一种基于深度学习的煤与瓦斯突出智能超前预警方法

本发明涉及煤岩动力灾害监测预警，具体涉及一种基于深度学习的煤与瓦斯突出智能超前预警方法。

背景技术：

1、煤与瓦斯突出灾害发生时通常伴随着异常信号变化，比如瓦斯浓度增大，声发射信号急剧升高、电磁辐射强度增强等等。因此通过分析声电瓦斯监测数据可以识别突出风险隐患，实现煤与瓦斯突出预警。现有的煤与瓦斯突出预警技术是基于矿井实时声电瓦斯监测数据，利用深度学习方法挖掘历史数据前兆特征，通过分析实时监测数据特征并与突出前兆特征作对比，以此判断是否有突出风险，实现煤与瓦斯突出预警。然而，现有技术只能在突出发生当天，或在突出发生前一天作出预警，发出预警信号与突出发生的时间间隔不足以指导采取及时有效防控措施，预警及时性不足导致预警能力较差，一旦发生突出事故损失极大。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的煤与瓦斯突出智能超前预警方法，本方法基于实时矿井数据采用深度学习方法预测未来声电瓦斯信号的变化，提取声电瓦斯信号的特征值，基于蚁群聚类算法进行模式识别，实现对煤与瓦斯突出的超前预警。

2、为实现上述目的，本发明的一种基于深度学习的煤与瓦斯突出智能超前预警方法，包括以下步骤：

3、步骤s1、采集煤与瓦斯突出矿井声发射强度、电磁辐射强度和瓦斯浓度监测数据；

4、步骤s2、对所采集数据进行预处理；

5、步骤s3、建立基于循环神经网络(rnn)的声电瓦斯信号预测模型，预测未来一段时间的声电瓦斯信号；

6、步骤s4、提取声电瓦斯信号历史无故障数据和预测数据的时频特征；

7、步骤s5、建立基于蚁群聚类算法的模式识别模型，判断是否存在突出危险。

8、进一步地，采用变分模态分解法(vmd)处理原始声电信号，将原始声电信号f分解为k个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等；变分模态分解约束变分模型如下：

9、

10、

11、其中，uk＝{u1,u2,...,uk}为各模态函数，ωk＝{ω1,ω2,...,ωk}为各模态中心频率，δ(t)为狄拉克函数，*表示卷积，j2＝-1，为修正指数。

12、进一步地，在步骤2中，采用指数加权滑动平均法处理原始瓦斯浓度信号，达到降噪滤波的效果；所述指数加权滑动平均法，计算公式如下：

13、vt＝β·vt-1+(1-β)·θt

14、其中，瓦斯浓度v在t时刻记为vt，θt为v在t时刻的取值，系数β是加权下降的速率。

15、进一步地，基于循环神经网络的声电瓦斯信号预测模型的建立过程如下：

16、(1)选取训练样本集z＝{x1,...,xm}，初始化模型参数，包括输入向量纬度，隐藏层神经元数、隐藏层的层数、偏置项和权重矩阵；

17、(2)依次输入样本，采用下式计算t时刻隐藏层的值st：

18、st＝f(u·xt+w·st-1+b)

19、其中，xt是t时刻的输入，u是输入层到隐藏层的权重矩阵，w是上一时刻的隐藏层的值传入到下一时刻的隐藏层时的权重矩阵，b是隐藏层偏置项，f是隐藏层激活函数，采用tanh函数；

20、(3)采用下式计算t时刻隐藏层的输出ot：

21、ot＝v·st+c

22、其中，v是隐藏层到输出层的权重矩阵，c是输出层偏置项；

23、(4)采用下式计算模型第t时刻的输出

24、

25、其中，g是输出层激活函数，采用identity函数；

26、(5)采用下式计算损失值lt和整体损失l：

27、

28、

29、其中，h为损失函数，采用均方差函数；

30、(6)采用随时间反向传播算法(bptt)训练循环神经网络，对偏置项b、c和权重矩阵u、w、v进行寻优，沿负梯度方向不断寻找更优点直至收敛，参数寻优后输出声电瓦斯信号预测序列数据；计算公式如下：

31、

32、其中，σ为需要寻优的参数，α是步长；

33、(7)计算神经网络实际输出与测试集数据的均方根误差(rmse)，评估模型预测准确度。

34、进一步地，提取声电瓦斯信号历史无故障数据和预测数据的时频特征，具体包括：声发射信号的峰峰值、均值、标准差、峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；电磁辐射信号的峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；瓦斯浓度的均值、最值、方差、峭度和偏度。

35、进一步地，基于蚁群聚类算法的模式识别模型的建立过程如下：

36、(1)初始化蚁群参数，包括数据集中样本点数、样本点特征数、蚂蚁数目antnum、类的个数centernum、最大迭代次数；

37、(2)构造信息素矩阵，初始阶段信息素值初始化为同一个数值τ0，τij代表样本点i分配到它所属类j的信息素值；

38、(3)构造目标函数使样本点到聚类中心的距离和最短，计算公式如下：

39、

40、其中，数据集中有n个样本点，m个模式分类，每个样本点有n个特征，xip为第i个样本点的第p个特征，wij为样本点i选择类j的权重，wij的计算公式如下：

41、

42、cjp为第j个类中心的第p个特征，计算公式如下：

43、

44、(4)更新蚁群，在第t次迭代中，蚁群依赖第t-1次迭代的信息实现更新，对每只蚂蚁所构成的每个样本点，系统产生一个随机数q，对每只蚂蚁的更新根据概率q0有两种方式：

45、1)若q＜q0，则选择与样本点间具有最大信息素的类为样本点要归属的类；

46、2)若q≥q0，则计算样本点i转换到类j的转换概率pij，根据概率大小选择样本点要转换的类：

47、

48、其中，τij为样本点i和所属类j间的标准化信息素；

49、(5)计算出每条路径的聚类中心和目标函数值，把所有解按照目标函数值进行升序排列，对目标函数值最小的l条路径进行局部搜索操作；利用目标函数值最小的l条路径更新信息素矩阵，信息素更新计算公式如下：

50、

51、其中，ρ(0＜ρ＜1)为信息素蒸发参数，s为路径，τij(t)为样本点i与类j在t时刻的信息素浓度，τij(t+1)为样本点i与类j在t+1时刻的信息素浓度；

52、(6)更新蚁群和信息素直至达到最大迭代次数，返回全局最优解，输出聚类结果。

53、进一步地，选择多个历史无故障数据和预测数据作为样本点，通过蚁群聚类算法对样本点进行聚类后，输出聚类结果，若预测数据偏离历史无故障数据，则识别为有突出危险，发出警报；若预测数据与历史无故障数据聚为同一类，则识别为无突出危险，不发出警报。

54、本发明的有益效果是：本发明采用预测与识别相结合的方法，基于矿井实时监测数据，利用循环神经网络挖掘数据特征预测未来一段时间的声电瓦斯信号，通过对监测数据和预测数据的特征分析和模式识别判断是否存在突出危险，能够在突出事故发生前的形成阶段及时预测到突出危险，有效解决现有预警方法及时性差的问题，提高预警的超前性，为煤与瓦斯突出防治提供及时有效的指导，有利于保障煤矿安全生产，减少因预警不及时带来的灾害损失。