基于LVQ神經(jīng)網(wǎng)絡(luò)的煤自然發(fā)火預(yù)測(cè)系統(tǒng)

邊冰，劉奇，何浩

(華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063009)

?

基于LVQ神經(jīng)網(wǎng)絡(luò)的煤自然發(fā)火預(yù)測(cè)系統(tǒng)

邊冰，劉奇，何浩

(華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063009)

煤炭安全；LVQ神經(jīng)網(wǎng)絡(luò)；束管監(jiān)測(cè)系統(tǒng)；自然發(fā)火預(yù)測(cè)預(yù)報(bào)

針對(duì)煤層自然發(fā)火的預(yù)測(cè)問(wèn)題，以標(biāo)志氣體分析法為基礎(chǔ)，利用LVQ(學(xué)習(xí)向量量化)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)簡(jiǎn)單，非線性擬合能力強(qiáng)大等特點(diǎn)，提出了一種基于學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的煤自然發(fā)火預(yù)報(bào)系統(tǒng)。該系統(tǒng)將直接構(gòu)造出指標(biāo)氣體濃度與煤層是否自然發(fā)火之間的非線性映射關(guān)系，從而實(shí)現(xiàn)對(duì)煤層是否自然發(fā)火的識(shí)別分類(lèi)。經(jīng)研究分析表明，采用LVQ神經(jīng)網(wǎng)絡(luò)模型處理束管監(jiān)測(cè)系統(tǒng)從煤層中采集的指標(biāo)氣體濃度并作出自然發(fā)火預(yù)測(cè)預(yù)報(bào)的方法比BP網(wǎng)絡(luò)預(yù)測(cè)正確率高，運(yùn)行時(shí)間短，且比傳統(tǒng)預(yù)測(cè)方法更具優(yōu)勢(shì)。

0 引言

煤層自然發(fā)火作為煤礦火災(zāi)的主要致因之一，嚴(yán)重影響和危害著煤礦企業(yè)的正常生產(chǎn)以及井下工作人員的人身安全。為了能采取迅速有效的防滅火措施，避免造成資源的嚴(yán)重浪費(fèi)，保證煤礦正常有序的安全生產(chǎn)，做好煤層自然發(fā)火預(yù)測(cè)預(yù)報(bào)工作至關(guān)重要[1-5]。過(guò)去煤炭自然發(fā)火預(yù)測(cè)系統(tǒng)大都是在溫度與標(biāo)志氣體濃度或與時(shí)間的關(guān)系上建立復(fù)雜模型。進(jìn)而預(yù)測(cè)煤層是否自然發(fā)火，這種構(gòu)建復(fù)雜數(shù)學(xué)模型的方法未能考慮井下的復(fù)雜環(huán)境，其中包括散熱及通風(fēng)對(duì)標(biāo)志氣體濃度產(chǎn)生的影響[6]，因此該方法不適用于實(shí)際煤礦，該項(xiàng)研究將利用LVQ網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力直接構(gòu)造指標(biāo)氣體濃度和煤層是否自然發(fā)火之間的復(fù)雜非線性映射關(guān)系，進(jìn)而實(shí)現(xiàn)對(duì)煤層自然發(fā)火的預(yù)測(cè)。這種方法能夠有效彌補(bǔ)傳統(tǒng)預(yù)測(cè)方法的不足，在一定程度上提高煤層自然發(fā)火預(yù)測(cè)的快速性、穩(wěn)定性及準(zhǔn)確性。

