基于BP神經(jīng)網(wǎng)絡(luò)的煤礦綜掘面風(fēng)流智能調(diào)控模型研究

龔曉燕,孫育恒,劉壯壯,鄒 浩,陳有樂,康瑞金,程 傲

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

目前煤礦綜掘面?zhèn)鹘y(tǒng)的局部通風(fēng)系統(tǒng)在通風(fēng)方案確定的情況下,風(fēng)筒出風(fēng)口風(fēng)流狀態(tài)不能實時動態(tài)調(diào)節(jié),通風(fēng)效率低且難以保障風(fēng)場的合理分布,不能滿足煤礦實際掘進(jìn)過程中對風(fēng)場的動態(tài)需求,容易造成瓦斯和粉塵在巷道回流區(qū)聚集,影響掘進(jìn)面安全高效開采,危害工作人員的身體健康。隨著煤礦智能化程度的不斷提高[1],煤礦掘進(jìn)速度不斷加快,迫切需要對現(xiàn)有的綜掘面通風(fēng)系統(tǒng)進(jìn)行智能化升級改造[2-4],提高掘進(jìn)工作面通風(fēng)精細(xì)化管理水平,以快速解決粉塵和瓦斯?jié)舛润E增帶來的安全隱患問題[5]。近年來國內(nèi)外眾多學(xué)者對掘進(jìn)工作面智能通風(fēng)技術(shù)進(jìn)行了大量研究,如陳重新等[6]研制出一套以瓦斯?jié)舛葹橹饕獏⒘縼碚{(diào)節(jié)風(fēng)機(jī)轉(zhuǎn)速、控制風(fēng)量的智能局部通風(fēng)系統(tǒng),并提出了解決瓦斯突出問題的方法;程曉之等[7]根據(jù)多傳感器實時監(jiān)測數(shù)據(jù),提出了局部通風(fēng)參數(shù)計算方法及礦井局部通風(fēng)智能調(diào)控系統(tǒng)功耗分析方法,并得到了最佳供需匹配的風(fēng)量調(diào)控方案;杜崗等[8]提出了一種粒子群(PSO)優(yōu)化PID(比例積分微分)控制算法,該算法提高了煤礦局部通風(fēng)系統(tǒng)控制參數(shù)調(diào)節(jié)的自適應(yīng)能力,煤礦局部通風(fēng)機(jī)調(diào)節(jié)時間等控制指標(biāo)得到了明顯的改善;崔博文[9]研制了智能變頻調(diào)速局部通風(fēng)系統(tǒng),將多級對旋局部通風(fēng)機(jī)與變頻控制器和甲烷傳感器相結(jié)合,根據(jù)瓦斯?jié)舛鹊淖兓S時改變通風(fēng)量,從而將瓦斯?jié)舛瓤刂圃诤侠淼姆秶鷥?nèi)。在利用Adam(適應(yīng)性矩估計)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)方面,郝天軒等[10]利用Adam算法優(yōu)化深度神經(jīng)網(wǎng)絡(luò)來預(yù)測瓦斯抽采半徑;李樹剛等[11]利用Adam算法優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò),構(gòu)建了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的煤礦工作面瓦斯?jié)舛鹊念A(yù)測模型。

當(dāng)前煤礦綜掘面智能通風(fēng)技術(shù)研究主要集中在利用變頻技術(shù)對局部通風(fēng)機(jī)的供風(fēng)量進(jìn)行智能調(diào)控,但無法根據(jù)實際需求對關(guān)鍵安全隱患位置的風(fēng)流場狀態(tài)進(jìn)行精細(xì)化智能調(diào)控。基于此,在本課題組自主研制的風(fēng)流智能調(diào)控裝置的基礎(chǔ)上,本文建立了基于Adam算法優(yōu)化BP(反向傳播)神經(jīng)網(wǎng)絡(luò)的煤礦綜掘面風(fēng)流智能調(diào)控模型,通過輸入關(guān)鍵安全隱患位置的粉塵和瓦斯?jié)舛鹊葘崟r監(jiān)測數(shù)據(jù),由實時監(jiān)測數(shù)據(jù)驅(qū)動該模型輸出調(diào)控方案,可為煤礦綜掘面風(fēng)流精準(zhǔn)智能調(diào)控提供理論依據(jù)。

