基于PSO-BP神经网络的浅埋煤层工作面顶板矿压预测研究.pdf
西安科技大学 硕士学位论文 基于PSO-BP神经网络的浅埋煤层工作面顶板矿压预测研究 姓名杨硕 申请学位级别硕士 专业采矿工程 指导教师黄庆享 论文题目基于 PSO-BP 神经网络的浅埋煤层工作面顶板矿压预测研究 专业采矿工程 硕 士 生杨硕(签名) 指导教师黄庆享(签名) 摘要 浅埋煤层工作面顶板来压猛烈,支架动载明显,易造成支架损坏。目前多数煤矿的 矿压预报还依赖于专家经验和工程类比,依靠经验来指导生产存在一定的局限性和盲目 性。人工神经网络预测技术已广泛应用于煤矿,采用这一新方法可以对工作面顶板矿压 显现进行预报,对煤矿安全生产具有重要意义。 通过对浅埋煤层顶板矿压机理进行总结研究,分析并得出浅埋煤层工作面矿压的影 响因素推进距离、采高、 基载比、基岩厚度等。对现有的 BP 神经网络Back Propagation Neural Network和粒子群优化算法Paticle Swarm Optimization理论进行总结和改进,将 改进后的 PSO 算法训练 BP 神经网络,建立 PSO-BP 神经网络模型。该模型能够表达工 作面顶板矿压与影响因素之间的相互关系,进而预测顶板矿压。 以神东哈拉沟煤矿 02212 综采工作面为工程背景,进行基于 PSO-BP 神经网络模型 的矿压预测实践研究。通过工作面液压支架的工作阻力进行观测,分析观测数据,得出 该工作面的矿压显现规律并确定影响因素。运用非线性回归分析,计算这些影响因素的 相关系数,选取敏感因素作为输入参数,导入 PSO-BP 神经网络模型,得出该工作面顶 板矿压与影响因素的相互关系的表达式。 依据现场支架载荷数据与推导的关系表达式,运用 Matlab 的软件编程与计算,对 工作面 10 个工作循环的支架载荷数据进行预测,实现了 PSO-BP 神经网络工作面顶板 矿压仿真计算。将预测值与实测值进行误差分析,并同单一的 BP 模型进行比对,结果 表明,PSO-BP 神经网络模型较好的预测了顶板矿压,准确性明显优于 BP 模型。 研究表明,基于 PSO-BP 神经网络模型预测工作面顶板矿压是一种较为可靠的预测 方法,该方法作为煤矿安全生产的辅助决策手段,具有广阔的工程应用前景。 关 键 词粒子群优化;神经网络;矿压观测;浅埋煤层;预测 研究类型应用研究 SubjectSubjectSubjectSubject ResearchResearchResearchResearch BasedBasedBasedBased onononon thethethethe PSOPSOPSOPSO-BP-BP-BP-BP NeuralNeuralNeuralNeural NetworkNetworkNetworkNetwork totototo ForecasteForecasteForecasteForecaste thethethethe PressurePressurePressurePressurefromfromfromfrom WorkingWorkingWorkingWorking FaceFaceFaceFaceRoofRoofRoofRoof inininin ShallowShallowShallowShallow SeamSeamSeamSeam SpecialtySpecialtySpecialtySpecialty MiningMiningMiningMining EngineeringEngineeringEngineeringEngineering NameNameNameName YangYangYangYangShuoShuoShuoShuoSignatureSignatureSignatureSignature InstructorInstructorInstructorInstructor HuangHuangHuangHuang QingQingQingQing xiangxiangxiangxiangSignatureSignatureSignatureSignature ABSTRACTABSTRACTABSTRACTABSTRACT The pressure of working face roof changes violent,short duration in