煤矿瓦斯传感器人工调校噪声数据处理方法.pdf

工矿自动化 Ind ustry and Mi ne Auto mati o n 第46卷第7期 2020年7月 Vo l. 46 No . 7 Jul. 2020 文章编号1671-251X202007-0070-06DOI10. 13272/j. i ssn. 1671-251x. 17605 煤矿瓦斯传感器人工调校噪声数据处理方法 胡峰，叶福豪，王国胤，代劲 （重庆邮电大学 计算智能重庆市重点实验室％重庆400065） 扫码移动阅读 摘要传统噪3数据处理方法对输入数据有一定的要求，且运行时间较长而煤矿瓦斯传感器人工调校 噪3数据存在数量少、质量差、时间不一致、易受环境影响等问题，采用传统噪3处理方法难以滤除该噪声数 据针对上述问题，提出了一种煤矿瓦斯传感器人工调校噪3数据处理方法采用数据平均值填充煤矿瓦 斯传感器浓度数据缺失值；采用多时间粒度构建煤矿瓦斯传感器浓度数据的特征集和样本集；采用高斯函 数、混合高斯函数、二项式函数、三项式函数、分段二项式函数5种曲线拟合函数拟合人工调校噪3数据，并 基于最小二乘法确定拟合函数参数，根据拟合效果得到最优的拟合函数；通过分析人工调校噪3数据得出该 噪3数据与瓦斯浓度上升的斜率、峰值、调校前后浓度差等基本特征有关，根据这些基本特征识别出人工调 校噪3数据并删除。实验结果验证了该方法的有效性。 关键词瓦斯传感器；人工调校噪3数据；噪3数据识别；噪3滤除；多时间粒度；数据拟合 中图分类号TD712 文献标志码A Manual ad justment no i se d ata pro c essi ng meth o d fo r c o al mi ne gas senso r HU Feng, YE Fuh ao , WANG Guo y i n, DAI Ji n Ch o ngqi ng Key Labo rato ry o f Co mputati o nal Intelli genc e, Ch o ngqi ng Uni versi ty o f Po sts th e feature set and sample set o f c o nc entrati o n d ata o f c o al mi ne gas senso r are c o nstruc ted by usi ng multi ti me granulari ty; fi ve c urve fi tti ng func ti o ns, namely Gaussi an func ti o n, mi xed Gaussi an func ti o n, bi no mi al func ti o n, tri no mi al func ti o n and pi ec ewi se bi no mi al func ti o n, are used to fi t manual ad justment no i se d ata, and parameters o f th efiti ngfunc ti o nared etermi ned based o nth eleastsquare meth o d Uand th eo pti malfiti ngfunc ti o ni s o btai ned ac c o rd i ng to fi tti ng effec t; th ro ugh analy si s o f manual ad justment no i se d ata, i t i s c o nc lud ed th at th e no i se d ata i s related to th e slo pe, peak and d i fferenc e o f gas c o nc entrati o n befo re and after ad justment, .c c o rd i ngto th eseb .si c c h .r.c teri sti c s,th e m.nu.l.d justmentno i sed .t.i si d enti fi ed .nd d eleted .Th e experi ment.lresultsveri fy efec ti venesso fth emeth o d . Key words gas senso r; manual ad justment no i se d ata; no i se d ata rec o gni ti o n ； no i se fi lteri ng ； multi - 收稿日期收稿日期2020-05-11 d ata fi tti ng 0引言引言 为预防煤矿瓦斯灾害的发生，需采取有效的方 式对矿井内瓦斯浓度进行监测切。采用传感器监 测瓦斯浓度时，需定期向传感器通入气体，观察其反 应是否正常，这个过程称为人工调校。该过程中产 生的数据称为人工调校噪声数据。在处理瓦斯浓度 数据时需要滤除噪声数据，否则会对瓦斯浓度预测 模型的精确度产生很大影响⑷- 近年来，许多学者在噪声处理领域进行了深入 的研究。秦鹏等页提出了一种基于阈值分解的多级 中值滤波方法以去除噪声。常威威等⑷提出了一种 基于小波变换和主成分分析的去噪方法。何清等⑺ 提出了一种基于摄动的模糊聚类方法，用于滤除量 测数据对中的噪声。杨朝辉等⑻提出了一种基于支 持向量机的噪声去除方法。Zh ang Wei pi ng[9]提出 了一种基于中值滤波和时域递归降噪的组合方法， 用于去除噪声数据。Li Zh en等10*提出了一种基于 变分模式分解的时频峰值滤波方法来滤除随机噪 声。J. A. Saez等门在多个数据集上证明了噪声过 滤的重要性。S. Park等12*提出了一种基于学习的 自编码器去噪方法，该方法会校正输入传感器数据 的不准确值。上述方法对输入数据有一定的要求， 且运行时间较长。而煤矿瓦斯传感器人工调校噪声 数据数量少、质量差、时间不一致、易受环境影响，难 以用上述方法对其进行滤除。因此，本文结合多时 间粒度、曲线拟合、最小二乘法等，提出了一种煤矿 器人工 数 据 方 ， 人 工 校过程中产生的噪声数据进行识别并删除。 