1 風(fēng)流智能調(diào)控模型框架設(shè)計

1.1 模型建立需求分析

本課題組在前期大量的探索中得出風(fēng)筒出風(fēng)口風(fēng)流變化對控制巷道內(nèi)瓦斯和粉塵運移分布有明顯影響[12-13],并在此基礎(chǔ)上研制出一種能夠改變煤礦綜掘面出風(fēng)口射流角度、出風(fēng)口口徑以及出風(fēng)口距端面距離的風(fēng)流調(diào)控裝置及其空間布局,如圖1所示[14]。由于目前礦井局部通風(fēng)方案無法根據(jù)實時變化的粉塵、瓦斯?jié)舛茸龀鱿鄳?yīng)的調(diào)整,僅靠調(diào)節(jié)風(fēng)量無法滿足科學(xué)化、精細(xì)化的調(diào)控需求,因此利用BP神經(jīng)網(wǎng)絡(luò)對復(fù)雜非線性關(guān)系處理的優(yōu)勢[15],分析巷道內(nèi)瓦斯和粉塵濃度與風(fēng)筒出風(fēng)口調(diào)控參數(shù)之間的關(guān)聯(lián)關(guān)系,建立由風(fēng)速以及瓦斯和粉塵濃度實時監(jiān)測數(shù)據(jù)驅(qū)動的風(fēng)流智能調(diào)控模型,實現(xiàn)連續(xù)動態(tài)調(diào)控,對優(yōu)化風(fēng)場分布、降低瓦斯和粉塵聚集具有重要的意義。

圖1 煤礦綜掘面風(fēng)流智能調(diào)控裝置及其空間布局示意圖Fig.1 Schematic diagram of the airflow intelligent control device of the fully mechanized heading face and its spatial layout

1.2 模型結(jié)構(gòu)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)一般由3層結(jié)構(gòu)組成,即輸入層、隱藏層和輸出層,通過對煤礦綜掘面風(fēng)筒出風(fēng)口口徑、方向角度和前后距離等參數(shù)動態(tài)變化下的數(shù)值模擬試驗和井下測試試驗研究得出,出風(fēng)口風(fēng)流變化對風(fēng)速以及瓦斯和粉塵的運移分布具有很大的影響,結(jié)合關(guān)鍵安全隱患位置以及考慮工作人員健康問題,選取死角區(qū)瓦斯?jié)舛?、回風(fēng)側(cè)粉塵濃度、司機(jī)處粉塵濃度、回風(fēng)側(cè)風(fēng)速和司機(jī)處風(fēng)速為輸入層參數(shù),以風(fēng)筒出風(fēng)口距掘進(jìn)端頭距離、出風(fēng)口口徑、出風(fēng)口水平右偏角度、出風(fēng)口垂直上偏角度為輸出層參數(shù),隱藏層層數(shù)根據(jù)樣本數(shù)據(jù)的不同而具體確定,Adam-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

圖2 Adam-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.2 Flow chart of the Adam-BP neural network model

1.3 Adam-BP神經(jīng)網(wǎng)絡(luò)模型建立流程

本文在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上采用TensorFlow框架和Adam優(yōu)化算法,以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)效率低、速率慢且容易陷入局部最優(yōu)的問題,同時增加模型的收斂速率,并減小模型的均方誤差[16]。TensorFlow是目前最受歡迎的開源深度學(xué)習(xí)框架之一,它通過數(shù)據(jù)流圖技術(shù)(data flow graph)進(jìn)行數(shù)值計算,在非均勻分布的計算環(huán)境下加速學(xué)習(xí)過程,具有快速、靈活、易開發(fā)等特點[17]。Adam優(yōu)化算法本質(zhì)上是一種帶有動量項的均方根傳播算法,它通過損失函數(shù)(loss)對每個參數(shù)梯度的一階矩估計和二階矩估計動態(tài)調(diào)整學(xué)習(xí)速率,使其擁有較高的計算速率,并且參數(shù)穩(wěn)定,收斂速率快,在處理非穩(wěn)態(tài)和稀疏集時有較好的表現(xiàn)[18-19]。Adam優(yōu)化算法的步驟如下:

Step1初始化一階矩向量m0=0,二階矩向量v0=0,時間步長t0=0。

Step2定義學(xué)習(xí)率η=0.001,一階矩衰減系數(shù)β1=0.9,二階矩衰減系數(shù)β2=0.999,用于數(shù)值穩(wěn)定的小常數(shù)δ=10-8[10,20]。