Shallow seam,and the roof step cut off coal wall along,and the intense roof weighting, very Easily lead to hydraulic support destroy. Now, most coal mine pressure forecast also depends on the expertise and engineering analogy, Depending on experience to guide the production of certain limitations and blindness.Artificial Neural Networks have been widely used to many natural and social sciences field prediction step, and get good results. This new of Artificial Neural Networks that prediction roof mine pressure in shallow seam.It is important that coalmine production safety. Through the mechanism of shallow seam roof strata to summarize research, analysis and reached that factor which the mine pressure of working face in shallow seam. summarized and improvements to BP neural network and particle swarm optimization theory on the existing. with the modified PSO algorithm to train BP neural network, set up PSO-BP neural network model. The model is able to express the relationship that roof pressure between factors, to predict roof pressure. It is Engineering Background that HaLaGou mine 02212 Fully-Mechanized Face, researching base on the PSO-BP Neural Network to Forecaste the Pressure from Working Face Roof in Shallow Seam. The observation to working resistance of face hydraulic support, analysing observe data, determined on CoalPressureAppearance Rule of this woking face and manyfactors,ApplicationofNonlinearRegressionAnalysis,calculatingCorrelation Coefficient of this factors,selecting Significantly factors to vector, Substitution PSO-BP neural network model, the ula that express the relationship of roof pressure between factors was obtained. Based on Relational Expression of roof pressure between factors and support load data,application of Matlab Software Programming and count, Forecasting On the faceinthe next 10 