摘" 要： 煤礦井下通信的準確性與穩(wěn)定性在緊急救援中至關重要。目前煤礦井下通信系統(tǒng)的定位精度不高，為解決這一問題，文中提出基于改進在線順序超限學習機算法的煤礦緊急救援通信系統(tǒng)，并進行相應的仿真實驗。結(jié)果顯示，基于改進在線順序超限學習機算法構(gòu)建的煤礦緊急救援通信系統(tǒng)在實驗1與實驗2中的丟包率中位數(shù)分別為1.7×10-4與1.4×10-4，明顯低于其他對比算法構(gòu)建的通信系統(tǒng)。在實驗1與實驗2中，改進在線順序超限學習機算法、EfficientNet算法、在線順序超限學習機算法、超限學習機算法的定位精度分別為96.8%、83.8%、76.4%、71.0%與95.9%、82.5%、75.8%、70.4%?？梢姼倪MOSELM算法在定位精度方面表現(xiàn)優(yōu)越，基于該算法構(gòu)建出的煤礦礦井緊急救援通信系統(tǒng)通信質(zhì)量也更高。實驗數(shù)據(jù)證明，該研究為煤礦緊急救援通信系統(tǒng)提供了一種高效且穩(wěn)定的方法，為實際應用中的問題提供了有效的解決策略。

關鍵詞： 煤礦緊急救援； 通信系統(tǒng)； 定位精度； 通信質(zhì)量； 丟包率； 超限學習機算法

中圖分類號： TN92?34" " " " " " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2025）07?0016?07

Research on coal mine emergency rescue communication system

based on improved OSELM algorithm

ZHENG Xiaolei1， 2， 3

（1. CCTEG Changzhou Research Institute， Changzhou 213015， China;

2. Tiandi （Changzhou） Automation Co.， Ltd.， Changzhou 213015， China;

3. The State Work Safety Changzhou Inspection and Testing Center for Mine Communication and Monitoring Devices， Changzhou 213015， China）

Abstract： The accuracy and stability of underground communication in coal mine is crucial in emergency rescue. At present， the positioning accuracy of underground communication system in coal mine is poor. Therefore， a coal mine emergency rescue communication system based on an improved online sequential extreme learning machine （OSELM） algorithm is proposed， and corresponding simulation experiments are conducted. The results show that the median packet loss rate of the coal mine emergency rescue communication system constructed on the basis of the improved OSELM algorithm in Experiment 1 and Experiment 2 is 1.7×10-4 and 1.4×10-4， respectively. Its median packet loss rate is significantly lower than those of the communication systems based on the other comparative algorithms. The positioning accuracy of the improved OSELM algorithm， EfficientNet algorithm， OSELM algorithm and ELM algorithm are 96.8%， 83.8%， 76.4% and 71.0%， respectively， in Experiment 1 and 95.9%， 82.5%， 75.8% and 70.4%， respectively， in Experiment 2. It can be seen that the improved OSELM algorithm is superior in terms of positioning accuracy， and the communication quality of the coal mine emergency rescue communication system based on this algorithm is also higher. Experimental data prove that the study provides an efficient and stable method for the coal mine emergency rescue communication system， and an effective solution strategy for practical problems.

Keywords： coal mine emergency rescue; communication system; positioning accuracy; communication quality; packet loss rate; OSELM

0" 引" 言

隨著現(xiàn)代科技的不斷進步，煤礦緊急救援通信系統(tǒng)在礦井安全管理中起著至關重要的作用[1]。煤礦作為我國能源產(chǎn)業(yè)的重要組成部分，其安全問題一直備受關注[2]。然而，煤礦事故頻發(fā)，給人們的生命財產(chǎn)安全帶來了巨大威脅。因此，煤礦緊急救援工作的及時、有效與高效性成為當前礦井安全管理的重要課題[3]。緊急救援通信系統(tǒng)作為煤礦緊急救援工作的重要組成部分，旨在提供礦工與救援人員之間及時、可靠的通信手段[4]。然而，傳統(tǒng)的通信系統(tǒng)存在許多問題，例如信號覆蓋范圍有限、抗干擾能力不強、通信質(zhì)量不穩(wěn)定等，嚴重影響了煤礦緊急救援工作的效率和效果[5?6]。因此，如何改進煤礦緊急救援通信系統(tǒng)，提高其可靠性和穩(wěn)定性成為當前亟待解決的問題。

