神经网络理论在延时煤与瓦斯突出预警中的应用.pdf

第17卷 第1期 2007年1月 黑 龙 江 科 技 学 院 学 报 Journal of Heilongjiang Institute of Science 预警;神经网络; BP模型 中图分类号 TD713. 2; TP183文献标识码 A Application of neural network in prediction of delay coal and gas outbursts YANG Fei, LUO X inrong, ZHANG Airan, KANG Yutao College of Resource and Safety Engineering, China University ofMining and Technology, Xuzhou 221008, China AbstractTraditionals for prediction of delay coal and gas outbursts tend to distort, or fail to report an accident due to the complexity of the process . However, thisproblem can be solved by using ar2 tificial neural networkswith characteristicsof highly non2linearmapping .In thispaper, four indswere chosen when using the BP network model to predict the outbursts . The comparison of the sample predic2 tion and the practice results demonstrated that the model can predict delay coal and gas outbursts with high precision. Key wordsdelay coal and gas outburst; alar m; neural net work; BP network model 收稿日期 2007 - 01 - 11 基金项目国家自然科学基金重点项目50534050 ;教育部科学技术研究重点项目105025 作者简介杨 飞1982 - ,男,江苏省镇江人,硕士研究生,研究方向安全技术, E2mail luoxrsohu. com。 0 引 言 煤与瓦斯突出是发生在煤矿井下的一种复杂动 力灾害,严重影响煤矿安全生产。延时煤与瓦斯突 出是指突出煤层在爆破或作业时不发生突出,而是 爆破或作业以后一段时间内在爆破或作业处发生的 煤与瓦斯突出 [1 ]。延时突出的特点为 延时时间不 定,最短的几分钟,最长的几天;突出临界指标偏低; 部分延时突出预兆不明显;延时突出对于人身安全 和生产的威胁性极大,容易造成重大人员伤亡和财 产损失 [2 ]。 掘进工作面煤层的卸压带表现应变软化性质, 承载能力随时间增长而下降。当煤体水平承载能力 小于水平载荷时,煤体脱离,在重力作用下冒落、 掉 渣。此时水平载荷转移到深部煤体。同样,深部煤 层承受更大的水平载荷,处于临界状态,附加的载荷 使煤体破坏。这是一个正反馈的加速过程,最后水 平载荷形成应力破坏波,造成煤体的快速拉裂破 坏 层裂破坏,形成煤与瓦斯突出 [3 ]。延时瓦斯 突出发生前将出现一定的瓦斯涌出量持续增大、 瓦 斯浓度增高、 巷道顶板及两帮压力增加等异常动力 现象,同时持续一定时间。笔者应用人工智能神经 网络方法,建立延时煤与瓦斯突出预警模型,采用瓦 斯样本对瓦斯突出预警模型进行训练学习和突出警 报,为开发智能瓦斯预警系统提供一个新的方法。 1 误差反向传播神经网络 BP 网络 BPBack2Propagation模型是一种用于前向多 层神经网络的反传学习算法。目前, B2P算法已成 为应用最多且最重要的一种训练前向神经网络的学 习算法,亦是前向网络得以广泛应用的基础。 BP网络是一种典型的误差修正方法。它通过 基本输入U、 输出V样本,来进行自身的算法学 习,调整内部阈值,建立正确的网络内部输入输出关 系。