煤與瓦斯突出強(qiáng)度預(yù)測(cè)的AFSA-PCA-FCM耦合模型

張美金， 蔡冬雷， 曹慶春

(遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院，遼寧 葫蘆島 125105)

煤與瓦斯突出強(qiáng)度預(yù)測(cè)的AFSA-PCA-FCM耦合模型

張美金， 蔡冬雷， 曹慶春

(遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，遼寧葫蘆島125105)

針對(duì)傳統(tǒng)模糊C均值(FCM)聚類算法在預(yù)測(cè)煤與瓦斯突出強(qiáng)度時(shí)不精確的問題，提出了一種基于人工魚群算法(AFSA)和FCM聚類算法相結(jié)合的主成分分析(PCA)篩選的混合新方法。使用AFSA優(yōu)化FCM聚類算法的初始參數(shù)，在公告板中更新AFSA的最優(yōu)解,從而確定當(dāng)次的聚類中心，通過PCA找到一個(gè)最佳聚類中心。通過無線傳感網(wǎng)絡(luò)系統(tǒng)實(shí)時(shí)采集井下影響煤與瓦斯突出的主要因素?cái)?shù)據(jù)作為樣本，將預(yù)處理后的數(shù)據(jù)進(jìn)行分析、建模，并與AFSA—BP,FCM等方法進(jìn)行比較、討論。結(jié)果表明:對(duì)于煤與瓦斯突出強(qiáng)度的預(yù)測(cè)，該方法具有較高的準(zhǔn)確性、快速性并能夠穩(wěn)定地收斂于全局最優(yōu)解。

煤與瓦斯突出強(qiáng)度； 人工魚群算法； 模糊C均值； 預(yù)測(cè)模型； 主成分分析

0 引 言

煤與瓦斯突出是嚴(yán)重影響煤礦安全生產(chǎn)的一種自然災(zāi)害。影響突出強(qiáng)度的因素較多，其產(chǎn)生機(jī)理也比較復(fù)雜，同時(shí)井下工作面環(huán)境的各種瓦斯影響因素參數(shù)傳輸?shù)膶?shí)時(shí)性、準(zhǔn)確性也相對(duì)較低，造成了對(duì)煤與瓦斯突出強(qiáng)度預(yù)測(cè)很困難。因而，通過無線傳感器網(wǎng)絡(luò)技術(shù)對(duì)煤礦工作面環(huán)境的數(shù)據(jù)快速、準(zhǔn)確的交換，對(duì)煤與瓦斯突出強(qiáng)度的預(yù)測(cè)有很大的意義。

當(dāng)前,國(guó)內(nèi)外學(xué)者多使用反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機(jī)等啟發(fā)式算法對(duì)其進(jìn)行預(yù)測(cè)[1～8]，為解決該問題提供了思路。上述預(yù)測(cè)方法應(yīng)用于高維問題時(shí)存在精確性不高，魯棒性不好等缺點(diǎn)。

為實(shí)現(xiàn)復(fù)雜影響因素條件下煤與瓦斯突出強(qiáng)度的預(yù)測(cè)，提出了一種基于主成分分析(principal component analysis,PCA)算法篩選的人工魚群算法(artificial fish swarm algorithm,AFSA)優(yōu)化模糊C均值(fuzzy C means,FCM)聚類算法。

1 無線傳感器網(wǎng)絡(luò)瓦斯數(shù)據(jù)傳輸系統(tǒng)

無線傳感器網(wǎng)絡(luò)瓦斯數(shù)據(jù)傳輸系統(tǒng)作為實(shí)時(shí)交互媒介，在煤礦運(yùn)作中發(fā)揮著極其重要的作用,由井下眾多瓦斯、壓力等傳感器節(jié)點(diǎn)及交換機(jī)、井下數(shù)據(jù)傳輸總站和井上數(shù)據(jù)傳輸主機(jī)組成。井下各個(gè)工作面的傳感器通過無線局域網(wǎng)絡(luò)方式傳輸數(shù)據(jù)，并將信息傳送到井下總站進(jìn)行匯聚，井下總站再將工作面環(huán)境信息上傳到井上交換機(jī)和計(jì)算機(jī)，實(shí)時(shí)顯示井下信息。

