付 華劉雨竹徐 楠張俊男

(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)礦業(yè)學(xué)院，遼寧 阜新 123000；3.國網(wǎng)公主嶺市供電公司，吉林 公主嶺 136100；4.遼寧機(jī)電職業(yè)技術(shù)學(xué)院材料工程系，遼寧 丹東 118009)

煤與瓦斯突出是目前煤礦開采主要事故原因之一，對(duì)開采設(shè)備、人員生命安全造成極大威脅，因此研究井下回采工作面瓦斯?jié)舛茸兓厔?shì)，利用煤礦安全監(jiān)測(cè)系統(tǒng)采集的瓦斯相關(guān)數(shù)據(jù)實(shí)現(xiàn)對(duì)未來瓦斯?jié)舛鹊木珳?zhǔn)預(yù)測(cè)，為煤礦安全生產(chǎn)預(yù)警工作提供可靠依據(jù)顯得尤為重要[1]。

目前國內(nèi)及國際上許多研究人員對(duì)如何精準(zhǔn)預(yù)測(cè)井下瓦斯?jié)舛茸隽舜罅垦芯?，主要包括混沌時(shí)間序列[2]、ARMA時(shí)間序列模型[3]、人工神經(jīng)網(wǎng)絡(luò)[4－5]及支持向量機(jī)[6]等方法，雖然這些研究取得了較好的預(yù)測(cè)結(jié)果，但其算法無法準(zhǔn)確有效捕捉序列數(shù)據(jù)的時(shí)序相關(guān)性，且支持向量機(jī)僅適用于小數(shù)據(jù)樣本，而采用人工神經(jīng)網(wǎng)絡(luò)方法時(shí)其結(jié)構(gòu)參數(shù)確定存在經(jīng)驗(yàn)依賴性的問題，源數(shù)據(jù)通常僅為單一傳感器的歷史數(shù)據(jù)，而瓦斯?jié)舛茸兓厔?shì)受環(huán)境影響較大[7]，且具有非線性、時(shí)變性特性，故怎樣將影響瓦斯?jié)舛茸兓厔?shì)因素間的關(guān)聯(lián)特征進(jìn)行有效提取，建立最佳預(yù)測(cè)模型進(jìn)而提高預(yù)測(cè)模型準(zhǔn)確性及魯棒性仍然是一個(gè)亟待解決的問題。

LSTM作為一種深度學(xué)習(xí)技術(shù)[8]，屬于一種循環(huán)神經(jīng)網(wǎng)絡(luò)的變體模型，在時(shí)序建模方面具有極強(qiáng)的適應(yīng)性，可依靠其故有特殊結(jié)構(gòu)單元，解決原有遞歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練間隙易發(fā)生梯度消失及梯度爆炸[9]的缺陷，有效利用歷史序列信息，實(shí)現(xiàn)數(shù)據(jù)之間潛在關(guān)聯(lián)關(guān)系的深度挖掘，進(jìn)而可提高瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)的精確性。

本文提出一種基于深度LSTM網(wǎng)絡(luò)的多傳感器瓦斯?jié)舛阮A(yù)測(cè)模型，首先以Pearson相關(guān)系數(shù)法對(duì)多傳感器數(shù)據(jù)進(jìn)行關(guān)聯(lián)程度判定，篩選強(qiáng)關(guān)聯(lián)因素作為模型輸入，降低數(shù)據(jù)規(guī)模及復(fù)雜度。然后對(duì)其進(jìn)行多變量相空間重構(gòu)，選取隨機(jī)搜索算法對(duì)LSTM網(wǎng)絡(luò)參數(shù)進(jìn)行自動(dòng)尋優(yōu)，再利用所得LSTM網(wǎng)絡(luò)對(duì)多傳感器時(shí)間序列與瓦斯?jié)舛葧r(shí)間序列之間的非線性關(guān)系進(jìn)行動(dòng)態(tài)建模，并進(jìn)行單步及多步滾動(dòng)仿真預(yù)測(cè)實(shí)驗(yàn)，結(jié)果表明本文所建模型具備更好的的預(yù)測(cè)性能與魯棒性。

