本文介绍了一项关于地下长壁煤矿气体危害预测的研究，该研究由Mayank Sharma和Tanmoy Maity共同完成，发表于2022年11月1日的《IEEE Internet of Things Journal》第9卷第21期。研究的主要目标是设计一种基于多传感器数据融合的气体危害预测系统，以应对地下煤矿中可燃和有毒气体带来的安全挑战。

研究背景与动机

地下煤矿（Underground Coal Mines, UCM）中的气体危害是影响矿工生命安全和采矿作业的主要问题之一。传统的气体危害监测方法，如模糊逻辑、基于规则的系统、统计方法等，在处理高度复杂和非线性系统时表现不佳。神经网络（Neural Networks）因其能够学习和创建非线性关系，成为解决这一问题的有效工具。特别是卷积神经网络（Convolutional Neural Networks, CNNs）具有自动特征提取的能力，非常适合用于气体危害预测任务。然而，煤矿的恶劣环境可能导致传感器故障，进而引发数据不确定性，这对数据驱动的模型（如CNN）的性能产生了显著影响。为此，本研究提出了一种基于Dempster-Shafer证据理论（Dempster-Shafer Evidence Theory, DSET）和一维卷积神经网络（1D CNN）的混合模型，旨在提高气体危害预测的可靠性，尤其是在传感器故障的情况下。

研究方法与流程

本研究的主要流程包括以下几个步骤：

1. 传感器节点阵列设计：研究设计了一个传感器节点阵列，每个节点包含三个传感器，分别用于检测甲烷（CH4）、二氧化碳（CO2）和一氧化碳（CO）的浓度。这些气体是煤矿中最常见的气体危害来源。每个长壁工作面被分为四个部分，每个部分配备一个传感器节点阵列。

2. DSET滤波器设计：为了处理传感器故障带来的数据不确定性，研究采用了DSET滤波器。DSET通过基本信念分配（Basic Belief Assignment, BBA）函数和Dempster组合规则，识别并过滤掉故障传感器的数据。具体来说，DSET滤波器首先计算每个传感器的BBA值，然后通过Dempster组合规则将这些值结合起来，最终识别出故障传感器并过滤其数据。

3. 1D CNN分类器设计：经过DSET滤波器处理后的数据被输入到1D CNN分类器中，用于预测气体危害类别。1D CNN模型由多个卷积层、池化层和全连接层组成，能够自动提取特征并进行分类。研究还通过随机搜索方法优化了1D CNN的超参数。

4. 硬件实现与边缘计算：为了适应煤矿环境的特殊需求，研究将DSET滤波器和1D CNN分类器部署在32位ARM Cortex M4微控制器上，实现了边缘机器学习（Edge Machine Learning, EML）。这种边缘计算的方式减少了数据传输的延迟，并提高了系统的安全性。

研究结果与讨论

研究结果表明，所提出的模型在传感器故障情况下仍能保持99.6%的分类准确率，显著优于传统方法。具体来说：

1. DSET滤波器的性能：DSET滤波器能够有效识别并过滤掉故障传感器的数据。通过实验验证，DSET滤波器在处理传感器故障时的表现非常稳定，确保了后续分类器的输入数据质量。

2. 1D CNN分类器的性能：与其他分类器（如支持向量机SVM、人工神经网络ANN等）相比，1D CNN在准确率、精确率、召回率和F1分数等指标上表现最优。特别是在处理异常数据时，1D CNN的鲁棒性显著优于其他模型。

3. 硬件实现的验证：研究通过硬件仿真验证了所提出模型的可行性。DSET滤波器和1D CNN分类器成功部署在ARM Cortex M4微控制器上，且计算和存储需求均在控制器的可接受范围内。

结论与意义

本研究提出了一种基于多传感器数据融合的气体危害预测模型，结合了DSET滤波器和1D CNN分类器的优势，显著提高了地下煤矿气体危害预测的准确性和可靠性。该模型不仅能够有效处理传感器故障带来的数据不确定性，还通过边缘计算实现了数据的安全性和低延迟处理。这一研究为煤矿安全监测提供了新的技术手段，具有重要的科学和应用价值。

研究亮点

1. 创新性方法：本研究首次将DSET与1D CNN结合，用于地下煤矿气体危害预测，显著提高了模型的鲁棒性和准确性。
2. 边缘计算应用：通过将模型部署在边缘设备上，研究实现了数据的安全性和低延迟处理，适应了煤矿环境的特殊需求。
3. 高准确率：在传感器故障情况下，模型仍能保持99.6%的分类准确率，显著优于传统方法。

未来研究方向

尽管本研究取得了显著成果，但仍有一些局限性。例如，模型目前仅针对长壁工作面的空间分析，未来可以进一步研究时间序列分析，以提高模型的预测能力。此外，如何在边缘设备上实现更复杂的深度学习模型也是一个值得探索的方向。