劉海波,　黎永碧,　王福忠

(1.河南理工大學 電氣工程與自動化學院,焦作　454000; 2.河南工業(yè)和信息化職業(yè)學院,焦作　454000)

?

基于模糊神經(jīng)網(wǎng)絡和證據(jù)理論的瓦斯突出評判策略

劉海波1,黎永碧2,王福忠1

(1.河南理工大學 電氣工程與自動化學院,焦作454000; 2.河南工業(yè)和信息化職業(yè)學院,焦作454000)

摘要：針對影響煤礦瓦斯突出因素的不確定性和復雜的非線性關系,不能夠利用經(jīng)典的數(shù)學理論建立精確的預測模型,將模糊神經(jīng)網(wǎng)絡和D-S證據(jù)理論有機結(jié)合,提出了基于模糊神經(jīng)網(wǎng)絡和D-S證據(jù)理論的煤礦瓦斯突出危險等級評判策略.首先對傳感器采集的待評判采掘面參數(shù)進行預處理,使用模糊神經(jīng)網(wǎng)絡得出第一步的融合結(jié)果,并將其進行歸一化處理,歸一化函數(shù)作為基本概率賦值函數(shù),然后將歸一化之后的數(shù)值作為基本概率分配值,再用D-S證據(jù)理論進行第二次數(shù)據(jù)融合,作出最終評判.實驗結(jié)果表明，該方法具有良好的適應性并能得到準確性較高的評判結(jié)果.

關鍵詞：瓦斯突出; 危險等級評判; 模糊神經(jīng)網(wǎng)絡; 證據(jù)理論

煤炭作為我國工業(yè)生產(chǎn)的主要能源,當前在國家能源生產(chǎn)和一次消費結(jié)構(gòu)中占據(jù)到大約70%,到2050年煤炭的使用率仍然會占到50%左右.因此,在今后很長的一段時間內(nèi),煤炭仍然是我國能源工業(yè)生產(chǎn)中的主要力量.但是,在煤炭的開采過程中,我國每年的煤礦瓦斯突出和爆炸事故時有發(fā)生,不僅對人民群眾的生命財產(chǎn)造成巨大損失,而且給國家的利益和聲譽帶來了嚴重影響[1].所以,如何能夠準確可靠地對煤礦瓦斯突出的發(fā)生進行預測,并進行有效的防治,對采掘面的瓦斯突出危險等級進行科學評判,已經(jīng)成為煤礦安全生產(chǎn)技術研究中的重要研究方向,同時也是國家在安全生產(chǎn)領域中亟待解決的重大問題.

1煤礦瓦斯突出危險等級評判方法

煤礦瓦斯突出是十分復雜的過程,影響突出的因素眾多.許多學者對采掘面瓦斯突出危險等級評判方法進行了研究,主要有采用專家系統(tǒng)的方法、神經(jīng)網(wǎng)絡的方法及模糊理論的方法等[2].其中,專家系統(tǒng)是以知識為基礎的智能評判系統(tǒng),它的靈活性和適用性是建立在大量的專家知識和適合的推理系統(tǒng)的條件下,容易受到主觀因素的制約[3].神經(jīng)網(wǎng)絡的方法可以解決較復雜的非線性問題,并能夠進行自學習,但是,該方法只能根據(jù)原始樣本數(shù)據(jù),不能利用人類的寶貴經(jīng)驗知識,對系統(tǒng)評判沒有確定的物理意義[4].模糊理論的方法主要是利用模糊關系矩陣獲取對象的模糊矢量和特征集,并計算出模糊矢量之間的映射關系,然后根據(jù)模糊準則進行評判.系統(tǒng)不僅能夠利用前人寶貴的經(jīng)驗,而且參數(shù)具有確定的物理意義,但由于需要準確有效的對象狀態(tài)集和特征集,當出現(xiàn)新的突出因素時，該方法評判的準確率較低[5-6].D-S證據(jù)理論具有處理不確定性信息的能力,決策準確,但其基本概率函數(shù)構(gòu)造比較困難[7].本文將模糊邏輯和神經(jīng)網(wǎng)絡結(jié)合起來構(gòu)造模糊神經(jīng)網(wǎng)絡,再利用D-S證據(jù)理論進行全局信息融合,充分利用各種信息,使融合從信息的有效組合出發(fā),提高了評判的準確性.

