矿井粉尘浓度测量装置及其测量方法
【专利摘要】本发明提供的矿井粉尘浓度测量装置，包括敏感元件、控制电路模块和上位机，敏感元件包括感应式金属电极，控制电路模块包括测量电路、信号调理电路、A/D转换电路和微处理器，敏感元件在金属电极上产生微电荷信号，经测量电路、信号调理电路、A/D转换电路和微处理器进行实时处理后传送到上位机，上位机进行信息预处理、特征提取并建立软测量模型，然后输出粉尘浓度测量信号。本发明还提供了粉尘浓度测量的方法。其优点在于：有效地克服目前矿井粉尘浓度方法中存在的测量误差大、湿度影响明显、使用寿命短、维护不方便等缺点，为煤矿提高精确的测量数据，改善井下作业环境，保护工人身体健康和煤矿安全生产。
【专利说明】矿井粉尘浓度测量装置及其测量方法
【技术领域】
[0001]本发明涉及检测装置和检测方法，特别涉及一种矿井粉尘浓度測量装置及其測量方法。
【背景技术】
[0002]粉尘无处不在，污染环境和危害人体身体健康。尤其在煤矿井下，粉尘危害更大，其不仅会使矿エ得尘肺病，而且会引发瓦斯爆炸，因此必须准确、快速地检测出粉尘浓度。目前国内外快速测量矿井粉尘浓度的普遍方法是光散射法，但该类方法存在着测量误差大、湿度影响明显、使用寿命短、维护不方便等缺点。因此针对上述方法现状，提出新的测量矿井粉尘浓度的装置和方法，对于改善井下作业环境，保护了工人身体健康，防止煤尘爆炸，消除煤矿安全隐患具有重要意义。
【发明内容】
[0003]本发明的目的是克服现有技术的上述缺陷，提供一种矿井粉尘浓度測量装置及其測量方法，可以代替光散射式測量粉尘浓度传感器，大大减小测量误差，并消除湿度影响，延长使用寿命，減少维护量，为煤矿提高精确的测量数据，改善井下作业环境，保护工人身体健康和煤矿安全生产。
[0004]为达到上述目的，本发明提供的矿井粉尘浓度測量装置，包括敏感元件、与敏感元件依次相连的控制电路模块和上位机，其中:
[0005]敏感元件包括金属屏蔽罩、绝缘管、左密封环、右密封环、金属电极、风机外罩、风机、电路盒和金属支架，所述金属屏蔽罩和绝缘管均呈圆筒形，所述金属屏蔽罩的左端和绝缘管的左端通过所述左密封环扣合相连接，所述金属屏蔽罩的右端和绝缘管的右端通过所述右密封环扣合相连接，所述绝缘管外壁与所述金属屏蔽罩内壁之间形成一个密闭的屏蔽空间，所述绝缘管的内壁构成直通式风道，所述风机外罩呈喇叭形，固定连接在所述金属屏蔽罩的右端，所述风机安装在所述风机外罩内；所述金属电极呈圆环形，所述绝缘管的内壁中部设有电极凹槽，所述金属电极位于所述电极凹槽中；
[0006]所述金属支架设有屏蔽接地，所述金属屏蔽罩安装在所述金属支架上，所述电路盒安装在所述金属屏蔽罩上方，所述电路盒内腔中安装有控制电路模块，所述电路盒的前方设有窗ロ，所述窗ロ处安装有数码管显示模块，所述金属屏蔽罩的上壁和电路盒的下壁分别设有通孔，所述金属电极的连接导线穿过两通孔与所述控制电路模块电相连；
[0007]控制电路模块包括測量电路、信号调理电路、A/D转换电路和微处理器，所述敏感元件在金属电极上产生微电荷信号，微电荷信号由測量电路转换为微电压信号，微电压信号经信号调理电路后去除噪声并经A/D转换电路送到微处理器进行实时处理，然后将信息传送到所述上位机，所述上位机进行信息预处理、特征提取并建立软测量模型，然后输出粉尘浓度測量信号。
[0008]本发明矿井粉尘浓度測量装置，其中所述测量电路为电荷转换电路，采用型号为OPA129的超低偏置电流差动运算放大器芯片构成，信号调理电路采用型号为LMC6001的超低输入电流放大器芯片构成，A/D转换电路米用型号为CS5360的芯片构成,微处理器米用型号为MSP430F249的芯片构成。
[0009]本发明矿井粉尘浓度測量装置，其中所述风机采用型号为AFB0924VH的抽风式风机。
[0010]本发明矿井粉尘浓度測量装置，其中所述微处理器通过USB通信方式将信息传送到所述上位机。
[0011]为达到前述目的，本发明提供的ー种矿井粉尘浓度测量的方法，该方法设置敏感元件、控制电路模块和上位机，该方法包括:
[0012]步骤1，敏感元件采用金属电极，安装抽风式风机，控制电路模块进行包括去噪、信号放大、滤波、去除噪声的微电压信息预处理；
[0013]步骤2，对预处理后的微电信号在时域内提取有效值、短时均值、整流值均值三个特征參数，在频域内提取短时频谱、短时自相关、短时能量三个特征參数，用这些值顺序组成特征值向量，作为识别信息的输入量；
[0014]步骤3，建立基于RBF的神经网络软测量模型，包括设定神经网络隐含层神经元个数，然后在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至所要求范围之内。
[0015]步骤4，将误差最小的识别结果用“0”表示，其余的识别结果用“I”表示，输出误差最小的信号即为所需的信号。
[0016]本发明矿井粉尘浓度測量装置及其測量方法，其中所述步骤3中，对采集的待处理料样本图像进行神经网络训练识别的步骤是:
[0017]I)制定网络的拓扑结构，将网络设置为三层；
[0018]2)设定网络的參数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；
[0019]3)计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一祥本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的參数。
[0020]4)以修正后的网络參数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的ー类。
[0021]本发明矿井粉尘浓度測量装置及其測量方法的优点和积极效果在于:由于采用了感应式敏感元件，由上位机提取特征并利用软测量技术进行信号处理，能够有效地克服目前矿井粉尘浓度方法中存在的測量误差大、湿度影响明显、使用寿命短、维护不方便等缺点，为煤矿提高精确的测量数据，改善井下作业环境，保护工人身体健康和煤矿安全生产。
[0022]下面将结合实施例參照附图进行详细说明。
【专利附图】
【附图说明】
[0023]图1为本发明矿井粉尘浓度測量装置中敏感元件的结构示意图；[0024]图2为绝缘管和金属电极的结构示意图；
[0025]图3为本发明矿井粉尘浓度測量装置的方框图。
【具体实施方式】
[0026]下面以实例说明本发明矿井粉尘浓度測量装置。
[0027]本发明矿井粉尘浓度測量装置包括敏感元件1，与敏感元件I依次相连的控制电路模块6和上位机24，其中:
[0028]參照图1，敏感元件I包括金属屏蔽罩4、绝缘管2、左密封环12、右密封环13、金属电极11、风机外罩8、风机7、电路盒5和金属支架9。
[0029]结合參照图2，金属屏蔽罩4和绝缘管2均呈圆筒形，金属屏蔽罩4的左端和绝缘管2的左端通过左密封环12扣合相连接，金属屏蔽罩4的右端和绝缘管2的右端通过右密封环13扣合相连接，绝缘管2外壁与金属屏蔽罩4内壁之间形成ー个密闭的屏蔽空间10，绝缘管2的内壁构成直通式风道3，风机外罩8呈喇叭形，固定连接在金属屏蔽罩4的右端，风机7安装在风机外罩8内。
[0030]金属电极11呈圆环形，绝缘管2的内壁中部设有电极凹槽，金属电极11位于电极凹槽中。
[0031]金属支架9设有屏蔽接地，金属屏蔽罩4安装在金属支架9上，电路盒5安装在金属屏蔽罩4上方，电路盒5内腔中安装有控制电路模块6，电路盒5的前方设有窗ロ，窗ロ处安装有数码管显示模块，金属屏蔽罩4的上壁和电路盒5的下壁分别设有通孔，金属电极11的连接导线14穿过两通孔与控制电路模块6电相连。
[0032]控制电路模块6包括测量电路20、信号调理电路21、A/D转换电路22和微处理器23,敏感兀件I在金属电极11上产生微电荷信号，微电荷信号由测量电路20转换为微电压信号，微电压信号经信号调理电路21后去除噪声并经A/D转换电路22送到微处理器23进行实时处理，然后通过USB通信方式将信息传送到上位机24，上位机24进行信息预处理、特征提取并建立软测量模型，然后输出粉尘浓度測量信号。