working cycle support load forecast data to realize the PSO-BP neural network simulation of roof strata. The predicted and measured values for error analysis, and the BP model with a single comparison, the results show that, PSO-BP neural network model can predict the roof strata, the accuracy is better thanBP model. Studies show that the PSO-BP neural network prediction model roof strata is a more reliable prediction for coal mine safety production decision support tools, has a broad applicationprospect. KeyKeyKeyKey wordswordswordswords PSOBP neural networkThe pressure from working face roof ForecastShallow seam ThesisThesisThesisThesis Applying Base Study 1 绪论 1 1绪论 1.1研究背景 预测问题是国民经济和社会发展中的一个具有普遍性的科技难题。对于煤炭的井工 开采作业来说,能够预知未来工作面顶板矿压的显现程度,并及时控制影响因素,采取 有效措施防止顶板突然跨落,无疑是矿区生产顺利进行,实现可持续发展、高产、高效 工作面的直接保证。尤其是陕北神府矿区,该矿区煤层一般都属于浅埋深、薄基岩的煤 层,基岩厚度多数在 20~70m 之间,平均厚度 50m。矿区部分区域存在厚基岩情况, 如大柳塔煤矿活鸡兔井基岩厚度多为 57~148m,平均厚度为 120m。该井田中砂岩的完 整性较好,顶板不易垮落,而且基岩厚度大,采用常规预裂爆破方法很难缩短初次来压 步距,势必造成老顶长时间悬空,对工作面人员、设备等都构成了极大的威胁。因此, 工作面顶板的稳定对于整个生产的顺利进行显得愈加重要。如果能够寻求一种较好的预 测方法来对工作面顶板剧烈来压时段提前做出可靠的判断,将有利于井下尽可能早的掌 握顶板来压的未来状况,以便及时采取相应的措施,有效地控制影响因素,避免开采工 作中的盲目性和被动性,减少事故。这就为预测学在矿压与岩层控制中的应用提供了无 限动力。 由于煤矿的井工开采必须从地面向地下开掘一系列井巷,其生产过程是地下作业, 自然条件比较复杂,开采过程中主要存在矿井通风,存在瓦斯、煤尘、顶板、火、水五 大灾害。其中,顶板是指煤层上部的岩层,随着掘进工作面的不断向前推进,顶板暴露 面积也随着加大,致使顶板经常出现弯曲、下沉、裂隙、掉渣、冒落等,造成生产停顿 甚至人员伤亡的严重事故。 近年来, 尽管出现了兖州、 神华等安全、生产居世界一流的现代化矿区和大型矿井 , 虽关闭了数以万计的乡镇煤矿,我国煤矿伤亡事故严重的局面仍然没有得到有效的控 制。而在煤矿五大自然灾害中,无论发生次数还是死亡人数,顶板灾害事故占的比重都 是最大的。尽管随着煤炭工业科学技术的发展,液压支架的使用,机械化程度的不断提 高,顶板事故所占比例正在大幅度下降,可是在实际挖采工作中,由于顶板意外冒落造 成人员伤亡、设备损坏、生产终止等的事故还是屡屡发生,常常防不胜防。 据国家安全生产监督总局调查统计,2008 年在煤矿顶板、瓦斯、机电、运输、爆破 、 水灾、火灾及其他等八类事故中,顶板事故发生率最高,占事故总起数的 55,死亡人 数最多,占全部死亡人数的 43以上,顶板事故和瓦斯事故的发生起数和死亡人数占总 数的 66和 69。在人员伤亡方面,每一次死亡 3 人以上的事故中,瓦斯、顶板和水害 事故占全年事故总起数的 90以上见图 1.1。。调查数据还显示,在国有煤矿每发生一次 西安科技大学硕士学位论文 2 死亡 3 人的事故中,采掘工作面事故起数和死亡人数均占 75以上;其中掘进工作面事 故起数和死亡人数分别占 40.92和 42.62;2008 年 17 起重大以上瓦斯事故中,掘进 工作面发生 11起,占 65;25 起较大煤与瓦斯突出事故中,16 起发生在掘进工作面, 占 64[1,2]。 