王雨虹,付 華,張 洋

(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105;2.遼寧工程技術(shù)大學(xué)電子與信息工程學(xué)院,遼寧 葫蘆島 125105)

?

基于KPCA和CIPSO-PNN的煤與瓦斯突出強(qiáng)度辨識(shí)模型*

王雨虹1*,付 華1,張 洋2

(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105;2.遼寧工程技術(shù)大學(xué)電子與信息工程學(xué)院,遼寧 葫蘆島 125105)

為了實(shí)現(xiàn)對(duì)煤與瓦斯突出強(qiáng)度等級(jí)的準(zhǔn)確辨識(shí),提出將核主成分分析(KPCA)和改進(jìn)概率神經(jīng)網(wǎng)絡(luò)相結(jié)合,建立煤與瓦斯突出的強(qiáng)度辨識(shí)模型。根據(jù)煤層條件和生產(chǎn)條件,確定影響煤礦瓦斯突出的相關(guān)基礎(chǔ)參數(shù)并對(duì)其進(jìn)行測(cè)定,采用KPCA對(duì)該參數(shù)集進(jìn)行降維處理,提取出可以表征煤與瓦斯突出的敏感參數(shù)作為辨識(shí)模型的輸入值。利用混沌免疫粒子群算法(CIPSO)優(yōu)化概率神經(jīng)網(wǎng)絡(luò)(PNN)的σ參數(shù),以克服PNN中平滑參數(shù)σ單一而導(dǎo)致的分類(lèi)錯(cuò)誤,避免了人為因素的影響,提高辨識(shí)模型的精度。實(shí)例分析結(jié)果表明,相比BP、PNN、PSO-PNN等方法,該方法對(duì)煤與瓦斯突出強(qiáng)度進(jìn)行辨識(shí),結(jié)果更為準(zhǔn)確。

煤與瓦斯突出;強(qiáng)度辨識(shí);核主成分分析;概率神經(jīng)網(wǎng)絡(luò);混沌免疫粒子群

煤與瓦斯突出是指在地應(yīng)力和瓦斯共同作用下,破碎的煤、巖和瓦斯由煤(巖)壁內(nèi)部突然向采掘空間拋出的異常動(dòng)力現(xiàn)象,是煤礦最嚴(yán)重的地質(zhì)災(zāi)害之一[1]。由于煤與瓦斯突出產(chǎn)生的機(jī)理非常復(fù)雜,并且各個(gè)突出因素之間相互關(guān)聯(lián)和制約,預(yù)測(cè)突出的地點(diǎn)、時(shí)間和突出強(qiáng)度都是比較困難的。

在進(jìn)行突出強(qiáng)度辨識(shí)時(shí),合理地選擇影響突出的敏感指標(biāo)非常重要,既可簡(jiǎn)化計(jì)算,又能保證辨識(shí)精度。由于目前對(duì)煤與瓦斯突出的機(jī)理研究尚不完善,從理論上確定突出的敏感指標(biāo)還有一定的難度,因此,當(dāng)前對(duì)突出敏感指標(biāo)的選擇一般都是根據(jù)人們的經(jīng)驗(yàn)或統(tǒng)計(jì)規(guī)律來(lái)確定。近幾年,主成分分析PCA(Principal Components Analysis)被廣泛應(yīng)用到突出敏感指標(biāo)的選擇中,但PCA本質(zhì)上是一種線(xiàn)性的數(shù)據(jù)降維方法,在處理煤與瓦斯突出等非線(xiàn)性問(wèn)題時(shí)有一定的不足之處。

在煤與瓦斯突出辨識(shí)和預(yù)測(cè)研究中,人工神經(jīng)網(wǎng)絡(luò)以其優(yōu)越的建模能力和較好的擬合性能[2-5],在處理煤與瓦斯突出這類(lèi)非線(xiàn)性問(wèn)題上呈現(xiàn)出一定的優(yōu)勢(shì),特別是以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的突出危險(xiǎn)性預(yù)測(cè)取得了令人矚目的研究成果,但是BP網(wǎng)絡(luò)對(duì)訓(xùn)練樣本需求量大、速度慢、易陷入局部最小等缺陷對(duì)預(yù)測(cè)的精度產(chǎn)生影響。

