煤礦井下局部通風(fēng)機(jī)需風(fēng)量的預(yù)測

閆向彤，楊 琦

(西安科技大學(xué) 機(jī)械工程學(xué)院，陜西 西安 710054)

通風(fēng)系統(tǒng)被認(rèn)為是礦井的“血液循環(huán)系統(tǒng)”，是保障礦井安全和生產(chǎn)的重要基石。若系統(tǒng)出現(xiàn)故障往往導(dǎo)致風(fēng)流紊亂、用風(fēng)地點風(fēng)量不足等安全隱患[1]。而局部通風(fēng)機(jī)作為井下通風(fēng)系統(tǒng)的核心動力，用風(fēng)筒將新鮮風(fēng)流送入掘進(jìn)工作面，使得井下空氣流通，有效降低事故率。然而由于煤礦井下通風(fēng)機(jī)長期以恒定速度運行，造成了大量的電能浪費[2，3]。因此有必要根據(jù)井下瓦斯?jié)舛?、煤塵、溫度、濕度等環(huán)境因素，利用改進(jìn)的GA優(yōu)化神經(jīng)網(wǎng)絡(luò)對井下局部通風(fēng)機(jī)下一刻需風(fēng)量進(jìn)行預(yù)測研究，從而達(dá)到調(diào)整風(fēng)速、節(jié)約能源、保障井下安全生產(chǎn)的目的。近年來人們對GA優(yōu)化神經(jīng)網(wǎng)絡(luò)提出了很多改進(jìn)，如文獻(xiàn)[4]通過模擬退火算法全局搜索能力優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)值與閾值，克服神經(jīng)網(wǎng)絡(luò)的缺陷，提高結(jié)果的準(zhǔn)確性；文獻(xiàn)[5]在遺傳算法中引入禁忌搜索算子改進(jìn)傳統(tǒng)遺傳算法的變異操作；文獻(xiàn)[6]對遺傳算法中變異算子進(jìn)行了改進(jìn)與優(yōu)化，避免算法落入局部最優(yōu)；文獻(xiàn)[7]結(jié)合遺傳算法能夠改變局部搜素能力的特點，自適應(yīng)地調(diào)整遺傳算子的交叉和變異概率；文獻(xiàn)[8]利用遺傳算法采用隨機(jī)競爭與最佳保留相結(jié)合的選擇策略，使得計算效率提高。

本文根據(jù)礦井局部通風(fēng)機(jī)的風(fēng)量需求情況，建立了局部通風(fēng)機(jī)需風(fēng)量預(yù)測模型，提出了一種改進(jìn)的遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)，在選擇算子的操作上進(jìn)行改進(jìn)，通過適應(yīng)度由大到小降序排列后將前3個最優(yōu)個體遺傳至下一代，保證種群的最優(yōu)策略；接著對剩余個體按照比例進(jìn)行選擇，將較優(yōu)的個體組合形成新的種群，保存了種群的多樣性；通過改進(jìn)后的遺傳算法在尋找最優(yōu)的權(quán)值和閾值時，效率和精確度都得到提升。最后，運用改進(jìn)的遺傳算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)對局部通風(fēng)機(jī)需風(fēng)量進(jìn)行預(yù)測，從而實現(xiàn)風(fēng)速調(diào)整，節(jié)省電能。

1 局部通風(fēng)機(jī)需風(fēng)量預(yù)測模型

礦井局部通風(fēng)機(jī)提供的新鮮風(fēng)量需求與井下環(huán)境有關(guān)，其中影響程度較深的是瓦斯?jié)舛?、溫度、濕度及煤塵等因素。因此，本文將瓦斯?jié)舛?、溫度、濕度與煤塵這四個環(huán)境參數(shù)作為Elman神經(jīng)網(wǎng)絡(luò)的輸入變量，將局部通風(fēng)機(jī)下一時刻需風(fēng)量作為輸出變量，建立的需風(fēng)量預(yù)測模型如圖1所示。利用改進(jìn)的遺傳算法去優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)，得到最優(yōu)的權(quán)值和閾值，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，實現(xiàn)局部通風(fēng)機(jī)需風(fēng)量的預(yù)測與風(fēng)速的調(diào)整。