Step3開始迭代循環(huán)while(flag=1)do

Step4t=t+1

Step5計算得到t時刻的目標(biāo)函數(shù)梯度:

gt=θfθ(θt-1)

Step6更新有偏差的一階矩向量:

mt=β1mt-1+(1-β1)gt

Step7更新有偏差的二階矩向量:

vt=β2vt-1+(1-β2)gt⊙gt

Step8計算偏差矯正的一階矩向量:

Step9計算偏差矯正的二階矩向量:

Step10判斷參數(shù)是否滿足要求:

Step11更新參數(shù):

Step12結(jié)束迭代更新end while。

本文利用Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),分析巷道內(nèi)瓦斯和粉塵濃度與風(fēng)筒出風(fēng)口調(diào)控參數(shù)之間的非線性關(guān)系,建立風(fēng)流智能調(diào)控模型,其模型建立流程如圖3所示。

圖3 建立風(fēng)流智能調(diào)控模型流程圖Fig.3 Flow chart of the airflow intelligent control model algorithm

2 風(fēng)流智能調(diào)控模型建立

2.1 樣本數(shù)據(jù)獲取與預(yù)處理

2.1.1 有限元模型建立與驗證

BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建需要大量的樣本數(shù)據(jù)以保證模型的精度,而物理試驗和井下測試數(shù)據(jù)無法滿足需求,本文以陜西神木檸條塔礦S1202綜掘面為研究對象,建立有限元模型進(jìn)行數(shù)值模擬以獲取試驗數(shù)據(jù)。該煤礦巷道通風(fēng)方式為壓入式通風(fēng),風(fēng)筒安裝位于巷道左上方,其巷道的斷面參數(shù)尺寸為5.8 m×3.85 m,實際工作面供風(fēng)量約為380 m3/min。根據(jù)該煤礦綜掘工作面實際環(huán)境,將巷道設(shè)置為長30 m、寬5.8 m、高3.85 m的模型,風(fēng)筒口徑設(shè)置為1 m,將掘進(jìn)機(jī)EBZ-200懸臂式綜掘機(jī)模型尺寸設(shè)置為10.5 m×3.2 m×1.8 m(長×寬×高),建立的有限元模型如圖4所示,其中坐標(biāo)原點設(shè)立在綜掘面與巷道底板交界線的近風(fēng)筒側(cè)位置,x軸正方向表示由風(fēng)筒側(cè)指向回風(fēng)側(cè),y軸正方向表示由巷道底板指向頂板,z軸正方向表示由綜掘面指向末端。模型邊界條件參數(shù)及離散相模型參數(shù)設(shè)定見表1和表2。

表1 模型邊界條件參數(shù)設(shè)定

表2 離散相模型參數(shù)設(shè)定

圖4 檸條塔礦S1202綜掘面風(fēng)速、瓦斯及粉塵場有限 元模型Fig.4 Finite element model of wind speed,gas and dust field at the S1202 fully mechanized heading face of Ningtiaota Mine

為了體現(xiàn)風(fēng)流智能調(diào)控模型訓(xùn)練數(shù)據(jù)的有效性和可靠性,結(jié)合實際情況,以減少粉塵對工作人員的危害為目的,在檸條塔礦S1202綜掘面選取司機(jī)位置處(x=2.0 m,y=2.0 m,z=7.5 m)對原始場進(jìn)行了采樣測試,并對同一工況下經(jīng)數(shù)值模擬計算得到的風(fēng)速和粉塵濃度與井下實測結(jié)果進(jìn)行了對比驗證,其結(jié)果見圖5。

圖5 檸條塔礦S1202綜掘面司機(jī)位置處粉塵濃度和 風(fēng)速數(shù)值模擬值與實測值的對比圖Fig.5 Comparison between the measured data and simulated data of gas concentration and wind speed at the driver’s location at the S120 fully mechanized heading face of Ningtiaota Mine

由圖5可以看出:該礦掘進(jìn)工作面司機(jī)位置處粉塵濃度和風(fēng)速數(shù)值模擬值與實測值的誤差絕對值均小于10%,且兩者在變化規(guī)律上大體一致,從而驗證了模擬結(jié)果的有效性和可靠性,說明本文有限元模型的精度滿足要求。