針對(duì)上述問(wèn)題,本文提出的煤與瓦斯突出強(qiáng)度辨識(shí)方法的主要思路如下:首先獲取影響突出發(fā)生的基礎(chǔ)參數(shù)作為原始向量;然后利用核主成分分析KPCA(Kernel Principal Components Analysis)對(duì)原始向量進(jìn)行降維處理,提取出能反映煤與瓦斯突出的主要敏感指標(biāo),將其作為辨識(shí)模型的輸入量;再利用混沌免疫粒子群算法CIPSO(Chaos Immune Particle Swarm Optimization)對(duì)概率神經(jīng)網(wǎng)絡(luò)PNN(Probabilistic Neural Network)的平滑參數(shù)σ優(yōu)化,形成CIPSO-PNN網(wǎng)絡(luò),并建立煤與瓦斯突出強(qiáng)度辨識(shí)模型,對(duì)該模型的性能進(jìn)行分析。

1 煤與瓦斯突出基礎(chǔ)參數(shù)測(cè)定方法

由于各個(gè)煤礦的自然條件和生產(chǎn)技術(shù)條件存在差異,使得影響煤與瓦斯突出的因素也各不相同[6-7]。本文選取河南某礦作為研究對(duì)象,通過(guò)大量文獻(xiàn)查閱及與現(xiàn)場(chǎng)工作人員溝通,依次選取最大主應(yīng)力X1,MPa;瓦斯壓力X2,MPa;瓦斯含量X3,m3/t;頂板巖性X4,(滲透率)/%;距斷裂距離X5,m;厚度X6,m;垂深X7,m;絕對(duì)瓦斯涌出量X8,m3/d;相對(duì)瓦斯涌出量X9,m3/t等9項(xiàng)指標(biāo)作為該礦煤與瓦斯突出的基礎(chǔ)參數(shù)[7]。

1.1 瓦斯壓力的測(cè)量

瓦斯壓力是指瓦斯氣體作用于孔隙壁的壓力,反映了煤體內(nèi)瓦斯壓縮能的大小,是衡量煤層突出危險(xiǎn)性的重要指標(biāo)之一,單位為MPa。瓦斯壓力的測(cè)定方法有直接法和間接法兩種。直接法是通過(guò)用圍巖巷道向煤層打孔,孔中設(shè)定測(cè)壓儀表并密封鉆孔,用壓力表直接測(cè)定瓦斯壓力;間接法是根據(jù)瓦斯的一些特性計(jì)算瓦斯壓力值,如利用瓦斯壓力梯度推算煤層瓦斯壓力等。直接法是對(duì)瓦斯壓力的直接測(cè)量,測(cè)定數(shù)值比較真實(shí),目前國(guó)內(nèi)外煤礦主要采用該方法測(cè)定瓦斯壓力[8]。直接法對(duì)測(cè)壓地點(diǎn)有一定的要求,如果沒(méi)有合適的測(cè)壓條件,可選用間接測(cè)壓法。

鉆孔密封的質(zhì)量是影響直接測(cè)壓法的主要因素之一,封孔方式主要有黃泥封孔、水泥砂漿封孔、膠圈封孔、膠囊-壓力粘液封孔方法等。其中,膠囊-壓力粘液封孔具有測(cè)壓時(shí)間短、裝置可以重復(fù)使用等優(yōu)點(diǎn),在煤礦瓦斯壓力測(cè)量中經(jīng)常使用。

根據(jù)測(cè)壓方式的不同,直接法還分為主動(dòng)和被動(dòng)測(cè)壓法。主動(dòng)測(cè)壓法是在封孔完畢后,向測(cè)壓氣室內(nèi)注入高壓N2、CO2或惰性氣體,利用氣體擴(kuò)散作用使瓦斯壓力達(dá)到平衡而測(cè)定煤層瓦斯壓力。被動(dòng)法是利用煤層瓦斯自然滲透原理,在瓦斯壓力平衡后測(cè)定瓦斯壓力,與主動(dòng)法相比較,被動(dòng)法測(cè)壓時(shí)間較長(zhǎng)。

1.2 瓦斯含量的測(cè)定

瓦斯含量是指在自然狀態(tài)下,單位體積或重量的煤所含瓦斯量的大小,單位為m3/t,它是計(jì)算瓦斯賦存量和預(yù)測(cè)瓦斯涌出量的重要參數(shù)[8]。測(cè)量瓦斯含量常采用間接法,即根據(jù)煤層瓦斯壓力和煤的吸附常數(shù)計(jì)算求得。

