一种基于动态神经网络的瓦斯浓度实时预测方法
【专利摘要】本发明提供了一种基于动态神经网络的瓦斯浓度实时预测方法，首先利用矿井瓦斯浓度历史数据库中的数据对神经网络进行训练，在训练网络的过程中，动态判断网络隐节点的活跃度和每个隐节点的学习能力，实现对网络隐节点的分裂和删除操作，建立网络初步预测模型；其次，持续实时采集矿井瓦斯浓度信息输入神经网络预测模型预测未来瓦斯浓度变化趋势，已预测过的实时数据，按照先入先出的队列顺序及时训练网络以实时更新神经网络结构，使得神经网络结构能够根据实时工况进行调整，以提高瓦斯浓度的实时预测精度。本发明能够根据实时瓦斯浓度数据，及时在线调整神经网络结构，从而提高瓦斯浓度预测精度，满足矿井瓦斯浓度信息管理系统的技术要求。
【专利说明】一种基于动态神经网络的瓦斯浓度实时预测方法
【技术领域】
[0001] 本发明属于检测【技术领域】，针对矿井瓦斯浓度监控系统的实时性预测的要求，尤 其涉及一种基于动态神经网络的瓦斯浓度实时预测方法。
【背景技术】
[0002] 中国是一个煤炭资源大国，也是一个以煤炭为主要能源的国家，国家《能源中长期 发展规划纲要（2004-2020年）》明确指出中国将以"坚持以煤炭为主体、电力为中心、油气 和新能源全面发展的能源战略"。我国的煤炭绝大多数为井工开采，井工产量占煤炭产量 的95%以上，约占世界井工总采煤量的40%。由于我国地质条件的特殊性，所有矿井均为 含瓦斯矿井，并且一半以上的矿井处于高瓦斯区或瓦斯突出区。煤矿瓦斯灾害是威胁煤矿 安全生产的重大灾害之一，据统计，我国煤炭产业每年事故死亡人数近万人，直接经济损失 超过40亿元。瓦斯灾害直接妨碍了煤矿的正常生产，阻碍了煤炭工业的持续、稳定、健康发 展，所以，加强瓦斯灾害防治是确保煤炭能源的稳定、可靠供应，促进国民经济全面、健康发 展的重要保障。
[0003] 目前，众多国内外研究者对矿井瓦斯浓度预测的问题已经进行了深入细致的研 究，提出了多种有效的预测方法。这些方法大致可分为传统预测技术和现代预测技术两大 类。传统预测方法是根据含瓦斯煤体性质及其赋存条件的某些量化指标，如煤层性质指标、 瓦斯指标、地应力指标或综合指标，来预测其中的单个或多个指标是否超过临界值。由于瓦 斯突出是由地应力、高瓦斯、煤的结构性能、地质构造、煤层厚度变化、煤体结构及围岩特征 等诸多因素决定的，而这些因素大多数都处于复杂的非线性状态，因此采用传统的预测技 术，其预测精度往往难以达到煤矿安全生产的要求。现代预测主要是基于数学和物理的预 测技术，即利用神经网络、混沌及非线性理论、模糊理论、灰色理论、专家系统、流变与突变 理论等通过预测矿井瓦斯涌出量来判断瓦斯突出，这些方法属于非接触性预测方法，是矿 井瓦斯浓度预测方法研究的重要方向之一，也是实现瓦斯浓度预测的有效途径。由此可见， 对瓦斯浓度的预测不仅具有理论上的价值，更具有重大的生产实际意义。
[0004] 随着国家对煤矿安全生产的重视和煤矿企业自身发展的需要，我国各大中型煤矿 企业都陆续安装了矿井监测控制系统，针对瓦斯等有毒气体和重要设备进行监控，极大地 提高了矿井安全生产水平和安全生产管理效率。然而，这些监控设备仅仅是对当前工作状 态进行实时测量，不能对未来的瓦斯浓度的发展趋势进行预测。事实上，对瓦斯浓度准确预 测对于瓦斯突出的灾害预报和预防都具有重要的意义。目前，对瓦斯浓度的预测在很大程 度上还属于离线式预测，然而，实际的矿井中的瓦斯浓度不断的变化，如果离线预测模型不 能及时的修正和更新，必然会影响整个模型的预测精度，最终导致预测失效。综上述，研究 和开发矿井瓦斯浓度的实时预测模型势在必行。
【发明内容】
[0005] 本发明的目的在于克服目前神经网络瓦斯浓度预测模型中神经网络结构难以确 定和预测模型难以在线预测的缺陷，提供了一种基于动态神经网络的在线预测模型，实现 实时预测矿井瓦斯浓度。
[0006] 本发明是这样实现的，一种基于动态神经网络的瓦斯浓度实时预测方法，包括如 下步骤：
[0007] 第一步、通过瓦斯传感器采集瓦斯浓度数据，存入瓦斯浓度历史数据库xlib = {x (k) | k = 1，2,…，1} (1 = n+2p);
[0008] 第二步、将瓦斯浓度历史数据库中的数据视为混沌时间序列进行处理，利用C-C 方法计算该混沌时间序列的延迟时间τ和嵌入维数m;
[0009] 第三步、分别建立相空间重构x(k)和P步预测向量Y(k)作为神经网络的训 练样本集KX(k) ;Y(k)) |k = l+(m-l) τ，…，n+1}，其中神经网络的输入为X(k)= τ)]，神经网络的输出为 Y(k) = [x(k+p)];
[0010] 第四步、用训练样本集采取增量学习方式训练神经网络，建立神经网络预测模型， 步骤如下：
[0011] (1)初始化动态神经网络的结构为m-1-l的连接方式，即输入节点为m个，隐层节 点1个，输出节点1个；
[0012] 假设k时刻动态神经网络中有q个隐节点，则用k时刻的训练样本训练神经网络 时，动态神经网络的输出描述为：
