基于KPCA和CIPSO-PNN的煤與瓦斯突出強度辨識模型*

王雨虹,付 華,張 洋

(1.遼寧工程技術大學電氣與控制工程學院,遼寧 葫蘆島 125105;2.遼寧工程技術大學電子與信息工程學院,遼寧 葫蘆島 125105)

?

基于KPCA和CIPSO-PNN的煤與瓦斯突出強度辨識模型*

王雨虹1*,付 華1,張 洋2

(1.遼寧工程技術大學電氣與控制工程學院,遼寧 葫蘆島 125105;2.遼寧工程技術大學電子與信息工程學院,遼寧 葫蘆島 125105)

為了實現(xiàn)對煤與瓦斯突出強度等級的準確辨識,提出將核主成分分析(KPCA)和改進概率神經(jīng)網(wǎng)絡相結合,建立煤與瓦斯突出的強度辨識模型。根據(jù)煤層條件和生產(chǎn)條件,確定影響煤礦瓦斯突出的相關基礎參數(shù)并對其進行測定,采用KPCA對該參數(shù)集進行降維處理,提取出可以表征煤與瓦斯突出的敏感參數(shù)作為辨識模型的輸入值。利用混沌免疫粒子群算法(CIPSO)優(yōu)化概率神經(jīng)網(wǎng)絡(PNN)的σ參數(shù),以克服PNN中平滑參數(shù)σ單一而導致的分類錯誤,避免了人為因素的影響,提高辨識模型的精度。實例分析結果表明,相比BP、PNN、PSO-PNN等方法,該方法對煤與瓦斯突出強度進行辨識,結果更為準確。

煤與瓦斯突出;強度辨識;核主成分分析;概率神經(jīng)網(wǎng)絡;混沌免疫粒子群

煤與瓦斯突出是指在地應力和瓦斯共同作用下,破碎的煤、巖和瓦斯由煤(巖)壁內(nèi)部突然向采掘空間拋出的異常動力現(xiàn)象,是煤礦最嚴重的地質(zhì)災害之一[1]。由于煤與瓦斯突出產(chǎn)生的機理非常復雜,并且各個突出因素之間相互關聯(lián)和制約,預測突出的地點、時間和突出強度都是比較困難的。

在進行突出強度辨識時,合理地選擇影響突出的敏感指標非常重要,既可簡化計算,又能保證辨識精度。由于目前對煤與瓦斯突出的機理研究尚不完善,從理論上確定突出的敏感指標還有一定的難度,因此,當前對突出敏感指標的選擇一般都是根據(jù)人們的經(jīng)驗或統(tǒng)計規(guī)律來確定。近幾年,主成分分析PCA(Principal Components Analysis)被廣泛應用到突出敏感指標的選擇中,但PCA本質(zhì)上是一種線性的數(shù)據(jù)降維方法,在處理煤與瓦斯突出等非線性問題時有一定的不足之處。

在煤與瓦斯突出辨識和預測研究中,人工神經(jīng)網(wǎng)絡以其優(yōu)越的建模能力和較好的擬合性能[2-5],在處理煤與瓦斯突出這類非線性問題上呈現(xiàn)出一定的優(yōu)勢,特別是以BP神經(jīng)網(wǎng)絡為基礎的突出危險性預測取得了令人矚目的研究成果,但是BP網(wǎng)絡對訓練樣本需求量大、速度慢、易陷入局部最小等缺陷對預測的精度產(chǎn)生影響。

針對上述問題,本文提出的煤與瓦斯突出強度辨識方法的主要思路如下:首先獲取影響突出發(fā)生的基礎參數(shù)作為原始向量;然后利用核主成分分析KPCA(Kernel Principal Components Analysis)對原始向量進行降維處理,提取出能反映煤與瓦斯突出的主要敏感指標,將其作為辨識模型的輸入量;再利用混沌免疫粒子群算法CIPSO(Chaos Immune Particle Swarm Optimization)對概率神經(jīng)網(wǎng)絡PNN(Probabilistic Neural Network)的平滑參數(shù)σ優(yōu)化,形成CIPSO-PNN網(wǎng)絡,并建立煤與瓦斯突出強度辨識模型,對該模型的性能進行分析。

