煤矿低浓瓦斯传感器奇异信号辨识方法研究

黄凯峰，刘泽功，杨 静

(1.安徽理工大学能源与安全学院，安徽 淮南 232001；2.淮南职业技术学院信电系，安徽 淮南 232001；3.安徽理工大学理学院，安徽 淮南 232001)

煤矿低浓瓦斯传感器奇异信号辨识方法研究

黄凯峰1，2，刘泽功1，杨 静3

(1.安徽理工大学能源与安全学院，安徽 淮南 232001；2.淮南职业技术学院信电系，安徽 淮南 232001；3.安徽理工大学理学院，安徽 淮南 232001)

煤矿低浓瓦斯传感器奇异信号辨识是监控系统故障诊断的关键问题。运用小波降噪和傅里叶变换谱分析的方法对奇异信号的进行特征辨识。首先，选择合理阈值将运用小波分析将奇异信号进行滤波，提取低频段信号，然后，通过傅里叶变换对特征信号进行谱分析，得到信号的频域特征分布，从而进行奇异信号辨识。通过对模拟瓦斯监控系统平台加载奇异信号，实验结果表明所提出的辨识方法的正确率较高。

小波降噪；傅里叶变换谱分析；特征辨识；奇异信号

瓦斯监控系统信号正确与否直接关系煤矿生产安全。瓦斯监控系统奇异信号与其自身发生的故障有着十分密切的联系，瓦斯监控系统奇异信号的辨识研究是瓦斯监控系统故障诊断的核心问题。目前，可查的故障诊断的方法主要有模糊辨识、神经网络逼近、支持向量机和hilbert-huang变换[1-7],hilbert-huang变换和小波分析都可以解决奇异信号分解和辨识问题。基于hilbert-huang变换方法广泛的应用于机械、电子等领域的故障诊断与检测研究中，但是其算法的端点延拓问题还没有公认合理的解决方法，端点效应对其模态分解的影响十分巨大。在瓦斯监控系统的故障诊断研究方面，有学者提出4种典型故障的分类方法，以小波分析得到各阶能量谱，运用卡尔曼滤波器优化RBF神经元网络和FCM聚类分析对故障特征进行了分类辨识的方法[8]。但是，基于能量谱特征分类的辨识方法，其结果(特别是低频分量)受样本点选择、发生异常信号的时间点及程度影响巨大，容易造成误判、错分。

针对现行煤矿瓦斯传感器常见的恒偏差型、周期脉冲型，瞬时型3种常见奇异信号，在瓦斯监控系统模拟平台，反复加载上述信号，通过监控系统中心站采集信号，通过小波降噪结合FFT谱分析的方法得到奇异信号特征分量的频谱。通过改变选择样本点时间，和奇异信号的强度，将提出的方法与小波能量谱分析法进行比较，验证了方法的可行性和有效性。

1 小波降噪的奇异信号辨识方法

1.1 连续小波变换

连续小波变换(continuous wavelet transform,CWT)可以定义为信号序列q(t)和小波函数做τ的位移后，在不同尺度m的内积。

(1)

逆小波变换公式如下

(2)

尺度参数m决定了分解后子小波的频率特性，位移参数τ是小波分析的位移变换，他们是重要的原始信号定位参数。cψ是小波函数的可允许条件。

如ψ(t)满足条件时ψ(t)称为母小波，其中|ψ(ω)|是ψ(t)的傅里叶变换。母小波通过扩张(或压缩)和平移得到子小波。定义表明，小波分析是一种测量被测信号和小波基函数之间相似性的分析方法。可以通过计算变换系数的方法来描述在一定尺度下的小波的相似度。信号的变换系数的确定方法是：首先使用小波探测原始信号中的最高频率，然后由位移参数τ沿着空间轴直到信号结束；下一步是增加尺度参数、扩大小波窗口以便检测低频率并重复的上述变换过程，直到尺度参数m达到最大值。

