基于改进卡尔曼滤波数据融合的矿场监测系统设计

卢晓辉，郑广鹏，庞哲铭

（1.鞍钢集团矿业弓长岭有限公司露采分公司，辽宁辽阳，111008；2.辽宁工业大学 电子与信息工程学院，辽宁锦州，121001）

0 引言

近年来矿场安全问题逐渐成为人们所关心的问题，保障矿场工作人员的在生产中的安全和健康是尤为重要的，通过分析和预测矿场生产中的危险因素，及时进行事故预防，提高矿山开采的安全性。

当矿区的重大危险源风险评级、视频采集监测数据或者采挖区域的安全隐患智能分析结果出现异常时，通过对异构数据融合提出了铁矿关键区域参数全面采集、多元信息共网传输新方法，为矿区监控预警系统安全无故障运行提供了技术保障；构建了自动化、信息化、智能化预警平台，平台具备故障自诊断、高灵敏、响应时间短、标校周期长、抗干扰等功能，使预警准确率提升。在地图上实时上报预警，可以通过预警展示，获取预警产生的位置、预警所在矿区评定的风险等级、安全承诺情况以及未消警的数量，这些信息可以作为故障根源所持依据。实时事件列表按时间顺序对最近上报的预警进行展示，可以在此获取第一手的预警信息，从而为安全生产提供有力支撑。对此张建峰提出一种基于计算机信息网络技术的煤矿安全管理监测预警系统，实现了矿区安全监测[1]。王焕用zigbee 构建安全监测系统，实现环境参数的实时监测[2]。以上方法的矿场监控系统都是独立运作，监控系统之间不能实现信息共享，因此提出了一种基于多传感器数据融合的矿场监测系统，通过BS922 网关节点将传感器采集到的数据传输到云端服务器，实现矿场的安全监测及管理。

1 数据采集及处理

1.1 数据采集

鞍本地区是我国重要的铁矿石生产基地，铁矿资源丰富，开发历史早，开采时间长，开发强度大，给已有矿山的深部铁矿资源开采利用带来极大困难和安全威胁，其中尤以露天铁矿最为典型，特别是其中的何家采区。围绕非煤矿山等高危行业的安全生产重大风险，通过异种结构的监测数据进行融合，模型综合运用多元异构数据融合的方法预测事故发生的时间并能及时响应，提高事故预报的准确性和时间效率，突破了现有预测系统适用性不高的问题，从而最大限度地降低事故对经济的损失和对人员的危害。

随着工业的不断推进，铁矿露采作业综合自动化的不断进步，露天铁矿的监测技术仍存在一些不足。例如：对地形地貌和周边环境因素认识不足；与自动监测相结合的方法使用不够充分；监测重点不够突出，监测效率低；数据处理和融合手段较为单一；预报模型不够完善等。

何家采区露天铁矿开采作业区域地形构成复杂，作业流程主要涵盖勘探、采掘、运输、装卸等，整体过程简单粗放，地形环境随作业进程动态变化，都将直接影响露采作业安全。针对以上问题，急需对露天铁矿开采、运输及管理过程进行实时监测，提供多元、多维、异构数据融合跟踪技术，故障预测模型，对地表结构姿态预警判断，为矿区安全生产排除故障隐患。在采区作业区域，采集到的图像、位置数据、落差数据、震动信息、应力应变数据、坡度数据、角度数据等具有动态性、多元性、相关性、非线性、高维、数据量大等特征，对这些数据进行采集、存储、管理、处理和综合应用，以便能够精确地监测[3]。

假设有m 个传感器对个N 目标进行跟踪，每个目标的运动方程为：

式(1)中，k 表示观测时刻，i=1，2，...，N，表示的目标的编号，ϕ为状态驱动矩阵，ωi(k)表示均值为0，方差为Qi的过程噪声。第j 个传感器对第i 个目标观测方程为：

式(2)中v i(k) 表示均值为0，方差为观测噪声，且与过程噪声ωi(k)不相关。

1.2 传感器数据跟踪及处理

卡尔曼滤波是一种常用于目标跟踪的算法。它利用测量数据和模型来估计目标状态，并根据估计结果不断调整模型，以提高跟踪精度。卡尔曼滤波的基本原理是利用状态方程和观测方程来描述目标运动和测量信息，然后通过二者之间的关系进行滤波计算，得到对目标状态的最优估计。滤波过程中，卡尔曼滤波器不断更新预测状态和测量状态之间的误差协方差矩阵，从而实现对目标运动的更精确的估计和跟踪。在实际应用中，卡尔曼滤波通常与目标检测、图像处理等技术相结合，用于实现高精度的目标跟踪。

在测量更新拟通过迭代求解从而优化了滤波增益的计算，由于存在环境噪声影响，会影响滤波估计的效率。因此引入自适应遗忘因子，实时修正一步预测协方差矩阵，以修正滤波增益矩阵，提升算法目标跟踪效率。计算修正后的一步预测协方差矩阵：

