矿井突水监测科氏力质量流量计的设计.doc

第30卷 第8期 仪 器 仪 表 学 报 Vol.30 No. 8 2009年8月 Chinese Journal of Scientific Instrument Aug. 2009 矿井突水监测科氏力质量流量计的设计* 童敏明，秦海鹏 中国矿业大学信息与电气工程电学院 徐州 221008 摘 要介绍了一种实时在线监测矿井底板突水的科氏力质量流量计。它以FPGA,STM32F103为核心,采用基于神经网络的信号处理算法进行信号处理,可以精确分析水流量质量信号的频率和相位差,消除了检测电路的零飘及干扰信号的影响。实验数据表明,通过样本训练后的流量计在测量模拟矿井突水水源的质量流量时相对误差小于2.2％,密度相对误差小于4.8％。 关键词矿井突水；科氏力质量流量计；信号处理；RBF神经网络 中图分类号TB971 文献标识码A 国家标准学科分类代码510.8040 Design of Coriolis mass flowmeter for monitoring water inrush inmine Tong Minming, Qin Haipeng College of Ination and Electrical Engineering, CUMT, Xuzhou 221008, China AbstractThis paper introduces the design of a Coriolis mass flowmeter for the on-line monitoring of water inrush in mine. FPGA and STM32F103 are used in the design. Neural network is used in the signal processing for accurate measurement of water flow. The neural network algorithm could accurately track the signal frequency; calculate the phase difference between two signals, and is insensitive to circuit zero drift and interference. Experiment results show that the relative error of the measuring system is 2.2 for mass flow and 4.8 for water density in detecting the source of water inrush after sample training. Key wordswater inrush in mine; Coriolis mass flowmeter; signal processing; RBF neural network 第8期 童敏明 等矿井突水监测科氏力质量流量计的设计 1613 1 引 言 煤矿开采过程中的突水事故，对于其安全生产和人员生命安全造成了严重的威胁，同时也造成了巨大的经济损失。在底板灰岩承压水水压过高，而隔水层隔水能力不足，或隔水层局部破坏形成突水通道时，采掘工作面一旦揭露这些区域，就很容易发生突水事故[1]。目前一般通过水位法或水化学分析[2]的方法判断突水源，但这些方法实时性差。 在矿井底板钻探采样孔，采样来自不同岩层的水源，通过测量流体密度和流量能为实时判定可能的突水源提供依据。 收稿日期2008-12 Received Data2008-12 ﹡基金项目国家重点基础研究发展规划项目973计划 2007CB209407 资助项目 矿井底板钻探采样时，钻孔中放出水量及其密度都是动态的变量。传统流量计不能直接测量流体的质量流量和密度，而科氏力质量流量计（Coriolis mass flownleter, CMF）是一种基于科氏效应（Coriolis effect）的谐振式直接质量流量计[3]。它在原理上消除了流体状态、密度、温度等参数对测量精度的影响，实现了真正意义上的直接质量流量测量[4]，并能适应多种流态测量。因此利用科氏力质量流量计，可实时在线分析矿井底板可能的突水水源和突水水量。 矿井采掘工作面上大型设备多、空间小，存在明显的不规则振动干扰。普通CMF测量系统对于安装管道上的振动干扰比较敏感。外部振动对系统质量流量和密度测量产生非线性干扰，使测量结果出现偏差，因此不能适应矿井底板钻探采样应用的要求。为了适应矿井底板突水水源判断钻探采样的应用特点，本文基于FPGA和STM32F103实现了一种RBF神经网络现场自适应算法，用于科氏力质量流量计二次仪表信号处理。 2 影响CMF二次仪表测量精度的若干问题分析与对策 科氏力质量流量计振动管的振动频率与振动管的物理尺寸、材料的杨氏模量、温度，还有被测流体的密度有关。不考虑流体，只考虑杨氏模量E的温度影响和振动管的尺寸时，振动管的频率如式1所示 1 式中 K为弹性系数，m为质量，Z为振动管的等效长度，D、d为振动管的外径、内径, E为杨氏模量。