基于BP 神经网络的矿井热动力灾害监测研究_张帆.pdf

Safety in Coal Mines 第 51 卷第 11 期 2020 年 11 月 Vol.51No.11 Nov. 2020 基于 BP 神经网络的矿井热动力灾害监测研究 张帆， 钟灏 （中国矿业大学 （北京） 机电与信息工程学院， 北京 100083） 摘要 针对煤矿井下热动力灾害监测方式单一、 易产生误判漏判等问题， 提出一种基于 BP 神 经网络的矿井热动力灾害监测方法。该方法根据矿井热动力致灾因素之间的相互耦合关系， 利 用多源数据融合的数据-特征-决策三级架构， 首先在数据级利用卡尔曼滤波算法对特征参量数 据进行归一化优化处理； 然后在特征级采用 BP 神经网络对特征参量数据进行多源融合识别， 获 得煤层自燃和明火燃烧的特征识别结果； 最后在决策级将特征识别结果与瓦斯浓度、 煤尘浓度 和特征信号持续时间相融合， 得出最终监测判决结果。研究表明 该方法综合多参数融合判断， 提高判决辨识矿井热动力灾害的准确率， 能有效解决对矿井热动力灾害监测的误判漏判问题。 关键词 热动力灾害； 数据融合； 卡尔曼滤波； BP 神经网络； 瓦斯浓度 中图分类号 TD727文献标志码 A文章编号 1003-496X （2020 ） 11-0216-05 Research on Mine Thermodynamic Disaster Monitoring Based on BP Neural Network ZHANG Fan, ZHONG Hao （School of Electrical and Ination Engineering, China University of Mining and Technology（Beijing） , Beijing 100083, China） Abstract Aiming at the problems of the monitoring of thermodynamic disaster in coal mines is single, which are prone to misjudgment and leakage, a for monitoring thermodynamic disaster of mines based on BP neural network is proposed. According to the mutual coupling relation of the mine thermodynamic causal factors, the uses three-level architecture for data-characteristics-decision of multi-source data fusion, first, the feature parameter data is normalized using the Kalman filter algorithm at the data level, and then, BP neural network is used for multi-source fusion recognition of feature parameter data at feature level to obtain the feature recognition result of coal seam spontaneous combustion and open flame combustion. Finally, the characteristic recognition results are fused with gas concentration, coal dust concentration and characteristic signal duration at the decision level to get the final monitoring verdict results. The research shows that this integrates multi-parameter fusion judgments, improves the accuracy of judgment and identification of mine thermodynamic disaster, can effectively solve the problem of misjudgment and leakage of mine thermodynamic disaster monitoring. Key words thermodynamic disaster; data fusion; Kalman filter; BP neural network; gas concentration 煤炭是我国的重要能源，在一次能源生产和消 费结构中占比 60左右， 对我国经济发展发挥着举 足轻重的作用[1]。