(1)

信度函數(shù)的核心為Bel1和Bel2核心的交集,信度函數(shù)Bel1和Bel2的直和記為Bel1?Bel2.若同一識別框架X上有多個信度函數(shù)Bel1,Bel2,…,Beln,基本可信度分配分別為m1,m2,…,mn.若Bel1⊕Bel2⊕…⊕Beln存在,則n個信度函數(shù)的組合為

Bel={[(Bel1⊕Bel2)⊕Bel3]⊕…}⊕Beln

(2)

1.2模糊神經(jīng)網(wǎng)絡與D-S證據(jù)理論的融合

利用模糊神經(jīng)網(wǎng)絡進行評判的結(jié)果取決于樣本的準確性和充分性,在精度范圍內(nèi)具有不確定性,而D-S證據(jù)理論具有處理不確定信息的能力[8].所以,本文將模糊神經(jīng)網(wǎng)絡和D-S證據(jù)理論相結(jié)合進行瓦斯突出危險等級評判,其基本思想是首先采用多個數(shù)據(jù)傳感器采集待評判采掘面參數(shù)的數(shù)據(jù)流,然后對其進行歸一化處理，并進行模糊神經(jīng)網(wǎng)絡訓練和測試,低維神經(jīng)網(wǎng)絡的測試結(jié)果經(jīng)處理后,作為證據(jù)理論的基本可信度分配值，最后進行證據(jù)的融合,進行最終的評判決定,其評判模型如圖1所示.

圖1　基于模糊神經(jīng)網(wǎng)絡和D-S證據(jù)理論的評判模型

1.3基于D-S證據(jù)理論的基本概率函數(shù)的構(gòu)造

要將模糊神經(jīng)網(wǎng)絡的輸出結(jié)果轉(zhuǎn)化為證據(jù)理論的推理模型,關鍵是構(gòu)造D-S證據(jù)理論決策所需要的基本概率函數(shù).將模糊神經(jīng)網(wǎng)絡的輸出結(jié)果進行歸一化處理,將歸一化函數(shù)作為基本概率賦值函數(shù),然后將其作為每一個焦元的基本概率賦值[9].每個采掘面的多個點所測得的關鍵指標數(shù)值作為運用D-S證據(jù)理論需要的各自識別空間,將采掘面的多個點的模糊神經(jīng)網(wǎng)絡的輸出結(jié)果經(jīng)過歸一化處理之后的數(shù)值作為多個證據(jù)源.模糊神經(jīng)網(wǎng)絡的輸出結(jié)果用y(Ai)表示,對瓦斯突出的每個評判等級支持的基本概率賦值函數(shù)是m(Ai),m(θi)是評判等級的不確定性基本概率賦值函數(shù).

(3)

式中:Ai是需要評判采掘面煤礦瓦斯突出的n個等級狀態(tài),i=1,2,…,n;y(Ai)是模糊神經(jīng)網(wǎng)絡的評判結(jié)果.

內(nèi)標法適用范圍廣，可校正基體所引起的各種干擾因素。通過選擇，Y是較合適的內(nèi)標元素。所用的儀器分析軟件可方便地在一次分析結(jié)果中對不同內(nèi)標譜線的校正結(jié)果進行比較，以選擇能夠最大程度地校正基體干擾的內(nèi)標元素譜線。查閱儀器譜線數(shù)據(jù)庫，初選Y的5條分析譜線，在儀器最佳工作條件下，對含有不同量Co基體的1.00mg/L Y的標準溶液進行測定，結(jié)果如表7所示。通過各元素與內(nèi)標Y在不同Co基體中的響應值比對，確定Cd、Zn、Ni、S、Si的校正譜線為Y 224.303nm，F(xiàn)e、Mn、Ca、Mg、Na的校正譜線為Y 371.029nm，而As、Cu則無需進行校正。

(4)

(5)

式中,En是模糊神經(jīng)網(wǎng)絡的輸出誤差.

