李湘文，周輔杰，崔 崴，鄧琴秀，張輝雨

(成都理工大學 工程技術學院，四川 樂山 614000)

0 引 言

地下煤礦的惡劣的和狹窄的工作條件，導致采礦業(yè)被列為最危險的行業(yè)。中國是產(chǎn)煤大國，存在煤層儲藏條件差，地下礦井安全監(jiān)測設施不足和安全技術落后等問題[1]，因此，對地下煤礦環(huán)境進行持續(xù)、準確的監(jiān)測顯得非常重要。

近年來，無線傳感器網(wǎng)絡(WSNs)，射頻識別(RFID)和云計算等領域的發(fā)展，引領了物聯(lián)網(wǎng)(IoT)在智能電網(wǎng)、電子健康服務、家庭自動化、環(huán)境監(jiān)測等領域的發(fā)展?；贗oT的實時監(jiān)測能夠?qū)崿F(xiàn)準確、經(jīng)濟和可靠的環(huán)境監(jiān)測。Jo和Khan[2]在地下煤礦中引入了一個基于STM32的開源、經(jīng)濟高效的物聯(lián)網(wǎng)系統(tǒng)，用于早期預警和事件報告。Dixon等[3]將神經(jīng)網(wǎng)絡應用于瓦斯監(jiān)測數(shù)據(jù)中，預測礦井環(huán)境中甲烷氣體的濃度。這些文獻側重于煤礦環(huán)境監(jiān)測的無線傳感器的實施。

礦井空氣質(zhì)量評價與預測對提高礦井安全起著至關重要的作用。這不僅可以減少礦工與惡劣空氣的接觸，還可以有效控制礦井通風。然而，空氣質(zhì)量變量的復雜和非線性行為超出了簡單的數(shù)學預測公式的能力。在這方面，各種統(tǒng)計工具，如ARIMA、多重線性回歸(MLR)、人工神經(jīng)網(wǎng)絡(ANN)、模糊時間序列和主成分分析(PCA)，在準確評價空氣質(zhì)量和預測污染物濃度方面都取得了令人滿意的結果。有毒氣體濃度是影響空氣質(zhì)量的主要因素，因此，確定特定環(huán)境中存在的污染物的類型和數(shù)量是非常重要的。在這方面，統(tǒng)計工具主成分分析顯示了識別影響污染物的高能力，而人工神經(jīng)網(wǎng)絡使預測更加準確。因此，在地下煤礦的惡劣環(huán)境中，主成分分析和人工神經(jīng)網(wǎng)絡的混合方法可以有效地識別污染物，并給出準確的預測。

近幾十年來，各種科學研究使用多變量統(tǒng)計方法，如聚類分析(CA)、主成分分析、因子分析(FA)、判別分析等來解決環(huán)境和空氣質(zhì)量問題。然而，基于特征值求解的主成分分析法是最常用和最簡單的方法。具體來說，在空氣質(zhì)量問題上，它已被單獨使用或與其他方法結合使用。在目前的研究中，采用主成分分析對礦井環(huán)境中存在的主要污染源進行識別。

近年來，神經(jīng)網(wǎng)絡在工程、工業(yè)過程控制、醫(yī)藥、計算機、風險管理和營銷等領域顯示出巨大的潛力，循環(huán)神經(jīng)網(wǎng)絡在復雜環(huán)境下顯示了高精度預測能力[4]。文中旨在開發(fā)一個可靠、具成本效益及高效的物聯(lián)網(wǎng)系統(tǒng)，利用機器學習進行空氣質(zhì)量預測。

1 系統(tǒng)設計

1.1 系統(tǒng)硬件架構

該系統(tǒng)專為地下礦井空氣質(zhì)量監(jiān)測和評估而設計。系統(tǒng)基本架構如圖1所示。主要框架包括數(shù)據(jù)采集、數(shù)據(jù)傳輸、空氣質(zhì)量評價與預測的數(shù)據(jù)處理。傳感節(jié)點單元連接到基于STM32處理器的傳感器模塊，傳感器節(jié)點捕獲空氣質(zhì)量數(shù)據(jù)，并通過LoRa無線技術將數(shù)據(jù)通過基站傳輸?shù)椒掌鞣治鎏幚頂?shù)據(jù)，Tensorflow作為神經(jīng)網(wǎng)絡平臺進行礦井空氣質(zhì)量預測。

