基于免疫神经网络模型的瓦斯浓度智能预测.pdf

第3 3卷第 6期 2 0 0 8年 6月 煤 炭 学 报 J 0UR NAL OF CHI NA C OAL S OC I E T Y V0 1 ． 3 3 No ． 6 J u n e 2 0 0 8 文章编号 0 2 5 3 9 9 9 3 2 0 0 8 0 60 6 6 5 0 5 基 于免疫神经 网络模 型 的瓦斯 浓度智能预测 王其 军 ， 程久 龙 1 ．淮南职业技术学院 ，安徽 淮南2 3 2 0 0 1 ；2 ．山东 科技 大学 矿 山灾害预 防控制教育部重点实验室 ，山东 青 岛2 6 6 5 1 0 摘要 将免 疫算法与神经 网络理论相结合 ，提 出免疫神经网络预测模 型以预测采煤工作面瓦斯 浓度 ，并对如何处理时间序列的数据模式问题进行研究． 引入延迟单元 ，将原始输入样本转换为 具有延迟特征 的新样本，采用延迟算子的输 出样本施加到 网络预测模型，可以获得浓度时段 变幅 的信 息，这对于提 高网络对 瓦斯扩散过程的拟合精度和预测精度十分有效．结合某矿井瓦斯预报 实例 ，经过与现场实测值相比较 ，最大预测误差为 6 ． 8 6 ％ ，最小预测误差为 2 ． 3 6 ％，平均误差 为 4 ． 6 1 ％，所建模型精度的拟合值与预测值都与 实际数据吻合得较好 ，各测点的误差值 均在许 可的范围内．结果表明，基于免疫神经网络的瓦斯浓度预测模型 ，能够较好地识别采煤工作面瓦 斯扩散 的演进规律 ，对瓦斯浓度能进行合理预报 ，且该方法具有预报时间快、节省 费用的特点． 关键词 免疫神经网络 ；瓦斯浓度 ； 预 测模型；延迟单元 ；矿 井工作环境 中图分类号 T D 7 1 3 ． 2 文献标识码 A Fo r e c a s t o f c o a l mi n e g a s c o nc e nt r a t i o n ba s e d o n t h e i m mun e ne ur a l n e t wo r k m o d e l WA N G Q i - j u n ，C H E N G J i u ． 1 o n g 1 ．H u a i n a n V o c a t io n a f T e c h n i c a f C o l l e g e ，Hu a in a n 2 3 2 0 0 1 ， i n a ；2 ，K e y L a b o r a t o r y o f Mi n e D i s a s t e r P r e v e n t i o n a n d C o n t r o f ，S h a n d o n g M o f S c i e n c e a n d T e c h n o l o g y，Q in g d a o 2 6 6 5 1 0，C h i n a Ab s t r a c t Us i ng i mmun e ne u r a l n e t wo r k p r e di c t i o n mo d e l t o p r e d i c t g a s c o n c e n t r a t i o n wa s p ut f o r wa r d b y c o mb i n i n g t h e i mmun e a l g o r i t h m wi t h n e u r a l n e t wo r k t h e o r y，me a n wh i l e t h e d a t a mo d e o f ho w t o d e al wi t h t h e t i me s e q u e n c e wa s s t u d i e d，d e l a y u n i t wa s i nt r o d uc e d，a n d t h e ne w s a mpl e s wh a t ha v e c h a r a c t e ris t i c s o f de l a y we r e c o n v e r t e d f r o m t h e o rig i n a l i n p u t s a mp l e s，b y a d o p t i ng t h e o u t p u t s a mp l e o f d