[0033]测量电路20为电荷转换电路，采用型号为0PA129的超低偏置电流差动运算放大器芯片构成，信号调理电路21采用型号为LMC6001的超低输入电流放大器芯片构成，A/D转换电路22采用型号为CS5360的芯片构成，微处理器23采用型号为MSP430F249的芯片构成。
[0034]风机7采用型号为AFB0924VH的抽风式风机。
[0035]參照图1和图3，ー种矿井粉尘浓度测量的方法，该方法包括:
[0036]步骤I，敏感元件I采用金属电极11，安装抽风式风机7，控制电路模块6进行包括去噪、信号放大、滤波、去除噪声的微电压信息预处理；
[0037]步骤2，对预处理后的微电信号在时域内提取有效值、短时均值、整流值均值三个特征參数，在频域内提取短时频谱、短时自相关、短时能量三个特征參数，用这些值顺序组成特征值向量，作为识别信息的输入量；
[0038]步骤3，建立基于RBF的神经网络软测量模型，包括设定神经网络隐含层神经元个数，然后在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至所要求范围之内。对采集的待处理料样本图像进行神经网络训练识别的步骤是:[0039]I)制定网络的拓扑结构，将网络设置为三层；
[0040]2)设定网络的參数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；
[0041]3)计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一祥本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的參数。
[0042]4)以修正后的网络參数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的ー类。
[0043]步骤4，将误差最小的识别结果用“0”表示，其余的识别结果用“ I”表示，输出误差最小的信号即为所需的信号。
[0044]下面详细说明本发明中煤与矸石分选的工作过程。
[0045]由风机7控制的流速在3-6米/秒的粉尘在粉尘浓度测量装置的通道3中流动，在敏感兀件I的金属电极11上产生微电荷信号，微电荷信号由测量电路20转换为微电压信号，微电压信号经信号调理电路21后去除了噪声和信号得到了放大，并放大到信号满足A/D转换电路22的量程要求，信号经A/D转换由微处理器23对其进行实时采集并通过微处理器23进行实时处理，然后通过USB通信方式将信息传送到上位机24中。在上位机24中进行信息预处理、特征提取、软测量模式建立及输出信号。这ー装置可完全代替光散射式测量粉尘浓度传感器，大大减小测量误差，并消除湿度影响，延长使用寿命，減少维护量，为煤矿提高精确的測量数据，保护了工人身体健康和煤矿安全生产。
[0046]上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计方案前提下，本领域中普通工程技术人员对本发明的技术方案做出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。
【权利要求】
1.一种矿井粉尘浓度测量装置，包括敏感元件(I)，其特征在于:还包括与敏感元件(1)依次相连的控制电路模块(6)和上位机(24)，其中: 所述敏感元件(I)包括金属屏蔽罩(4)、绝缘管(2)、左密封环(12)、右密封环(13)、金属电极(11)、风机外罩(8 )、风机(7 )、电路盒(5 )和金属支架(9 ), 所述金属屏蔽罩(4)和绝缘管(2)均呈圆筒形，所述金属屏蔽罩(4)的左端和绝缘管(2)的左端通过所述左密封环(12)扣合相连接，所述金属屏蔽罩(4)的右端和绝缘管(2)的右端通过所述右密封环(13)扣合相连接，所述绝缘管(2)外壁与所述金属屏蔽罩(4)内壁之间形成ー个密闭的屏蔽空间(10)，所述绝缘管(2)的内壁构成直通式风道(3)，所述风机外罩(8)呈喇叭形，固定连接在所述金属屏蔽罩(4)的右端，所述风机(7)安装在所述风机外罩(8)内； 