付　華,李文娟,孟祥云,王桂花,王燦祥

(1.遼寧工程技術大學電氣與控制工程學院,遼寧 葫蘆島 125105;2.國網遼寧省電力有限公司錦州供電公司,遼寧 錦州 121000;3.山西大同大學煤炭工程學院,山西 大同 037000)

目前,煤礦安全依然是阻礙煤礦生產發(fā)展的首要因素。特別是瓦斯?jié)舛茸鳛楣ぷ髅姝h(huán)境的重要參數,它直接關系著煤礦的安全生產和礦工的生命安全。所以說快速、準確地預測瓦斯?jié)舛瘸蔀槎糁撇⑾旱V事故最有效的手段[1]。近年來,以無線傳感器網絡瓦斯監(jiān)測系統(tǒng)為平臺的瓦斯?jié)舛阮A測成為當前研究熱點,通過無線傳感器網絡技術對煤礦工作面的全覆蓋,實現工作面瓦斯?jié)舛鹊倪B續(xù)在線監(jiān)測以及瓦斯?jié)舛瓤焖?、準確的預測,對瓦斯事故的預防和煤礦安全的防治有極大的現實意義。

現階段瓦斯?jié)舛阮A測的方法主要包括灰色預測、支持向量機[2]、混沌預測[3]、神經網絡及模糊數學[4]、D-S理論[5]等。文獻[1]用灰色理論對上隅角瓦斯?jié)舛茸兓厔葑隽祟A測;文獻[2]提出了粒子群優(yōu)化的支持向量機短期瓦斯?jié)舛阮A測方法;文獻[3]用混沌時間序列研究了瓦斯?jié)舛榷唐陬A測的方法;文獻[5]用粗糙集與D-S理論實現了瓦斯狀態(tài)信息整合,完成了瓦斯?jié)舛鹊膭討B(tài)預測;文獻[4]首次提出使用動態(tài)模糊神經網絡對瓦斯監(jiān)測數據進行智能預測。以上預測方式各有特點且對煤礦瓦斯?jié)舛鹊念A測方法起到了一定的促進作用,但是如何在保證預測性能的基礎上達到較高的預測精確度及預測模型良好的自適應性仍需進一步的研究。

在現有的研究成果之上,本文提出了免疫遺傳算法優(yōu)化的動態(tài)模糊神經網絡預測方法。其中動態(tài)模糊神經網絡(DFNN)是一個動態(tài)映射網絡,網絡結構是動態(tài)變化的而不是預先設定的,同時還具有在線學習并且學習速度快等優(yōu)點[6]。免疫遺傳算法(IGA)[7]是一種新型的融合算法,通過對動態(tài)模糊神經網絡的網絡參數優(yōu)化來使其快速、穩(wěn)定尋優(yōu),有效彌補了動態(tài)模糊神經網絡容易陷入局部極值及易出現尋優(yōu)“早熟”的問題,提高了動態(tài)模糊神經網絡的收斂速度和預測精度。利用該預測模型對瓦斯?jié)舛冗M行預測之前,本文對無線傳感網絡監(jiān)測系統(tǒng)采集的數據進行了小波去噪處理[8],提高了預測數據有效性,通過對仿真結果分析證明該預測模型準確有效,可以更好地為工作面瓦斯?jié)舛缺O(jiān)控系統(tǒng)預測功能的實現提供理論支持。

1　無線傳感器網絡瓦斯監(jiān)控系統(tǒng)

瓦斯監(jiān)控系統(tǒng)作為一種有效的安全監(jiān)測及控制手段,在煤礦日常安全管理中發(fā)揮著重大作用,可以為各級生產指揮者和業(yè)務部門提供環(huán)境安全參數動態(tài)信息[9]。

無線傳感網絡瓦斯監(jiān)控系統(tǒng)是由井下大量的瓦斯傳感器節(jié)點、井下監(jiān)控分站和井上瓦斯監(jiān)控計算機組成(如圖1所示)。井下各瓦斯傳感器節(jié)點通過無線網絡的方式交換數據及控制信息,并將信息通過無線網絡傳送到井下中心站進行匯總,井下分站再將瓦斯傳感器的信息上傳到井上瓦斯監(jiān)控計算機,實時顯示瓦斯?jié)舛刃畔ⅰ?/p>

圖1　無線傳感網絡瓦斯監(jiān)控系統(tǒng)圖

目前國內的瓦斯監(jiān)控系統(tǒng)只是真實地記錄瓦斯?jié)舛葦祿⑻峁┏迗缶?卻沒有瓦斯?jié)舛忍崆邦A測功能。因此在無線傳感器瓦斯監(jiān)控系統(tǒng)采集瓦斯?jié)舛葦祿幕A上加入對瓦斯?jié)舛茸兓厔莸念A測可以為礦井瓦斯災害預測和控制提供進一步的技術支持[10]。

