An adaptive Kalman filter for online monitoring of mine wind speed

• Autorzy: Huang De , Liu Jian , Deng Lijun , Li Xuebing , Song Ying

Identyfikatory

DOI

10.24425/ams.2019.131068

Warianty tytułu

PL

Adaptacyjny filtr Kalmana do ciągłego monitorowania prędkości przepływu powietrza kopalnianego

• Języki publikacji: EN

Abstrakty

EN

The underground complicated testing environment and the fan operation instability cause large random errors and outliers of the wind speed signals. The outliers and large random errors result in distortion of mine wind speed monitoring, which possesses safety hazards in mine ventilation system. Application of Kalman filter in velocity monitoring can improve the accuracy of velocity measurement and eliminate the outliers. Adaptive Kalman Filter was built by automatically adjusting process noise covariance and measurement noise covariance depending on the differences between measured and expected speed signals. We analyzed the fluctuation of airflow flow using data of wind speed flow and distribution characteristics of the tunnel obtained by the Laser Doppler Velocimetry system (LDV) studies. A state-space model was built based on the tunnel airflow fluctuations and wind speed signal distribution. The adaptive Kalman Filter was calculated according to the actual measurement data and the Expectation Maximization (EM) algorithm. The adaptive Kalman filter was used to shield fluid pulsation while preserving system-induced fluctuations. Using the Kalman filter to treat offline wind speed signal acquired by LDV, the reliability of Kalman filter wind speed state model and the characteristics of adaptive Kalman Filter were investigated. Result s showed that the adaptive Kalman filter effectively eliminated the outliers and reduced the root-mean-squares error (RMSE), and the adaptive Kalman filter had better performance than the traditional Kalman filter in eliminating outliers and reducing RMSE. Field experiments in online wind speed monitoring were conducted using the optimized adaptive Kalman Filter. Results showed that adaptive Kalman filter treatment could monitor the wind speed with smaller RMSE compared with LVD monitor. The study data demonstrated that the adaptive Kalman filter is reliable and suitable for online signal processing of mine wind speed monitor.

PL

Złożoność środowiska w którym prowadzone są pomiary prędkości powietrza w warunkach ko-palni podziemnych i niestabilność pracy wentylatorów kopalnianych mogą generować znaczne błędy losowe w rejestrowanych przebiegach sygnałów prędkości przepływu oraz powodować pojawianie się wartości oddalonych. Rejestrowane wartości oddalone oraz znaczne błędy losowe powodują wypaczenie przebiegów sygnałów rejestrowanych przez system monitorowania prędkości przepływu powietrza kopalnianego, stwarzając poważne zagrożenie dla bezpieczeństwa pracy i właściwego funkcjonowania systemu wentylacji. Zastosowanie filtru Kalmana w systemie monitorowania prędkości przepływu powietrza kopalnianego poprawia dokładność pomiarów i eliminuje występowanie wartości oddalonych. Adaptacyjny filtr Kalmana opracowano w oparciu o regulację kowariancji sygnału szumu procesowego i szumu pomiarowego w zależności od różnicy pomiędzy zmierzonymi a oczekiwanymi wartościami sygnału prędkości przepływu powietrza. Przeanalizowano wahania prędkości przepływu powietrza na podstawie charakterystyk prędkości przepływu i jej rozkładu otrzymanych z badań prowadzonych przy wykorzystaniu laserowych systemów Dopplerowskich do rejestrowania prędkości LDV (Laser Doppler Velocimetry). Zbudowano model przestrzeni stanu uwzględniający fluktuacje prędkości przepływu powietrza w tunelu oraz rozkład zarejestrowanych sygnałów prędkości przepływu powietrza kopalnianego. Obliczenia adaptacyjnego filtru Kalmana prowadzono w oparciu o bieżące dane pomiarowe, z wykorzystaniem algorytmu maksymalizacji wartości oczekiwanej (EM). Filtr adaptacyjny użyty został do wyrównania pulsacji przepływu powietrza, przy zachowaniu wszelkich zarejestrowanych fluktuacji wywołanych pracą układu. Filtr Kalmana wykorzystany został do obróbki sygnałów prędkości przepływu powietrza uzyskanych z systemu pomiaru prędkości LDV. Zbadano pewność i niezawodność modelu przestrzeni stanu prędkości przepływu powietrza uzyskanego z wykorzystaniem filtru i przeanalizowano charakterystyki adaptacyjnego filtra Kalmana. Wyniki wskazały, że zastosowanie filtru skutecznie eliminuje wartości oddalone i prowadzi do zmniejszenia wartości błędu średniokwadratowego. Wykazano także, że filtra adaptacyjny Kalmana ma wyższą skuteczność od tradycyjnych filtrów Kalmana w zakresie eliminacji wartości oddalonych i redukcji błędu średniokwadratowego. Prowadzono ciągły monitoring prędkości przepływu powietrza kopalnianego w warunkach polowych z wykorzystaniem zoptymalizowanego adaptacyjnego filtru Kalmana. Zarejestrowane wyniki wskazują, że zastosowanie filtra adaptacyjnego do obróbki sygnału prędkości przepływu prowadzi do uzyskania niższych wartości błędu średniokwadratowego niż w systemach monitoringu LVD. Zebrane w trakcie badań wyniki wykazały pewność i skuteczność działania filtra adaptacyjnego przy jego zastosowaniu do ciągłego monitorowania prędkości przepływu powietrza w kopalniach.