1人工调校噪声数据识别框架人工调校噪声数据识别框架 1.1 人工调校噪3数据定义 为了保证传感器处于正常工作状态，检修人员 会定期向其输送瓦斯气体，使传感器达到一定体积 分数标准1.5 CH4〜1.8 CH4，停止向其输送 气体后浓度恢复正常，恢复时间与传感器物理特性 有关。噪声数据条件15 VCV1. 8 ,C为调校 时的最大瓦斯体积分数；“60 s,H为调校持续 时间。 以2019-03-02的瓦斯体积分数为例，传感器调 校数据如图1所示。图1中第4个时间点一第8个 时间点为人工调校过程，瓦斯体积分数先上升再下 降，且人工调校前后时间点的瓦斯体积分数变化范 围非常才、。 6 4 -2 - -86 4 2 o 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 c c。。c c〉〉c c】】 C C。。 值 警 值值值预 均大小限 呂 6 6 口 6 0 6 0 0 2 0 0 10 2 0 0 1 O O Z O O IO O Z O O I 0 2 9 0 0 1 0 2 9 0 0 1 0 0 2 0 0 1 0 0 2 0 0 1 0 0 其次, 初始化时间窗口，构造特征集和样本集；然后，将人 工调校噪声数据样本集中的当前时刻和浓度最大值 输入到拟合函数中，使用最小二乘法求得拟合函数 参数；最后，根据曲线拟合效果得到优化的拟合 函数。 1 高斯函数 1 “槡_exp ⑵ 式中1“为时刻的高斯函数值为标准差； “为期望值’ 2 混 数 *1““2、亠 2石丿十 九“ /槡 O1 exp *2 / “2 2 \ 72 丿 3 式中九为时刻的混合高斯函数值;*1和*2为 不同的高斯函数系数; “1为第1种高斯函数的标 准差和期望值边“为第2种高斯函数的标准差和 期望值’ 3 二项 数 3 ,bt , c 4 式中3 “ 为时刻的二项式函数值;为二次项系 数;b为一次项系数;c为截距。 4 三项 数 4 t dt3 al7 ,bt ,c 5 式中4为t时刻的三项式函数值■，/为三次项 系数。 5 分段二项式函数 [at t c，，Va成立，则令（ 方汁1 1 1对后面的数据进行比较，直到达到首个浓度峰值 4max，若 4max Vb，则令（（1 其次，使用多时间粒度构建煤矿 瓦斯传感器浓度数据的特征集和样本集;再次，运用 多种曲线拟合函数拟合人工调校噪声数据，基于最 表3传感器部分标记数据 Tab le3 Senso rparti allabeled d ata 时间 瓦斯体积瓦斯体积瓦斯体积瓦斯体积 分数平 均值 分数最 大值 分数最 小值 分数 预 标记 0956000. 02 0.020.02 1非调校数据 0957000. 01 0.020.01 1非调校数据 095800 0.020.020.02 1非调校数据 095900 0.010.020.01 1非调校数据 100000 0.010.010.01 1非调校数据 100100 0.010.010.01 1数据 100200 1.21.50.98 1数据 100300 0.820.930.83 1数据 1004000. 14 0.210.01 1数据 1005000.080.120.011 数据 1006000.010.010 1数据 1007000001 非 数据 100800000 1非 数据 100900000 1非 数据 1010000001 非 数据 101100000 1非 数据 二乘 拟 数 数 据 拟 果得 到 最 优的拟合函数;最后，利用人工调校噪声数据的基本 特征识别并删除人工调校噪声数据。煤矿瓦斯监测 数据的实验结果 明 混 数 人 工 声数据的拟合效果较好，能有效识别煤矿瓦斯传感 器人工调校噪声数据。优化的时间粒度与多模型融 合的噪声滤除算法将是进一步的研究工作。 参考文献References 1 *徐晓建.煤矿安全风险防控及预警系统设计［J*.工矿 自动化，2020,463105-108. XU Xi ao ji an. Desi gn o f c o al mi ne safety ri sk preventi o n and c o ntro l and early warni ng sy stem ［J*. Ind ustry and Mi ne Auto mati o n, 2020, 46 3 105-108. 2 *张瑜，冯仕民，杨赛烽，等.矿工不安全行为影响因素 本体构建与推理研究［J*.煤矿安全，2019,505 300-304. ZHANG Yu, FENG Sh i mi n, YANG Sai feng, et al. Onto lo gy c o nstruc ti o n and reaso ni ng researc h o n i nfluenc i ng fac to rs o f mi ners unsafe beh avi o r ［J*. SaLety i nCo alMi nes，2019，505300-304. 3 *赵芳，程国强，孙业强，等.巷道高浓度瓦斯运移扩散 规律的研究［J*.煤炭技术，2016,351193196. ZHAO Fang, CHENG Guo qi ang, SUN Yeqi ang, et al. Stud y o n laws o f h i gh c o nc entrati o n gas 2020 7胡峰等煤矿瓦斯传感器人工调校噪3数据处理方法-75 - mo vement and d i ffusi o n i n ro ad way J *. Co al Tec h no lo gy, 2016,351 193-196. 4*尚宇炜，郭剑波，吴文传，等.数据-知识融合的机器学 习2泛化风险［J*中国电机工程学报,2019, 3916 4641-46497 SHANGYuwei, GUO Ji anbo, WU Wenc h uan, et al. Mac h i ne learni ng meth o d s embed d ed wi th d o mai n k no wled gePart II generali zati o n ri sk ［J*. Pro c eed i ngs o f th e CSEE, 2019,39164641-4649. 