参考文献［5］，给出了实验数据。在实际应用中，被测流体的密度还与左右拾振传感器的相位差有关。被测流体的密度ρ如式2所示 ρ＝fρt,f01,ΔΦ,ρ0 2 式中 t是测量时的温度， f01是振动管的频率, ΔΦ是左右传感器信号的相位差,ρ0是系统测量时的零飘。 U型科氏力质量流量计，质量流量Qm计算公式如式3所示 3 式中 Δt是左右拾振信号相位差。K是CMF的灵敏度，K的取值与U型管的结构、材料、温度、振动频率等均有关，主要决定于U型管的物理结构。文献[6]给出了严格的计算过程。在物理结构已成型的情况下，考虑现场因素时流体质量流量如式4所示。式中Q0是测量系统的质量流量零飘值。 Qm ft,f01,ΔΦ,Q0 4 从以上分析可以看出，被测流体的密度、质量流量，与CMF二次仪表所获区的测量参数振动管的振动频率、左右拾振传感器的相位差、温度等都不是严格意义上的线性关系。且相互之间存在影响，并与现场工况有关。因此本设计应用RBF神经网络于系统算法之中。通过现场学习训练，确定神经元之间的连接权W，确定参数[7]，达到从可测参数（频率、相差、温度）精确确定被测流体的质量流量和密度的目的。用于CMF二次仪表计算的RBF网络模型如图1所示。 图1 RBF神经网络CMF信号分析原理图 Fig.1 RBF neural network schematic diagram for CMF signal analysis 3 CMF二次仪表信号处理系统设计 CMF系统的二次仪表信号处理系统如图2所示。首先左右拾振信号，经过模拟信号处理电路，一路变换为对应的左右方波信号，送往FPGA，作为测频之用；另一路左右信号送往A/D转换电路，经A/D转换之后，送往FPGA，作为测相差之用。温度信号经模拟电路处理后送往STM32F103 CPU。STM32F103从FPGA接收到频率、相位差信号后，结合温度信号经RBF神经网络计算出相应的质量流量、流体密度等信息。STM32F103通过CAN网络将实时数据传至远方PC，用于数据记录、分析。现场人机接口用于人机对话，RBF神经网训练等功能。 图2 CMF二次仪表信号处理系统 Fig.2 CMF secondary instrument signal processing system 第8期 童敏明 等矿井突水监测科氏力质量流量计的设计 1615 相位与频率检测部分电路原理如图3所示。左右拾振信号经保护电路进入仪表用放大电路，经放大处理后，信号去往两个方向一路进入了滞回比较器；另一路信号则送入模拟开关。滞回比较器产生的方波信号被送入FPGA，作测频之用。模拟开关切换的信号进入带通滤波器，滤波器的信号经缓冲级后作为A/D的输入信号。A/D转换完成的数字信号，送入FPGA作为测相差之用。 图3 CMF二次仪表信相位频率检测原理图 Fig.3 Phase frequency detection schematic diagram for CMF secondary instrument 在CMF系统中相差的测量，直接关系到仪表质量流量的测量精度，通过带通滤波器是信号延迟最主要的一个环节，为了保证左右传感器信号延迟相同，在硬件电路设计中，采用了同一设计让两路信号经模拟开关后进入同一个带通滤波器。这样就保证了左右信号延时的一致性。缓冲级提高带载能力，同时实现与A/D的阻抗匹配功能。滞回比较器与过零比较器相比，提高了比较器的抗干扰能力，同时对前级电路的零飘不敏感，用于信号整形测频可提高系统的精度。 软件分为FPGA部分和STM32F103VBT6两部分。FPGA内部电路如图4所示。外部输入的50 MHz时钟信号，分别提供给内部“DPLL”和通信控制器使用。FPGA内部的“A/D控制器”，“相差计量”，“左信号测频”和“右信号测频”均使用DPLL提供的200 MHz的时钟信号。 图4 FPGA内部电路结构图 Fig.4 Circuit structure in FPGA “测频电路”将左右信号测频取算术平均后作为被测系统的振动频率。同时产生一个采样控制常数，控制“A/D控制器”的采样频率。“A/D控制器”控制外部A/D芯片，对左右振动信号，每周期各采样4 096个点，并将采样值存入FPGA的片内双口RAM中，同时通知“相差计量”电路从片内RAM中取数据计算。FPGA内部的双口RAM分成两个部分，保证“相差计量”取到的是一个完整周波数据。 相差计量，采用首次过零点计量。首先求出信号中的直流分量，如式5所示。取得直流分量后，各采样点的值与直流量相减后，就可以判断出首次过零点的位置。比较左右拾振信号的首次过零点位置就可以确定它们之间的相位差。因为在计算相差时，已计算出直流分量，并将其从采样数据中减去，因此相差计量也对系统直流分量不敏感，所以本系统对电路的零飘不敏感。 5 STM32F103VBT6是基于ARM公司Cortex-M3内核的32位微控制器，最高系统时钟72 MHz，三级流水线。STM32处理的工作主要分为5个部分计量计算突水水源判断、RBF神经网络训练、通信和人机接口。 RBF神经网络功能训练，本设计中取了矿井底板突水中常见的3种水源泥灰水、中沙水和粘土水。训练数据的获取3种流体在相同的温度下分别以相同的流速流过CMF系统，取得3组相同温度不同流体密度等流量的训练数据。