[0013]
【权利要求】
1. 一种基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，包括以下步骤： 51、 通过瓦斯传感器采集瓦斯浓度数据，存入瓦斯浓度历史数据库； 52、 将瓦斯浓度历史数据库中的数据视为混沌时间序列进行处理，利用C-C方法计算 该混沌时间序列的延迟时间和嵌入维数； 53、 分别建立相空间重构和p步预测向量作为神经网络的训练样本集； 54、 用训练样本集采取增量学习方式训练神经网络，建立神经网络预测模型； 55、 根据已建立的神经网络预测模型进行实时预测。
2. 如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在 步骤S1中，所述通过瓦斯传感器采集瓦斯浓度数据具体为：采用瓦斯无线监测传感器，放 置在煤壁前方和采掘设备和作业人员身上，并在50?100米外设置移动基站接收瓦斯浓度 信息，再通过井下通信网络传输至地面监控系统。
3. 如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在 步骤S2中，所述利用C-C方法计算该混沌时间序列的延迟时间和嵌入维数具体包括以下过 程： (1) 计算以下三个参量：
其中：
|检验统计量，m = 2, 3, 4, 5, rk = k σ /2 ; Δ S(m, t) = max{S(m, r」，t)}-min{S(m, r」，t)}为选择最大和最小两个半径r检验统计量 之间的差量
为瓦斯浓度时间序列的关联积分，是 累积分布函数，其表示相空间中任意两个相点之间距离小于r的概率；表示检验统计 量差量的平均值；f⑴表示统计量之间的平均值；s^a)为定义的指标量；δ (X)为脉冲函 数，满足当X彡〇时δ(χ)=1，当χ?^Ο时δ(χ)=〇; (2) 取Δ%)(0^Κ200)第一个极小值对应的t值为延迟时间τ ;再取S^a) (0彡t彡200)全局最小值对应的t值为时间窗口 τ w，由此计算嵌入维数：m = 1+ τ w/ τ。
4. 如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在 步骤S4中，所述神经网络预测模型的建立包括以下过程： (1) 初始化动态神经网络的结构为m-1-l的连接方式，假设k时刻动态神经网络中有q 个隐节点，则用k时刻的训练样本训练神经网络时描述动态神经网络的输出； (2) 获取训练样本集中k时刻的训练样本，采用增量学习方式对神经网络进行训练，训 练完k时刻的输入样本后，计算神经网络训练k时刻的输入样本时第j个隐节点的活跃度； (3) 计算每个隐节点当前时刻对信息的学习能力，删除已经丧失学习能力的隐节点； (4) 判断误差函数没有达到期望误差Ed，则k = k+Ι，到步骤（2)。
5. 如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在 步骤S5中，所述神经网络预测模型进行实时预测方法包括以下过程： (1) 通过瓦斯传感器实时采集数据，结合瓦斯浓度历史数据库，进行相空间重构； (2) 将重构得到的相空间作为动态神经网络的输入，动态神经网络的输出则是预测 值； (3) 当采样间隔等于更新时间t时，对动态模块化神经网络模型更新：基于历史数据库 与实时采集数据构造相空间重构，组成训练样本集，然后按照"先入先出"队列顺序，以增量 学习方式训练动态神经网络模型，以更新神经网络结构，更好跟踪实时工况，然后将所有t 个实时采集数据存入历史数据库，更新历史数据库长度1 = 1+t ; (4) 判断是否采集，是则返回步骤（1)，否则结束。
6. 如权利要求5所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在 步骤⑶中，所述更新时间t的设定，根据混沌时间序列的时间延长τ来确定：t= α X τ， 其中α为经验系数，可选择α = 〇. 5?1. 5。
7. 如权利要求6所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在 步骤（3)中，所述动态神经网络模型在线更新时神经网络的学习方式和神经网络结构调整 方法与上述权利要求4中步骤（1)完全相同。
8. 如权利要求7所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在 步骤（3)中，所述动态神经网络模型在线更新时训练样本按照实时瓦斯浓度采集的顺序， 以先入先出的队列顺序对神经网络进行训练。
【文档编号】E21F17/18GK104156422SQ201410384801
【公开日】2014年11月19日 申请日期:2014年8月6日 优先权日:2014年8月6日
【发明者】郭伟, 张昭昭 申请人:辽宁工程技术大学