其最大特点是仅凭样本数据就能实现由R m 空 间 m 为输入层节点数到R n 空间 n 为输出层节点 数的高度非线性映射,且映射结果可由足够的训 练样本由实验数据或仿真数据得到来保证 [4 ]。 利用BP算法不仅可以用来记忆数据,即进行预警 预报,更重要的是根据这些数据群找出潜在规则,即 调整合理的敏感指标与临界值,因此,选用BP网络 来进行煤层巷道延时突出的预警预报将达到理想的 效果。 图1 三层BP网络的拓扑结构 Fig. 1 Topology structure of three layer BP neural network 基本BP算法是一种简单的最速下降法,即 Wij tWij t - 1-ΔWij t , 1 ΔWij t η5 E /5Wij t - 1α ΔWij t - 1 , 2 式中Wij 节点i与j之间的联接权值; η 学习速率步长 , 取值为0101～0110; α 冲量系数,取值约为019; t 网络迭代步数; E 定义在权空间{W t }上的误差超曲面。 其学习过程由正向传播和反向传播两部分组 成,误差函数的求取是一个由输出层向输入层反向 传播的递归过程;通过反复学习训练样本来修正权 值,采用最速下降法,权值沿着误差函数的负梯度方 向变化,最后稳定于最小值 [4]。 2 煤与瓦斯延时突出BP预警模型 文献[5 ]、[6 ]以煤层开采深度、 瓦斯压力、 瓦斯 放散初速度、 煤的坚固性系数与地质破坏程度等关 键影响因素作为煤与瓦斯突出的评判指标,建立了 煤与瓦斯突出预测的神经网络模型,对突出煤层进 行事后预测。笔者以矿井安全监测系统的实时瓦斯 监测数据为研究对象,建立了延时瓦斯突出预警的 神经网络模型,探讨掘进煤巷延时煤与瓦斯突出实 时预警理论与方法。 2. 1 模型输入参数 在BP神经网络模型中输入参数是影响突出的 主要因素。确定能够反映巷道瓦斯延期突出规律的 特征指标是建立巷道瓦斯延期突出BP神经网络模 型的首要任务,且是关键步骤。实时监测到的井下 瓦斯涌出数据表明井下不同动力现象,显现不同的 瓦斯动力表征。在分析平十矿巷道延期突出规律的 基础上,结合矿井现有资料以及井下瓦斯涌出实时 监测图,选取井下瓦斯涌出峰值、 瓦斯上升梯度、 瓦 斯下降梯度和瓦斯超限时间四个参数作为突出预警 的特征指标,即BP神经网络的输入参数。 2. 2 模型输出参数 根据不同的特征指标值,从瓦斯涌出实时监测 图给出的数据,可以判断出巷道延期突出、 炮后瓦斯 和瓦斯校验三种情况以及传感器、 通讯线路故障情 况。设定瓦斯校验0 0 1 ,故障状态1 0 1 ,炮后 瓦斯0 1 0。当瓦斯质量分数超过3 ,持续时间 超过10 s,模型发出瓦斯预警1 1 0 ;当瓦斯质量分 数超过3 ,持续时间超过30 s,发出巷道延期突出 警报1 1 1。 2. 3 神经网络构造 Kolmogorov映射神经网络存在定理表明,对任 一连续函数或映射,可以精确地以一个三层神经网 络实现。此神经网络的输入层有n个神经元,隐含 层有2n 1个神经元,输出层有m个神经元,因 此,该模型中的神经网络可以采用4 - 9 - 3结构的 三层神经网络。 2. 4 学习样本数据 将KJ2000监测系统监测图给出的炮后瓦斯、 瓦 斯校验以及系统故障等数据用作BP模型训练样本。 为了区别,瓦斯上升梯度取正值,瓦斯下降梯度取负 值。发生系统故障时,瓦斯上升梯度和下降梯度非常 大。为了方便计算,遇到类似情况,统一取瓦斯上升 梯度为5100,瓦斯下降梯度为- 5100。 13第1期杨 飞,等神经网络理论在延时煤与瓦斯突出预警中的应用 在MATLAB中,设定合理的初始化权值和阈 值,要求训练数据P中的每一行中必须包括网络期 望输入的最大值和最小值。表1数据作为煤与瓦斯 延时突出BP网络学习样本。 2. 5 应用 利用MATLAB神经网络软件对上述学习样本 进 行训练,使用函数newff建立BP网络,隐含层单 图2 训练过程误差曲线 Fig. 2 Error curves of tra in ing process 元的神经元数目为9,各神经元的传递函数均为 logsig函数,BP网络反传函数为trainl m。经过学习, 训练结果如图2所示。mse 11860 98e - 4,满足 01001的训练要求,训练次数为12次。 选取实际样本,利用已经训练好的网络,选择 14个样本进行预警,预警结果见表2。从表中结果 可以知道,利用此模型对煤与瓦斯延时突出预警是 符合实际的。 