1 煤與瓦斯突出基礎參數(shù)測定方法

由于各個煤礦的自然條件和生產(chǎn)技術條件存在差異,使得影響煤與瓦斯突出的因素也各不相同[6-7]。本文選取河南某礦作為研究對象,通過大量文獻查閱及與現(xiàn)場工作人員溝通,依次選取最大主應力X1,MPa;瓦斯壓力X2,MPa;瓦斯含量X3,m3/t;頂板巖性X4,(滲透率)/%;距斷裂距離X5,m;厚度X6,m;垂深X7,m;絕對瓦斯涌出量X8,m3/d;相對瓦斯涌出量X9,m3/t等9項指標作為該礦煤與瓦斯突出的基礎參數(shù)[7]。

1.1 瓦斯壓力的測量

瓦斯壓力是指瓦斯氣體作用于孔隙壁的壓力,反映了煤體內(nèi)瓦斯壓縮能的大小,是衡量煤層突出危險性的重要指標之一,單位為MPa。瓦斯壓力的測定方法有直接法和間接法兩種。直接法是通過用圍巖巷道向煤層打孔,孔中設定測壓儀表并密封鉆孔,用壓力表直接測定瓦斯壓力;間接法是根據(jù)瓦斯的一些特性計算瓦斯壓力值,如利用瓦斯壓力梯度推算煤層瓦斯壓力等。直接法是對瓦斯壓力的直接測量,測定數(shù)值比較真實,目前國內(nèi)外煤礦主要采用該方法測定瓦斯壓力[8]。直接法對測壓地點有一定的要求,如果沒有合適的測壓條件,可選用間接測壓法。

鉆孔密封的質(zhì)量是影響直接測壓法的主要因素之一,封孔方式主要有黃泥封孔、水泥砂漿封孔、膠圈封孔、膠囊-壓力粘液封孔方法等。其中,膠囊-壓力粘液封孔具有測壓時間短、裝置可以重復使用等優(yōu)點,在煤礦瓦斯壓力測量中經(jīng)常使用。

根據(jù)測壓方式的不同,直接法還分為主動和被動測壓法。主動測壓法是在封孔完畢后,向測壓氣室內(nèi)注入高壓N2、CO2或惰性氣體,利用氣體擴散作用使瓦斯壓力達到平衡而測定煤層瓦斯壓力。被動法是利用煤層瓦斯自然滲透原理,在瓦斯壓力平衡后測定瓦斯壓力,與主動法相比較,被動法測壓時間較長。

1.2 瓦斯含量的測定

瓦斯含量是指在自然狀態(tài)下,單位體積或重量的煤所含瓦斯量的大小,單位為m3/t,它是計算瓦斯賦存量和預測瓦斯涌出量的重要參數(shù)[8]。測量瓦斯含量常采用間接法,即根據(jù)煤層瓦斯壓力和煤的吸附常數(shù)計算求得。

煤層瓦斯含量是游離瓦斯量和吸附瓦斯量的和值,即:

X=Xy+Xx

(1)

其中,游離瓦斯Xy根據(jù)氣體狀態(tài)方程計算。

(2)

式中:V為單位重量煤的孔隙體積,m3/t;p為瓦斯壓力,MPa;T0、p0是標準狀態(tài)下的絕對溫度和壓力;ξ為瓦斯壓縮系數(shù),查表可得。

吸附瓦斯含量Xx一般采用朗格繆爾方程計算。

(3)

1.3 瓦斯涌出量的測定

瓦斯涌出量是指在礦井開采過程中從煤與巖石內(nèi)涌出的瓦斯量,可用絕對瓦斯涌出量和相對瓦斯涌出量表示[8]。

絕對瓦斯涌出量QCH4表示在單位時間內(nèi)的瓦斯涌出量大小,單位為m3/d,計算公式為:

QCH4=QC×60×24

(4)

式中:Q為礦井總回風量,m3/min;C為礦井總回風巷中的瓦斯?jié)舛取?/p>

相對瓦斯涌出量qCH4表示在正常生產(chǎn)下,平均日產(chǎn)1t煤的瓦斯涌出量,單位為m3/t,計算公式為:

qCH4=QCH4/A

(5)

