付 華， 梁小飛， 李 濤, 司南楠

(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.國網(wǎng)遼寧省電力有限公司葫蘆島供電公司，遼寧 葫蘆島 125105)

0 引 言

為提高國民經(jīng)濟(jì)及礦井開采的安全性，需建立井下瓦斯監(jiān)測系統(tǒng)，實現(xiàn)礦井瓦斯監(jiān)測[1,2]。針對瓦斯監(jiān)測系統(tǒng)國內(nèi)外學(xué)者進(jìn)行了大量研究并提出多種監(jiān)測方法。利用反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)[3]或優(yōu)化后的BP網(wǎng)絡(luò)算法對監(jiān)測參數(shù)進(jìn)行非線性映射，但BP神經(jīng)網(wǎng)絡(luò)在使用中會出現(xiàn)局部極值等問題；文獻(xiàn)[4]根據(jù)煤礦礦井結(jié)構(gòu)提出的基于信息融合與遺傳算法—支持向量機(jī)(genetic algorithm-support vector machine,GA-SVM)的煤礦瓦斯?jié)舛榷鄠鞲衅黝A(yù)測模型，可通過支持向量機(jī)進(jìn)行瓦斯監(jiān)測，但參數(shù)選取問題在一定程度上出現(xiàn)局限性；文獻(xiàn)[5]采用模糊算法對傳感器的數(shù)據(jù)作數(shù)據(jù)層的融合，將模糊化處理后的監(jiān)測參數(shù)通過模糊推理算法合成數(shù)據(jù)，可得知礦井下整體安全狀況的評估結(jié)果，但此方法只能獲得對礦井井下安全狀態(tài)的大致估計，不能解決決策規(guī)則問題；文獻(xiàn)[6]采用數(shù)據(jù)挖掘方法進(jìn)行瓦斯監(jiān)測，當(dāng)采集數(shù)據(jù)分布不均勻時挖掘效果差，占用內(nèi)存較大。

針對上述煤礦安全監(jiān)測系統(tǒng)方法的不足，本文提出采用差分進(jìn)化蝙蝠算法優(yōu)化加權(quán)平均D-S證據(jù)理論對多傳感器采集數(shù)據(jù)進(jìn)行信息融合[7]，中間加以核獨立主元分析(kernel independent principla component analysis,KICA)算法[8]對原始數(shù)據(jù)做特征層提取，從而對礦井安全程度進(jìn)行監(jiān)測。

1 瓦斯監(jiān)測系統(tǒng)結(jié)構(gòu)

監(jiān)測系統(tǒng)[9]會采用甲烷、風(fēng)速、溫度、一氧化碳(CO)、煤塵、電磁輻射、聲發(fā)射等傳感器來采集礦井工作巷道瓦斯?jié)舛?、通風(fēng)、溫度、煤塵以及煤巖層動力等瓦斯災(zāi)害信息參數(shù)。為方便簡化研究，選取前面4個主要傳感器的監(jiān)測數(shù)據(jù)作為輸入，構(gòu)建基于進(jìn)化差分蝙蝠算法優(yōu)化加權(quán)D-S數(shù)據(jù)融合的瓦斯監(jiān)測系統(tǒng)，其系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 DEBA算法改進(jìn)D-S融合的瓦斯監(jiān)測系統(tǒng)結(jié)構(gòu)

2 礦井監(jiān)測數(shù)據(jù)的特征提取

設(shè)初始輸入集合X∈Rn×m，n是集合樣本數(shù)，m是集合變量數(shù)，數(shù)據(jù)集合X通過非線性映射函數(shù)φ得到的核矩陣為K，可表示為

Kij=(φ(Xi),φ(Xj))=K(Xi,Xj)

(1)

按式(2)進(jìn)行中心化處理

(2)

式中En為矩陣元素都是1/n的m×n矩陣。

按式(3)進(jìn)行歸一化處理

(3)

式中ftr(·)為進(jìn)行求解跡的處理。按式(4)求解特征值

λv=v

(4)

得到前h個特征值λ1≥λ2≥…≥λh和對應(yīng)的特征向量v1,v2,…,vh。數(shù)據(jù)映射到高維特征空問，得

式中v=[v1,v2,…,vh]，Λ=diag(λ1,λ2,…,λh)。

采用Fast ICA算法得到分離矩陣w和特征空間中的獨立主元s，建立KICA模型，即

s=w·z

(6)

