黃凱峰，劉澤功，楊 靜

(1.安徽理工大學(xué)能源與安全學(xué)院，安徽 淮南 232001；2.淮南職業(yè)技術(shù)學(xué)院信電系，安徽 淮南 232001；3.安徽理工大學(xué)理學(xué)院，安徽 淮南 232001)

煤礦低濃瓦斯傳感器奇異信號辨識方法研究

黃凱峰1，2，劉澤功1，楊 靜3

(1.安徽理工大學(xué)能源與安全學(xué)院，安徽 淮南 232001；2.淮南職業(yè)技術(shù)學(xué)院信電系，安徽 淮南 232001；3.安徽理工大學(xué)理學(xué)院，安徽 淮南 232001)

煤礦低濃瓦斯傳感器奇異信號辨識是監(jiān)控系統(tǒng)故障診斷的關(guān)鍵問題。運用小波降噪和傅里葉變換譜分析的方法對奇異信號的進行特征辨識。首先，選擇合理閾值將運用小波分析將奇異信號進行濾波，提取低頻段信號，然后，通過傅里葉變換對特征信號進行譜分析，得到信號的頻域特征分布，從而進行奇異信號辨識。通過對模擬瓦斯監(jiān)控系統(tǒng)平臺加載奇異信號，實驗結(jié)果表明所提出的辨識方法的正確率較高。

小波降噪；傅里葉變換譜分析；特征辨識；奇異信號

瓦斯監(jiān)控系統(tǒng)信號正確與否直接關(guān)系煤礦生產(chǎn)安全。瓦斯監(jiān)控系統(tǒng)奇異信號與其自身發(fā)生的故障有著十分密切的聯(lián)系，瓦斯監(jiān)控系統(tǒng)奇異信號的辨識研究是瓦斯監(jiān)控系統(tǒng)故障診斷的核心問題。目前，可查的故障診斷的方法主要有模糊辨識、神經(jīng)網(wǎng)絡(luò)逼近、支持向量機和hilbert-huang變換[1-7],hilbert-huang變換和小波分析都可以解決奇異信號分解和辨識問題?；趆ilbert-huang變換方法廣泛的應(yīng)用于機械、電子等領(lǐng)域的故障診斷與檢測研究中，但是其算法的端點延拓問題還沒有公認合理的解決方法，端點效應(yīng)對其模態(tài)分解的影響十分巨大。在瓦斯監(jiān)控系統(tǒng)的故障診斷研究方面，有學(xué)者提出4種典型故障的分類方法，以小波分析得到各階能量譜，運用卡爾曼濾波器優(yōu)化RBF神經(jīng)元網(wǎng)絡(luò)和FCM聚類分析對故障特征進行了分類辨識的方法[8]。但是，基于能量譜特征分類的辨識方法，其結(jié)果(特別是低頻分量)受樣本點選擇、發(fā)生異常信號的時間點及程度影響巨大，容易造成誤判、錯分。

針對現(xiàn)行煤礦瓦斯傳感器常見的恒偏差型、周期脈沖型，瞬時型3種常見奇異信號，在瓦斯監(jiān)控系統(tǒng)模擬平臺，反復(fù)加載上述信號，通過監(jiān)控系統(tǒng)中心站采集信號，通過小波降噪結(jié)合FFT譜分析的方法得到奇異信號特征分量的頻譜。通過改變選擇樣本點時間，和奇異信號的強度，將提出的方法與小波能量譜分析法進行比較，驗證了方法的可行性和有效性。

1 小波降噪的奇異信號辨識方法

1.1 連續(xù)小波變換

連續(xù)小波變換(continuous wavelet transform,CWT)可以定義為信號序列q(t)和小波函數(shù)做τ的位移后，在不同尺度m的內(nèi)積。

(1)

逆小波變換公式如下

(2)

尺度參數(shù)m決定了分解后子小波的頻率特性，位移參數(shù)τ是小波分析的位移變換，他們是重要的原始信號定位參數(shù)。cψ是小波函數(shù)的可允許條件。

如ψ(t)滿足條件時ψ(t)稱為母小波，其中|ψ(ω)|是ψ(t)的傅里葉變換。母小波通過擴張(或壓縮)和平移得到子小波。定義表明，小波分析是一種測量被測信號和小波基函數(shù)之間相似性的分析方法?？梢酝ㄟ^計算變換系數(shù)的方法來描述在一定尺度下的小波的相似度。信號的變換系數(shù)的確定方法是：首先使用小波探測原始信號中的最高頻率，然后由位移參數(shù)τ沿著空間軸直到信號結(jié)束；下一步是增加尺度參數(shù)、擴大小波窗口以便檢測低頻率并重復(fù)的上述變換過程，直到尺度參數(shù)m達到最大值。

