基于bp網(wǎng)絡(luò)的多參數(shù)火區(qū)復(fù)燃預(yù)測(cè)方法

當(dāng)火區(qū)關(guān)閉時(shí)，由于供氧條件的突然變化，火區(qū)內(nèi)部系統(tǒng)的力學(xué)平衡狀態(tài)受損，并繼續(xù)燃燒，導(dǎo)致火區(qū)的重封或重大破壞。因此，預(yù)測(cè)和評(píng)價(jià)密封火區(qū)的復(fù)合燃料具有重要的現(xiàn)實(shí)意義。目前，基于溫度和氣體指標(biāo)的測(cè)定技術(shù)主要基于熱敏電阻含量的評(píng)價(jià)，不采用智能預(yù)測(cè)和報(bào)警的有效方法。燃燒預(yù)測(cè)主要集中在預(yù)測(cè)自學(xué)方面。徐勝等人選擇了三個(gè)煤氣源的參數(shù)：風(fēng)性能、煤體溫度和浮氣厚度，并在空白區(qū)域建立了自然火力額?；赽p網(wǎng)絡(luò)，本文結(jié)合厚料集，建立了一篇關(guān)于煤炭自燃的估計(jì)模型。蔣俊成和王省委采用自己的煤炭提取物誘導(dǎo)能力作為預(yù)測(cè)指標(biāo)，建立了泉煤爆炸風(fēng)險(xiǎn)預(yù)測(cè)模型。任輝等人根據(jù)露波區(qū)火災(zāi)初驗(yàn)證信息，結(jié)合煤氣源火災(zāi)圖像、溫度、霧、co、b2、o2等參數(shù)，采用rbf神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型對(duì)井火進(jìn)行綜合評(píng)價(jià)。針對(duì)目前復(fù)燃預(yù)測(cè)方法僅依賴(lài)于氣體分析,預(yù)測(cè)參數(shù)單一,難以涵蓋復(fù)燃機(jī)理,智能控制與理論分析薄弱,不能滿足現(xiàn)場(chǎng)啟封的難題,提出了一種基于BP網(wǎng)絡(luò)的火區(qū)復(fù)燃預(yù)測(cè)方法,利用改進(jìn)的BP網(wǎng)絡(luò)算法建立了BP網(wǎng)絡(luò)復(fù)燃預(yù)測(cè)的多參數(shù)模型,并給出實(shí)例驗(yàn)證該模型的可行性.1復(fù)燃預(yù)測(cè)模型的建立人工神經(jīng)網(wǎng)絡(luò)模型通過(guò)模擬人的智能行為處理一些復(fù)雜的、不確定的、非線性的問(wèn)題,具有很強(qiáng)的容錯(cuò)性和聯(lián)想記憶功能.在眾多ANN模型中,采用誤差反向傳播算法的前饋網(wǎng)絡(luò)稱(chēng)為BP(backpropagation)網(wǎng)絡(luò),算法的核心是通過(guò)一邊向后傳播誤差,一邊利用最小二乘法的最陡下降梯度進(jìn)行權(quán)值的調(diào)整,以實(shí)現(xiàn)或逼近所希望的輸入輸出映射關(guān)系.在本文預(yù)測(cè)模型建立過(guò)程中,采用標(biāo)準(zhǔn)的3層BP網(wǎng)絡(luò),結(jié)構(gòu)如圖1所示.針對(duì)標(biāo)準(zhǔn)BP算法存在的缺點(diǎn),在仿真過(guò)程中使用了LM(levenberg-marquardt)規(guī)則訓(xùn)練前向網(wǎng)絡(luò)的改進(jìn)BP算法,并把它應(yīng)用于復(fù)燃預(yù)測(cè)模型,其參數(shù)更新規(guī)則為式中:J為誤差對(duì)權(quán)值微分的Jacobian矩陣;E為誤差向量;μ為一個(gè)標(biāo)量,確定網(wǎng)絡(luò)是根據(jù)牛頓法還是梯度法來(lái)學(xué)習(xí).當(dāng)μ為零時(shí),即為牛頓法;隨著μ的增大,公式中的JTJ項(xiàng)可以忽略,因此,學(xué)習(xí)過(guò)程主要根據(jù)梯度下降法,即μJTJE項(xiàng).只要迭代使誤差增加,μ也就會(huì)增加,且直到誤差不再增加為止.當(dāng)已經(jīng)找到最小誤差時(shí),μJTJE接近于零,則會(huì)停止學(xué)習(xí).LM算法是梯度下降法和牛頓法的結(jié)合,同時(shí)具有梯度下降法的保證收斂特性和牛頓法的快速收斂特性,改進(jìn)后的算法具有比BP算法使用的梯度下降法訓(xùn)練速度快的優(yōu)勢(shì).