1 井下多傳感器信息耦合

由于煤炭開采的條件較惡劣，瓦斯?jié)舛扰c開采深度、煤層厚度、地質(zhì)特性、CO濃度、氧氣濃度、負(fù)壓、空氣流速、溫度等多種因素有關(guān)，許多種關(guān)聯(lián)因素聯(lián)合作用最終構(gòu)成復(fù)雜的井下瓦斯動(dòng)力系統(tǒng)。由此可見，單一瓦斯傳感器所表征的信息量有限，并不能充分展現(xiàn)瓦斯?jié)舛鹊难莼厔?shì)，由此，本文提出利用多傳感器耦合數(shù)據(jù)作為瓦斯?jié)舛阮A(yù)測(cè)模型的輸入?yún)?shù)。

1.1 瓦斯?jié)舛扰c環(huán)境因素相關(guān)性分析

瓦斯?jié)舛阮A(yù)測(cè)模型輸入數(shù)據(jù)的有效篩選對(duì)避免增加訓(xùn)練成本和模型的復(fù)雜性具有重要意義，故本文采用距離分析法中的Pearson相關(guān)系數(shù)來近似刻畫井下各傳感器信息與瓦斯?jié)舛葦?shù)據(jù)的相關(guān)性，進(jìn)而合理選取模型的輸入變量。兩個(gè)n維數(shù)據(jù)X、Y的Pearson相關(guān)系數(shù)運(yùn)算表達(dá)式為:

在此式中，X i表示i時(shí)間X元素的值，Yi表示i時(shí)間Y元素的值，ˉX與ˉY為該位置對(duì)應(yīng)元素平均值。根據(jù)此公式找到與預(yù)測(cè)值相關(guān)度較高的因素，并將其作為多傳感器預(yù)測(cè)模型的輸入，既考慮多變量的影響，又降低了模型復(fù)雜度，具有一定實(shí)際意義。

1.2 多傳感器變量相空間重構(gòu)

由于瓦斯?jié)舛葧r(shí)間序列具有混沌特性，而由Takens等人提出的相空間重構(gòu)技術(shù)[10]能夠通過找到某一時(shí)間序列合適的嵌入維數(shù)m(且滿足m≥2d＋1，其中d表示吸引子的分形維數(shù))，利用各向量的延遲坐標(biāo)重構(gòu)得到數(shù)據(jù)“等值”的高維度相空間，由此便可還原該混沌系統(tǒng)的規(guī)律性，降低后續(xù)分析復(fù)雜度。由Takens嵌入定理可得，重構(gòu)維數(shù)m及延遲時(shí)間τ存在關(guān)聯(lián)關(guān)系，本文選用相關(guān)參數(shù)法中的C－C關(guān)聯(lián)積分法通過關(guān)聯(lián)積分同時(shí)估計(jì)出相空間重構(gòu)的嵌入維數(shù)m及延遲時(shí)間τ，對(duì)回采工作面與影響瓦斯?jié)舛茸兓厔?shì)有關(guān)的強(qiáng)關(guān)聯(lián)因素進(jìn)行m與τ的關(guān)聯(lián)求取，進(jìn)而還原形成多傳感器信息構(gòu)成的高維相空間。

對(duì)于設(shè)定樣本時(shí)間序列X＝{x i｜i＝1，2，…，N}，首先以m和τ作為關(guān)鍵參數(shù)重構(gòu)多傳感器信息相空間X＝{X i}，X i為其中的相點(diǎn)，其關(guān)聯(lián)積分可定義為:

式中:d ij＝‖X i－X j‖，M表示重構(gòu)后相點(diǎn)的數(shù)目，如x<0，則θ(x)＝0；如x≥0，則θ(x)＝1。

設(shè)共計(jì)有N種相關(guān)因素的時(shí)間序列，第i類因素的時(shí)間序列表示為X i＝(x i，1，x i，2…x i，k)，i＝1，2，…，N，其中k為第i類因素時(shí)間序列中數(shù)據(jù)的總量，則進(jìn)行多傳感器信息相空間重構(gòu)后其中各相點(diǎn)應(yīng)為:

此式中p＝j(luò)，j＋1，…與τi分別為i類因素m和τ，如m1＋m2＋…m p≥2d＋1，則進(jìn)行多傳感器信息重構(gòu)后得到的相空間與原瓦斯動(dòng)力系統(tǒng)依然是微分同胚關(guān)系，參數(shù)選擇合理。

2 長短時(shí)記憶網(wǎng)絡(luò)算法

由于瓦斯?jié)舛戎挡皇仟?dú)立變量，其與巷道空氣流速、環(huán)境溫度、濕度、CO濃度、氧氣濃度等各類條件均有關(guān)，且這些影響因素與瓦斯?jié)舛鹊闹翟跁r(shí)間上存在普遍關(guān)聯(lián)性，在時(shí)間序列的變化過程中具有高程度的因果性，而LSTM網(wǎng)絡(luò)算法具有深度學(xué)習(xí)功能性，其針對(duì)于時(shí)間序列的建模能力強(qiáng)，不僅可以利用瓦斯?jié)舛葦?shù)據(jù)在時(shí)間上的相關(guān)性，且可以自動(dòng)挖掘信息之間存在的隱含關(guān)聯(lián)信息，有效提高未來瓦斯?jié)舛阮A(yù)測(cè)精度。

2.1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

LSTM算法由Hochreiter和Schmidhuber提出，是遞歸神經(jīng)網(wǎng)絡(luò)的一種改進(jìn)模型[11]，由于其具有循環(huán)反饋的記憶邏輯框架，可同時(shí)利用實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)，能夠全面考慮時(shí)間序列數(shù)據(jù)的時(shí)序相關(guān)性，可利用任意長度的歷史時(shí)間序列數(shù)據(jù)進(jìn)行建模預(yù)測(cè)，其單元結(jié)構(gòu)為圖1所示。

LSTM網(wǎng)絡(luò)結(jié)構(gòu)通過引入門(輸入門I t，遺忘門F t，輸出門Ot)來控制和維持LSTM的單元狀態(tài)，一般采用tanh函數(shù)進(jìn)行描述，改進(jìn)了傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)模型的隱藏層，令自身可實(shí)現(xiàn)獨(dú)有的持久記憶，實(shí)現(xiàn)信息在存儲(chǔ)器中的長久保留。圖1中C t－1表示前一采集時(shí)刻LSTM網(wǎng)絡(luò)單元元組的狀態(tài)，h t－1表示前一采集時(shí)刻LSTM網(wǎng)絡(luò)的隱藏層狀態(tài)，x t表示當(dāng)前時(shí)間點(diǎn)的輸入狀態(tài)，＾C t則表示單元臨時(shí)狀態(tài)。各變量之間的關(guān)系可用如下公式表示:

式中:W f，W i，W c，W o是權(quán)重線性變換矩陣；b是偏差向量；σ是激活函數(shù)，可將變量映射至區(qū)間[0，1]中。LSTM主要工作流程為:各信息流通過LSTM單元后，每一個(gè)門將同時(shí)進(jìn)行相應(yīng)運(yùn)算，并由其激活函數(shù)判斷其是否激活，單元狀態(tài)C及隱藏層狀態(tài)h(同時(shí)是輸出)都會(huì)得到更新，I t的輸入經(jīng)過非線性變換后與F t處理過的單元狀態(tài)相疊加形成C t，通過數(shù)據(jù)映射和輸出門的調(diào)整與控制生成LSTM網(wǎng)絡(luò)的最后輸出h t。

