采煤工作面CH4大样本数据感知关键技术及监测模式研究

贺耀宜, 代左朋, 杨耀, 屈世甲, 张清, 孙旭峰, 张涛

贺耀宜,代左朋,杨耀,等. 采煤工作面CH4大样本数据感知关键技术及监测模式研究[J]. 工矿自动化,2024,50(11):17-25, 91. DOI: 10.13272/j.issn.1671-251x.18218
引用本文: 贺耀宜,代左朋,杨耀,等. 采煤工作面CH4大样本数据感知关键技术及监测模式研究[J]. 工矿自动化,2024,50(11):17-25, 91. DOI: 10.13272/j.issn.1671-251x.18218
HE Yaoyi, DAI Zuopeng, YANG Yao, et al. Key technologies and monitoring model for large-scale data perception of CH4 in coal mining faces[J]. Journal of Mine Automation,2024,50(11):17-25, 91. DOI: 10.13272/j.issn.1671-251x.18218
Citation: HE Yaoyi, DAI Zuopeng, YANG Yao, et al. Key technologies and monitoring model for large-scale data perception of CH4 in coal mining faces[J]. Journal of Mine Automation,2024,50(11):17-25, 91. DOI: 10.13272/j.issn.1671-251x.18218

采煤工作面CH4大样本数据感知关键技术及监测模式研究

基金项目: 江苏省成果转化项目(BA2022040);中国煤炭科工集团有限公司科技创新创业资金专项项目−国际科技合作项目(2021-2-GH003);天地科技股份有限公司科技创新创业资金专项项目(2019-TD-ZD007);天地(常州)自动化股份有限公司基金项目(2024TY2002,2024TY2005)。
详细信息
    作者简介:

    贺耀宜(1974—),男,陕西蓝田人,研究员,硕士,主要从事煤矿监测监控与信息化、物联网应用研究工作,E-mail:hyy@cari.com.cn

  • 中图分类号: TD712

Key technologies and monitoring model for large-scale data perception of CH4 in coal mining faces

  • 摘要:

    全面感知和实时互联是智能化煤矿最基本的功能要素。现阶段采煤工作面整体环境感知能力不足,感知设备设置监测点数量有限,末端无线网络不够健全,缺乏高精度位置服务,导致矿井与采煤工作面全面感知所需数据样本量偏少,信息透明度不够,隐患识别和安全预警准确性偏低。针对该问题,以采煤工作面为应用场景,以CH4为监测对象,研究煤矿工作环境参数大样本数据感知关键技术及监测模式。通过研究无线低功耗CH4传感与自标校技术,实现在采煤工作面布置大量CH4传感器进行全面感知,解决长时间免标校维护的技术难题;通过研究传感设备对象编码与定位技术,解决大量传感设备的身份和位置识别难题;通过研究适用于矿井线性空间的高速无线数据传输技术,以及无线骨干网链路节点的路由自发现、网络故障自主发现、故障节点及时隔离和自恢复技术,解决采煤工作面布设大量CH4传感器及工作面移动带来的数据实时传输与维护问题;通过研究基于边缘计算的大样本数据连续监测模式,针对采集的大量CH4传感数据,利用空间数字云图技术,实现整个采煤工作面CH4面域连续监测和全面感知及作业现场数据分级处理。采煤工作面CH4大样本数据感知关键技术及监测模式为其他矿井环境参数的全面感知研究提供了基础技术积累。

    Abstract:

    Comprehensive perception and real-time connectivity are fundamental functional elements of intelligent coal mines. Currently, coal mining faces suffer from insufficient overall environmental perception capabilities. Limitations include the small number of monitoring points for perception devices, inadequate terminal wireless network coverage, and a lack of high-precision positioning services. These shortcomings result in inadequate data sample sizes required for comprehensive perception of mines and coal mining faces, low information transparency, and reduced accuracy in hazard identification and safety warnings. To address these issues, this study investigated coal mining faces as the application scenario and CH4 as the monitoring target, exploring key technologies and monitoring models for large-scale data perception of coal mine environmental parameters. By investigating low-power wireless CH4 sensing and self-calibration technologies, the study enabled the deployment of numerous CH4 sensors in coal mining faces for comprehensive perception, resolving technical challenges associated with calibration-free maintenance. The study also addressed the difficulties of identifying the identities and locations of numerous sensors by developing device encoding and positioning technologies for sensing devices. Additionally, the study proposed high-speed wireless data transmission technologies suitable for the linear space of mines, along with autonomous routing discovery, network fault detection, timely isolation of fault nodes, and self-recovery for wireless backbone link nodes. These advancements solved the real-time data transmission and maintenance challenges arising from the deployment of large numbers of CH4 sensors and the mobility of coal mining faces. Furthermore, a continuous monitoring model for large-scale data based on edge computing was developed. This model processed the collected CH4 sensor data using spatial digital cloud mapping technology to achieve continuous monitoring and comprehensive perception of CH4 across the entire coal mining face, as well as hierarchical data processing at operational sites. The key technologies and monitoring model for large-scale data perception of CH4 in coal mining faces accumulate foundational technical knowledge for comprehensive perception studies of other mine environmental parameters.