KICA理論是針對非線性數(shù)據(jù)提出的一種降維方法，與傳統(tǒng)的線性降維方法—主成份分析法相比，能夠讓降維后的數(shù)據(jù)保留更好的原始拓?fù)浣Y(jié)構(gòu)和內(nèi)在關(guān)系，可以較好地將具有顯著相關(guān)性的因素指標(biāo)組成的樣本數(shù)據(jù)從高維空間降維處理至低維空間，重新構(gòu)造新的有效因子樣本集合。

3 DEBA優(yōu)化的D-S證據(jù)理論瓦斯監(jiān)測模型

3.1 D-S證據(jù)融合

目標(biāo)傳感器采集到的多源數(shù)據(jù)作為原始證據(jù)，根據(jù)決策目標(biāo)集的條件相應(yīng)地去進(jìn)行基本信度分配，在相同的決策框架中組合為一個新的證據(jù)集。

運用Dempster組合規(guī)則將辨識框架上的基本概率分配m1,m2,…,mn進(jìn)行信息融合，多m函數(shù)的正交和可以表示為m=m1⊕m2,…⊕mn，合成規(guī)則如下所示

式中m(B)為B的基本信度值；K為特征提取后傳感器數(shù)據(jù)之間的相互沖突程度，當(dāng)K=1時，數(shù)據(jù)之間極度沖突，不可進(jìn)行融合，故K取值在[0,1]之間。

正常來說D-S組合規(guī)則只可以用來處理高置信度低沖突的證據(jù)融合問題，合成高沖突證據(jù)時會產(chǎn)生有違常理的結(jié)果。加權(quán)平均法改進(jìn)D-S證據(jù)組合，有效地解決高沖突證據(jù)的合成問題，但是這個權(quán)重的確定具有人為主觀性，其取值在瓦斯動態(tài)監(jiān)測過程中不能及時跟蹤變化，因此選用DEBA算法優(yōu)化確定這個權(quán)重。

3.2 監(jiān)測模型建立

根據(jù)數(shù)據(jù)信息集的抽象程度，數(shù)據(jù)融合模型一般有3個層次，即數(shù)據(jù)級融合、特征級融合、決策級融合。礦井工作區(qū)的傳感器監(jiān)測的數(shù)據(jù)融合是決策級的融合。

多傳感器采集到數(shù)據(jù)信息經(jīng)KICA算法標(biāo)準(zhǔn)化并映射到高維空間，對數(shù)據(jù)進(jìn)行中心化、歸一化運算處理，提取出主元因子，構(gòu)成新的表現(xiàn)原始數(shù)據(jù)信息特征的數(shù)據(jù)信息集。

特征提取后的特征向量作為加權(quán)平均D-S證據(jù)理論的輸入進(jìn)行決策層融合。利用高斯函數(shù)求取傳感器測得的特征樣本數(shù)據(jù)Rij的基本概率分配m(Rij),計算公式為

式中xin為第i只傳感器采集的目標(biāo)樣本中的第n個特征參數(shù)；Rjn為第j類狀態(tài)的第n個特征指標(biāo)；σjn為第j類狀態(tài)的第n個特征偏差。

設(shè)定煤礦瓦斯安全級別集合Θ={B1(無危險)，B2(輕度危險)，B3(中度危險),B4(嚴(yán)重危險)}，n個證據(jù)分別為m1,m2,m3,…,mn。

單個命題下，求解各證據(jù)的平均證據(jù)

mave(B1)=(m1(B1)+…mn(B1))/n

(9)

然后求出各證據(jù)與平均證據(jù)之間的距離

di=[(m1(B1)-mave(B1))2+…(mn(B1)-

為了保障上市公司會計信息披露的真實性、精準(zhǔn)性與及時性，要構(gòu)建完善的會計信息披露制度。在實踐中，要完善會計準(zhǔn)則、審計制度與會計信息披露制度，制定完善的評價標(biāo)準(zhǔn)要求。在會計準(zhǔn)則中明確的規(guī)定了上市公司會計信息披露的內(nèi)容，充分的表明了信息披露的具體要求與規(guī)定。在會計活動中，必須要保障會計披露的規(guī)范性與科學(xué)性，完善審計制度。同時，上市公司要完善公司的內(nèi)部治理結(jié)構(gòu)，通過科學(xué)的方式進(jìn)行處理，調(diào)整、完善股權(quán)結(jié)構(gòu)、決策權(quán)與執(zhí)行權(quán)等相關(guān)內(nèi)容。

mave(B1))2]1/2,i=1,2,3,…,n

(10)