Słowa kluczowe

PL

prędkości przepływu powietrza kopalnianego; laserowy system Dopplerowski do rejestracji prędkości (LDV-Laser Doppler Velocimetry); filtr Kalmana; maksymalizacja wartości oczekiwanej; układ ciągłego monitorowania

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2019
• Tom: Vol. 64, no. 4
• Strony: 813--827
• Opis fizyczny: Bibliogr. 23 poz., fot., rys., tab., wykr.

Twórcy

autor

Huang De

• College of Safety Science & Engineering, Liaoning Technical University, Huludao 125105, China
• Key Laboratory of Mine Thermo-Motive Disaster and Prevention, Ministry of Education, Huludao 125105, China

autor

Liu Jian

• College of Safety Science & Engineering, Liaoning Technical University, Huludao 125105, China
• Key Laboratory of Mine Thermo-Motive Disaster and Prevention, Ministry of Education, Huludao 125105, China

autor

Deng Lijun

• College of Safety Science & Engineering, Liaoning Technical University, Huludao 125105, China

autor

Li Xuebing

• School of Safety Engineering, North China Institute of Science and Technology, Beijing 101601, China

autor

Song Ying

• College of Management Science and Engineering, Shandong Technology and Business University, Shandong Yantai 264005, China

Bibliografia

• [1] Andrews A.P., 2001. Kalman Filtering: Theory and Practice Using MATLAB. Wiley.
• [2] Brown R.G., Hwang P.Y., 1992. Introduction to random signals and applied Kalman filtering. Wiley New York.
• [3] Candiani G., Carnevale C., Finzi G., Pisoni E., Volta M., 2013. A comparison of reanalysis techniques: Applying optima interpolation and Ensemble Kalman Filtering to improve air quality monitoring at mesoscale. Science of the Total Environment 458, 7-14.
• [4] Cheng D.-q., Qian J.-s., Zhou T., Li W.-j., 2009. A high-speed response linkage model for integrated monitoring system at coal mine based on intellectualized data analysis. Procedia Earth and Planetary Science 1, 1455-1460.
• [5] Dempster A.P., Laird N.M., Rubin D.B., 1977. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society: Series B 39, 1-22.
• [6] Do C.B., Batzoglou S., 2008. What is the expectation maximization algorithm? Nature Biotechnology 26, 897.
• [7] Fan Z., Sun Q., Du L., Bai J., Liu J., 2018. Application of adaptive Kalman filter in vehicle laser Doppler velocimetry. Optical Fiber Technology 41, 163-167.
• [8] Hartman H.L., Mutmansky J.M., Ramani R.V., Wang Y., 2012. Mine ventilation and air conditioning. John Wiley & Sons.
• [9] Huang Y., Cheng W., Tang C., Wang C., 2015. Study of multi-agent-based coal mine environmental monitoring system. Ecological Indicators 51, 79-86.
• [10] Kalman R.E., 1960. A new approach to linear filtering and prediction problems. Journal of Basic Engineering 82, 35-45.
• [11] Kato S., Ito H., Ichikawa T., Kagami M., 1996. Laser doppler velocimeter. Google Patents.
• [12] Li X.B., Liu J., Song Y., Wu G., Zhang, M.X., 2018. On the conversion between the mean airflow velocity and that of the individual point in the underground mine tunnels. Journal of Safety and Environment 18, 123-128.
• [13] Liu J., Li X.B., Song Y., Gao K., Deng L.J., 2016. Experimental study on uncertainty mechanism of mine airvelocity and pressure with non-external disturbance. Journal of China Coal Society 41, 1447-1453.
• [14] Louka P., Galanis, G. Siebert, N., Kariniotakis G., Katsafados P., Pytharoulis I., Kallos G., 2008. Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering. Journal of Wind Engineering and Industrial Aerodynamics 96, 2348-2362.
• [15] Ma J., Dai H., 2017. A methodology to construct warning index system for coal mine safety based on collaborative management. Safety Science 93, 86-95.
• [16] Mishra P., Kumar M., Kumar S., Mandal P., 2018. Wireless real-time sensing platform using vibrating wire-based geotechnical sensor for underground coal mines. Sensors and Actuators A: Physical 269, 212-217.
• [17] Muduli L., Mishra, D.P. Jana P.K., 2018. Application of wireless sensor network for environmental monitoring in underground coal mines: a systematic review. Journal of Network and Computer Applications 106, 48-67.
• [18] Musoff H., Zarchan P., 2009. Fundamentals of kalman filtering: A practical approach. American Institute of Aeronautics and Astronautics.
• [19] Proakis J.G., 2001. Digital signal processing: principles algorithms and applications. Pearson Education India.
• [20] Şimşek E.H., Güleç F., Kavuştu H., 2017. Application of Kalman filter to determination of coal liquefaction mechanisms using discrete time models. Fuel 207, 814-820.
• [21] Song Y., Liu J., Li X.B., Liu Y.H., 2016. Experiment and numerical simulation of average wind speed distribution law of airflow in minetunnel. China Safety Science Journal 26, 146-151.
• [22] Xu J., Wu Y., Zhang Y., Zhang J., 2010. Fluid Machinery and Fluid Mechanics: 4th International Symposium (4th ISFMFE). Springer Science & Business Media.
• [23] Zhang Q., 2018. Adaptive Kalman filter for actuator fault diagnosis. Automatica 93, 333-342.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020)