一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法
【專利摘要】本發(fā)明提供了一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，首先利用礦井瓦斯?jié)舛葰v史數(shù)據(jù)庫中的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在訓(xùn)練網(wǎng)絡(luò)的過程中，動(dòng)態(tài)判斷網(wǎng)絡(luò)隱節(jié)點(diǎn)的活躍度和每個(gè)隱節(jié)點(diǎn)的學(xué)習(xí)能力，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)隱節(jié)點(diǎn)的分裂和刪除操作，建立網(wǎng)絡(luò)初步預(yù)測(cè)模型；其次，持續(xù)實(shí)時(shí)采集礦井瓦斯?jié)舛刃畔⑤斎肷窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)未來瓦斯?jié)舛茸兓厔?shì)，已預(yù)測(cè)過的實(shí)時(shí)數(shù)據(jù)，按照先入先出的隊(duì)列順序及時(shí)訓(xùn)練網(wǎng)絡(luò)以實(shí)時(shí)更新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使得神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠根據(jù)實(shí)時(shí)工況進(jìn)行調(diào)整，以提高瓦斯?jié)舛鹊膶?shí)時(shí)預(yù)測(cè)精度。本發(fā)明能夠根據(jù)實(shí)時(shí)瓦斯?jié)舛葦?shù)據(jù)，及時(shí)在線調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而提高瓦斯?jié)舛阮A(yù)測(cè)精度，滿足礦井瓦斯?jié)舛刃畔⒐芾硐到y(tǒng)的技術(shù)要求。
【專利說明】一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于檢測(cè)【技術(shù)領(lǐng)域】，針對(duì)礦井瓦斯?jié)舛缺O(jiān)控系統(tǒng)的實(shí)時(shí)性預(yù)測(cè)的要求，尤 其涉及一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法。

【背景技術(shù)】
[0002] 中國(guó)是一個(gè)煤炭資源大國(guó)，也是一個(gè)以煤炭為主要能源的國(guó)家，國(guó)家《能源中長(zhǎng)期 發(fā)展規(guī)劃綱要（2004-2020年）》明確指出中國(guó)將以"堅(jiān)持以煤炭為主體、電力為中心、油氣 和新能源全面發(fā)展的能源戰(zhàn)略"。我國(guó)的煤炭絕大多數(shù)為井工開采，井工產(chǎn)量占煤炭產(chǎn)量 的95%以上，約占世界井工總采煤量的40%。由于我國(guó)地質(zhì)條件的特殊性，所有礦井均為 含瓦斯礦井，并且一半以上的礦井處于高瓦斯區(qū)或瓦斯突出區(qū)。煤礦瓦斯災(zāi)害是威脅煤礦 安全生產(chǎn)的重大災(zāi)害之一，據(jù)統(tǒng)計(jì)，我國(guó)煤炭產(chǎn)業(yè)每年事故死亡人數(shù)近萬人，直接經(jīng)濟(jì)損失 超過40億元。瓦斯災(zāi)害直接妨礙了煤礦的正常生產(chǎn)，阻礙了煤炭工業(yè)的持續(xù)、穩(wěn)定、健康發(fā) 展，所以，加強(qiáng)瓦斯災(zāi)害防治是確保煤炭能源的穩(wěn)定、可靠供應(yīng)，促進(jìn)國(guó)民經(jīng)濟(jì)全面、健康發(fā) 展的重要保障。
[0003] 目前，眾多國(guó)內(nèi)外研究者對(duì)礦井瓦斯?jié)舛阮A(yù)測(cè)的問題已經(jīng)進(jìn)行了深入細(xì)致的研 究，提出了多種有效的預(yù)測(cè)方法。這些方法大致可分為傳統(tǒng)預(yù)測(cè)技術(shù)和現(xiàn)代預(yù)測(cè)技術(shù)兩大 類。傳統(tǒng)預(yù)測(cè)方法是根據(jù)含瓦斯煤體性質(zhì)及其賦存條件的某些量化指標(biāo)，如煤層性質(zhì)指標(biāo)、 瓦斯指標(biāo)、地應(yīng)力指標(biāo)或綜合指標(biāo)，來預(yù)測(cè)其中的單個(gè)或多個(gè)指標(biāo)是否超過臨界值。