煤礦低濃瓦斯傳感器奇異信號(hào)辨識(shí)方法研究

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(hào)辨識(shí)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(hào)辨識(shí)是監(jiān)控系統(tǒng)故障診斷的關(guān)鍵問(wèn)題。運(yùn)用小波降噪和傅里葉變換譜分析的方法對(duì)奇異信號(hào)的進(jìn)行特征辨識(shí)。首先，選擇合理閾值將運(yùn)用小波分析將奇異信號(hào)進(jìn)行濾波，提取低頻段信號(hào)，然后，通過(guò)傅里葉變換對(duì)特征信號(hào)進(jìn)行譜分析，得到信號(hào)的頻域特征分布，從而進(jìn)行奇異信號(hào)辨識(shí)。通過(guò)對(duì)模擬瓦斯監(jiān)控系統(tǒng)平臺(tái)加載奇異信號(hào)，實(shí)驗(yàn)結(jié)果表明所提出的辨識(shí)方法的正確率較高。

小波降噪；傅里葉變換譜分析；特征辨識(shí)；奇異信號(hào)

瓦斯監(jiān)控系統(tǒng)信號(hào)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(hào)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(hào)的辨識(shí)研究是瓦斯監(jiān)控系統(tǒng)故障診斷的核心問(wèn)題。目前，可查的故障診斷的方法主要有模糊辨識(shí)、神經(jīng)網(wǎng)絡(luò)逼近、支持向量機(jī)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(hào)分解和辨識(shí)問(wèn)題?；趆ilbert-huang變換方法廣泛的應(yīng)用于機(jī)械、電子等領(lǐng)域的故障診斷與檢測(cè)研究中，但是其算法的端點(diǎn)延拓問(wèn)題還沒(méi)有公認(rèn)合理的解決方法，端點(diǎn)效應(yīng)對(duì)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(yùn)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(duì)故障特征進(jìn)行了分類辨識(shí)的方法[8]。但是，基于能量譜特征分類的辨識(shí)方法，其結(jié)果(特別是低頻分量)受樣本點(diǎn)選擇、發(fā)生異常信號(hào)的時(shí)間點(diǎn)及程度影響巨大，容易造成誤判、錯(cuò)分。

針對(duì)現(xiàn)行煤礦瓦斯傳感器常見(jiàn)的恒偏差型、周期脈沖型，瞬時(shí)型3種常見(jiàn)奇異信號(hào)，在瓦斯監(jiān)控系統(tǒng)模擬平臺(tái)，反復(fù)加載上述信號(hào)，通過(guò)監(jiān)控系統(tǒng)中心站采集信號(hào)，通過(guò)小波降噪結(jié)合FFT譜分析的方法得到奇異信號(hào)特征分量的頻譜。通過(guò)改變選擇樣本點(diǎn)時(shí)間，和奇異信號(hào)的強(qiáng)度，將提出的方法與小波能量譜分析法進(jìn)行比較，驗(yàn)證了方法的可行性和有效性。

1 小波降噪的奇異信號(hào)辨識(shí)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(hào)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(hào)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(shí)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(guò)擴(kuò)張(或壓縮)和平移得到子小波。定義表明，小波分析是一種測(cè)量被測(cè)信號(hào)和小波基函數(shù)之間相似性的分析方法?？梢酝ㄟ^(guò)計(jì)算變換系數(shù)的方法來(lái)描述在一定尺度下的小波的相似度。信號(hào)的變換系數(shù)的確定方法是：首先使用小波探測(cè)原始信號(hào)中的最高頻率，然后由位移參數(shù)τ沿著空間軸直到信號(hào)結(jié)束；下一步是增加尺度參數(shù)、擴(kuò)大小波窗口以便檢測(cè)低頻率并重復(fù)的上述變換過(guò)程，直到尺度參數(shù)m達(dá)到最大值。

1.2 離散小波變換

為了便于計(jì)算機(jī)應(yīng)用的實(shí)現(xiàn)，一般使用離散小波變換(discretewavelettransform,DWT)。針對(duì)一維信號(hào)，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(shí)數(shù)集。

(5)