从调查数据来看,在煤矿生产中重大事故 50以上皆由顶板事故引起,而顶板事故 中又有 50是发生在工作面。 顶板 , 1032起, 52.8 瓦斯 ,182 起, 9.3 机电 ,106起 , 5.4 运输 ,348 起, 17.8 放炮 , 39起 , 2.0 水害 ,59起, 3.0 火灾,11起, 0.6 其他 ,177起 , 9.1 顶板 , 1032起, 52.8 瓦斯 ,182 起, 9.3 机电 ,106起 , 5.4 运输 ,348 起, 17.8 放炮 , 39起 , 2.0 水害 ,59起, 3.0 火灾,11起, 0.6 其他 ,177起 , 9.1 图 1.1a 2008 年煤矿各项事故起数统计 运输 ,400 人, 12.4 放炮,55人, 1.7 顶板,1222人, 38.0 瓦斯 ,778人, 24.2 机电 ,109 人, 3.4 水害 , 263人, 8.2 火灾,111人, 3.5 其他,277人, 8.6 运输 ,400 人, 12.4 放炮,55人, 1.7 顶板,1222人, 38.0 瓦斯 ,778人, 24.2 机电 ,109 人, 3.4 水害 , 263人, 8.2 火灾,111人, 3.5 其他,277人, 8.6 图 1.1b 2008 年煤矿各项事故死亡人数统计 从上述数据可以看出,顶板事故无论从发生的频率上还是人员伤亡上都占主体地 位。之所以会出现这种情况,是由于顶板的控制设计与管理一直靠经验来进行,没有什 1 绪论 3 么理论依据,以及由于开采设计和实施管理决策理论的不完善,特别是缺少可靠的信息 基础,只是靠简单的统计经验条例来管理生产。虽然经验在一定程度上具有一定的可借 鉴性甚至可提高效率,但是完全依靠经验来指导生产难免存在一定的局限性和盲目性, 以此很难做到安全的控制顶板,从而出现顶板事故频繁发生,支护效率低,经济效益差 的局面。从长远的发展来看,随着环境不断的变化,单靠经验对顶板控制进行设计,必 将影响技术装备的更新。另外由于开采设计决策和实施管理决策理论的不完善,特别是 缺少可靠的信息基础,靠简单的统计经验决策条例来管理生产必定存在一定的误差,从 而增加了事故发生的概率。因此,从这方面讲,我们需要进一步完善采矿工程理论,特 别是重大事故预测和控制的理论,深入研究引起相关事故发生的矿山压力和岩层运动规 律等动力信息基础。把煤矿安全高效开采决策和实施管理推进到针对具体煤层条件和开 采技术条件科学决策发展阶段进而实现顶板控制的信息化、智能化和可视化,也是从根 本上解决我国矿山安全现状的急迫任务。 1.2研究意义 我国应用仪表预报回采工作面顶板压力已有四十多年历史,期间顶板的控制主要是 通过仪表的测量数据和工作过程中积累的信息而采用数字控制及过程计算机控制,在计 算机控制系统中,计算机用于监控系统以实现模型计算和过程监视等,采用这种控制体 系,负责该过程的工作人员通过仪表的测量值、系统的信息和积累的经验来修改、调整 系统的设定值,从而达到控制要求。这项工作选用有数个指标,应用有多种仪表。预报中 有成功的经验,也有失败的教训。 因此,以矿压现场观测为依据,寻找对工作面顶板来压预测预报的理论与方法,对 实现矿压观测研究直接为煤矿安全生产服务,提高煤矿岩层控制的技术水平并使顶板管 理与支护工作进一步科学化和合理化具有重要的意义。 但由于井下工作面顶板来压与其影响因素之间关系复杂,利用线性方程难以表达它 们之间的内在联系。本文利用能够解决非线性关系的 ANN 算法,建立矿压显现预报的 人工神经网络模型。利用粒子群优化神经网络模型的权值和阙值,利用改进的粒子群优 化算法来训练 BP 神经网络,模仿人脑的运行机制,使其学习并记忆井下实测压力的变 化规律。并据此推测未来时刻的矿压变化趋势、实时预报顶板来压特征,自适应地对来 压做出预测预报。 总之, 在井工煤炭开采的过程中, 最重要的控制目标就是维持当前工作面顶板稳定 , 保证生产顺利进行。工作面顶板来压预测模型用于液压支架后,可以实时跟踪并预测当 前的顶板压力,及时向操作人员进行来压报警,并以图表形态显示每下一次工作循环的 顶板未来压力变化,将有利于井下尽可能早的掌握顶板来压的未来状况,以便及时采取 相应的措施,有效地控制影响因素,避免开采工作中的盲目性和被动性,减少事故。