通過加權(quán)平均法修改證據(jù)源，權(quán)重與單體證據(jù)與平均證據(jù)距離相關(guān)。將di作為DEBA算法[10，11]的初始個體，并進(jìn)行搜索、更新、變異、交叉、選擇處理，得到最優(yōu)解，確定權(quán)重wi。

1)將DEBA算法的各個結(jié)構(gòu)參數(shù)初始化。

2)根據(jù)式(11)對蝙蝠個體的適應(yīng)度值進(jìn)行計算，找到當(dāng)前群體中的最優(yōu)值

3)根據(jù)式(12)對蝙蝠個體進(jìn)行更新處理

(12)

4)對當(dāng)前最優(yōu)值個體施加一個隨機(jī)擾動，對擾動后新尋到的最優(yōu)值個體進(jìn)行越界判斷，按照式(13)進(jìn)行更新

5)選擇DE算法對每個蝙蝠個體位置進(jìn)行變異、交叉、選擇處理，得到新的個體位置。

6)重新計算個體的適應(yīng)度值，找到最優(yōu)值個體。

7)判斷是否滿足結(jié)束條件，一次迭代循環(huán)完成。如不滿足結(jié)束條件，則跳到步驟3。

根據(jù)得到的權(quán)重[12]計算得到新的平均證據(jù)

同理可得mave(B2),mave(B3),mave(B4)。從而分別計算各證據(jù)與平均證據(jù)的距離

dk=[(mk(B1)-mave(B1))2+(mk(B2)-mave(B2))2+

(mk(B3)-mave(B3))2+(mk(B4)-mave(B4))2]1/2,

k=1,2,3,…,n

(15)

計算加權(quán)平均證據(jù)得

最后對加權(quán)平均后的m(Bj)運用D-S組合規(guī)則[13～15]進(jìn)行融合。

4 瓦斯監(jiān)測系統(tǒng)試驗及分析

4.1 試驗過程

為了驗證所提瓦斯監(jiān)測方法的有效性和可行性，選取2017年9月霍州煤電辛置礦某開采工作區(qū)數(shù)據(jù)庫中的400個監(jiān)測原始數(shù)據(jù)作為樣本，則DEBA算法的種群個體數(shù)為400，設(shè)置蝙蝠個體搜索聲波頻率范圍為[0,100],聲波最大幅值A(chǔ)=0.27，幅值衰減系數(shù)α=0.85，聲波頻率增加系數(shù)γ=0.06,根據(jù)基本概率賦值遵循的原則，查閱煤礦瓦斯安全標(biāo)準(zhǔn)預(yù)先設(shè)置D-S組合規(guī)則的門限值ε1=0.06，ε2=0.03。將樣本數(shù)據(jù)輸入模型進(jìn)行試驗。

KICA算法進(jìn)行特征提取實現(xiàn)特征層數(shù)據(jù)融合，降低瓦斯災(zāi)害信息的維數(shù)，有效地減小了高維小樣本數(shù)據(jù)信息在數(shù)據(jù)融合造成過擬合的可能性。對每一種傳感器采集的數(shù)據(jù)建立相應(yīng)的信任函數(shù)，進(jìn)而采用加權(quán)平均D-S證據(jù)理論進(jìn)行決策層融合。

經(jīng)過式(8)計算，得到礦下數(shù)據(jù)樣本的基本概率賦值如表1所示，B1，B2，B3，B4，θ分別表示無危險、輕度危險、中度危險、嚴(yán)重危險、不確定。

表1 礦下數(shù)據(jù)樣本的基本概率賦值

再利用加權(quán)D-S證據(jù)理論的組合規(guī)則對得到的樣本的基本概率賦值進(jìn)行組合，組合結(jié)果如表2所示。

表2 D-S證據(jù)理論信息組合結(jié)果

通過表2融合數(shù)據(jù)計算，m(B1)-m(B2)>0.06,m(B1)-m(B3)>0.06,m(B1)-m(B4)>0.06,m(θ)<0.03?？梢灾篱_采工作區(qū)處于B1狀態(tài)，也就是無危險狀態(tài)，符合實際情況。從表3可以看到融合結(jié)果不確定性的概率賦值明顯下降，正確狀態(tài)的概率賦值明顯增加，提高了系統(tǒng)的監(jiān)測精度和快速決策能力。