2.1.2 原始數(shù)據(jù)獲取

根據(jù)龔曉燕等[21]的研究得出,當(dāng)風(fēng)筒出風(fēng)口距掘進(jìn)端頭距離為5～10 m、出風(fēng)口口徑為0.7～1.2 m、出風(fēng)口水平右偏角度為0°～25°、出風(fēng)口垂直上偏角度為0°～6°時,對巷道內(nèi)粉塵和瓦斯運移分布的影響較大,以此作為參照并結(jié)合風(fēng)流調(diào)控裝置的調(diào)控參數(shù)對每個原始場設(shè)計了27組調(diào)控方案,如表3所示。對不同的原始場進(jìn)行了數(shù)值模擬試驗,獲取了回風(fēng)側(cè)平均風(fēng)速和粉塵濃度、司機(jī)位置處風(fēng)速和粉塵濃度以及死角區(qū)瓦斯?jié)舛鹊哪M數(shù)據(jù)。并結(jié)合風(fēng)速范圍為0.25～4 m/s和瓦斯?jié)舛炔怀^1%的約束條件剔除不合理數(shù)據(jù),再通過對比模擬的調(diào)控效果挑選出降塵率高于30%的調(diào)控方案,共獲取124組數(shù)據(jù)作為試驗原始數(shù)據(jù),如表4所示。

表4 試驗原始數(shù)據(jù)

2.1.3 原始數(shù)據(jù)預(yù)處理

為了消除風(fēng)速以及粉塵和瓦斯?jié)舛鹊雀鲾?shù)據(jù)之間量級的影響,需要對樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。本文采用min-max標(biāo)準(zhǔn)化(0～1標(biāo)準(zhǔn)化)的方式對原始數(shù)據(jù)進(jìn)行線性變換,并調(diào)用Numpy庫中的min、max函數(shù)找到最大值和最小值,具體計算公式如下:

(1)

將數(shù)據(jù)中的任意一個x通過min-max標(biāo)準(zhǔn)化為一個0～1之間的x′,當(dāng)完成訓(xùn)練后再進(jìn)行反歸一化使其恢復(fù),以便不斷增添訓(xùn)練數(shù)據(jù)更新模型精度。

2.2 Adam-BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)確定

2.2.1 隱藏層層數(shù)確定

BP神經(jīng)網(wǎng)絡(luò)模型的精確性以及有效性是由隱藏層層數(shù)、學(xué)習(xí)率、權(quán)值等參數(shù)決定的,隱藏層確定節(jié)點的過程中采用試湊法和經(jīng)驗法結(jié)合的方法,先用經(jīng)驗公式估算隱藏層節(jié)點的數(shù)目;在此基礎(chǔ)上使用試湊法確定最終的隱藏層數(shù)目,并通過比較不同節(jié)點數(shù)目下BP神經(jīng)網(wǎng)絡(luò)的均方誤差,確定最終的隱藏層節(jié)點數(shù)目。

隱藏層節(jié)點數(shù)估算的經(jīng)驗公式為

(2)

式中:k為隱藏層節(jié)點數(shù)量;n為輸入層節(jié)點數(shù)量;m為輸出層節(jié)點數(shù)量;α為1～10之間的常數(shù)。

均方誤差的計算公式為

(3)

式中:MSE表示均方誤差;n表示樣本容量;T表示樣本真實值;P表示樣本預(yù)測值。

輸入層節(jié)點數(shù)為5個,輸出層節(jié)點數(shù)為4個,故利用式(2)計算得到的隱藏層節(jié)點數(shù)目的取值范圍為4～13個,同時為了更精確地找出隱藏層節(jié)點數(shù)目,利用訓(xùn)練數(shù)據(jù)分別對隱藏層節(jié)點數(shù)為4、5、6、7、8、9、10、11、12、13個的模型進(jìn)行訓(xùn)練,當(dāng)隱藏層節(jié)點數(shù)為13個時均方誤差最小,為0.194 4,故確定隱藏層節(jié)點數(shù)目為13個。

2.2.2 學(xué)習(xí)率確定

BP神經(jīng)網(wǎng)絡(luò)模型中學(xué)習(xí)率直接影響模型的收斂速度和性能,學(xué)習(xí)率越大,模型的收斂速度越快,但在模型訓(xùn)練后期會有較大的波動,造成振蕩現(xiàn)象,甚至出現(xiàn)損失函數(shù)值圍繞最小值徘徊而無法找到最優(yōu)解的情況。故本文采取學(xué)習(xí)率衰減[22]的辦法,在模型訓(xùn)練初期使用較大的學(xué)習(xí)率即η=0.1,隨著迭代次數(shù)的增加,以0.95η的速率遞減,以保證后期模型更接近最優(yōu)解。