1 煤層自然發(fā)火預(yù)測(cè)模型

1.1 煤層自然發(fā)火預(yù)測(cè)模型的選取

標(biāo)志氣體分析法作為現(xiàn)階段國(guó)內(nèi)外煤礦應(yīng)用比較廣泛的煤層自然發(fā)火的預(yù)測(cè)方法之一，是通過(guò)分析煤在自然發(fā)火過(guò)程中，產(chǎn)生的某些氣體的濃度、比值或發(fā)生速率等特征參數(shù)來(lái)對(duì)煤自然發(fā)火做出預(yù)報(bào)[7]。目前，大多數(shù)煤礦普遍利用束管監(jiān)測(cè)系統(tǒng)作為煤層標(biāo)志氣體的采集、運(yùn)載及分析的重要手段。然而束管監(jiān)測(cè)系統(tǒng)從礦井煤層監(jiān)測(cè)點(diǎn)采集到的標(biāo)志氣體的數(shù)據(jù)，往往呈現(xiàn)出非常復(fù)雜的非線性關(guān)系，很難利用構(gòu)造數(shù)學(xué)模型的方法進(jìn)行描述，而人工神經(jīng)網(wǎng)絡(luò)模型因具備強(qiáng)大的非線性擬合特點(diǎn)及良好的自學(xué)習(xí)、自適應(yīng)能力，用來(lái)處理這類(lèi)復(fù)雜的非線性問(wèn)題具有明顯優(yōu)勢(shì)。

BP神經(jīng)網(wǎng)絡(luò)是目前最成熟的神經(jīng)網(wǎng)絡(luò)之一，在諸如信息處理、自動(dòng)化、工程等領(lǐng)域均有普遍應(yīng)用，但其采用的BP算法有固有缺點(diǎn)，為求解復(fù)雜非線性函數(shù)的全局最優(yōu)解，其算法本質(zhì)上采用的是梯度下降的局部搜索優(yōu)化策略，因此利用BP算法極有可能陷入局部最小點(diǎn)，無(wú)法達(dá)到全局最小，最終導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗[8]。

該項(xiàng)目嘗試用學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)[9](Learning Vector Quantization, LVQ)來(lái)對(duì)煤層是否自然發(fā)火進(jìn)行模式識(shí)別。LVQ神經(jīng)網(wǎng)絡(luò)是一種有導(dǎo)師監(jiān)督，用于訓(xùn)練競(jìng)爭(zhēng)層的輸入前向神經(jīng)網(wǎng)絡(luò)。其結(jié)構(gòu)圖如圖1所示。相比BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別方式，LVQ神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)是結(jié)構(gòu)簡(jiǎn)單，收斂速度快，能抑制網(wǎng)絡(luò)陷入局部極小點(diǎn)，而且無(wú)需對(duì)數(shù)據(jù)進(jìn)行歸一化與正交化處理，只需通過(guò)內(nèi)部神經(jīng)元的相互作用即可完成非常復(fù)雜的分類(lèi)處理，能夠十分有效地改善學(xué)習(xí)效率以及提高識(shí)別速度。

圖1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

該項(xiàng)目將在標(biāo)志氣體分析法的基礎(chǔ)上應(yīng)用LVQ神經(jīng)網(wǎng)絡(luò)對(duì)束管集氣裝置采集到的標(biāo)志氣體濃度數(shù)據(jù)進(jìn)行處理并作出自然發(fā)火預(yù)測(cè)。

1.2 煤層自然發(fā)火預(yù)測(cè)的基本思路

煤層自然發(fā)火現(xiàn)象在本質(zhì)上屬于非線性系統(tǒng)，其自然發(fā)火過(guò)程十分復(fù)雜，若構(gòu)建煤自然發(fā)火過(guò)程中溫度與指標(biāo)氣體濃度或與時(shí)間的數(shù)學(xué)模型則十分困難，且各地煤層由于地質(zhì)條件的不同，導(dǎo)致煤在自然發(fā)火過(guò)程中指標(biāo)氣體的濃度差別很大。所以利用構(gòu)建煤層自然發(fā)火的復(fù)雜數(shù)學(xué)模型的方法沒(méi)有普遍應(yīng)用性。該項(xiàng)目將采用LVQ神經(jīng)網(wǎng)絡(luò)直接構(gòu)建指標(biāo)氣體濃度與煤層是否自然發(fā)火的關(guān)系，即將束管集氣裝置從監(jiān)測(cè)點(diǎn)采集到的指標(biāo)氣體濃度數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，則網(wǎng)絡(luò)將會(huì)對(duì)煤是否自然發(fā)火做出直接預(yù)報(bào)。該方法充分發(fā)揮了LVQ神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射和泛化能力明顯優(yōu)勢(shì)，使得煤層自然發(fā)火預(yù)報(bào)準(zhǔn)確度大大提高。