e l a y o p e r a t o r a pp l i e d t o n e t wo r k p r e d i c t i o n mo d e l ，i n f o r ma t i o n o f t h e c o n c e n t r a t i o n c h a n g e s i n t h e d e f e r e n t p e rio d s we r e o b t a i n e d，i t wa s v e ry e ffe c t i v e t o i mp r o v e fit t i ng p r e c i s i o n a n d p r e d i c t i o n a c c u r a c y o f n e t wo r k t o g a s p e r v a s i o n ．Co mb i n e d wi t h a n e x a mpl e o f g a s p r e d i c t i o n i n a mi n e，c o mp a r e d wi t h t h e me a s u r e d v a l ue s i n t he s p o t ，t h e l a r g e s t f o r e c a s t e r r o r wa s 6 ． 8 6％ ，t h e l e a s t f o r e c a s t e rro r wa s 2． 3 6％ ，t h e a v e r a g e e rro r wa s 4． 6 1 ％ ，t h e fit t e d v a l u e a n d p r e d i c t i v e v a l ue o f t h e mo d e l a c c ur a ． c y we r e t a l l i e d fin e wi t h t h e a c t ua l d a t a，t he e rro r o f me a s urin g p o i n t s we r e wi t h i n t h e a l l o wa b l e s c o p e s ．Th e r e s ul t s h o ws t h a t t h e d e v e l o p i n g r u l e s o f g a s p e r v a s i o n c a n b e i d e n t i fie d we l l a n d t he g a s c o n c e nt r a t i o n i s p r e d i c t e d r e a s o n ． a b l y b y t h e g a s c o nc e n t r a t i o n p r e d i c t i o n mo de l b a s e d o n i mmu ne ne u r a l n e t wo r k s ． An d t h e c h a r a c t e ris t i c s o f t h i s me t h o d a r e f a s t e r f o r e c a s t i ng a n d c o s t s a v i ng ． Ke y wo r dsi mmu n e n e ur a l n e t wo r k；g a s c o n c e n t r a t i o n；p r e d i c t i o n mo d e l ；de l a y u n i t ；mi n e wo r k i n g e n v i r o n me n t 收稿 日期 2 0 0 7 1 2 2 9 责任 编辑 毕永华 基金项 目国家 自然科学基金资助项 目 5 0 5 3 4 0 8 0 ；教育部新世 纪优 秀人 才支持计划 资助项 目 NC E T一 0 5 0 6 0 2 ；安徽省教育 厅 自 然科学基金资助项 目 2 0 0 6 K J 0 1 9 B 作者简介 王其军 1 9 6 4 一 ，男 ，安徽萧县人 ，副教 授 ，博 士．T e l 0 5 5 46 6 5 6 9 8 4，Em a i l w a n g a h 1 6 3 ． t o m 维普资讯 煤 炭 学 报 2 0 0 8 年第3 3 卷 矿井工作环境聚集的瓦斯是煤矿生产过程中重大灾害源之一．