亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于FastICA-BA-ELM的瓦斯涌出量預(yù)測管理研究

        2019-12-25 00:39:28李冬嵬
        煤炭工程 2019年12期
        關(guān)鍵詞:時變蝙蝠瓦斯

        劉 暢,李冬嵬

        (北京工業(yè)職業(yè)技術(shù)學(xué)院,北京 100042)

        瓦斯作為煤礦開采工程中重要的研究領(lǐng)域,也是導(dǎo)致煤礦安全事故發(fā)生的主要危險因素[1]。瓦斯涌出是煤礦瓦斯主要來源之一,瓦斯涌出量通過瓦斯監(jiān)測獲得,同時瓦斯監(jiān)測數(shù)據(jù)攜帶誘使事故發(fā)生的規(guī)律信息[2]。依據(jù)瓦斯監(jiān)測監(jiān)控數(shù)據(jù),從深層次挖掘工作面絕對瓦斯涌出量致災(zāi)規(guī)律出發(fā),掌握致災(zāi)變化規(guī)律,實現(xiàn)對將來時刻發(fā)展變化的準(zhǔn)確預(yù)測,助力煤礦安全生產(chǎn),對于煤礦瓦斯災(zāi)害的預(yù)警預(yù)控具有重要現(xiàn)實意義。

        對于瓦斯涌出量致災(zāi)變化預(yù)測,國內(nèi)外專家學(xué)者進行大量研究,成果豐碩。熊祖強等[3]應(yīng)用無偏灰色GM(1,1)耦合馬爾科夫建立預(yù)測模型,在相對瓦斯涌出量的變化趨勢基礎(chǔ)上對其進行預(yù)測;單亞峰等[4]通過結(jié)合改進的極端學(xué)習(xí)機(IELM)和混沌時間序列,對瓦斯涌出量進行了預(yù)測;王永文[5]基于希爾伯特-黃變換(HHT)方法、布谷鳥搜索算法(CS)和極限學(xué)習(xí)機(ELM)基本理論,構(gòu)建了瓦斯涌出量的HHT-CSELM動態(tài)預(yù)測模型;李勝等[6]提出構(gòu)建基于PCA-MFOA-SVM的耦合模型,進行回采工作面絕對瓦斯涌出量預(yù)測;Fu Hua等[7]采用改進的蟻群算法優(yōu)化徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù),構(gòu)建工作面瓦斯涌出量預(yù)測的混合型最大最小螞蟻系統(tǒng)。以上模型從一定程度上遵循了瓦斯涌出量的非線性特征,提高了對煤礦瓦斯災(zāi)害的預(yù)控能力。然而,在多種非線性因素的綜合作用下,瓦斯涌出量時序樣本可看成一組隨機變化的非平穩(wěn)信號,而現(xiàn)有模型較多定位在正態(tài)分布基礎(chǔ)上,但是尚未從監(jiān)測數(shù)據(jù)樣本自身考慮更深一步的物理機制。預(yù)測結(jié)果由于受到模型固有缺陷、因素維數(shù)、時間因素等約束存在一定誤差,因此,在涌出量非線性本質(zhì)分析、仿真精度、運算效率維度可進行進一步挖掘。綜上,作者將FastICA(fast independent component analysis)和BA-ELM(extreme learning machine)相結(jié)合,搭建基于FastICA-BA-ELM的瓦斯涌出量多尺度時變預(yù)測模型。采用FastICA方法對瓦斯涌出量時變序列進行預(yù)處理,獲取若干個服從非高斯分布特性且不相關(guān)的獨立分量,并以此為基礎(chǔ)進行多尺度特征分析;對分解出來的時變分量進行單個BA-ELM預(yù)測,將預(yù)測值等權(quán)疊加重構(gòu)最終預(yù)測結(jié)果,并根據(jù)屯蘭礦瓦斯涌出量實例進行仿真,根據(jù)誤差評價指標(biāo)驗證模型的有效性。

        1 FastICA-BA-ELM模型相關(guān)方法

        1.1 FastICA基本理論

        ICA是依據(jù)統(tǒng)計獨立的原則從多源線性混合信號中分離出若干獨立分量的技術(shù),將混合信號線性分解為非高斯分布且相互依賴性最小的統(tǒng)計獨立分量。利用獨立分量修正原始樣本數(shù)據(jù)的局部特征,進行樣本數(shù)據(jù)潛在規(guī)律的挖掘[8]。

        ICA基本原則是將時變序列變換到相互獨立的方向上,進而產(chǎn)生若干正交且相互獨立的分量[9]。一般線性模型為:

        y(t)=As(t)+n(t)

        (1)