由于瓦 斯突出是由地應(yīng)力、高瓦斯、煤的結(jié)構(gòu)性能、地質(zhì)構(gòu)造、煤層厚度變化、煤體結(jié)構(gòu)及圍巖特征 等諸多因素決定的，而這些因素大多數(shù)都處于復(fù)雜的非線性狀態(tài)，因此采用傳統(tǒng)的預(yù)測(cè)技 術(shù)，其預(yù)測(cè)精度往往難以達(dá)到煤礦安全生產(chǎn)的要求。現(xiàn)代預(yù)測(cè)主要是基于數(shù)學(xué)和物理的預(yù) 測(cè)技術(shù)，即利用神經(jīng)網(wǎng)絡(luò)、混沌及非線性理論、模糊理論、灰色理論、專家系統(tǒng)、流變與突變 理論等通過預(yù)測(cè)礦井瓦斯涌出量來判斷瓦斯突出，這些方法屬于非接觸性預(yù)測(cè)方法，是礦 井瓦斯?jié)舛阮A(yù)測(cè)方法研究的重要方向之一，也是實(shí)現(xiàn)瓦斯?jié)舛阮A(yù)測(cè)的有效途徑。由此可見， 對(duì)瓦斯?jié)舛鹊念A(yù)測(cè)不僅具有理論上的價(jià)值，更具有重大的生產(chǎn)實(shí)際意義。
[0004] 隨著國(guó)家對(duì)煤礦安全生產(chǎn)的重視和煤礦企業(yè)自身發(fā)展的需要，我國(guó)各大中型煤礦 企業(yè)都陸續(xù)安裝了礦井監(jiān)測(cè)控制系統(tǒng)，針對(duì)瓦斯等有毒氣體和重要設(shè)備進(jìn)行監(jiān)控，極大地 提高了礦井安全生產(chǎn)水平和安全生產(chǎn)管理效率。然而，這些監(jiān)控設(shè)備僅僅是對(duì)當(dāng)前工作狀 態(tài)進(jìn)行實(shí)時(shí)測(cè)量，不能對(duì)未來的瓦斯?jié)舛鹊陌l(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)。事實(shí)上，對(duì)瓦斯?jié)舛葴?zhǔn)確預(yù) 測(cè)對(duì)于瓦斯突出的災(zāi)害預(yù)報(bào)和預(yù)防都具有重要的意義。目前，對(duì)瓦斯?jié)舛鹊念A(yù)測(cè)在很大程 度上還屬于離線式預(yù)測(cè)，然而，實(shí)際的礦井中的瓦斯?jié)舛炔粩嗟淖兓?，如果離線預(yù)測(cè)模型不 能及時(shí)的修正和更新，必然會(huì)影響整個(gè)模型的預(yù)測(cè)精度，最終導(dǎo)致預(yù)測(cè)失效。綜上述，研究 和開發(fā)礦井瓦斯?jié)舛鹊膶?shí)時(shí)預(yù)測(cè)模型勢(shì)在必行。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服目前神經(jīng)網(wǎng)絡(luò)瓦斯?jié)舛阮A(yù)測(cè)模型中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以確 定和預(yù)測(cè)模型難以在線預(yù)測(cè)的缺陷，提供了一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的在線預(yù)測(cè)模型，實(shí)現(xiàn) 實(shí)時(shí)預(yù)測(cè)礦井瓦斯?jié)舛取?br> [0006] 本發(fā)明是這樣實(shí)現(xiàn)的，一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，包括如 下步驟：
[0007] 第一步、通過瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù)，存入瓦斯?jié)舛葰v史數(shù)據(jù)庫xlib = {x (k) | k = 1，2,…，1} (1 = n+2p);
[0008] 第二步、將瓦斯?jié)舛葰v史數(shù)據(jù)庫中的數(shù)據(jù)視為混沌時(shí)間序列進(jìn)行處理，利用C-C 方法計(jì)算該混沌時(shí)間序列的延遲時(shí)間τ和嵌入維數(shù)m;
[0009] 第三步、分別建立相空間重構(gòu)x(k)和P步預(yù)測(cè)向量Y(k)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn) 練樣本集KX(k) ;Y(k)) |k = l+(m-l) τ，…，n+1}，其中神經(jīng)網(wǎng)絡(luò)的輸入為X(k)= τ)]，神經(jīng)網(wǎng)絡(luò)的輸出為 Y(k) = [x(k+p)];
[0010] 第四步、用訓(xùn)練樣本集采取增量學(xué)習(xí)方式訓(xùn)練神經(jīng)網(wǎng)絡(luò)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型， 步驟如下：