隨著人工智能技術(shù)的發(fā)展，基于改進的在線順序超限學習機（Online Sequential Extreme Learning Machine， OSELM）算法被廣泛應用于信號處理、數(shù)據(jù)挖掘等領域[7]。有較多學者對OSELM算法的應用效果進行了分析，例如文獻[8]針對無法準確對燃氣調(diào)壓器的故障進行診斷的問題，結(jié)合主元分析法和OSELM算法提出了一種故障診斷模型，將該模型進行實證分析，結(jié)果顯示，該模型的故障識別率較高，且可以實現(xiàn)燃氣調(diào)壓器的快速故障診斷。

文獻[9]為了提高無線傳感器網(wǎng)絡組合流量預測算法的預測性能，提出了基于改進OSELM的流量預測算法，對該算法進行測試，結(jié)果顯示，該算法的各項關鍵指標均優(yōu)于對比算法。此外，為了更好地對現(xiàn)場采集的信號進行特征提取，文獻[10]提出了一種融合差分進化算法和OSELM算法的滾動軸承故障診斷模型，對該模型進行對比分析發(fā)現(xiàn)，該模型的準確率為95.4%，可以有效地實現(xiàn)故障診斷。

以上研究結(jié)果說明，OSELM算法具有訓練速度快、精度高和泛化性能好等優(yōu)點，能夠有效解決傳統(tǒng)通信系統(tǒng)中的問題。

因此，本文采用基于改進的OSELM算法對煤礦緊急救援通信系統(tǒng)進行研究，旨在提高其通信質(zhì)量和抗干擾能力，進一步提升礦井安全管理的水平，為煤礦緊急救援通信系統(tǒng)的改進和優(yōu)化提供理論和實踐依據(jù)，為礦井安全管理工作的開展提供有力支持。希望本文算法能夠為提高煤礦緊急救援通信系統(tǒng)的可靠性和穩(wěn)定性，提升礦井安全管理的水平，保障礦工和救援人員的生命安全，推動我國煤礦安全工作的持續(xù)發(fā)展提供一種新思路。

1" 改進OSELM算法在煤礦緊急救援通信的應用分析

1.1" 引入權(quán)重因子的改進OSELM算法研究

由于煤礦環(huán)境的復雜性和不可預測性，傳統(tǒng)的通信系統(tǒng)在應對緊急情況時存在一定的局限性[11]，同時，目前煤礦正處于由人力勞動、機械化向信息化、自動化、智能化升級轉(zhuǎn)型的關鍵時期[12]，因此，尋找一種智能化的通信方法以滿足煤礦緊急救援通信系統(tǒng)的需求具有重要意義。OSELM算法作為一種在線順序超限學習機算法，在煤礦緊急救援通信系統(tǒng)中有利于提高系統(tǒng)的響應速度與準確性[13]。OSELM算法通過多個節(jié)點實現(xiàn)定位，采樣節(jié)點的位置表達式如式（1）所示：

[Ci=xi，yiMi=1] （1）

式中：[M]為訓練樣本；[i]為輸入層神經(jīng)元的序號；[（x，y）]代表節(jié)點坐標。相應的采樣節(jié)點接收信號強度（Received Signal Strength Indicator， RSSI）如式（2）所示：