工 西安科技大学硕士学位论文 4 作面顶板来压预测模型的使用会使开采工作更加平稳,对现场测量数据及仪表指针的监 视更为方便有效。 1.3国内外研究现状 1.3.1 人工神经网络模型 人工神经网络是一个并行、分布处理结构,它由处理单元及称为联接的无向信号通 道互连而成。这些处理单元就是人工神经元,每一人工神经元的输出可以被任意分支, 且大小不变,输出信号可以是任意的数学模型,人工神经元完全的局部操作。 人工神经网络的结构起源于人类大脑神经分布见图 1.2,它作为连接主义方法的先 导性技术,人们试图通过对它的研究最终揭开人脑的奥秘,建立起模拟人脑功能和结构 的智能系统,使计算机能够像人脑那样进行信息处理。 图 1.2神经网络结构的由来 尽管岩石力学理论和计算方法近四十年来取得了丰硕的成果,但由于岩体的复杂性 和采矿的多变性,岩石工程的设计与决策在许多情况下,还主要凭借专家经验和工程类 比。随着计算机科学,尤其是人工智能神经网络的发展,才使知识和经验的科学利用成 为可能。二十世纪九十年代中期以来,由于计算机技术的飞速发展,神经网络的研究掀 起了新的高潮,在许多领域如探矿、石油、交通、控制等方面神经网络得到了广泛的应 用,神经网络领域中的整体模型也在逐步完善。 神经网络在矿山中的应用研究已有近二十年,把神经网络专家系统应用于岩石力 学,可以把各种行之有效的方法专家经验、工程经验、理论分析、数值计算、实验模 拟、现场观测综合到一个基于知识的智能系统中。利用神经网络的拓扑结构、自组织 学习等特点,近年来在矿山中神经网络的应用已取得很好的成果。在开采设备选择、计 算机分区确定地质图形、开采台阶的控制、煤层底板突水和瓦斯含量预测等方面的神经 网络应用已发挥了广阔的空间。从发展的角度来看,人工神经网络模型和专家系统已成 1 绪论 5 为当前煤炭开采等诸多工程智能预测开发的主要潮流和方向。神经网络技术实际上还是 属于统计的方法,但它与统计学方法的区别就是神经网络的自学习功能。在预测效果不 能满足要求时,神经网络就可以对外界条件的变化进行自学习,以满足预测的要求提高 预测命中率。该系统可以把领域专家和优秀工长的经验知识结合在一起,只要领域专家 提供范例及相应的解,通过特定的算法对样本进行学习,经过网络内部自适应算法,不 断修改权值,把专家求解实际问题的启发式知识分配到网络的拓扑结构及权值分布上。 神经网络的知识获取过程与它的知识表示同时完成,当网络学习结束,系统将所获得的 知识表示为权值矩阵或阙值向量,从而解决了传统专家系统的“瓶颈”问题。 总之,神经网络是借鉴真实神经系统的某些功能,抽象、概括、简化而成的一类数 学模型[6],它不同于一般的抽象数学研究,具有明确的目的性和极大的自由度[7]。因此, 神经网络专家系统的方法不断的被采用,现在已经成为人工智能的热点领域。 1.3.2 人工神经网络在矿山中的应用进展 我国应用神经网络原理研究矿压控制于 1995年开展, 当时还处于初级阶段。 文献[8-9] 等在岩石力学智能化的研究领域开展了卓有成效的工作, 他们应用人工智能、 神经网络 、 模糊数学等近代科学的基本理论,探讨了智能岩石力学的推理方法、自适应模式识别方 法,联想、不确定性处理、专家系统等问题,提高了岩石力学解决工程实际生产的能力 。 如今我国运用人工智能技术来解决矿山问题在近十五年来已取得了相当可观的成 果,并已引起矿山技术人员重视,尤其确定性任务情况采用基于知识的专家系统是成功 的,神经网络在矿山中的运用,起步比较晚,但其技术的迅速发展和潜力已被工程技术 人员所认识,在矿山实际问题中如模式识别和分类很适用神经网络。神经网络引起矿山 技术人员重视的另一原因是它可以独立于或补充其他人工智能技术。 下面就神经网络在矿山中应用作简单介绍[4]。 1 英国诺丁汉大学采矿系 AIMS 研究小组用来估计矿石品位的 GEMNET。它主要 用于在已知部分矿体点的地质资料情况下,确定矿体其余部分的矿石品位和赋存情况。 它通过用已知点的地质情况作为神经网络的输入单元,不断调整中间层的权值,使输出 令人满意。然后把未知点用已知点和它们之间距离表示出来作为未知点的地质资料输入 神经网络,通过 GEMNET 网络能很好估计出未知点的地质情况。 