焦明之， 沈中丽， 周扬明， 何新建， 贺耀宜

（1. 矿山互联网应用技术国家地方联合工程实验室，江苏 徐州 221116；2. 中国矿业大学 信息与控制工程学院，江苏 徐州 221116；3. 中国矿业大学 安全学院，江苏 徐州 221116；4. 天地（常州）自动化股份有限公司，江苏 常州 213015）

0 引言

近年来我国煤矿朝着智能化的方向迅速发展[1-2]。煤矿井下环境危险且复杂，存在大量如一氧化碳、甲烷、乙烯等易燃易爆或剧毒的危险气体，粉尘爆炸、瓦斯爆炸和煤自燃成为煤矿生产中的主要灾害。对井下混合气体的准确识别和检测关系到矿工的生命安全和企业的财产安全。为减少井下火灾、爆炸事故，必须采用气体监测装置实时监测相关气体浓度，保障煤矿人员的安全与健康。

煤矿气体传感器用于混合气体检测时测量信号之间有交叉干扰，难以保证检测准确性。基于单一气体传感器构建传感器阵列，通过阵列的多维空间气体响应模式，结合特定的信息处理算法，能够实现对混合气体的定性、定量识别，提高气体检测精度，保障煤矿安全生产。对于相同的待识别气体，传统气体识别算法如支持向量机（Support Vector Machine,SVM）、K近邻（K-Nearest Neighbor, KNN）等的识别精度低于基于神经网络（如卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）等）的气体识别算法。神经网络具有非线性适应性信息处理能力，克服了传统算法在非结构化信息处理方面的缺陷，在模式识别、信号处理、智能控制、组合优化、预测等领域得到广泛应用。与传统气体识别算法相比，神经网络通过调整其网络层、每层神经元的数量、神经元的激活函数和各层网络之间的权重等来实现更高的气体识别精度。一般来说，神经网络的学习样本越多，其泛化能力越强，分类识别性能越好。本文主要介绍几种面向煤矿混合气体检测的神经网络算法并进行对比分析。

1 煤矿混合气体检测系统结构

煤矿混合气体检测系统主要由传感器阵列、信号调理模块、信号处理模块、多通道信号采集模块及模式识别模块组成[3]，如图1所示。

图1 煤矿混合气体检测系统结构[3]Fig. 1 Structure of coal mine mixed gas detection system[3]

传感器阵列由多种传感器组成，用于感知混合气体，在感应到敏感气体时，不同的传感器会发出特定的响应信号。信号调理模块对响应信号进行过滤、交换、特征提取等预处理。信号处理模块对预处理后的信号进行采集、分析、处理。模式识别模块通过各种算法对混合气体的组成和浓度信息进行识别输出。

2 面向煤矿混合气体检测的神经网络算法

2.1 反向传播神经网络

反向传播 （Back Propagation，BP） 神经网络通过梯度下降法对网络的损失函数进行迭代优化，求取极小值，解决多种监督学习的分类回归问题。BP神经网络起源于多层感知器（Multi-Layer Perceptron，MLP），MLP可看作一个有向图，由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元[4]。BP神经网络一般由输入层、隐藏层和输出层组成，其中隐藏层激活函数常采用Sigmoid函数。经典的单隐层BP神经网络如图2所示。

图2 经典的单隐层BP神经网络[4]Fig. 2 Classical BP neural network with single hidden layer[4]

BP神经网络具有很多优势。BP神经网络具有良好的自适应性，能够根据不同任务和数据自适应调整权值和阈值，从而提高网络的准确性和泛化能力；BP神经网络适用于分类、回归、模式识别等任务；BP神经网络训练过程简单，容易实现和理解。但是由于BP神经网络有很强的拟合能力，如果数据过少或噪声过大，可能会出现过拟合现象，且BP神经网络使用梯度下降算法，容易陷入局部最优解，无法达到全局最优解。因此，可引入更先进的优化算法，使得BP神经网络更高效、可靠，在准确性和运算效率等方面获得更大提升；另外，未来BP神经网络可能会更广泛应用于多模态数据融合，在数据预测等方面获得更高的准确率。

2.2 CNN

CNN是在BP神经网络基础上发展而来的一种深度学习模型，通常由1个或多个卷积层、池化层及全连接层等组成[5]，输出层一般通过ReLU、Sigmoid或tanh激活函数进行分类和识别。一维CNN（1DCNN）含有4个隐藏层，每个隐藏层包含2个卷积层、1个池化层及激活函数tanh，如图3所示。卷积层可提取传感器阵列的原始数据特征；池化层可保留明显特征，降低特征维度，从而减少运算量，提高运算效率；最后通过softmax函数对信号进行分类[6]。

