基于信息融合的矿井一氧化碳检测方法的研究

　　1　多传感器信息融合处理方法

　　检测矿井一氧化碳的含量,是早期预防矿井火灾的有效措施。但是,目前应用于矿井一氧化碳气体检测的电化学传感器,对矿井环境中的甲烷也有一定的敏感作用,严重影响了检测的可靠性。因此,研究提高矿井一氧化碳检测可靠性的传感器技术对煤矿及井下工作人员的人身安全是非常重要的。

　　目前矿井甲烷气体的检测通常采用热催化传感器。从理论上讲,如果将电化学传感器的检测信号减去热催化传感器对甲烷的检测信号,便可以消除甲烷气体对电化学传感器的影响,得到较准确的一氧化碳检测结果。但实际上,热催化传感器也对一氧化碳敏感[1],两种传感器均存在对两种气体的交叉灵敏度,利用简单的信号处理是不可行的。为了解决这个问题,可以采用多传感器信息融合技术来提高电化学传感器对一氧化碳的测量精度,融合的算法采用神经网络法[2,3]。

　　图1为采用两传感器数据融合测量井下气体浓度的系统图。x为被测气体中甲烷的浓度,y为被测气体中一氧化碳的浓度,U1为电化学传感器的输出电压,U2为热催化传感器的输出电压,假设电化学传感器对甲烷和一氧化碳气体的灵敏度分别是k1和k2,热催化传感器对甲烷和一氧化碳气体的灵敏度分别是k1′和k2′,则U1、U2与x、y的关系可用

　　式(1)和式(2)表达。

　　如果灵敏度k₁、k₂、k₁′和k₂′已知,则可以通过数据融合的处理,得到反映甲烷气体和一氧化碳气体含量的信号Ua和Ub,而Ub就是我们所需要的一氧化碳检测信号。

　　2　神经网络的结构及训练

　　本文采用BP神经网络进行数据融合,首先需要用已知的混合气体对神经网络进行训练。BP网络的学习过程由两部分组成[4]:正向传播和反向传播。当正向传播时,输入信息从输入层经隐层单元层处理后传向输出层,每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出,则转入反向传播,将误差信号沿原来的神经元连接通路返回。返回过程中,逐一修改各层神经元连接的权值。这种过程不断迭代,最后使得信号误差达到允许的范围之内。

　　BP神经网络一般采用3层结构,即输入层、中间隐层和输出层。本文中神经网络取2个输入节点、2个中间隐层节点和2个输出节点,如图2所示。

　　BP网络的训练过程如下[5]:

　　①初始化网络。设定连接权值与阈值的初始值:w_ji(0)、w_kj(0)及θ_j(0)、θ_k(0)为小的随机数值。wji为输入层第i个神经元至隐层第j个神经元的连接权值。wkj为隐层第j个神经元至输出层第k个神经元的连接权值。i=1,2;j=1,2;k=a,b。