在無線傳感器網(wǎng)絡(luò)瓦斯數(shù)據(jù)傳輸系統(tǒng)中加入煤與瓦斯突出強(qiáng)度預(yù)測(cè)可以為礦井瓦斯突起預(yù)測(cè)和防治提供進(jìn)一步的技術(shù)支持。

2 瓦斯突出預(yù)測(cè)的AFSA-PCA-FCM耦合算法

2.1 AFSA算法

AFSA算法是通過對(duì)魚類的覓食、聚群、追尾、隨機(jī)等行為的模擬建立的一個(gè)模型[9～13]。

覓食行為

Xi=Xi+Visual×rand()

(1)

聚群行為

(2)

追尾行為

(3)

隨機(jī)行為

Xi=Xi+Step×rand()

(4)

通過人工魚的行為進(jìn)行算法的迭代，從而達(dá)到數(shù)據(jù)處理與分析的要求。

2.2 PCA算法

通過PCA算法[14,15]，對(duì)AFSA數(shù)據(jù)進(jìn)行主成分分析，標(biāo)準(zhǔn)化處理得

X=(xij)m×p

(5)

計(jì)算協(xié)方差矩陣

(6)

根據(jù)|λE-R|=0求出λ1。

累計(jì)貢獻(xiàn)率

(7)

累計(jì)貢獻(xiàn)率達(dá)90 %的特征值λ1,λ2,λ3等所對(duì)應(yīng)的1，2，…，m(m≤p)，其中,m即為主成分的個(gè)數(shù)。

2.3 FCM算法

FCM是模式分類中的常用方法[16～21]。該算法的適應(yīng)度函數(shù)為

(8)

式中m為模糊指數(shù)，m>1，一般情況下m=2；n為待分類的樣本數(shù)；vi為第i類的中心；模糊矩陣U的條件為

在FCM算法中目標(biāo)函數(shù)是通過隸屬度函數(shù)uij和聚類中心v計(jì)算得到的，uij和v的表達(dá)式如下

(9)

(10)

但初始值對(duì)FCM算法的影響很大，導(dǎo)致最終的適應(yīng)度函數(shù)不能接近于理想值零。

2.4 AFSA-PCA-FCM算法實(shí)現(xiàn)

人工魚個(gè)體的狀態(tài)X由FCM中的聚類中心v構(gòu)成。X為k行c列的矩陣，k為聚類中心數(shù)，c為影響因素個(gè)數(shù)。

1)人工魚群初始化：由聚類中心數(shù)k確定人工魚個(gè)體的狀態(tài)X，由問題復(fù)雜性確定群體規(guī)模N，最大迭代次數(shù)gen，人工魚感知范圍Visual，人工魚最大移動(dòng)步長(zhǎng)Step，擁擠度因子δ，人工魚每次移動(dòng)時(shí)最大的試探次數(shù)Try_num。依據(jù)初始值產(chǎn)生公告板內(nèi)容，計(jì)算各人工魚個(gè)體初始狀態(tài)對(duì)應(yīng)的適應(yīng)度函數(shù)即人工魚所在狀態(tài)的食物濃度Y0。

2)人工魚的適應(yīng)度函數(shù)與隸屬度計(jì)算：第i次迭代時(shí)公告板上的聚類中心即前i次計(jì)算的最優(yōu)分類結(jié)果為vi。由人工魚間距

(11)

可得第i次迭代后人工魚所在狀態(tài)的食物濃度為

(12)

由上述計(jì)算可確立N條人工魚的食物濃度函數(shù)庫。

3)聚類中心v的計(jì)算：Vf=U2

(13)

式中Vf為隸屬度函數(shù)方陣U的平方，通過PCA主成分篩選出累計(jì)貢獻(xiàn)率大于90 %的聚類中心。

4)執(zhí)行人工魚群的聚群、追尾、覓食和隨機(jī)等行為，見式(4)～式(7)。尋找算法的最優(yōu)解[Ymax,index]=max(C)，在公告板中更新每條人工魚當(dāng)前的空間位置確定聚類中心vi。

5)算法迭代:如果Ymax>Ybest,則v(i+1)=v(i)；否則，v(i+1)=v(i-1)。當(dāng)IT≤50時(shí)，算法轉(zhuǎn)到步驟(4)，循環(huán)后輸出最終的聚類中心v。

