楊世金

摘要：結(jié)合小波神經(jīng)網(wǎng)絡(luò)基本原理，提出一種粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)模型。對(duì)小波神經(jīng)網(wǎng)絡(luò)基本原理進(jìn)行分析，然后，利用粒子群對(duì)小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，并構(gòu)建預(yù)測(cè)模型;最后，以P₁～P₅監(jiān)測(cè)點(diǎn)的煤礦瓦斯?jié)舛葦?shù)據(jù)為基礎(chǔ)，將其輸入預(yù)測(cè)模型中進(jìn)行訓(xùn)練。結(jié)果表明：粒子群優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)在瓦斯?jié)舛阮A(yù)測(cè)方面，數(shù)值更接近真實(shí)值，同時(shí)迭代次數(shù)在110次左右即達(dá)到穩(wěn)定。

關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò);瓦斯?jié)舛?粒子群;濃度預(yù)測(cè)

中圖分類號(hào)：TQ541

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2022）06-0108-03

Study on gas concentration prediction based on improved particle swarm wavelet neural network

YANG Shijin

（

Guangxi Vocational College of Safety Engineering， Cenxi 530100， Guangxi China

）

Abstract：Combined with the basic principle of wavelet neural network， a gas concentration prediction model based on particle swarm optimization wavelet neural network is proposed. The basic principle of wavelet neural network is analyzed， then the parameters of wavelet neural network are optimized by particle swarm optimization， and the prediction model is constructed. Finally， based on the coal mine gas concentration data of P₁～ P₅monitoring points， they are put into the prediction model for training. The results show that the value of wavelet neural network optimized by particle swarm optimization is closer to the real value in gas concentration prediction， and the stability is reached when? number of iterations reaches about 110.

Key words：wavelet neural network; gas concentration; particle swarm optimization; concentration prediction

煤礦開(kāi)采已經(jīng)成為我國(guó)經(jīng)濟(jì)建設(shè)的重要產(chǎn)業(yè)，隨之而來(lái)的是煤礦開(kāi)采過(guò)程中產(chǎn)生的瓦斯氣體所導(dǎo)致的危險(xiǎn)事件。為了保障煤礦開(kāi)采的安全以解決瓦斯氣體的爆炸，建立高效準(zhǔn)確的瓦斯預(yù)測(cè)系統(tǒng)成為我國(guó)學(xué)術(shù)領(lǐng)域研究的重點(diǎn)。如對(duì)煤與瓦斯突出相關(guān)的5個(gè)特征進(jìn)行分析，采用拉依達(dá)準(zhǔn)則處理數(shù)據(jù)異常值并采用隨機(jī)森林、支持向量機(jī)和K近鄰模型進(jìn)行煤與瓦斯突出預(yù)測(cè)，實(shí)驗(yàn)表明：采用隨機(jī)森林?jǐn)?shù)據(jù)插補(bǔ)方法并利用隨機(jī)森林模型完成的預(yù)測(cè)，在所有數(shù)據(jù)插補(bǔ)方法和預(yù)測(cè)模型組合中性能最優(yōu)[1];針對(duì)現(xiàn)有煤與突出預(yù)測(cè)方法存在可視化程度低、突出預(yù)測(cè)準(zhǔn)確性和實(shí)時(shí)性不高等問(wèn)題，以新元煤礦為試驗(yàn)礦井，構(gòu)建了煤與瓦斯突出預(yù)測(cè)多元數(shù)據(jù)可視化系統(tǒng)，應(yīng)用結(jié)果表明：該系統(tǒng)改變了新元煤礦突出預(yù)測(cè)指標(biāo)單一、不連續(xù)的現(xiàn)狀，顯著提高了礦井煤與瓦斯突出預(yù)測(cè)準(zhǔn)確性與實(shí)時(shí)性[2];針對(duì)煤礦瓦斯?jié)舛鹊念A(yù)測(cè)的問(wèn)題，以亭南煤礦正常生產(chǎn)期間302工作面的監(jiān)測(cè)數(shù)據(jù)為研究背景，采用深度學(xué)習(xí)技術(shù)LSTM建立瓦斯預(yù)測(cè)模型，研究與設(shè)計(jì)了基于LSTM的煤礦瓦斯預(yù)測(cè)預(yù)警系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)了煤礦瓦斯預(yù)警系統(tǒng)，增強(qiáng)了煤礦瓦斯監(jiān)控系統(tǒng)的預(yù)警能力，提高了煤炭企業(yè)安全生產(chǎn)管理水平[3]。本研究認(rèn)為，其不僅需要構(gòu)建預(yù)測(cè)系統(tǒng)，還需要保證其瓦斯預(yù)測(cè)的準(zhǔn)確性。因此，基于小波神經(jīng)網(wǎng)絡(luò)原理，提出一種粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)模型，以此提高瓦斯預(yù)測(cè)的精準(zhǔn)率。