[Ri=R1i，R2i，…，RViMi=1] （2）

式中：[R]為接收的無線信號強度；[i]為輸入層神經(jīng)元的序號。在了解信號節(jié)點位置以及信號強度后，OSELM算法的具體表達式如式（3）所示：

[j=1L βjf（wiRri+bj）=Ci] （3）

式中：[f（?）]為激活函數(shù)；[βj]為隱含層的第[j]個神經(jīng)元與輸出層的權(quán)值矩陣；[i]為輸入層神經(jīng)元的序號；[wi]為輸入層與隱含層的權(quán)值矩陣；[bj]為第[j]個隱含層神經(jīng)元的偏置矩陣。OSELM算法的網(wǎng)絡結(jié)構(gòu)如圖1所示。

由圖1可知，OSELM神經(jīng)結(jié)構(gòu)主要分為三個部分：第一部分為輸入層，輸入層用來接收原始數(shù)據(jù)或特征向量，每一個輸入節(jié)點對應一個特征，輸入層中輸入的為無線信號強度（RSSI），無線信號通過接收設備中的無線接收器來完成[14]。接收器會對接收到的無線信號進行采樣和測量，然后將測量結(jié)果表示為一個數(shù)值。在網(wǎng)絡結(jié)構(gòu)中通過比較不同節(jié)點接收到的信號強度，可以估計節(jié)點之間的距離，從而實現(xiàn)室內(nèi)定位或位置跟蹤。第二部分為隱含層，隱含層由隨機生成的權(quán)重矩陣構(gòu)成。這些權(quán)重是初始化時隨機選擇的，并且在整個訓練過程中不再更新，隱含層的節(jié)點數(shù)由用戶事先設定[15]。第三部分為輸出層，輸出層由線性回歸模型組成，它使用隱含層的輸出和真實標簽進行訓練。在每次訓練迭代中，輸出層的權(quán)重矩陣會被更新。將OSELM算法的結(jié)構(gòu)進行簡化可以得到式（4）。

[Hβ=C] （4）

式中：[H]為隱含層輸出矩陣；[C]為期望輸出矩陣。在隱含層與輸出層之間需要通過一個連接權(quán)值[β]進行連接，其計算公式如式（5）所示：

[β=minβHβ-C] （5）

式中[·]為范式。通過簡化替換，連接權(quán)值[β]的表達式也可由式（6）進一步表示。

[β=H?C] （6）

式中[H?]為[H]的廣義逆矩陣。當OSELM算法在進行回歸預測時，其定位誤差可由式（7）表示。

[er=C-Cj=（xj-xi）2+（yj-yi）2] （7）

式中[Cj]為待定位點的坐標估計值，其表達式如式（8）所示：

[Cj=xj，yjtj=1] （8）

式中：[xj]和[yj]為第[j]個隱含層神經(jīng)元的坐標點；[t]為測試目標數(shù)。

令[Ci]為待定點的真實坐標，其表達式如式（9）所示：

[Ci=xi，yiti=1] （9）

式中：[xi]和[yi]為第[i]個輸入層神經(jīng)元的坐標點。在OSELM算法的參數(shù)選取過程中，隱含層神經(jīng)元的數(shù)目會在一定程度上影響模型定位的精度，因此需要在神經(jīng)元數(shù)目所處的區(qū)間內(nèi)確定最佳神經(jīng)元數(shù)目，OSELM算法隱含層神經(jīng)元數(shù)目與定位誤差RMSE之間的關系如圖2所示。

由圖2可知，隨著OSELM隱含層神經(jīng)元數(shù)目的增加，定位誤差在隱含層神經(jīng)元為30時達到最大值，之后逐漸遞減，在OSELM隱含層神經(jīng)元數(shù)目為150時達到最小值，當OSELM隱含層神經(jīng)元數(shù)目超過150時，定位誤差開始增加。由此可知，OSELM隱含層神經(jīng)元數(shù)目在150左右時，定位誤差最小，為OSELM的最優(yōu)隱含層神經(jīng)元數(shù)目。然而，傳統(tǒng)的OSELM算法并沒有考慮不同輸入樣本的重要性差異，這可能導致對某些樣本的分類效果不佳，因此在這一基礎上，本文對OSELM算法進行改進，引入權(quán)重因子，對OSELM算法的權(quán)重進行賦值，權(quán)重項[ω]的表達式如式（10）所示：