煤層瓦斯含量是游離瓦斯量和吸附瓦斯量的和值,即:

X=Xy+Xx

(1)

其中,游離瓦斯Xy根據(jù)氣體狀態(tài)方程計(jì)算。

(2)

式中:V為單位重量煤的孔隙體積,m3/t;p為瓦斯壓力,MPa;T0、p0是標(biāo)準(zhǔn)狀態(tài)下的絕對(duì)溫度和壓力;ξ為瓦斯壓縮系數(shù),查表可得。

吸附瓦斯含量Xx一般采用朗格繆爾方程計(jì)算。

(3)

1.3 瓦斯涌出量的測(cè)定

瓦斯涌出量是指在礦井開(kāi)采過(guò)程中從煤與巖石內(nèi)涌出的瓦斯量,可用絕對(duì)瓦斯涌出量和相對(duì)瓦斯涌出量表示[8]。

絕對(duì)瓦斯涌出量QCH4表示在單位時(shí)間內(nèi)的瓦斯涌出量大小,單位為m3/d,計(jì)算公式為:

QCH4=QC×60×24

(4)

式中:Q為礦井總回風(fēng)量,m3/min;C為礦井總回風(fēng)巷中的瓦斯?jié)舛取?/p>

相對(duì)瓦斯涌出量qCH4表示在正常生產(chǎn)下,平均日產(chǎn)1t煤的瓦斯涌出量,單位為m3/t,計(jì)算公式為:

qCH4=QCH4/A

(5)

式中:A為日產(chǎn)煤量,t/d。

2 KPCA原理

核主成分分析是將核函數(shù)引入到PCA中,通過(guò)非線(xiàn)性變換進(jìn)行輸入空間到高維特征空間的變換,然后在高維空間進(jìn)行線(xiàn)性可分[9],能有效地提取非線(xiàn)性信息,降低原始數(shù)據(jù)維數(shù),提高數(shù)據(jù)處理的速度。

KPCA的輸入樣本空間是由影響煤與瓦斯突出的n項(xiàng)指標(biāo)的原始數(shù)據(jù)組成,記X={x1,x2,…,xn}。利用非線(xiàn)性映射φ,將輸入空間樣本點(diǎn)變換到特征空間的樣本點(diǎn)φ(x1),φ(x2),…,φ(xn),并假設(shè)

(6)

在特征空間中,協(xié)方差

(7)

對(duì)在特征空間的特征值和特征向量求解

(8)

在式(8)兩邊同乘φ(xi),則

(9)

對(duì)于ν映射到特征空間的樣本矢量線(xiàn)性表示為:

(10)

定義核函數(shù):

[Ki,j]n×n,Ki,j=(φ(xi)·φ(xj))

(11)

將式(6)～式(11)整理后,

Nλα=Kα

(12)

α為矩陣K的特征向量,對(duì)于任意向量x,在特征空間主元方向φ(x)上的投影為

(13)

選取煤與瓦斯突出突出災(zāi)害敏感指標(biāo)數(shù)量s的一般規(guī)則為

(14)

(15)

式中L為系數(shù)為1/l的l×l階單位矩陣。

3 CIPSO優(yōu)化PNN網(wǎng)絡(luò)

3.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)是以貝葉斯推理作為模式識(shí)別原理,學(xué)習(xí)規(guī)則簡(jiǎn)單,只需修正少量的權(quán)值和閾值,具有訓(xùn)練速度快,分類(lèi)能力強(qiáng)等特點(diǎn)。根據(jù)PNN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)[10-11],煤與瓦斯突出強(qiáng)度辨識(shí)模型分為輸入層、徑向基層、隱含層和輸出層。將經(jīng)過(guò)KPCA降維處理后的災(zāi)害特征參數(shù)作為輸入層神經(jīng)元;在模式層中,每個(gè)神經(jīng)元與給定類(lèi)的權(quán)矢量之間的連接,輸入輸出關(guān)系為:

(16)

式中,X={xm,1,xm,2,…,xm,sm}是輸入樣本向量重構(gòu)后的突出災(zāi)害特征信息,Sm為Xm中樣本個(gè)數(shù),d為待分類(lèi)的向量X及訓(xùn)練向量的維數(shù);Xji為類(lèi)別j的第i個(gè)訓(xùn)練向量;σ為平滑參數(shù)。

求和層對(duì)輸入層的輸出進(jìn)行求和,得到

(17)