  • 许多煤矿事故是由井下人员的不合理行为造成,因此,井下人员行为识别是保障煤矿安全生产的重要措施。当前井下人员行为识别主要通过图像识别方式实现,由于煤矿井下环境复杂、光线昏暗并存在大量拍摄死角,使得基于视频和图像的识别方法受到一定限制[1]。WiFi网络具有部署简单、覆盖范围大等特点,已在井下得到广泛部署。通过判断WiFi信号强度的变化可实现井下人员行为识别[2-4],然而,由于井下环境复杂,易出现信号延迟、反射等现象,使得信号强度经常发生异常变化[5],不能实现细粒度检测。

    随着特殊驱动发布,研究者可以从一些普通设备中获得信道状态信息(Channel Status Information,CSI),相比于信号强度,CSI能够提供更多、更细粒度的特征值[6-8]。初始的研究主要是直接利用CSI提供的幅度和相位作为特征值实现行为识别[9-10],随着研究的深入,一些基于深度学习的方法也被应用到无线感知中。文献[11]提出了一种三层长短期记忆(Long Short-Term Memory,LSTM)网络,实现了对不同行为的分类。文献[12]提出采用三层卷积神经网络(Convolutional Neural Network, CNN)提取特征,平均行为识别精度为86.3%。

    现有研究利用原始信息构造特征值,通过建立不同的神经网络实现人员行为识别,但缺少对感知机理的研究与分析,且特征提取手段单一。针对该问题,本文分析了人员行为感知机理,提出利用CSI时序信息和统计信息构建多维度人员行为特征信息,在此基础上,提出了一种由多尺度CNN与基于门控循环单元(Gate Recurrent Unit,GRU)的编解码器网络组成的融合网络,用于实现井下人员行为识别。

    CSI是物理层的细粒度信息,描述了无线信号在每个信道上的散射、反射和衰减等信息[13]。信号在正交频分复用系统中通过多个子载波进行调制,子载波经过多条路径到达接收端后,信道频率响应(Channel Frequency Response,CFR)为[14]

    $$ H({f_k}) = {{\rm{exp}}({ - {\rm{j}}\Delta \theta }})\sum\limits_{l = 1}^L {{ \alpha _l}} {{\rm{exp}}({ - {\rm{j}}2{\text{π}} {f_k}{\tau _l})}} $$ (1)

    式中:fk为第k个子载波的频率;$ \Delta \theta $为不同频率子载波之间的相位差;L为路径总数;$ {\alpha _l} $为第l条路径的信号衰减系数;$ {\tau _l} $为第l条路径的信号传输时延。

    将CFR分解为静态分量和动态分量:

    $$ H({f_k}) = {{\rm{exp}}({ - {\rm{j}}\Delta \theta }})({H_{\rm{s}}}({f_k}) + {{\boldsymbol{H}}_{\rm{d}}}({f_k})) $$ (2)

    式中:$ {H_{\rm{s}}}({f_k}) $为CFR静态分量,可取常量;$ {{\boldsymbol{H}}_{\rm{d}}}({f_k}) $为CFR动态分量,是由人员动作引起的相关动态变化向量的叠加值[15]

    结合菲涅尔区阐述不同位置处人员动作导致CSI变化的规律。菲涅耳区原理如图1所示。假设P1P2分别为接收机和发射机的位置,Qn为以P1P2为焦点的第n个椭圆上的点,对于波长为$ \lambda $的WiFi信号,有

    $$ \left| {{P_1}{Q_n}} \right| + \left| {{Q_n}{P_2}} \right| - \left| {{P_1}{P_2}} \right| = n\lambda /2 $$ (3)
    图  1  菲涅耳区原理
    Figure  1.  Fresnel zone principle

