索艳春

(1.中国煤炭科工集团太原研究院有限公司,山西 太原 030006； 2.山西天地煤机装备有限公司,山西 太原 030006；3.煤矿采掘机械装备国家工程实验室,山西 太原 030032)

在矿山数字化、绿色化转型发展背景下，我国智能矿山建设工作稳步推进，国内数十家高校及科研院所长期针对矿区工业互联生态下的各种半密闭施工空间环境监测系统进行了深入研究。其中，中国计量大学楼俊教授团队[1]基于傅里叶红外光谱技术设计的抽取式气体室多组分气体检测系统，实现了煤矿掘进工作面中气体的种类甄别及浓度监测，其不足之处在于系统未设计监测节点，只能在特定位置使用；哈尔滨工业大学谷延锋教授团队[2]设计的有害气体探测机器人搭载了3种气体传感器，可任意设定检测气体报警阈值，实现了井下有毒有害气体的智能监测管理[3-4]。

然而，包含上述装置在内的现有井下气体监测系统多用于对井下工作面敏感点的气体环境进行监控预警，仅有1个或多个预警点，未形成预警网络；且与井上数据中心的互联互通性较差，大多预警工作主要还是依靠井下人员操作。部分矿区实现了气体浓度数据回传，但是由于掘进工作面温湿度环境复杂多变，尤其是高温高湿环境对气体测量精度[5]的影响较大，气体浓度测量误差较大导致井上数据监测中心对井下环境情况的误判时有发生。基于以上现状，笔者提出了一种基于GA-PSO-BP混合优化算法的掘进工作面CO气体监测系统[6]设计方案。

1 系统设计原理

传统BP神经网络算法在处理气体浓度监测领域存在着精确度不高、收敛性较差的问题,引入粒子群优化后的BP神经网络(PSO-BP)算法在面向掘进工作面复杂成分气体监测时收敛速度快、操作性好，但是在井下实际应用过程中往往出现早熟收敛的现象。为此，笔者建立一个基于遗传算法和粒子群算法混合优化后的神经网络算法(GA-PSO-BP)[7]的井下气体监测系统，旨在为井上数据中心工作人员预警预判井下环境内有害气体的分布情况提供精准的原始数据支撑[8]。系统单个节点主要由基于芯片AGLN250-VQ100的主控模块、基于K9WBG08U1M芯片的存储模块、调理采集模块、无线射频模块、电源管理模块等几部分构成。其中存储模块主要用于对井下气体种类、气体浓度等数据混合编帧后统一保存，通过射频模块返回上位机并经文件拆分、通道加载、波形绘制等一系列操作[9]后，将井下气体分布情况展示给井上数据监测中心工作人员；电源管理模块支持系统唤醒/睡眠服务，为井下各节点在低功耗状态下执行监测动作的平稳运行提供保障;调理采集模块选用红外气体传感器作为节点感知端，其主要是通过测量红外线强度的变化来感知测量井下气体浓度。系统总体设计框图及系统结构框图如图1所示，红外气体传感器工作结构图如图2所示。

(a)系统总体设计框图

2 系统硬件设计

2.1 节点主控模块电路设计

对系统各节点进行主控模块电路设计时，考虑到井下24 h不间断实时气体监测的实际应用要求[10]，本系统选用业界超低功耗可编程逻辑器件AGLN250-VQ100，其与赛灵思同一代FPGA芯片相比动态功耗降低了41%，静态功耗降低90%。部分节点主控模块电路如图3所示。

图3 节点主控模块电路设计

2.2 电源管理模块电路设计

为了实现监测节点高效、平稳、安全运行，系统设计有电源管理模块。电源管理模块电路设计如图4所示。

图4 电源管理模块电路设计

其中，单个节点由外部锂电池通过“J1”接口进行3.7 V单电源供电，系统选用低压差线性稳压器REG104A-5芯片实现5 V的电压转换，REG104系列芯片的低输出噪声特性使系统气体监测节点[11]在井下温湿度复杂多变作业场景下保持线性电压高精度输出；采用“FPGA-EN”信号实现主控模块对节点工作模式切换的控制。

2.3 存储模块电路设计

系统存储模块可针对井下各监测节点经混合编帧后的气体浓度数据进行存储阵列导入、记录等操作。本系统选用存储介质为K9WBG08U1M型FLASH芯片，存储模块电路设计如图5所示。

图5 存储模块电路设计

3 系统软件设计

在进行系统上位机软件设计时，出于对软件可移植性考虑，采用图形编辑器自带的NI串口VISA驱动配置，通过参数设置完成对系统9处测试样本节点返回气体浓度数据[14]的分析处理。存储模块软件设计中部分上位机内部数据接口配置程序框图如图6所示。图6中“标志位一”和“标志位二”是命令识别的主要方式，每条命令有不同的数据包组成结构。该软件把各节点气体浓度数据以txt文件格式按时间顺序存储传输至井上监测中心指定文件路径中。