式中:A為日產(chǎn)煤量,t/d。

2 KPCA原理

核主成分分析是將核函數(shù)引入到PCA中,通過非線性變換進行輸入空間到高維特征空間的變換,然后在高維空間進行線性可分[9],能有效地提取非線性信息,降低原始數(shù)據(jù)維數(shù),提高數(shù)據(jù)處理的速度。

KPCA的輸入樣本空間是由影響煤與瓦斯突出的n項指標的原始數(shù)據(jù)組成,記X={x1,x2,…,xn}。利用非線性映射φ,將輸入空間樣本點變換到特征空間的樣本點φ(x1),φ(x2),…,φ(xn),并假設

(6)

在特征空間中,協(xié)方差

(7)

對在特征空間的特征值和特征向量求解

(8)

在式(8)兩邊同乘φ(xi),則

(9)

對于ν映射到特征空間的樣本矢量線性表示為:

(10)

定義核函數(shù):

[Ki,j]n×n,Ki,j=(φ(xi)·φ(xj))

(11)

將式(6)～式(11)整理后,

Nλα=Kα

(12)

α為矩陣K的特征向量,對于任意向量x,在特征空間主元方向φ(x)上的投影為

(13)

選取煤與瓦斯突出突出災害敏感指標數(shù)量s的一般規(guī)則為

(14)

(15)

式中L為系數(shù)為1/l的l×l階單位矩陣。

3 CIPSO優(yōu)化PNN網(wǎng)絡

3.1 概率神經(jīng)網(wǎng)絡

概率神經(jīng)網(wǎng)絡是以貝葉斯推理作為模式識別原理,學習規(guī)則簡單,只需修正少量的權值和閾值,具有訓練速度快,分類能力強等特點。根據(jù)PNN網(wǎng)絡拓撲結構[10-11],煤與瓦斯突出強度辨識模型分為輸入層、徑向基層、隱含層和輸出層。將經(jīng)過KPCA降維處理后的災害特征參數(shù)作為輸入層神經(jīng)元;在模式層中,每個神經(jīng)元與給定類的權矢量之間的連接,輸入輸出關系為:

(16)

式中,X={xm,1,xm,2,…,xm,sm}是輸入樣本向量重構后的突出災害特征信息,Sm為Xm中樣本個數(shù),d為待分類的向量X及訓練向量的維數(shù);Xji為類別j的第i個訓練向量;σ為平滑參數(shù)。

求和層對輸入層的輸出進行求和,得到

(17)

根據(jù)煤與瓦斯突出強度的分類情況,輸出層完成輸入數(shù)據(jù)的分類,根據(jù)S中最大的響應獲得網(wǎng)絡的輸出1,其余為0,即:

(18)

3.2 CIPSO-PNN

式(16)中σ表示訓練樣本各維度的標準差,在樣本確定的情況下,該參數(shù)的變化關系到樣本之間的影響程度及PNN網(wǎng)絡函數(shù)值的變化,從而影響最終結果。在PNN網(wǎng)絡中,所有參數(shù)的σ值相同,不能真實反映各個輸入變量對正確結果的實際作用[12-13]。目前,PNN網(wǎng)絡的平滑參數(shù)σ選擇有兩種方法,一是憑經(jīng)驗估計設定,但效率低分類精度差;二是采用優(yōu)化算法尋找最優(yōu)的σ使PNN分類誤差最小。本文采用混沌免疫粒子群算法對PNN網(wǎng)絡的平滑參數(shù)σ進行優(yōu)化選擇。

混沌免疫粒子群算法是將混沌算法和人工免疫系統(tǒng)中的克隆選擇機制引入到標準粒子群算法中[14],抗原為目標函數(shù)和約束條件,抗體為粒子群。為了提高種群的多樣化程度,克隆和混沌變異時要選擇親和度高的抗體,按與其親和度成正比的方式進行克隆,與親和度成反比的方式進行混沌變異;將親和度低的抗體按一定比例初始化。同標準粒子群算法相比較,CIPSO算法利用克隆選擇粒子,可使種群的收斂速度得到提升,對克隆后的粒子進行混沌變異,使種群容易跳出局部最優(yōu),提高種群的全局搜索能力。