[β（1）=β（0）+ω?K-11HT1（T1-H1β（0））] （10）

式中：[β（1）]為輸出矩陣；[β（0）]為最優(yōu)化目標；[K]和[H]為模型訓練過程中的權(quán)重因子。在引入權(quán)重因子的過程中通過優(yōu)化初始權(quán)重值和進行權(quán)重衰減使其趨于較小值，最終改進后的OSELM如圖3所示。

相比于基礎的OSELM算法，引入權(quán)重因子后的OSELM網(wǎng)絡結(jié)構(gòu)中增加了隱含層節(jié)點數(shù)，以此增加模型的表達能力，使模型更加靈活并能更好地擬合訓練數(shù)據(jù)，同時增加隱含層節(jié)點數(shù)，可以提高模型的泛化能力。在改進OSELM算法中，通過交叉驗證的方法選擇最優(yōu)參數(shù)組合，并通過在不同的參數(shù)組合下進行訓練和驗證以選擇出最優(yōu)的參數(shù)組合，最終提高模型的性能。引入權(quán)重因子后，OSELM的隱含層節(jié)點數(shù)量可以根據(jù)樣本的重要性進行動態(tài)調(diào)整，對于重要性較高的樣本會增加權(quán)重值，從而加強樣本在網(wǎng)絡中的影響力。

1.2" 融合改進OSELM算法的煤礦緊急救援通信系統(tǒng)構(gòu)建

隨著煤礦行業(yè)的發(fā)展，緊急救援通信系統(tǒng)在煤礦生產(chǎn)中扮演著至關重要的角色。為了提高救援效率和保障礦工的安全，需要構(gòu)建一個高效可靠的緊急救援通信系統(tǒng)。本文在對OSELM算法進行改進得到優(yōu)化算法后，以其為基礎構(gòu)建了一種新型煤礦緊急救援通信系統(tǒng)。在構(gòu)建系統(tǒng)之前，首先需要明確系統(tǒng)的需求[16?17]，通過查閱相關文獻，將煤礦緊急救援通信系統(tǒng)應具備的功能總結(jié)為如圖4所示的四項功能。

如圖4所示，煤礦緊急救援通信系統(tǒng)需要具備實時監(jiān)控、緊急報警、語音通信以及數(shù)據(jù)傳輸四項功能。其中，實時監(jiān)控是指能夠?qū)崟r監(jiān)控礦工的位置、狀態(tài)和環(huán)境信息，以及礦井內(nèi)的各項參數(shù)。緊急報警功能是指，當發(fā)生緊急情況時，系統(tǒng)能夠及時發(fā)出報警信號，通知救援人員和其他相關人員[18]。而語音通信功能是指系統(tǒng)能夠?qū)崿F(xiàn)礦工之間的語音通信，方便他們進行緊急情況的溝通和協(xié)作。最后的數(shù)據(jù)傳輸功能是指該系統(tǒng)能夠?qū)⒌V井內(nèi)的各項數(shù)據(jù)傳輸?shù)骄仍笓]中心，為救援決策提供參考[19]?；诿旱V緊急救援通信系統(tǒng)的以上需求，本文在改進OSELM算法的基礎上構(gòu)建了一種新型的煤礦緊急救援通信系統(tǒng)，其架構(gòu)如圖5所示。

