智能瓦斯监测报警系统的设计

第 41 卷 2013 年第 2 期

本栏目编辑　陆秋云

通　用

103

传统 Park 模量中的特征频率分量。

5　结语

试验表明，小波变换具有良好的时频特性，利用该方法可有效确定故障的发生时间；利用新的异步电动机定子匝间短路故障的诊断方法，将定子电流的小

图 4　故障分类的 SVM 流程

Fig. 4 SVM process fl ow for fault classi fi cation

表 3　SVM 诊断结果

Tab. 3 SVM diagnosis results

类别准确率/%

小波分形特征SVM1 SVM286.4 80.7

混入 2 f 1 分量SVM1 SVM283.3 83.3

波分形维数作为匝间短路的故障特征，具有可行性，

且在早期故障识别中优于传统的 Park 模量中的特征频率。

参　考　文　献

[1]　任　震，张征平，黄雯莹．异步电动机早期故障检测技术发展

评述 [J]．华南理工大学学报，2001，29(11)：67-70.

[2]　赵艳军，李永刚，武玉才，等．汽轮发电动机转子匝间短路时

转子振动特性分析 [J]．华北电力大学学报，2008，35(5)：16-21.

[3]　Gojko Joksimovic，Jim Penman. The detection of inter-turn short

circuits in the stator windings of operating motors [C]// Proceedings of the 1998 Conference International. Aachen，Germany，IEEE Industrial Electronics Society，1998：1974-1979.

[4]　Li Peng，He Qingbo，Kong Fanrang. An Approach for Fault

Diagnosis of Bearings Using Wavelet-Based Fractal Analysis [C]// IEEE International Conference on Information and Automation，Harbin，2010：2238-2243.

[5]　孙雅明，王俊丰．基于分形理论的输电线路故障类型识别新方

法 [J]．电力系统自动化，2005，29(12)：23- 28.

[6]　Miguel Delgado Prieto，Jordi-Roger Riba Ruiz. Feature extraction

of demagnetization faults in permanent-magnet synchronous motors based on box-counting fractal dimension [J]. IEEE Transactions on Industrial Electronics，2011，58(5)：1594-1605. □

(收稿日期：2012-09-28)

(修订日期：2012-10-20)

GFGFGFGFGFGGFGFGFGFGFGGFGFGFGFGGFGFGGFGFGFGFGFG

智能瓦斯监测报警系统的设计

刘　亮，何小刚

太原理工大学 信息工程学院　山西太原　030024

摘要：新型智能瓦斯监控报警器系统，采用了 ARM Cortex-M3 系列微控制器 STM32F107 作为硬件

平台，并对各传感器采集的数据进行分析处理，利用人工智能算法中的神经网络作为数据预测模型，同时由 RS485 通信技术和 ZigBee 无线通信技术完成对报警设备的控制。为了降低系统硬件成本，减少人工操作，并使系统自行进行多任务的处理与切换，采用了 μCOS-Ⅱ作为嵌入式系统。关键词： 瓦斯监测；报警系统；STM32F107；神经网络；μCOS-Ⅱ

中图分类号：TD77+.2 文献标志码：A 文章编号：1001-3954(2013)02-0103-04

Design of an intelligent gas monitor and alarm system

LIU Liang, HE Xiaogang

College of Information Engineering, Taiyuan University of Technology, Taiyuan 030024, Shanxi, China

Abstract ：A new-type intelligent gas monitor and alarm system was designed. The STM32F107 chip of ARM