2.2.3 優(yōu)化算法選取

在優(yōu)化算法的選取過程中,本文選取了4種BP神經(jīng)網(wǎng)絡(luò)主流優(yōu)化算法進(jìn)行訓(xùn)練對比,即SGD(隨機(jī)梯度下降)算法、Adagrad算法、RMSProp算法和Adam(適應(yīng)性矩估計)算法,其收斂曲線如圖6所示,并利用式(3)計算其均方誤差(MSE),結(jié)果見表5。

表5 不同優(yōu)化算法的均方誤差(MSE)對比

圖6 不同優(yōu)化算法收斂曲線對比Fig.6 Comparison of convergence curves of different optimization algorithms

由圖6和表5可知:基于Adam優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)收斂速度更快,均方誤差更小,最終驗證了Adam算法的精確性。

3 風(fēng)流智能調(diào)控模型實驗測試驗證

為了驗證風(fēng)流智能調(diào)控模型的調(diào)控效果,本文采取物理平臺試驗和井下降塵效果調(diào)控測試試驗兩部分對模型進(jìn)行了試驗測試驗證。通過提取實時的風(fēng)速以及瓦斯和粉塵濃度監(jiān)測數(shù)據(jù)輸入調(diào)控模型中,并根據(jù)模型輸出的調(diào)控方案來調(diào)整風(fēng)流調(diào)控裝置的各個參數(shù),進(jìn)而調(diào)控風(fēng)流,從而影響風(fēng)場的運移分布,以達(dá)到降低粉塵和瓦斯?jié)舛鹊哪康摹?/p>

3.1 物理實驗平臺連續(xù)動態(tài)調(diào)控效果測試

物理實驗平臺以檸條塔礦S1202綜掘面為研究對象依照相似模型理論按照1∶5的比例搭建而成,該平臺高為0.77 m、寬為1.16 m,總長度為6 m,內(nèi)置長、寬、高分別為2.1、0.64、0.36 m的簡易掘進(jìn)機(jī)模型。依據(jù)檸條塔礦S1202綜掘面的實際情況,對《煤礦安全規(guī)程》[23]關(guān)鍵點與數(shù)值模擬關(guān)鍵安全隱患點布置風(fēng)速、粉塵和瓦斯傳感器,以保證所測得數(shù)據(jù)可以模擬綜掘面巷道的實際情況,實驗平臺如圖7(a)所示;測點位置及傳感器布置如測試方案圖7(b)所示,其中1#～6#為回風(fēng)側(cè)行人呼吸帶高度風(fēng)速、粉塵傳感器布置位置,7#為司機(jī)位置處風(fēng)速、粉塵傳感器位置,8#為死角區(qū)瓦斯傳感器位置,依托實驗平臺以出風(fēng)口距掘進(jìn)端頭5 m為例進(jìn)行智能調(diào)控試驗。

圖7 風(fēng)流調(diào)控物理實驗平臺及試驗測試方案Fig.7 Airflow control physical experimental platform and test scheme

由于井下實際掘進(jìn)過程中塵源的動態(tài)變化,為了驗證風(fēng)流智能調(diào)控模型的連續(xù)動態(tài)調(diào)控效果,文獻(xiàn)[24]將一個截割循環(huán)分為8個階段來研究最佳調(diào)控規(guī)則,為了保證調(diào)控方案有足夠的作用時間在實驗平臺上,本文以一個截割循環(huán)為例,將一個弓形截割循環(huán)分為兩個階段,通過初始粉塵、瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)輸出一階段的調(diào)控方案,一階段結(jié)束時的監(jiān)測數(shù)據(jù)作為二階段的輸入數(shù)據(jù)獲取二階段的調(diào)控方案,截割循環(huán)劃分如圖8所示。

