基于BP神經網絡的礦井通風系統(tǒng)可靠性預測系統(tǒng)

趙 斌

(山西霍寶干河煤礦有限公司， 山西 洪洞 041600)

煤礦井下通風系統(tǒng)是煤礦安全生產的重要部分,也是構成煤礦生產管理系統(tǒng)的關鍵系統(tǒng)，礦井運行通風狀態(tài)的穩(wěn)定性與礦井安全正常運行有著密不可分的聯(lián)系。目前通風系統(tǒng)存在系統(tǒng)布置不符合實際應用情況、系統(tǒng)設備老化、故障頻發(fā)、監(jiān)控不到位、反饋延時長等問題，導致瓦斯?jié)舛瘸邥r不能及時進行處理。因此,必須建立一個可以實時監(jiān)控系統(tǒng)運行狀態(tài)以及關鍵位置濃度參數的可靠性檢測子系統(tǒng)，才能從根本上解決目前信息滯后,處理不及時的問題，以使通風管理人員能夠及時發(fā)現(xiàn)問題,從而確保礦井通風管理系統(tǒng)的正常運行,使管理狀態(tài)始終保持最佳[1-2].

本文主要針對目前煤礦實際生產應用狀況,以如何實現(xiàn)對其礦井通風控制系統(tǒng)功能可靠性的有效預測為研究目的,采用具有理論基礎結合實際的研究方法,細化相關研究內容,將BP神經網絡算法運用于智能預測軟件算法中,并充分結合目前智能軟件技術的應用設計發(fā)展趨勢,運用多種技術手段設計出一套功能符合實際生產需要的、有效的煤礦通風系統(tǒng)可靠性現(xiàn)場監(jiān)測控制系統(tǒng)。

1 BP神經網絡算法原理

BP神經網絡處理算法是目前使用廣泛的人工神經網絡分析算法之一,其概念是由人工神經網絡算法演化而來。通過采用梯度搜索算法,使求的網絡輸出期望值與網絡輸出實際值間的誤差可以達到最小。神經網絡處理算法由非線性化的神經元網絡構成,運用處理器處理各種問題的過程與人的正常大腦處理相似，該算法沒有運算公式以及確定的程序，處理問題會結合來自外部環(huán)境的各種刺激，再進行統(tǒng)一的處理，從而實現(xiàn)獲取期望的結果。運算過程分為3步：信息輸入、處理反饋、動作輸出。網絡系統(tǒng)中的各層信息處理單元都在一個雙向并行的網絡關系中,各層之間只有在信息數據交流的進行過程中才可能會直接處于一個雙向串行的網絡關系[3-4]. 實際運算的神經元模型見圖1.

圖1 神經元模型組成圖

以各種神經元模型為設計基礎,組成的BP模型神經網絡是該算法中最關鍵的一步。其中所組成的神經網格主要可以分為3層：輸入層、隱含層、輸出層。其中每個隱含層所需要的每個節(jié)點數量一般是不固定的,該節(jié)點數量主要由解決問題的難易進行決定，具體的分層結構設計示意圖見圖2.

圖2 神經網格的分層結構設計示意圖

2 煤礦通風系統(tǒng)可靠性預測結構參數確定

1) 輸入參數確定。網絡的輸入層作為運算的輸入項，需要對采集到的數據進行輸入，通常為了保證可靠性預測，同時為了保證數據的獲取有效，一般輸入數據選擇巷道的通風速度、通風壓力、巷道溫度、瓦斯?jié)舛纫约帮L機運行狀態(tài)。

2) 輸出參數確定。神經網絡中的輸出處理層通過神經元的信號輸出對通風控制系統(tǒng)可靠性進行等級判斷。確定信號輸出端神經元從小到大分為1—5級,對應可靠性等級為安全、較安全、一般、較危險和危險。

3 礦井通風系統(tǒng)可靠性預測系統(tǒng)設計

3.1 總體架構

根據對系統(tǒng)實際需求的分析,建立礦井通風系統(tǒng)可靠性預測系統(tǒng)的總體設計架構，其主要由3個子系統(tǒng)組成，見圖3.

圖3 礦井通風系統(tǒng)可靠性預測系統(tǒng)總體架構圖

系統(tǒng)的第一部分為數據采集系統(tǒng)，為可靠性預測系統(tǒng)的基礎，該系統(tǒng)需保證數據的實際有效性，為后續(xù)系統(tǒng)提供數據支持。第二部分為監(jiān)控系統(tǒng)，主要工作是實時監(jiān)控主通風機運行數據，確保通風機的正常運行，同時實時接收來自數據采集系統(tǒng)的數據。第三部分為可靠性預測評價子系統(tǒng)，由系統(tǒng)計算工作站的上位機完成收集數據的計算分析，選用最恰當的評價算法，使得子系統(tǒng)具有更強的計算能力。通過3個核心子系統(tǒng)的綜合分析,及時處理礦井通風控制系統(tǒng)中的各個故障,并及時做出相應的技術決策[5].

3.2 監(jiān)控子系統(tǒng)設計

通風機日常監(jiān)控管理子系統(tǒng)主要是以PLC控制器作為核心，從而實現(xiàn)監(jiān)測監(jiān)控單元。通過PLC的控制在保證系統(tǒng)可靠的前提下，順利進行指令傳達和下發(fā)，完成對通風機的快速啟動和暫停、變頻等監(jiān)測控制管理任務。通風監(jiān)控系統(tǒng)的主要框架結構圖見圖4.

圖4 通風監(jiān)控系統(tǒng)主框架設計圖

3.3 數據采集子系統(tǒng)設計

數據采集子系統(tǒng)是所有上層編程邏輯系統(tǒng)數據處理的技術基礎。其工作架構圖見圖5.

圖5 礦井通風數據采集架構圖

3.4 預測子系統(tǒng)設計

BP神經網絡學習是基于一種機器算法學習(machinelearning,ml)的算法學習機制,3層網絡構成,每一次由一定維度數量的一個神經元函數構成。這些神經元細胞如同人的神經細胞一樣都是互相沒有關聯(lián)的。通過系統(tǒng)學習后所使用的網絡系統(tǒng)性能可以得到極大提高,且用戶可以不斷更新優(yōu)化自我網絡性能。機器智能學習的基本架構見圖6,由主機產生器G、訓練器主機S和智能學習機理器LM構成[6].

圖6 智能學習機模型圖

預測評價控制子系統(tǒng)的基本設計可以根據采集子系統(tǒng)的數據和風機自動控制子系統(tǒng)的風機控制數據運行中的狀態(tài)及時間所反饋的風機控制數據信號完成數據綜合分析處理,然后通過OPC Serve，可以實現(xiàn)利用PLC風機自動控制子系統(tǒng)和新的MCGS組態(tài)軟件以及之間的控制信息數據交換和基于新的MATLAB的BP神經網絡算法的預測評價進行預測評估。具體架構見圖7.

圖7 預測評價子系統(tǒng)架構圖

4 結 語

本文研究了一種面向礦井通風系統(tǒng)的可靠性預測分析系統(tǒng)，通過BP神經網絡、預測系統(tǒng)關鍵參數確定以及預測系統(tǒng)的設計等，設計了一款通風系統(tǒng)可靠性預測以及分析系統(tǒng)。該系統(tǒng)主要由3部分組成：數據采集系統(tǒng)、監(jiān)控系統(tǒng)、可靠性預測評價子系統(tǒng)。通過3個核心子系統(tǒng)的綜合分析,及時處理各個礦井通風控制系統(tǒng)中的故障,并及時做出相應的技術決策。