我国每年的煤炭开采量巨大， 但矿 井热动力灾害时有发生，其影响着煤炭产业的发展， 对人员生命和财产安全都会造成严重的威胁[2-3]。煤 矿热动力灾害主要包括煤层自燃、煤层燃烧、瓦斯 燃烧、瓦斯爆炸、煤尘爆炸及其他原因的火灾等形 式[4]。传统的煤矿热动力灾害监测方法， 通常采用单 一的煤矿热动力灾害特征参数信息来对灾害情况进 行判定和辨别，然而单一的判定数据很容易受到周 围环境的干扰，从而导致监测系统产生误报甚至是 漏报，严重影响煤矿的安全生产。为此提出了一种 基于 BP 神经网络的矿井热动力灾害监测方法， 首 先利用多源传感器对矿井监测现场的各种相关数据 DOI10.13347/ki.mkaq.2020.11.045 张帆， 钟灏. 基于 BP 神经网络的矿井热动力灾害监测研究 ［J］ .煤矿安全， 2020， 51 （11 ） 216-220. ZHANG Fan, ZHONG Hao. Research on Mine Thermodynamic Disaster Monitoring Based on BP Neural Net－ work［J］ . Safety in Coal Mines, 2020, 51 （11） 216-220.移动扫码阅读 基金项目 国家重点研发计划资助项目 （2016YFC0801800） ； 中央 高校基本科研业务费资助项目 （2014YJ01） 216 Safety in Coal Mines Vol.51No.11 Nov. 2020 第 51 卷第 11 期 2020 年 11 月 图 1矿井热动力灾害监测算法层次功能模型 Fig.1Hierarchical functional model of mine thermodynamic disaster monitoring algorithm 信息进行采集，然后分别在各级层上采用智能融合 算法，将多种传感器所采集到的矿井热动力灾害参 数信息进行数据融合操作，从而达到在保证监测系 统实时性和准确性的前提下，对矿井热动力灾害进 行及时辨识和智能预警的目的。 1卡尔曼优化和归一化 1.1卡尔曼滤波算法基本原理 卡尔曼滤波算法 （Kalman filtering， KF）的基本 思想以前一时刻的最优估计状态为基准，预测下 一时刻的状态，并对其进行修正以得到最优的状态 估计。 假设线性随机系统的状态空间模型表示为 xkAxk-1Bukwk（1） zkHxkvk（2） 式中 xk为系统在 k 时刻的状态； uk为系统在 k 时刻的控制量； zk为系统在 k 时刻的量测值； A 为动 态系统的动态系数矩阵； B 为过程噪声和线性动态 系统的状态耦合矩阵； H 为量测系统灵敏度矩阵； wk、 vk分别为过程和量测的噪声。 假设当前时刻的系统状态为 k，则可根据系统 的前一状态估计当前的状态 xk|k-1Axk-1Buk（3） 式中 xk|k-1为通过前一状态估计的结果； xk-1为 前一状态的最优结果； uk为当前状态控制量， 若无控 制量其可为 0。 当前状态的协方差 pk|k-1Apk-1A T Q（4） 式中 pk|k-1为对应 xk|k-1的协方差； pk-1为对应 xk-1的协方差； A T 为 A 的转置； Q 为系统过程噪声 wk 的协方差矩阵。 在 k 时刻已经获得了新的预测值，再结合 k 时 刻状态的量测值， 得到当前状态的最优估计 xkxk|k-1Kk（zk-Hxk|k-1）（5） 式中 Kk为卡尔曼增益 （Kalman Gain） 。 Kk计算公式为 Kkpk|k-1H T （Hpk|k-1H T R） -1 （6） 式中 H T 为 H 的转置； R 为量测噪声 vk的协方 差矩阵。 由式 （5 ） 、 式 （6） 可获得 k 时刻的最优估计 xk。 为了系统还能够继续对 k1 时刻的状态迭代更新， 需要更新 k 时刻下 xk的协方差 pk （I-KkH） pk|k-1（7） 式中 I 为 1 的矩阵， 对于单模型单量测 I1。 1.2数据归一化方式 输入参量具有不同的量纲和量纲单位，而且数 值之间的大小差距也可能会比较大，如果直接应用 到数据分析中会极大地影响决策结果。因此，为了 消除不同量纲数据之间的潜在影响，对送入后续系 统的特征参量需做归一化处理。根据需要，采取 Min-Max 归一化方式，把特征参量都转化为 ［0， 1］ 之间的小数表示。 Yik Xik-Ximin Ximax-Ximin （8） 式中 Ximax为特征参量 i 的输入最大值； Ximin为 特征参量 i 的输入最小值； Xik为特征参量 i 第 k 次 的输入； Yik为特征参量 i 第 k 次输入的归一化值。 2数据融合技术在矿井热动力灾害监测中的应用 数据融合技术起源于 20 世纪 70 年代，其主要 目的是为了解决单传感器无法满足在军事作战中的 需求[5]。