[0011] (1)初始化動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為m-1-l的連接方式，即輸入節(jié)點(diǎn)為m個(gè)，隱層節(jié) 點(diǎn)1個(gè)，輸出節(jié)點(diǎn)1個(gè)；
[0012] 假設(shè)k時(shí)刻動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)中有q個(gè)隱節(jié)點(diǎn)，則用k時(shí)刻的訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò) 時(shí)，動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的輸出描述為：
[0013]

【權(quán)利要求】
1. 一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，包括以下步驟： 51、 通過瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù)，存入瓦斯?jié)舛葰v史數(shù)據(jù)庫； 52、 將瓦斯?jié)舛葰v史數(shù)據(jù)庫中的數(shù)據(jù)視為混沌時(shí)間序列進(jìn)行處理，利用C-C方法計(jì)算 該混沌時(shí)間序列的延遲時(shí)間和嵌入維數(shù)； 53、 分別建立相空間重構(gòu)和p步預(yù)測(cè)向量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集； 54、 用訓(xùn)練樣本集采取增量學(xué)習(xí)方式訓(xùn)練神經(jīng)網(wǎng)絡(luò)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型； 55、 根據(jù)已建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行實(shí)時(shí)預(yù)測(cè)。
2. 如權(quán)利要求1所述的基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，在 步驟S1中，所述通過瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù)具體為：采用瓦斯無線監(jiān)測(cè)傳感器，放 置在煤壁前方和采掘設(shè)備和作業(yè)人員身上，并在50?100米外設(shè)置移動(dòng)基站接收瓦斯?jié)舛?信息，再通過井下通信網(wǎng)絡(luò)傳輸至地面監(jiān)控系統(tǒng)。
3. 如權(quán)利要求1所述的基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，在 步驟S2中，所述利用C-C方法計(jì)算該混沌時(shí)間序列的延遲時(shí)間和嵌入維數(shù)具體包括以下過 程： (1) 計(jì)算以下三個(gè)參量：
其中：
|檢驗(yàn)統(tǒng)計(jì)量，m = 2, 3, 4, 5, rk = k σ /2 ; Δ S(m, t) = max{S(m, r」，t)}-min{S(m, r」，t)}為選擇最大和最小兩個(gè)半徑r檢驗(yàn)統(tǒng)計(jì)量 之間的差量
為瓦斯?jié)舛葧r(shí)間序列的關(guān)聯(lián)積分，是 累積分布函數(shù)，其表示相空間中任意兩個(gè)相點(diǎn)之間距離小于r的概率；表示檢驗(yàn)統(tǒng)計(jì) 量差量的平均值；f⑴表示統(tǒng)計(jì)量之間的平均值；s^a)為定義的指標(biāo)量；δ (X)為脈沖函 數(shù)，滿足當(dāng)X彡〇時(shí)δ(χ)=1，當(dāng)χ?^Ο時(shí)δ(χ)=〇; (2) 取Δ%)(0^Κ200)第一個(gè)極小值對(duì)應(yīng)的t值為延遲時(shí)間τ ;再取S^a) (0彡t彡200)全局最小值對(duì)應(yīng)的t值為時(shí)間窗口 τ w，由此計(jì)算嵌入維數(shù)：m = 1+ τ w/ τ。