而预知工作空间中瓦斯浓度实时变化趋 势及规律是控制瓦斯事故的先决条件．矿井工作环境瓦斯浓度预测应成为煤矿安全监测监控的重要组成部 分．矿井瓦斯浓度预测精度的高低 ，不仅直接影响着煤矿 的安全和作业效率 ，而且对提高煤矿工人的生命 保障能力有着重要的意义．当前矿井瓦斯浓度主要采用监测系统传感器或便携仪现场测量方法，这种方法 只能对瓦斯浓度进行实时} 贝 0 量 ，不能对未来的瓦斯浓度发展趋势进行预测．因此 ，对矿井瓦斯的快速 、准 确 的预报是多年来 国内外专家十分关注的课题．本文采用免疫神经 网络模型对矿井工作环境瓦斯浓度进行 预测 ，以提前 了解瓦斯浓度 的大小及发展趋势 ，预先采取措施 J ． 1 基于免疫算法的神经网络模型 1 ． 1免疫算法原理 神经 网络的学习 目的是通过调节网络权值 ，使 目标代价函数 E趋于最小． 由于 E是复杂 的非线性 函 数 ，采用 B P算法与基于 B P的导数型优化方法均存在局部 极小问题 ，因此 目前越来越多的研究者采用 遗传计算来 设 计神经网络权值 ，并 已成功应用于网络权值学习 J ． 算法的主要思路将网络权重视为生物免疫系统的淋 巴细胞 ，通过对其基 因交叉 、变异的进化操作 和基 于抗体 浓度的调节操 作 ，使基 因不断优化 ，从而 找到最佳抗 体 ， 即为满足最小误差 函数 E的权值 向量．与进化计算 相 比， 免疫算法具有保持解群分布多样性 的优点 ，较好地克服 了 进化计算在初 始化解群分布不均匀时易 出现未成熟 收敛 ， 陷于局部最优和收敛速度慢 的缺点E 4 3 ． 基于上述情况，本文提出基于免疫神经网络训练的免 疫遗传算法 I m m u n e G e n e t i c A l g o r i t h m，I G A ．主要过程 如图 1 所示． 1 ． 2基于免疫遗传优化的神经 网络训练 1 ． 2 ． 1 抗体编码方式 图 1 免疫遗传算法 F i g ． 1 I mmu n e g e n e t i c a l g o r i t h m 编码操作适用于将问题空间映射为算法空间，有二进制码 和实数编码等方式．前者简明通用 ，易于进 行遗传操作，但不具备正则性，并破坏了解空间的拓扑连续性．实数编码为 自然正则码 ，适于高精度运 算 ，神经网络权值及结构编码多用后者 ，本文依然沿用实数编码方法． 典型的 3层前馈网络 hm结构 ，网络节点编号依次为 1 ， 2，⋯ ， 输入层 ， 1 ，⋯， h 隐含层 ， h1 ，⋯， h m 输出层 ；连接权 表示 由节点 i 到节点J的输 出权 ；阈值 6 为前一 层对节点． 的输出阈值 ，然后依节点 i 顺序串联权值与阈值 ，构成抗体 串． 图 2中， 』 与 别为 网络节 点和阈值节点存在标识 ， 用于控制网络结构．当 或 脓 值为 1 时该节点存在；否则该节点被删减． d W 1 }1 W 1 n dn W n ,n 1 w h h d 6 1 b1 b v Y ’ 第 1 个节点 第n 个节 点 第1 层之 阈值 W n l ,nh ll l ll w 1 月 1．．． d W n 1 W n }h ,n 十 d 62 6 第“ 1 个 节点 第“ 个节点 第2 层之 阈值 图2 网络权值的实数编码 F i g ． 2 Re a l c o d i n g o f n e t wo r k we i g h t s } 第1 层 2 层串联 } 第2 层 维普资讯 第 6期 王其军等基于免疫神经网络模型的瓦斯浓度智能预测 6 6 7 1 ． 2 ． 2 适应度计算 对本文考虑的单隐层前馈 网络 ，设抗体 P 对应的网络的能量 函数为 E ，则 E ∑ ∑ ， 一 ， ． 适应度 函数 F i 可直接定义为 E 的函数 ，即 F i 1 ／ E c ．其 中， ， 和 ， 分别为第 P A “ J J l 练 样本的第 k 个输出节点的期望输出和实际输出；c 为大于 0的常数， 其 目的是避免分母为 0的溢出中断， 本文取 C 0 ． 0 1 ． 1 ． 2 ． 3 遗传操作 对选择后的抗体群，进行遗传操作．① 交叉．这里采用两点交叉方式 ； ② 高斯变异．