基于模糊神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的瓦斯突出評(píng)判策略

劉海波,　黎永碧,　王福忠

(1.河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院,焦作　454000; 2.河南工業(yè)和信息化職業(yè)學(xué)院,焦作　454000)

?

基于模糊神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的瓦斯突出評(píng)判策略

劉海波1,黎永碧2,王福忠1

(1.河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院,焦作454000; 2.河南工業(yè)和信息化職業(yè)學(xué)院,焦作454000)

摘要：針對(duì)影響煤礦瓦斯突出因素的不確定性和復(fù)雜的非線(xiàn)性關(guān)系,不能夠利用經(jīng)典的數(shù)學(xué)理論建立精確的預(yù)測(cè)模型,將模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論有機(jī)結(jié)合,提出了基于模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的煤礦瓦斯突出危險(xiǎn)等級(jí)評(píng)判策略.首先對(duì)傳感器采集的待評(píng)判采掘面參數(shù)進(jìn)行預(yù)處理,使用模糊神經(jīng)網(wǎng)絡(luò)得出第一步的融合結(jié)果,并將其進(jìn)行歸一化處理,歸一化函數(shù)作為基本概率賦值函數(shù),然后將歸一化之后的數(shù)值作為基本概率分配值,再用D-S證據(jù)理論進(jìn)行第二次數(shù)據(jù)融合,作出最終評(píng)判.實(shí)驗(yàn)結(jié)果表明，該方法具有良好的適應(yīng)性并能得到準(zhǔn)確性較高的評(píng)判結(jié)果.

關(guān)鍵詞：瓦斯突出; 危險(xiǎn)等級(jí)評(píng)判; 模糊神經(jīng)網(wǎng)絡(luò); 證據(jù)理論

煤炭作為我國(guó)工業(yè)生產(chǎn)的主要能源,當(dāng)前在國(guó)家能源生產(chǎn)和一次消費(fèi)結(jié)構(gòu)中占據(jù)到大約70%,到2050年煤炭的使用率仍然會(huì)占到50%左右.因此,在今后很長(zhǎng)的一段時(shí)間內(nèi),煤炭仍然是我國(guó)能源工業(yè)生產(chǎn)中的主要力量.但是,在煤炭的開(kāi)采過(guò)程中,我國(guó)每年的煤礦瓦斯突出和爆炸事故時(shí)有發(fā)生,不僅對(duì)人民群眾的生命財(cái)產(chǎn)造成巨大損失,而且給國(guó)家的利益和聲譽(yù)帶來(lái)了嚴(yán)重影響[1].所以,如何能夠準(zhǔn)確可靠地對(duì)煤礦瓦斯突出的發(fā)生進(jìn)行預(yù)測(cè),并進(jìn)行有效的防治,對(duì)采掘面的瓦斯突出危險(xiǎn)等級(jí)進(jìn)行科學(xué)評(píng)判,已經(jīng)成為煤礦安全生產(chǎn)技術(shù)研究中的重要研究方向,同時(shí)也是國(guó)家在安全生產(chǎn)領(lǐng)域中亟待解決的重大問(wèn)題.

1煤礦瓦斯突出危險(xiǎn)等級(jí)評(píng)判方法

煤礦瓦斯突出是十分復(fù)雜的過(guò)程,影響突出的因素眾多.許多學(xué)者對(duì)采掘面瓦斯突出危險(xiǎn)等級(jí)評(píng)判方法進(jìn)行了研究,主要有采用專(zhuān)家系統(tǒng)的方法、神經(jīng)網(wǎng)絡(luò)的方法及模糊理論的方法等[2].其中,專(zhuān)家系統(tǒng)是以知識(shí)為基礎(chǔ)的智能評(píng)判系統(tǒng),它的靈活性和適用性是建立在大量的專(zhuān)家知識(shí)和適合的推理系統(tǒng)的條件下,容易受到主觀因素的制約[3].神經(jīng)網(wǎng)絡(luò)的方法可以解決較復(fù)雜的非線(xiàn)性問(wèn)題,并能夠進(jìn)行自學(xué)習(xí),但是,該方法只能根據(jù)原始樣本數(shù)據(jù),不能利用人類(lèi)的寶貴經(jīng)驗(yàn)知識(shí),對(duì)系統(tǒng)評(píng)判沒(méi)有確定的物理意義[4].模糊理論的方法主要是利用模糊關(guān)系矩陣獲取對(duì)象的模糊矢量和特征集,并計(jì)算出模糊矢量之間的映射關(guān)系,然后根據(jù)模糊準(zhǔn)則進(jìn)行評(píng)判.系統(tǒng)不僅能夠利用前人寶貴的經(jīng)驗(yàn),而且參數(shù)具有確定的物理意義,但由于需要準(zhǔn)確有效的對(duì)象狀態(tài)集和特征集,當(dāng)出現(xiàn)新的突出因素時(shí)，該方法評(píng)判的準(zhǔn)確率較低[5-6].D-S證據(jù)理論具有處理不確定性信息的能力,決策準(zhǔn)確,但其基本概率函數(shù)構(gòu)造比較困難[7].本文將模糊邏輯和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)構(gòu)造模糊神經(jīng)網(wǎng)絡(luò),再利用D-S證據(jù)理論進(jìn)行全局信息融合,充分利用各種信息,使融合從信息的有效組合出發(fā),提高了評(píng)判的準(zhǔn)確性.