3 结束语 延时煤与瓦斯突出的复杂性,使传统的瓦斯预 测方法很难准确预警。应用前馈神经网络模型中的 反向传播人工神经网络 BP 网络 , 建立煤与瓦斯 延 时突出危险性的预警模型,采用大量的历史数据进 下转第36页 23黑 龙 江 科 技 学 院 学 报 第17卷 [4 ] 周世宁,何学秋.煤和瓦斯突出机理的流变假说[J ].中国矿业 大学学报, 1990, 2 1 - 9. [5] 李萍丰.浅谈煤与瓦斯突出机理的假说 二相流体假说 [J ].煤矿安全, 1989, 11 29 - 35. [6] 梁 冰,章梦涛,潘一山,等.煤和瓦斯突出的固流耦合失稳 理论[J ].煤炭学报, 1995, 205 492 - 496. [7] 蒋承林,俞启香.煤与瓦斯突出机理的球壳失稳假说[J ].煤 矿安全, 1995, 162 17 - 25. [8 ] 徐学锋.地质构造对煤与瓦斯突出的影响研究[M ].阜新辽 宁工程技术大学出版社, 2003. [9 ] 张玉功,王魁军,范启炜.北票矿区煤与瓦斯突出预测预报 的研究与应用[J ].煤矿安全, 1991, 1 17 - 22. [10] 张宏伟,李 胜.淮南矿区地质动力区划[M ].北京煤炭 工业出版社, 2004. 上接第29页 稳定信号有很强的鉴别能力,可对非平稳信号的 奇异成分进行有效检测、 诊断故障时间和类型。 由于小波分析在信号消噪和特征提取方面的优 势,利用小波包对煤矿主通风机故障信号进行分 解,有效地检测出故障时间和故障频率,确定故障 类型。诊断实例证明了方法的有效性,小波包分 解后的能量特征向量还可与神经网络结合,对故 障进行深层次的诊断。该方法在工程实际中具有 很好的应用前景。 参考文献 [1] 张照龙,邱阿瑞.用频谱分析方法检测异步电机转子故障 [J ].电工技术学报, 1987, 4 46 - 50. [2 ] POV I NELL I R J. Diagnosis of bar and end2ring connector break2 age faults in polyphase induction motors throuth a novel dual track of time2series data mining and time2stepping coupled FE2states space modeling [ J ].IEEE Transactions on Energy Conversion, 2002, 17 1 39 - 46. [3 ] 荆双喜,冷军发,李 臻.基于小波-神经网络的矿用通风 机故障诊断研究[J ].煤炭学报, 2004, 296 736 - 739. [4 ] 朱新明.矿井通风机的常见故障及消除方法[J ].新疆有色金 属, 2005, 增刊 56 - 58. [5 ] 曹志彤,何国光,陈宏平,等.电机故障特征值的倍频小波分 析[J ].中国电机工程学报, 2003, 23 7 112 - 116. [6 ] 飞思科技产品研发中心.小波分析理论与MATLAB 7实现 [M ].北京电子工业出版社, 2005. 上接第32页 行预警模型的训练,实现对采掘面瓦斯突出的预警 和警报。 经过训练后的BP神经网络预警模型对试验样 本的瓦斯校验、 系统故障、 炮后瓦斯以及延时突出预 警是符合实际的,可以用此神经网络模型进行瓦斯 延时突出预警,以提高预警准确率。 参考文献 [1] 中国矿业学院瓦斯组.煤与瓦斯突出的防治[M ].北京煤炭 工业出版社, 1979. [2 ] 俞启香.矿井瓦斯防治[M ].徐州中国矿业大学出版社, 1992. [3 ] 罗新荣,夏宁宁,贾真真.掘进煤巷应力仿真和延时煤与瓦 斯突出机理研究[J ].中国矿业大学学报, 2006, 35 5 571 - 575. [4 ] 飞思科技产品研发中心. MATLAB 615辅助神经网络分析与 设计[M ].北京电子工业出版社, 2003. [5 ] 支晓伟,林柏泉,齐黎明.人工神经网络在煤与瓦斯突出预 测中的应用[J ].工业安全与环保, 2005, 31 4 42 - 45. [6 ] 田云丽,周利华.基于BP神经网络的煤与瓦斯突出预测方法 的研究[J ].系统工程理论与实践, 2005, 12 102 - 106. 63黑 龙 江 科 技 学 院 学 报 第17卷