专利名称：：煤矿用甲烷传感器异常采样数据甄别处理方法
技术领域：
：本发明涉及一种煤矿用甲烷传感器异常采样数据甄别处理方法，尤其是一种用人工神经元网络算法处理数据的拟人方法，以甄别甲烷传感器的异常数据，剔除错误数据，获得更准确可靠的检测数据，能有效进行瓦斯监控。
背景技术：
：目前煤矿矿用甲烷传感器通常是采用热载体催化元件(即黑白元件)来获取检测数据的。这种元件的内部以铂丝为核心，外部以氧化铝为载体，载体上涂有催化剂，当铂丝通过一定的电流且元件处于含有甲烷的气体中时，表面会产生无焰燃烧，使铂丝因温度升高而增加阻值，从而实现对甲烷的检测。但在热载体催化元件表面温度>60(TC后，催化剂氧化钯黑无法抵抗氧化还原反应的发生，结果造成检测元件不可逆转的损坏，从而导致甲烷传感器产生错误的数据，使监控系统收到错误数据后产生误报，从而影响了系统的准确性和严肃性。一般有经验的监控操作员能有效进行数据甄别，并及时采取措施使检测元件恢复正常运行。这使得监控系统需要较多依赖监控操作员的责任心和经验，稍有不慎或疏忽，会给煤矿的安全监控带来巨大隐患，也不利于在正常情况下提高生产效率。因此，必须加以改进。
发明内容为了克服现有甲烷传感器因异常采样数据而给煤矿带来的安全隐患，本发明提供一种基于人工神经元网络算法的数据处理方法，以模拟人的经验和思维判断来甄别由于传感器测量异常、误差、干扰等带来的非正常瞬态数据，剔除由黑白元件组成的甲烷传感器带来的错误数据。本发明解决其技术问题所采用的技术方案是一种煤矿用甲烷传感器异常采样数据甄别处理方法，利用常规技术的人工神经元网络作为计算模型，其特征在于有下列步骤A、收集采样数据通过人工或常规自动方式收集传感器采集到的风速，温度，瓦斯压力，瓦斯含量数据，随机将这些数据分成两部分，其中一部分数据用于训练网络，而成为训练样本数据，另一部分数据用于测试，而作为测试样本数据；定义样本数据的输入向量为X，X=(Xl，x2，...，xn)，&X4分别为输入向量A的各个分量，即风速，温度，瓦斯压力，瓦斯含量；B、训练人工神经元网络将上述A步骤的训练样本数据作为输入端，输入到人工神经元网络中进行训练、计算，得训练网络模型C、实时数据甄别将上述A步骤的测试样本数据，利用上述B步骤所得训练网络模型进行计算，计算按下式("=XX/^(A:)-^/z=l,2,".，pS。(k)yo。(k)=f(yi。(k))o=1，2(4)利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数&3风气气，，。S3(告X(《W-少。。(柳26——=-(《W-W0⑨。=-(《("-wW)f'(A(")□-《("(5)利用隐含层到输出层的连接权值、输出层的偏导数S。(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数Sh(k):&—一'。、o。气—力《纟雄，《t,)-f(l>A)2))/!=1-i>。("-^。(")f'(风("h。0=17(6)利用输出层各神经元的偏导数S。(k)和隐含层各神经元的输出来修正连接权值Wh。(k):Awto("=—//^~=〃&C》(At)一。《+1=《+7^。(A0/^(A0(7)利用隐含层各神经元的偏导数Sh(k)和输入层各神经元的输入修正连接权值a/,、&&。……aw泊a/""《+1=《+薄)洲(8)计算全局误差0=1(9)判断网络误差是否满足要求当误差达到预设精度或学习次数大于设定的最大次数，则结束算法，得训练网络模型；否则，选取下一个输入样本及对应的期望输出，返回到B3(2)，进入下一轮学习，最终得训练网络模型。本发明的有益效果是1.甄别剔除甲烷传感器在故障状态下的错误数据，提高数据的准确性和正确性；2.主动提供传感器故障报警，避免漏报、误报瓦斯超限信息；3.主动进行语音提示报警，即时确认、纠正错误数据。该方法不仅能有效甄别数据，克服因操作人员的素质和责任心给煤矿安全监控而带来的安全隐患，而且能为生产决策部门提供准确可靠的原始数据。图1是本方法处理流程图；图2是三层前馈神经元网络处理算法模型图；图3算法计算流程图。在图1中，通过人工和自动采集历史数据，获取模型输入数据和输出数据，获取到数据后对模型进行训练，得计算模型结构，采集实时输入给计算模型，模型计算完后，得计算结论，结论提交用户使用，用户验证结论，结论正确则存入历史库供模块递归训练使用。图2为模型算法网格图，该模型利用反向误差传播算法用来确定节点间连接权值，从而得甄别计算模型。图3算法计算流程图，该图反应了本发明算法的计算流程图。具体实施例方式下面结合附图和实施例对本发明进一步说明。