圖1 需風(fēng)量預(yù)測模型

2 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)作為一種動態(tài)遞歸網(wǎng)絡(luò)[9]，是一種極具潛力的預(yù)測方法。它與前饋BP神經(jīng)網(wǎng)絡(luò)的不同點在于隱含層的結(jié)構(gòu)中加入了一個連接層，使得它既有前饋連接，又有反饋連接，同時使Elman網(wǎng)絡(luò)具有記憶能力，有效的克服了BP神經(jīng)網(wǎng)絡(luò)不具備動態(tài)特性的缺點。Elman神經(jīng)網(wǎng)絡(luò)一般分為四層：輸入層、隱含層和輸出層以及連接層，其輸入層、隱含層和輸出層的功能類似于前饋式BP神經(jīng)網(wǎng)絡(luò)，輸入層單元用作信號傳輸?shù)淖饔?，隱含層單元利用線性或非線性函數(shù)對不同數(shù)據(jù)進(jìn)行劃分，輸出層單元用作線性加權(quán)。而對于Elman神經(jīng)網(wǎng)絡(luò)增加的連接層用作延時與存儲，使其對歷史狀態(tài)數(shù)據(jù)具有敏感性，增加了Elman神經(jīng)網(wǎng)絡(luò)對動態(tài)信息的處理能力[10-13]，這就使得整個Elman神經(jīng)網(wǎng)絡(luò)具有對時間序列進(jìn)行預(yù)測的功能。

Elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式[14]：

y(t)=g(w3x(t))

x(t)=f(w1xc(t))+w2(u(t-1))

xc(t)=x(t-1)

(1)

式中，y(t)為t時刻m維輸出層輸出向量；x(t)為t時刻n隱含層節(jié)點向量；xc(t)為t時刻n維反饋狀態(tài)向量；u為t時刻r維輸入向量；w1、w2、w3分別表示連接層到隱含層、輸入層到隱含層、隱含層到輸出層的連接權(quán)值矩陣；g(.)為輸出神經(jīng)元的傳遞函數(shù)，是隱含層輸出的線性組合；f(.)為隱含層神經(jīng)元的傳遞函數(shù)[14]。

Elman神經(jīng)網(wǎng)絡(luò)判斷算法是否結(jié)束的誤差函數(shù)采用平方和函數(shù)。表達(dá)式為[15]：

(2)

式中，ei(t)為期望輸出；m為樣本總數(shù)；i為第i個樣本。

3 遺傳算法的改進(jìn)

3.1 編碼和適應(yīng)度函數(shù)選擇

Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值是[-1，1]區(qū)間的小數(shù)，文中采用實數(shù)編碼，該編碼方式精確度高，適合解決復(fù)雜的優(yōu)化問題。合適的適應(yīng)度函數(shù)使得算法具有更高的精確性和效率，故用實際值與預(yù)測值的絕對值求和取倒數(shù)作為適應(yīng)度函數(shù)[15]，表達(dá)式如下：

(3)

式中，yi是實際值，ai為預(yù)測值，n為Elman神經(jīng)網(wǎng)絡(luò)輸出節(jié)點個數(shù)。

3.2 遺傳算法操作

3.2.1 改進(jìn)選擇算子

遺傳算法的選擇算子常采用適應(yīng)度比例法和最優(yōu)個體保存策略。適應(yīng)度比例法又稱為輪轉(zhuǎn)法，它存在隨機(jī)誤差的問題，在選擇的過程中有可能會將適應(yīng)度高的淘汰，適應(yīng)度低的將被選中，尤其在種群數(shù)目多的情況下容易發(fā)生此類問題；而最優(yōu)個體保存策略是將種群中適應(yīng)度最高的個體不參與交叉、變異的運算，而是將適應(yīng)度低的個體直接替換，這樣的選擇算子操作可能會破壞種群多樣性，造成局部收斂。

以上的兩種選擇策略會影響遺傳算法的全局搜索性，因此在保證種群多樣性的前提下，本文提出了一種新的選擇算子操作方法，該方法可以選出種群中較優(yōu)的個體。接下來用種群數(shù)為18并且標(biāo)有適應(yīng)度值和編號的個體對改進(jìn)的選擇算子操作方法進(jìn)行圖文對應(yīng)的描述：

1)確定一個初始種群并計算個體適應(yīng)度值。

537161221920273310111716251430181716151413121110987654321

2)將種群內(nèi)的個體按照適應(yīng)度值由大到小排序。

333027252120171614121110976531819312105421367111614181715

3)選取前3個適應(yīng)度值大的直接遺傳下一代，其余按大小排序的個體均等分為三份。

4)均等的三份按照1，0.8，0.6比例進(jìn)行選擇，依據(jù)為優(yōu)者居多、劣者少選，做到保存最優(yōu)個體的同時也要保證種群的多樣性。

5)將步驟4)中選取的個體重新組合形成新種群。

6)步驟5)中的新種群因為比例選取會有所減少，所以將步驟3)中直接遺傳的個體復(fù)制一份。

7)將復(fù)制的個體補(bǔ)充到步驟5)中形成新種群，以上一系列操作可以選取優(yōu)良的個體，同時還可以保證種群的多樣性。

最終的新種群與初始化種群相比，整體的適應(yīng)度得到提高。該改進(jìn)的選擇算子操作對適應(yīng)度值進(jìn)行排序，在復(fù)制適應(yīng)度優(yōu)良的個體后，為保證種群的多樣性對剩余個體進(jìn)行按比例選取，此操作將大大提高算子的選優(yōu)能力及網(wǎng)絡(luò)的收斂速度。