2.2 LSTM網(wǎng)絡(luò)訓(xùn)練

現(xiàn)階段，LSTM網(wǎng)絡(luò)的訓(xùn)練算法主要為BPTT(按時(shí)間反方向傳播算法)及RTRL(實(shí)時(shí)循環(huán)學(xué)習(xí)算法)2種。因BPTT算法概念較RTRL算法清晰且計(jì)算效率更高，故本文選取更具優(yōu)勢(shì)的BPTT算法作為LSTM網(wǎng)絡(luò)的訓(xùn)練算法，其訓(xùn)練流程為:①令LSTM網(wǎng)絡(luò)在時(shí)域空間展開為一深層神經(jīng)網(wǎng)絡(luò)；②運(yùn)用經(jīng)典誤差反向傳播算法(Back Propagation，BP)計(jì)算模型相關(guān)梯度參數(shù)；③利用所得參數(shù)對(duì)①形成的網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

其時(shí)序展開圖如圖2所示。

2.3 LSTM參數(shù)設(shè)置

LSTM網(wǎng)絡(luò)超參數(shù)設(shè)置對(duì)于算法能否以最優(yōu)狀態(tài)建立起著十分關(guān)鍵的作用。本文需構(gòu)建的LSTM預(yù)測(cè)模型涉及的超參數(shù)為層數(shù)N、Lwindow(LSTM輸入時(shí)間窗口長度)、Nhidden(隱藏層神經(jīng)元數(shù))、Sbatch(子訓(xùn)練樣本集個(gè)數(shù))、Rlearing(學(xué)習(xí)率)及Emax(回?cái)?shù))。為防止過擬合現(xiàn)象的出現(xiàn)，本文設(shè)置Emax為500，并以此控制預(yù)測(cè)模型的訓(xùn)練成本。

超參數(shù)自動(dòng)尋優(yōu)算法主要包括隨機(jī)搜索搜索算法[12]及網(wǎng)格搜索算法[13]等，本文選用隨機(jī)搜索方法對(duì)Lwindow、Nhidden、Rlearing、Sbatch四種超參數(shù)進(jìn)行自動(dòng)尋優(yōu)，其基本思想是考慮到不同超參數(shù)子空間對(duì)算法收斂效率的影響程度存在差異，可根據(jù)不同超參數(shù)的重要程度，選擇不同的搜索范圍，解決了網(wǎng)格搜索算法在高維空間遍歷搜索耗時(shí)長且效率低的缺陷。選取均方誤差值作為目標(biāo)loss函數(shù):

式中:＾y為子訓(xùn)練樣本集中預(yù)測(cè)得到的瓦斯?jié)舛戎?，y為瓦斯?jié)舛葘?shí)際值。

3 LSTM多傳感器耦合瓦斯預(yù)測(cè)模型

瓦斯?jié)舛鹊念A(yù)測(cè)模型實(shí)質(zhì)上就是利用現(xiàn)有數(shù)據(jù)通過運(yùn)算為得到未來時(shí)間段的瓦斯變化趨勢(shì)而建立的一種數(shù)學(xué)映射[14]。本文將瓦斯?jié)舛葰v史數(shù)據(jù)及經(jīng)Pearson相關(guān)系數(shù)法分析提取的瓦斯?jié)舛汝P(guān)聯(lián)因素監(jiān)測(cè)數(shù)據(jù)進(jìn)行多變量相空間重構(gòu)后作為LSTM網(wǎng)絡(luò)的輸入?yún)?shù)，實(shí)現(xiàn)基于LSTM網(wǎng)絡(luò)的多傳感器信息瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)。