圖1 系統(tǒng)硬件架構

傳感器節(jié)點：傳感器的基本功能是測量礦井環(huán)境中的空氣參數(shù)。傳感器節(jié)點由傳感器模塊、微控制器和無線發(fā)射機組成。選擇合適的傳感器來監(jiān)測礦井環(huán)境是一個相對復雜的問題，它需要綜合考慮測量范圍、精度和靈敏度等因素。DHT11是一款有已校準數(shù)字信號輸出的溫濕度傳感器。其精度濕度+-5%RH，溫度+-2℃，量程濕度20%～90%RH，溫度0℃～50℃。通常情況下，煤礦的工作溫度在15℃到45℃之間變化，濕度在DTH11的特定范圍內(nèi)。這些電位使得DTH11非常適合在地下煤礦中使用。地下煤礦中常見的氣體有CH4，CO2，CO，NO2，H2S和SO2。文中利用MQ-4、MQ-9、MQ-811、MQ-136和MiCS-2714傳感器模塊來監(jiān)測各種氣體的濃度。其中，大部分傳感器模塊為金屬氧化物(SnO2)，對揮發(fā)性氣體分子反應良好；因此，它們對于氣體監(jiān)測更加可靠和有效。此外，傳感器模塊，無論是用于氣體監(jiān)測還是用于溫度測量，都是經(jīng)濟有效、低功耗、穩(wěn)定的。文中以內(nèi)嵌LoRaWAN的STM32單片機為基礎，用MQ-4、MQ-9、MQ-811、MQ-136、MiCS-2714和DHT11傳感器模塊來監(jiān)測煤礦中常見的氣體CH4，CO2，CO，NO2，H2S和SO2以及溫濕度。

通信協(xié)議：LoRa無線通信協(xié)議已被證明在礦井中具有高透射率、穩(wěn)定性、超低功耗和高通信性能。LoRaWAN是為LoRa遠距離通信網(wǎng)絡設計的一套通訊協(xié)議和系統(tǒng)架構。一個LoRaWAN網(wǎng)絡架構中包含了終端、基站、NS(網(wǎng)絡服務器)、應用服務器這四個部分。由若干終端end nodes采集底層數(shù)據(jù)，通過(RF射頻技術/LoRaWAN技術)把數(shù)據(jù)發(fā)送到網(wǎng)關(Gateway)基站，再通過(4G/5G/以太網(wǎng)通信技術)發(fā)送到NS(網(wǎng)絡服務器)，網(wǎng)絡服務器(NS)[5]再把數(shù)據(jù)發(fā)給應用程序端(APP)?；緞t對NS和終端之間的LoRaWAN協(xié)議數(shù)據(jù)做轉發(fā)處理，將LoRaWAN數(shù)據(jù)分別承載在了LoRa射頻傳輸和Tcp/IP上。網(wǎng)絡服務器再把數(shù)據(jù)發(fā)給應用程序端APP。

1.2 機器學習Tensorflow平臺

文中將Tensorflow應用于礦井空氣質(zhì)量循環(huán)神經(jīng)網(wǎng)絡模型的開發(fā)、訓練和測試上[6]。Tensorflow是用于數(shù)值計算的開源軟件庫，可以在創(chuàng)建深度學習網(wǎng)絡時對數(shù)據(jù)進行數(shù)值和圖形計算。用Tensorflow建立循環(huán)神經(jīng)網(wǎng)絡(RNN)模型[7]，煤礦環(huán)境指數(shù)(MEI)的多層感知循環(huán)神經(jīng)網(wǎng)絡的網(wǎng)絡架構[8]如圖2所示。

圖2 煤礦環(huán)境指數(shù)(MEI)的多層感知循環(huán)神經(jīng)網(wǎng)絡的網(wǎng)絡架構

2 方法和模型

2.1 礦井環(huán)境指數(shù)(MEI)

由于開采過程中煤層中排放的CH4，CO2，CO，NO2，H2S和SO2等氣體的存在[9]，地下煤礦的環(huán)境相對惡劣。露天或室內(nèi)空氣質(zhì)量指標不足以完全代表井下空氣質(zhì)量。應該有一個能真實反映礦井環(huán)境并能輕易評估礦井空氣質(zhì)量的可用指標。為了快速評估和簡化礦井空氣質(zhì)量的解釋，文中引入了礦井環(huán)境指數(shù)(mine environmental index，MEI)。

MEIP=(MEIHi-MEILo)×CP

(1)

其中，MEIP為污染物p的指標值，MEI值分為五類：非常好，良好，中等，差和非常差；CP為給定污染物p的輸入濃度。

各種氣體對礦山空氣質(zhì)量指數(shù)(MEI)如表1所示。

表1 各種氣體對礦山空氣質(zhì)量指數(shù)(MEI)(氣體濃度(ppm))

2.2 數(shù)據(jù)預處理

在實施任何統(tǒng)計方法之前，有必要對收集到的數(shù)據(jù)進行預處理，以便提取傳感器響應的實質(zhì)特征，從而產(chǎn)生用于進一步處理的特征。文中將轉換作為預處理的一個初始步驟，使用平均值為0，標準差為1的Z變換進行，Z變換計算公式為：

