智能瓦斯监测报警系统的设计

本栏目编辑　陆秋云

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

通　用

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。

GFGFGFGFGFGGFGFGFGFGFGGFGFGFGFGGFGFGGFGFGFGFGFG

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.

图 4　故障分类的 SVM 流程

Fig. 4 SVM process fl ow for fault classifi 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[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)

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

103

第 41 卷 2013 年第 2 期

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

本栏目编辑　陆秋云

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通　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，用

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。

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

104

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

Hi = = 1/(1+ exp (-∑Wij Xj)) (i，j = 1，2，…，n)，(1)输出层的概率密度函数

Yi = exp (-∑Wij Xj)/∑exp (-∑Wij Xj))。 (2)

输出层误差矢量

εRi = (di - Yi)Yi (1 - Yi)， (3)

式中：di 为期望的概率矢量；Yi 为估计的概率矢量。隐藏层和输出层的加权矩阵为

Vij (k + 1) = Vij (k) + Nli εRi Yi + c)[Vij (k) + Vij (k - 1)]， (4)式中：Nli 为学习速率；c 为平滑因子。隐藏层误差

εHi = HJ (1 - Hj) (∑εRi Wij )。 (5)

Xj = (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 Yi = (y1，y2，y3，y4)，它分别表示温度、瓦斯、压力和风速的预测值； di = (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。

(1) 瓦斯传感器　使用载体催化元件作为监测元件，使其产生一个与甲烷含量成比例的微弱信号，经过多级放大电路放大后进行输出；

(2) 温度传感器　使用一般热敏电阻对周围温度进行测量；

(3) 风速传感器　使用现在技术比较成熟的风杯式风速传感器。

为避免传统有线传感器因线路老化或人为破坏而产生的数据采集错误、丢失等故障，传感器设计一律采用基于 ZigBee 无线通信的无线传感器，完成监控系统各设备间的信息传输工作。

3.1.2　微处理器控制电路

传感器采集的信号通过 ZigBee 传送至微处理器，经微处理器简单的滤波处理后将所得数据发送至上位机。微处理器控制电路主要由电源电路、RS485 通信接口电路及 EEPROM 外部数据存储等组成。嵌入式操作系统 μCOS-Ⅱ控制其进行多任务切换管理，其 64 个任务优先级足够本系统使用。

图 2 　串口通信电路

Fig.2 Serial communication circuit

3.1.3　上位机

采用 2 台日常计算机作为上位机，其中 1 台连续监测矿井瓦斯，1 台备用。当其中 1 台发生故障时，备用机即可投入使用。由于普通计算机没有 RS485 接口，需采用 RS232 转 RS485 模块实现与微控制器的通信。将上位机所得数据进行分析处理，实现数据储存、更新及报表打印等功能。

3.2　系统软件

系统软件主要包括嵌入式操作系统、控制微控制器的 STM32F107 程序和基于 VB.NET2010 编写的上位机界面。利用嵌入式操作系统进行编程的优点是效率高、可移植性强且能使系统稳定运行。上位机界面采用基于 Visual Studio 开发环境的 VB.NET 语言，这种开发环境有利于数据库信息与互联网的结合[7]。

3.2.1　嵌入式操作系统控制微控制器

为了提高系统的稳定性，并使系统更加智能化，该设计使用了嵌入式操作系统 μCOS-Ⅱ，这样可使

第 41 卷 2013 年第 2 期

微处理器方便地进行多任务切换 [8-9]。

以 STM32F107 作为微控制器数据处理模块，较本好地实现了以下功能。

栏目(1) 传感器收到的数据无需额外增加 A/D 转换的 编IC 芯片，其内部具有 12 位分辨率精度的 A/D 转换辑　器，完全可以承担转换任务。

陆(2) 最大 72 MHz 的主频优于普通工业微控制器；秋云

(3) 方便的串口通信管理易于实现微控制器与上位机的通信。

3.2.2　上位机设计

上位机程序实现了对瓦斯浓度及是否发生爆炸的监测及预警。VB.NET 是基于 .NET 框架的完全面向对象的编程语言，它可以即时编译、静态事件绑定、条件异常捕获、宽松的类型检查、变量声明、Visual 通　Basic Runtime 库及动态数组等。

使用 VB.NET 开发的上位机界面直观、稳定，便用

于查询报警信息及各参数走势，更改用户密码，报警器系统的监控界面非常合适。

图 3　智能瓦斯监控界面

Fig. 3 Intelligent gas monitor interface

图 3 所示为智能瓦斯监测系统的监控界面。该界面可显示上位机与下位机通信状态，监测矿井列表及当前参数，生成数据报表并查看各参数实时趋势和历史趋势等，上位机与下位机通信成功时，通信状态按钮由红色变为绿色，否则保持红色 (表示通信未成功)。其他各功能按钮默认为蓝色，界面显示参数所对应的功能按钮为红色，表示选中查看状态。当各参数超过系统设定的参数值时，声光报警器动作发出声光报警信号，并将数据保存到历史报警数据库中。