(1)

信度函數(shù)的核心為Bel1和Bel2核心的交集,信度函數(shù)Bel1和Bel2的直和記為Bel1?Bel2.若同一識(shí)別框架X上有多個(gè)信度函數(shù)Bel1,Bel2,…,Beln,基本可信度分配分別為m1,m2,…,mn.若Bel1⊕Bel2⊕…⊕Beln存在,則n個(gè)信度函數(shù)的組合為

Bel={[(Bel1⊕Bel2)⊕Bel3]⊕…}⊕Beln

(2)

1.2模糊神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的融合

利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)判的結(jié)果取決于樣本的準(zhǔn)確性和充分性,在精度范圍內(nèi)具有不確定性,而D-S證據(jù)理論具有處理不確定信息的能力[8].所以,本文將模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論相結(jié)合進(jìn)行瓦斯突出危險(xiǎn)等級(jí)評(píng)判,其基本思想是首先采用多個(gè)數(shù)據(jù)傳感器采集待評(píng)判采掘面參數(shù)的數(shù)據(jù)流,然后對(duì)其進(jìn)行歸一化處理，并進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測(cè)試,低維神經(jīng)網(wǎng)絡(luò)的測(cè)試結(jié)果經(jīng)處理后,作為證據(jù)理論的基本可信度分配值，最后進(jìn)行證據(jù)的融合,進(jìn)行最終的評(píng)判決定,其評(píng)判模型如圖1所示.

圖1　基于模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的評(píng)判模型

1.3基于D-S證據(jù)理論的基本概率函數(shù)的構(gòu)造

要將模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果轉(zhuǎn)化為證據(jù)理論的推理模型,關(guān)鍵是構(gòu)造D-S證據(jù)理論決策所需要的基本概率函數(shù).將模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行歸一化處理,將歸一化函數(shù)作為基本概率賦值函數(shù),然后將其作為每一個(gè)焦元的基本概率賦值[9].每個(gè)采掘面的多個(gè)點(diǎn)所測(cè)得的關(guān)鍵指標(biāo)數(shù)值作為運(yùn)用D-S證據(jù)理論需要的各自識(shí)別空間,將采掘面的多個(gè)點(diǎn)的模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果經(jīng)過(guò)歸一化處理之后的數(shù)值作為多個(gè)證據(jù)源.模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果用y(Ai)表示,對(duì)瓦斯突出的每個(gè)評(píng)判等級(jí)支持的基本概率賦值函數(shù)是m(Ai),m(θi)是評(píng)判等級(jí)的不確定性基本概率賦值函數(shù).

(3)

式中:Ai是需要評(píng)判采掘面煤礦瓦斯突出的n個(gè)等級(jí)狀態(tài),i=1,2,…,n;y(Ai)是模糊神經(jīng)網(wǎng)絡(luò)的評(píng)判結(jié)果.

內(nèi)標(biāo)法適用范圍廣，可校正基體所引起的各種干擾因素。通過(guò)選擇，Y是較合適的內(nèi)標(biāo)元素。所用的儀器分析軟件可方便地在一次分析結(jié)果中對(duì)不同內(nèi)標(biāo)譜線(xiàn)的校正結(jié)果進(jìn)行比較，以選擇能夠最大程度地校正基體干擾的內(nèi)標(biāo)元素譜線(xiàn)。查閱儀器譜線(xiàn)數(shù)據(jù)庫(kù)，初選Y的5條分析譜線(xiàn)，在儀器最佳工作條件下，對(duì)含有不同量Co基體的1.00mg/L Y的標(biāo)準(zhǔn)溶液進(jìn)行測(cè)定，結(jié)果如表7所示。通過(guò)各元素與內(nèi)標(biāo)Y在不同Co基體中的響應(yīng)值比對(duì)，確定Cd、Zn、Ni、S、Si的校正譜線(xiàn)為Y 224.303nm，F(xiàn)e、Mn、Ca、Mg、Na的校正譜線(xiàn)為Y 371.029nm，而As、Cu則無(wú)需進(jìn)行校正。

(4)

(5)

式中,En是模糊神經(jīng)網(wǎng)絡(luò)的輸出誤差.