本文的煤礦緊急救援通信系統(tǒng)主要分為傳感器網(wǎng)絡、中心服務器、緊急報警系統(tǒng)以及語音通信系統(tǒng)四個模塊。其中傳感器網(wǎng)絡模塊主要是通過在礦井內(nèi)部部署傳感器，其主要功能是對礦工的位置、狀態(tài)和環(huán)境信息進行實時監(jiān)測，并將數(shù)據(jù)傳輸至中心服務器。而中心服務器模塊主要由改進OSELM算法組成。在該模塊中，首先對從傳感器接收到的數(shù)據(jù)進行處理和分析，然后通過改進OSELM算法對處理后的數(shù)據(jù)進行訓練和預測，得出礦工的位置，實現(xiàn)其定位功能。緊急報警系統(tǒng)模塊主要由報警信號發(fā)出器和通知系統(tǒng)組成，該模塊的主要功能是當系統(tǒng)檢測到礦工遇到緊急情況時，自動發(fā)出報警信號，并通知救援人員和其他相關人員。語音通信系統(tǒng)模塊主要由麥克風、語音編解碼器、語音服務器以及揚聲器組成。該模塊的功能主要是通過與傳感器網(wǎng)絡連接，實現(xiàn)礦工之間的語音通信。當發(fā)生緊急情況時，礦工可以通過語音與其他人員進行溝通和協(xié)作。通過以上煤礦緊急救援通信系統(tǒng)的構(gòu)建，可以實現(xiàn)煤礦緊急救援通信系統(tǒng)的高效運行和準確預測。中心服務器模塊利用改進OSELM算法的優(yōu)勢，大大提高了系統(tǒng)的響應速度和準確性，提升了救援效率并保障了礦工安全。總之，融合改進OSELM算法的煤礦緊急救援通信系統(tǒng)能夠滿足煤礦緊急救援的需求，提高救援效率和保障礦工的安全。這對于煤礦行業(yè)的發(fā)展具有重要的意義。

2" 基于改進OSELM算法的煤礦緊急救援通信系統(tǒng)仿真測試

2.1" 仿真實驗設計

為了驗證本文設計的基于改進OSELM算法的煤礦緊急救援通信系統(tǒng)的應用性能，設計一個仿真實驗。實驗中仿真煤礦井下環(huán)境為80 m×3 m×3 m的區(qū)域，數(shù)據(jù)按照線性方式采集，在離線階段每隔1 m布置參考點，共布置出81個參考點。在實驗區(qū)域最長邊距離相同頂點分別為10 m、30 m、50 m、70 m的地方部署一個WiFi AP熱點，則需要部署的AP熱點共4個。在線階段還需要每隔5 m布置一個參考點并將采集距離確定為1 m。為充分測試煤礦井下環(huán)境高動態(tài)變化導致的精度低問題，具體設置兩項實驗，環(huán)境布置均與上述內(nèi)容一致。

實驗1：在同一實驗場景中設置合適的傳感器在適當?shù)奈恢檬占瘮?shù)據(jù)，設置數(shù)據(jù)采集的頻率為每20 s收集一次數(shù)據(jù)，并設置數(shù)據(jù)采集的時長為24 h。離線數(shù)據(jù)和在線數(shù)據(jù)均采用該方式進行采集。

實驗2：與實驗1的離線數(shù)據(jù)獲取方式一樣，但是采集在線位置數(shù)據(jù)時，需要調(diào)整采集頻率為每30 s采集一次數(shù)據(jù)，其他環(huán)境不變。兩項實驗共需用到四批實驗數(shù)據(jù)，分別為初始訓練數(shù)據(jù)集Data_train、在相同地點與時刻采集的增量數(shù)據(jù)集Data_incre1、在相同地點不同時間采集的增量數(shù)據(jù)集Data_incre2、測試數(shù)據(jù)集Data_test。實驗數(shù)據(jù)集的詳細信息如表1所示。最后為提升仿真實驗結(jié)果的可靠性，選擇常用于煤礦井下通信點位的極限學習機（Extreme Learning Machine， ELM）、經(jīng)典OSELM算法以及先進神經(jīng)網(wǎng)絡算法EfficientNet，按照相同的方式構(gòu)建對比通信定位系統(tǒng)。本文將不同算法分別應用于兩種實驗環(huán)境中進行測試，并選取定位誤差、定位精度、標準差等作為對比指標來分析對比不同算法的優(yōu)越性。