    当人员动作出现在Q1位置时,动态路径信号与视距信号的行程差为$ \lambda /2 $,相位差为π,同时反射引入的相位偏转为π,则2路信号的相位差为2π。依此类推,当人员在Q2位置动作时,2路信号的相位差为3π。在人员动作切割菲涅耳区的过程中,2路信号不断出现相干叠加和相干相消的现象,CSI将呈现出类正弦波的变化。

    基于融合网络的井下人员行为识别方法如图2所示,主要包括数据预处理、特征构建和判识网络构造3个部分。数据预处理模块通过CSI商模型、子载波去直流和离散小波去噪对采集的CSI数据进行处理,再将动作特征转换为图像,送入融合网络中进行识别。

    图  2  行为识别框架
    Figure  2.  Behavior recognition framework

    由于设备制作工艺和环境的影响,数据采集过程中会引入误差。为了减少该误差,采用CSI商模型对采集的数据进行处理。CSI商模型是将接收天线之间的CSI信息相除,即振幅相除,相位相减。天线间的CSI商为

    $$ {d_{\rm{q}}}({f_k}) = \frac{{{H_{{\rm{s}}1}}({f_k}) + {{\boldsymbol{H}}_{{\rm{d}}1}}({f_k})}}{{{H_{{\rm{s}}2}}({f_k}) + {{\boldsymbol{H}}_{{\rm{d}}2}}({f_k})}} $$ (4)
    $$ {{\boldsymbol{H}}_{{{\rm{d}}1}}}({f_k}) = {A_1}(f_k){{\rm{exp}}\left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_1}}}{\lambda }}\right)} $$ (5)
    $$ {{\boldsymbol{H}}_{{{\rm{d}}2}}}({f_k}) = {A_2}(f_k){{\rm{exp}}\left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_2}}}{\lambda }} \right)} $$ (6)

    式中:$ {H_{{\rm{s}}1}}({f_k}) $$ {H_{{\rm{s}}2}}({f_k}) $ 分别为天线1和天线2的CFR静态分量;$ {{\boldsymbol{H}}_{{\rm{d}}1}}({f_k}) $$ {{\boldsymbol{H}}_{{\rm{d}}2}}({f_k}) $分别为天线1和天线2的CFR动态分量;A1$({f_k}) $A2$({f_k}) $分别为2条传输路径的信号衰减系数;m1m2分别为天线1、天线2到人员的距离。

    将式(5)和式(6)代入式(4)可得

    $$ {d_{\rm{q}}}(f_k) = \frac{{{H_{{\rm{s}}1}}(f_k) + {A_1}(f_k){{\rm{exp}}\left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_1}}}{\lambda }} \right)}}}{{{H_{{\rm{s}}2}}(f_k) + {A_2}(f_k){{\rm{exp}} \left( { - {\rm{j}}2{\text{π}} \dfrac{{\Delta m}}{\lambda }}\right)} {{\rm{exp}} \left( { - {\rm{j}}2{\text{π}} \dfrac{{{m_1}}}{\lambda }}\right)}}} $$ (7)

    式中$ \Delta m $为2个天线的间距,$ \Delta m $=m2−m1

    人员动作时,子载波受到直流信号的影响,导致采集数据产生向上或向下的偏移,从而影响数据准确性,需要进行去直流处理。设h为一组经过CSI商模型处理后的数据,对h进行离散傅里叶变换[16],将变换后信号频率置0即可得到直流分量,用处理后的数据减去直流分量,即可去除子载波中的直流信号。

    在极低信噪比情况下,可用CSI信息会淹没在设备产生的硬件噪声中,从而导致识别结果出现严重偏差。为了降低设备噪声的影响,使用离散小波变换进行去噪处理[17]

    u为有效数据,e为噪声数据,则h=u+e,对h进行小波处理,可得

    $$ {D} (h) = {{D} _u}(a,b) + {{D} _e}(a,b) $$ (8)

    式中:D为小波处理函数;DuDe分别为有效数据的近似系数、噪声数据的细节系数;ab分别为平移因子和伸缩因子。

    在小波处理过程中,通过高通滤波器和低通滤波器对h进行降采样,获得含有设备噪声的细节系数及含有人员动作相关信息的近似系数,再对细节系数进行多次小波处理,从而消除设备引入的噪声。

    传统的特征提取方法将处理后的CSI信息直接送入CNN中进行特征提取。然而,这些提取的特征在经过多层池化计算后,表达能力会逐渐减弱,不利于准确描述人员行为[18]。因此,本文利用格拉姆和/差角场 (Gramian Angular Summation/Difference Fields,GASF/GADF)将处理后的数据转换成图像,从而保留数据的空间和时间特性[19]