Zij=(Xij-μ)×σ

(2)

其中，Zij為變量i的第j個值，Xij為變量i的第j個觀測值，μ為平均值，σ為標準差。

Z尺度變換確保任何統(tǒng)計過程中變量的權重相等。這種轉換均勻了分布方差，降低了由于數(shù)據(jù)集大小不同而產(chǎn)生任何錯誤的概率。

2.3 主成分分析建模

主成分分析(principal component analysis，PCA)[10]，是最有價值的統(tǒng)計方法之一，它將N維數(shù)據(jù)壓縮并轉換成一個新的N維數(shù)據(jù)集。PCA通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關的表示，可用于提取數(shù)據(jù)的主要特征分量，用于高維數(shù)據(jù)的降維[11]。這項研究使用主成分分析方法來確定礦井環(huán)境中最重要的污染物。

2.4 循環(huán)神經(jīng)網(wǎng)絡(RNN)建模

人工神經(jīng)網(wǎng)絡是人工智能中應用最廣泛的信息處理系統(tǒng)，神經(jīng)網(wǎng)絡由幾個相互連接的神經(jīng)元組成，能夠根據(jù)內(nèi)部或外部數(shù)據(jù)改變其結構。循環(huán)神經(jīng)網(wǎng)絡可以訓練非線性和復雜數(shù)據(jù)[12]，可以在時間序列上有延拓，便于分析連續(xù)的數(shù)據(jù)，主成分分析的輸出被用作循環(huán)神經(jīng)網(wǎng)絡模型的輸入[13]，以準確地預測空氣質(zhì)量。將主成分分析結果與人工神經(jīng)網(wǎng)絡網(wǎng)絡相結合，識別出對環(huán)境影響顯著的污染源。在循環(huán)神經(jīng)網(wǎng)絡的網(wǎng)絡中，第一層是輸入層，負責信息的收集、誤差的消除，并將數(shù)據(jù)傳輸?shù)窖h(huán)神經(jīng)網(wǎng)絡結構[14-15]。第二層是隱藏層，有任意數(shù)量的神經(jīng)元和若干層。神經(jīng)元在前饋和后向傳播的過程中被激活，從而提供各層之間的連接。隱藏層在輸入層和輸出層之間接收和傳輸數(shù)據(jù)[16]。圖2顯示了使用主成分分析輸入來確定MEI的循環(huán)神經(jīng)網(wǎng)絡體系結構。

循環(huán)神經(jīng)網(wǎng)絡模型的準確性和訓練能力高度依賴于最佳神經(jīng)元數(shù)量的選擇。在本例中，RNN是用Tensorflow設計的，其權重由隨機化函數(shù)決定。模型使用80%的整個數(shù)據(jù)集，剩余20%的數(shù)據(jù)集用于測試。

3 實驗結果和討論

3.1 空氣污染源識別

課題組實驗場所在山西石泉煤業(yè)某礦井正在運營地下煤礦的主要巷道內(nèi)，拱形直巷道的尺寸為1.8米×2.2米，傳感器模塊單元安裝到礦井隧道洞口的屋頂中心，所有傳感器模塊都通過LoRa協(xié)議連接到基站，巷道共安裝32個傳感器，數(shù)據(jù)采集率設定為5分鐘。每個傳感器每天有288組數(shù)據(jù)，15天收集了138 240組樣本，在這些數(shù)據(jù)集中，110 592組數(shù)據(jù)被用來訓練模型，并且對27 548組數(shù)據(jù)進行測試。在完成訓練后，對超過一個月的MEI數(shù)據(jù)集進行了預測。

主成分分析的輸入是8個不同變量的傳感器讀數(shù)。主成分分析提取給出了主要成分。

文中將絕對值大于0.85的變量因子(表示相對較強的荷載)設定為閾值限制值。主成分分析提取給出的主要成分分別為：濕度：-0.746；CH4：0.912；CO2：0.835；CO：0.059；NO2：0.768；SO2：0.872；H2S：0.926。這表明了滿足0.85閾值限制條件的成分。這些成分CH4、CO2、SO2和CO以及溫度是該礦空氣中的主要污染因子。在這些污染物中，對溫度，CH4、CO2、CO和SO2的負荷因子貢獻率為65.16%。這些影響因素主要與地下煤礦礦井環(huán)境中常見的氣體有關。在這些氣體中，CH4和SO2通常以氣穴的形式被煤層所限制。在煤炭開采過程中，這些礦坑爆裂，并向礦井空氣中釋放氣體。礦井環(huán)境中CO2的主要原因可能是工人的呼吸活動，以及任何柴油機械的排氣。

