一种基于多传感器数据融合的局部智能通风方法技术

本发明专利技术提供一种基于多传感器数据融合的局部智能通风方法，属于矿山智能通风领域。包括以下步骤：步骤1、通过不同类别传感器获取掘进巷道内环境参数，建立环境参数检测系统；步骤2、对环境参数数据集合进行数据清理；步骤3、对处理后的数据集合进行数据级融合、特征级融合、决策级融合，建立环境参数预测系统；步骤4、应用环境参数预测系统模型预测环境参数；步骤5、根据掘进巷道内环境参数与预测参数进行比对分析，修正模型；步骤6、设置风量模糊控制器；步骤7、确定模糊输入值，运行风量模糊控制器，智能调控风量。本发明专利技术可预测掘进巷道内环境变化，实现风量智能调控，改变了传统的通风机“一风吹”模式，为煤矿生产节约电能。为煤矿生产节约电能。为煤矿生产节约电能。

【技术实现步骤摘要】
一种基于多传感器数据融合的局部智能通风方法


[0001]本专利技术涉及矿井通风
，具体涉及一种基于多传感器数据融合的局部智能通风方法。

技术介绍

[0002]在实际生产过程之中，随着工作面掘进长度的增加，巷道内部情况不断变化，掘进工作面有效风量降低，导致粉尘浓度过高、瓦斯积聚，影响煤矿生产环境甚至导致瓦斯爆炸、煤尘爆炸、矿井火灾等事故的发生。为避免掘进工作面出现风流紊乱、风量不足、过度通风的情况，需要对工作面风量进行持续性调节，以满足不同情况下的风量需求。风量调节的有效性将会直接影响矿井安全生产，风量冗余会增加主要通风机的功率消耗，然而过小的风量不能有效解决温度过高、粉尘危害、瓦斯积聚等问题，容易造成事故的发生。
[0003]风量调节有效性取决于工作面不同环境参数的变化。早期风量调节通常是由技术人员根据实际数据或工作经验确定的，缺乏科学理论的支撑。由于工作面的恶劣工作环境，易导致传感器检测元件出现老化、损坏等原因造成采集数据存在误差，采集的数据无法准确反映工作环境状况。采用单类别传感器模型对数据进行分析，仅考虑某一环境参数作为对风量调控的因变量，可能无法满足工作面的正常风量需求，影响煤矿的安全生产。要想准确、及时地调节风量就需全面掌握工作面的环境状况，需要多类别传感器来获取工作面的不同环境参数并进行数据融合，预测工作面环境状态，实现风量的智能调控，确保煤矿正常生产。