2.2" 仿真實驗結(jié)果分析

首先分析兩種實驗條件下各算法輸出的不同樣本目標點縱坐標數(shù)值，如圖6和圖7所示。

圖6和圖7中橫軸均代表參與定位測試的樣本編號，這些樣本按照距離通信設備的遠近來編號，且彼此之間等距排列?？v軸代表各樣本點的縱向坐標值，單位為m，線條樣式代表不同的算法。觀察圖6和圖7可知，由于樣本排列方式的原因，樣本的真實縱向坐標值組成的數(shù)據(jù)線在圖6和圖7中表示為直線形式。圖6中，改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法與真實值的平均絕對誤差分別為0.22 m、1.39 m、4.26 m、6.43 m。可見改進OSELM算法與真實值差異最小，其次是EfficientNet算法，而ELM算法與真實值的差異最大。而從波動規(guī)律角度看，本文設計的改進OSELM算法誤差符號分布并無顯著規(guī)律，而EfficientNet算法的定位值更多展現(xiàn)出低于真實值的規(guī)律。在所有樣本點中，改進OSELM算法在編號15位置取得最大誤差值，為0.57 m，EfficientNet算法在編號13位置取得最大誤差值，為2.78 m，OSELM算法在編號13位置取得最大誤差值，為5.61 m，ELM算法在編號10位置取得最大誤差值，為10.17 m，可見ELM算法的目標點縱向坐標值誤差波動幅度也最大。觀察圖7可知，在實驗2中本文設計的改進OSELM算法定位值與真實值的誤差仍然明顯低于其他算法，而ELM算法與真實值的誤差仍然最大。具體來看，改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法與真實值的平均絕對誤差分別為0.26 m、1.45 m、3.96 m、6.15 m。并且EfficientNet算法的定位值同樣存在更容易低于真實值的規(guī)律，而改進OSELM算法樣本的定位誤差值服從均值為0 m的正態(tài)分布。

分析不同誤差距離閾值下的各算法定位精度，統(tǒng)計結(jié)果分別如圖8、圖9所示。圖8和圖9中橫軸代表不同的距離誤差閾值，即當誤差高于該數(shù)值時，認為定位不準，反之當定位距離低于該值，認為定位精準。距離誤差閾值按照0.4 m的步長確定，縱軸代表對應方案下的定位精度，計算方法為定位準確的樣本總數(shù)除以全部的定位樣本數(shù)乘以100%。觀察圖8和圖9可知，隨著距離誤差閾值增加，各算法的定位精度整體呈現(xiàn)增長趨勢；當距離誤差閾值較小時，定位精度隨距離誤差閾值增長較快，但增長速度在逐漸減緩。這也與定位精度的定義一致，說明實驗數(shù)據(jù)較為可靠。具體來看，對于圖8，本文設計的改進OSELM算法定位精度始終高于其他算法，EfficientNet算法的定位精度在大多數(shù)情況下高于除改進OSELM算法外的其他算法。ELM算法的定位精度仍然整體低于其他三者。在距離誤差閾值取最大值3.2 m時，改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法的定位精度分別為96.8%、83.8%、76.4%、71.0%。對于圖9，由于實驗2定位難度更高，因此在不同定位距離誤差閾值下的定位精度曲線更加曲折，但本文設計的改進OSELM算法定位精度仍然明顯高于其他算法。在距離誤差閾值取最大值3.2 m時，改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法的定位精度分別為95.9%、82.5%、75.8%、70.4%。