1.2 離散小波變換

為了便于計算機應(yīng)用的實現(xiàn)，一般使用離散小波變換(discretewavelettransform,DWT)。針對一維信號，使用小波基函數(shù)可以表示如下式

(3)

(4)

其中R和Z代表的所有整數(shù)和實數(shù)集。

(5)

離散小波變換(DWT)系數(shù)ωj,k是信號或函數(shù)f(x)與ψj,k(x)是進行下面的內(nèi)積計算得到的。

ωj,k=(f(x),ψj,k(x))

(6)

其中ωj,k的j和k是由小波函數(shù)的度空間參數(shù)和平移空間參數(shù)分別獨立確定的整數(shù)。小波系數(shù)ωj,k可以用于分解信號的重建。逆小波變換公式如下式

(7)

公式(6)和(7) 描述的分別是通常所說的離散小波分析和離散小波重構(gòu)。

1.3 小波降噪閾值的選取

在小波降噪方法中，首先選擇合適的閾值，其次，應(yīng)根據(jù)一定的規(guī)則收縮小波系數(shù)。收縮算法的主要思想如下[9]:

1)將所有絕對值小于給定的閾值，即被認為是噪聲的小波系數(shù)置零;

2)收縮絕對值大于給定閾值的小波系數(shù)。

根據(jù)現(xiàn)有文獻，有以下幾種不同的小波系數(shù)的閾值：

軟閾值:所有小波系數(shù)的絕對值與閾值T相比，如果系數(shù)大于閾值，則從中減去大于閾值的系數(shù)。反之設(shè)置為0。

(8)

硬閾值:硬閾值設(shè)置任何小于或等于閾值T的系數(shù)為零。其他則保留。

(9)

通用閾值: 通用閾值被定義為

(10)

其中MAD((wj))=Median((|wj|)j),wj是小波系數(shù)，代入公式(9)可以計算得到閾值。

1.4 離散傅里葉變換

對于離散信號x(n)，其離散傅里葉變換[10](DiscreteFourierTransformation,DFT)定義為：

X(k)=DFT[x(n)]

(11)

(12)

逆離散傅里葉變換(InverseDiscreteFourierTransform，IDFT)定義為：

(13)

2 模擬安全監(jiān)控系統(tǒng)平臺加載實驗

2.1 模擬安全監(jiān)控系統(tǒng)平臺介紹

瓦斯監(jiān)控系統(tǒng)異常信號辨識實驗平臺的整體架構(gòu)是模擬煤礦現(xiàn)行的監(jiān)控網(wǎng)絡(luò)和現(xiàn)場總線架構(gòu)，整個試驗平臺共有監(jiān)控層、設(shè)備層兩層。監(jiān)控網(wǎng)絡(luò)(工業(yè)以太網(wǎng)平臺)、顯示控制作用的工控機、存儲歷史數(shù)據(jù)的服務(wù)器、通訊的接入網(wǎng)關(guān)等組成了實驗平臺監(jiān)控層；在實驗中監(jiān)控層主要任務(wù)是獲取歷史數(shù)據(jù)，得到變化曲線作為分析和研究的樣本?，F(xiàn)場總線、監(jiān)控分站、控制器、各種傳感器等組成了實驗平臺設(shè)備層，設(shè)備層主要連接系統(tǒng)的各傳感器，并把信號傳輸?shù)奖O(jiān)控層，實驗中的各種加載信號和干擾信號將從設(shè)備層加入。如圖1所示。

2.2 相關(guān)實驗設(shè)備安裝

基本信號加載設(shè)備為DG1000Z函數(shù)/任意波形發(fā)生器如圖2a所示，其頻率特性為正弦波1μHz至30MHz，噪聲30MHz帶寬，任意波1μHz至10MHz，分辨率1μHz，準(zhǔn)確度±1×10-6(工況18℃至28℃)，輸出特性振幅(以50Ω端接)2.5mVpp至10Vpp(≤10MHz),分辨率0.1mVpp。干擾信號由低頻部分由模擬現(xiàn)場的機電設(shè)備發(fā)出,分別是660v，22kW的電動機一臺，380v～660v礦用變壓器一臺,如圖2b所示，高頻部分由無線隨機干擾發(fā)生器發(fā)出頻率范圍50MHz至1 900MHz，18W干擾信號來模擬產(chǎn)生頻譜很寬的強電磁諧波信號。通過開關(guān)控制連續(xù)電磁干擾、長時干擾、意外瞬時干擾等形式干擾信號。通過上位機觀察監(jiān)控歷史數(shù)據(jù)來分析干擾信號的特征。