1小波神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)是采用Sigmoid作為隱含層，這就導(dǎo)致傳統(tǒng)算法具有陷入局部最優(yōu)和收斂速度慢的問(wèn)題。為改善這種問(wèn)題，使用小波算法代替神經(jīng)系統(tǒng)隱含層，從而最大程度地優(yōu)化神經(jīng)系統(tǒng)結(jié)構(gòu)。設(shè)小波函數(shù)f（t）為一維信號(hào)，則小波基：

小波函數(shù)作為隱含層，具有很強(qiáng)的適應(yīng)性。但以上方法還存在缺陷，如網(wǎng)絡(luò)初始值很難確定，同時(shí)當(dāng)樣本過(guò)多時(shí)，收斂速度會(huì)變慢。因此，基于以上問(wèn)題，需要對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。

2基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)模型

基于傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題，提出采用粒子群對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，具體改進(jìn)步驟：

（1）將N設(shè)置為輸入層，M設(shè)置為隱藏層，L設(shè)置為輸出層，M維向量設(shè)置為縮放和平移因子;

（2）將初始化速率，并找到最佳起始位置和總體最佳值;

（3）將訓(xùn)練樣本數(shù)據(jù)傳輸至輸入層學(xué)習(xí);

（4）根據(jù)

對(duì)小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化;

（5）確定參數(shù)是否滿足條件，若滿足則選擇優(yōu)化參數(shù);若不滿足則轉(zhuǎn)回步驟（3）;0F6D8556-6ACD-4637-8135-A62BF25AC6C0

（6）輸出預(yù)測(cè)結(jié)果。

3算法驗(yàn)證

3.1數(shù)據(jù)選擇

本文以2020年8月1日至8月21日這21 d在P₁～P₅監(jiān)測(cè)點(diǎn)收集到的煤礦瓦斯?jié)舛葦?shù)據(jù)作為基礎(chǔ)，利用以上的預(yù)測(cè)模型對(duì)瓦斯?jié)舛冗M(jìn)行預(yù)測(cè)。原始瓦斯?jié)舛葦?shù)據(jù)部分參數(shù)如圖1所示。

3.2算法驗(yàn)證

從P₁～P₅監(jiān)測(cè)點(diǎn)數(shù)據(jù)中篩選出1～45組原始數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，46～50組數(shù)據(jù)用作測(cè)試樣本。將45組訓(xùn)練數(shù)據(jù)輸入至預(yù)測(cè)模型進(jìn)行訓(xùn)練，然后用訓(xùn)練模型對(duì)剩余5組進(jìn)行試驗(yàn)，并與實(shí)際瓦斯?jié)舛扰欧诺臍怏w值進(jìn)行對(duì)比。

3.2.1改進(jìn)后的神經(jīng)網(wǎng)絡(luò)迭代次數(shù)

粒子群改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)迭代次數(shù)如圖3所示。

由圖3可以看出，改進(jìn)的神經(jīng)網(wǎng)絡(luò)在110次左右的適應(yīng)度值達(dá)穩(wěn)定，說(shuō)明經(jīng)過(guò)110次左右的迭代后，算法開(kāi)始逐步趨于穩(wěn)定。此時(shí)的參數(shù)也為最優(yōu)。

3.2.2算法預(yù)測(cè)結(jié)果

通過(guò)訓(xùn)練，得到BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)神經(jīng)網(wǎng)絡(luò)對(duì)瓦斯?jié)舛鹊念A(yù)測(cè)結(jié)果，并將其與原始數(shù)據(jù)對(duì)比。具體如圖4和圖5所示。