其中λk为k时刻引入的遗忘因子。测量协方差矩阵为：

当跟踪目标存在不确定性的情况下，测量协方差矩阵将会增加。

其中ηk=Yk-是测量残差，0≤ρ≤ 1是由系统数据而确定的权重系数，和Λk之间的关系为：

引入自适应遗忘因子后改进的算法更新步骤为：

引入遗忘因子后的协方差矩阵：

协方差矩阵：

计算遗忘因子：

卡尔曼增益：

目标状态更新：

状态协方差矩阵：

如图1、2 所示，在数据跟踪中会产生误差，引入自适应遗忘因子，实时修正一步预测协方差矩阵，降低跟踪误差，从而实现对运动目标的跟踪和观测。

图2 数据跟踪误差图

2 多源数据融合

2.1 数据选择

随着大数据时代的来临，每时每刻都产生着数以亿计的数据。基于海量数据，人们需要从中提取有用的信息来了解甚至指导人们的日常生活和工作。因此，要进行多源数据融合首先要进行数据选择，为了避免影响数据融合结果要选择出正确的数据。

2.2 多传感器信息融合

多传感器信息融合[4]，它突破单一传感器信息表达的局限性，有利于对事物的判断和决策，从而实现对矿场安全的监测和预警处理。

如图3 所示，传统的多传感器数据融合方案中，一般是通过指定的传感器对所需要的数据信息进行采集，然后直接在融合中心对所有的数据进行预处理、剔除野值、提取特征向量、加权求平均操作后得出一个均值，将这个均值与监控中心的阈值进行比较，进而判断是否有危险的发生。如此多的传感器采集到的信息数据量特别大，将会降低系统的运行速度，且这种方法只对同源信息进行判断，得到的信息维度比较单一，未将多元信号考虑进来，导致决策的准确率较低。

经过上述分析可知，传统的多传感器数据融合方法存在着检测精度低、计算量大且复杂的缺陷。因此，本文设计了一种多传感器梯度数据融合模型来解决现有技术存在的缺陷。在传感器与融合中心之间设计一个中间站，将传感器采集到的数据信息上传至中间站进行预处理，删除支持度较低的数据。并通过最小二乘法在中间站对处理后的数据进行局部融合，得到最优的融合数据。该方法综合了多维度信号来判断矿山危险的发生情况，能够提高识别的准确率。图4 为本文设计的多传感器梯度数据融合模型。

图4 多传感器梯度数据融合模型流程图

3 无线传感器网络

无线传感器网络（WSN）是指一组在空间上分散且专用的传感器，从某种意义上说，它们类似于无线自组织网络，它们依赖于无线连接和网络的自发形成。WSN 是空间分布的自主传感器，用于监视物理或环境条件，并将其数据通过网络协作传递到主要位置。无线传感器网络的发展是受军事应用的推动。如今，此类网络已用于许多工业和消费者应用中，例如工业过程监视和控制、机器运行状况监视等[5～6]。

WSN 由“节点”构成从几到几百甚至几千，其中每个节点都连接到一个（有时是几个）传感器。每一个这样的传感器网络节点通常具有几个部分：一个无线电收发信机与内部天线或连接到外部天线、微控制器，用于与所述传感器和能量源，通常是一个接口的电子电路的电池或嵌入的形式能量收集。传感器节点的成本从几美元到几百美元不等，具体取决于各个传感器节点的复杂性。传感器节点的大小和成本约束导致相应的约束WSN 的拓扑结构可以从简单的星形网络到高级的多跳无线网状网络，而在网络的各跳之间的传播技术可以是路由或洪泛[7～8]。

4 系统设计

本设计由一组硬件节点负责采集传感器数据，通过移动通信网络使用BeeNet 协议与云端服务器进行通信。云端服务器负责存储和分析数据。

硬件电路单片机电路图如图5 所示。

图5 单片机最小系统

系统基于1 个BeeLPW-T 无线传感器网络，该无线传感器网络由2 类不同的节点组成，每个节点都有各自的职责和特点。

（1）网关节点。单个节点，负责接收从无线传感器节点发送的消息，并将其传输到云端服务器。

（2）无线传感器节点。多个节点，负责收集传感器信息，并将其发送给BS922 网关。

系统整体架构如图6 所示。由于露天开采矿场的土体或者岩体，会受到开采、震动、雨水等外力影响，容易造成坍塌。当坍塌发生时会有土体或者岩体的移动，这时传感器就会进行感应和检测。在采区作业区域有多个传感器节点，负责将收集到的数据通过BS922 网关传输给云端服务器，云端服务器监测数据的变化，并在数据达到指定阈值时进行报警[9～10]。

图6 系统整体架构流程图

本文所用的网关选用BS922 无线网关，可以借助无线网络将传感器采集的数据入网并传回指定的数据中心。

BS922 无线网关的优点：

（1）CPU 运行频率高达454MHZ，处理能力强；

（2）支持远程无线更新内部程序；

（3）兼容IPV4 和IPV6（双栈）；

云端服务器接收数据并进行预警判断，搭建安全预警平台实时监测数据。预警平台如图7 所示。

图7 预警平台

5 结束语

为保障露天矿山的安全问题，设计了一种用于矿区危险监测的BeeLPW-T 无线传感网络原型系统，多传感器收集到的数据通过BS922 节点传输给BS922 网关，然后上传到云端服务器，可以做到对矿山实时监测并作出预警。通过模拟矿区远程监测预警系统的工作流程，实现了矿区事故隐患在线监测、智能判识和实时准确预警，为矿山的安全生产提供了保障。矿场安全管理监测预警系统通过对不同传感器所收集到的信息进行整合和分析，增强了监控系统的实时性和有效性，有利于智慧矿场的建设。