2　IGA優(yōu)化DFNN網絡原理

2.1　DFNN網絡結構

圖2　動態(tài)模糊神經網絡結構圖

第1層為輸入層L1,各個節(jié)點直接與輸入向量各分量xi相連,并將各輸入值X=[x1,x2,…,xn]T傳到下一層。每個神經元的輸入量值都換算至模糊域[-1,1]內。

(1)

其中:n為輸入變量,i=1,2,…,n。

第2層為模糊化加遞歸層L2,將輸入變量模糊化。每個節(jié)點代表1個語言變量值,并計算出各輸入分量屬于各語言變量值模糊集合的隸屬度函數。這里隸屬度函數用高斯函數表示。

(2)

式中:i=1,2,…,n;j=1,2,…,mi;mi為xi的模糊分割線;cij和σij分別表示隸屬函數的中心和寬度。

對于第2層第k時刻的輸入,有

(3)

第3層為規(guī)則層L3,此層根據模糊規(guī)則庫實現模糊推理,每個節(jié)點代表1條模糊規(guī)則,用來匹配模糊規(guī)則的前件,完成模糊“AND”運算,采用乘法實現模糊集的“AND”運算,神經元輸出對應每條規(guī)則的適應度。

(4)

其中:i=1,2,…,n;j=1,2,…,n。

第4層為歸一化層L4,節(jié)點與第3層的相同,實現解模糊操作,計算所有規(guī)則的輸出之和,實現歸一化運算,為:

(5)

第5層為輸出層L5,實現清晰化計算,得到輸出值:

(6)

2.2　免疫遺傳算法

免疫遺傳算法借鑒生物免疫系統(tǒng)的自適應識別和排除侵入機體的抗原性異物的功能,將生物免疫系統(tǒng)的學習、記憶、多樣性和模式識別的特點引入遺傳算法。IGA算法既保留了遺傳算法隨機全局并行搜索的特點,又在很大的程度上避免了未成熟收斂,確保算法快速收斂于全局最優(yōu)解。解決實際問題時,在保持抗體多樣性的情況下,找出針對該抗原的體,即問題的解[13]。

動態(tài)模糊神經網絡所采用的算法存在著收斂速度較慢、容易陷入到局部極值的不足,本文采用免疫遺傳算法對動態(tài)模糊神經網絡初始權值進行優(yōu)化,以提高動態(tài)模糊神經網絡在整個學習過程的逼近能力、泛化能力及算法的穩(wěn)定性。算法的主要思路是將DFNN網絡權值視為生物免疫系統(tǒng)的淋巴細胞,通過對其基因交叉、變異的進化操作和基于抗體濃度的調節(jié)操作,使基因不斷優(yōu)化,從而找到最佳抗體[14]。

2.3　免疫遺傳算法優(yōu)化步驟

在DFNN網絡模型用于瓦斯?jié)舛阮A測時,參數的選擇對整個預測精度的影響至關重要。通過免疫遺傳算法對動態(tài)模糊神經網絡的初始權值ωij、cij、σij、?ij進行優(yōu)化,具體的優(yōu)化步驟如下:

Step 1:讀入初始化條件。將給定的特定問題視為抗原,確定待優(yōu)化變量為高斯函數中心值cij、分布寬度σij、遞歸單元的連接權值?ij、權系數wij。

Step 2:確定IGA的運行參數。根據需要選取群體規(guī)模M=50,交叉概率Pc=0.185,變異概率Pm=0.102。

Step 3:產生初始群體。種群初次迭代時,如果是記憶中的抗原,則從記憶細胞中取出相應的抗體組成IGA的初始群體,否則隨機生成初始群體。一組完整的網絡參數{cij、σij、?ij、wij}作為一個抗體,存在形式為二維數組。

Step 4:抗體編碼。選擇一定的編碼方案(本文采用實數編碼)對初始群體進行編碼,組成基因碼串,每一碼串代表一個個體,表示優(yōu)化問題的一個解。IGA的任務就是要從這些群體出發(fā),擇優(yōu)汰劣,最后得出非常優(yōu)秀的群體和個體,滿足優(yōu)化的要求。

Step 5:計算適應度。按編碼規(guī)則,計算每一個抗體的適應度,適應度大者更適應生存環(huán)境。設抗體PS對應的網絡的能量函數為Es,則適應度函數FS可直接定義Es的函數可設定為

(7)

(8)

Step 6:演變記憶細胞。若是新抗原,則利用當前種群中適應度高的抗體替換記憶細胞中適應度低的抗體;否則將當前種群中適應度高的抗體加入記憶細胞中。

Step 7:抗體的選擇(促進和抑制)。計算當前種群中適應度值相近的抗體濃度,利用抗體間的親和力定義抗體濃度如下:

(9)

式中mi為種群M個抗體中的與i抗體間親和力大于閾值λ的抗體個λ=[0.9,1]。

若抗體的濃度較高,則減小抗體的選擇概率(即抑制);反之,則加大抗體的選擇概率(即促進),以此來保持種群中個體的多樣性。

Step 8:抗體產生(交叉和變異)。按交叉概率Pc和變異概率Pm進行與標準遺傳算法相同的交叉和變異操作,以生成適應度更高的群體,種群經過遺傳操作后得到下一代群體。

Step 9:群體更新。對產生的新一代群體重新進行評價、選擇、交叉和變異等操作,如此循環(huán)重復,若滿足終止條件,則輸出最優(yōu)解,計算結束;否則執(zhí)行對Step 5～Step 8,直至網絡的全局誤差E。

在上述算法中,為了防止最佳抗體的退化,采用了最佳抗體不參與概率選擇,直接進入下一代,且不參與交叉和變異操作的最佳抗體策略。

3　基于IGA-DFNN瓦斯?jié)舛阮A測

3.1　預測模型的建立

3.1.1樣本數據選取與預處理

本文針對山西焦煤的官地礦2013年5月份某天,每隔1 min對采煤工作面的瓦斯?jié)舛炔杉淮?共采集200個采樣點原始數據,并把數據中有明顯錯誤的異常數據剔除后得到瓦斯?jié)舛葧r間序列樣本集如圖3所示。

圖3　原始瓦斯?jié)舛葧r間序列

然而,在瓦斯監(jiān)控系統(tǒng)中由于煤礦生產環(huán)境比較惡劣,存在著各種電磁感應干擾,礦井瓦斯傳感器輸出的微弱信號容易受到污染,記錄的該處瓦斯?jié)舛戎岛性肼?。所以瓦斯傳感器采集到的數據必須經過降噪濾波處理才能進行后續(xù)的訓練預測使用。

文中采用Coif小波函數Rigrsure閾值方式對測量點瓦斯?jié)舛葦祿M行去噪濾波處理,濾掉信號中所含的各種干擾信號及噪聲信號,還原出監(jiān)控系統(tǒng)現場真實信號,如圖4所示[15]。

圖4　經過小波去噪后的仿真圖

3.1.2網絡結構和隸屬函數的的確定

本文采用的是五層DFNN網絡結構。輸入節(jié)點個數由輸入層輸入個數確定,有幾個輸入數據就產生幾個輸入節(jié)點。開始預測時,所有輸入數據都為實際采集數據值Xt,Xt-1,…Xt-n,輸出是下一時刻的預測值Xt+1。本實驗中用前5 min采集到的瓦斯?jié)舛葦祿鳛閷W習樣本,來預測第6 min時的瓦斯?jié)舛?故該DFNN網絡的輸入節(jié)點數為5。輸出層顯示網絡輸出,本實驗以未來一天的瓦斯?jié)舛茸鳛檩敵?所以輸出節(jié)點數為1。

3.1.3參數優(yōu)化

根據上述階段訓練的結果,保持網絡結構不變,再采用免疫遺傳算法依照§2.3中優(yōu)化步驟對高斯函數中心值cij、分布寬度σij、遞歸單元的連接權值?ij、權系數wij實現在線優(yōu)化和調整。在優(yōu)化結束時選取使E最小的染色體作為DFNN的網絡參數。

其中,免疫遺傳算法的參數選取如下:群體規(guī)模n=100,交叉概率Pc=0.6,變異概率Pm=0.1,親和度參數取0.8。

3.2　仿真結果分析

在本實驗中,對于經過小波去噪后的200個瓦斯?jié)舛炔蓸訑祿?使用前150個數據作為訓練樣本數據對網絡進行訓練,后50個數據作為預測樣本數據。

訓練模型的數據矩陣可表示為:

T=(t1,t2,…,t145)

其中P中的每一個數據為經過處理的采樣數據的前150個實際數據,T中的數據則為訓練得到的數據。

圖5　DFNN和IGA-DFNN網絡訓練誤差對比圖

通過對網絡的訓練,當訓練次數為500次時使用IGA算法優(yōu)化過的DFNN網絡誤差曲線比單純的DFNN網絡曲線更平緩。當訓練結束時,IGA-DFNN網絡的訓練誤差更低,誤差水平達到了10-2,如圖5所示。說明經過IGA算法優(yōu)化后,DFNN網絡學習能力更強,用其來預測瓦斯?jié)舛染_度更高,效果更好。