    对数据X={x1x2,…,xN}(N为序列中数据个数)进行归一化,将归一化数据编码为角余弦,使用极坐标表示新的序列:

    $$ \left\{ \begin{gathered} \phi_i = {\rm{arccos}}\;{{\tilde x}_i} \qquad i =1,2,\cdots, N \\ r_i = \frac{{{t_i}}}{t_0} \\ \end{gathered} \right. $$ (9)

    式中:$ \phi _i$为数据序列转变成极坐标后对应的角度;$ {\tilde x_i} $$x_i $归一化后的值,$- 1 \leqslant {{\tilde x}_i} \leqslant 1 $rixi的归一化采样时间戳;tixi的采样时间戳;t0为序列总的采样时间。

    分别利用余弦和正弦函数计算数据之间的和与差,将计算结果放入矩阵中,从而构建出能够表征数据序列相关性的特征矩阵:

    $$ {{{\boldsymbol{S}}}} = \left[ {\begin{array}{*{20}{c}} {\cos ({\phi _1} + {\phi _1})}&{\cos ({\phi _1} + {\phi _2})}& \cdots &{{\text{ }}\cos ({\phi _1} + {\phi _N})} \\ {\cos ({\phi _2} + {\phi _1})}&{{\text{ }}\cos ({\phi _2} + {\phi _2})}& \cdots &{{\text{ }}\cos ({\phi _2} + {\phi _N})} \\ { \vdots {\text{ }}}& \vdots & & \vdots \\ {\cos ({\phi _N} + {\phi _1}){\text{ }}}&{\cos ({\phi _N} + {\phi _2}){\text{ }}}& \cdots &{\cos ({\phi _N} + {\phi _N})} \end{array}{\text{ }}} \right] $$ (10)
    $$ {\boldsymbol{E}} = \left[ {\begin{array}{*{20}{c}} {\sin ({\phi _1} - {\phi _1})}&{\sin ({\phi _1} - {\phi _2})}& \cdots &{{\text{ }}\sin ({\phi _1} - {\phi _N})} \\ {\sin ({\phi _2} - {\phi _1})}&{{\text{ }}\sin ({\phi _2} - {\phi _2})}& \cdots &{{\text{ }}\sin ({\phi _2} - {\phi _N})} \\ { \vdots {\text{ }}}& \vdots & & \vdots \\ {\sin ({\phi _N} - {\phi _1}){\text{ }}}&{\sin ({\phi _N} - {\phi _2}){\text{ }}}& \cdots &{\sin ({\phi _N} - {\phi _N})} \end{array}} \right] $$ (11)

    由于人员动作的复杂性和多样性,需要构建更多有用的特征来提高分类精度。本文提取的特征信息包括10个时域特征、5个频域特征和1个能量特征。时域特征为最大值、最小值、均值、方差、标准差、峰峰值、均方根、偏度、四分位距、波形因数,频域特征为峰值因子、最小频率、最大频率、谱概率、频谱熵,能量特征为信号能量。

    根据人员动作的特点,提出一种由基于GRU的编解码网络和多尺度CNN组成的融合网络,如图3所示。利用GRU保留前后数据之间的关联性,同时利用注意力机制的权重分配策略有效提取关键特征,以提高行为识别的准确率。输入数据主要来自2个部分:一部分是利用GASF/GADF建立的图像特征,该部分特征用多尺度CNN进行处理;另一部分是从CSI信息中提取的统计特征,该部分特征用基于GRU的编解码网络进行处理。对2个部分的特征进行拼接,再通过多层感知机实现动作识别。

    图  3  井下人员行为识别网络
    Figure  3.  Underground personnel behavior recognition network