4. 如權(quán)利要求1所述的基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，在 步驟S4中，所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立包括以下過程： (1) 初始化動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為m-1-l的連接方式，假設(shè)k時(shí)刻動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)中有q 個(gè)隱節(jié)點(diǎn)，則用k時(shí)刻的訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)描述動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的輸出； (2) 獲取訓(xùn)練樣本集中k時(shí)刻的訓(xùn)練樣本，采用增量學(xué)習(xí)方式對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn) 練完k時(shí)刻的輸入樣本后，計(jì)算神經(jīng)網(wǎng)絡(luò)訓(xùn)練k時(shí)刻的輸入樣本時(shí)第j個(gè)隱節(jié)點(diǎn)的活躍度； (3) 計(jì)算每個(gè)隱節(jié)點(diǎn)當(dāng)前時(shí)刻對(duì)信息的學(xué)習(xí)能力，刪除已經(jīng)喪失學(xué)習(xí)能力的隱節(jié)點(diǎn)； (4) 判斷誤差函數(shù)沒有達(dá)到期望誤差Ed，則k = k+Ι，到步驟（2)。
5. 如權(quán)利要求1所述的基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，在 步驟S5中，所述神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行實(shí)時(shí)預(yù)測(cè)方法包括以下過程： (1) 通過瓦斯傳感器實(shí)時(shí)采集數(shù)據(jù)，結(jié)合瓦斯?jié)舛葰v史數(shù)據(jù)庫，進(jìn)行相空間重構(gòu)； (2) 將重構(gòu)得到的相空間作為動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的輸入，動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的輸出則是預(yù)測(cè) 值； (3) 當(dāng)采樣間隔等于更新時(shí)間t時(shí)，對(duì)動(dòng)態(tài)模塊化神經(jīng)網(wǎng)絡(luò)模型更新：基于歷史數(shù)據(jù)庫 與實(shí)時(shí)采集數(shù)據(jù)構(gòu)造相空間重構(gòu)，組成訓(xùn)練樣本集，然后按照"先入先出"隊(duì)列順序，以增量 學(xué)習(xí)方式訓(xùn)練動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型，以更新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，更好跟蹤實(shí)時(shí)工況，然后將所有t 個(gè)實(shí)時(shí)采集數(shù)據(jù)存入歷史數(shù)據(jù)庫，更新歷史數(shù)據(jù)庫長(zhǎng)度1 = 1+t ; (4) 判斷是否采集，是則返回步驟（1)，否則結(jié)束。
6. 如權(quán)利要求5所述的基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，在 步驟⑶中，所述更新時(shí)間t的設(shè)定，根據(jù)混沌時(shí)間序列的時(shí)間延長(zhǎng)τ來確定：t= α X τ， 其中α為經(jīng)驗(yàn)系數(shù)，可選擇α = 〇. 5?1. 5。
7. 如權(quán)利要求6所述的基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，在 步驟（3)中，所述動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型在線更新時(shí)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整 方法與上述權(quán)利要求4中步驟（1)完全相同。
8. 如權(quán)利要求7所述的基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)方法，其特征在于，在 步驟（3)中，所述動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型在線更新時(shí)訓(xùn)練樣本按照實(shí)時(shí)瓦斯?jié)舛炔杉捻樞颍?以先入先出的隊(duì)列順序?qū)ι窠?jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
【文檔編號(hào)】E21F17/18GK104156422SQ201410384801
【公開日】2014年11月19日 申請(qǐng)日期:2014年8月6日 優(yōu)先權(quán)日:2014年8月6日
【發(fā)明者】郭偉, 張昭昭 申請(qǐng)人:遼寧工程技術(shù)大學(xué)