圖1 實驗平臺整體結(jié)構(gòu)示意圖

圖2 實驗給定變化信號設(shè)備

2.3 信號加載對象

實驗2.2信號加載對象使用智能KG9701低濃度甲烷傳感器(見圖3右1)。其主要技術(shù)指標(biāo)是:甲烷濃度測量的0% ～ 4%，甲烷濃度測量精度±0.10% ～±0.30%，信號輸出類型為頻率表示。

圖3 KG9701甲烷傳感器

2.4 實驗信號加載點和測量點選擇

通過DG1000Z信號發(fā)生器CH1通道發(fā)出0～13mv，50mHz正弦電壓信號模擬一個緩慢的瓦斯變化過程。加載在瓦斯傳感器檢測電橋輸出端，加載點原理圖如圖4a所示，由于第一個圖所示的放大電路情況是集成在瓦斯傳感器的A/D轉(zhuǎn)換器內(nèi)，實際加載點將正弦電壓信號加載在A/D(TC7109)轉(zhuǎn)換器的IN_NI和IN_LO端，實際加載點如圖4b所示。通過上位機觀察監(jiān)控歷史數(shù)據(jù)發(fā)現(xiàn)，瓦斯傳感器的示數(shù)在瓦斯?jié)舛仍?%～0.78%周期性變化。

圖4 實驗信號加載點和測量點選擇

2.5 實驗步驟及流程

整個實驗過程如圖5所示，首先做好實驗平臺準(zhǔn)備以后，通過低頻信號發(fā)生器加載標(biāo)準(zhǔn)信號模擬正常的瓦斯變化，通過無線干擾發(fā)生器模擬加載連續(xù)電磁干擾、長時干擾和意外瞬時干擾，利用實驗平臺監(jiān)控層的歷史數(shù)據(jù)庫進行數(shù)據(jù)觀測，形成異常數(shù)據(jù)樣本、數(shù)據(jù)預(yù)處理后實現(xiàn)特征辨識。

圖5 實驗步驟流程圖

3 實驗結(jié)果分析

通過DG1000Z函數(shù)/任意波發(fā)生器在A/D(TC7109)轉(zhuǎn)換器的IN_NI和IN_LO端加載標(biāo)準(zhǔn)信號模擬的是一個正常的在0%～0.78%周期變換的信號。再通過改變切斷和接通的無線信號干擾器電源開關(guān)的時間，模擬加載瞬時干擾、恒偏差型干擾和周期性脈沖干擾，通過實驗平臺監(jiān)控的歷史數(shù)據(jù)得到相關(guān)的瓦斯?jié)舛茸兓瘮?shù)據(jù)，每個故障樣本選擇500次(每次1s，每個樣本至少500s)采樣值為一個樣本，根據(jù)數(shù)據(jù)可以得到瓦斯傳感信號曲線(示例)如圖6所示。

圖6 三種奇異數(shù)據(jù)采集

3.1 小波降噪處理

本對驗平臺監(jiān)控歷史數(shù)據(jù)的奇異信號曲線，通過使用通用閾值進行小波濾波。各奇異信號濾波結(jié)果如下圖7所示。通過小波降噪后，瞬時型、恒偏差型、周期脈沖型3種常見奇異信號的特征被提取出來。

圖7 三種奇異信號小波降噪結(jié)果

3.2 傅里葉變換(DFT)譜分析

將各奇異信號濾波結(jié)果帶入傅里葉變換，得到其濾波后信號的頻域特性，為了盡量避免在數(shù)據(jù)截斷過程中的頻譜泄露，這里采用的是海明窗(hamming)函數(shù)。正常信號和瞬時型、恒偏差型、周期脈沖型3種常見奇異信號的DFT譜如圖8所示。

圖8 奇異信號的DFT譜比較

由圖8所示，瞬時型奇異信號的幅值譜分布在150Hz以上、恒偏差型奇異信號的幅值譜分布在20Hz以下、周期脈沖型奇異信號的幅值譜分布在70Hz-170Hz之間。各種奇異信號的幅值譜分布有明顯的區(qū)分性，由此說明小波降噪結(jié)合FFT譜分析的方法對煤礦安全監(jiān)控系統(tǒng)奇異信號辨識是有效的。