    基于GRU的编解码网络和多尺度CNN的参数见表1表2

    表  1  基于GRU的编解码网络参数
    Table  1.  Parameters of encoding and decoding network based on GRU
    序号网络层输出维度
    1GRU256×512
    2GRU256×256
    3GRU128×256
    4GRU128×128
    5Transposed Convolution128×128
    6Self−Attention128×128
    7Transposed Convolution128×256
    8Self−Attention128×256
    9Transposed Convolution128×512
    10Self−Attention128×512
    111D−Convolution64×256
    12Flattern2048×1
    下载: 导出CSV 
    | 显示表格
    表  2  多尺度CNN参数
    Table  2.  Parameters of multi-scale CNN
    序号网络层核大小核数目输出维度
    1ECA512×1600
    1−1Con1−15256256×800
    1−2Con1−27256256×800
    1−3Con1−31256256×800
    2−1Con2−17512512×400
    2−2Con2−23512512×400
    2−3Con2−35512512×400
    3−1Con3−13256256×400
    3−2Con3−25256256×400
    3−3Con3−37256256×400
    4−1Pooling4−1128×512
    4−2Pooling4−2128×512
    4−3Pooling4−3128×512
    5−1ECA128×512
    5−2ECA128×512
    5−3ECA128×512
    6Flatten2048×1
    下载: 导出CSV 
    | 显示表格

    为了验证井下人员行为识别方法的普适性,在中国矿业大学文昌校区的实验巷道内进行了实验。实验巷道长度为45 m,宽度约为5 m,如图4所示。

    图  4  实验巷道
    Figure  4.  Experimental roadway

    在实验过程中,使用带有三天线的D−LINK85无线路由器作为CSI信息发射端,使用装有Intel 5300网卡的计算机作为CSI信息接收端,并在主机中安装了CSI−tool工具。为了方便查看结果,开发了人员行为识别结果显示程序,如图5所示,通过该程序能够直观显示判识网络的运行结果。

    图  5  人员行为识别结果显示
    Figure  5.  Display of human behavior recognition results

    实验中共邀请8位性别和体型各异的志愿者完成包括行走、摘帽子等在内的8种动作,见表3。这8种动作代表井下工作人员存在潜在的危险行为。

    表  3  实验动作
    Table  3.  Experimental actions
    动作潜在危险行为
    行走进入危险区域
    摘帽子摘安全帽
    扔东西乱扔工具
    在危险区域休息
    抽烟违规抽烟
    挥手斗殴
    跑动违规下车
    睡觉在危险区域睡觉
    下载: 导出CSV 
    | 显示表格

    对8种动作进行识别后得到的混淆矩阵如图6所示。矩阵的每一行代表真实动作,每一列代表模型预测的动作。8种动作的平均识别准确率为97.37%,其中,对睡觉和坐的识别准确率最高,因为这2个动作相对简单,所以更容易识别。而抽烟等上肢动作持续时间和幅度差距较小,存在一定的判识难度。在所有动作中,最容易发生误判的动作是行走和跑动,因为这2个动作只是在速度上有差异,人员肢体动作十分相近。

    图  6  8种动作识别结果混淆矩阵
    Figure  6.  Confusion matrix of recognition results of 8 kinds of action

    使用准确率、精确率、召回率和F1分数作为评价指标,将融合网络分别与CNN和GRU进行比较,结果如图7所示。可看出融合网络的性能最佳,其次是GRU。这主要是由于动作存在一定时间相关性,融合网络在利用时间相关性的同时,还通过不同链路信息构建图像,从而充分利用了链路之间的信息。而CNN将链接信息直接整合到矩阵中,对链路信息的利用不完整。

    图  7  不同网络模型识别结果对比
    Figure  7.  Comparison of recognition results of different network models

    将本文方法与HAR系统[20]、WiWave系统[21]和Wi−Sense系统[22]进行比较。其中HAR系统采用KNN作为行为识别模型,WiWave系统在卷积架构中引入了离散小波变换,Wi−Sense系统根据处理后的时变数据谱图形成多普勒指纹,并将其输入神经网络中进行判识。实验结果如图8所示。在HAR系统中,由于KNN不能表示动作之间的复杂关系,所以识别精度低于WiWave系统和本文方法。WiWave系统可以将小波变换良好的时频局部特征与神经网络的自学习能力相结合,但是没有考虑不同动作在连续时间内的不同特征,导致识别精度低于本文方法。Wi−Sense系统缺少对整体数据特征的挖掘,因此准确率低于本文方法。

    图  8  不同系统识别结果对比
    Figure  8.  Comparison of recognition results of different systems

    分别选择Adam,SGD,Ada Delta和RMS Prop作为网络优化器,测试在不同学习率下的识别准确率,结果见表4。可看出采用Adam作为优化器,学习率为0.001时,8种动作的平均识别准确率最高,达97.37%,而当学习率大于0.001时,模型的准确率开始下降。因此,在模型训练过程中,选择Adam作为优化器,并将学习率设置为0.001。