4.2 試驗分析

如圖2所示，由于受井下環(huán)境噪聲污染，數(shù)據(jù)信號雜亂不規(guī)律。

圖2 某CH4傳感器傳輸?shù)臄?shù)據(jù)信號

如圖3所示，可以看出:KICA算法對傳感器采集到的數(shù)據(jù)信號有很好的去噪效果。

圖3 KICA算法去噪處理效果

對采用DEBA算法與未采用DEBA算法優(yōu)化的證據(jù)融合收斂迭代曲線進(jìn)行比較，選擇測試函數(shù)Sphere函數(shù)分別對兩者參數(shù)尋優(yōu)進(jìn)行測試，利用MATLAB仿真，兩者的收斂曲線如圖4所示。

圖4 DEBA優(yōu)化前后收斂曲線對比

由圖4知，采用DEBA算法優(yōu)化后的證據(jù)融合收斂速度比未優(yōu)化的收斂速度快，且在迭代次數(shù)達(dá)到100時，經(jīng)DEBA算法優(yōu)化后的相對誤差穩(wěn)定在預(yù)設(shè)值。將變異、交叉、選擇處理與蝙蝠算法(bat algorithm,BA)算法結(jié)合后，可實現(xiàn)全局最優(yōu)搜索，提高搜索能力，增強(qiáng)種群的多樣性，使數(shù)據(jù)優(yōu)化速度更快，精度更高。

傳統(tǒng)的D-S證據(jù)融合方法在證據(jù)相互沖突時不能直接應(yīng)用組合規(guī)則，限制了該理論的應(yīng)用。根據(jù)表3可以看出，傳統(tǒng)的D-S數(shù)據(jù)融合算法與Yager改進(jìn)算法在數(shù)據(jù)融合給出的決策結(jié)果準(zhǔn)確率上相對較差一點，兩者也無法有效地去處理證據(jù)存在沖突的情況。鄧勇改進(jìn)算法和Murphy改進(jìn)算法都是修改沖突的數(shù)據(jù)源，從而實現(xiàn)了對數(shù)據(jù)沖突問題的解決。這兩種改進(jìn)算法對決策結(jié)果的誤差率有了不錯的提高。加權(quán)平均D-S融合也是修改證據(jù)源，考慮證據(jù)之間的相關(guān)性，對沖突數(shù)據(jù)加上一個權(quán)值，根據(jù)證據(jù)間的距離與權(quán)值的比例關(guān)系，用DEBA算法優(yōu)化這個權(quán)值，加強(qiáng)了算法的準(zhǔn)確性,改善了算法的收斂速度，運行時間有了一個小的提升。

表3 不同數(shù)據(jù)融合算法對比

將改進(jìn)后的D-S融合方法與BP神經(jīng)網(wǎng)絡(luò)、聚類分析瓦斯監(jiān)測方法相比較，對比結(jié)果如圖5所示。

圖5 相對誤差對比

改進(jìn)后的加權(quán)D-S證據(jù)理論進(jìn)行決策層數(shù)據(jù)融合相對誤差點小、穩(wěn)定性好，性能明顯優(yōu)于其它兩種方法。

5 結(jié) 論

1)影響煤礦開采工作區(qū)瓦斯安全狀況的因素較多，采用KICA算法進(jìn)行特征提取，可減少數(shù)據(jù)冗雜，降低特征向量維數(shù)，提高監(jiān)測系統(tǒng)效能，降低系統(tǒng)資源消耗，提高系統(tǒng)的可靠性。

2)采用DEBA算法優(yōu)化的加權(quán)平均D-S證據(jù)理論進(jìn)行決策層數(shù)據(jù)融合，對高于沖突閾值的證據(jù)體進(jìn)行局部修正處理，綜合優(yōu)化后的多種影響煤礦井下瓦斯安全狀況因素指標(biāo)，進(jìn)行全局感知分析，可實現(xiàn)對煤礦開采工作面瓦斯安全狀況的實時感知、準(zhǔn)確辨識、快速響應(yīng)、有效控制，有效增加了系統(tǒng)的魯棒性和自適應(yīng)性。