        式中,y(t)為由時變時刻t的多源線性混合信號觀測值構(gòu)成的矢量;s(t)為原始混合信號矢量;n(t)為隨機噪聲矢量;A為m×n的滿秩混合矩陣。

        ICA的目的是在s(t)和A未知的情況下,從觀測矢量x(t)中恢復(fù)出源信號矢量s(t),搜尋到一個分離矩陣W:

        W=[w1,w2,…,wN]T

        (2)

        式中,wi為m×1的權(quán)矢量,通過y(t)=W(t)x(t)產(chǎn)生源信號的估計y(t)=[y1(t),y2(t),…,yN(t)]T,其中各分量統(tǒng)計獨立。

        JyEGy-EGygauss

        (3)

        式中,G(·)是非線性二次函數(shù)。

        1.2 ELM基本原理

        極限學(xué)習(xí)機ELM(Extreme Learning Machine)是一種針對單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法,該模型構(gòu)造簡單、學(xué)習(xí)效率高、泛化能力強,對于非線性結(jié)構(gòu)具有很好的逼近能力,能夠全面的挖掘出瓦斯涌出量時變序列的非平穩(wěn)演變[12]。

        其中,ωj=[ωj1,ωj2,…,ωjτ]T為輸入層與隱含層的連接權(quán)值向量;aj=[aj1,aj2,…,ajΨ]T為隱含層與輸出層的連接權(quán)值向量;bl為隱含層神經(jīng)元節(jié)點中第l個節(jié)點的偏置,fj=[fj1,fj2,…,fjΨ]T為輸出向量;φ(·)為激活函數(shù)。

        根據(jù)零誤差逼近原理[13],設(shè)置aj、bj、ωj使得標(biāo)準(zhǔn)形式可簡化如下:

        Hα=Y

        (6)

        若隨機給定輸出閥值和權(quán)值,則H為確定的輸出矩陣,利用求解最小二乘解方法求出輸出權(quán)值矩陣a,則標(biāo)準(zhǔn)形式可轉(zhuǎn)化成a′=H+Y′求解,其中H+為隱含層輸出矩陣H的Moore-Penrose廣義逆[14]。

        1.3 BA優(yōu)化ELM模型

        蝙蝠算法(Bat Algorithm,BA)是仿真蝙蝠利用回聲定位捕食行為而提出的一種新興群體智能優(yōu)化算法[15]。通過模擬蝙蝠超聲波回聲定位動態(tài)行為,將搜尋優(yōu)化與回聲定位過程有機耦合,利用蝙蝠回聲定位位置代替目標(biāo)優(yōu)化問題。

        ELM模型隨機對輸入權(quán)值矩陣ω和隱含層閾值b進行賦值,由于這種計算過程隨機性,會對仿真預(yù)測結(jié)果產(chǎn)生嚴重影響。鑒于此,構(gòu)建BA-ELM模型,利用BA算法優(yōu)化隨機賦值的ω和b,探尋ω和b最佳賦值,從而提升模型運算的穩(wěn)定性。BA優(yōu)化ELM步驟如下:

        1) 步驟1 :初始化BA基礎(chǔ)參數(shù),蝙蝠群體數(shù)量設(shè)定為N,其中第q只蝙蝠的位置和速度分別為Sq、Vq,回聲定位發(fā)射脈沖頻率為[λmin,λmax],脈沖速率為r0,其增強系數(shù)為γ,響度范圍為[A0,Amin],其衰減系數(shù)為δ,迭代次數(shù)為H,在樣本空間中,訓(xùn)練集為U,測試集為V,ELM模型的隱含層節(jié)點數(shù)設(shè)為P,令蝙蝠群體中個體都攜帶參數(shù)ω和b,則第q只蝙蝠參數(shù)表達式為:

        Nq=[w11,…,w1U,…,wP1,…wPU,b1,…bP]

        (7)

        其中,j=1,2,…,Z,Z為中間變量。

        3)步驟3:蝙蝠與食物的距離是動態(tài)變化的,則經(jīng)過υ次迭代后個體q的各項參數(shù)更新為:

        式中,υ為當(dāng)前迭代次數(shù);隨機變量σ∈[0,1]。

        式中,μ∈[-1,1]的隨機數(shù);Aυ為當(dāng)前迭代次數(shù)所有bat的脈沖響度的平均值;O為搜索空間維數(shù)。

        5)步驟5:在迭代過程中若蝙蝠q的適應(yīng)度F(SqO)較全局最優(yōu)S*的適應(yīng)度F(S*)優(yōu)越,則更新蝙蝠q的基本參數(shù)。若迭代達到搜索終止條件時,求出最優(yōu)解為S*,相應(yīng)的適應(yīng)度函數(shù)為F(S*),則對應(yīng)的參數(shù)ω和b為最優(yōu)參數(shù)值。