3.2 預測結果

為了建立循環(huán)神經(jīng)網(wǎng)絡模型，以原始成分和主成分分析提取成分為輸入，測試了不同數(shù)量神經(jīng)元的網(wǎng)絡結構。在這些循環(huán)神經(jīng)網(wǎng)絡結構中，神經(jīng)元的最佳數(shù)目是根據(jù)MAE(平均絕對誤差)、RMSE(均方根誤差)、RSE(殘差的標準誤差)和R2(確定系數(shù))來確定的。神經(jīng)元的數(shù)量逐漸增加，用主成分分析的情況下，原始和主成分分析提取成分作為輸入的神經(jīng)元數(shù)量不同的驗證模型如表2所示。對于原始數(shù)據(jù)集，給出最小誤差的最佳神經(jīng)元的數(shù)目為20，而對于主成分分析提取的數(shù)據(jù)集，神經(jīng)元的最佳數(shù)目為8。

表2 原始數(shù)據(jù)集為輸入，主成分分析提取成

將該模型與多元線性回歸(MLR)、主成分分析、循環(huán)神經(jīng)網(wǎng)絡定義的模型進行了性能比較。對于所有這些模型，MAE、RMSE、RAE和RSE都進行了比較，因為接近零的錯誤值表示一個更好的模型。另一方面，通過計算確定系數(shù)(R2)來檢驗模型的準確性。在這些試驗中，模型的高精度值接近1。因此，模型的精度可能因預測所需的時間間隔而異。對于地下礦井，存在一些局限性；因此有必要預測瓦斯?jié)舛?。最佳預測模型為主成分分析-循環(huán)神經(jīng)網(wǎng)絡(RNN)，MAE、RMSE和RSE分別為0.085 2、0.120 4和0.510 8。此外，測定系數(shù)R2為0.489 0；MEI預測模型的性能指標如表3所示。

表3 MEI預測模型的性能指標

主成分分析將線性回歸模型的準確度提高了約2.23%，在循環(huán)神經(jīng)網(wǎng)絡(RNN)的情況下提高了17.8%。結果表明，主成分分析與RNN相結合，提高了礦井大氣污染物的預測精度。因此，主成分分析的應用有助于與空氣質(zhì)量有關的預測研究。

4 結束語

近年來，人工智能計算能力徹底改變了復雜和非線性數(shù)據(jù)問題的解決方案。地下煤礦中存在的空氣污染物總是呈現(xiàn)非線性，最終導致預測不確定，預警可靠性降低。因此，提出的基于物聯(lián)網(wǎng)的礦井空氣質(zhì)量監(jiān)測、評估和預報系統(tǒng)，利用Tensorflow預測空氣質(zhì)量，并有可能通過預警廣泛提高地下礦井安全性。該系統(tǒng)安裝在一個運行中的煤礦井下，并提出空氣質(zhì)量評估模型來確定MEI，提高地下礦井安全性。IoT監(jiān)測煤礦環(huán)境參數(shù)，主成分分析結果表明，四種礦井氣體(CH4、SO2、CO和H2S)對礦井空氣質(zhì)量影響最大。與單線性回歸和RNN模型相比，所提出的RNN+主成分分析模型預測MEI更準確。該研究表明，經(jīng)過適當訓練的RNN模型可以有效地預測MEI。

該系統(tǒng)通過預處理傳感器，有效緩解了礦井環(huán)境變量的非線性行為，如溫度、濕度、CO2、CH4、CO、SO2和H2S數(shù)據(jù)。數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡模型的輸入數(shù)據(jù)集上傳到Tensorflow計算。主成分分析結果表明，四種礦井氣體(CH4、SO2、CO和H2S)對礦井空氣質(zhì)量影響最大。神經(jīng)網(wǎng)絡的多層感知器能準確地預測MEI。由于人工神經(jīng)網(wǎng)絡模型的準確性和有效性與輸入?yún)?shù)和隱藏層神經(jīng)元數(shù)目高度相關，因此可以通過觀測最小誤差來確定隱藏層神經(jīng)元的最佳數(shù)目。

盡管實驗結果表明預測準確，但仍存在一些局限性。這些限制包括地下煤礦的惡劣環(huán)境、數(shù)據(jù)隱私以及多傳感器輸出的集成。此外，文中只考慮了八個空氣質(zhì)量參數(shù)，忽略了可能對礦山環(huán)境造成更嚴重影響的參數(shù)。文中依賴于隨時間變化的空氣污染物濃度，而其他與預測效果相關的因素則被忽略。未來還需要在以下方向繼續(xù)探究：首先，確定污染物的復雜非線性行為；濃度需要一個更精確的混合模型，以增強早期預警。其次，高污染物濃度是影響空氣質(zhì)量的主要因素，因此，需要建立一個預測大氣污染物峰值濃度的模型。