CIPSO能夠搜索全局最優(yōu)解,通過重復迭代的方法,實現(xiàn)σ參數(shù)也隨測量空間的變化而改變,從而形成自適應概率神經(jīng)網(wǎng)絡(APNN),即:

(19)

基于CIPSO-PNN的煤與瓦斯突出強度辨識過程如下:

①結合辨識對象,初始化粒子群參數(shù),如種群大小、適應閾值、迭代次數(shù)最大值、學習因子,初始位置及速度;

②對PNN網(wǎng)絡初始化,粒子群粒子映射為平滑參數(shù);輸入訓練樣本到PNN網(wǎng)絡,計算訓練分類的結果,從而得到適應度函數(shù)ε,該值即為每個粒子(抗體)的親和度。文中以PNN正確分類百分比為適應度函數(shù),即

(20)

式中:m為正確分類樣本數(shù);M為總樣本數(shù)。

③比較第i個粒子通過全部位置時的適應度大小,以確定其最佳位置Pbi;比較全部粒子在其最佳位置Pbi的適應度值,確定整個種群的最佳位置Gb;

④判斷是否達到算法終止條件,若滿足則停止計算,最優(yōu)粒子的位置Gb即為光滑因子,代入式(20)建立APNN辨識模型,不滿足條件進行下一步。

⑤根據(jù)式(21)、(22)更新粒子群的速度和位置。

(21)

(22)

⑥根據(jù)抗體、抗原親和度對當前種群排序,精英克隆種群Sk由親和度最高的粒子組成,其余粒子組成種群Lk。

⑦對Sk中的粒子進行克隆、混沌變異和選擇操作,獲得更新后的精英種群Sk+1。

⑧在Lk中,運用Γ(*)算子對親和度最低的粒子予以舍棄,得到新種群Lk+1,其中:

Γ(X)=rand()(U-L)+L

(23)

式中:L,U分別表示抗體粒子X取值范圍的上下界。

⑨將種群Sk+1和Lk+1合并,得到新一代種群Pk+1;

⑩檢驗是否滿足終止條件,若不滿足終止條件則返回步③。

4 煤與瓦斯突出強度辨識的實現(xiàn)

基于上述原理,利用KPCA和CIPSO-PNN建立煤與瓦斯突出強度辨識模型的流程如圖1所示。

圖1 煤與瓦斯突出強度辨識流程圖

4.1 樣本數(shù)據(jù)的采集

考慮到本文所選礦區(qū)地質(zhì)構造和巷道分布的實際情況,測定瓦斯壓力利用直接法,在圍巖致密且無斷層地帶進行鉆孔,采用膠囊-壓力粘液封孔方式,并利用M-Ⅳ型瓦斯壓力測定儀進行瓦斯壓力測量。為了節(jié)省測壓時間,選用主動測壓方式,并在氣室內(nèi)注入高壓CO2,當穩(wěn)定后的瓦斯壓力變化值小于0.05 MPa時,壓力表顯示數(shù)值為煤層的瓦斯壓力值。

對礦井總回風巷的瓦斯?jié)舛葴y量可在測風站內(nèi)選用KGY-002A型甲烷傳感器完成。礦井總回風量的測量選用KGF2型礦用風量傳感器,該傳感器利用卡曼渦街原理實現(xiàn)風速測量。根據(jù)測得風速,可計算巷道的風量為:

θ=νAK

(24)

式中:ν為測量的風速平均值,m/s;A是巷道的斷面,m2;K為修正系數(shù)。

在瓦斯?jié)舛群涂偦仫L量已測定的情況下,利用式(3)～式(5)求得絕對瓦斯涌出量、相對瓦斯涌出量和煤層瓦斯含量。采集的樣本原始數(shù)據(jù)見表1。

表1 煤與瓦斯突出各影響因素的原始數(shù)據(jù)

圖2 各主成分解釋方差的帕累托圖

4.2 基于KPCA煤與瓦斯突出敏感指標提取

核函數(shù)選擇高斯徑向基函數(shù),即

σ1的選擇對特征參數(shù)提取結果有直接影響,可通過實驗方法確定該值。利用MATLAB計算得到特征值及累計貢獻率。

采用KPCA方法進行突出敏感指標提取,前3項主成分的方差分別為0.177 3、0.049 7和0.042 8,其累積貢獻率達到89.60%左右。利用圖2帕累托圖對方差進行解釋。