1.2 离散小波变换

为了便于计算机应用的实现，一般使用离散小波变换(discretewavelettransform,DWT)。针对一维信号，使用小波基函数可以表示如下式

(3)

(4)

其中R和Z代表的所有整数和实数集。

(5)

离散小波变换(DWT)系数ωj,k是信号或函数f(x)与ψj,k(x)是进行下面的内积计算得到的。

ωj,k=(f(x),ψj,k(x))

(6)

其中ωj,k的j和k是由小波函数的度空间参数和平移空间参数分别独立确定的整数。小波系数ωj,k可以用于分解信号的重建。逆小波变换公式如下式

(7)

公式(6)和(7) 描述的分别是通常所说的离散小波分析和离散小波重构。

1.3 小波降噪阈值的选取

在小波降噪方法中，首先选择合适的阈值，其次，应根据一定的规则收缩小波系数。收缩算法的主要思想如下[9]:

1)将所有绝对值小于给定的阈值，即被认为是噪声的小波系数置零;

2)收缩绝对值大于给定阈值的小波系数。

根据现有文献，有以下几种不同的小波系数的阈值：

软阈值:所有小波系数的绝对值与阈值T相比，如果系数大于阈值，则从中减去大于阈值的系数。反之设置为0。

(8)

硬阈值:硬阈值设置任何小于或等于阈值T的系数为零。其他则保留。

(9)

通用阈值: 通用阈值被定义为

(10)

其中MAD((wj))=Median((|wj|)j),wj是小波系数，代入公式(9)可以计算得到阈值。

1.4 离散傅里叶变换

对于离散信号x(n)，其离散傅里叶变换[10](DiscreteFourierTransformation,DFT)定义为：

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

(11)

(12)

逆离散傅里叶变换(InverseDiscreteFourierTransform，IDFT)定义为：

(13)

2 模拟安全监控系统平台加载实验

2.1 模拟安全监控系统平台介绍

瓦斯监控系统异常信号辨识实验平台的整体架构是模拟煤矿现行的监控网络和现场总线架构，整个试验平台共有监控层、设备层两层。监控网络(工业以太网平台)、显示控制作用的工控机、存储历史数据的服务器、通讯的接入网关等组成了实验平台监控层；在实验中监控层主要任务是获取历史数据，得到变化曲线作为分析和研究的样本。现场总线、监控分站、控制器、各种传感器等组成了实验平台设备层，设备层主要连接系统的各传感器，并把信号传输到监控层，实验中的各种加载信号和干扰信号将从设备层加入。如图1所示。

2.2 相关实验设备安装

基本信号加载设备为DG1000Z函数/任意波形发生器如图2a所示，其频率特性为正弦波1μHz至30MHz，噪声30MHz带宽，任意波1μHz至10MHz，分辨率1μHz，准确度±1×10-6(工况18℃至28℃)，输出特性振幅(以50Ω端接)2.5mVpp至10Vpp(≤10MHz),分辨率0.1mVpp。干扰信号由低频部分由模拟现场的机电设备发出,分别是660v，22kW的电动机一台，380v～660v矿用变压器一台,如图2b所示，高频部分由无线随机干扰发生器发出频率范围50MHz至1 900MHz，18W干扰信号来模拟产生频谱很宽的强电磁谐波信号。通过开关控制连续电磁干扰、长时干扰、意外瞬时干扰等形式干扰信号。通过上位机观察监控历史数据来分析干扰信号的特征。

图1 实验平台整体结构示意图

图2 实验给定变化信号设备

2.3 信号加载对象

实验2.2信号加载对象使用智能KG9701低浓度甲烷传感器(见图3右1)。其主要技术指标是:甲烷浓度测量的0% ～ 4%，甲烷浓度测量精度±0.10% ～±0.30%，信号输出类型为频率表示。