定量化對比各算法的整體均方根誤差（Root Mean Squared Error， RMSE），統(tǒng)計結(jié)果如圖10所示。

圖10中橫軸展示的是實驗方案，縱軸展示的是實驗方案下的RMSE計算值，為提升整體統(tǒng)計的精度，現(xiàn)在將每種實驗方案重復執(zhí)行5次，按照均值和標準差來展示RMSE指標，不同的填充樣式代表不同的定位算法。觀察圖10發(fā)現(xiàn)，在實驗1中改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法的RMSE均值分別為0.264、0.885、2.642、4.591。實驗1中改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法的標準差分別為0.021、0.089、0.264、0.495。在實驗2中，改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法的RMSE均值分別為0.297、0.913、2.849、4.836。實驗2中改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法的標準差分別為0.024、0.091、0.285、0.513。實驗數(shù)據(jù)證明，在實驗1、實驗2中，改進OSELM算法的RMSE均值低于其他三種算法，而且標準差也最小。說明改進OSELM算法定位的精度最高，且通信定位質(zhì)量最為穩(wěn)定。

最后為了對本文提出的煤礦緊急救援通信系統(tǒng)的實際應用效果進行分析，研究將基于四種算法構(gòu)建的煤礦緊急救援通信系統(tǒng)應用于大同市青磁窯煤礦中進行測試，統(tǒng)計各算法的丟包率，統(tǒng)計結(jié)果如圖11所示。圖11中橫軸展示的是實驗編號及各煤礦緊急救援通信系統(tǒng)，縱軸展示的是通信系統(tǒng)對應的丟包率，圖中每個圓點代表一個測點樣本。觀察圖11發(fā)現(xiàn)，基于改進OSELM算法、EfficientNet算法、OSELM算法、ELM算法構(gòu)建的煤礦緊急救援通信系統(tǒng)在實驗1與實驗2中的丟包率中位數(shù)分別為1.7×10-4、2.4×10-4、4.1×10-4、4.8×10-4與1.4×10-4、2.6×10-4、4.0×10-4、4.7×10-4，系統(tǒng)丟包率標準差分別為0.42×10-4、0.57×10-4、0.53×10-4、0.71×10-4與0.41×10-4、0.58×10-4、0.64×10-4、0.66×10-4。從整體上看，基于改進OSELM算法構(gòu)建的煤礦緊急救援通信系統(tǒng)丟包率明顯低于其他緊急救援通信系統(tǒng)。

3" 結(jié)" 論

針對煤礦井下通信系統(tǒng)中存在的定位精度較差且不穩(wěn)定問題，本文設計了基于改進OSELM算法的煤礦緊急救援通信系統(tǒng)，并設計開展了仿真實驗，以驗證該系統(tǒng)的應用效果。實驗結(jié)果表明，改進OSELM算法與真實值差異最小，其次是EfficientNet算法，ELM算法與真實值的差異最大。從波動規(guī)律角度看，本文設計的改進OSELM算法誤差符號分布并無顯著規(guī)律，而EfficientNet算法的定位值更多呈現(xiàn)出低于真實值的規(guī)律。隨著距離誤差閾值增加，各算法的定位精度整體呈現(xiàn)增長趨勢，當距離誤差閾值較小時，定位精度隨距離誤差閾值增長較快，但增長速度在逐漸減緩。改進OSELM算法的RMSE均值低于其他三種算法，而且標準差也最小。說明改進OSELM算法定位的精度最高，而且通信定位質(zhì)量最為穩(wěn)定。實驗結(jié)果顯示，本文設計的煤礦緊急救援通信系統(tǒng)通信定位更為精確，且通信質(zhì)量更高。但由于研究條件所限，此次未能邀請專家團隊進行主觀評價，這也是未來研究所需改進的方面。

參考文獻

[1] 康志堅，張紅娟，高妍，等.煤礦光纖傳感應急通信系統(tǒng)設計[J].工礦自動化，2020，46（11）：72?76.

[2] 程德強，錢建生，郭星歌，等.煤礦安全生產(chǎn)視頻AI識別關鍵技術(shù)研究綜述[J].煤炭科學技術(shù)，2023，51（2）：349?365.

[3] 王國法，富佳興，孟令宇.煤礦智能化創(chuàng)新團隊建設與關鍵技術(shù)研發(fā)進展[J].工礦自動化，2022，48（12）：1?15.

[4] LI G， GUO S R， Lü J， et al. Introduction to global short message communication service of BeiDou?3 navigation satellite system [J]. Advances in space research， 2020， 67（5）： 1701?1708.