依據(jù)主成分選取標準(累積貢獻率大于80%以上),可用前3項主成分可代替原來的9項指標。計算核矩陣在提取出的特征向量上的投影Y1、Y2和Y3,即為經(jīng)過KPCA降維后所得到的數(shù)據(jù),見表2。

表2 KPCA降維后的數(shù)據(jù)

4.3 基于CISPO-APNN的煤與瓦斯突出強度辨識模型

根據(jù)實際拋出煤質(zhì)量的大小,將煤與突出強度類型分為4類:無突出;小型突出(50 t以下);中型突出(50 t～100 t);大型突出(100 t以上)[15]。選取KPCA降維處理后編號為2、4、10、11、18和19的數(shù)據(jù)作為CIPSO-PNN網(wǎng)絡的測試樣本,其余13組數(shù)據(jù)作為訓練樣本。建立的CIPSO-PNN神經(jīng)網(wǎng)絡輸入層包含3個神經(jīng)元,與KPCA降維后提取的敏感指標數(shù)量一致;徑向基層包含13個神經(jīng)元,每個節(jié)點對應一個輸入的訓練樣本;隱含層包含4個神經(jīng)元,對應突出強度的4個模式,隱含層對輸入求和后,找出隱含層神經(jīng)元的最大值,輸出對應的類別序號。建立的CIPSO-PNN神經(jīng)網(wǎng)絡的結構如圖3所示。

圖3 CIPSO-PNN神經(jīng)網(wǎng)絡的結構

初始化CIPSO各項參數(shù),種群大小為20,學習因子c1=c2=2,最大迭代次數(shù)為200,慣性權值ω隨迭代次數(shù)由0.9到0.4線性變化。

基于CIPSO-PNN的煤與瓦斯突出強度辨識結果見表3。

表3 CIPSO-PNN煤與瓦斯突出強度辨識結果

從表3結果來看,該模型具有較好的泛化能力,識別煤與瓦斯突出強度的準確性較高。

為了分析文中提出的煤與瓦斯突出強度辨識模型的性能優(yōu)劣,對經(jīng)過KPCA降維處理和未經(jīng)處理的初始樣本,分別進行BP、PNN、PSO-PNN和CIPSO-PNN的辨識結果進行分析比較,如表4所示。

表4 各種辨識方法的比較

由表4可知,經(jīng)過降維處理后的辨識模型,由于去除了數(shù)據(jù)間的相關性,減少了冗余信息和數(shù)據(jù)噪音,辨識模型的準確性提高。其中,CIPSO優(yōu)化后的PNN辨識模型識別準確率優(yōu)于其他辨識模型,但是尋優(yōu)過程復雜,經(jīng)PSO、CIPSO優(yōu)化后的PNN網(wǎng)絡建模耗時較PNN網(wǎng)絡長。

5 結論

本文提出了一種基于核主成分分析和改進概率神經(jīng)網(wǎng)絡的煤與瓦斯突出強度辨識模型。利用核主成分分析將影響煤與瓦斯突出的初始因素數(shù)據(jù)進行降維處理,這樣既保留了原始數(shù)據(jù)的主要信息,又可以去除數(shù)據(jù)間的關聯(lián)性,降低數(shù)據(jù)維數(shù),為下一步的準確辨識奠定基礎。采用CIPSO優(yōu)化PNN網(wǎng)絡的平滑參數(shù),利用優(yōu)化后的PNN網(wǎng)絡建立煤與瓦斯突出強度辨識模型,避免了人為因素的影響。通過對現(xiàn)場實際數(shù)據(jù)驗證的結果表明,該方法具有較高的辨識精度,適用于煤與瓦斯突出強度的辨識和預測,同時也為類似問題的研究提供了新的方法和思路,可以推廣到其他領域。

[1] 付華,邵良杉.煤礦瓦斯災害特征挖掘與融合預測[M].北京:科學出版社,2010.

[2]張宏偉,李勝.煤與瓦斯突出的危險性的模式識別與概率預測[J].巖石力學與工程學報,2005,24(19):3577-3581.

[3]陳祖云.煤與瓦斯突出前兆的非線性預測及支持向量機識別研究[D].中國礦業(yè)大學,2009.