3 建立煤與瓦斯突出強(qiáng)度的預(yù)測(cè)模型

建立的模型如圖1所示。具體驟如下：

圖1 煤與瓦斯突出強(qiáng)度的AFSA-PCA-FCM預(yù)測(cè)模型

1)根據(jù)煤與瓦斯突出指標(biāo)在礦井地下設(shè)置各種實(shí)時(shí)監(jiān)測(cè)裝置，建立煤與瓦斯突出的數(shù)據(jù)庫，選取煤與瓦斯突出危險(xiǎn)指標(biāo)為瓦斯壓力p0、瓦斯放散初速度p1、煤的堅(jiān)固性系數(shù)h1和開采深度h2，構(gòu)成向量X={p0，p1，h1，h2}，從中選取N組數(shù)據(jù)X作為AFSA-PCA-FCM算法的初始化數(shù)據(jù)集。算法流程如圖2所示。

圖2 AFSA-PCA-FCM聚類算法的計(jì)算過程

2)由于測(cè)量的4個(gè)影響因素是不同的物理量，屬于不同量綱，為了提高計(jì)算的精確性對(duì)其進(jìn)行歸一化處理

(14)

(15)

3)由以上公式可以分別計(jì)算出歸一化之后的煤與瓦斯突出強(qiáng)度預(yù)測(cè)的初始數(shù)據(jù)庫和檢測(cè)數(shù)據(jù)庫，進(jìn)行算法迭代。

4 煤與瓦斯突出強(qiáng)度預(yù)測(cè)實(shí)驗(yàn)

從煤礦現(xiàn)場(chǎng)采集的部分?jǐn)?shù)據(jù)如表1所示，用其進(jìn)行煤與瓦斯突出強(qiáng)度的預(yù)測(cè)。

表1 部分參數(shù)數(shù)據(jù)

選擇第1～22組數(shù)據(jù)作為預(yù)測(cè)的初始數(shù)據(jù)庫，以此獲得最優(yōu)的分類中心v。第23～30組數(shù)據(jù)作為檢驗(yàn)AFSA-PCA-FCM算法對(duì)預(yù)測(cè)的效果，并與BP神經(jīng)網(wǎng)絡(luò)、模糊C聚類算法和AFSA-BP算法的預(yù)測(cè)效果對(duì)比。

4.1 確定最優(yōu)聚類中心

通過對(duì)算法程序的Matlab多次仿真，選擇合適的參數(shù)，可以使算法對(duì)煤與瓦斯突出強(qiáng)度的預(yù)測(cè)收斂速度更快、收斂精度更高、算法魯棒性更強(qiáng)。初始化人工魚的個(gè)數(shù)N=30，嘗試次數(shù)Try_num=100，視野范圍Visual=5，步長(zhǎng)Step=0.2，迭代次數(shù)IT=50，擁擠度因子δ=0.618；初始化每條人工魚所在空間的模糊指數(shù)m=2。N條人工魚的初始食物濃度函數(shù)庫如表2所示。

表2 人工魚的食物濃度

將歸一化后的數(shù)據(jù)輸入AFSA-PCA-FCM算法，通過多次反復(fù)計(jì)算得到最終聚類中心v如表3所示。

表3 最終聚類中心v

4.2 依據(jù)最優(yōu)聚類中心對(duì)樣本突出強(qiáng)度劃分

以上述獲得的最優(yōu)聚類中心v為依據(jù)，使用最小二乘法對(duì)待檢測(cè)的樣本數(shù)據(jù)進(jìn)行突出強(qiáng)度的劃分，計(jì)算每個(gè)樣本X與4個(gè)聚類中心的距離,如下

Fij=‖Xi-vj‖2

(16)

[min，index]=min{Fi1,Fi2,Fi3,Fi4}

(17)

對(duì)選取的8組檢測(cè)數(shù)據(jù)進(jìn)行FCM,BP,AFSA-BP 和AFSA-PCA-FCM算法的煤與瓦斯突出強(qiáng)度預(yù)測(cè)，并與實(shí)際的煤與瓦斯突出強(qiáng)度的比較，如表4所示。