[5] 寧曉燕，趙東旭，朱云飛，等.基于離散分數(shù)階傅里葉變換的二維跳頻通信系統(tǒng)及性能分析[J].電子與信息學報，2023，45（2）：497?504.

[6] 張慶松，張靜文.基于射頻識別技術(shù)的艦船分布式實時通信系統(tǒng)設計[J].艦船科學技術(shù)，2020，42（6）：130?132.

[7] 張?zhí)靷?，陳榮，楊溪，等.基于代價極速學習機的軟件缺陷報告分類方法[J].軟件學報，2019，30（5）：1386?1406.

[8] 李勝楠，王懷秀，王亞慧，等.基于EEMDPCAOSELM的燃氣調(diào)壓器故障診斷[J].現(xiàn)代電子技術(shù)，2022，45（9）：137?142.

[9] 熊俊，何寬，李穎川，等.基于優(yōu)化FAEMD?OSELM的WSN流量預測算法研究[J].儀器儀表學報，2020，41（9）：262?270.

[10] 蔣永華，黃濤濤，李剛，等.基于改進MEEMD與DE?OSELM的滾動軸承故障診斷方法[J].浙江師范大學學報（自然科學版），2021，44（4）：395?403.

[11] 陳曉晶.基于FCS架構(gòu)的全數(shù)字化煤礦工作面通信控制裝置設計[J].煤炭科學技術(shù)，2021，49（z1）：89?95.

[12] 鄭小磊，梁宏.煤礦5G通信系統(tǒng)安全技術(shù)要求和檢驗方法[J].工礦自動化，2021，47（3）：9?13.

[13] 王瀧德，曹輝，魏來.不平衡數(shù)據(jù)下船舶主機在線故障診斷研究[J].中國艦船研究，2023，18（5）：269?275.

[14] THAMIZHARASU P， SHANMUGAN S， SIVAKUMAR S， et al. Revealing an OSELM based on traversal tree for higher energy adaptive control using an efficient solar box cooker [J]. Solar energy， 2021， 218（1）： 320?336.

[15] 李琦，廖雪伶，楊暢，等.高海拔隧道緊急救援站人員疏散特征及規(guī)律研究[J].地下空間與工程學報，2023，19（1）：282?290.

[16] 王鐵旦，楊晟，彭定洪.多方參與視角下礦難救援的多群組風險決策方法研究[J].昆明理工大學學報（自然科學版），2023，48（4）：163?175.

[17] 武玉梁.煤礦事故應急救援TRIP四位一體化模式研究[J].煤炭工程，2022，54（9）：147?150.

[18] 翟國棟，張文濤，岳中文，等.基于雙目視覺技術(shù)的煤礦救援機器人研究進展[J].煤炭科學技術(shù)，2020，48（7）：206?217.

[19] PEDRAM S， OGIE R， PALMISANO S， et al. Cost–benefit analysis of virtual reality?based training for emergency rescue workers： a socio?technical systems approach [J]. Virtual reality， 2021， 25（4）： 1071?1086.

[20] 徐湃，李眾，朱代強，等.大縱坡長大齒軌緊急救援站設計參數(shù)與可靠性研究[J].現(xiàn)代隧道技術(shù)，2021，58（z1）：479?485.

作者簡介：鄭小磊（1986—），男，江蘇南通人，高級工程師，研究方向為礦用通信、監(jiān)測監(jiān)控和智能化。

收稿日期：2024?04?24" " " " " "修回日期：2024?05?16

基金項目：發(fā)改委、應急管理部重點課題?國家級安全生產(chǎn)監(jiān)管監(jiān)察技術(shù)支撐能力建設項目（2018ZX001）；中國煤炭科工集團面上項目（2022?2?MS008）；中國煤炭科工集團青年基金項目（2022?2?QN006）；中煤科工集團常州研究院有限公司科研項目（2023TY6005，2023TY6009）