3.2.2 交叉操作

根據(jù)改進(jìn)的選擇操作選中用于繁殖下一代的兩個個體uk和ul，并隨機(jī)選擇兩個個體相同的位置i，按交叉概率P進(jìn)行隨機(jī)信息交換，形成新個體。式中b為[0，1]之間的隨機(jī)數(shù)。公式[16]如下：

(4)

3.2.3 變異操作

從種群中隨機(jī)選取一個個體，對個體某些位進(jìn)行一定概率的變異以產(chǎn)生更優(yōu)秀個體，使該個體進(jìn)入下一代的機(jī)會增加。通過對第i個個體第j個基因進(jìn)行變異操作，表達(dá)式[16]如下：

f(g)=r2(1-g/Gmax)

(5)

式中，vmax和vmin分別為基因vij的上下界；r和r2均為[0，1]之間的隨機(jī)數(shù)；g為當(dāng)前迭代次數(shù)；Gmax為最大進(jìn)化代數(shù)。

3.3 IGA-Elman神經(jīng)網(wǎng)絡(luò)算法實施步驟

改進(jìn)的遺傳算法通過優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值使網(wǎng)絡(luò)更好地預(yù)測輸出，主要包括3個部分：創(chuàng)建Elman神經(jīng)網(wǎng)絡(luò)；改進(jìn)遺傳算法優(yōu)化；網(wǎng)絡(luò)預(yù)測結(jié)果[17]。步驟和流程如圖2所示：①對數(shù)據(jù)進(jìn)行歸一化處理；②確定Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并初始化權(quán)值和閾值；③GA依次對Elman神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行編碼；④輸入數(shù)據(jù)進(jìn)行訓(xùn)練將輸出誤差作為各個個體的適應(yīng)度值；⑤應(yīng)用2.2小節(jié)提出的改進(jìn)選擇算子方法，選擇出適應(yīng)度高的個體并進(jìn)行交叉和變異操作，計算出每代種群中的最大適應(yīng)度值；⑥判斷是否達(dá)到最大適應(yīng)度值，若滿足則進(jìn)行解碼獲得最優(yōu)權(quán)值和閾值，否則，進(jìn)入步驟④；⑦算誤差對網(wǎng)絡(luò)的權(quán)值閾值進(jìn)行更新，建立IGA-Elman網(wǎng)絡(luò)模型。

圖2 改進(jìn)的GA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)算法流程

3.4 改進(jìn)的遺傳算法對Elman神經(jīng)網(wǎng)絡(luò)的影響

Elman神經(jīng)網(wǎng)絡(luò)是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上通過添加一個連接層，構(gòu)成了局部反饋，使得網(wǎng)絡(luò)具有時變特性和動態(tài)記憶功能。但它同時也繼承了前饋神經(jīng)網(wǎng)絡(luò)采用梯度下降算法對各層神經(jīng)元間的權(quán)值和閾值進(jìn)行修正，使得學(xué)習(xí)速度較慢，易陷入局部極小值等缺陷。對此本文對遺傳算法的選擇算子操作進(jìn)行改進(jìn)，在種群進(jìn)化的過程中，利用復(fù)制優(yōu)良個體及按比例選取較優(yōu)個體的操作進(jìn)行遺傳，促使種群能向更好的進(jìn)化方向發(fā)展，加快種群的進(jìn)化速度，通過交叉與變異操作，提高新個體的質(zhì)量。改進(jìn)的遺傳算法將加強(qiáng)局部搜索能力，使Elman神經(jīng)網(wǎng)絡(luò)較快地逼近最優(yōu)權(quán)值和閾值，進(jìn)而獲得良好的收斂性能減小陷入局部極值的可能。