    表  4  不同优化器和学习率下的识别准确率
    Table  4.  Recognition accuracy under different optimizers and learning rates
    学习率准确率/%
    Ada DeltaSGDRMS PropAdam
    0.000195.5494.7596.3397.01
    0.00193.4394.3794.6497.37
    0.0196.4594.8893.4192.15
    0.0592.9792.6490.7292.89
    0.188.2589.7691.4591.99
    下载: 导出CSV 
    | 显示表格

    由于不同人员做相同动作的时间和幅度不同,可能导致在一定持续时间内采集的数据存在差异,从而影响识别精度。测试了行走与摘帽子2种动作在快速、正常速度和慢速完成时的平均识别准确率,结果如图9所示。可看出本文提出的方法能够在不同速率下取得较高的识别准确率。对正常速度动作的平均识别准确率为95.6%,高于快速动作情况下的93.6%和慢速动作情况下的92.7%。这主要是由于速度较快时能够获取的特征较少,而速度较慢时则会引入无用信息,从而对识别精度产生影响。

    图  9  动作速度对识别精度的影响
    Figure  9.  Influence of action speed on recognition precision

    分别设置收发设备之间的距离为0.5,1,1.5,2,2.5,3,3.5 m,测试不同距离对识别精度的影响,结果如图10所示。可看出距离为2 m和2.5 m时,识别准确率较高。当距离为0.5 m时,由于距离较近,一些对信号传输路径干扰较小的动作会使原来的多通信链路退化为单通信链路,从而使获得的特征信息减少,导致识别准确率下降。而当距离增加时,会引入额外的传输路径,引入更多噪声,从而影响识别精度。

    图  10  不同距离下的识别精度
    Figure  10.  Recognition precision at different distances

    1) 提出一种基于融合网络的井下人员行为识别方法。通过CSI商模型、子载波去直流和离散小波去噪对采集的CSI数据进行预处理,采用GASF/GADF将CSI数据转换成图像数据,最后通过融合网络实现井下人员行为识别。

    2) 实验结果表明,该方法对行走、摘帽子、扔东西、坐、抽烟、挥手、跑动、睡觉8种动作的平均识别准确率为97.37%,对睡觉和坐的识别准确率最高,最容易发生误判的动作是行走和跑动。

    3) 对比分析结果表明,融合网络的性能优于CNN和GRU,人员行为识别准确率高于HAR系统、WiWave系统和Wi−Sense系统。

    4) 影响因素分析结果表明:采用Adam作为优化器,学习率为0.001时,8种动作的平均识别准确率最高;正常速度下行走和摘帽子2种动作的平均识别精度为95.6%,高于快速动作情况下的93.6%和慢速动作情况下的92.7%;收发设备之间的距离为2 m和2.5 m时,识别准确率较高。

  • 图  1   工作面CH4大样本数据分级处理模式

    Figure  1.   Large sample data graded processing mode for CH4 in working face

    图  2   MEMS微型加热板芯片结构

    Figure  2.   Structure of micro-electro-mechanical system (MEMS) micro heating plate chip

    图  3   MEMS CH4传感模组的微处理器控制逻辑

    Figure  3.   Logical control of micro controller in MEMS CH4 sensor

    图  4   MEMS CH4传感模组低功耗休眠策略

    Figure  4.   Sleep schedule for low-power consumption of MEMS CH4 sensor

    图  5   MEMS CH4传感模组未补偿数据与拟合/预测值对比

    Figure  5.   Comparison between MEMS CH4 sensor data without compensation and the fitted value or the predicted value

    图  6   MEMS CH4传感设备自标校方式

    Figure  6.   Self calibration mode of MEMS CH4 sensor

    图  7   煤矿传感设备(智能设备)对象编码分层结构

    Figure  7.   Object encoding layered structure of mine sensor (intelligent equipment)

    图  8   无线自组网络拓扑结构

    Figure  8.   Topology structure of wireless ad-hoc network

    图  9   骨干节点组成与通信方式

    Figure  9.   Component of backbone nodes and their communication mode

    图  10   采煤工作面CH4大样本数据连续监测技术路线

    Figure  10.   Technique route of large sample data monitoring for CH4 in working face

    图  11   无线低功耗MEMS CH4传感器布置方案

    Figure  11.   Layout scheme of wireless MEMS CH4 sensors with low power consumption

    图  12   基于模拟巷道的工作面CH4空间数字云图

    Figure  12.   Spatial CH4 data cloud map in working face based on simulated roadway

    图  13   MEMS CH4传感器数据变化

    Figure  13.   Change of MEMS CH4 sensor data

  • [1] 王国法,杜毅博,庞义辉. 6S智能化煤矿的技术特征和要求[J]. 智能矿山,2022,3(1):2-13.