根據(jù)煤與瓦斯突出強(qiáng)度的分類(lèi)情況,輸出層完成輸入數(shù)據(jù)的分類(lèi),根據(jù)S中最大的響應(yīng)獲得網(wǎng)絡(luò)的輸出1,其余為0,即:

(18)

3.2 CIPSO-PNN

式(16)中σ表示訓(xùn)練樣本各維度的標(biāo)準(zhǔn)差,在樣本確定的情況下,該參數(shù)的變化關(guān)系到樣本之間的影響程度及PNN網(wǎng)絡(luò)函數(shù)值的變化,從而影響最終結(jié)果。在PNN網(wǎng)絡(luò)中,所有參數(shù)的σ值相同,不能真實(shí)反映各個(gè)輸入變量對(duì)正確結(jié)果的實(shí)際作用[12-13]。目前,PNN網(wǎng)絡(luò)的平滑參數(shù)σ選擇有兩種方法,一是憑經(jīng)驗(yàn)估計(jì)設(shè)定,但效率低分類(lèi)精度差;二是采用優(yōu)化算法尋找最優(yōu)的σ使PNN分類(lèi)誤差最小。本文采用混沌免疫粒子群算法對(duì)PNN網(wǎng)絡(luò)的平滑參數(shù)σ進(jìn)行優(yōu)化選擇。

混沌免疫粒子群算法是將混沌算法和人工免疫系統(tǒng)中的克隆選擇機(jī)制引入到標(biāo)準(zhǔn)粒子群算法中[14],抗原為目標(biāo)函數(shù)和約束條件,抗體為粒子群。為了提高種群的多樣化程度,克隆和混沌變異時(shí)要選擇親和度高的抗體,按與其親和度成正比的方式進(jìn)行克隆,與親和度成反比的方式進(jìn)行混沌變異;將親和度低的抗體按一定比例初始化。同標(biāo)準(zhǔn)粒子群算法相比較,CIPSO算法利用克隆選擇粒子,可使種群的收斂速度得到提升,對(duì)克隆后的粒子進(jìn)行混沌變異,使種群容易跳出局部最優(yōu),提高種群的全局搜索能力。

CIPSO能夠搜索全局最優(yōu)解,通過(guò)重復(fù)迭代的方法,實(shí)現(xiàn)σ參數(shù)也隨測(cè)量空間的變化而改變,從而形成自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)(APNN),即:

(19)

基于CIPSO-PNN的煤與瓦斯突出強(qiáng)度辨識(shí)過(guò)程如下:

①結(jié)合辨識(shí)對(duì)象,初始化粒子群參數(shù),如種群大小、適應(yīng)閾值、迭代次數(shù)最大值、學(xué)習(xí)因子,初始位置及速度;

②對(duì)PNN網(wǎng)絡(luò)初始化,粒子群粒子映射為平滑參數(shù);輸入訓(xùn)練樣本到PNN網(wǎng)絡(luò),計(jì)算訓(xùn)練分類(lèi)的結(jié)果,從而得到適應(yīng)度函數(shù)ε,該值即為每個(gè)粒子(抗體)的親和度。文中以PNN正確分類(lèi)百分比為適應(yīng)度函數(shù),即

(20)

式中:m為正確分類(lèi)樣本數(shù);M為總樣本數(shù)。

③比較第i個(gè)粒子通過(guò)全部位置時(shí)的適應(yīng)度大小,以確定其最佳位置Pbi;比較全部粒子在其最佳位置Pbi的適應(yīng)度值,確定整個(gè)種群的最佳位置Gb;

④判斷是否達(dá)到算法終止條件,若滿(mǎn)足則停止計(jì)算,最優(yōu)粒子的位置Gb即為光滑因子,代入式(20)建立APNN辨識(shí)模型,不滿(mǎn)足條件進(jìn)行下一步。

⑤根據(jù)式(21)、(22)更新粒子群的速度和位置。

(21)

(22)

⑥根據(jù)抗體、抗原親和度對(duì)當(dāng)前種群排序,精英克隆種群Sk由親和度最高的粒子組成,其余粒子組成種群Lk。

⑦對(duì)Sk中的粒子進(jìn)行克隆、混沌變異和選擇操作,獲得更新后的精英種群Sk+1。

⑧在Lk中,運(yùn)用Γ(*)算子對(duì)親和度最低的粒子予以舍棄,得到新種群Lk+1,其中:

Γ(X)=rand()(U-L)+L

(23)

式中:L,U分別表示抗體粒子X(jué)取值范圍的上下界。

⑨將種群Sk+1和Lk+1合并,得到新一代種群Pk+1;

⑩檢驗(yàn)是否滿(mǎn)足終止條件,若不滿(mǎn)足終止條件則返回步③。

4 煤與瓦斯突出強(qiáng)度辨識(shí)的實(shí)現(xiàn)

基于上述原理,利用KPCA和CIPSO-PNN建立煤與瓦斯突出強(qiáng)度辨識(shí)模型的流程如圖1所示。

圖1 煤與瓦斯突出強(qiáng)度辨識(shí)流程圖

4.1 樣本數(shù)據(jù)的采集

考慮到本文所選礦區(qū)地質(zhì)構(gòu)造和巷道分布的實(shí)際情況,測(cè)定瓦斯壓力利用直接法,在圍巖致密且無(wú)斷層地帶進(jìn)行鉆孔,采用膠囊-壓力粘液封孔方式,并利用M-Ⅳ型瓦斯壓力測(cè)定儀進(jìn)行瓦斯壓力測(cè)量。為了節(jié)省測(cè)壓時(shí)間,選用主動(dòng)測(cè)壓方式,并在氣室內(nèi)注入高壓CO2,當(dāng)穩(wěn)定后的瓦斯壓力變化值小于0.05 MPa時(shí),壓力表顯示數(shù)值為煤層的瓦斯壓力值。

對(duì)礦井總回風(fēng)巷的瓦斯?jié)舛葴y(cè)量可在測(cè)風(fēng)站內(nèi)選用KGY-002A型甲烷傳感器完成。礦井總回風(fēng)量的測(cè)量選用KGF2型礦用風(fēng)量傳感器,該傳感器利用卡曼渦街原理實(shí)現(xiàn)風(fēng)速測(cè)量。根據(jù)測(cè)得風(fēng)速,可計(jì)算巷道的風(fēng)量為:

θ=νAK

(24)

式中:ν為測(cè)量的風(fēng)速平均值,m/s;A是巷道的斷面,m2;K為修正系數(shù)。

在瓦斯?jié)舛群涂偦仫L(fēng)量已測(cè)定的情況下,利用式(3)～式(5)求得絕對(duì)瓦斯涌出量、相對(duì)瓦斯涌出量和煤層瓦斯含量。采集的樣本原始數(shù)據(jù)見(jiàn)表1。

表1 煤與瓦斯突出各影響因素的原始數(shù)據(jù)

圖2 各主成分解釋方差的帕累托圖

4.2 基于KPCA煤與瓦斯突出敏感指標(biāo)提取

核函數(shù)選擇高斯徑向基函數(shù),即

σ1的選擇對(duì)特征參數(shù)提取結(jié)果有直接影響,可通過(guò)實(shí)驗(yàn)方法確定該值。利用MATLAB計(jì)算得到特征值及累計(jì)貢獻(xiàn)率。

采用KPCA方法進(jìn)行突出敏感指標(biāo)提取,前3項(xiàng)主成分的方差分別為0.177 3、0.049 7和0.042 8,其累積貢獻(xiàn)率達(dá)到89.60%左右。利用圖2帕累托圖對(duì)方差進(jìn)行解釋。

依據(jù)主成分選取標(biāo)準(zhǔn)(累積貢獻(xiàn)率大于80%以上),可用前3項(xiàng)主成分可代替原來(lái)的9項(xiàng)指標(biāo)。計(jì)算核矩陣在提取出的特征向量上的投影Y1、Y2和Y3,即為經(jīng)過(guò)KPCA降維后所得到的數(shù)據(jù),見(jiàn)表2。

表2 KPCA降維后的數(shù)據(jù)