3个不同的温度条件下，每种流体，都以相同的流速通过CMF系统，能获取到9组数据。总共使用12组数据进行RBF网络训练，如表1所示。在训练时人为加入10 Hz到500 Hz的随机振动干扰。当所有的训练完成后将信号响应矩阵以16进制整数（所有系统都被扩大了1 000倍,这样在计算中就不用浮点计算）形式存储于EEPROM中。 表1 RBF神经网络训练数据 Table 1 Data for RBF neural network training 质量流量 密度/gcm-3 温度/℃ 训练组号 kgs-1 中沙水 0.5 2.1 4 D0 泥灰水 0.33 1.4 4 D1 粘土水 6.306 1.7 4 D2 1 2.1 10 D3 中沙水 1 2.1 20 D4 1 2.1 40 D5 0.66 1.4 10 D6 泥灰水 0.66 1.4 20 D7 0.66 1.4 40 D8 12.613 1.7 10 D9 粘土水 12.613 1.7 20 D10 12.613 1.7 40 D11 4 实验测试 实验平台如图5所示。实验系统由试验件、加压送水系统、轴压加压系统、围压加压系统、CMF等组成。实验中的实验件填充物为取自淮北矿区的煤层底板中的泥岩块。实验围压和轴压加载系统采用SY-II全自动压力实验系统，其加载系统的最高载荷达300 t，加载系统用计算机控制。 图5 矿井底板突水CMF实时监测实验系统 Fig.5 CMF experimental system for on-line monitoring of water inrush in mine 实验过程，将试验件置于加压实验台，从加压入水口加入流体，打开围压和轴压加压系统，控制围压和轴压，使出水口的流量值稳定。各种不同条件下实验结果分别如表2、表3和表4所示。 表2 同温度（4 ℃）同质量流量1 kg/s， 同密度（1.7 g/cm3）测量结果 Table 2 Measurement results under same temperature 4 ℃, mass flow 1 kg/s and density 1.7 g/cm3 质量流量 相对误差 δm 密度 相对误差 δp kgs-1 gcm-3 0.993 -0.7 1.702 0.1 0.995 -0.5 1.701 0.05 1.005 0.5 1.695 -0.3 0.998 -0.2 1.702 0.1 0.997 -0.3 1.697 -0.2 1.003 0.3 1.698 -0.1 表3 同温度（4 ℃）同质量流量10 kg/s， 同密度（2.8 g/cm3）测量结果 Table 3 Measurement results under same temperature 4 ℃, mass flow 10 kg/s and density 2.8 g/cm3 质量流量 相对误差 δm 密度 相对误差 δp kgs-1 gcm-3 10.205 2.05 2.701 -3.5 9.814 -1.86 2.699 -3.6 9.807 -1.93 2.713 -2.4 10.152 1.52 2.694 -3.9 9.786 -2.14 2.665 -4.8 10.168 1.68 2.712 -3.1 表4 相同质量流量（1 kg/s）,相同密度（2.8 g/cm3） 不同温度时的实验结果 Table 4 Measurement results under same mass flow 1 kg/s, density 2.8 g/cm3 and different temperatures 温度/℃ 测量值 相对误差 δp 密度 相对误差 δp kgs-1 gcm-3 4 0.996 --0.4 2.664 -4.8 10 1.001 0.1 2.711 -3.2 15 1.008 0.8 2.703 -3.5 20 0.998 -0.2 2.712 -3.1 25 1.010 1 2.675 -4.5 35 1.011 1.1 2.659 -5 应用极差法计算表2的实验数据，质量流量标准差[8]，如式6所示。 第8期 童敏明 等矿井突水监测科氏力质量流量计的设计 1617 6 密度标准差σ2p0.002 8g/cm3。同理可以求出表3、表4对应数据的标准差σ3m＝0.165 6（kg/s）,σ3p＝0.018 6g/cm3；σ4m0.005 9kg/s ，σ4p0.0209g/cm3。 无论是在相对误差，还是在反映数据精度的标准差上，表2与表4的质量流量数据明显的好于表3。其原因是1 kg/s的质量流量是测量系统RBF神经网络训练时用过的，所以与其对应的质量流量在计量中就相对要准确。表2的密度数据要优于表3和表4的密度数据，表2测量的密度值是经过神经网络学习过的，而表3和表4测量的密度值未经神经网络训练。从实验结果可以看出经训练的数据，测量结果要好于未经训练的数据。通过神经网络的训练和电路的改进，温度对CMF系统的已影响基本消除。 5 结 论 从实验结果可以看出，与训练量对应的实测数据要好于未参与训练量的测量数据。系统设计时已将RBF训练程序固化于STM32之中，用户可以通过人机接口现场训练系统，提高系统精度。