由于权值采用 实数码制，为此将抗体串还原为原始的网络权值，对所有权值向量 W 按下式进行变换，然后再将权值组 合为抗体串． W W 0 ，1 ， 式 中，Ⅳ 0 ，1 为高斯算子． 1 ． 2 ． 4 基于浓度的群体更新 群体更新策略结合免疫机制 中抗体 间基于浓度 的相互 抑制作用 ，引入浓度因子调整个体 的选 择几率 P i ，总的目标是抑制浓度过高的抗体 ，同时保证适应度 高的个体被选 中的概率大．因为抗体的浓度过 高，则在进化过程中容易陷入未成熟收敛．具体方法 [ 一 ， 式中， ， 为0～ 1 的可调参数；F 为抗体的最大适应度；C为抗体的浓度， c 叼 F ～F 的抗体数 目 ／群体 中的抗体总数 ， 叼为 0～1之间的系数 ，用于控制浓度． 可以看 出对高浓度 的 t 个抗体 ，其 中适应度较高的抗体获得的得分修正反而较少 ；若抗体 的浓度不 高，则上式也可保证高适应度的抗体 的得分修正相对较高． 2 基于免疫优化神经网络的瓦斯浓度预测 2 ． 1 神经网络模型的智能预测原理 神经网络的主要特征是 自学 习，通过对样本模式的学习，模拟信息之间的内在机制．神经 网络对瓦斯 浓度进行识别的实质 ，是通过选择适 当的神经网络模型 ，逼近实际系统的动态过程．若以某一时段 的瓦斯 浓度要素作为网络的输入 ，以未来一段时间的相应瓦斯浓度要素作为网络的输出，网络模型通过对历史瓦 斯资料 的学习 ，就能对蕴含在该时段 的瓦斯扩散规律进行映射 ， o ． B P神经网络是一种静态网络 ，不能对时间序列模式进行识别 ，而瓦斯扩散 过程是时间序列 问题 ，样 本模式之间在时段上是连续 的．为了解决这个问题 ，可以通过构造延迟单元 的方法 ，直接从样本模式中提 取时间序列特征 ，这样 的神经 网络便 具备 了对时 间序列的识别能力． 图 3是引入延迟单元 的神经 网络 ，延 迟单元 实质上是对 原始样 本模式进行 了如下 的转换 设 有 1 列样本模式 } i 1 ，2 ，⋯， ，该模 式共有 对 ，通过 P PM个延迟单元 ，样本 模式就转换成 P列 ，原来的 对样本模 式可形成 P1 对 ，转换方式见表 1 ． 引入延迟单元后 ，将原始输入样本 [ ， ， ⋯ ， ] ’ 转换为具有延迟特征的 P个新样本 图3 引入延迟单元的神经网络结构 l Y N Fi g ．3 Th e ne ur a l ne t wo r k s t r uc t ur e o f de l a y u ni t 维普资讯 煤 炭 学 报 2 0 0 8 年第3 3 卷 表 1 延迟单元 的样本模式 T a b l e 1 S a mp l e m o d e l s o f d e l a y u n i t 采用延迟算子的输出样本施加到网络预测模型 ， 斯扩散过程的拟合精度和预测精度十分有效． 2 ． 2瓦斯浓度预测模型的建立 本文瓦斯浓度 预测 模型 中，选 择 当前 时刻 t 与前 4个延迟时刻 的瓦斯浓 度作为 网络 的输入 ， 即 t ， t 一1 ，⋯ ， t 一 4 ，网络输出为 t 1 时刻的瓦斯浓度 t 1 ，延迟时 间取 2 4 h ，以 2 0 0 7 0 21 6 _2 2的瓦斯浓度进行网络的训练与 测试 ，使网络识别 出该 时段 的瓦斯扩散规律 ，并 将该规律分布贮存在网络权重 中．某工作面瓦斯 浓度预{ 贝 0 模型如图 4所示 ’ ． 3 瓦斯 浓度预 测模 型的免疫训练 D 表 1 ，而网络输 出 Y [ Y ，Y ，⋯，Y ] 表示 当前时刻的瓦斯状况 ，对应 的期望输出为 Y [ Y Y ，⋯ ，Y ] ，瓦斯 扩散 机制 可表示 为从 输入 矢量 X∈R 到输出矢量Y∈R 的非线性映射 ，即 N e X ∈ RM Y ∈ RN ． 误差指标定义为网络输 出与期望输出的误差平方 和 M S E ， 即E∑ ll e ll ∑ ll 一 可以获得浓度时段变幅的信息，这对于提高网络对瓦 图4 智能预测的神经网络模型 F i g ． 4 Ne u r a l n e t wo r k mo d e l o f i n t e l l i g e n t f o r e c a s t 训练样本的预处理 在 网络的输入项中，由于不 同时段 的参数相差较大 ，为了保证各 因素处于同等地 位 ，对输入输出项进行数据归一化预处理．