    WANG Guofa,DU Yibo,PANG Yihui. Technique characteristics and requirements 6S intelligent coal mine[J]. Journal of Smart Mine,2022,3(1):2-13.

    [2] 毛明仓,张孝斌,张玉良. 基于透明地质大数据智能精准开采技术研究[J]. 煤炭科学技术,2021,49(1):286-293.

    MAO Mingcang,ZHANG Xiaobin,ZHANG Yuliang. Research on intelligent and precision mining technology based on transparent geological big data[J]. Coal Science and Technology,2021,49(1):286-293.

    [3] 郭昌放. 基于多源数据协同和智能算法的煤矿工作面透明化系统研究[D]. 徐州:中国矿业大学,2020.

    GUO Changfang. Research on transparency system of working face based on multi-source data collaboration and intelligent algorithms[D]. Xuzhou:China University of Mining and Technology,2020.

    [4] 程建远,朱梦博,王云宏,等. 煤炭智能精准开采工作面地质模型梯级构建及其关键技术[J]. 煤炭学报,2019,44(8):2285-2295.

    CHENG Jianyuan,ZHU Mengbo,WANG Yunhong,et al. Cascade construction of geological model of longwall panel for intelligent precision coal mining and its key technology[J]. Journal of China Coal Society,2019,44(8):2285-2295.

    [5] 樊子恒. 融合透明地质与灾害预警的煤矿综合管控平台研究[J]. 矿业安全与环保,2024,51(4):168-174,180.

    FAN Ziheng. Research on coal mine comprehensive control platform based on transparent geology and disaster early warning[J]. Mining Safety & Environmental Protection,2024,51(4):168-174,180.

    [6] 代伟,赵杰,杨春雨,等. 基于双目视觉深度感知的带式输送机煤量检测方法[J]. 煤炭学报,2017,42(增刊2):547-555.

    DAI Wei,ZHAO Jie,YANG Chunyu,et al. Detection method of coal quantity in belt conveyor based on binocular vision depth perception[J]. Journal of China Coal Society,2017,42(S2):547-555.

    [7] 陶显,侯伟,徐德. 基于深度学习的表面缺陷检测方法综述[J]. 自动化学报,2021,47(5):1017-1034.

    TAO Xian,HOU Wei,XU De. A survey of surface defect detection methods based on deep learning[J]. Acta Automatica Sinica,2021,47(5):1017-1034.

    [8] 王渊,郭卫,张传伟,等. 融合注意力机制和先验知识的刮板输送机异常煤块检测[J]. 西安科技大学学报,2023,43(1):192-200.

    WANG Yuan,GUO Wei,ZHANG Chuanwei,et al. Detection of abnormal coal block in scraper conveyor integrating attention mechanism and prior knowledge[J]. Journal of Xi'an University of Science and Technology,2023,43(1):192-200.

    [9] 王海波,赵立厂. 矿山物联网的泛在特征分析与泛在能力建设[J]. 煤炭科学技术,2020,48(7):127-133.

    WANG Haibo,ZHAO Lichang. Ubiquitous feature analysis and ubiquitous capacity construction of mine Internet of things[J]. Coal Science and Technology,2020,48(7):127-133.

    [10] 袁亮,俞啸,丁恩杰,等. 矿山物联网人−机−环状态感知关键技术研究[J]. 通信学报,2020,41(2):1-12. DOI: 10.11959/j.issn.1000-436x.2020036

    YUAN Liang,YU Xiao,DING Enjie. Research on key technologies of human-machine-environment states perception in mine Internet of things[J]. Journal on Communications,2020,41(2):1-12. DOI: 10.11959/j.issn.1000-436x.2020036

    [11] 贺耀宜,刘丽静,赵立厂,等. 基于工业物联网的智能矿山基础信息采集关键技术与平台[J]. 工矿自动化,2021,47(6):17-24.

    HE Yaoyi,LIU Lijing,ZHAO Lichang,et al. Key technology and platform of intelligent mine basic information acquisition based on industrial Internet of things[J]. Industry and Mine Automation,2021,47(6):17-24.

    [12] 屈世甲,武福生. 基于边缘计算的采煤工作面甲烷监测模式研究[J]. 煤炭科学技术,2020,48(12):161-167.