離散小波變換(DWT)系數(shù)ωj,k是信號(hào)或函數(shù)f(x)與ψj,k(x)是進(jìn)行下面的內(nèi)積計(jì)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(dú)立確定的整數(shù)。小波系數(shù)ωj,k可以用于分解信號(hào)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(shuō)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(duì)值小于給定的閾值，即被認(rèn)為是噪聲的小波系數(shù)置零;

2)收縮絕對(duì)值大于給定閾值的小波系數(shù)。

根據(jù)現(xiàn)有文獻(xiàn)，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(duì)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(jì)算得到閾值。

1.4 離散傅里葉變換

對(duì)于離散信號(hào)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(tái)加載實(shí)驗(yàn)

2.1 模擬安全監(jiān)控系統(tǒng)平臺(tái)介紹

瓦斯監(jiān)控系統(tǒng)異常信號(hào)辨識(shí)實(shí)驗(yàn)平臺(tái)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(chǎng)總線架構(gòu)，整個(gè)試驗(yàn)平臺(tái)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(tái))、顯示控制作用的工控機(jī)、存儲(chǔ)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(shí)驗(yàn)平臺(tái)監(jiān)控層；在實(shí)驗(yàn)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。現(xiàn)場(chǎng)總線、監(jiān)控分站、控制器、各種傳感器等組成了實(shí)驗(yàn)平臺(tái)設(shè)備層，設(shè)備層主要連接系統(tǒng)的各傳感器，并把信號(hào)傳輸?shù)奖O(jiān)控層，實(shí)驗(yàn)中的各種加載信號(hào)和干擾信號(hào)將從設(shè)備層加入。如圖1所示。

2.2 相關(guān)實(shí)驗(yàn)設(shè)備安裝

基本信號(hào)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(hào)由低頻部分由模擬現(xiàn)場(chǎng)的機(jī)電設(shè)備發(fā)出,分別是660v，22kW的電動(dòng)機(jī)一臺(tái)，380v～660v礦用變壓器一臺(tái),如圖2b所示，高頻部分由無(wú)線隨機(jī)干擾發(fā)生器發(fā)出頻率范圍50MHz至1 900MHz，18W干擾信號(hào)來(lái)模擬產(chǎn)生頻譜很寬的強(qiáng)電磁諧波信號(hào)。通過(guò)開(kāi)關(guān)控制連續(xù)電磁干擾、長(zhǎng)時(shí)干擾、意外瞬時(shí)干擾等形式干擾信號(hào)。通過(guò)上位機(jī)觀察監(jiān)控歷史數(shù)據(jù)來(lái)分析干擾信號(hào)的特征。

圖1 實(shí)驗(yàn)平臺(tái)整體結(jié)構(gòu)示意圖

圖2 實(shí)驗(yàn)給定變化信號(hào)設(shè)備

2.3 信號(hào)加載對(duì)象

實(shí)驗(yàn)2.2信號(hào)加載對(duì)象使用智能KG9701低濃度甲烷傳感器(見(jiàn)圖3右1)。其主要技術(shù)指標(biāo)是:甲烷濃度測(cè)量的0% ～ 4%，甲烷濃度測(cè)量精度±0.10% ～±0.30%，信號(hào)輸出類型為頻率表示。

圖3 KG9701甲烷傳感器

2.4 實(shí)驗(yàn)信號(hào)加載點(diǎn)和測(cè)量點(diǎn)選擇

通過(guò)DG1000Z信號(hào)發(fā)生器CH1通道發(fā)出0～13mv，50mHz正弦電壓信號(hào)模擬一個(gè)緩慢的瓦斯變化過(guò)程。加載在瓦斯傳感器檢測(cè)電橋輸出端，加載點(diǎn)原理圖如圖4a所示，由于第一個(gè)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(shí)際加載點(diǎn)將正弦電壓信號(hào)加載在A/D(TC7109)轉(zhuǎn)換器的IN_NI和IN_LO端，實(shí)際加載點(diǎn)如圖4b所示。通過(guò)上位機(jī)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(shí)驗(yàn)信號(hào)加載點(diǎn)和測(cè)量點(diǎn)選擇