4.3 基于CISPO-APNN的煤與瓦斯突出強(qiáng)度辨識(shí)模型

根據(jù)實(shí)際拋出煤質(zhì)量的大小,將煤與突出強(qiáng)度類(lèi)型分為4類(lèi):無(wú)突出;小型突出(50 t以下);中型突出(50 t～100 t);大型突出(100 t以上)[15]。選取KPCA降維處理后編號(hào)為2、4、10、11、18和19的數(shù)據(jù)作為CIPSO-PNN網(wǎng)絡(luò)的測(cè)試樣本,其余13組數(shù)據(jù)作為訓(xùn)練樣本。建立的CIPSO-PNN神經(jīng)網(wǎng)絡(luò)輸入層包含3個(gè)神經(jīng)元,與KPCA降維后提取的敏感指標(biāo)數(shù)量一致;徑向基層包含13個(gè)神經(jīng)元,每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)輸入的訓(xùn)練樣本;隱含層包含4個(gè)神經(jīng)元,對(duì)應(yīng)突出強(qiáng)度的4個(gè)模式,隱含層對(duì)輸入求和后,找出隱含層神經(jīng)元的最大值,輸出對(duì)應(yīng)的類(lèi)別序號(hào)。建立的CIPSO-PNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 CIPSO-PNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

初始化CIPSO各項(xiàng)參數(shù),種群大小為20,學(xué)習(xí)因子c1=c2=2,最大迭代次數(shù)為200,慣性權(quán)值ω隨迭代次數(shù)由0.9到0.4線(xiàn)性變化。

基于CIPSO-PNN的煤與瓦斯突出強(qiáng)度辨識(shí)結(jié)果見(jiàn)表3。

表3 CIPSO-PNN煤與瓦斯突出強(qiáng)度辨識(shí)結(jié)果

從表3結(jié)果來(lái)看,該模型具有較好的泛化能力,識(shí)別煤與瓦斯突出強(qiáng)度的準(zhǔn)確性較高。

為了分析文中提出的煤與瓦斯突出強(qiáng)度辨識(shí)模型的性能優(yōu)劣,對(duì)經(jīng)過(guò)KPCA降維處理和未經(jīng)處理的初始樣本,分別進(jìn)行BP、PNN、PSO-PNN和CIPSO-PNN的辨識(shí)結(jié)果進(jìn)行分析比較,如表4所示。

表4 各種辨識(shí)方法的比較

由表4可知,經(jīng)過(guò)降維處理后的辨識(shí)模型,由于去除了數(shù)據(jù)間的相關(guān)性,減少了冗余信息和數(shù)據(jù)噪音,辨識(shí)模型的準(zhǔn)確性提高。其中,CIPSO優(yōu)化后的PNN辨識(shí)模型識(shí)別準(zhǔn)確率優(yōu)于其他辨識(shí)模型,但是尋優(yōu)過(guò)程復(fù)雜,經(jīng)PSO、CIPSO優(yōu)化后的PNN網(wǎng)絡(luò)建模耗時(shí)較PNN網(wǎng)絡(luò)長(zhǎng)。

5 結(jié)論

本文提出了一種基于核主成分分析和改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出強(qiáng)度辨識(shí)模型。利用核主成分分析將影響煤與瓦斯突出的初始因素?cái)?shù)據(jù)進(jìn)行降維處理,這樣既保留了原始數(shù)據(jù)的主要信息,又可以去除數(shù)據(jù)間的關(guān)聯(lián)性,降低數(shù)據(jù)維數(shù),為下一步的準(zhǔn)確辨識(shí)奠定基礎(chǔ)。采用CIPSO優(yōu)化PNN網(wǎng)絡(luò)的平滑參數(shù),利用優(yōu)化后的PNN網(wǎng)絡(luò)建立煤與瓦斯突出強(qiáng)度辨識(shí)模型,避免了人為因素的影響。通過(guò)對(duì)現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)驗(yàn)證的結(jié)果表明,該方法具有較高的辨識(shí)精度,適用于煤與瓦斯突出強(qiáng)度的辨識(shí)和預(yù)測(cè),同時(shí)也為類(lèi)似問(wèn)題的研究提供了新的方法和思路,可以推廣到其他領(lǐng)域。

[1] 付華,邵良杉.煤礦瓦斯災(zāi)害特征挖掘與融合預(yù)測(cè)[M].北京:科學(xué)出版社,2010.

[2]張宏偉,李勝.煤與瓦斯突出的危險(xiǎn)性的模式識(shí)別與概率預(yù)測(cè)[J].巖石力學(xué)與工程學(xué)報(bào),2005,24(19):3577-3581.

[3]陳祖云.煤與瓦斯突出前兆的非線(xiàn)性預(yù)測(cè)及支持向量機(jī)識(shí)別研究[D].中國(guó)礦業(yè)大學(xué),2009.