实施例8本实施例基于某个采煤工作面，其采用回采工作方式进行，在回采工作方式回风巷的瓦斯浓度最大，以下计算均基于回采面的数据1)针对该工作面的特点，采用专家意见确定风速、瓦斯压力、温度和煤层瓦斯含量数据作为输入向量X=(Xl，x2，x3，x4)，确定隐含层个数为12，即p=12;2)以等间隔时间8小时为周期，对输入向量风速、煤层厚度、温度和煤层瓦斯含量进行采样，这些数据来自钻探地质报告，瓦斯浓度来自瓦检员的同期测量，数据可信度来自专家意见，得到的5组数据如下表1所示表l<table>tableseeoriginaldocumentpage9</column></row><table>导数s3)把上述数据作为训练数据代入下述步骤进行计算第一步，随机选取第k个输入样本及对应期望输出X(k)=(Xl(k)，X2(k)，…，Xn(k))d。(k)=歸)，d2(k))第二步，计算隐含层各神经元的输入和输出<formula>formulaseeoriginaldocumentpage9</formula>第三步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏,(k):<formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage10</formula>第四步，利用隐含层到输出层的连接权值、输出层的5。(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数Sh(k):<formula>formulaseeoriginaldocumentpage10</formula>第五步，利用输出层各神经元的S。(k)和隐含层各神经元的输出来修正连接权值<formula>formulaseeoriginaldocumentpage10</formula>第六步，利用隐含层各神经元的Sh(k)和输入层各神经元的输入修正连接权<formula>formulaseeoriginaldocumentpage10</formula>第七步，计算全局误差<table>tableseeoriginaldocumentpage11</column></row><table>wh。(k)计算的值如表3所示表3w/70(o=l4，h=l~12)121-0.9525122582413990.7404316440884362-0.946246814447610.0390573767497323-0.6154171586442360.4313780935150454-0.4986544374236470.867729631600725-0.7256213749263710.04324467839297460.7904033808701120.8847745087609677-0.329833242570591-0.1252723526381858-0.057688181586837-0.7013793289751539-0.7282712116355310.064996460286224100.451578618859971-0.20259389737118911-0.283162967965827-0.429441175660987120.7372704880699430.2528253492752194)实时计算实时某个时刻采集风速、煤层厚度、温度和煤层瓦斯含量，X=(3.86，1.35，18.3，1.81)，代入公式("=Xw"("=1,2,…，12.-/=丄」hoh(k)=f(hih(k))h=l，2，…，1212".。0)^Z^。/2Oa(A:)o=1,2yo。(k)=f(yi。(k))o=1，2计算得y0l=0.60和yo2=0.98yc^为预测瓦斯瑜出值，按照安全操作规程该值小于0.75，为安全；yo2为数据可信度〉0.5，该数据可信。1权利要求一种煤矿用甲烷传感器异常采样数据甄别处理方法，利用常规技术的人工神经元网络作为计算模型，其特征在于有下列步骤A、收集采样数据通过人工或常规自动方式收集传感器采集到的风速，温度，瓦斯压力，瓦斯含量数据，随机将这些数据分成两部分，其中一部分数据用于训练网络，而成为训练样本数据，另一部分数据用于测试，而作为测试样本数据；定义样本数据的输入向量为X，X＝(x1，x2，…，xn)，X1～X4分别为输入向量A的各个分量，即风速，温度，瓦斯压力，瓦斯含量；B、训练人工神经元网络将上述A步骤的训练样本数据作为输入端，输入到人工神经元网络中进行训练、计算，得训练网络模型C、实时数据甄别将上述A步骤的测试样本数据，利用上述B步骤所得训练网络模型进行计算，计算按下式<mrow><mi>h</mi><msub><mi>i</mi><mi>h</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>w</mi><mi>ih</mi></msub><msub><mi>x</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