表4 預(yù)測(cè)與實(shí)際結(jié)果比較

由表4可知，AFSA-PCA-FCM算法對(duì)實(shí)驗(yàn)數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確率極高達(dá)100 %；FCM算法預(yù)測(cè)準(zhǔn)確率為62.5 %；BP算法預(yù)測(cè)準(zhǔn)確率為50 %；AFSA-BP算法預(yù)測(cè)準(zhǔn)確率為87.5 %。可見AFSA-PCA-FCM算法的預(yù)測(cè)效果最好。

將單一FCM算法、BP算法、AFSA-BP算法與AFSA-PCA-FCM聚類算法進(jìn)行預(yù)測(cè)的誤差比較，如圖3。對(duì)比可知，圖3(d)的適應(yīng)度函數(shù)值與迭代次數(shù)的關(guān)系曲線的起始適應(yīng)度函數(shù)值為0.72，最終收斂于0.53，且其圖形波動(dòng)很小，算法收斂速度最快、魯棒性好。

圖3 4種算法的誤差

通過以上分析可知，AFSA-PCA-FCM聚類算法的初始適應(yīng)度函數(shù)值很低，最終收斂值也很小，且算法起始波動(dòng)性較小、迭代迭代次數(shù)少，實(shí)現(xiàn)快速、準(zhǔn)確、穩(wěn)定的預(yù)測(cè)。

5 結(jié) 論

將AFSA算法、FCM算法與PCA算法相結(jié)合，有效解決了FCM算法在聚類過程中出現(xiàn)的容易陷入局部極值、對(duì)初始化聚類中心要求高的問題。同時(shí)AFSA-PCA-FCM算法收斂速度快、全局搜索能力強(qiáng)，通過PCA算法加速篩選，通過無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)傳輸，使得對(duì)煤與瓦斯突出強(qiáng)度的預(yù)測(cè)尋優(yōu)速度快，能夠收斂到全局最優(yōu)解，且對(duì)突出強(qiáng)度預(yù)測(cè)穩(wěn)定性好，具有較高的準(zhǔn)確性，為煤與瓦斯突出強(qiáng)度的預(yù)測(cè)提供了一種新方法。

[1] Zhang Dongming,Qi Xiaohan,Yin Guangzhi,et al.Coal and rock fissure evolution and distribution characteristics of multi-seam mining[J].International Journal of Mining Science and Techno-logy,2013,23(6):835-840.

[2] Ma Xianmin.Coal gas outburst predication and control based on RBF neural network[C]∥Proceedings of 3rd IEEE International Conference on Computer Science and Information Technology(ICCSIT),Chengdu,China,2010:235-238.

[3] Zhang Yongjun,Yang Dengfeng,Jia Tianrang,et al.Study on safe rock pillar thickness and gas source control with short distance protective layer extraction[C]∥Proceedings of the Second International Conference on Mechanic Automation and Control Engineering(MACE),Hohhot,China,2011:3536-3539.

[4] Zhang Yinghua,Ji Yucheng,Huang Zhian,et al.Experiment research on changes of coal pressure after mining protective coal seam by field test[C]∥Proceedings of the Seventh International Conference on Measuring Technology and Mechatronics Automation,Beijing,China,2015:473-476.

[5] Ma Xiaoping,Miao Yanzi,Zhao Zhongxiang.A novel approach to coal and gas outburst prediction based on multi-sensor information fusion[C]∥Proceedings of the IEEE International Confe-rence on Automation and Logistics,2008:1613-1618.

[6] 李 鑫，付 華，王 濤,等.基于蟻群優(yōu)化算法的瓦斯預(yù)測(cè)模型研究[J].傳感器與微系統(tǒng)，2014,27(7)：940-947.

[7] 劉 剛，劉學(xué)仁，嵇英華,等.基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的瓦斯傳感器的非線性校正[J]．傳感器與微系統(tǒng)，2006,25(1):15-18．

[8] 付 華，王 濤，楊 崔．模糊傳感器在煤礦瓦斯監(jiān)測(cè)中的應(yīng)用[J].傳感器與微系統(tǒng)，2009,28(1)：115-116．

[9] Revathi K,Krishnamoorthy N.The performance analysis of swallow swarm optimization algorithm[C]∥Proceedings of 2nd International Conference on Electronics and Communication Systems(ICECS),Coimbatore,India,2015:558-562.