3.1 模型預(yù)測(cè)流程

Step 1 數(shù)據(jù)預(yù)處理。隨機(jī)抽取綜采工作面歷史瓦斯?jié)舛燃捌湎嚓P(guān)影響因素時(shí)間序列數(shù)據(jù)，利用數(shù)據(jù)平滑法進(jìn)行去噪，排除干擾；

Step 2 數(shù)據(jù)相關(guān)性分析。利用1.1節(jié)所述的Pearson相關(guān)系數(shù)法對(duì)采集數(shù)據(jù)進(jìn)行關(guān)聯(lián)程度強(qiáng)弱判斷，得出模型輸入?yún)?shù)。

Step 3 多變量相空間重構(gòu)。運(yùn)用1.2節(jié)方法對(duì)瓦斯?jié)舛葰v史數(shù)據(jù)及其確定的強(qiáng)關(guān)聯(lián)因素進(jìn)行多變量空間重構(gòu)，形成訓(xùn)練樣本Y p(x)。

Step 4 構(gòu)建LSTM網(wǎng)絡(luò)預(yù)測(cè)模型。采用隨機(jī)搜索算法對(duì)模型超參數(shù)進(jìn)行優(yōu)化處理，獲取最合適的瓦斯?jié)舛阮A(yù)測(cè)模型超參數(shù)組合；

Step 5 模型訓(xùn)練。按照同比例劃分訓(xùn)練集和驗(yàn)證樣本集，對(duì)所建模型進(jìn)行訓(xùn)練，并經(jīng)全連接層(FC)獲得單步瓦斯?jié)舛阮A(yù)測(cè)結(jié)果；

Step 6 實(shí)現(xiàn)多步預(yù)測(cè)。利用已經(jīng)訓(xùn)練好的預(yù)測(cè)模型進(jìn)行多步延伸滾動(dòng)預(yù)測(cè)。

Step 7 誤差分析。利用誤差評(píng)價(jià)指標(biāo)，將預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比分析，評(píng)價(jià)預(yù)測(cè)模型單步及多步預(yù)測(cè)性能。

3.2 多傳感器預(yù)測(cè)模型結(jié)構(gòu)

本文選用FC全連接層作為瓦斯?jié)舛阮A(yù)測(cè)值的輸出，將末層LSTM網(wǎng)絡(luò)單元的輸出映射為一維向量即為所求值，所建立的基于深度LSTM網(wǎng)絡(luò)的多傳感器瓦斯?jié)舛阮A(yù)測(cè)模型結(jié)構(gòu)如圖3所示。

圖3 基于LSTM網(wǎng)絡(luò)的多傳感器瓦斯?jié)舛阮A(yù)測(cè)模型結(jié)構(gòu)圖

3.3 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)

為分析預(yù)測(cè)模型的預(yù)測(cè)精度及泛化能力，選用RRMSE(相對(duì)均方根誤差)及MAPE函數(shù)值(平均絕對(duì)百分誤差)作為評(píng)價(jià)

指標(biāo)，其表達(dá)式為:

式中:N為瓦斯?jié)舛葦?shù)據(jù)測(cè)試集預(yù)測(cè)點(diǎn)個(gè)數(shù)；y i為瓦斯?jié)舛葦?shù)據(jù)測(cè)試集合中的實(shí)際瓦斯?jié)舛戎?；＾y i為瓦斯?jié)舛葦?shù)據(jù)測(cè)試集中瓦斯?jié)舛阮A(yù)測(cè)值。

4 算例研究

本文實(shí)驗(yàn)數(shù)據(jù)來源為山西焦煤官地礦的16403綜采工作面KJ90N煤礦安全監(jiān)測(cè)系統(tǒng)，每隔2 min采集煤礦不同礦點(diǎn)的多傳感器信息，獲取大量瓦斯?jié)舛燃捌湎嚓P(guān)聯(lián)數(shù)據(jù)。