>b</mi><mi>h</mi></msub></mrow>h＝1，2，…，phoh(k)＝f(hih(k))h＝1，2，…，p<mrow><msub><mi>yi</mi><mi>o</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>h</mi><mo>=</mo><mn>1</mn></mrow><mi>p</mi></munderover><msub><mi>w</mi><mi>ho</mi></msub><msub><mi>ho</mi><mi>h</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow>o＝1，2yoo(k)＝f(yio(k))o＝1，2其中，输出yo1为瓦斯的预测值，yo2为数据可信度，yo2小于0.5时为伪数据，应当剔除；当瓦斯推理数据yo1大于0.75，则提示工作人员瓦斯报警。2.如权利要求1所述的煤矿用甲烷传感器异常采样数据甄别处理方法，其特征在于所述B步骤的训练如下Bl、确定人工神经元网络结构确定输入层个数根据影响瓦斯浓度的相关因子数n，定义输入层个数为n;确定隐含层个数隐含层个数P—般取815，具体个数根据训练速度和模型的网络的泛化能力来确定；确定输出层个数设瓦斯的预测输出和数据可信度2个因子；B2、相关变量定义t:X=(Xl，X2，(hi,，hi-输入层向量隐含层输入向量HI=隐含层输出向量H0=(h0l输出层输入向量YI=输出层输出向量Y0=(y0l期望输出向量D0=(d0l输入层与中间层的连接权值Wih;隐含层与输出层的连接权值wh。；隐含层各神经元的阈值bh;输出层各神经元的阈值b。；样本数据个数k=l，2，m激活函数/0")<formula>formulaseeoriginaldocumentpage3</formula>误差函数<formula>formulaseeoriginaldocumentpage3</formula>B3、训练计算步骤(1)网络初始化给各连接权值Wih和Wh。分别赋一个区间(-l，l)内的随机数，设定误差函数E，给定计算精度值￡和最大学习次数M;(2)随机选取第k个输入样本及对应期望输出X(k)=(Xl(k)，X2(k)，…，Xn(k))d。(k)=(d肌d2(k))(3)计算隐含层各神经元的输入和输出<formula>formulaseeoriginaldocumentpage3</formula>(4)利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数S。(k):<formula>formulaseeoriginaldocumentpage3</formula>(5)利用隐含层到输出层的连接权值、输出层的偏导数S。(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数Sh(k):<formula>formulaseeoriginaldocumentpage3</formula><formula>formulaseeoriginaldocumentpage4</formula>(6)利用输出层各神经元的偏导数S。(k)和隐含层各神经元的输出来修正连接权值wh0(k):<formula>formulaseeoriginaldocumentpage4</formula>(7)利用隐含层各神经元的偏导数Sh(k)和输入层各神经元的输入修正连接权值<formula>formulaseeoriginaldocumentpage4</formula>(8)计算全局误差<formula>formulaseeoriginaldocumentpage4</formula>(9)判断网络误差是否满足要求当误差达到预设精度或学习次数大于设定的最大次数，则结束计算，得训练网络模型；否则，选取下一个输入样本及对应的期望输出，返回到B3(2)，进入下一轮学习，最终得训练网络模型。全文摘要本发明提供一种煤矿用甲烷传感器异常采样数据甄别处理方法，利用常规技术的人工神经元网络作为计算模型，经下列步骤收集传感器采集到的风速，温度，瓦斯压力，瓦斯含量数据，随机将这些数据分成两部分，其中一部分数据用于训练网络，另一部分数据用于测试；将上训练样本数据作为输入端，输入到人工神经元网络中进行训练、计算，得训练网络模型将测试样本数据，用所得训练网络模型进行计算。通过比较计算，当出现故障时在输出端即可得出诊断的故障症状。通过在线实时计算通报故障状态，即时确认、纠正错误数据。文档编号G06N3/00GK101718734SQ20091021839公开日2010年6月2日申请日期2009年12月18日优先权日2009年12月18日发明者张云生,张果,王剑平,车国霖,黄红霞申请人:昆明理工大学