[4]張子戌,劉高峰,呂閏生,等.基于模糊模式識別的煤與瓦斯突出區(qū)域預測[J].煤炭學報,2007,32(6):592-595.

[5]付華,李文娟,孟祥云,等.IGA-DFNN在瓦斯?jié)舛阮A測中的應用[J].傳感技術學報,2014,27(2):262-266.

[6]王漢斌.煤與瓦斯突出的分形預測理論及應用[M].北京:煤炭工業(yè)出版社,2012.

[7]付華,許凡,徐耀松,等.礦井CH4和煤塵的光聲復合檢測方法研究[J].傳感技術學報,2013,26(7):922-926.

[8]朱志潔,張宏偉,韓軍,等.基于PCA-BP神經(jīng)網(wǎng)絡的煤與瓦斯突出預測研究[J].中國安全科學學報,2013,23(2):45-50.

[9]高宏賓,侯杰,李瑞光.基于核主成分分析的數(shù)據(jù)流降維研究[J].計算機工程與應用,2013,49(11):105-109.

[10]Seim Timung,Tapas K Mandal.Prediction of Flow Pattern of Gas-Liauid Flow Through Circular Microchannel Using Probabilistic Neural Network[J].Applied Soft Computing,2013(13):1674-1685.

[11]Zhang Ruilin,Lan S Lowndes.The Application of A Coupled Artificial Neural Network and Fault Tree Analysis Model to Predict Coal and Gas Utburst[J].International Journal of Coal Geology,2010,84:141-152.

[12]連遠鋒,李國和,吳發(fā)林,等.基于遺傳PNN網(wǎng)絡的組合導航故障診斷研究[J].儀器儀表學報,2012,33(1):120-126.

[13]尚小晶,田彥濤,李陽,等.基于改進概率神經(jīng)網(wǎng)絡的手勢姿勢動作識別[J].吉林大學學報(信息科學版),2010,28(5):460-466.

[14]付華,姜偉,單欣欣.基于耦合算法的煤礦瓦斯涌出量預測模型研究[J].煤炭學報,2012,37(4):654-658.

[15]肖紅飛,何學秋,劉黎明.改進BP算法在煤與瓦斯突出預測中的應用[J].中國安全科學學報,2003,13(9):59-62.

The Identification Model of Coal and Gas Outburst Intensity Based on KPCA and CIPSO-PNN*

WANGYuhong1*,FUHua1,ZHANGYang2

(1.College of Electrical and Control Engineering,Liaoning Technical University,Liaoning Huludao 125105,China;2.School of Electronic and information Engineering,Liaoning Technical University,Liaoning Huludao 125105,China)

In order to achieve accurate identification for coal and gas outburst,a new algorithm based on Kernel Principal Components Analysis(KPCA)and Improved Probabilistic Neural Network is proposed.Based on different conditions of coal seam and operation,the original index parameters that affect coal and gas outburst are determined and dealt with dimension reduction by KPCA method.The chief factors representing coal and gas outburst are extracted and put into PNN for identification of coal and gas outburst.Aiming at the incorrect classification defect caused by single smoothing factor,Chaos Immune Particle Swarm Optimization(CIPSO)is adopted to optimize parameters of PNN,which avoids the influence of artificial factors and improves the identification accuracy of the model.The numerical analysis results show that the proposed method has better performance compared with BP,PNN and PSO-PNN approaches.

coal and gas outburst;identification;kernel principal components analysis;probabilistic neural network;chaos immune particle swarm optimization

王雨虹(1979-),女,遼寧阜新人,副教授,在讀博士,主要從事智能檢測技術、煤礦安全監(jiān)測監(jiān)控技術等方面的教學與科學研究,參與多項國家級、省部級科研項目,yuhong0804001@126.com;

付 華(1962-),女,遼寧阜新人,博士,教授,博士生導師,主要從事智能檢測和數(shù)據(jù)融合等方面的研究,fxfuhua@163.com。

項目來源:國家自然科學基金項目(51274118)

2014-09-09 修改日期:2014-11-20

C:7230

10.3969/j.issn.1004-1699.2015.02.022

TP212;TP183

A

1004-1699(2015)02-0271-07