4.1 多傳感器數(shù)據(jù)相關(guān)度分析

運(yùn)用統(tǒng)計(jì)分析軟件利用1.1節(jié)Pearson相關(guān)系數(shù)法對(duì)井下空氣流速、壓力、溫度、濕度、CO濃度、氧氣濃度時(shí)間序列數(shù)據(jù)與瓦斯?jié)舛葧r(shí)間序列數(shù)據(jù)進(jìn)行相關(guān)性分析，結(jié)果如表1所示。

表1 瓦斯?jié)舛扔绊懸蛩叵嚓P(guān)性分析

Pearson相關(guān)系數(shù)的絕對(duì)值越大，表明兩個(gè)元素之間的相關(guān)性越強(qiáng)。從表1可看出，井下空氣流速與瓦斯?jié)舛认嚓P(guān)度最大，而溫度、CO濃度次之，壓力、氧氣濃度、濕度因素與瓦斯?jié)舛认嚓P(guān)程度較低。所以，本文選擇瓦斯?jié)舛?、空氣流速、溫度、CO濃度因素形成多傳感器耦合源數(shù)據(jù)作為預(yù)測(cè)模型的輸入?yún)?shù)。需要說明，不同煤礦環(huán)境的瓦斯?jié)舛扰c各影響因素的相關(guān)性存在差異。

4.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

選取2019年10月13日某時(shí)段400個(gè)采樣點(diǎn)的瓦斯?jié)舛燃巴瑫r(shí)段連續(xù)時(shí)間序列的CO濃度溫度、空氣流速等采集數(shù)據(jù)作為研究數(shù)據(jù)，形成瓦斯?jié)舛榷鄠鞲衅黢詈蠑?shù)據(jù)作為訓(xùn)練集，將其接續(xù)時(shí)間段的120條瓦斯?jié)舛葦?shù)據(jù)選作測(cè)試集。由1.2節(jié)C－C關(guān)聯(lián)積分法分別求得瓦斯?jié)舛?、空氣流速、溫度、CO濃度序列相空間重構(gòu)參數(shù)如表2所示。

表2 多傳感器信息相空間重構(gòu)參數(shù)

按照1.2節(jié)式(3)進(jìn)行多傳感器數(shù)據(jù)相空間重構(gòu)得出各相點(diǎn)，對(duì)重構(gòu)后的相空間選用Wolf方法得出其最大Lyapunov指數(shù)值為0.0587>0，驗(yàn)證其混沌特性，最終形成400組瓦斯?jié)舛榷鄠鞲衅餍畔Ⅰ詈闲蛄校蓪?shí)現(xiàn)瓦斯?jié)舛鹊亩唐陬A(yù)測(cè)。

4.3 預(yù)測(cè)模型超參數(shù)優(yōu)化

本文采用隨機(jī)搜索算法重點(diǎn)搜索LSTM模型中Rlearing及Sbatch，其設(shè)置有助于提升LSTM預(yù)測(cè)模型訓(xùn)練收斂速度及預(yù)測(cè)精準(zhǔn)度，Rlearing采用指數(shù)下降方式，搜索范圍為{1e－4，5e－4，5e－3，1e－2}，而LSTM網(wǎng)絡(luò)層數(shù)及其隱藏層神經(jīng)元數(shù)根據(jù)經(jīng)驗(yàn)可在較小的范圍內(nèi)搜索[15]，網(wǎng)絡(luò)層數(shù)搜索范圍為{2，3}，Nhidden搜索范圍為{10，20，40，60，100}，為防止訓(xùn)練出現(xiàn)過擬合問題，Sbatch搜索范圍設(shè)置為{16，32，64，128，256}，訓(xùn)練過程中l(wèi)oss函數(shù)值最小的一組超參數(shù)作為最終預(yù)測(cè)模型超參數(shù)組合，以下網(wǎng)絡(luò)結(jié)構(gòu)比較均在實(shí)驗(yàn)得出的最優(yōu)Rlearing及Sbatch條件下進(jìn)行，其超參數(shù)選取情況為表3。