由圖4可知，根據(jù)歸一化數(shù)據(jù)處理后的數(shù)據(jù)對(duì)比可以得到改進(jìn)粒子群小波網(wǎng)絡(luò)的預(yù)測(cè)值和BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值均小于實(shí)際的數(shù)據(jù)值;同時(shí)改進(jìn)粒子群小波網(wǎng)絡(luò)的預(yù)測(cè)值大于BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，并且改進(jìn)粒子群小波網(wǎng)絡(luò)的預(yù)測(cè)值更接近于實(shí)際的數(shù)據(jù)值。該對(duì)比數(shù)據(jù)說(shuō)明改進(jìn)粒子群小波網(wǎng)絡(luò)算法更加適宜瓦斯數(shù)據(jù)的監(jiān)測(cè)。

由圖5可知，根據(jù)改進(jìn)粒子群小波網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的誤差，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值的誤差率分別為18.74%、16.68%、16.35%、17.87%、18.23%;而改進(jìn)粒子群小波網(wǎng)絡(luò)的值與實(shí)際值的誤差率分別為6.22%、7.42%、6.17%、7.19%、6.27%，結(jié)果表明：改進(jìn)粒子群小波網(wǎng)絡(luò)算法的精度高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法。

4結(jié)語(yǔ)

本文提出對(duì)粒子群小波神經(jīng)網(wǎng)絡(luò)算法的改進(jìn);然后與傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值和實(shí)際的數(shù)據(jù)值進(jìn)行對(duì)比分析，結(jié)果表明：改進(jìn)粒子群小波網(wǎng)絡(luò)算法的精度高于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法，具體在數(shù)值上則是改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)的誤差基本在6%～7%，遠(yuǎn)小于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的16%～18%。

【參考文獻(xiàn)】

[1]汝彥冬，呂興鳳，郭繼坤，等.基于殘缺數(shù)據(jù)的煤與瓦斯突出預(yù)測(cè)系統(tǒng)[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，37（2）：172-176.

[2]蒲陽(yáng)，宋志強(qiáng)，寧小亮.煤與瓦斯突出預(yù)測(cè)多元數(shù)據(jù)可視化系統(tǒng)構(gòu)建與應(yīng)用[J].工礦自動(dòng)化，2020，46（7）：64-69.

[3]李偉山，王琳，衛(wèi)晨.LSTM在煤礦瓦斯預(yù)測(cè)預(yù)警系統(tǒng)中的應(yīng)用與設(shè)計(jì)[J].西安科技大學(xué)學(xué)報(bào)，2018，38（6）：1 027-1 035.

[4]齊黎明，盧云婷，關(guān)聯(lián)合，等.煤與瓦斯突出預(yù)測(cè)敏感指標(biāo)確定方法探索及應(yīng)用[J].礦業(yè)安全與環(huán)保，2021，48（3）：85-89.

[5]蘇培東，張睿，杜宇本，等.基于Kriging估值法的非煤隧道瓦斯預(yù)測(cè)[J].地下空間與工程學(xué)報(bào)，2021，17（3）：953-960.

[6]李曉燕， 李弢， 馬盡文. 高斯過(guò)程混合模型在含噪輸入預(yù)測(cè)策略下的煤礦瓦斯?jié)舛热嵝灶A(yù)測(cè)[J]. 信號(hào)處理， 2021， 37（11）：10.

[7]萬(wàn)宇，齊金平，張儒等.基于信息增益優(yōu)化支持向量機(jī)模型的煤礦瓦斯爆炸風(fēng)險(xiǎn)預(yù)測(cè)[J].科學(xué)技術(shù)與工程，2021，21（9）：3 544-3 549.

[8]段夢(mèng)楠，劉澤功.基于神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出規(guī)模預(yù)測(cè)研究[J].淮陰工學(xué)院學(xué)報(bào)，2021，30（1）：33-39.

[9]韋恩光，鄧成海，潘福東等.貴州某煤礦煤與瓦斯突出預(yù)測(cè)敏感指標(biāo)的確定[J].中國(guó)科學(xué)探險(xiǎn)，2021（1）：97-99.

[10]張震，朱權(quán)潔，李青松等.基于Keras長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的礦井瓦斯?jié)舛阮A(yù)測(cè)研究[J].安全與環(huán)境工程，2021，28（1）：61-67.0F6D8556-6ACD-4637-8135-A62BF25AC6C0