煤矿隔爆型风机温度监测系统的研究
摘 要：为了消除矿井隔爆型风机在温度检测过程中的不确定性，本文以PLC为控制核心、智能型数字传感器(DSl8B20)为检测元件，设计了风机温度监测系统。通过RS-845实现联机通信，采用数据融合技术对温度数据进行处理，获得比传统的单一的算术平均值更准确、更可靠的真实值，便可消除疏失等误差。不仅提高了温度检测的准确性和稳定性，而且实现了温度在线的智能化监控，也适合于油井以及易发生火情的场合。
关键词：数据融合； DSl8B20；风机；监测；算术平均值
随着煤炭产业的发展及其开采的深度延伸，矿井里瓦斯涌出量不断上升，加之环境温度变化反差大，增加了井下隔爆风机温度监测的难度，而由风机温度升高引发的爆炸事故频繁，因而对煤矿井下通风隔爆电机的监测系统的研究变得尤为紧迫和重要。为此，我们在对煤矿井下隔爆风机及其工作环境进行了深入地调研和仔细地分析后发现：目前井下隔爆通风电机温度监测的难点主要集中在观测点难以确定、测量方法单一，测量过程出现不确定性以及准确性低等。针对这些问题，我们选择了电机温度变化显著的部位及其工作环境温度变化明显的不同空间位置为观测点，对电机进行内外环境温度同时独立采集，然后采用数据融合算法，在时间域上求得一组融合值，再进行优化处理，寻找出其温度与时间的动态规律性，并对其进行温度监控，便可提高温度监测的准确性和稳定性。第一作者的姓名、性别、出生年、民族、职称、学位、研究方向、联系电话请在稿件首页页脚注明。
1.数据融合简介
数据融合技术即采用计算机技术对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评计任务而进行的信息处理过程。按其融合方法分为基于统计理论融合、基于信息论融合和基于认识模型融合等。
数据融合在现代传测控技术中应用，主要利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在空间或时间上的冗余或互补的信息依据某种准则进行组合，以获得被测对象一致性解释或描述。可见，数据融合的硬件基础是多传感器系统，加工对象是源信息，核心是协调优化与综合处理。其基本目标就是通过数据的组合推导出更多的信息，最佳的协同作用结果，提高传感器系统的有效性和被控系统的稳定性。
2．温度监测系统
2.1控制方案的确定
由于采用等准确度的传感器进行温度测量，其测量结果具有正态分布的特点，所以温度检测元件我们选用了具有等准确度的DSl8B20，在风机的三相定子绕组的每相埋设两个传感器以及风机的两端轴承处各埋设一个，共用8个传感器；同时在隔爆风机的工作环境，即采煤工作面的不同空间位置选了8个观测点，各埋设了一个传感器，便获取16路独立的温度数据，再将16路数据通过数据总线送入主机PLC的CPU进行数据融合处理，获得真实值，再进行系统结构优化，参数的修正等，并通过RS-845联机通信，实现对井下隔爆风机温度的智能化在线监控，原理图如图2-1所示。
图2-1温度检测与控制原理结构图
2.2 温度采集电路的设计
由于数字温度传感器（DSl8820）能够独立完成信号调理或线性化，且测量温度范围为[-55,+125] 0C，能够满足矿井温度范围变化大的要求，并可通过数据总线直接与主机PLC相连，节省设计时间，因此本系统的检测元件采用DSl8820，采集电路如图2-2所示。
图2-2 十六路Sl8820与PLC的总线接线图
2.3 温度数据融合算法规则
为了避免传统的单一的算术平均值算法的不足，本系统对采集数据采用数据融合算法，即将由16路传感器测得值送入PLC的CPU中，通过分布图法剔除疏失误差后得出一致性测量数据，然后按传感器所在空间位置不相邻的准则将其分成两组，先求出两组数据的算术平均值，再进行分批估计算法，估计出温度真实值的融合值T，从而消除测量过程不确定性，获得采煤工作面的温度测量真实值，具体步骤如下：
设被测温度真值为T0， H为测量温度方程系数矩阵，V为误差向量，则测量温度方程可表示为：T=HT0+V
式(2-1)及(2-2)中的i，j分别是第一、二组中传感器的编号，则对应的标准误差分别是：
根据分批估计理论，分批估计后得温度的融合值的标准误差是：
(2-8)公式说明:若实际测量数据误差越大,即分得的两组数据误差越大，则公式 (2-8)对改善误差的效果越明显；反之，其相对于求算术平均值的优越性也就不显着了，所以此测温方法适合于温度反差变化大的环境场所。
3.实验验证
3．1数据采集
为了使实验设计能够充分满足数据融合法规的要求，我们把淮南矿业集团的新庄孜煤矿井下3#采煤工段的隔爆风机为研究对象，在风机的内外变化温度明显处选择了16个测视点，各埋设一个DSl8B20，同时进行独立的温度测量，共获得16路数据，温度采集电路如上图2-2所示。通过显示器（LCD）获得不同时刻的真实值，即融合值，∈ [8 、12.5、15、 16.6、18、19.7 、20、 21.5、 22、23、24.6、 25、26] 0C，对应的融合时间t∈[1、2、3、4、5、6、7、8、9、10、11、12、13、14]h,对应的关系图如3-1所示.
此图表明:采用数据融合技术计算的测量结果较接近于线性测量,可把温度的非线性测量转换为线性测量,大大降低了测量控制的难度.
3.2 数据处理
采用先进的应用软件,如MATALAB对通过多次反复数据融合值进行线性拟合,并进行反复调试、优化,得到最佳的温度监测动态关系式为:
y=at+b (3-1)
这里的a,b对于某一测控对象是确定的值,但当测量对象发生变化时,其值需要通过实验进行修正. 我们在新庄孜矿1#采煤区求得实验拟合函数式为:
y=1.133t+11.4813 (3-2)
t为实际温度动态跟踪的数据融合值，对应的温度监测波形如3-2所示.此图表明: 采用多传感器数据融合的动态模型计算温度值,用此值拟合出温度检测系统的函数, 再反控被测对象,提高了控制的准确性和稳定性.
4.总结
理论分析和实践检验表明： 该系统与传统的温度监测系统相比，实时性较强，计算量较小，适用于数字化温度采集系统。特别是被控对象在环境温度恶劣的条件下作业，如煤矿井下隔爆风机，采用多路传感器融合技术实现温度在线测量，便可获得可靠的实时性的测量数据，不仅可以消除测量过程中的不确定性，而且能够提高测量结果的准确性和可靠性，值得进一步推广与研究。
参考文献:
[1]韩芳,朱玉琴.煤矿风机智能化监控系统[J].煤矿机械,2009,30(2):142-143.
[2]郑晓东，朱玉琴等.一种防爆对旋式风机智能器动器[J].煤矿机电.2009,2(1):89-91.
[3] 隋明发.电机实时温度测量技术的研究[D].沈阳理工大学 硕士学位论文，2008.1.
[4]杨占军,杨英杰.基于无线传输技术的多路温度数据采集系统设计[J].东北电力学院学报,2005,25(1):72-75.
[5]杨万海. 多传感器数据融合及其应用[M].西安:西安电子科技大学出版社，2004,4.