2.5 實(shí)驗(yàn)步驟及流程

整個(gè)實(shí)驗(yàn)過(guò)程如圖5所示，首先做好實(shí)驗(yàn)平臺(tái)準(zhǔn)備以后，通過(guò)低頻信號(hào)發(fā)生器加載標(biāo)準(zhǔn)信號(hào)模擬正常的瓦斯變化，通過(guò)無(wú)線干擾發(fā)生器模擬加載連續(xù)電磁干擾、長(zhǎng)時(shí)干擾和意外瞬時(shí)干擾，利用實(shí)驗(yàn)平臺(tái)監(jiān)控層的歷史數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)觀測(cè)，形成異常數(shù)據(jù)樣本、數(shù)據(jù)預(yù)處理后實(shí)現(xiàn)特征辨識(shí)。

圖5 實(shí)驗(yàn)步驟流程圖

3 實(shí)驗(yàn)結(jié)果分析

通過(guò)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(hào)模擬的是一個(gè)正常的在0%～0.78%周期變換的信號(hào)。再通過(guò)改變切斷和接通的無(wú)線信號(hào)干擾器電源開(kāi)關(guān)的時(shí)間，模擬加載瞬時(shí)干擾、恒偏差型干擾和周期性脈沖干擾，通過(guò)實(shí)驗(yàn)平臺(tái)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(gè)故障樣本選擇500次(每次1s，每個(gè)樣本至少500s)采樣值為一個(gè)樣本，根據(jù)數(shù)據(jù)可以得到瓦斯傳感信號(hào)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(duì)驗(yàn)平臺(tái)監(jiān)控歷史數(shù)據(jù)的奇異信號(hào)曲線，通過(guò)使用通用閾值進(jìn)行小波濾波。各奇異信號(hào)濾波結(jié)果如下圖7所示。通過(guò)小波降噪后，瞬時(shí)型、恒偏差型、周期脈沖型3種常見(jiàn)奇異信號(hào)的特征被提取出來(lái)。

圖7 三種奇異信號(hào)小波降噪結(jié)果

3.2 傅里葉變換(DFT)譜分析

將各奇異信號(hào)濾波結(jié)果帶入傅里葉變換，得到其濾波后信號(hào)的頻域特性，為了盡量避免在數(shù)據(jù)截?cái)噙^(guò)程中的頻譜泄露，這里采用的是海明窗(hamming)函數(shù)。正常信號(hào)和瞬時(shí)型、恒偏差型、周期脈沖型3種常見(jiàn)奇異信號(hào)的DFT譜如圖8所示。

圖8 奇異信號(hào)的DFT譜比較

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

圖9 起始點(diǎn)改變的信號(hào)采樣圖

圖10 起始點(diǎn)改變的DFT譜圖

現(xiàn)以恒偏差型奇異信號(hào)為例改變信號(hào)采樣的起始時(shí)間點(diǎn)(見(jiàn)圖9)，運(yùn)用小波降噪結(jié)合FFT譜分析方法計(jì)算，對(duì)辨識(shí)結(jié)論如圖10所示的進(jìn)行互相關(guān)性計(jì)算，四組樣本使用歸一化的互相關(guān)函數(shù)計(jì)算平均互相關(guān)性系數(shù)為0.8273。

4 結(jié) 論

通過(guò)模擬安全監(jiān)控系統(tǒng)平臺(tái)加載實(shí)驗(yàn)驗(yàn)證小波降噪結(jié)合FFT譜分析的方法對(duì)現(xiàn)行煤礦瓦斯傳感器常見(jiàn)的恒偏差型、周期脈沖型和瞬時(shí)型3種常見(jiàn)奇異信號(hào)的辨識(shí)是有效的。

通過(guò)改變信號(hào)采樣的起始時(shí)間實(shí)驗(yàn)，驗(yàn)證了采樣的起始點(diǎn)改變對(duì)小波降噪結(jié)合FFT譜分析結(jié)果影響很小。所提辨識(shí)方法對(duì)煤礦低濃瓦斯傳感器的常見(jiàn)奇異信號(hào)辨識(shí)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(hào)， 孟祥瑞， 吳宏偉. 基于小波包與 EKF-RBF 神經(jīng)網(wǎng)絡(luò)辨識(shí)的瓦斯傳感器故障診斷[J]. 煤炭學(xué)報(bào)， 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(diǎn)項(xiàng)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