模糊神經(jīng)網(wǎng)絡輸出結(jié)果的誤差計算式為

(6)

式中:tnj是第n個樣本對應的第j個神經(jīng)元的期望輸出值,j=1,2,…,k;ynj是第n個樣本對應的第j個神經(jīng)元的實際輸出值.

2實例仿真

2.1初始數(shù)據(jù)及其處理

在對采掘面瓦斯突出危險等級進行評判時,結(jié)合現(xiàn)場條件和傳感器的測量范圍,首先選取影響瓦斯突出的8個關鍵評判指標,分別是瓦斯放散初速度(p1)、煤的破壞類型(p2)、瓦斯壓力(p3)、地質(zhì)構(gòu)造類型(p4)、煤的堅固性系數(shù)(p5)、煤的透氣性系數(shù)(p6)、煤體的瓦斯含量(p7)、軟分煤層厚度(p8).選取的樣本數(shù)據(jù)包括正常狀態(tài)和突出狀態(tài)時的指標值,以安全、比較危險、很危險這3種評判狀態(tài)為例進行分析.讀取這些指標的初始數(shù)據(jù),并利用模糊神經(jīng)網(wǎng)絡進行歸一化處理.考慮到現(xiàn)場環(huán)境及檢測點的變化,將單向變化指標的參考值設為0.30和0.65,雙向變化指標的參考值設為0.45,樣本數(shù)據(jù)如表1所示.

2.2模糊神經(jīng)網(wǎng)絡的初級診斷及可信度分配

文獻[9]利用模糊神經(jīng)網(wǎng)絡進行故障診斷,其網(wǎng)絡結(jié)構(gòu)由4層組成,訓練采用反向傳播算法.通過分析比較,本文中的模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)由輸入層、模糊化層、隱含層、歸一化層和輸出層組成.其中，輸入層為8個神經(jīng)元,模糊化層為24個神經(jīng)元,隱含層為64個神經(jīng)元,歸一化層為64個神經(jīng)元,輸出層為3個神經(jīng)元.在實際的學習中，可以根據(jù)需要對隱含層作適當?shù)母淖?同時訓練先進行正向傳播過程,當輸出與期望值不一致時,開始進行誤差的反向傳播,采用梯度下降法計算并不停地修正每個層的神經(jīng)元的權值,不斷地減小誤差數(shù)值,以提高評判精度.在Matlab中建立的模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)模型如圖2所示.其中,輸入節(jié)點分別是影響瓦斯突出的8個關鍵指標,隱含層節(jié)點數(shù)由經(jīng)驗選取;網(wǎng)絡期望輸出用(001) 代表很危險,(010) 代表比較危險,(100) 代表安全,網(wǎng)絡的誤差設定為10-4.

表1　關鍵指標的初始數(shù)據(jù)

圖2　模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)模型

在模糊神經(jīng)網(wǎng)絡訓練中,選取9組樣本,前6組樣本是訓練樣本,后3組數(shù)據(jù)作為測試仿真樣本.模糊神經(jīng)網(wǎng)絡的實際輸出結(jié)果如表2所示,從中可以看出，結(jié)果基本上是正確的,但與期望輸出結(jié)果存在一定的誤差,網(wǎng)絡訓練之后得到的誤差訓練曲線如圖3所示.

2.3基于D-S證據(jù)理論再次融合的實驗結(jié)果

首先運用式(3)將模糊神經(jīng)網(wǎng)絡的輸出值進行歸一化處理,將其作為每一個焦點元素的基本概率賦值.運用式(4)算出評判等級的不確定性基本概率賦值.分別用A1,A2,A3來代表安全、比較危險、很危險狀態(tài),用θ來代表狀態(tài)的不確定性.經(jīng)過Matlab仿真實驗,得到模糊神經(jīng)網(wǎng)絡實驗結(jié)果的基本概率賦值如表3所示.

表2　模糊神經(jīng)網(wǎng)絡的輸出結(jié)果

圖3　模糊神經(jīng)網(wǎng)絡訓練結(jié)果

表3　模糊神經(jīng)網(wǎng)絡實驗結(jié)果的基本概率賦值

利用D-S證據(jù)理論的合成規(guī)則公式對表3中的數(shù)據(jù)進行融合,得到的融合結(jié)果如表4所示.