作者简介：刘　亮，男，1987 年生，硕士研究生，主要研究方向为智能控制、检测技术、智能仪表、单片机原理及其应用。

第 41 卷 2013 年第 2 期本

栏

目

编

辑

陆

秋

云

通　用

104在 矿井安全生产中，煤矿安全占据了非常重要

的位置[1]。近年来， 瓦斯突出占煤矿事故的比

例很大，但投入到瓦斯安全预警[2]的资源相对较少。

由于矿井瓦斯监测系统所需传感器的数量和种类较

多，所测数据之间应建立精确的数学模型；但传统方

法已无法满足要求。同时，由于矿井环境复杂多变，

传统监测手段往往会造成预警延时、预警错误及监测

数据精确性有待考虑。若将处理监测数据的过程看作

是多元信息融合的过程，采集各传感器传输的信息并

进行整合分析，协调各传感器并获得最有效信息，将

为矿井的安全生产提供可靠保障。因此，笔者在传统

监测系统基础上，结合神经网络算法，对矿井瓦斯进

行预测控制，从而使瓦斯预警更加智能化和准确化。

煤矿瓦斯安全监控系统的主要功能是瓦斯相关数据的

采集、处理、存储及通信。

1　系统结构与工作原理

瓦斯监测系统[2]的主要监测参数为瓦斯浓度、一

氧化碳浓度、温度、压力和风速。在设计过程中，笔

者采用瓦斯传感器、温度传感器、风速传感器及压

力传感器等采集现场相关数据，并将所采集的数据

经 ZigBee 无线技术[3]发送至微控制器，微控制器通过

RS485 实现与上位机的通信，上位机通过综合神经网

络算法对瓦斯浓度走势，以及是否发生爆炸事故进行

预测。

利用嵌入式操作系统[4]控制微处理器，使其完成

各数据的预处理工作。μCOS-Ⅱ作为一个成熟的小型

嵌入式操作系统，它具有内核构架成熟、移植方便及

实时性强等特点[5]，系统结构如图 1 所示。

2　传感器接收数据的处理

将各传感器接收的数据用神经网络融合算法[6]进

行处理，利用人工智能法中的神经网络算法对接收的

数据进行融合，输入信息通过隐藏层被映射到输出

层，而映射误差又回送到输入层，当总映射误差趋近

于零时完成映射。ZigBee 感应设备将各传感器检测

到的数据进行分析融合并关联评估，直到构建网络的

输出层的总误差趋近于零时，即可进行识别并超限报

警。

隐藏层的激活能量

H

i

= = 1/(1+ exp (-∑W ij X j)) (i，j = 1，2，…，n)，(1)

输出层的概率密度函数

Y i = exp (-∑W ij X j)/∑exp (-∑W ij X j))。 (2)

输出层误差矢量

εRi = (d i - Y i)Y i (1 - Y i)， (3)

式中：d i 为期望的概率矢量；Y i 为估计的概率矢量。

隐藏层和输出层的加权矩阵为

V ij (k + 1) = V ij (k) + N li εRi Y i + c)[V ij (k) + V ij (k - 1)]， (4)

式中：N li 为学习速率；c 为平滑因子。

隐藏层误差

εHi = H J (1 - H j)(∑εRi W ij )。 (5)

X

j

= (x1，x2，x3，x4) 分别表示温度传感器、瓦斯

浓度传感器、压力和风速传感器接收的数据，将其作

为 BP 神经网络的输入；则对应输出为 Y i = (y1，y2，

y

3

，y4)，它分别表示温度、瓦斯、压力和风速的预测

值； d i = (d1，d2，d3，d4) 分别对应温度、瓦斯、压力

和风速所设定的参数报警值。

为了确保监测系统的稳定性和准确性，在硬件设

计电路中适当增加防干扰设计，并慎重对待传感器的

选型，以提高传感器的抗干扰能力。当各传感器接收

数据施加到神经网络的输入时，若网络的输出层总误

差趋近于零便可识别，即该时刻所收集数据达到设定

的报警值，发出声光超限报警信号。

3　系统的软、硬件构成

3.1　系统硬件

3.1.1　工作现场的数据采集　

传感器负责收集现场设备运行状态的监测数据。

Cortex-M3 series severed as hardware to analyze and calculate the data collected by all sensors. In addition, neural network, one of the artifi cial intelligence algorithms, was applied as data prediction model, and RS485 communication technology and ZigBee wireless communication technology were used to control the alarm device. In order to reduce the hardware cost and unnecessary manual operation, and to realize automatic processing and shift of multiple system tasks,

μCOS-Ⅱ operating system was applied as embedded system to achieve expected objective.

Keywords：gas monitor and alarm system; STM32F107; neural network; μCOS-Ⅱ

图 1　智能瓦斯监测报警系统结构框图

Fig. 1 Structural diagram of intelligent gas monitor

and alarm system