2 LVQ網(wǎng)絡(luò)的煤層自然發(fā)火預(yù)測(cè)模型建立

根據(jù)實(shí)驗(yàn)室煤樣氧化實(shí)驗(yàn)數(shù)據(jù)以及對(duì)煤層實(shí)際狀況的研究分析，選擇CH4/CO、O2/CO2、CO/O23組標(biāo)志氣體濃度的比值來(lái)作為網(wǎng)絡(luò)的輸入，選取標(biāo)志氣體濃度比作為網(wǎng)絡(luò)輸入可以最大限度地降低礦井通風(fēng)散熱對(duì)標(biāo)志氣體濃度的影響，從而能在一定程度上提高煤層自然發(fā)火預(yù)報(bào)準(zhǔn)確度[10]。未發(fā)火與發(fā)火作為網(wǎng)絡(luò)的輸出分別用1和2來(lái)表示。訓(xùn)練已設(shè)計(jì)好的LVQ網(wǎng)絡(luò)，接著對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，分析和檢驗(yàn)結(jié)果正確率。

3 LVQ網(wǎng)絡(luò)在煤層自然發(fā)火預(yù)測(cè)中的仿真應(yīng)用

3.1 標(biāo)志氣體數(shù)據(jù)的采集

該項(xiàng)目選取唐山東歡坨煤礦5#、7#、9#煤樣氧化實(shí)驗(yàn)數(shù)據(jù)，共計(jì)50組，作為標(biāo)志氣體的采集樣本，部分經(jīng)采集處理后的數(shù)據(jù)樣本如表1所示。依據(jù)先驗(yàn)知識(shí)以及現(xiàn)場(chǎng)經(jīng)驗(yàn)，當(dāng)煤層溫度小于280 ℃可以認(rèn)為未發(fā)火，大于280 ℃認(rèn)為煤層自然發(fā)火，與之對(duì)應(yīng)的網(wǎng)絡(luò)輸出分別為1和2。

50組樣本實(shí)驗(yàn)數(shù)據(jù)中，35組為未發(fā)火實(shí)驗(yàn)數(shù)據(jù)，15組為自然發(fā)火實(shí)驗(yàn)數(shù)據(jù)。從中任意抽取34組樣本作為訓(xùn)練集，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，16組樣本作為檢測(cè)集，對(duì)網(wǎng)絡(luò)進(jìn)行仿真測(cè)試。

表1 經(jīng)處理后的東歡坨7# 煤樣氧化數(shù)據(jù)

3.2 LVQ神經(jīng)網(wǎng)絡(luò)的創(chuàng)建

由于該項(xiàng)目選取了CH4/CO、O2/CO2、CO/O2這3組標(biāo)志氣體濃度的比值來(lái)作為網(wǎng)絡(luò)的輸入，故設(shè)置LVQ神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為3，輸出結(jié)果只有2種形式，一種是自然發(fā)火，另一種是未發(fā)火，從而將輸出層節(jié)點(diǎn)個(gè)數(shù)設(shè)為2。對(duì)于競(jìng)爭(zhēng)層即隱含層神經(jīng)元個(gè)數(shù)的設(shè)置若過(guò)少則會(huì)造成偏大的預(yù)測(cè)誤差，若設(shè)置過(guò)多，則網(wǎng)絡(luò)學(xué)習(xí)時(shí)間會(huì)相對(duì)增大，且極可能導(dǎo)致"過(guò)學(xué)習(xí)"。最佳隱含層節(jié)點(diǎn)個(gè)數(shù)的選取目前尚沒(méi)有確切方法，首先利用經(jīng)驗(yàn)公式計(jì)算出隱含層節(jié)點(diǎn)數(shù)的大概范圍區(qū)間，其次再通過(guò)試湊法最終決定最佳節(jié)點(diǎn)個(gè)數(shù)，通過(guò)計(jì)算與仿真試湊明確最終選取隱含層節(jié)點(diǎn)數(shù)為5。LVQ神經(jīng)網(wǎng)絡(luò)最大訓(xùn)練次數(shù)設(shè)置為100，訓(xùn)練步長(zhǎng)為0.1，訓(xùn)練階段的學(xué)習(xí)率為0.1，目標(biāo)誤差為0.1。

