基于物联网的地下矿井空气质量智能预测

作者：李湘文; 周辅杰; 崔崴; 邓琴秀; 张辉雨

来源：计算机技术与发展, 2020, 30(08): 115-119.

• 物联网
• 矿井环境指数
• RNN
• 人工神经网络
• 机器学习
• TensorFlow

为了提高安全性,全世界都在寻求实施无线传感器网络(WSNs)来监测复杂的、动态的和环境恶劣的地下煤矿。文中引入了一种可靠的物联网(IoT)空气质量监测系统,该系统由传感器模块、通信协议和基站组成。基于STM32的传感器模块具有八个不同的参数,安装在可操作的地下煤矿的不同位置。基于感知数据,该系统用煤矿环境指数(MEI)对地下煤矿矿井空气质量进行评价。采用主成分分析法确定了CH4、CO、SO2和H2S是影响矿井空气质量最主要的气体。将主成分分析的结果输入到RNN神经网络模型中,实现了MEI的预测。结果表明,基于主成分分析的神经网络在MEI预测中具有较好的性能,主成分分析+RNN预测模型的性能指标R2和RMSE值分别为0.489 0和0.120 4,提高了线性回归模型对矿井大气污染物的预测精度。因此,提出的基于STM32和Tensorflow平台的人工神经网络可以快速评估和预测矿井空气质量,提高矿井环境安全性。

• 单位
  成都理工大学工程技术学院