GEMNET 神经网络由四部分组成,数据预处理模型、神经网络训练模型、地质图 形估计模型和分析结果的模型。数据预处理模型用已将原数据转变成神经网络输入器可 接收的形式,它主要是将一些已知数据组合、合并、分类。地质图形估计模型用来调整 影响神经网络的参数及其类型。神经网络训练模型是 GEMNET 的核心,它利用上面的 数据和结构信息来改变权值,创造出良好的估计模型。而用以估计和分析结果的模型主 要依据输出单元值和理想值差别,对神经网络层次和元素,以及元素之间的权值加以调 西安科技大学硕士学位论文 6 整。 2 基于神经网络的露天矿开拓系统设计专家系统 MDDE。该系统由阜新矿业学院 马云东及其课题组研制。该系统包括两个隐含层,共有四层神经元。各层神经不存在互 连,只是向前传递,即各层神经元只与其前层神经元相连。MDDE系统由四部分组成, 预估计单元、权值转换单元、转换单元和输出单元。MDDE 已经通过两个实例测试。 通过测试可以吧逻辑思维和想象思维通过神经网络综合起来考虑,用于选择矿山开拓计 划和确定开拓参数。 3 用以识别不连续岩石空间结构的神经网络。它是由加拿大 Laval Quebec 大学采 矿系 John Hadjigcorgiou 提出的。他利用 Hornik 提出的用以解决分类问题的前馈神经网 络,用了四层神经元,通过对在德国和加拿大收集的 141 组地质数据训练,该神经网络 能正确鉴别出 133 组,成功率 94。 4 基于小波包变换和神经网络的煤与瓦斯突出预测。2006 年初,辽宁工程技术大 学在基于小波包变换和神经网络的煤与瓦斯突出预测的研究中,以自适应神经网络的基 本原理为基础,研究了煤与瓦斯突出声发射自适应神经网络预测的原理,创造性的提出 了基于小波包变换的去噪方法,从而解决了声发射信号中含有大量的噪声和当前去噪技 术不能很好的得以准确预报的难题。将声发射自适应神经网络模型应用于煤与瓦斯突出 危险性预测,实现了煤与瓦斯突出危险性的声发射动态趋势预测。 5 基于粒子群优化神经网络的煤层底板突水预测。中国矿业大学资源与地球学院 于 2009 年运用粒子群优化人工神经网络建立煤层底板突水预测模型,该模型利用粒子 群优化神经网络模型的权值,克服了 BP 网络容易收敛到局部最小值和收敛时间较长等 缺点。并且在实践中表明,该方法不仅能更快地收敛于最优解,且预测精度还有明显提 高。 6 软岩巷道变形灰色神经网络预测模型。2007 年西安科技大学能源学院邓广哲教 授和研究生王小朋在软岩巷道变形位移的研究中,根据现场实测的巷道围岩历史位移变 形值数据, 建立了灰色系统和神经网络两者组合的灰色神经网络 GNNM1,1模型以对现 场巷道未来演化规律和发展趋势进行预测。通过对现场巷道后期的变形得实例进行分 析, 将预测值与实测值进行误差对比,结果表明 GNNM1,1模型预测结果与实际结果拟 合的很好,预测效果优于任一单项模型,可较准确地预测软岩巷道变形位移。 7 其他应用。挪威地学学院巴顿提出用神经网络对岩块进行分类;Lee,C.Sterling 提出用神经网络确定岩石中可能存在的断层;Flament 提出用神经网络控制矿山工作平 面。 综上所述,众多的矿山专家系统一般使用的 ANN 模型绝大部分是反向传播网络 BP或其变形。近年来,一些功能强大、算法先进、网络结构较为复杂的 ANN 模型也 开始应用于矿山中,例如自组织特征映射网络 SOFM、径向基函数网络Redial Basis 1 绪论 7 Function,简称 RBF、自适应共振网络ART等。矿山中使用 ANN 模型最重要的用途 是预测, 占到总数的 35左右。其中,绝大部分是多变量预测,占预测总数的 80以上 , 单变量的时间序列预测仅占 20。其它 ANN 的优势功能如模式识别、分类和模拟等也 在矿山中得到较多应用。 1.3.3 煤矿顶板矿压预测的研究现状 我国矿压显现及其控制的专家系统及人工智能研究始于九十年代初,而基于神经网 络系统的研究也已近十几年。随着目前矿山监测水平的提高和信息技术的进步,我国的 各大煤炭企业也开始进行矿山专家系统的开发和研究,主要采取从国外引进和自主研发 两种形式,或者从国外引进再进行二次开发,或者和高校联合独立开发。 1 贵州工学院和大同矿务局等单位在顶板来压预报的研究。 