4 基于IGA-Elman神經(jīng)網(wǎng)絡(luò)算法的局部通風(fēng)機(jī)需風(fēng)量預(yù)測

對局部通風(fēng)機(jī)需風(fēng)量系統(tǒng)建立IGA-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型，輸入樣本數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練得出最優(yōu)的訓(xùn)練模型。為了更好地驗證本文所提出的基于IGA-Elman神經(jīng)網(wǎng)絡(luò)算法的局部通風(fēng)機(jī)需風(fēng)量預(yù)測模型的預(yù)測效果，依據(jù)文獻(xiàn)[18]中火鋪煤礦的井下環(huán)境監(jiān)測的數(shù)據(jù)，選取了瓦斯?jié)舛?、煤塵、溫度、濕度、風(fēng)速等對需風(fēng)量具有較大影響的歷史監(jiān)測數(shù)據(jù)作為局部通風(fēng)機(jī)需風(fēng)量預(yù)測模型的訓(xùn)練。將樣本數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練樣本對IGA-Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以達(dá)到允許的誤差范圍內(nèi)；另一部分作為測試樣本對訓(xùn)練好的預(yù)測模型進(jìn)行預(yù)測分析，測試預(yù)測模型的效果，實現(xiàn)對下一時刻局部通風(fēng)機(jī)需風(fēng)量的預(yù)測。

經(jīng)過參數(shù)設(shè)定，將樣本數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，仿真測試分別基于GA-Elman神經(jīng)網(wǎng)絡(luò)與IGA-Elman神經(jīng)網(wǎng)絡(luò)算法建立局部通風(fēng)機(jī)需風(fēng)量預(yù)測模型，對比兩者預(yù)測模型最優(yōu)個體適應(yīng)度值曲線如圖3所示。

圖3 GA-Elman與IGA-Elman網(wǎng)絡(luò)個體適應(yīng)度曲線

從圖3中可以看出，IGA-Elman算法尋找最優(yōu)的權(quán)值閾值能力要強(qiáng)于GA-Elman。在迭代的過程中，雖然GA-Elman網(wǎng)絡(luò)能較快的收斂，但它出現(xiàn)了多次適應(yīng)度下降的現(xiàn)象，使得每次迭代的過程中有最優(yōu)個體被淘汰的可能，而IGA-Elman神經(jīng)網(wǎng)絡(luò)通過對選擇算子的改進(jìn)及最優(yōu)個體保存的策略，使得整體的平均適應(yīng)度得到提升且在迭代18次左右時適應(yīng)度值趨于穩(wěn)定，體現(xiàn)出較強(qiáng)的自適應(yīng)性能。

IGA-Elman網(wǎng)絡(luò)與GA-Elman網(wǎng)絡(luò)訓(xùn)練的均方誤差曲線如圖4所示。從圖4中可以看出，傳統(tǒng)的GA-Elman神經(jīng)網(wǎng)絡(luò)的總體運行時間與均方誤差都要高于改進(jìn)的IGA-Elman網(wǎng)絡(luò)運行時間與誤差，主要是由于IGA-Elman神經(jīng)網(wǎng)絡(luò)改進(jìn)了選擇算子后計算量較之前相比減少引起的，使得遺傳算法選優(yōu)能力得到改善。

圖4 GA-Elman與IGA-Elman網(wǎng)絡(luò)均方誤差曲線

經(jīng)上述對神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練后得到最優(yōu)模型，利用優(yōu)化好的網(wǎng)絡(luò)模型對局部通風(fēng)機(jī)需風(fēng)量進(jìn)行預(yù)測，本文依據(jù)黃陵檸條塔煤礦測得實時風(fēng)量及井下環(huán)境參數(shù)，將各個參數(shù)輸入至前文優(yōu)化的網(wǎng)絡(luò)模型進(jìn)行預(yù)測，預(yù)測結(jié)果與實際風(fēng)量的誤差見表1。

通過對表1的分析可以看出，由于傳感器本身精度的誤差與井下環(huán)境的特殊性等因素，造成IGA-Elman網(wǎng)絡(luò)的預(yù)測值與實際測量值之間存在較小的誤差，但改進(jìn)的IGA-Elman網(wǎng)絡(luò)對需風(fēng)量的預(yù)測相對誤差精度要高于傳統(tǒng)GA-Elman網(wǎng)絡(luò)，所以改進(jìn)的遺傳算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)對局部通風(fēng)機(jī)需風(fēng)量的預(yù)測精度較高，效果更好。

表1 預(yù)測結(jié)果對比

5 結(jié) 語

本文提出了一種改進(jìn)的遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的局部通風(fēng)機(jī)需風(fēng)量預(yù)測模型。對傳統(tǒng)的遺傳算法進(jìn)行改進(jìn)，通過對選擇算子進(jìn)行擇優(yōu)復(fù)制遺傳下一代及按比例選擇較優(yōu)的個體相結(jié)合的操作，使改進(jìn)的遺傳算法提高了全局搜索能力，為Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練出最優(yōu)的權(quán)值和閾值奠定了基礎(chǔ)，進(jìn)而更加準(zhǔn)確的預(yù)測出局部通風(fēng)機(jī)下一刻風(fēng)量的需求，實現(xiàn)風(fēng)速的調(diào)整。