基于ZigBee和RBF神经网络的矿井通风质量预测

为了能够更好地监测矿井环境变化趋势,以便预防安全事故发生,提出了一种基于ZigBee和RBF神经网路的矿井通风质量预测方法。首先,利用由主测试装置、从测试装置和中继节点组成的ZigBee无线网络,对井巷前、后端的CO、CO_(2)、SO_(2)、NO_(2)及O_(2)5种气体环境参数进行采集和传输。然后,采用最小-最大规范化进行数据归一化预处理后,对RBF神经网络模型进行训练。最后,将训练后的模型迁移到EdgeTPU嵌入式AI开发板上进行通风质量预测。实验结果表明,相比于BP神经网络模型,提出方法具有更小的平均绝对误差,5种气体浓度的预测准确率均到达了87%以上,充分验证了其有效性。