图3 1DCNN结构[6]Fig. 3 One dimensional convolutional neural network structure[6]

2018年，Peng Pai等[7]首次将CNN应用于气体识别，实现了对4种不同气味的识别，准确率达95.2%。谭光韬等[8]提出利用CNN提取传感器阵列数据特征，通过核主成分分析及梯度提升树进行混合气体的定性、定量检测，其中定性识别的准确率高达98.7%，定量估计的平均相对误差小于4.1%。M. Sharma等[9]提出一种基于Dempster-Shafer证据理论（DSET）与1DCNN的新型分类方法，通过将DSET和1DCNN进行融合，即使在部分传感器故障的情况下，分类准确率也能达到99.6%。Zhao Xiaojin等[10]提出一种新的一维深度CNN（1D-DCNN），其网络架构如图4所示，主要分为特征提取和分类2个部分。该网络可以全面自动地提取混合气体的特征并分类，准确率为96.3%。

1D-DCNN与SVM、人工神经网络（Artificial Neural Network, ANN）、KNN、随机森林（Random Forest，RF）4种传统方法在10倍交叉验证下的分类识别准确率对比见表1，可看出1D-DCNN的识别精度明显高于其他算法。

表1 1D-DCNN与其他方法的识别准确率比较[10]Table 1 Comparison of recognition accuracy between 1D-DCNN and other methods[10]

2023年，Li Xiulei等[11]通过比较SVM、MLP、CNN对甲烷、乙烯和甲烷乙烯混合气体的准确预测时间，发现CNN仅用10 s就能实现混合气体目标识别和浓度预测，既减轻了传感器存储数据的压力，又实现了混合气体的早期检测。

CNN在模式识别中应用广泛，具有很强的特征提取能力，能够自主学习输入图像中的局部和全局特征，实现端到端的学习和优化，省去传统算法中复杂的特征提取和分类器设计过程。但是CNN通常需要大量数据进行训练，过于依赖训练数据的质量和数量。此外，当CNN面对图像精细分类、检测等任务时表现得还不够理想，需要结合其他方法提高模型性能。

2.3 RNN

CNN中非相邻的2层之间不会互相关联，而RNN每个隐藏层之间互相关联，且每个隐藏层的当前单元还与时序输入有关[12]，即单向RNN中第I时刻的隐藏层需要接收第I-1时刻的输入，双向RNN中第I时刻的隐藏层还需要接收第I+1时刻的输入，这对于时间序列相关数据的处理非常有利。RNN模型框架如图5所示。

图5 RNN模型框架[12]Fig. 5 Framework of RNN model[12]

2019年，温志煌[13]提出了一种新型的CNN-RNN结构，实现了对一氧化碳和乙烯混合气体的种类识别和浓度预测，如图6所示。该网络主要由CNN、RNN和全连接线性回归层3个部分组成。CNN主要对原始时间序列进行处理，并选出高层次特征输入RNN中加以分析，找到更适用于时间预测的特征，最后，将这些特征通过全连接的方式，用于线性回归计算，得到最终的预测值。将CNN-LSTM与CNN-门控循环单元（Gated Recurrent Unit，GRU）、回声状态网络（Echo State Network，ESN）、逻辑回归（Logistic Regression，LR）进行对比，用于一氧化碳与乙烯混合气体浓度预测，结果见表2。可看出CNN-LSTM对2种气体浓度的预测误差最小。

表2 4种算法对混合气体浓度的预测结果对比[13]Table 2 Comparison of four algorithms for predicting the concentration of mixed gases[13]

图6 CNN-RNN结构[13]Fig. 6 Sturcture of CNN-RNN[13]

长短期记忆（Long Short-Term Memory，LSTM）神经网络是是RNN的一种改进网络。常规的LSTM网络单元由输入门、遗忘门和输出门来控制和维持单元状态，与传统RNN相比，LSTM使用存储单元和门函数来控制信息流，以防止梯度消失得过快和梯度爆炸。

2020年，Lyu Pingyang等[14]提出了基于ARMA算法、混沌模型和编码器-解码器模型的气体浓度时间序列多步预测模型，预测误差较低，为煤矿瓦斯事故预防提供了新方法。2021年，Zhang Wenwen等[15]提出了一种新的气体识别和浓度估计模型，由多对LSTM神经网络和动态小波CNN组成，实现对一氧化碳、氢气及二者混合气体的识别，识别精度接近100%。同年，H. Bakiler等[16]利用LSTM神经网络对气体信号进行特征提取，实现了对一氧化碳、乙烯、乙醇和甲烷4种气体的分类，最高准确率为90.8%，相比较于其他传统模式识别方法，准确率有了很大提升。张海庆[17]将LSTM神经网络用于传感器自校准，测试结果表明该方法可有效解决矿用甲烷传感器长时间工作后存在的漂移问题。