以y=sin(0.5πx)+sin(πx)為例比較幾種典型的BP神經(jīng)網(wǎng)絡(luò)算法,結(jié)果如表1所示,可以看出LM神經(jīng)網(wǎng)絡(luò)能達(dá)到預(yù)定誤差0.00001,且比其它網(wǎng)絡(luò)訓(xùn)練速度快等優(yōu)勢(shì).2復(fù)燃火災(zāi)對(duì)煤自動(dòng)過(guò)程中2、4和3.利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)復(fù)燃時(shí),必須選擇對(duì)復(fù)燃有重要影響作用的因素作為輸入向量,預(yù)測(cè)的結(jié)果才能更接近真實(shí)情況.研究表明,煤在氧化時(shí)要解析產(chǎn)生多種氣體,如一氧化碳(CO),氫氣(H2),甲烷(CH4),乙烷(C2H6),乙烯(C2H4),丙烷(C3H8),乙炔(C2H2)等.根據(jù)煤自燃的氣體產(chǎn)物的實(shí)驗(yàn)參數(shù)測(cè)定,可以發(fā)現(xiàn):CO,CO2,C2H4是表征煤低溫氧化直至自燃的重要產(chǎn)物,且隨溫度變化的規(guī)律性、可測(cè)性和靈敏性都較好,因而,可以作為預(yù)測(cè)復(fù)燃火災(zāi)的參數(shù);C2H2氣體在自燃過(guò)程中產(chǎn)生量很小,檢測(cè)有一定難度,但是它可以作為出現(xiàn)明火的重要指標(biāo),因此,在復(fù)燃預(yù)測(cè)中仍應(yīng)考慮該指標(biāo);由于啟封操作后,對(duì)火區(qū)內(nèi)部熱平衡狀態(tài)造成的主要影響就是O2的改變,因此,O2也是影響啟封后復(fù)燃的重要因素.上述氣體指標(biāo)是表征煤自燃的外在因素,在預(yù)測(cè)過(guò)程中,還需考慮煤自燃的內(nèi)在因素,即自燃傾向性.不同的煤種,由于自燃傾向性的差異,造成上述各指標(biāo)氣體的數(shù)值存在數(shù)量級(jí)的差別.另外,自燃傾向性的不同也是區(qū)別復(fù)燃難易程度的重要因素.因此,預(yù)測(cè)時(shí)必須輔助煤的自燃傾向性參數(shù).綜上所述,確定影響復(fù)燃的指標(biāo)為CO,CO2,O2,C2H4,C2H2,煤的自燃傾向性6個(gè)參數(shù),從而建立多參數(shù)預(yù)測(cè)模型.3多特征融合的樣本集根據(jù)確定的復(fù)燃預(yù)測(cè)輸入?yún)?shù),建立的基于BP網(wǎng)絡(luò)的火區(qū)復(fù)燃預(yù)測(cè)多參數(shù)模型如圖2所示.該模型的預(yù)測(cè)過(guò)程包括:1)樣本信息選取:為了選取完備的、代表性的樣本信息,從全國(guó)礦井火區(qū)啟封案例中選取了反映各種不同類(lèi)型啟封的典型信息來(lái)構(gòu)成樣本集;2)樣本信息量化處理:包括原始資料的標(biāo)準(zhǔn)化、剔除冗余數(shù)據(jù)、歸一化處理等;3)神經(jīng)網(wǎng)絡(luò)運(yùn)算處理:將量化后的樣本集輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練,直到滿足精度要求或約定的循環(huán)次數(shù)為止,存儲(chǔ)權(quán)值和閾值;4)診斷與輸出:將待預(yù)測(cè)的礦井信息經(jīng)過(guò)量化處理后,輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷,并輸出結(jié)果,做出是否發(fā)生復(fù)燃的預(yù)測(cè).3.1復(fù)燃特性模型的建立選取典型啟封復(fù)燃案例建立的樣本集見(jiàn)表2.為了量化煤的自燃傾向性,將自燃傾向性采用三維量化處理:容易自燃:(1,0,0).自燃:(0,1,0).不易自燃:(0,0,1).輸出模式只有2種,即發(fā)生復(fù)燃或不發(fā)生復(fù)燃,記為:發(fā)生復(fù)燃:1.不發(fā)生復(fù)燃:0.BP網(wǎng)絡(luò)的輸入、輸出層的神經(jīng)元數(shù)目,是由輸入、輸出向量的維數(shù)確定的.