表3 模型超參數(shù)選擇結(jié)果

4.4 實(shí)驗(yàn)結(jié)果分析

4.4.1 單變量與多變量預(yù)測(cè)模型性能對(duì)比

為驗(yàn)證本文所提出基于LSTM的瓦斯?jié)舛榷鄠鞲衅餍畔Ⅰ詈项A(yù)測(cè)模型預(yù)測(cè)性能的優(yōu)異性，將其與僅依據(jù)歷史瓦斯?jié)舛葧r(shí)間序列這一單一變量及依據(jù)瓦斯、空氣流速、壓力、溫度、CO濃度、氧氣濃度、濕度7個(gè)變量進(jìn)行瓦斯?jié)舛阮A(yù)測(cè)的LSTM預(yù)測(cè)模型進(jìn)行性能對(duì)比，所得結(jié)果如圖4所示。

圖4 不同輸入變量模型損失函數(shù)對(duì)比

由圖可知，單輸入變量預(yù)測(cè)模型的收斂性較差；而7輸入變量預(yù)測(cè)模型由于引入了較多影響因素造成其模型收斂性能劣于強(qiáng)關(guān)聯(lián)因素4輸入變量所構(gòu)建的預(yù)測(cè)模型，也就是說強(qiáng)關(guān)聯(lián)因素的輸入有助于提高LSTM預(yù)測(cè)模型的預(yù)測(cè)性能，而弱關(guān)聯(lián)因素的輸入反而會(huì)降低其預(yù)測(cè)性能，驗(yàn)證了經(jīng)相關(guān)性分析確定模型輸入變量進(jìn)而建立多傳感器預(yù)測(cè)模型的必要性。

4.4.2 單步預(yù)測(cè)結(jié)果分析

本節(jié)選用時(shí)序數(shù)據(jù)預(yù)測(cè)領(lǐng)域常用的ARMA、ANN兩種方法建立瓦斯預(yù)測(cè)模型與本文所建立的LSTM瓦斯?jié)舛阮A(yù)測(cè)模型的單步預(yù)測(cè)精度進(jìn)行對(duì)比，首先將多傳感器信息耦合序列進(jìn)行平穩(wěn)化處理，即對(duì)其進(jìn)行二階有序差分變換作為ARMA時(shí)序模型的輸入，構(gòu)建ARMA(6，2)時(shí)序預(yù)測(cè)模型；ANN模型選用具有單隱藏層結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，并選用sigmoid函數(shù)作為隱藏層激勵(lì)函數(shù)，對(duì)耦合數(shù)據(jù)進(jìn)行歸一化處理作為輸入，網(wǎng)絡(luò)預(yù)測(cè)完成后對(duì)其反歸一化處理作為輸出，其輸入層節(jié)點(diǎn)數(shù)為6，隱藏層節(jié)點(diǎn)數(shù)為7，輸出節(jié)點(diǎn)為1。

各模型單步預(yù)測(cè)結(jié)果對(duì)比如圖5所示。

圖5 多種模型單步預(yù)測(cè)結(jié)果對(duì)比

由圖5可以看出，采用本文所建立的基于LSTM的瓦斯?jié)舛榷鄠鞲衅餍畔Ⅰ詈项A(yù)測(cè)模型進(jìn)行單步預(yù)測(cè)得到的濃度預(yù)測(cè)值和瓦斯?jié)舛鹊膶?shí)際值間整體擬合性更優(yōu)，與其他兩種模型相比更預(yù)測(cè)結(jié)果更接近瓦斯?jié)舛鹊膶?shí)際真實(shí)值。各預(yù)測(cè)模型誤差指標(biāo)結(jié)果為表4所示。