图3 KG9701甲烷传感器

2.4 实验信号加载点和测量点选择

通过DG1000Z信号发生器CH1通道发出0～13mv，50mHz正弦电压信号模拟一个缓慢的瓦斯变化过程。加载在瓦斯传感器检测电桥输出端，加载点原理图如图4a所示，由于第一个图所示的放大电路情况是集成在瓦斯传感器的A/D转换器内，实际加载点将正弦电压信号加载在A/D(TC7109)转换器的IN_NI和IN_LO端，实际加载点如图4b所示。通过上位机观察监控历史数据发现，瓦斯传感器的示数在瓦斯浓度在0%～0.78%周期性变化。

图4 实验信号加载点和测量点选择

2.5 实验步骤及流程

整个实验过程如图5所示，首先做好实验平台准备以后，通过低频信号发生器加载标准信号模拟正常的瓦斯变化，通过无线干扰发生器模拟加载连续电磁干扰、长时干扰和意外瞬时干扰，利用实验平台监控层的历史数据库进行数据观测，形成异常数据样本、数据预处理后实现特征辨识。

图5 实验步骤流程图

3 实验结果分析

通过DG1000Z函数/任意波发生器在A/D(TC7109)转换器的IN_NI和IN_LO端加载标准信号模拟的是一个正常的在0%～0.78%周期变换的信号。再通过改变切断和接通的无线信号干扰器电源开关的时间，模拟加载瞬时干扰、恒偏差型干扰和周期性脉冲干扰，通过实验平台监控的历史数据得到相关的瓦斯浓度变化数据，每个故障样本选择500次(每次1s，每个样本至少500s)采样值为一个样本，根据数据可以得到瓦斯传感信号曲线(示例)如图6所示。

图6 三种奇异数据采集

3.1 小波降噪处理

本对验平台监控历史数据的奇异信号曲线，通过使用通用阈值进行小波滤波。各奇异信号滤波结果如下图7所示。通过小波降噪后，瞬时型、恒偏差型、周期脉冲型3种常见奇异信号的特征被提取出来。

图7 三种奇异信号小波降噪结果

3.2 傅里叶变换(DFT)谱分析

将各奇异信号滤波结果带入傅里叶变换，得到其滤波后信号的频域特性，为了尽量避免在数据截断过程中的频谱泄露，这里采用的是海明窗(hamming)函数。正常信号和瞬时型、恒偏差型、周期脉冲型3种常见奇异信号的DFT谱如图8所示。

图8 奇异信号的DFT谱比较

由图8所示，瞬时型奇异信号的幅值谱分布在150Hz以上、恒偏差型奇异信号的幅值谱分布在20Hz以下、周期脉冲型奇异信号的幅值谱分布在70Hz-170Hz之间。各种奇异信号的幅值谱分布有明显的区分性，由此说明小波降噪结合FFT谱分析的方法对煤矿安全监控系统奇异信号辨识是有效的。

图9 起始点改变的信号采样图

图10 起始点改变的DFT谱图

现以恒偏差型奇异信号为例改变信号采样的起始时间点(见图9)，运用小波降噪结合FFT谱分析方法计算，对辨识结论如图10所示的进行互相关性计算，四组样本使用归一化的互相关函数计算平均互相关性系数为0.8273。

4 结 论

通过模拟安全监控系统平台加载实验验证小波降噪结合FFT谱分析的方法对现行煤矿瓦斯传感器常见的恒偏差型、周期脉冲型和瞬时型3种常见奇异信号的辨识是有效的。

通过改变信号采样的起始时间实验，验证了采样的起始点改变对小波降噪结合FFT谱分析结果影响很小。所提辨识方法对煤矿低浓瓦斯传感器的常见奇异信号辨识是有效的，且准确性较高。

[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] 王军号， 孟祥瑞， 吴宏伟. 基于小波包与 EKF-RBF 神经网络辨识的瓦斯传感器故障诊断[J]. 煤炭学报， 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.

(责任编辑：李 丽，吴晓红，编辑：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

安徽省教育厅自然科学研究重点项目 (KJ2015A376)

黄凯峰(1982-)，男，黑龙江鹤岗人，副教授，博士，研究方向：安全技术工程。

Tp206.3

A

1672-1098(2016)06-0081-06