在該網(wǎng)絡(luò)模型中,O2,CO2,CO,C2H4,C2H2和煤的自燃傾向性為輸入,啟封后的復(fù)燃特性為輸出,因此,建立的BP網(wǎng)絡(luò)復(fù)燃預(yù)測(cè)多參數(shù)模型輸入,輸出層神經(jīng)元數(shù)目n,m分別為8和1.3.2樣本的歸一化處理為了消除奇異樣本(即相對(duì)于其它輸入樣本特別大或者特別小的樣本矢量)數(shù)據(jù)引起的訓(xùn)練時(shí)間增加或無(wú)法收斂等影響,訓(xùn)練前需將樣本歸一化.樣本的歸一化處理采用式中:PiM和TjM分別為未歸一化的第M個(gè)實(shí)際樣本的第i個(gè)輸入值和第j個(gè)期望輸出值;和分別為歸一化后第M個(gè)實(shí)際樣本的第i個(gè)輸入值和第j個(gè)期望輸出值;P′iM和T′jM分別為樣本中最大值和最小值;TMmax和TMmin為期望輸出的最大值和最小值;M是樣本容量.將表2樣本參數(shù)進(jìn)行歸一化處理,見(jiàn)表3.3.3復(fù)燃預(yù)測(cè)的網(wǎng)絡(luò)模型在已確定的網(wǎng)絡(luò)輸入、輸出中,輸入層神經(jīng)元8個(gè),輸出層神經(jīng)元個(gè)數(shù)為1,單層隱含層,隱含層神經(jīng)元數(shù)目范圍根據(jù)如下經(jīng)驗(yàn)公式確定式中:a為1到10之間的常數(shù).經(jīng)計(jì)算,本文中n1取值范圍為4~13.設(shè)定訓(xùn)練次數(shù)1000次,訓(xùn)練目標(biāo)0.00001,學(xué)習(xí)速率0.1.由于輸出模式為0,1,故隱含層采用S型正切函數(shù)tansig,輸出層采用S型對(duì)數(shù)函數(shù)logsig,網(wǎng)絡(luò)訓(xùn)練的函數(shù)設(shè)定為trainlm.將表3中的數(shù)據(jù)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練.通過(guò)反復(fù)訓(xùn)練發(fā)現(xiàn),當(dāng)隱含層神經(jīng)元個(gè)數(shù)為9時(shí),網(wǎng)絡(luò)的收斂速度最快,僅需要11步訓(xùn)練便達(dá)到了預(yù)期的訓(xùn)練誤差,訓(xùn)練的速度也比較均勻,網(wǎng)絡(luò)振蕩較小(如圖3所示).因此,隱含層神經(jīng)元數(shù)目選為9個(gè).至此,復(fù)燃預(yù)測(cè)的多參數(shù)BP網(wǎng)絡(luò)模型已經(jīng)確定.圖4為網(wǎng)絡(luò)的訓(xùn)練過(guò)程曲線圖.網(wǎng)絡(luò)訓(xùn)練的均方誤差按下式計(jì)算式中:p為訓(xùn)練樣本數(shù)目;ypj為網(wǎng)絡(luò)期望輸出值;ypj為網(wǎng)絡(luò)實(shí)際輸出值.經(jīng)計(jì)算,該網(wǎng)絡(luò)均方誤差僅為2.4743×10-8,訓(xùn)練的結(jié)果逼近期望的輸出,網(wǎng)絡(luò)找到了輸入、輸出之間的映射規(guī)律.3.4復(fù)燃預(yù)測(cè)網(wǎng)絡(luò)模型的驗(yàn)證將表4中的5個(gè)測(cè)試樣本輸入到已訓(xùn)練好的網(wǎng)絡(luò),即可得到復(fù)燃的預(yù)測(cè)值.表4中的氣體含量為火區(qū)啟封后的實(shí)際監(jiān)測(cè)值,輸出的預(yù)測(cè)結(jié)果見(jiàn)表5.選取工程應(yīng)用中采用的相對(duì)誤差e小于5%作為預(yù)測(cè)正確與否的標(biāo)準(zhǔn).在測(cè)試樣本中,有2例礦井沒(méi)有復(fù)燃,有3例礦井發(fā)生復(fù)燃,相對(duì)誤差e均小于5%,預(yù)測(cè)正確率為100%,預(yù)測(cè)效果非常好.圖5為測(cè)試樣本的誤差曲線圖.由圖5和相對(duì)誤差e表明,該網(wǎng)絡(luò)模型用于復(fù)燃預(yù)測(cè)是可行的,預(yù)測(cè)效果理想.4復(fù)燃預(yù)測(cè)多參數(shù)模型1)針對(duì)目前啟封復(fù)燃判斷方法參數(shù)單一,智能分析理論不足,預(yù)測(cè)結(jié)果不理想的現(xiàn)狀,提出了一種基于BP網(wǎng)絡(luò)的多參數(shù)火區(qū)復(fù)燃預(yù)測(cè)方法.2)利用啟封后的CO,CO2,O2,C2H4,C2H2自燃指標(biāo)氣體,結(jié)合煤自燃內(nèi)在因素自燃傾向性作為輸入向量,并對(duì)自燃傾向性參