所述金属电极(11)呈圆环形，所述绝缘管(2)的内壁中部设有电极凹槽，所述金属电极(11)位于所述电极凹槽中；所述金属支架(9)设有屏蔽接地，所述金属屏蔽罩(4)安装在所述金属支架(9)上，所述电路盒(5)安装在所述金属屏蔽罩(4)上方，所述电路盒(5)内腔中安装有控制电路模块 (6)，所述电路盒(5)的前方设有窗ロ，所述窗ロ处安装有数码管显示模块，所述金属屏蔽罩(4)的上壁和电路盒(5)的下壁分别设有通孔，所述金属电极(11)的连接导线(14)穿过两通孔与所述控制电路模块(6)电相连； 控制电路模块(6)包括测量电路(20)、信号调理电路(21)、A/D转换电路(22)和微处理器(23)，所述敏感元件(I)在金属电极(11)上产生微电荷信号，微电荷信号由測量电路(20)转换为微电压信号，微电压信号经信号调理电路(21)后去除噪声并经A/D转换电路(22)送到微处理器(23)进行实时处理，然后将信息传送到所述上位机(24)，所述上位机(24)进行信息预处理、特征提取并建立软测量模型，然后输出粉尘浓度測量信号。
2.根据权利要求1所述的矿井粉尘浓度測量装置，其特征在于:其中所述测量电路(20)为电荷转换电路，采用型号为OPA129的超低偏置电流差动运算放大器芯片构成，信号调理电路(21)采用型号为LMC6001的超低输入电流放大器芯片构成，A/D转换电路(22)采用型号为CS5360的芯片构成，微处理器(23)采用型号为MSP430F249的芯片构成。
3.根据权利要求1或2所述的矿井粉尘浓度測量装置，其特征在于:其中所述风机(7)采用型号为AFB0924VH的抽风式风机。
4.根据权利要求3所述的矿井粉尘浓度測量装置，其特征在于:其中所述微处理器(23)通过USB通信方式将信息传送到所述上位机(24)。
5.ー种矿井粉尘浓度测量的方法，该方法设置敏感元件(I)、控制电路模块(6)和上位机(24)，该方法包括: 步骤I，敏感元件(I)采用金属电极(11)，安装抽风式风机(7 )，控制电路模块(6 )进行包括去噪、信号放大、滤波、去除噪声的微电压信息预处理； 步骤2，对预处理后的微电信号在时域内提取有效值、短时均值、整流值均值三个特征參数，在频域内提取短时频谱、短时自相关、短时能量三个特征參数，用这些值顺序组成特征值向量，作为识别信息的输入量；步骤3，建立基于RBF的神经网络软测量模型，包括设定神经网络隐含层神经元个数，然后在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至所要求范围之内。 步骤4，将误差最小的识别结果用“0”表示，其余的识别结果用“I”表示，输出误差最小的信号即为所需的信号。
6.根据权利要求5所述的矿井粉尘浓度測量方法，其特征在于:其中所述步骤3中，对采集的待处理料样本图像进行神经网络训练识别的步骤是: 1)制定网络的拓扑结构，将网络设置为三层； 2)设定网络的參数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置； 3)计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一祥本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的參数。 4)以修正后的网络參数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的`ー类。
【文档编号】G01N15/06GK103454196SQ201310452572
【公开日】2013年12月18日 申请日期:2013年9月27日 优先权日:2013年9月27日
【发明者】程学珍, 逄明祥, 卫阿盈, 巩乃奇, 李成宇 申请人:山东科技大学