    QU Shijia,WU Fusheng. Research on methane monitoring mode of coal mining face based on edge computing[J]. Coal Science and Technology,2020,48(12):161-167.

    [13] 王海波. 低功耗甲烷传感器研究进展[J]. 工矿自动化,2021,47(5):16-23.

    WANG Haibo. Research progress of low-power methane sensor[J]. Industry and Mine Automation,2021,47(5):16-23.

    [14] 王璐. 煤矿安全监控系统中无线激光甲烷传感器的研究与设计[J]. 煤炭技术,2019,38(8):154-158.

    WANG Lu. Research and design of wireless laser methane sensor in coal mine safety monitoring system[J]. Coal Technology,2019,38(8):154-158.

    [15] 国家矿山安全监察局. 智能化矿山数据融合共享规范[EB/OL]. (2023-07-04) [2024-06-18]. https://www.chinamine-safety.gov.cn/xw/zt/2018zt/mkjqryfyy/gzdt_01/202307/t20230704_455286.shtml.

    National Mine Safety Administration. Intelligent mine data fusion and sharing standard[EB/OL]. (2023-07-04) [2024-06-18]. https://www.chinamine-safety.gov.cn/xw/zt/2018zt/mkjqryfyy/gzdt_01/202307/t20230704_455286.shtml.

    [16] 余海林,莫莉,赵悦,等. 基于ZigBee无线传感器的井下甲烷浓度监测系统[J]. 成都大学学报(自然科学版),2022,41(2):146-150,163.

    YU Hailin,MO Li,ZHAO Yue,et al. Underground methane concentration monitoring system based on ZigBee wireless sensor[J]. Journal of Chengdu University(Natural Science Edition),2022,41(2):146-150,163.

    [17] 吴士涛,汤建泉,杨婕. 基于WaveMesh网络与STM32的煤矿顶板离层监测系统设计[J]. 煤矿安全,2022,53(1):139-144.

    WU Shitao,TANG Jianquan,YANG Jie. Design of monitoring system for coal mine roof separation based on WaveMesh network and STM32[J]. Safety in Coal Mines,2022,53(1):139-144.

    [18] 卓敏敏,赵立厂,李继云. 低功耗蓝牙模块能耗特征分析[J]. 工矿自动化,2019,45(10):91-94,98.

    ZHUO Minmin,ZHAO Lichang,LI Jiyun. Analysis of energy consumption characteristics of bluetooth low energy module[J]. Industry and Mine Automation,2019,45(10):91-94,98.

    [19] 张铮,曹守启,朱建平,等. 面向实时监测的无线传感网低功耗通信策略[J]. 仪器仪表学报,2019,40(2):257-264.

    ZHANG Zheng,CAO Shouqi,ZHU Jianping,et al. Low power communication scheme in wireless sensor network for real-time monitoring[J]. Chinese Journal of Scientific Instrument,2019,40(2):257-264.

    [20] 李时杰. 远距离低功耗无线传感网络终端节点的设计与实现[D]. 合肥:合肥工业大学,2018.

    LI Shijie. Design and implementation of long-distance and low-power wireless sensor network terminal node[D]. Hefei:Hefei University of Technology,2018.

    [21] 滕文想,何继鹏,刘鹏宇. 窄长空间无线传感器网络节点部署策略研究[J]. 煤炭工程,2023,55(7):151-157.

    TENG Wenxiang,HE Jipeng,LIU Pengyu. Deployment strategy of wireless sensor network nodes in narrow and long space[J]. Coal Engineering,2023,55(7):151-157.

  • 期刊类型引用(3)

    1. 杨艺,杨艳磊,王田,王科平. 基于多重信息自注意力的综采工作面目标行为识别. 煤炭学报. 2025(02): 1425-1442 . 百度学术
    2. 苏晨阳,武文红,牛恒茂,石宝,郝旭,王嘉敏,高勒,汪维泰. 深度学习的工人多种不安全行为识别方法综述. 计算机工程与应用. 2024(05): 30-46 . 百度学术
    3. 权淑娟. 基于时空关系的井下安全生产AI图像识别系统的应用. 煤矿机电. 2023(02): 17-21 . 百度学术

    其他类型引用(2)

图(13)
计量
  • 文章访问数:  292
  • HTML全文浏览量:  10
  • PDF下载量:  35
  • 被引次数: 5
出版历程
  • 收稿日期:  2024-10-21
  • 修回日期:  2024-11-14
  • 刊出日期:  2024-11-24

目录

/

返回文章
返回