5 *秦鹏，丁润涛.基于阈值分解的多级中值滤波［J*微 型机与应用，2003,221250-52. QIN Peng,DING Runtao . Multi stage med i an fi lteri ng based o n th resh o ld d ec o mpo si ti o n*. Mi c ro c o mputer ItsAppli c ati o ns2003 221250-52 6 *常威威，郭雷，刘坤，等基于主分量分析的高光谱遥 感数据噪声消除方法*.计算机测量与控制，2009, 17 6 1070-10727 CHANG Wei wei, GUO Lei, LIU Kun, et al. Deno i si ng o f h y perspec tral d ata based o n wavelet transfo rm and pri nc i pal c o mpo nent analy si s J *7 Co mputer Measurement \ Co ntro l2009176 1070-10727 7 *何清，徐树富，王加银，等.FCMBP聚类法在语音识 别和模糊控制中的应用*.系统工程学报，2001, 166 430-437. HE Qi ng,XU Sh ufu, WANG Ji ay i n, et al. FCMBP c lusteri ng meth o d s and i ts appli c ati o ns i n speec h rec o gni ti o nand fuzzy c o ntro lJ*.Jo urnalo fSy stems Engi neeri ng2001 16 6 430-437. 8*杨朝辉，陈映鹰.基于支持向量机的椒盐噪声去除方 法［J*计算机工程与应用，2009 , 4522150-152. YANG Zh ao h ui , CHEN Yi ngy i ng. SVM-based appro ac h fo rremo vi ngsalt-pepperno i sefro mi mages J*7Co mputer Engi neeri ngand Appli c ati o ns 2009 4522150-1527 9 * ZHANG Wei peng7Refugec h amberi magepro c essi ng algo ri th m based o nc o mbi nati o no f med i anfi lterand ti med o mai n rec ursi ve no i se red uc ti o n J * 7Energy Ed uc ati o n Sc i enc e and Tec h no lo gy 2012 30 2 241-2487 10* LIZh en GAO Ji ngh uai LIU Nai h ao etal7Rand o m no i sesuppressi o n o fsei smi c d ata by ti me-frequenc y peak fi lteri ng wi th vari ati o nal mo d e d ec o mpo si ti o n J*7Explo rati o nGeo ph y si c s2019 50 6634-644 11* SAEZJA KRAWCZYK B WOZNIAK M7Onth e i nfluenc eo fc lassno i sei n med i c ald atac lassi fi c ati o n treatmentusi ngno i sefi lteri ng meth o d sJ*7Appli ed Arti fi c i al Intelli genc e , 2016,304/5/6590-609. 12* PARK S GIL MS IM H etal7Measurementno i se rec o mmend ati o n fo r e fi c i ent Kalman fi lteri ng o ver a largeamo unto fsenso rd ataJ*7Senso rs 2019 19 511687 ［13*汪奇生,杨德宏，杨根新.总体最小二乘求解线性回归 模型的迭代算法［J*.工程勘察，2014,429858 8 WANG Qi sh eng YANG Deh o ng YANG Genxi n An i terati o n algo ri th m o f to tal least squares fo r li near regressi o n mo d els J* Geo tec h ni c alInvesti gati o n \ Survey i ng 2014 42985-88 ［14*陈永明,冯盛淼,戴颖超基于最小二乘法的拟合曲线 CCD相机畸变校正［J*机电技术,2018 , 42 3 31-35 CHEN Yo ngmi ng FENG Sh engmi ao DAI Yi ngc h ao Di sto rti o n c o rrec ti o n o f fiti ng c urve CCD c amera based o n leastsquare meth o d J* Mec h ani c al \ Elec tri c alTec h no lo gy 2018 42331-35 5*孙文胜,张冬,张公礼均方误差短时反馈算法的残余 频偏纠正及阈值选取的研究［J*.电子器件,2009 , 324792-796 SUN Wensh eng ZHANG Do ng ZHANG Go ngli Researc h o fresi d ualfrequenc y ofsetc o rrec ti o nbased o n th e mean square erro r sh o rt-term feed bac k algo ri th m and d ec i si o n o f th e th resh o ldJ* Ch i nese Jo urnalo fElec tro nDevi c es 2009 324792-796