由于传感器具有高效快速的数据收集能力， 这就为数据融合的发展创造了无限的可能[6]。目前， 数据融合也被广泛地应用于智能监测、工业过程监 测、 交通管制、 机器人、 全局监视等领域[7]。简单的理 解，数据融合技术就是将从多个传感器得到的多源 数据信息进行综合处理， 从而得到更加精准、 可信的 判断结果[8]。 数据融合在矿井热动力灾害监测中的应用， 就 是利用其特有的三级融合框架 数据级、 特征级、 决 策级，将多源传感器采集到的监测数据进行逐级处 理、 分析， 最后得到可靠的决策结果[9]。矿井热动力 灾害监测算法层次功能模型如图 1。 1） 数据级的首要任务就是采集监测现场的各项 数据信息， 然后对采集得到的信息进行预处理操作。 217 Safety in Coal Mines 第 51 卷第 11 期 2020 年 11 月 Vol.51No.11 Nov. 2020 图 3神经网络结构模型 Fig.3Neural network structure model 其次， 经过预处理后， 如果出现了不平稳的信号， 则 提示特征级提取该信号及其同组其它信号的数据信 息；而未出现非平稳信号的组别则不再往特征级传 递， 即实现数据级的局部决策。 2） 特征级则对来自数据级的信息进行特征提取， 然后对特征信息运用智能算法进行融合，以达到识 别目标对象特征的目的。 3）决策级的作用是做出最终决策， 因此将它 们与其它相关信息再次融合， 从而得到最终的决策 结果。 2.1数据级特征参量的选取及优化 文献[4]研究表明， 由于矿井环境的特殊性， 各 种热动力灾害之间具有一定的关联性，矿井热动力 灾害间的互相作用关系如图 2。 煤层自燃、明火燃烧和爆炸作为矿井热动力灾 害的 3 种不同状态， 其特征信息也有着明显的不同。 因此，将矿井热动力灾害的表现形式分为煤层自 燃、明火燃烧以及爆炸。热动力灾害的发生往往伴 随着温度的上升和烟雾的产生，而瓦斯时时刻刻都 在从煤矿中涌出。研究表明，不管是自燃倾向性较 高的褐煤、易自燃的长焰煤，还是自燃倾向性较低 的气煤以及最低的焦煤， 随着温度的升高， CO 的析 出时间都是很早的，其产生量也都是非常大的， 而 且明显区别于空气原有的 CO 含量[10]。因此， 根据矿 井热动力灾害的表现形式和发生灾害前兆的特征体 现，对其特征参数的选取主要为监测区域的环境温 度、 烟雾浓度、 CO 浓度、 瓦斯浓度和煤尘浓度。 在矿井热动力灾害监测算法特征参数的选择 中， 温度、 烟雾浓度、 CO 浓度作为数据级的输入， 而 瓦斯浓度和煤尘浓度则是作为决策级决策系统的决 策参量输入。其中，温度是矿井热动力灾害发生的 主要特征体现，其变化通常持续整个灾发过程， 而 烟雾浓度和 CO 浓度变化最明显的阶段通常是在灾 发初期。为了保证采集数据的准确性、实时性和决 策结果的可靠性，同时又为了避免数据级处理信息 量过大而导致冗杂。因此，在数据级中仅对温度进 行 KF 优化处理。 2.2数据级特征参量的阈值选择 不同种类的煤所需要的着火温度也不一样， 以 褐煤为例进行阈值设置。文献[10]研究表明， 褐煤煤 尘层的最低着火温度为 240 ℃， 所以， 将 240 ℃定为 参量温度的最高阈值。CO 是煤层自燃过程中产生 的最鲜明的标志性气体，褐煤析出的 CO 浓度随其 温度的升高变化非常明显， 在 200 ℃时便能达到 8 000 mg/m3以上， 可作为煤层自燃早期预测指标[11]。 故将参量 CO 的最高阈值设置为 8 000 mg/m3。烟雾 的产生也是煤层自燃初期比较明显的特征之一， 设 置其浓度最高阈值为 10 obs/m。瓦斯的爆炸浓度 界限为 5～16，其浓度低于 5只会燃烧不会产 生爆炸， 故以 5设置为瓦斯浓度的最高阈值。当褐 煤的煤尘浓度达到 100 g/m3时已经能够发生爆炸， 达到 400 g/m3时爆炸威力达到最大[12]， 因此将煤尘 浓度的最高阈值设置为 100 g/m3。当各参量的数值 达到甚至超过最高阈值， 其归一化后的值皆为 1。 2.3特征级融合 作为矿井热动力灾害不同的 2 种表现形式， 煤 层自燃和明火燃烧有着区别明显的特征表现。因 此， 在特征级采用 BP 神经网络算法[13]， 并且将煤层 自燃和明火燃烧分别作为识别输出对象。 BP 神经网络算法是有监督的学习算法， 且具有 很高的容错率[14]。BP 神经网络有多种不同的实现规 则 ， 而 本 文 所 采 用 的 是 基 于 LM （Levenberg - Marquardt） 规则的 BP 神经网络[15]。网络采用 3 层的 神经网络结构模型[16]如图 3。输入层包含了温度 I1、 CO 浓度 I2和烟雾浓度 I33 个神经元；隐含层节点 数为 4； 输出层包含了煤层自燃概率 O1和明火燃烧 概率 O22 个神经元。 