模糊神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的誤差計(jì)算式為

(6)

式中:tnj是第n個(gè)樣本對(duì)應(yīng)的第j個(gè)神經(jīng)元的期望輸出值,j=1,2,…,k;ynj是第n個(gè)樣本對(duì)應(yīng)的第j個(gè)神經(jīng)元的實(shí)際輸出值.

2實(shí)例仿真

2.1初始數(shù)據(jù)及其處理

在對(duì)采掘面瓦斯突出危險(xiǎn)等級(jí)進(jìn)行評(píng)判時(shí),結(jié)合現(xiàn)場(chǎng)條件和傳感器的測(cè)量范圍,首先選取影響瓦斯突出的8個(gè)關(guān)鍵評(píng)判指標(biāo),分別是瓦斯放散初速度(p1)、煤的破壞類(lèi)型(p2)、瓦斯壓力(p3)、地質(zhì)構(gòu)造類(lèi)型(p4)、煤的堅(jiān)固性系數(shù)(p5)、煤的透氣性系數(shù)(p6)、煤體的瓦斯含量(p7)、軟分煤層厚度(p8).選取的樣本數(shù)據(jù)包括正常狀態(tài)和突出狀態(tài)時(shí)的指標(biāo)值,以安全、比較危險(xiǎn)、很危險(xiǎn)這3種評(píng)判狀態(tài)為例進(jìn)行分析.讀取這些指標(biāo)的初始數(shù)據(jù),并利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行歸一化處理.考慮到現(xiàn)場(chǎng)環(huán)境及檢測(cè)點(diǎn)的變化,將單向變化指標(biāo)的參考值設(shè)為0.30和0.65,雙向變化指標(biāo)的參考值設(shè)為0.45,樣本數(shù)據(jù)如表1所示.

2.2模糊神經(jīng)網(wǎng)絡(luò)的初級(jí)診斷及可信度分配

文獻(xiàn)[9]利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷,其網(wǎng)絡(luò)結(jié)構(gòu)由4層組成,訓(xùn)練采用反向傳播算法.通過(guò)分析比較,本文中的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、模糊化層、隱含層、歸一化層和輸出層組成.其中，輸入層為8個(gè)神經(jīng)元,模糊化層為24個(gè)神經(jīng)元,隱含層為64個(gè)神經(jīng)元,歸一化層為64個(gè)神經(jīng)元,輸出層為3個(gè)神經(jīng)元.在實(shí)際的學(xué)習(xí)中，可以根據(jù)需要對(duì)隱含層作適當(dāng)?shù)母淖?同時(shí)訓(xùn)練先進(jìn)行正向傳播過(guò)程,當(dāng)輸出與期望值不一致時(shí),開(kāi)始進(jìn)行誤差的反向傳播,采用梯度下降法計(jì)算并不停地修正每個(gè)層的神經(jīng)元的權(quán)值,不斷地減小誤差數(shù)值,以提高評(píng)判精度.在Matlab中建立的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖2所示.其中,輸入節(jié)點(diǎn)分別是影響瓦斯突出的8個(gè)關(guān)鍵指標(biāo),隱含層節(jié)點(diǎn)數(shù)由經(jīng)驗(yàn)選取;網(wǎng)絡(luò)期望輸出用(001) 代表很危險(xiǎn),(010) 代表比較危險(xiǎn),(100) 代表安全,網(wǎng)絡(luò)的誤差設(shè)定為10-4.

表1　關(guān)鍵指標(biāo)的初始數(shù)據(jù)

圖2　模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

在模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練中,選取9組樣本,前6組樣本是訓(xùn)練樣本,后3組數(shù)據(jù)作為測(cè)試仿真樣本.模糊神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果如表2所示,從中可以看出，結(jié)果基本上是正確的,但與期望輸出結(jié)果存在一定的誤差,網(wǎng)絡(luò)訓(xùn)練之后得到的誤差訓(xùn)練曲線(xiàn)如圖3所示.

2.3基于D-S證據(jù)理論再次融合的實(shí)驗(yàn)結(jié)果

首先運(yùn)用式(3)將模糊神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行歸一化處理,將其作為每一個(gè)焦點(diǎn)元素的基本概率賦值.運(yùn)用式(4)算出評(píng)判等級(jí)的不確定性基本概率賦值.分別用A1,A2,A3來(lái)代表安全、比較危險(xiǎn)、很危險(xiǎn)狀態(tài),用θ來(lái)代表狀態(tài)的不確定性.經(jīng)過(guò)Matlab仿真實(shí)驗(yàn),得到模糊神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果的基本概率賦值如表3所示.