[10] Yu Yi,Wang Zhaojia,Peng Peizhen,et al.An improved GAFSA with adaptive step chaotic search[C]∥Proceedings of The 27th Chinese Control and Decision Conference,2015 CCDC,Qingdao,China,2015:1227-1232.

[12] Gao Yiyu,Shen Yongjun,Zhang Guidong,et al.Information security risk assessment model based on optimized support vector machine with artificial fish swarm algorithm[C]∥Proceedings of 6th IEEE International Conference on Software Engineering and Service Science(ICSESS),Beijing,China,2015:599-602.

[13] Li Minghai, Liu Min. Prediction of public building energy consumption by using artificial fish-swarm algorithm[C]∥Procee-dings of Chinese Automation Congress(CAC),Wuhan,China,2015:2043-2047.

[14] Abdulhussain Maysa I,Gan John Q.An rxperimental investigation on PCA based on cosine similarity and correlation for text feature dimensionality reduction[C]∥Proceedings of Computer Science and Electronic Engineering Conference(CEEC),Colchester,UK,2015:1-4.

[15] Muhammad Ali Akbar,Amine Ait Si Ali,Abbes Amira.An empirical study for PCA and LDA-based feature reduction for gas identication[J].IEEE Sensors Journal,2016,16(14):5734-5746.

[16] 崔兆華，李洪軍，李文娜,等.基于自適應(yīng)結(jié)構(gòu)張量的FCM改進(jìn)算法[J].東北大學(xué)學(xué)報(bào):自然科學(xué)版，2013,34(5)：637-641.

[17] Nguyen Thanh Minh,Wu Q M Jonathan.Online feature selection based on fuzzy clustering and its applications[J].IEEE Tran-sactions on Fuzzy Systems,2016,24(16):1294-1306.

[18] Ma Qinglin.A gas outburst prediction algorithm based on Choquet fuzzy integral[C]∥Global Congress on Intelligent Systems,2009:3-7.

[19] Shang Ronghua,Tia Pingping,Jiao Licheng,et al.A spatial fuzzy clustering algorithm with kernel metric based on immune clone for SAR image segmentation[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2016,9(4):1640-1652.

[20] Lei Yang,Bezdek James C,Fellow Life,et al.Extending information-theoretic validity indices for fuzzy clustering[J].IEEE Transactions on Fuzzy Systems,2016,99:1.

[21] Bezdk J C,Hathaway R.Local convergence of the fuzzy C-means algorithm[J].Pattern Recognition,1986,19(6):102-110.

CoalandgasoutburstintensitypredictionbasedonAFSA-PCA-FCMcouplingmodel

ZHANG Mei-jin, CAI Dong-lei, CAO Qing-chun

(FacultyofElectricalandControlEngineering,LiaoningTechnicalUniversity,Huludao125105,China)

Aiming at problem of inaccurate predicting of traditional fuzzy C-means(FCM)clustering algorithm in coal and gas outburst nonlinear systems high-dimensional multivariate.A new hybrid approach includes an artificial fish swarm algorithm(AFSA)and FCM clustering algorithm based on principal component analysis screening(AFSA-PCA-FCM)is proposed.The approach uses AFSA to optimize initial parameters of FCM,and update the optimal solution of AFSA in bulletin board,so as to determine cluster center,through principal component analysis(PCA) algorithm find a best fit of cluster centers,and through wireless sensor networks(WSNs),real-time collect data of the main factors affecting underground coal and gas,the data are used as sample, and the preprocessed data are analyzed,modeling,and then compare the results with AFSA-BP,FCM and other methods.The evaluation results show that,for the prediction of coal and gas outburst strength,this method has higher accuracy,rapidity,and can stably converge to globally optimal solution.

coal-gas outburst intensity; artificial fish swarm algorithm(AFSA); fuzzy C means(FCM); predicted model; principal component analysis(PCA)

10.13873/J.1000—9787(2017)12—0050—04

TP 29

A

1000—9787(2017)12—0050—04

2016—09—28

張美金(1970-)，男，碩士，副教授，主要研究方向?yàn)槊旱V災(zāi)害防治與礦井通風(fēng)等。