网络结构为 51 01 ，权值初始范围为 [一3 ，3 ] ，训练集为 2 0 0 7 0 21 6 1 9瓦斯浓度 ，测试集为 2 0 0 7 0 2 2 0 2 2瓦斯浓度 ，群体规模 N 2 0 0，迭代次数 7 0 0 ， 控制参数 JB0 ． 5，r ／0 ． 8 ，遗传参数交叉概率 P 。 0 ． 1 ，变异概率 P 0 ． 0 5 ． 应用上述参数对训练集进行免疫遗传学习 ，并用测试集进行泛化测试． 4 预报结果及分析 图 5为完成训 练 网络模 型对 2 0 0 70 2 2 0 2 2瓦斯浓度的预报与实测结果 比较． 经过与现场实测值相比较，最大预测误差 为 6 ． 8 6 ％ ，最小预测误 差为 2 ． 3 6 ％，平均误 差为 4 ． 6 1 ％．测 量结果表 明 所建 神经 网络 预测模型精度的拟合值与预测值都与实际数据 吻合得较好 ，能满足实际要求 ，应用基 于免疫 优化神经网络对矿井瓦斯浓度进行预测是可行 的． 5 结 语 图 5 2 0 0 7 0 2 2 0 2 2瓦斯浓度预测结果 F i g ． 5 G a s c o n c e n t r a t i o n s p r e d i c t e d r e s u l t s o f 2 0 0 70 22 0 2 2 用免疫神经 网络建立的瓦斯浓度预测模型 ，方法适用 ，计算简便．从预测结果比较可以看出 ，所建模 型精度的拟合值与预测值都与实际数据吻合得较好 ，各测点的误差值均在许可的范围内．该预测方法减少 了时间，节省了费用 ，可提前 了解工作环境瓦斯浓度 的大小及发展趋势 ，预先采取预防措施 ，对保障煤矿 维普资讯 第 6期 王其军等基于免疫神经网络模型的瓦斯浓度智能预测 6 6 9 的安全具有重要的现实意义 ，为矿井瓦斯浓度 的预测提供 了一种新方法 参考文献 刘新喜 ，木合塔尔扎 日，王鹏飞，等．基于 B P人工神经网络的矿井瓦斯涌出量预测 [ J ] ．安全与环境工程，2 0 0 2， 9 1 3 3～ 3 6 ． L i u X i n x i ， Mu h t a r z a ri， Wa n g P e n g f e i ， e t a 1 ．B P n e u r a l n e t w o r k f o r p r e d i c t i n g t h e a m o u n t o f g a s e m i t t e d f r o m t h e mi n e[ J ] ． S a f e t y a n d E n v i r o n me n t a l E n g i n e e ri n g ，2 0 0 2，9 1 3 3～ 3 6 ． 曹庆奎 ，任向阳，刘开第．矿井工作面瓦斯涌出量的未确知聚类研究 [ J ] ．煤炭学报，2 0 0 6 ，3 1 3 3 3 7～ 3 4 1 ． C a o Q i n g k u i ，R e n X i a n g y a n g ， L i u K a i d i ．R e s e a r c h o n u n a s c e r t a i n e d c l u s t e r s o n t h e g a s e m i s s i o n o f t h e w o r k i n g f a c e[ J ] ． J o u r n a l o f C h i n a C o a l S o c i e t y ，2 0 0 6 ，3 1 3 3 3 7～ 3 4 1 ． 王崇峻．一种基于遗传算法 的 B P神经 网络算 法及其应用 [ J ] ．南京大学学报 自然科学版 ，2 0 0 3 ，3 9 5 45 9～46 6． Wa n g C h o n g j u n ．A g e n e t i c a l g o ri t h m B P n e u r a l n e t w o r k a n d i t s a p p l i c a t i o n s[ J ] ．J o u r n a l o f N a n j i n g U n i v e rs i t y N A T S C I E D， 2 0 0 3．3 9 54 5 9～4 6 6 ． 马尚权，王轶波，刘德民，等．