表2　模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果

圖3　模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

表3　模糊神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果的基本概率賦值

利用D-S證據(jù)理論的合成規(guī)則公式對(duì)表3中的數(shù)據(jù)進(jìn)行融合,得到的融合結(jié)果如表4所示.

由表4可知,通過(guò)D-S證據(jù)理論的再次融合之后,不確定性值m(θ)明顯變小了.這說(shuō)明運(yùn)用基于模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的綜合評(píng)判策略是非常有效的,提高了評(píng)判精度,可以迅速地判斷出采掘面的評(píng)判狀態(tài).

表4　基于D-S證據(jù)理論的再次融合結(jié)果

3結(jié)論

煤礦瓦斯突出是一個(gè)十分復(fù)雜的過(guò)程,影響突出的因素眾多且具有不確定性和復(fù)雜的非線(xiàn)性關(guān)系,本文提出利用模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論相結(jié)合的方法,首先使用模糊神經(jīng)網(wǎng)絡(luò)對(duì)煤礦瓦斯突出危險(xiǎn)等級(jí)進(jìn)行初級(jí)評(píng)判,并將其結(jié)果作為證據(jù)理論的基本概率賦值函數(shù),再利用D-S證據(jù)理論的組合規(guī)則進(jìn)行融合決策.實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的準(zhǔn)確性和有效性,為煤礦瓦斯突出的預(yù)測(cè)提供了一種新的方法和思路.

參考文獻(xiàn)：

[1]聶百勝,何學(xué)秋,王恩元,等.煤與瓦斯突出預(yù)測(cè)技術(shù)研究現(xiàn)狀及發(fā)展趨勢(shì)[J].中國(guó)安全科學(xué)學(xué)報(bào),2003,13(6):40-43.

[2]趙旭生,于不凡,馬代輝.煤與瓦斯突出礦井危險(xiǎn)等級(jí)劃分方法[J].礦業(yè)安全與環(huán)保,2000,27(2):4-8.

[3]范金志,郭德勇,馬世志.工作面煤與瓦斯突出危險(xiǎn)性的模糊綜合評(píng)判[J].煤礦安全,2004,35(3):17-19.

[4]王劍,王宏華.基于模糊邏輯的學(xué)習(xí)率自調(diào)整BP神經(jīng)網(wǎng)絡(luò)[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2004(7):153-156.

[5]王友楠,方祖華,孫霙.基于模糊算法垂直泊車(chē)轉(zhuǎn)向控制策略的研究[J].上海理工大學(xué)學(xué)報(bào),2015,37(2):155-158.

[6]黃貞輝,陳瑋,涂建.家用變頻空調(diào)溫度模糊控制算法研究[J].上海理工大學(xué)學(xué)報(bào),2013,35(2):169-174.

[7]金海.多傳感器模糊信息融合算法在煤礦瓦斯監(jiān)測(cè)中的應(yīng)用[J].煤炭技術(shù),2012,31(8):82-84.

[8]邊寶峰.基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的信息融合方法的研究[D].保定:華北電力大學(xué),2004.

[9]孫雅囡.基于模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的故障診斷方法研究[J].中國(guó)船艦研究,2007,3(1):55-57.

(編輯:石瑛)

Evaluation Strategy of Gas Outburst Based on Fuzzy Neural Network and Evidence Theory

LIU Haibo1,LI Yongbi2,WANG Fuzhong1

(1.School of Electric Engineering and Automation,Henan Polytechnic University,Jiaozuo 454000,China;2.Henan College of Industry & Information Technology,Jiaozuo 454000,China)

Abstract：Because of the complicated non-linear relation between the coalmine gas outburst and its affecting factors,it is difficult to establish an accurate detection model with traditional mathematical method.The fuzzy neural network and D-S evidence theory were organically combined to suggest an evaluation strategy for the coalmine gas outburst risk level.After perprocessing the evaluation parameters data flow,the first-step fused result was obtained by using fuzzy neural network and normalized as a basic probability assignment function.Each output value was taken as the basic belief assignment value,then through D-S evidence theory fusion to get the second fused result.The simulation results show that the model is reliable and precise and the security level can be accurately predicted with the proposed method.

Keywords：gas outburst; risk level evaluation; fuzzy neural network; evidence theory

中圖分類(lèi)號(hào)：TP 206

文獻(xiàn)標(biāo)志碼：A

基金項(xiàng)目：河南省科技攻關(guān)計(jì)劃資助項(xiàng)目(102102210203)

收稿日期：2014-12-25

DOI：10.13255/j.cnki.jusst.2016.02.012

文章編號(hào)：1007-6735(2016)02-0168-04

第一作者： 劉海波(1982-),男,講師.研究方向:智能信息處理.E-mail:lhb1403@126.com