RNN作为一种有记忆的神经网络模型，多用于序列处理任务，可以获取数据中的时间依赖关系。此外，RNN含有BP算法，可以进行监督式学习并优化模型，训练模型能够自适应学习数据的特征和规律。但是， RNN存在长期依赖和梯度消失等问题，未来的发展方向是将RNN与CNN、生成对抗网络、注意力机制或与其他架构等相结合，以进一步提升模型的性能。

2.4 径向基函数神经网络

径向基函数（Radial Basis Function，RBF）神经网络结构如图7所示。RBF神经网络为3层前向神经网络，包含输入层、隐藏层和输出层[18-19]。输入层是信号源节点，隐藏层神经元的激活函数需径向对称，且是衰减的非线性函数，输出层是简单的线性函数。

图7 RBF神经网络结构[19]Fig. 7 RBF neural network structure[19]

RBF神经网络大量用于模拟实验中，是具有设计简单、泛化能力强、抗输入噪声能力强、在线学习能力强等良好性能的一种前馈型神经网络[20]。RBF神经网络能够以任意精度逼近任意连续的非线性网络，被广泛用于函数逼近、语音识别、模式识别、图像处理、自动控制和故障诊断等领域。2010年，赵金宪等[21]针对瓦斯质量浓度的非线性特点，在验证其时间序列具有混沌特性后，构建了基于混沌理论和RBF神经网络的预测模型，实验结果表明该模型预测精度较高。2014年，李万庆等[22]提出了一种基于层次分析法（Analytic Hierarchy Process，AHP）-RBF神经网络的煤矿安全风险评估方法，首先确立煤矿安全风险指标体系，然后通过AHP明确各风险指标权重并对其重要性进行排序，最后将RBF神经网络当作评价工具。BP神经网络和RBF神经网络在4个样本下的预测误差对比见表3，可以看出RBF神经网络的预测准确性和迭代收敛步数均优于BP神经网络。

表3 BP神经网络和RBF神经网络预测误差对比[22]Table 3 Comparison of prediction errors between BP neural network and RBF neural network[22]

文献[23]针对煤矿救援机器人对煤矿有毒有害气体的感知问题，采用双气体传感器降低对部分气体的交叉灵敏度，并考虑温度、湿度等可变因素的影响，提出了基于遗传神经网络算法和K均值聚类算法的改进RBF神经网络，其流程如图8所示[23]。其中hi(k+1)为RBF神经网络第i个隐节点的第k+1次遗传迭代聚类中心，hj(k)为RBF神经网络第j个隐节点的第k次遗传迭代聚类中心。

图8 改进RBF神经网络流程[23]Fig. 8 Process of improved RBF neural network[23]

RBF神经网络可用于对输入输出之间的非线性关系进行建模，有效解决复杂的非线性问题。由于RBF神经网络具有较好的非线性适应性，所以能够适应不同的数据集，具有很好的泛化性能，且其网络只含有1个隐藏层，参数相对较少，在训练时易于优化。但是RBF神经网络对输入数据比较敏感，需要根据具体情况对输入数据进行相应的特征提取和预处理，以减小误差；此外，RBF神经网络需要对隐藏层的中心点和权值进行调整，并进行大量训练和优化，训练时间相对较长。RBF神经网络未来发展趋势是通过改进网络结构，提升其准确性，减少训练时间，拓宽应用范围。

3 结语

介绍了面向煤矿混合气体检测的神经网络算法研究进展，详细分析了BP神经网络、CNN、RNN和RBF神经网络的应用效果。BP神经网络通常可以达到较高的分类精度，然而需要训练大量的参数，训练时间长，通常为了减少时长和提高精度，可以将BP神经网络与其他算法相结合。CNN可以自动提取数据特征，精度和训练速度都优于BP神经网络，但其易于陷入局部最优。RNN可以使用更少的数据并提取更有效的特征，但容易出现梯度消失等问题。RBF神经网络具有较强的鲁棒性和在线学习能力，但其通常需要大量数据完成模型训练。神经网络算法应用将大幅提升煤矿混合气体检测精度，保障煤矿智能化的实现。