图6 存储模块软件设计

在红外气体传感器温湿度补偿过程中[15-16]，系统各监测节点位置主控芯片AGLN250-VQ100通过使用支持自顶向下[17]设计方式的VHDL(VHSIC Hardware Description Language) 逻辑描述语言，对BP神经网络、基于 PSO优化的BP神经网络和基于 GA-PSO 混合优化的BP神经网络算法进行不断修正，从而保证井下CO气体浓度监测过程中网络权值的最优化求解，配合地面上位机平台实现通信、数据接收、数据存储和AGLN250-VQ100中节点调取，并完成数据的处理。

系统混合优化神经网络算法具体流程图如图7所示。其中，在对BP神经网络的所有权值和阈值进行编码的基础上进行粒子群和遗传算法网络参数的初始化设置，主控芯片AGLN250-VQ100中每条编码信息代表一处对应位置的井下CO气体监测节点。在更新粒子对初始化后的种群时按 PSO-GA 算法流程进行迭代操作，迭代过程[18]的结束条件为最优适应度值达到收敛精度或迭代次数达到设定的最大次数。若算法不满足结束条件，则跳回初始步骤进行重复运算；若算法满足结束条件，则得到全局最优解，该最优解即为 BP 神经网络的一个最优结构参数。

图7 GA-PSO-BP神经网络算法流程

4 系统测试

本次系统测试中选择CO气体作为被测对象，主要进行了以下两方面测试：

1)在相同温湿度作业环境下，使用不同神经网络算法对9处测试样本节点的CO气体浓度进行监测、存储、分析，通过观察BP神经网络、PSO-BP神经网络、GA-PSO-BP神经网络3种不同算法条件下的气体浓度预测值与各测试样本节点实际值的线性拟合是否收敛，对本系统GA-PSO-BP神经网络算法的优化性进行验证。本系统在温度为10 ℃、湿度为30% 的同一环境下，分别在不同算法条件下的测试样本节点数据以txt文件格式存储后，通过MATLAB软件线性拟合后的测试结果如图8所示。

(a)BP神经网络算法

(b)PSO-BP神经网络算法

(c)GA-PSO-BP神经网络算法

由图8不难发现，基于GA-PSO-BP神经网络算法的气体监测数据与实际数据拟合性更好，测试样本最大误差出现在第9节点，不超过0.61%。

2)在不同温湿度作业环境下，使用混合优化后的GA-PSO-BP神经网络算法对9处测试样本节点的CO气体浓度进行监测、存储、分析，通过比较系统在3种不同温湿度作业环境下的气体浓度预测值与各测试样本节点实际值的收敛程度，来验证系统对温湿度环境的有效补偿性。系统在温度为10 ℃、湿度为30%，温度为15 ℃、湿度为40%，温度为20 ℃、湿度为50%共计3种不同作业环境下的测试结果如图9所示。

(a)温度为10 ℃、湿度为30%环境

由图9可以看出，在不同温湿度作业环境下，GA-PSO-BP神经网络算法能对温湿度进行有效补偿，测试样本最大误差出现在温度为15 ℃、湿度为40%作业环境下的第1节点，约为1.25%，满足气体监测系统高精度要求。

系统各节点决策端通过GA-PSO-BP神经网络算法对感知端进行复杂多变条件下的温湿度补偿，测试结果表明系统监测气体浓度最大误差不超过1.30%，可实现井下气体的高精度实时监测。对于有效建立健全煤矿监测预警系统[19-20]，防范遏制煤矿生产安全事故有着较大实际意义。同时需要注意的是，该系统在被测气体种类的冗余性及混合优化算法的稳定性两方面是今后研究工作中的主要内容。

5 结语

1)提出了一种面向掘进工作面气体监测系统的优化设计方案，结合GA-PSO-BP混合优化算法，解决了现有井下气体预警系统中广泛存在的红外气体传感器在不同温湿度环境下的漂移问题，可实现对CO气体的精准检测。使用混合优化BP神经网络(GA-PSO-BP)算法后，9个测试样本节点返回监测中心的CO气体浓度最大误差不超过1.30%。

2)对9个测试样本节点，通过在相同温湿度作业环境下使用3种不同神经网络算法开展气体浓度监测对比实验，对GA-PSO-BP混合优化神经网络算法的高拟合性、快收敛性进行了验证。

3)对9个测试样本节点，通过在3种不同温湿度作业环境下统一使用GA-PSO-BP神经网络算法进行对比实验[16]，测试样本最大误差仅为1.25%左右，表明系统在不同温湿度作业环境下，能对温湿度进行有效补偿，可实现对气体浓度的高精度监测[17]、统计与分析，为井上数据中心工作人员对井下气体环境[18]的判断提供了精准数据支撑，能有效避免对井下环境的误读误判，对于发展完善智能矿井气体[19]监测预警系统[20]有较大的实际意义。