通过现场训练，本系统可以适应不同矿区、不同地质条件、不同突水水源的判别，为实时突水预测提供可靠依据。当监测的质量流量超过设定的报警值，或质量流量出现突变增加时，本系统将发出报警信号，同时开启备用排水装置，增加排水量。 参考文献 [1]高延法,施龙清,娄华君，等.底板突水规律与突水优势面[M]. 徐州中国矿业大学出版社,19994-5. GAO Y F, SHI L Q, LOU H J, et al. Water inrush law and the advantage of surface water inrush[M]. Xuzhou China University of Mining and Technology Press, 19994-5. [2]王立平.煤层底板突水机理及评价[J].河南理工大学学报自然科学版, 200810514-519. WANG L P. Research on mechansim and uation of coal seam bottom water bursting[J]. Journal of Henan Polytechnic University Natural Science, 200810514-519. [3]HENRY M. Self-validating digital Coriolis mass flow meter[J]. Computing Control Engineering Journa1, 20005 487-560. [4]樊尚春.科氏质量流量计的若干干扰因素及其抑止[J].科学技术与工程,20044269-271. FAN SH CH. Some disturbance factors and their reductions for coriolis mass flowmeter [J]. Science Technology and Engineering,20044269-271. [5]孙玉声,姚小兵,陈世超.科氏力质量流量计质量流量参量的温度系数[J]. 中国测试技术,2004,3056-8. SUN Y SH, YAO X B, CHEN SH CH. The temperature coefficient of mass parameter of the Coriolis force mass flowmeter[J]. China Measurement Technology, 2004, 30 56-8. [6]纪彩虹,肖锡武,一种新型科氏质量流量计的力学分析与灵敏度计算[J].中国测试技术, 2005,311123-126. JI C H, XIAO X W. Mechanics analysis and sensitivity calculation of a new type Coriolis mass flowmeter[J]. China Measurement Technology, 2005, 311123-126. [7]童敏明,陆生华,戴新联,等.基于催化传感器可燃混合气体智能分析系统[J].仪器仪表学报, 2006, 277675-678. TONG M M, LU SH H, DAI X L, et al. Mixed inflammable gas analyzing system with catalytic sensor[J]. Chinese Journal Scientific Instrument, 2006, 277 675-678. [8]费业泰.误差理论与数据处理 [M]. 5.北京机械工业出版社,2004176-177. FEI Y T. Error theory and data processing [M]. 5th ed. Beijing Machinery Industry Press, 2004176-177. 作者简介 童敏明，教授、博士生导师，中国矿业大学检测及自动化装置博士点负责人，安全监测研究所所长，主要从事传感器及检测技术的科学研究工作。 E-mail Tong Minming is a professor and the person in charge of Detection Technology and Automatic Equipment in SIEE, CUMT, China. He is also the director of Gas and Monitoring Institute, CUMT. His major research interests include sensors and detection technology. 秦海鹏，中国矿业大学硕士研究生，主要研究方向为智能仪表与信号处理。 E-mail Qin Haipeng is a master student in China University of Mining and Technology CUMT. His main research directions are intelligent instruments and signal processing.