        2 瓦斯涌出量FastICA-BA-ELM多尺度預(yù)測模型

        首先利用FastICA算法分離出時序變量,然后與BA-ELM模型進行耦合,最終構(gòu)建出FastICA-BA-ELM多尺度時變預(yù)測模型,模型的整體預(yù)測流程如圖1所示。

        圖1 基于FastICA-BA-ELM耦合模型預(yù)測流程

        一般將煤礦瓦斯涌出量時變序列記作為x(t),(t=1,2,…,m),考慮煤礦實際瓦斯涌出量受開采情況影響,在樣本序列中存在前m個時變值對第m+1個有著某種影響,因此將時變序列x(t)劃分為訓(xùn)練集和測試集,模型預(yù)測流程如下:

        1)利用FastICA-ELM預(yù)測模型對初始涌出量時變序列樣本進行預(yù)處理,通過模型將樣本序列x(t)分解獲得n個分離信號Si(t)(t=1,2,…,n)。

        2)以每個分離信號的前m次瓦斯涌出數(shù)據(jù)作為輸入樣本xi(j)=[ci(1),ci(2),…,ci(m)],以第m+1次瓦斯涌出數(shù)據(jù)作為輸出樣本yi(j)=[c(m+1)]。

        3)初始化BA-ELM模型的基礎(chǔ)參數(shù),采用相空間重構(gòu)方法將各分離信號的訓(xùn)練集序列進行空間重構(gòu),利用BA-ELM網(wǎng)絡(luò)模型學(xué)習(xí)能力,學(xué)習(xí)記憶重構(gòu)后的訓(xùn)練集,找到模型最優(yōu)參數(shù),構(gòu)建最優(yōu)BA-ELM模型,并利用其預(yù)測各分量的測試集。

        4)最后等權(quán)疊加各分離信號預(yù)測結(jié)果,得到涌出量樣本序列的最終預(yù)測結(jié)果。

        3 仿真應(yīng)用

        2018年8月,對屯蘭礦12507回采工作面瓦斯涌出量監(jiān)測數(shù)據(jù)進行仿真預(yù)測,初始樣本序列如圖2所示。對初始樣本做FastICA算法預(yù)處理,分離后信號序列如圖3所示。

        圖2 原始瓦斯涌出量時變序列

        圖3 瓦斯涌出量FastICA分解

        根據(jù)圖3可以看出,初始涌出量時變樣本序列經(jīng)過FastICA分解后得到5個分離信號,其中,分離信號S1和S2為低頻時變,S3、S4、和S5都是高頻時變。瓦斯涌出量影響因素眾多,導(dǎo)致監(jiān)測數(shù)據(jù)自身攜帶誘使瓦斯涌出量變化的大量信息,很難描述出造成非平穩(wěn)性的主因素,但FastICA能夠?qū)ν咚褂砍隽繒r序樣本進行多層深度分解,獲取多尺度且相互獨立的分量,瓦斯涌出的本質(zhì)結(jié)構(gòu)被5個分量共同描述。利用互信息法結(jié)合虛假鄰點法獲取每一分量(τ、m)參數(shù),對5個分量進行空間重構(gòu),利用重構(gòu)后的時變序列進行訓(xùn)練和預(yù)測得到各分量的預(yù)測結(jié)果,根據(jù)等權(quán)重求和原則將各預(yù)測結(jié)果疊加,得到最終預(yù)測結(jié)果。

        工作面采用“三八”工作制,三班可以看作為一個瓦斯涌出量采集循環(huán),假設(shè)前一天的瓦斯涌出量對第二天的數(shù)據(jù)采集存在某種影響。現(xiàn)取樣本序列前696 h瓦斯涌出量作為訓(xùn)練集進行BA-ELM網(wǎng)絡(luò)訓(xùn)練,后24h的瓦斯涌出量作為測試集進行預(yù)測,模型預(yù)測結(jié)果如圖4所示。

        圖4 瓦斯涌出量的FastICA-BA-ELM多尺度時變預(yù)測

        為驗證FastICA算法預(yù)處理時變序列的優(yōu)越性,將原始瓦斯涌出量時變序列進行經(jīng)驗?zāi)J椒纸釫MD(Empirical Mode Decomposition),分解得到7個IMF分量(PF1-PF7)和1個余量,如圖5所示,然后對IMF分量和余量分別進行相空間重構(gòu),利用BA-ELM模型對重構(gòu)后的IMF分量和余量進行預(yù)測,將各預(yù)測結(jié)果等權(quán)重求和,得到EMD-BA-ELM模型的最終預(yù)測結(jié)果,如圖6所示。

