué)與工程。

中圖分類號：TD713.2

文獻(xiàn)標(biāo)識碼：A

文章編號：1673-2006(2016)05-0104-04