4　结语

笔者采用 ARM Cortex-M3 系列微控制器 STM32 F107 替代传统芯片，并采用 ZigBee 无线通信技术接收或发送各传感器所获得的数据，处理速度加快，设备维护简单化，运行成本降低，性价比提高，使矿井的信息化水平得以提升。

105

第 41 卷 2013 年第 2 期

106

本栏目编辑　陆秋云

基于两阶段串联 DEA 模型的煤炭企业

生产-物流协调运营绩效评价研究

李 　宁

中国石油大学 (华东) 经济管理学院　山东青岛　266580

摘要：我国是煤炭生产和消费的大国，提升国内煤炭企业的运营绩效水平，是优化煤炭资源生产、降低生产运营成本的非经济性重要手段。笔者根据煤炭企业的生产运营特性，将其划分为煤炭生产和煤炭物流运输两个前后衔接的阶段，利用两阶段数据包络分析 (Data Envelqment Analycis，DEA) 模型，对山东能源集团内部 6 家权属煤矿子公司进行了绩效评价，获得了煤炭企业生产-物流协调运营的整体绩效水平及各个阶段的绩效状况，评价结果为企业决策者提供了企业协调运营绩效水平优化与提升的方向与信息。

关键词：DEA 模型；煤炭企业；运营绩效；物流绩效评价

中图分类号：F224；F259.23　　　文献标志码：A　　　文章编号：1001-3954(2013)02-0106-05

通　用

Performance evaluation on coordination operation of production and

logistics in coal enterprises based on two-stage serial DEA model

LI Ning

School of Economics & Management, China University of Petroleum (East China), Qingdao 266580, Shandong, China

Abstract：China is both maximum coal production and maximum coal consumption country. Enhancing the operation performance of coal enterprises is a pivotal measure to optimize coal production and utilization efficiency and decrease uneconomic level. In the paper, according to operation characteristics of coal enterprises, whole operation in coal enterprises was divided into two sub-stages, that was coal production and coal transportation. And then, two-stage DEA (Data Envelopment Analycis) model was used to evaluate

基金项目：教育部人文社科青年项目“基于网络 DEA 方法的链式企业绩效评价研究”(11YJC630100)；中央高校基本科研业务费专项资金资助项目 (11CX04031B)

作者简介：李　宁，女，1977 年生，博士研究生，副教授，主要研究方向为企业绩效评价模型方法研究。

GFGFGFGFGFGGFGFGFGFGFGGFGFGFGFGGFGFGGFGFGFGFGFG系统自投入试运行以来，实现了瓦斯连续监测及 超限报警。实现了矿井数据的实时监测，同时保证超限报警更加快速及时，为矿井安全生产提供了可靠保障。

参　考　文　献

[1]　申宝宏，刘见中，张　泓．我国煤矿瓦斯治理的技术对策 [J].

煤炭学报，2007，32(7)：673-679.

[2]　申宝宏，雷　毅，郭玉辉．中国煤炭科学技术新进展 [J]．煤

炭学报，2011，36(11)：1779-1783.

[3]　江　敏， 王振翀．基于 ZigBee 的矿井压力智能采集装置设计

[J/OL]．工矿自动化， 2012 (10)：77-78.

[4]　Xu Sheng，Li Xiaolin. Embedded Network Alarm Based on Data

Fusion Algorithm [C]. IEEE Press，2012(7)：79-82.

[5]　Bernard Xiong. RT-Thread Programming Guide Release

0.3.3.[EB/OL]. [2012-10-25] http://www.baidu.com/link?url=j8oRGJqjJ4zBBpC8yDF8xDh8vibiBUtpCioEbodOLNucNkJxSGA8rsApLyL8zWGG2VjEKoLiaohk1EcrQfmERSO7UK.

[6]　李国勇．智能预测控制及其 MATLAB 实现 [M]．北京：电子

工业出版社，2009：47-63.

[7]　兰多夫・加德纳．Visual Studio 2008 高级编程 [M]．北京：清

华大学出版社，2009：14-32.

[8]　张　鑫，丁志刚，郑树泉．基于 Cortex-M3 的 M2 M监控终端

[J]．计算机应用，2011，31(11)：3165-3168.

[9]　孙顺远，秦会斌，催佳冬，等． μCOS-Ⅱ在 Cortex-M3 内核上

的移植及优化 [J]．计算机系统应用，2010，19(4)：208-211. □(收稿日期：2012-11-05)

(修订日期：2012-11-18)