當訓練迭代次數為500次時訓練基本穩(wěn)定,然后用最后的50個瓦斯?jié)舛葦祿鳛轭A測樣本,分別使用DFNN和IGA-DFNN網絡對未來的瓦斯?jié)舛茸兓闆r做預測,預測值與實際值對比圖如圖6所示。由圖可以看出在預測的初始階段,DFNN的預測效果較好,而到后期階段,預測值偏離實際值較為嚴重。而使用IGA-DFNN網絡得到的預測值與瓦斯?jié)舛鹊膶嶋H值整體擬合性更好,比使用DFNN網絡得到的預測值更接近瓦斯?jié)舛鹊恼鎸嵵怠?/p>

圖6　DFNN和IGA-DFNN瓦斯?jié)舛阮A測值與瓦斯?jié)舛葘嶋H值對比

為了更好的分析預測模型的預測性能,將DFNN模型和IGA-DFNN模型的預測效果進行誤差分析比較如下表1所示。

表1　預測模型誤差比較

從表1中的分析可以看出,同樣的瓦斯?jié)舛阮A測點數,IGA-DFNN預測均方誤差要小于DFNN預測;與此同時IGA-DFNN預測所用的時間要比DFNN所用的時間少4.3 s。說明經IGA優(yōu)化后預測模型在提高預測精度的同時保證了預測效率。

4　結論

本文在總結前人對瓦斯?jié)舛阮A測方法的基礎上,利用DFNN網絡建立了瓦斯?jié)舛阮A測模型,實現了瓦斯?jié)舛冗B續(xù)動態(tài)的預測,同時采用免疫遺傳算法對DFNN網絡進行網絡參數的優(yōu)化,克服了單純DFNN網絡訓練速度慢容易陷入局部極值的問題。通過MATLAB仿真圖表明,使用IGA優(yōu)化的DFNN網絡對于瓦斯?jié)舛鹊念A測有更好的效果,可以為煤礦瓦斯事故的防治提供一定的理論依據。

參考文獻:

[1]呂品,馬云歌,周心權.上隅角瓦斯?jié)舛葎討B(tài)預測模型的研究與應用[J].煤炭學報,2006,31(4):461-465.

[2]張劍英,許徽,陳娟,等.基于粒子群優(yōu)化的支持向量機在瓦斯?jié)舛阮A測中的應用研究[J].工礦自動化,2010,(10):32-35.

[3]程健,白靜宜,錢建生,等.基于混沌時間序列的煤礦瓦斯?jié)舛榷唐陬A測[J].中國礦業(yè)大學學報,2008,37(2):231-235.

[4]柴艷莉.基于智能信息處理的煤與瓦斯突出的預警預測研究[D].徐州:中國礦業(yè)大學信電學院,2011.

[5]邵良杉.基于粗糙集理論的煤礦瓦斯預測技術[J].煤炭學報,2009,34(3):371-374.

[6]伍世虞,徐軍.動態(tài)模糊神經網絡設計與應用[M].北京:清華大學出版社,2008.

[7]朱玉,張虹,蘇成.基于免疫遺傳算法的煤與瓦斯突出預測研究[J].中國礦業(yè)大學學報,2009,38(1):125-130.

[8]王曉路,劉健,盧建軍.基于小波變換和優(yōu)化預測器的瓦斯?jié)舛阮A測[J].應用基礎與工程科學學報,2011,19(3):499-507.

[9]王濤,王洋洋,郭長娜,等.QGA-RBF神經網絡在礦井瓦斯涌出量預測中的應用[J].傳感技術學報,2012,25(1):119-123.

[10]李紀榕,李福進,吳艷微,等.基于無線傳感網絡的煤礦安全監(jiān)測系統(tǒng)設計[J].傳感技術學報,2011,24(9):1336-1340.

[11]杜鵑.改進的TSK型動態(tài)模糊神經網絡在短期負荷預測中的應用[J].電網技術,2010,34(4):69-75.

[12]Wang N,Er M J,Meng X Y.A Fast and Accurate Online Self-Organizing Scheme for Parsimonious Fuzzy Neural Networks[J].Neurocomputing,2009,72:3818-3829.

[13]王軍號,孟祥瑞.一種基于改進遺傳RBF神經網絡的傳感器動態(tài)特性補償算法[J].傳感技術學報,2010,23(9):1298-1302.

[14]Tarakanov A,Dasgupta D.A Formal Model of an Artificial Immune System[J].Biosystems,2000,55(13):151-158.

[15]王麗婕,冬雷,廖曉鐘,等.基于小波分析的風電場短期發(fā)電功率預測[J].中國電機工程學報,2009,29(28):30-33.

付華(1962-),女,遼寧阜新人,教授,博士生導師,博士(后),主要從事智能檢測和數據融合等方面的研究。主持國家自然基金2項、主持及參與國家863和省部級項目30余項,發(fā)表學術論文40余篇,申請專利24項,fxfuhua@163.com;

李文娟(1987-),女,山西呂梁人,碩士研究生。主要研究方向為智能檢測與智能控制,lwjyiran@163.com。