圖9 起始點改變的信號采樣圖

圖10 起始點改變的DFT譜圖

現(xiàn)以恒偏差型奇異信號為例改變信號采樣的起始時間點(見圖9)，運用小波降噪結(jié)合FFT譜分析方法計算，對辨識結(jié)論如圖10所示的進行互相關(guān)性計算，四組樣本使用歸一化的互相關(guān)函數(shù)計算平均互相關(guān)性系數(shù)為0.8273。

4 結(jié) 論

通過模擬安全監(jiān)控系統(tǒng)平臺加載實驗驗證小波降噪結(jié)合FFT譜分析的方法對現(xiàn)行煤礦瓦斯傳感器常見的恒偏差型、周期脈沖型和瞬時型3種常見奇異信號的辨識是有效的。

通過改變信號采樣的起始時間實驗，驗證了采樣的起始點改變對小波降噪結(jié)合FFT譜分析結(jié)果影響很小。所提辨識方法對煤礦低濃瓦斯傳感器的常見奇異信號辨識是有效的，且準(zhǔn)確性較高。

[1] A.SCHWUNG， M. BECK，J.ADAMY.Fault diagnosis of dynamical systems using recurrent fuzzy systems with application to an electro hydraulic servo axis[J].Fuzzy Sets and Systems,2015,277(c):138-153.

[2] MOHAMMED S. El-ABBASYA，AHMED SENOUCIB，TAREK ZAYEDA，et al.Artificial neural networkmodels for predicting condition of offshore oil and gas pipelines[J].Automation in Construction Volume 45， September 2014， Pages 50-65.

[3] ZHANG Y, DING X, LIU Y, et al. An artificial neural network approach to transformer fault diagnosis[J]. Power Delivery IEEE Transactions on, 1996, 11(4): 1 836-1 841.

[4] BILGIN G， ERTURK S， YILDIRIM T.Segmentation of hyper spectral images via subtractive clustering and cluster validation using one-class support vector machines[J].IEEE Transactions on Geoscience and Remote Sensing，2011，49(8):2 936-2 944.

[5] ZUYU YIN，JIAN HOU.Recent advances on SVM based fault diagnosis and process monitoring in complicated industrial processes[J].Neurocomputing，2015,174(pB):643-650.

[6] M. AMARNATH， I.R.P.KRISHNA.Local fault detection in helical gear sviavibration and acoustic signals using EMD based statistical parameter analysis[J]，Measurement,2014,58:154-164.

[7] C. LI，M. LIANG.Time-frequency signal analysis for gearbox fault diagnosis using ageneralized synchrosqueezing transform [J]. Mech.Syst&Signal Process,2012,26(1):205-217.

[8] 王軍號， 孟祥瑞， 吳宏偉. 基于小波包與 EKF-RBF 神經(jīng)網(wǎng)絡(luò)辨識的瓦斯傳感器故障診斷[J]. 煤炭學(xué)報， 2011， 36(5): 867-872.

[9] JOO T W， KIM S B. Time series forecasting based on wavelet filtering[J]. Expert Systems with Applications， 2015， 42(8): 3 868-3 874.

[10] BURRUS C S S， PARKS T W. DFT/FFT and Convolution Algorithms: theory and Implementation[M]. John Wiley & Sons， Inc.， 1991.

(責(zé)任編輯：李 麗，吳曉紅，編輯：丁 寒)

Research on Identification Method of Singular Signal of Safety Monitoring System in Coal Mine

HUANG Kai-feng1,2, LIU Ze-gong1, YANG Jing3

(1. School of Energy and Safety, Anhui University of Science and Technology, Huainan Anhui 232001, China;2. Information and Electrical Engineering Department of Huainan vocational and technical college, Huainan Anhui 232001, China; 3. School of science, Anhui University of Science and Technology, Huainan Anhui 232001, China)

Singular signal recognition of low concentration of methane sensor is the key problem of the gas monitoring system fault diagnosis. This paper uses wavelet noise reduction and the method of Fourier transform spectrum analysis for feature recognition of singular signal. First, wavelet analysis was applied to the original signal filtering to extract low frequency signal under the condition of reasonable selection threshold; and then, Fourier transform spectrum analysis was carried out on the feature of the singular signal to get its distribution in frequency domain; finally, the identification results were obtained. Through loading singular signal on simulating gas monitoring platform, it is shown that the proposed identification method is of higher accuracy.

wavelet noise reduction; fourier transform spectrum analysis; feature recognition; the singular signal

2016-02-25

安徽省教育廳自然科學(xué)研究重點項目 (KJ2015A376)

黃凱峰(1982-)，男，黑龍江鶴崗人，副教授，博士，研究方向：安全技術(shù)工程。

Tp206.3

A

1672-1098(2016)06-0081-06