技术实现思路

[0004]为改进上述通风问题，本专利技术主要是提供一种基于多传感器数据融合的局部智能通风方法实现掘进工作面内的局部智能通风，为通风智能化提供给一种有效的实施方案。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]1、一种基于多传感器数据融合的局部智能通风方法，包括环境参数检测系统、环境参数多数据融合系统、环境参数预测系统、局部通风智能调控系统，其中：
[0006]上述环境参数检测系统指掘进巷道内的多种传感器，包括风速传感器、瓦斯浓度传感器、一氧化碳传感器、粉尘浓度传感器、温湿度传感器。其中风速传感器用于监测掘进巷道的平均风速；瓦斯浓度传感器用于监测掘进巷道的瓦斯浓度；一氧化碳传感器用于监测掘进巷道的一氧化碳浓度；粉尘浓度传感器用于监测掘进巷道内的粉尘浓度；温湿度传感器用于监测掘进巷道的温度、湿度，实现掘进巷道内风速、瓦斯浓度、一氧化碳浓度、粉尘浓度、温湿度等环境参数的实时采集。
[0007]上述环境参数多数据融合系统负责处理由多种传感器所获取的数据，并整合为基于时间序列的环境参数合集，对参数合集存在的异常数据、缺失数据进行修正与补充，对处理后的多类别环境参数集进行数据融合。
[0008]所述数据融合过程为对单类别环境参数采用算数平均值递推估计算法，其次再使
用自适应加权算法完成对原有环境参数集合的数据级融合；通过特征多项式融合方法对原有环境参数特征进行特征耦合实现特征级融合。
[0009]上述环境参数预测系统负责将完成数据融合后的参数合集通过LSTM神经网络算法对掘进巷道内的环境参数进行数据挖掘，提取参数合集内共同特征，预测掘进工作面的环境参数变化，为局部通风智能调控提供数据支持。
[0010]上述局部通风智能调控系统主要由风量模糊控制器构成，主要功能为选取环境参数预测系统环境参数与环境参数阈值进行比较，选取预测参数与对应阈值最大项作为风量模糊控制器的输入量，以变频器频率作为输出量，完成对局部风量的智能控制。
[0011]2、一种基于多传感器数据融合的局部智能通风方法，包括以下步骤：
[0012]步骤1、建立掘进工作面环境参数检测系统；在掘进巷道中每l m分别布置一氧化碳、瓦斯、粉尘、风速与温湿度传感器，共布置N份，每分钟实时获取巷道内一氧化碳、瓦斯、粉尘、风速与温湿度作为环境参数，获得该时刻巷道内部环境参数合集获得该时刻巷道内部环境参数合集
[0013]其中a、b、c、d、e、f分别表示一氧化碳浓度、瓦斯浓度、粉尘浓度、温度、湿度与风速，s为传感器编号，s∈N,i表示第i分钟，表示第i分钟s号一氧化碳传感器检测的一氧化碳浓度；可得巷道内环境参数总合集P。
[0014]步骤2、运用python程序将参数集P转化为更适合分析的时间序列,并对生成后的数据集进行数据清理，减小误差；调用pandas库将环境参数合集根据传感器类型分别转化为同种类型传感器的时间序列集合A
s
,B
s
,C
s
,D
s
,E
s
,F
s
，其中A
s
,B
s
,C
s
,D
s
,E
s
,F
s
分别表示第s号传感器所检测的一氧化碳浓度、瓦斯浓度、粉尘浓度、风速、温度与湿度时间序列集合,数据清理步骤如下：
[0015](1)对相应环境参数时间序列合集中存在缺失值采用线性插值法进行补充，公式如下：
[0016]其中，x
p
与x
p+r
分别为第p时刻与p+r时刻的环境参数值，x
p+q
为第p+q时刻缺失的环境参数值。
[0017](2)对补充后的单类别环境参数时间序列使用算数平均值递推估计方法进行数据融合，具体步骤如下：
[0018]1)计算环境参数合集的算数平均值，公式如下：
[0019]其中为该类别传感器参数合集的算术平均值，n为合集内元素个数，x
i
为第i时刻的参数值。
[0020]2)将作为递推估计初值，对后续检测参数进行一致性检验，公式如下：
[0021]其中为误差要求。
[0022]3)若满足上式，视x
i+1
符合一致性检验，再计算x
i
与x
i+1
的递推估计值x
i
'
+1
，并将x
i
'
+1
与下一时刻的传感器检测值进行一致性检验并进行递推估计。若不满足，计算x
i+2
与x
i+3
的递推估计值x
i
'
+2
、x
i
'
+3
，分别对x
i
'
+1
与x
i
'
+2
，x
i
'
+2
与x
i
'
+3
进行一致性检验，若二者均满足，保留x
i+1
；若不满足，剔除x
i+1
，采用线性插值法对剔除数据进行补充，将仍然作为递推初值。
[0023]对于估计参数x
i
'
+1
，计算公式为：
[0024]其中，为x
i
、x
i+1
的方差。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感器数据融合的局部智能通风方法，其特征在于：包括以下步骤：步骤1、建立掘进工作面环境参数检测系统；在掘进巷道中每l m分别布置一氧化碳、瓦斯、粉尘、风速与温湿度传感器，共布置N份，每分钟实时获取巷道内一氧化碳、瓦斯、粉尘、风速与温湿度作为环境参数，获得该时刻巷道内部环境参数合集获得该时刻巷道内部环境参数合集其中a、b、c、d、e、f分别表示一氧化碳浓度、瓦斯浓度、粉尘浓度、温度、湿度与风速，s为传感器编号，s∈N,i表示第i分钟，表示第i分钟s号一氧化碳传感器检测的一氧化碳浓度，得巷道内环境参数总合集P：步骤2、运用python程序将参数集P转化为更适合分析的时间序列,并对生成后的数据集进行数据清理，减小误差；调用pandas库将环境参数合集根据传感器类型分别转化为同种类型传感器的时间序列集合A
s
,B
s
,C
s
,D
s
,E
s
,F
s
，其中A
s
,B
s
,C
s
,D
s
,E
s
,F
s
分别表示第s号传感器所检测的一氧化碳浓度、瓦斯浓度、粉尘浓度、风速、温度与湿度时间序列集合，对相应环境参数时间序列合集中存在缺失值采用线性插值法进行补充，公式如下：其中，x
p
与x
p+r
分别为第p时刻与p+r时刻的环境参数值，x
p+q
为第p+q时刻缺失的环境参数值；步骤3、对数据集合依次进行数据级、特征级、决策级数据融合；先采用算数平均值递推估计方法与自适应加权算法完成数据级融合，再采用特征集合进行特征工程处理完成特征级融合，最后通过LSTM算法对经过特征级融合后的数据进行训练，建立基于多传感器数据融合的环境参数监测系统对补充后的单类别环境参数时间序列使用算数平均值递推估计方法进行数据融合，具体步骤如下：(1)采用算数平均值递推估计方法与自适应加权算法完成数据级融合具体步骤如下：1)进行算数平均递推估计方法，具体步骤如下：a.计算环境参数合集的算数平均值，公式如下：其中为该类别传感器参数合集的算术平均值，n为合集内元素个数，x
i
为第i时刻的参数值；b.将作为递推估计初值，对后续检测参数进行一致性检验，公式如下：其中为误差要求；c.若满足上式，视x
i+1
符合一致性检验，再计算x
i
与x
i+1
的递推估计值x
′
i+1
，并将x
′
i+1
与
下一时刻的传感器检测值进行一致性检验并进行递推估计；若不满足，计算x
i+2
与x
i+3
的递推估计值x
′
i+2
、x
′
i+3
，分别对x
′
i+1
与x
′
i+2
，x
′
i+2
与x
′
i+3
进行一致性检验，若二者均满足，保留...

【专利技术属性】
技术研发人员：高科，袁可一，刘玉姣，张斯彤，戚志鹏，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：