二十世纪九十年代中期,贵州工学院采矿系吴洪词等人,在工作面底板分类与顶板 来压预报的研究中,建立了长壁工作面底板分类及单体液压支柱底座选型的人工神经网 络 BP 网络模型,并通过网络自适应学习与匹配联想,得出了工作面底板类别与单体 液压支柱底座型式相对应的结果。并通过邻城相互作用算法与 BP 网络耦合,预报了采 煤工作面顶板来压。同时,大同矿务局生产技术处利用 BP 网络对采煤工作面顶板来压 步距进行预测。利用人工神经元网络方法代替原来的多元非线性回归,以顶板来压时实 测的数据作为输入参数,得到输出结果,判断了顶板来压步距。试验结果均表明,所得 结果与实际吻合良好。 于此同期,东北大学的冯夏庭教授与煤炭科学研究总院北京开采研究所姚建国两人 应用神经网络系统理论,提出了煤矿顶板压力显现实时预报的自适应模式识别方法,能 够预报出顶板未来的矿压显现规律、来压步距和来压强度。并在实际应用中表明,此方 法虽属于单因素顶板矿压预测,单其对来压强度的预报准确率达到 93,对来压步距的 预报准确率更是达到了 100。 2 顶板来压识别与预测的复合小波神经网络。 2003 年, 华北科技学院张丽华与北京科技大学蔡美峰两人在顶板来压识别与预测的 复合小波神经网络的研究中,以工作面矿压理论为基础,结合单体支柱工作面矿压观测 数据,应用复合小波神经网络方法对回采工作面基本顶来压进行了识别和预测,也有效 地实时预测了顶板来压特征来压步距与来压强度。 3 智能化煤矿顶板预报用岩体声发射监测系统。 智能化煤矿顶板预报用岩体声发射监测系统 IAEC 系统 是嵌入式混合专家系统, 它于 2005 年 1 月,由长沙矿山研究院根据岩体在破坏之前都会出现声发射和微震现象 的原理。通过仪器对声发射和微震在岩体内产生的微波进行监测,从而判定岩体的失稳 状态及其位置,达到智能化顶板预报的目的。实践表明,利用该微震监测系统的监测结 西安科技大学硕士学位论文 8 果,可对工作面的稳定性做出及时、准确的评价,对岩石的失稳状态做出预报。 4 煤矿顶板管理专家系统的研究。 2006 年北京市科委设立了科技项目“煤矿顶板管理系统研究”。 课题组研发出了高应 力冲击灾害电磁辐射监测预警系统、区域性微震监测系统、常规矿压监测系统;并完成 了顶板管理各子系统软件集成,包括顶板安全管理集成平台、短信预警平台、实时趋势 显示平台。其中区域性微震监测系统,可以提供监测到的矿震信号和其它干扰信号的波 形图。具有自主知识产权的顶板隔层仪、压力传感器、数据采集仪及网络通讯接口等设 备,实现了井下现场数据显示、报警以及监测数据自动记录存储等功能。 煤矿顶板电磁辐射监测预警系统,能采集数据并迅速处理,一旦有顶板异常情况, 将及时报警,使正在作业的人员随时掌握顶板的安全状况。 5 应用 KGE30 顶板离层报警指示仪。 2009 年 6 月, 山东丰源煤电公司的北徐楼煤矿配备了 KGE30 顶板离层报警指示仪 。 该报警指示仪置于采煤工作面中间巷超前内应力集中区域的顶板上。其主要功能是运 用红外线遥控采集顶板离层变化情况,显示离层数据;当顶板发生较大离层现象时,超 过预先设定的数值时,它就会自动发出报警信号,提醒施工人员注意。KGE30 顶板离 层报警指示仪的应用,能准确掌握井下施工现场顶板离层变化情况数据信息,为安全技 术部门分析顶板变化提供了实时依据。 6 灰色系统理论的灾变预测和拓扑预测 工作面顶板周期来压是矿井灾害之一.用灰色系统理论的灾变预测和拓扑预测对工 作面顶板周期来压进行了研究,并通过煤矿现场的支柱载荷的观测数据和工作面顶板周 期来压的关系对工作面顶板周期来压进行预测,得出了精度较高的预测结果,为工作面 顶板周期来压的预测提供了新的思路。结果表明,从理论上用灰色系统理论的灾变预测 和拓扑预测对工作面顶板周期来压进行了研究,这是具有理论和实际意义的。 7 利用顶板扰动进行矿压监测预报 国内还有学者以煤层为基础,以老顶的挠曲变形压力为载荷的直接顶的弹性基础梁 模型。求解模型并分析影响因素,从理论上阐明了在煤层巷道中捕捉到老顶破断扰动信 息的可能性及其原因,并且指出,通过观测巷道支架载荷较之通过观测巷道顶板下沉速 度获得扰动信息的方法,供利用顶板扰动进行矿压监测预报时参考。 8 顶板动态监测计算机系统 宋振骐采用人工智能技术,开发了针对具体煤层地质条件进行定量顶板控制设计的 专家系统,该专家系统在全国已得到大面积推广,取得了大幅度降低顶板事故、节约支 护材料和提高工作面生产效率的良好效果。