地质指标 自动量化及神经网络预测 瓦斯涌 出量 [ J ] ．煤炭科学技术 ，2 0 0 6 ，3 4 1 2 8 5～8 8 ． Ma S h a n g q u a n，W a n g Yi b o ，L i u De mi n，e t a 1 ．Mi n e g a s e mi s s i o n q u a n t i t y p r e d i c t e d w i t h a u t o ma t i c g e o l o g i c a l i n d e x q u a n t i t a t i v e a n d n e r v o u s n e t w o r k[ J ] ．C o a l S c i e n c e a n d T e c h n o l o g y ，2 0 0 6 ，3 4 1 2 8 5～ 8 8 ． 陶云奇，许江，李树春．改进的灰色马尔柯夫模型预测采煤工作面瓦斯涌出量 [ J ] ．煤炭学报，2 0 0 7 ，3 2 4 3 91～39 5． T a o Y u n q i ， X u J i a n g ， L i S h u c h u n ．P r e d i c t g a s e m i s s i n g q u a n t i t y o f mi n i n g c o a l f a c e w i t h i m p r o v e d G r e y Ma r k o v m o d e l[ J ] ． J o u r n a l o f C h i n a C o a l S o c i e t y ，2 0 0 7 ，3 2 4 3 9 1～ 3 9 5 ． 刘见中．上隅角瓦斯浓度预测及其处理方法的优选 [ J ] ．煤炭科学技术，2 0 0 4，3 2 2 7～1 0 ． L i u J i a n z h o n g ．T h e u p p e r c o rne r g a s c o n c e n t r a t i o n f o r e c a s t a n d t h e p r e f e r r e d m e t h o d o f d e a l i n g w i t h[ J ] ．C o a l S c i e n c e a n d T e c h n o l o gy，2 0 0 4，3 2 2 7～1 0 ． 吕 品，马云歌，周心权．上隅角瓦斯浓度动态预测模型的研究及应用 [ J ] ．煤炭学报 ，2 0 0 6 ，3 1 4 4 6 1～ 4 6 5 ． LU Pi n，Ma Yu ng e，Zho u Xi n q ua n．Re s e ar c h a nd a pp l i c a t i o n o n dy na mi c f o r e c a s t i n g mo d e l o f g a s c o ns i s t e n c e i n t o p c o rn e r [ J ] ．J o u r n a l o f C h i n a C o a l S o c i e t y ，2 0 0 6 ，3 1 4 4 6 1～ 4 6 5 ． 王凯，俞启香．煤与瓦斯突出的非线性特征及预测模型 [ M] ．徐州中国矿业大学出版社，2 0 0 5 ． Wa n g K a i ， Y u Q i x i a n g ．N o n l i n e a r c h a r a c t e ri s t i c s a n d p r e d i c t i o n mo d e l o f g a s o u t b u rs t[ M] ．X u z h o u C h i n a U n i v e rsi t y o f Mi ni n g a n d Te c hn o l o g y Pr e s s ， 2 0 05． 本刊收取稿件审理 费的通知 承蒙广大作者的厚爱，近几年， 煤炭学报的收稿量急剧增加．由于本刊采取比较严格的审稿制 度 ，外审工作量很 大，审稿费的开支逐年增加 ，因此 ，本刊对投稿 的作者酌收稿件 审理 费 1 0 0元／ 篇 ，以 补充办刊经 费的不足 ，敬请 广大作者谅解与支持． 本刊 编辑部 ] ] ] ] ] ] ] ] L 二 维普资讯