[4]張子戌,劉高峰,呂閏生,等.基于模糊模式識(shí)別的煤與瓦斯突出區(qū)域預(yù)測(cè)[J].煤炭學(xué)報(bào),2007,32(6):592-595.

[5]付華,李文娟,孟祥云,等.IGA-DFNN在瓦斯?jié)舛阮A(yù)測(cè)中的應(yīng)用[J].傳感技術(shù)學(xué)報(bào),2014,27(2):262-266.

[6]王漢斌.煤與瓦斯突出的分形預(yù)測(cè)理論及應(yīng)用[M].北京:煤炭工業(yè)出版社,2012.

[7]付華,許凡,徐耀松,等.礦井CH4和煤塵的光聲復(fù)合檢測(cè)方法研究[J].傳感技術(shù)學(xué)報(bào),2013,26(7):922-926.

[8]朱志潔,張宏偉,韓軍,等.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2013,23(2):45-50.

[9]高宏賓,侯杰,李瑞光.基于核主成分分析的數(shù)據(jù)流降維研究[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(11):105-109.

[10]Seim Timung,Tapas K Mandal.Prediction of Flow Pattern of Gas-Liauid Flow Through Circular Microchannel Using Probabilistic Neural Network[J].Applied Soft Computing,2013(13):1674-1685.

[11]Zhang Ruilin,Lan S Lowndes.The Application of A Coupled Artificial Neural Network and Fault Tree Analysis Model to Predict Coal and Gas Utburst[J].International Journal of Coal Geology,2010,84:141-152.

[12]連遠(yuǎn)鋒,李國(guó)和,吳發(fā)林,等.基于遺傳PNN網(wǎng)絡(luò)的組合導(dǎo)航故障診斷研究[J].儀器儀表學(xué)報(bào),2012,33(1):120-126.

[13]尚小晶,田彥濤,李陽(yáng),等.基于改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的手勢(shì)姿勢(shì)動(dòng)作識(shí)別[J].吉林大學(xué)學(xué)報(bào)(信息科學(xué)版),2010,28(5):460-466.

[14]付華,姜偉,單欣欣.基于耦合算法的煤礦瓦斯涌出量預(yù)測(cè)模型研究[J].煤炭學(xué)報(bào),2012,37(4):654-658.

[15]肖紅飛,何學(xué)秋,劉黎明.改進(jìn)BP算法在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用[J].中國(guó)安全科學(xué)學(xué)報(bào),2003,13(9):59-62.

The Identification Model of Coal and Gas Outburst Intensity Based on KPCA and CIPSO-PNN*

WANGYuhong1*,FUHua1,ZHANGYang2

(1.College of Electrical and Control Engineering,Liaoning Technical University,Liaoning Huludao 125105,China;2.School of Electronic and information Engineering,Liaoning Technical University,Liaoning Huludao 125105,China)

In order to achieve accurate identification for coal and gas outburst,a new algorithm based on Kernel Principal Components Analysis(KPCA)and Improved Probabilistic Neural Network is proposed.Based on different conditions of coal seam and operation,the original index parameters that affect coal and gas outburst are determined and dealt with dimension reduction by KPCA method.The chief factors representing coal and gas outburst are extracted and put into PNN for identification of coal and gas outburst.Aiming at the incorrect classification defect caused by single smoothing factor,Chaos Immune Particle Swarm Optimization(CIPSO)is adopted to optimize parameters of PNN,which avoids the influence of artificial factors and improves the identification accuracy of the model.The numerical analysis results show that the proposed method has better performance compared with BP,PNN and PSO-PNN approaches.

coal and gas outburst;identification;kernel principal components analysis;probabilistic neural network;chaos immune particle swarm optimization

王雨虹(1979-),女,遼寧阜新人,副教授,在讀博士,主要從事智能檢測(cè)技術(shù)、煤礦安全監(jiān)測(cè)監(jiān)控技術(shù)等方面的教學(xué)與科學(xué)研究,參與多項(xiàng)國(guó)家級(jí)、省部級(jí)科研項(xiàng)目,yuhong0804001@126.com;

付 華(1962-),女,遼寧阜新人,博士,教授,博士生導(dǎo)師,主要從事智能檢測(cè)和數(shù)據(jù)融合等方面的研究,fxfuhua@163.com。

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(51274118)

2014-09-09 修改日期:2014-11-20

C:7230

10.3969/j.issn.1004-1699.2015.02.022

TP212;TP183

A

1004-1699(2015)02-0271-07