表4 各預(yù)測(cè)模型誤差指標(biāo)對(duì)比

從圖表中可以看出，LSTM瓦斯?jié)舛阮A(yù)測(cè)模型相較于ARMA及ANN模型，其RRMSE指標(biāo)分別降低了46.8%和50.2%，MAPE%指標(biāo)分別降低了33.8%和50.1%，且預(yù)測(cè)耗費(fèi)時(shí)間少于其他兩種模型，僅為1.29s，驗(yàn)證了本文所建立模型在保證高預(yù)測(cè)精度的同時(shí)，具有預(yù)測(cè)效率較高的優(yōu)異特性。

4.4.3 多步滾動(dòng)預(yù)測(cè)結(jié)果分析

為實(shí)現(xiàn)本文所建模型外推滾動(dòng)預(yù)測(cè)功能，驗(yàn)證模型具有較好的魯棒性，通過將瓦斯?jié)舛阮A(yù)測(cè)的單步預(yù)測(cè)結(jié)果作為歷史數(shù)據(jù)再次輸入歷史監(jiān)測(cè)數(shù)據(jù)，形成多步預(yù)測(cè)模型的新輸入序列，可實(shí)現(xiàn)瓦斯?jié)舛鹊亩嗖酵馔祁A(yù)測(cè)，使模型在多步動(dòng)態(tài)預(yù)測(cè)方面仍保持較高的預(yù)測(cè)精度與預(yù)測(cè)效率。對(duì)以上相同3種模型進(jìn)行2～5步滾動(dòng)預(yù)測(cè)，得出預(yù)測(cè)誤差結(jié)果如表5所示。

表5 2～5步預(yù)測(cè)結(jié)果誤差指標(biāo)對(duì)比

其誤差指標(biāo)隨預(yù)測(cè)步數(shù)變化結(jié)果如圖6所示。

由圖6可以看出由于多步滾動(dòng)預(yù)測(cè)有不可避免的誤差積累，模型的預(yù)測(cè)精度均有下降的趨勢(shì)，但對(duì)比ARMA及ANN瓦斯?jié)舛阮A(yù)測(cè)模型，LSTM模型在預(yù)測(cè)步數(shù)達(dá)到5步時(shí)，其RRMSE指標(biāo)分別降低了42.5%和40.0%，MAPE%指標(biāo)分別降低了32.5%和40.6%，說明本文所提出的基于LSTM的多傳感器瓦斯?jié)舛阮A(yù)測(cè)模型在多步滾動(dòng)預(yù)測(cè)中具有較好的魯棒性，依然保持極佳的預(yù)測(cè)性能。

圖6 1～6步預(yù)測(cè)結(jié)果誤差

5 結(jié)論

文本首先采用Pearson相關(guān)性分析法判斷不同瓦斯?jié)舛扔绊懸蛩嘏c其自身變化關(guān)聯(lián)程度，實(shí)現(xiàn)預(yù)測(cè)模型輸入?yún)?shù)的有效信息挖掘，進(jìn)而減輕建立預(yù)測(cè)模型的復(fù)雜性、提升模型訓(xùn)練效率，并對(duì)其進(jìn)行多變量相空間重構(gòu)，利用深度LSTM網(wǎng)絡(luò)動(dòng)態(tài)時(shí)序建模的優(yōu)越性，選用隨機(jī)搜索算法作為LSTM網(wǎng)絡(luò)超參數(shù)尋優(yōu)算法，建立基于最優(yōu)LSTM網(wǎng)絡(luò)參數(shù)的多傳感器瓦斯?jié)舛阮A(yù)測(cè)模型，對(duì)回采工作面瓦斯?jié)舛刃蛄羞M(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明此模型能夠充分利用多傳感器信息，在單步及多步滾動(dòng)預(yù)測(cè)較其他方法具有更高的預(yù)測(cè)精度與預(yù)測(cè)效率，為實(shí)現(xiàn)井下回采工作面瓦斯?jié)舛鹊母咝Ь珳?zhǔn)預(yù)測(cè)提供可靠的技術(shù)支持。