3.3 LVQ與BP神經(jīng)網(wǎng)絡(luò)的仿真與結(jié)果對(duì)比分析

當(dāng)LVQ網(wǎng)絡(luò)創(chuàng)建完成以及相關(guān)參數(shù)設(shè)置好之后，利用MATLAB里的train語(yǔ)句開(kāi)始對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過(guò)3次網(wǎng)絡(luò)訓(xùn)練，運(yùn)行時(shí)間1.909 723 s后，誤差精度滿足要求，訓(xùn)練隨即停止，由此可見(jiàn)，該網(wǎng)絡(luò)訓(xùn)練速度很快，在一定程度上能有效節(jié)省網(wǎng)絡(luò)訓(xùn)練時(shí)間。LVQ神經(jīng)網(wǎng)絡(luò)誤差曲線如圖2所示。BP神經(jīng)網(wǎng)絡(luò)誤差曲線如圖3所示。

圖2 LVQ神經(jīng)網(wǎng)絡(luò)誤差曲線圖

圖3 BP神經(jīng)網(wǎng)絡(luò)誤差曲線圖

利用MATLAB中的sim語(yǔ)句將檢測(cè)樣本輸入到已訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)中，為了能直觀地對(duì)比仿真結(jié)果，采用與學(xué)習(xí)向量機(jī)同樣的訓(xùn)練集創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)，并對(duì)測(cè)試集進(jìn)行仿真測(cè)試，仿真結(jié)果如表2、表3所示。

表2 仿真結(jié)果1

表3 仿真結(jié)果2

根據(jù)仿真結(jié)果可以看到，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)13次訓(xùn)練，運(yùn)行時(shí)間達(dá)9.294 832 s，誤差精度才能滿足有要求，且第1類(lèi)預(yù)測(cè)正確率為91.666 7%，第2類(lèi)預(yù)測(cè)正確率為100%。而LVQ神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)3次訓(xùn)練，運(yùn)行時(shí)間僅1.909 723 s，誤差精度就可以達(dá)到要求，并且第1、第2類(lèi)預(yù)測(cè)結(jié)果正確率均可達(dá)100%，即可以得到全部正確識(shí)別分類(lèi)。

4 結(jié)論

(1)通過(guò)仿真分析可以看出，采用LVQ神經(jīng)網(wǎng)絡(luò)比BP網(wǎng)絡(luò)模型在處理束管集氣裝置從煤層中采集的指標(biāo)氣體濃度并作出自然發(fā)火預(yù)測(cè)預(yù)報(bào)中，更具快速性、穩(wěn)定性及準(zhǔn)確性。當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練樣本以外的其他指標(biāo)氣體濃度數(shù)據(jù)時(shí)，網(wǎng)絡(luò)會(huì)迅速對(duì)煤層自然發(fā)火與否做出準(zhǔn)確預(yù)報(bào)。

(2)所用標(biāo)志氣體數(shù)據(jù)來(lái)源于實(shí)驗(yàn)室的煤樣氧化實(shí)驗(yàn)，由于煤層現(xiàn)場(chǎng)環(huán)境遠(yuǎn)比實(shí)驗(yàn)室所處環(huán)境復(fù)雜，通風(fēng)及散熱條件等諸多因素的影響使得現(xiàn)場(chǎng)與實(shí)驗(yàn)室環(huán)境存在一定差距，進(jìn)而導(dǎo)致束管集氣系統(tǒng)收集到的指標(biāo)氣體濃度產(chǎn)生明顯差異，以標(biāo)志氣體濃度比作為網(wǎng)絡(luò)輸入，最大限度地降低了通風(fēng)及散熱對(duì)標(biāo)志氣體濃度的影響，充分保證了網(wǎng)絡(luò)輸入的復(fù)雜性與真實(shí)性。因此，該仿真結(jié)果具有一定可信性。

