[發明專利]一種基于數據融合的礦井煤塵濃度測量的方法及裝置

有效

• 申請號: 201410195405.5
• 申請日: 2014-05-09
• 公開（公告）號: CN103969162A
• 公開（公告）日: 2014-08-06
• 發明（設計）人: 程學珍;于永進;郭春芬;衛阿盈;陳志巧;曲銀鳳;逄眀祥;馮翠萍
• 申請（專利權）人: 山東科技大學
• 主分類號: G01N15/06
• 分類號: G01N15/06
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于數據融合的礦井煤塵濃度測量的方法，其特征在于包括以下步驟：

(1)收集煤塵前向±8°附近以及后向180°附近的散射光能，測量散射光在前向空間積分強度得到粒徑a≧5μm顆粒的濃度，以及測量后向空間積分強度得到粒徑a≦5μm的小顆粒的濃度；

(2)對光信號進行去除噪聲和粗大誤差預處理，將預處理后的光信號進行電信號轉換顯示處理；

(3)設定神經網絡隱含層神經元個數；在對采集的待處理樣本信息進行神經網絡訓練識別，將誤差逐漸縮小至要求范圍之內；基于煤塵粒徑的Rosin-Rammler函數分布，對多層前向神經網絡BP獲取的神經網絡數據融合模型參數進行修正；

(4)將大顆粒濃度值和小顆粒濃度值輸入修正后的神經網絡數據融合模型計算出空間中煤塵的濃度。

2.如權利要求1所述的基于數據融合的礦井煤塵濃度測量的方法，其特征在于，在步驟(2)中，所述去除噪聲和粗大誤差預處理包括以下步驟：

首先基于光電探測器獲取I₁和I₂，并基于煤塵粒徑分布符合Rosin-Rammler函數分布，函數關系式如下所示，

V(a)=1-exp(-a/a_)n;]]>

設n＝3、a為多個的大小顆粒值、入射光的強度I₀為固定、典型折射率m＝1.57-0.56i，獲得最佳系數k₁和k₂分別為和從而得到C₁＝k₁I₁，C₂＝k₂I₂,由此得到大小顆粒物的濃度值。

3.如權利要求2所述的基于數據融合的礦井煤塵濃度測量的方法，其特征在于，所述步驟(3)具體包括：

1)制定網絡的拓撲結構，將網絡設置為三層；

2)設定網絡的參數，包括分類精度、循環次數和樣本特征值向量的各個常數因子，對網絡進行初始化設置；

3)計算各層網絡輸入矩陣的權值系數和輸出，判斷該網絡的輸出精度是否達到要求，首先判斷某一樣本的輸出誤差是否達到了預先設定的誤差要求，若否，則修改權值系數后返回重新計算；若是，則繼續判斷全部樣本的輸出誤差是否在要求的范圍之內；若全部樣本的輸出誤差在誤差要求范圍內則繼續向下執行，判斷循環次數是否超過設定的最大循環次數，若是，則該網絡沒有實現預期效果，需要修正網絡的參數；

4)以修正后的網絡參數對各層網絡輸入矩陣進行上述計算，直到對比實際輸出和期望輸出后，樣本信息識別歸為輸出誤差最小的一類；

5)對BP獲取的模型參數，基于Rosin-Rammler分布進行修正，得到最優輸入輸出線性關系。

4.一種基于數據融合的礦井煤塵濃度測量的裝置，其特征在于，包括：

濃度收集模塊，用于收集煤塵前向±8°附近以及后向180°附近的散射光能，測量散射光在前向空間積分強度得到粒徑a≧5μm顆粒的濃度，以及測量后向空間積分強度得到粒徑a≦5μm的小顆粒的濃度；

信號處理模塊，用于對光信號進行去除噪聲和粗大誤差預處理，將預處理后的光信號進行電信號轉換顯示處理；

數據融合修正模塊，用于建立基于多層前向神經網絡BP的神經網絡數據融合模型：包括設定神經網絡隱含層神經元個數，在對采集的待處理樣本信息進行神經網絡訓練識別，將誤差逐漸縮小至要求范圍之內；以及用于基于煤塵粒徑的Rosin-Rammler函數分布，對BP獲取的神經網絡數據融合模型參數進行修正；

信號輸出模塊，用于將大顆粒濃度值和小顆粒濃度值輸入修正后的神經網絡數據融合模型計算出空間中煤塵的濃度；其中，

所述濃度收集模塊、信號處理模塊、數據融合修正模塊以及信號輸出模塊依次連接。