2.4决策级系统模块 在特征级，已经得到了矿井热动力灾害的特征 图 2矿井热动力灾害间的互相作用关系 Fig.2Interaction relationship between the mine thermodynamic disasters 218 Safety in Coal Mines Vol.51No.11 Nov. 2020 第 51 卷第 11 期 2020 年 11 月 融合结果， 即煤层自燃概率 O1和明火燃烧概率 O2。 在决策级， 将采用模糊推理[17-19]进行决策融合， 决策级功能结构模型如图 4。 根据现实情况， 决策系 统的输出应该是多级结果。对于矿井监测现场的具 体情况而言，决策级的输出不能仅仅只是通过矿井 热动力灾害特征概率来判断和划分等级，更应该结 合矿井监测现场的更多其他信息来进行融合决策。 因此，再结合矿井热动力灾害之间的互相影响关 系，在决策级将引入瓦斯浓度和煤尘浓度决策因 子。同时， 由于井下环境存在信号干扰， 为了减少误 判， 将特征信号的持续时间也作为决策因子之一。 决策级的输入量有 4 个煤层自燃概率 O1、 明 火燃烧概率 O2、 瓦斯浓度 W1、 煤尘浓度 W2、 特征信 号持续时间 T。输入量的模糊化都将设置成 3 个模 糊集 正大 （PB） 、 正中 （PM） 和正小 （PS） 。决策级输 出量为矿井热动力灾害情况 O，其模糊化分为 4 个 模糊集 无灾情（ZO） 、 疑似灾情（PS） 、 火灾预警 （PM） 、 爆炸预警 （PB） 。 决策级模糊推理采用 Mamdani 规则[20-22]， 隶属 度函数采用正态分布确立，语言控制规则依据现场 收集的参量特征确定。 如， 煤层自燃概率 O1为正小， 明火燃烧概率 O2为正小，瓦斯浓度 W1为正小， 煤 尘浓度 W2为正小， 特征信号持续时间 T 为正中， 则 输出结果为无灾情。其语言控制规则格式如下 If ［O1is PS］ and ［O2is PS］ and ［W1is PS］ and［W2is PS］ and［T is PM］ then［O is ZO］ 3实验验证 为了验证方法在矿井热动力灾害监测中的可行 性，尤其是对数据级的信息优化能力和特征级的识 别能力进行验证。对数据级所采用的 KF 优化能力 进行了仿真验证，对特征级神经网络的 LM 算法和 BR （Bayesian Regularization）算法进行了仿真对比。 实 验 平 台 采 用 NVIDIAGeForce MX250、 Intel（R） Core （TM）i5-8265U CPU 和 8 GB RAM 的 Windows 10 64 bit。使用的仿真软件是 MATLAB R2016a。 3.1数据级的信息处理能力 在数据级中，需要对温度采取 KF 算法进行数 据优化处理。假设当前采集到的的温度数据为 300 ℃，然后将其利用 KF 算法进行优化处理。KF 温度 优化处理如图 5。 从图 5 （a） 中可以看出， 经过 KF 处理后的结果 更加贴近真实值，相比于直接测量的结果更加精 确。 图 5 （b） 更加直接地看出， KF 处理后的误差是明 显小于直接测量的误差。所以， 在数据级使用 KF 算 法对温度进行优化处理是对决策系统的精确性有提 升意义的。 3.2特征级的识别能力验证 特征级利用 BP 神经网络算法对数据级传来的 信息进行特征融合处理，得出矿井热动力灾害的具 图 4决策级功能结构模型 Fig.4Decision-level functional structure model 图 5KF 温度优化处理 Fig.5KF temperature optimization processing 219 Safety in Coal Mines 第 51 卷第 11 期 2020 年 11 月 Vol.51No.11 Nov. 2020 体情况。特征级的特征融合结果会直接影响到决策 级的最终决策结果，其融合处理效率也会极大地影 响整个监测系统的工作效率。这里对 BP 神经网络 中的 LM 算法和 BR 算法进行了简单的比较。将模 拟实验采集的矿井热动力灾害数据分别输入 LM- BP 神经网络和 BR-BP 神经网络，得到的其最佳性 能曲线和训练曲线如 （略） 。LM 算法的最佳验证性 能仅仅 7 次就可以达到， 为 0.015 751； 而 BR 算法 则需要 235 次才能达到， 为 0.001 457 7。 虽然 BR 算 法的验证性能较 LM 算法稍佳，但是 LM 算法的验 证次数明显优于 BR 算法。LM 算法仅 13 次就可以 完成训练， 而 BR 算法却需要 236 次才能完成。同时 LM 算法在训练精度上也明显优于 BR 算法。 实验结果表明， 采用的 LM 算法的 BP 神经网络 更加适用于矿井热动力灾害的监测。 4结语 1 ） 根据数据-特征-决策三级多源数据融合架构， 提出基于 BP 神经网络的矿井热动力灾害的监测方 法。首先根据数据级特征参量的选取及优化，针对 燃烧的种类进行判断，然后再结合矿井中的瓦斯浓 度和煤尘浓度进行爆炸判定。