由表4可知,通過D-S證據(jù)理論的再次融合之后,不確定性值m(θ)明顯變小了.這說明運用基于模糊神經(jīng)網(wǎng)絡和D-S證據(jù)理論的綜合評判策略是非常有效的,提高了評判精度,可以迅速地判斷出采掘面的評判狀態(tài).

表4　基于D-S證據(jù)理論的再次融合結(jié)果

3結(jié)論

煤礦瓦斯突出是一個十分復雜的過程,影響突出的因素眾多且具有不確定性和復雜的非線性關系,本文提出利用模糊神經(jīng)網(wǎng)絡和D-S證據(jù)理論相結(jié)合的方法,首先使用模糊神經(jīng)網(wǎng)絡對煤礦瓦斯突出危險等級進行初級評判,并將其結(jié)果作為證據(jù)理論的基本概率賦值函數(shù),再利用D-S證據(jù)理論的組合規(guī)則進行融合決策.實驗結(jié)果驗證了該方法的準確性和有效性,為煤礦瓦斯突出的預測提供了一種新的方法和思路.

參考文獻：

[1]聶百勝,何學秋,王恩元,等.煤與瓦斯突出預測技術研究現(xiàn)狀及發(fā)展趨勢[J].中國安全科學學報,2003,13(6):40-43.

[2]趙旭生,于不凡,馬代輝.煤與瓦斯突出礦井危險等級劃分方法[J].礦業(yè)安全與環(huán)保,2000,27(2):4-8.

[3]范金志,郭德勇,馬世志.工作面煤與瓦斯突出危險性的模糊綜合評判[J].煤礦安全,2004,35(3):17-19.

[4]王劍,王宏華.基于模糊邏輯的學習率自調(diào)整BP神經(jīng)網(wǎng)絡[J].吉林大學學報(工學版),2004(7):153-156.

[5]王友楠,方祖華,孫霙.基于模糊算法垂直泊車轉(zhuǎn)向控制策略的研究[J].上海理工大學學報,2015,37(2):155-158.

[6]黃貞輝,陳瑋,涂建.家用變頻空調(diào)溫度模糊控制算法研究[J].上海理工大學學報,2013,35(2):169-174.

[7]金海.多傳感器模糊信息融合算法在煤礦瓦斯監(jiān)測中的應用[J].煤炭技術,2012,31(8):82-84.

[8]邊寶峰.基于神經(jīng)網(wǎng)絡和D-S證據(jù)理論的信息融合方法的研究[D].保定:華北電力大學,2004.

[9]孫雅囡.基于模糊神經(jīng)網(wǎng)絡和D-S證據(jù)理論的故障診斷方法研究[J].中國船艦研究,2007,3(1):55-57.

(編輯:石瑛)

Evaluation Strategy of Gas Outburst Based on Fuzzy Neural Network and Evidence Theory

LIU Haibo1,LI Yongbi2,WANG Fuzhong1

(1.School of Electric Engineering and Automation,Henan Polytechnic University,Jiaozuo 454000,China;2.Henan College of Industry & Information Technology,Jiaozuo 454000,China)

Abstract：Because of the complicated non-linear relation between the coalmine gas outburst and its affecting factors,it is difficult to establish an accurate detection model with traditional mathematical method.The fuzzy neural network and D-S evidence theory were organically combined to suggest an evaluation strategy for the coalmine gas outburst risk level.After perprocessing the evaluation parameters data flow,the first-step fused result was obtained by using fuzzy neural network and normalized as a basic probability assignment function.Each output value was taken as the basic belief assignment value,then through D-S evidence theory fusion to get the second fused result.The simulation results show that the model is reliable and precise and the security level can be accurately predicted with the proposed method.

Keywords：gas outburst; risk level evaluation; fuzzy neural network; evidence theory

中圖分類號：TP 206

文獻標志碼：A

基金項目：河南省科技攻關計劃資助項目(102102210203)

收稿日期：2014-12-25

DOI：10.13255/j.cnki.jusst.2016.02.012

文章編號：1007-6735(2016)02-0168-04

第一作者： 劉海波(1982-),男,講師.研究方向:智能信息處理.E-mail:lhb1403@126.com