        圖5 瓦斯涌出量EMD分解

        圖6 基于EMD-BA-ELM的瓦斯涌出量預(yù)測

        一般選擇平均絕對誤差(MAE)、平均相對誤差(MRSE)和均方根誤差(RMSE)作為評價指標(biāo),校驗各模型性能(預(yù)測結(jié)果)。最終結(jié)果見表1,由表1中可知,基于FastICA-BA-ELM模型的評價指標(biāo)(MAE、MRSE、RMSE)為(0.1124m3/min、1.577%、0.1244m3/min),均明顯小于其他兩種模型。因此,F(xiàn)astICA算法能夠多層深度地詮釋瓦斯涌出量的非平穩(wěn)性,多尺度且相互獨立的分量可以減小樣本數(shù)據(jù)非平穩(wěn)特性影響,詮釋出致災(zāi)變化規(guī)律,提升模型的預(yù)測精度與穩(wěn)定性,為分析礦井瓦斯涌出特性提供理論依據(jù)。

        表1 3種模型的預(yù)測誤差

        4 結(jié) 論

        1)在多種非線性因素的綜合作用下,瓦斯涌出量時序樣本可看成一組隨機變化的非平穩(wěn)信號,F(xiàn)astICA算法從信號統(tǒng)計特征出發(fā),將瓦斯涌出量時序樣本解成5個獨立分量,運用BA優(yōu)化后的ELM模型對各分量預(yù)測,等權(quán)疊加各預(yù)測值,重構(gòu)最終預(yù)測結(jié)果。模型簡化了各個特征信息之間的干涉和耦合,更加準(zhǔn)確描述出瓦斯涌出的本質(zhì)結(jié)構(gòu),提高泛化能力和預(yù)測精度。

        2)利用FastICA-BA-ELM模型對屯蘭礦12507回采工作面進行瓦斯涌出量仿真預(yù)測,將模型結(jié)果的MAE、MRSE和RMSE作為評價指標(biāo),F(xiàn)astICA-ELM模型的平均絕對誤差為0.1124m3/min,平均相對誤差為1.577%,均方根誤差為0.1244m3/min;EMD-BA-ELM模型的平均絕對誤差為0.3357m3/min,平均相對誤差為4.887%,均方根誤差為0.3603m3/min。FastICA-BA-ELM模型預(yù)測精度明顯高于EMD-BA-ELM模型,預(yù)測值與實際瓦斯涌出量基本一致。

        3)基于FastICA-BA-ELM的多尺度時變預(yù)測模型能深層次地凸顯瓦斯涌出量時變序列的非平穩(wěn)性,更加精準(zhǔn)的預(yù)測瓦斯涌出量,提升煤礦瓦斯安全管理水平,減少因瓦斯涌出而引發(fā)的災(zāi)害事故,為瓦斯涌出量管理提供理論依據(jù),具有重要研究價值。

        猜你喜歡
        時變蝙蝠瓦斯
        11采區(qū)永久避難硐室控制瓦斯涌出、防止瓦斯積聚和煤層自燃措施
        基于時變Copula的股票市場相關(guān)性分析
        智富時代(2017年4期)2017-04-27 17:08:47
        蝙蝠
        高瓦斯礦井防治瓦斯異常涌出措施的應(yīng)用
        煙氣輪機復(fù)合故障時變退化特征提取
        瓦斯探鉆鉆頭的一種改進
        基于MEP法的在役橋梁時變可靠度研究
        蝙蝠女
        蝙蝠在黑暗處如何捕食
        蝙蝠為什么倒掛著睡覺?
        久久九九久精品国产| 国产91色综合久久高清| 国产做无码视频在线观看| 国产成人无码一区二区三区在线| 一区一级三级在线观看| 资源在线观看视频一区二区| 一区二区三区日韩精品视频| 中文字幕日本人妻久久久免费| 欧美成人形色生活片| 精品黑人一区二区三区| 刚出嫁新婚少妇很紧很爽| 精品无码国产一区二区三区av| jizz国产精品免费麻豆| 亚洲黄色一插一抽动态图在线看| 亚洲悠悠色综合中文字幕| 国产熟妇按摩3p高潮大叫| 色综合久久无码中文字幕app| 国产精品一区二区黄色片| 亚洲av无码专区国产乱码4se| 欧美黑人又粗又硬xxxxx喷水 | 国产精品久久久久免费看| 久久人妻少妇嫩草av蜜桃| 久久久久成人精品无码中文字幕| 车上震动a级作爱视频| 中文字幕日本熟妇少妇| 亚洲国产av一区二区三区精品| 午夜精品久久久久久99热| 国产91福利在线精品剧情尤物| 日本高清无卡一区二区三区| 精品国产精品三级精品av网址| 免费人成视频在线观看网站| 亚洲AV无码一区二区三区精神| 日韩精品一区二区免费| 无码任你躁久久久久久老妇| 无码人妻系列不卡免费视频| 美女射精视频在线观看| 国产亚洲精品美女久久久m| 久久国产精品久久精品国产| 视频精品亚洲一区二区| 国产在线观看免费视频软件| 无码国产色欲xxxxx视频|