他以国际首例的创造性地利用在回采工作面 超前巷道中观测的“顶板动态”的简易方法,实现了工作面顶板来压的预测预报。完成了 国家攻关项目“顶板动态监测计算机系统”的研制工作,并通过了国家鉴定,在煤矿推广 1 绪论 9 应用。这些研究成果在矿山压力及顶板活动预测预报技术方面达到国际先进水平。 1.3.4 小结 从方法学观点来看,煤矿顶板矿压显现预报研究中的探索与应用大致可分为三大 类 第一类是非确定性数学方法。包括研究事物随机性的各种概率统计方法和研究事物 模糊性的模糊数学方法等; 第二类是确定性的物理力学方法。需要以矿压理论研究成果为指导,合理确定顶板 岩层结构模型,考虑确定的物理力学规律和因果关系; 第三类是新近发展起来的预报方法,即系统科学、智能技术方法。特别是研究非线 性复杂系统的一些新方法其主要内容是用系统科学原理或智能技术来勾绘模型的框架, 用观测事实实测资料填充和检验这个框架以实现建模。 综合国内外煤矿顶板矿压预测系统的实例分析,可以得出以下结论 1 数学模型与专家经验相结合组成的顶板矿压专家系统具有较高的预测命中率 90以上。 2 由过程机与智能机组成的分级系统,兼有模型计算与推理判断的功能且具有一 定的相互独立性,是一种较佳方案。 3 专家系统中知识表示问题尚未深入研究,一般采用了产生式规则,由于推理方 法简单,控制策略不灵活,容易出现“匹配冲突”、“组合爆炸”等一系列问题,影响了专 家系统的推理效率。 4 传统专家系统在知识获取方面存在“瓶颈”问题,通常主要依靠人工来总结和移 植,这种方法费时、效率低、自学习、自组织能力较差。 5 实时性差。目前,多数系统所需要训练的样本数量庞大,并且样本的训练过程 都是在“离线”或“非实时”情况下进行的,系统的实时性、鲁棒性均较差。而能够达到训 练与预测双工操作的模型,还有待研究。 6 各矿区的环境、地质、技术和设备均参差不齐,建立通用的数学模型,还需要 深入研究。 1.4研究目标、路线及内容 1.4.1 研究目标与内容 本文以国内陕北浅埋煤层矿区哈拉沟 02212 综采工作面矿压观测作为研究背景, 分 析了其矿区的地质特征、顶板构造特征及井下开采过程中的各项开采工艺参数对工作面 顶板矿压显现的影响。 并采用粒子群优化算法和人工神经网络相结合的方法, 建立 PSO- 西安科技大学硕士学位论文 10 BP 神经网络模型,来表达工作面顶板矿压显现与其影响因素之间的相互关系,从而达 到预测工作面顶板矿压的目的。 本文研究内容包括下列几方面 1 通过对浅埋煤层顶板矿压机理进行总结研究,分析并得出浅埋煤层工作面矿压 的影响因素。 2 论述粒子群优化算法原理和 BP 神经网络模型的建立、特征及其建模过程;研 究了两者组合的 PSO-BP 神经网络模型的建模思想及其改进的的方法和学习算法。对现 有的 BP 神经网络和粒子群优化算法理论进行总结和改进, 将改进后的 PSO算法训练BP 神经网络,建立 PSO-BP 神经网络模型。 3 以神东哈拉沟煤矿 02212 综采工作面为工程背景,进行基于 PSO-BP 神经网络 模型的矿压预测实践研究。通过工作面液压支架的工作阻力进行观测,分析观测数据, 得出该工作面的矿压显现规律并确定一系列影响因素。运用非线性回归分析,计算这些 影响因素的相关系数,选取敏感因素作为输入参数,导入 PSO-BP 神经网络模型,得出 该工作面顶板矿压与影响因素的相互关系的表达式。 4 确定对模型输入参数的选择,利用 matlab 编程,结合现场地质资料和支架载荷 变化量等历史数据,以现场实测工作面单体支架的支架载荷量代替工作面顶板矿压作为 预测目标,依据现场支架载荷数据与推导的关系表达式,运用 Matlab 的软件编程与计 算,对工作面未来 10 个工作循环的支架载荷数据进行预测,实现了 PSO-BP 神经网络 工作面顶板矿压仿真计算。将预测值与实测值进行误差分析,并同单一的 BP 模型进行 比对,结果表明,PSO-BP 神经网络模型较好的预测了顶板矿压,准确性明显优于 BP 模型。 1 绪论 11 1.4.2 研究技术路线 浅埋煤层工作面顶 板矿压影响因素 BP网络与粒子群优化算法研究 BP-PSO对工作面顶板矿压预测 工作面矿压神经网络模型建立 矿区工作面地质状况 煤层采深埋深及倾角 老顶直接顶厚度及岩性 覆岩原岩性质及基载比 工作面采高及控