雷麗婷 蔣常升 陳振棠 周成才

柳州鐵道職業(yè)技術(shù)學(xué)院 廣西柳州市 545616

1 引言

數(shù)據(jù)融合技術(shù)被廣泛應(yīng)用于工業(yè)制造系統(tǒng)，智能交通、資源探測、氣象預(yù)報、醫(yī)療診斷等[1-2]。特別是，多傳感器數(shù)據(jù)融合技術(shù)不僅可以考慮每個傳感器的性能差異，而且可以避免了單個傳感器融合結(jié)果的單側(cè)缺陷，這對煤礦復(fù)雜多變的安全環(huán)境具有良好的適應(yīng)性。現(xiàn)階段，我國許多煤礦還是利用單一傳感器進(jìn)行某方面參數(shù)的安全預(yù)警。在實際情況中，煤礦安全事故往往是由于多個因素引起的。多傳感器融合技術(shù)可以分析不同傳感器的各種信息，以獲得有關(guān)周圍環(huán)境的準(zhǔn)確和穩(wěn)定的信息，使系統(tǒng)具有容錯性，提高了決策的正確性。

文獻(xiàn)[3]在煤礦自燃監(jiān)測系統(tǒng)中，應(yīng)用改進(jìn)聚類中心初始化及自適應(yīng)參數(shù)調(diào)整的數(shù)據(jù)融合算法，提高異常時段融合結(jié)果準(zhǔn)確性和監(jiān)控系統(tǒng)的靈敏度，降低網(wǎng)絡(luò)整體能耗，延長網(wǎng)絡(luò)壽命。文獻(xiàn)[4]利用自適應(yīng)加權(quán)和D-S 證據(jù)理論預(yù)測算法來融合井下傳感器節(jié)點采集到的原始數(shù)據(jù)，提高煤礦瓦斯監(jiān)控系統(tǒng)估算與決策的準(zhǔn)確性。文獻(xiàn)[5]將多傳感器數(shù)據(jù)融合技術(shù)應(yīng)用于煤礦安全監(jiān)測，通過貝葉斯估計方法及分級數(shù)據(jù)融合模型的模糊理論，提高監(jiān)控結(jié)果的準(zhǔn)確性及監(jiān)控系統(tǒng)性能。文獻(xiàn)[6]是提高煤礦安全監(jiān)測系統(tǒng)預(yù)警的準(zhǔn)確性，將AHP、模糊評價方法及D-S 證據(jù)理論分別應(yīng)用于數(shù)據(jù)融合的數(shù)據(jù)層、特征層及決策層，形成了多傳感器分層數(shù)據(jù)融合模型。

以上研究的方法各自有其適應(yīng)對象，優(yōu)點和缺點，并相互補充。1965 年，自動控制專家L.A.Zadeh 在他的《模糊集合》[7]中最先提出模糊集的概念，引入了“隸屬函數(shù)”這個名詞，汪培莊[8]首次提出了以De Luca 和Termini 模糊集的模糊度，以模糊集的貼近度為基礎(chǔ)定義了模糊集的模糊度、相似度、距離，并對其三者關(guān)系進(jìn)行研究。Pawlak 和skowron 提出知識的模糊性課用粗隸屬函數(shù)來刻畫；Crabarty 和Biswas 提出一個模糊集粗糙集的模糊程度可以由粗隸屬函數(shù)導(dǎo)出；文獻(xiàn)[9]提出了粗糙集貼近度的概念，介紹了粗糙集貼近度的基本性質(zhì)，分別定義了最小貼近度、最小平均貼近度、距離貼近度。國內(nèi)外許多學(xué)者對此作了很多研究，獲得了一定成績。本文研究內(nèi)容為，通過多種傳感器進(jìn)行各數(shù)據(jù)采集，采用模糊貼近度數(shù)據(jù)融合技術(shù)，對原始數(shù)據(jù)進(jìn)行融合處理，為了減少節(jié)點之間的通信，可以降低整個監(jiān)控網(wǎng)絡(luò)的能耗。

2 模糊貼近度數(shù)據(jù)融合方法

2.1 基于最優(yōu)置信域的同類數(shù)據(jù)校準(zhǔn)

為得到與真實值相近的結(jié)果，必須對錯誤數(shù)據(jù)進(jìn)行剔除，對來自同一區(qū)域的各壓縮數(shù)據(jù)在簇頭內(nèi)進(jìn)行預(yù)先的校準(zhǔn)，以便獲得更加準(zhǔn)確的數(shù)據(jù)。本文提出以落在最優(yōu)置信域內(nèi)的數(shù)據(jù)為準(zhǔn)，其余數(shù)據(jù)一律剔除。

2.2 模糊貼近度矩陣

當(dāng)使用多個傳感器節(jié)點檢測同一區(qū)域中的相同參數(shù)時，所收集數(shù)據(jù)之間存在一定的相關(guān)性。傳感器完成第采樣之后，壓縮數(shù)據(jù)之間的貼近度被定義為：

將其歸一化處理后，得到相對貼近程度如下：

2.3 各傳感器的相對復(fù)合權(quán)重

對于特定環(huán)境，可以根據(jù)區(qū)域中傳感器分布的差異和重要性來分配不同比例的權(quán)重。但在實際中，根據(jù)經(jīng)驗分配權(quán)重具有一定的主觀性，因此，本文提出從相對復(fù)合權(quán)重的分配方案：設(shè)傳感器的貼近度為：