数据级针对温度进行 KF 优化处理， 对爆炸判定结果的准确性也具有很大 的提升。 2 ） 实验结果表明， 提出的监测方法能根据不同 煤种进行特征参量阈值设定， 以达到最佳智能监测报 警效果。并根据当前环境条件设定各参量最低阈值， 提高了监测方法对不同环境的适应性和可靠性。 参考文献 ［1］ 丁百川.我国煤矿主要灾害事故特点及防治对策 ［J］ . 煤炭科学技术， 2017， 45 （5） 109-114. ［2］ 梁运涛， 侯贤军， 罗海珠， 等.我国煤矿火灾防治现状 及发展对策 ［J］ .煤炭科学技术， 2016， 44 （6） 1-6. ［3］ 孙继平， 孙雁宇.矿井火灾监测与趋势预测方法研究 ［J］ .工矿自动化， 2019， 45 （3） 1-4. ［4］ 王德明.煤矿热动力灾害及特性 ［J］ .煤炭学报， 2018， 43 （1） 137-142. ［5］ 闫晗晗， 邢波涛， 任璐， 等.遥感数据融合技术文献综 述 ［J］ .电子测量技术， 2018， 41 （9） 26-36. ［6］ LauBPL, Marakkalage SH, Zhou Y, et al. A Survey of Data Fusion in Smart City Applications ［J］ . Ination Fusion, 2019, 52 357-374. ［7］ 侯秀丽， 阮进军.无线传感网络多源信息融合技术研 究 ［J］ .电子世界， 2019 （5） 199-200. ［8］ 罗俊海， 杨阳.基于数据融合的目标检测方法综述 ［J］ . 控制与决策， 2020， 35 （1） 1-15. ［9］ 傅剑锋， 雍静.基于数据融合技术的火灾探测算法 ［J］ . 低压电器， 2007 （12） 22-24. ［10］ 刘天奇.不同煤质煤尘云与煤尘层最低着火温度实 验研究 ［J］ .燃烧科学与技术， 2019， 25 （5） 445-450. ［11］ 沈云鸽， 王德明， 朱云飞.不同自燃倾向性煤的指标 气体产生规律实验研究 ［J］ .中国安全生产科学技 术， 2018， 14 （4） 69-74. ［12］ 刘浩雄， 刘贞堂， 钱继发， 等.煤尘二次爆炸特性研究 ［J］ .工矿自动化， 2018， 44 （6） 80-86. ［13］ 梁燕华， 张传斌.基于神经网络数据融合实现火灾预 警 ［J］ .科技传播， 2017， 9 （4） 11-12. ［14］ 张令心， 戴静涵， 沈俊凯， 等.基于 LM-BP 神经网络 的钢筋混凝土框架结构震害快速预测模型 ［J］ .自然 灾害学报， 2019， 28 （2） 1-9. ［15］ Nagalakshmi S, Kamaraj N. On-line uation of Loa- dability Limit for Pool Model with Tcsc Using Back Propagation Neural Network ［J］ . International Journal of Electrical Power and Energy Systems，2013, 47 52. ［16］ 连方圆， 白静.一种改进的基于神经网络的 WSN 数 据融合算法 ［J］ .计算机测量与控制， 2014， 22 （2） 476-479. ［17］ 潘正华.模糊推理算法的数学原理 ［J］ .计算机研究与 发展， 2008， 45 （S1） 165-168. ［18］Ojha V, Abraham A, Snšel V. Heuristic Design of Fuzzy Inference Systems a Review of Three Decades ofResearch ［J］ . EngineeringApplications of Artificial In- telligence, 2019, 85 845-864. ［19］ 王兰婷， 裴道武.一般全蕴涵模糊推理方法 ［J］ .模糊 系统与数学， 2019， 33 （3） 46-55. ［20］ 张琦， 朱合华， 黄贤斌， 等.基于 Mamdani 模糊推理的 山岭隧道围岩 RMR14 分级 ［J］ .岩土工程学报， 2017， 39 （11） 2116-2124. ［21］ 王坚， 史朝辉， 郭新鹏， 等.Mamdani 模糊推理算法的 直觉化扩展 ［J］ .计算机科学， 2016， 43 （S1） 44-45. ［22］ 李长龙， 刘伟， 周邵萍.基于 Mamdani 模糊推理的槽 罐车运输安全评价 ［J］ .华东理工大学学报 （自然科 学版） ， 2017， 43 （4） 591-596. 作者简介 张帆 （1972） ， 甘肃白银人， 副教授， 博 士， 现任中国矿业大学 （北京） 机电学院副院长。从事矿井 安全监控与通信技术研究， 发表学术论文 30 余篇。 （收稿日期 2019-12-26； 责任编辑 陈洋） 220