(3)利用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)煤礦自然發(fā)火預(yù)測(cè)預(yù)報(bào)的前提是具有大量可靠的訓(xùn)練樣本，隨著氧化實(shí)驗(yàn)的逐步完善，可靠的訓(xùn)練樣本數(shù)會(huì)增多，使網(wǎng)絡(luò)得到不斷改進(jìn)，因此將會(huì)更好地為煤礦自然發(fā)火的防治提供有力依據(jù)。

[1] 賀清, 楊飛, 許滿貴. 煤礦自燃火災(zāi)綜合治理技術(shù)與實(shí)踐[J]. 陜西煤炭, 2014, 33(1):67-70.

[2] 羅海珠, 梁運(yùn)濤. 煤自然發(fā)火預(yù)測(cè)預(yù)報(bào)技術(shù)的現(xiàn)狀與展望[J]. 中國(guó)安全科學(xué)學(xué)報(bào), 2003, 13(3): 76-78.

[3] 王永湘. 利用指標(biāo)氣體預(yù)測(cè)預(yù)報(bào)煤礦自燃火災(zāi)[J]. 煤礦安全,2001,06:15-16+58.

[4] 孟凱寧,符智彭. 柴家溝煤礦自燃火災(zāi)防治技術(shù)研究[J]. 煤炭技術(shù),2013,07:74-76.

[5] Hang Yuan, Zhang Gai-ling.Numerical simulation of dewatering thick unconsolidated aquifers for safety of underground coal mining[J]. Mining Science and Technology,2009,03:312-316.

[6] 高平, 邊冰, 劉志堅(jiān). 基于 BP 神經(jīng)網(wǎng)絡(luò)的煤自然發(fā)火預(yù)報(bào)系統(tǒng)[J]. 煤炭技術(shù), 2014,(9): 60-62.

[7] 王福生, 朱令起, 張嘉勇. 應(yīng)用氣體分析法建立煤自然發(fā)火預(yù)報(bào)系統(tǒng)[J]. 煤礦安全, 2006, 37,(11): 9-11.

[8] 彭斌, 胡常安, 趙榮珍. 基于混合雜草算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化策略[J]. 振動(dòng). 測(cè)試與診斷, 2013, 33(4): 634-639.

[9] Hammer B, Hofmann D, Schleif F M, et al. Learning vector quantization for (dis-) similarities[J]. Neurocomputing, 2014, 131: 132.

[10] 朱令起, 周心權(quán), 朱迎春. 東歡坨煤礦自然發(fā)火標(biāo)志氣體的優(yōu)化選擇[J]. 西安科技大學(xué)學(xué)報(bào), 2008, 28(2): 288-292.

Forecasting System of Spontaneous Combustion of Coal Based on LVQ Neural Network

BIAN Bing, LIU Qi, HE Hao

(College of Electrical Engineering, North China University of Science and Technology, Tangshan Hebei 063009, China)

mining safety; LVQ neural network; beam tube monitoring system; spontaneous combustion forecasting

For the problem of coal spontaneous combustion forecasting, the gas analysis as the foundation, a forecasting system of spontaneous combustion of coal based on LVQ neural network has been constructed, because of the structure of LVQ neural network model is simple and the nonlinear fitting ability is strong. The systems can construct the nonlinear mapping relation between gas concentration and spontaneous combustion situation directly, so the recognition classification of spontaneous combustion is realized. Studies show that the method is feasible that dealing with the gas concentration in coal seam from tube monitoring system by LVQ neural network, and this method is more accurate and faster than BP neural network and more advantage than traditional forecasting methods.

2095-2716(2017)01-0012-05

TD75+2.1；TP277

A