分析表明，傳感器的相對加權(quán)貼近度越大，說明它與具有較大權(quán)重的傳感器對模糊命題具有較高的支持度，否則相反。

2.4 融合結(jié)果

綜上所述：將各因素對融合結(jié)果的影響表示為：

最終融合結(jié)果表示為：

綜上所述，模糊貼近度的改進(jìn)算法研究的整體流程如圖1 所示。

圖1 數(shù)據(jù)融合流程圖

3 數(shù)值仿真處理與分析

礦井熱害包括高溫高濕兩個方面。溫度是一個非常重要的因素，在一定范圍內(nèi)調(diào)解身體的生理功能以適應(yīng)外界高溫環(huán)境，但是如果超過人體承受能力，就會產(chǎn)生一系列不良的生理反應(yīng)[10-12]，加快工人疲勞，減少工作的注意力和反應(yīng)能力，降低了勞動生產(chǎn)率，增加了事故發(fā)生概率；高濕是指礦井中的相對濕度達(dá)到80% 以上的空氣環(huán)境[13]。高濕的環(huán)境會影響身體的正常生理功能。

煤礦井下巷道的區(qū)域共分為兩種，其中各測溫區(qū)內(nèi)傳感器節(jié)點編號為：A,B,C,…,H，各測濕區(qū)內(nèi)傳感器節(jié)點的編號為：Ⅰ,Ⅱ，Ⅲ,…,Ⅷ。本文實驗在23℃時進(jìn)行，以巷道內(nèi)特定區(qū)域A 為主要研究對象進(jìn)行數(shù)據(jù)處理，區(qū)域A 隨機(jī)部署6 個傳感器節(jié)點，時刻A 區(qū)域的壓縮數(shù)據(jù)[15]經(jīng)最優(yōu)置信域數(shù)據(jù)校準(zhǔn)后，得到的測溫結(jié)果見表1。

表1 區(qū)域A 內(nèi)每個節(jié)點校準(zhǔn)數(shù)據(jù)

根據(jù)式（6）得到A 區(qū)域的貼近度矩陣分別為：

根據(jù)煤礦巷道的實際情況（各區(qū)域的傳感器權(quán)重相同），以A 區(qū)域為例，區(qū)域A 中的第個傳感器權(quán)重為:

經(jīng)歸一化處理后各個傳感器之間的相對權(quán)重：

將平均加權(quán)貼近度歸一化處理以獲得傳感器的相對加權(quán)貼近度為：

根據(jù)巷道實際情況，本文認(rèn)為傳感器貼近度比權(quán)重更重要，現(xiàn)取1=0.35,2=0.5,3=0.15，由式（7）和（8）計算融合結(jié)果為21.78。

采用同樣的步驟將巷道內(nèi)所有溫度、濕度區(qū)域的同類數(shù)據(jù)[13]在簇頭內(nèi)融合結(jié)果，見表2 和表3 所示。

表2 基于模糊貼近度的溫度數(shù)據(jù)融合

表3 基于模糊貼近度的濕度數(shù)據(jù)融合

根據(jù)下表中各參采集值及融合值，將每個區(qū)域中六個采集值通過數(shù)據(jù)融合算法融合成一個數(shù)據(jù)傳輸給匯聚節(jié)點，通過Matlab 工具進(jìn)行仿真實驗得出兩個參數(shù)的監(jiān)測數(shù)據(jù)圖，圖2 中的（a）和（b）分別為溫度和濕度的監(jiān)測數(shù)據(jù)圖。

圖2 影響參數(shù)的監(jiān)測融合圖

通過仿真分析圖（a）和（b），為了能更直觀看出數(shù)據(jù)融合的優(yōu)點，依據(jù)極差的定義，分別計算節(jié)點1-6 和融合后的值在8 個區(qū)域的極差如表4 所示：

從表4 中我們可以看出，由于節(jié)點1可能被移動，因此結(jié)果可能有所偏差，除節(jié)點1 以外，兩個影響參數(shù)的每組測量值的極差都比融合數(shù)據(jù)大，因此，各節(jié)點采集的數(shù)據(jù)經(jīng)過融合處理后會減少了過高或過低的偏差，溫度和濕度的融合值都能很好的體現(xiàn)某區(qū)域的測量值，從而獲得較為準(zhǔn)確的估計值。

表4 影響參數(shù)及融合之后的極差

4 結(jié)論

對于煤礦安全監(jiān)測系統(tǒng)，合理有效的傳感器數(shù)據(jù)融合算法極為重要，本文詳細(xì)介紹了數(shù)據(jù)融合及模糊貼近度數(shù)據(jù)融合的基本概念，并給出了一種基于模糊理論和相對復(fù)合權(quán)重理論的改進(jìn)的數(shù)據(jù)融合算法，實驗通過對比測溫數(shù)據(jù)的平均值與模糊貼近度融合后的溫度值相比較，誤差較小，且誤差數(shù)據(jù)偏離的越大，使用該算法的效果更優(yōu)于普通的算數(shù)平均法。

采用模糊貼近度多傳感器數(shù)據(jù)融合的方法可以顯著地提高目標(biāo)狀態(tài)確定的準(zhǔn)確度，為工作人員提供更清晰的指令依據(jù)。該算法還需要進(jìn)一步考慮所采集數(shù)據(jù)的多樣性和普遍性，并考慮采集數(shù)據(jù)時可能會隨機(jī)發(fā)生的狀況，尚未研究各影響因素的隸屬度，以確定更客觀的方法。