圖8 截割循環(huán)劃分示意圖Fig.8 Schematic diagram of the cut-off cycle division

初始司機(jī)位置處粉塵濃度為431.40 mg/m3,回風(fēng)側(cè)粉塵平均濃度為423.08 mg/m3,死角區(qū)瓦斯?jié)舛葹?.925%。一階段模型輸出的調(diào)控方案為:出風(fēng)口距掘進(jìn)端頭的距離為5 m,出風(fēng)口口徑為1.1 m,出風(fēng)口水平右偏角度為15°,出風(fēng)口垂直上偏角度為4°。調(diào)控后一階段司機(jī)位置處粉塵濃度降低了31.8%,回風(fēng)側(cè)粉塵平均濃度降低了21.7%,死角區(qū)瓦斯?jié)舛冉档土?.7%。將一階段結(jié)束時測得的數(shù)據(jù)作為階段二模型的輸入數(shù)據(jù),二階段模型輸出的調(diào)控方案為:出風(fēng)口距掘進(jìn)端頭的距離為6 m,出風(fēng)口口徑為1.2 m,出風(fēng)口水平右偏角度為10°,出風(fēng)口垂直上偏角度為2°。調(diào)控后二階段司機(jī)位置處粉塵濃度降低了25.5%,回風(fēng)側(cè)粉塵平均濃度降低了28.4%,死角區(qū)瓦斯?jié)舛冉档土?3.3%,試驗測試數(shù)據(jù)如表6所示。

表6 物理實驗平臺連續(xù)動態(tài)調(diào)控效果測試數(shù)據(jù)

3.2 井下調(diào)控效果測試試驗

為了進(jìn)一步驗證風(fēng)流智能調(diào)控模型輸出方案的有效性和可靠性,利用課題組自主研制的風(fēng)流調(diào)控裝置(如圖9所示)在檸條塔礦S1202綜掘面巷道進(jìn)行井下調(diào)控試驗驗證。

圖9 風(fēng)流調(diào)控裝置井下安裝與測試Fig.9 Downhole installation and test of air flow control device

將風(fēng)流調(diào)控裝置安裝于檸條塔礦S1202綜掘面風(fēng)筒出風(fēng)口末端,由于檸條塔礦為低瓦斯礦井且井下工作現(xiàn)場環(huán)境復(fù)雜,死角區(qū)瓦斯?jié)舛葦?shù)據(jù)獲取難度較大,故井下測試以粉塵濃度為主要分析對象。

以出風(fēng)口距掘進(jìn)端頭5 m時的工況為例,對原始場與調(diào)控后的粉塵濃度進(jìn)行了對比分析。由于井下調(diào)控試驗過程中現(xiàn)場數(shù)據(jù)獲取和處理的難度較大,無法做連續(xù)動態(tài)試驗,故僅做兩組調(diào)控對比試驗,得到井下降塵效果對比分析結(jié)果見表7。

表7 井下粉塵調(diào)控效果對比分析

由表7可知:兩種調(diào)控方案下回風(fēng)側(cè)行人呼吸帶平均粉塵濃度分別降低了29.6%和27.1%,司機(jī)位置處粉塵濃度分別降低了36.7%和31.5%。

4 結(jié) 論

針對煤礦掘進(jìn)工作面通風(fēng)智能化、精細(xì)化的調(diào)控需求,本文建立了基于BP神經(jīng)網(wǎng)絡(luò)的煤礦綜掘面風(fēng)流智能調(diào)控模型,并以陜西檸條塔礦S1202掘進(jìn)面為研究對象,進(jìn)行了模型建立與測試驗證,得到如下結(jié)論:

1) 以死角區(qū)瓦斯?jié)舛取⑺緳C(jī)位置處粉塵濃度、回風(fēng)側(cè)粉塵濃度、回風(fēng)側(cè)風(fēng)速和司機(jī)位置處風(fēng)速為輸入層參數(shù),以風(fēng)筒出風(fēng)口距掘進(jìn)端頭的距離、出風(fēng)口口徑、出風(fēng)口水平右偏角度、出風(fēng)口垂直上偏角度為輸出層參數(shù),通過數(shù)值模擬試驗獲取模型訓(xùn)練樣本數(shù)據(jù),利用試湊法和經(jīng)驗法相結(jié)合的方式確定了隱藏層節(jié)點數(shù)目為13個,選擇Adam算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),優(yōu)化后模型均方誤差為0.1761,說明模型具有較高的精度。

2) 建立了基于檸條塔S1202掘進(jìn)面的風(fēng)流智能調(diào)控模型,并采用物理實驗平臺試驗和井下調(diào)控試驗對模型進(jìn)行了測試驗證。結(jié)果表明:在物理實驗平臺進(jìn)行連續(xù)動態(tài)調(diào)控試驗,得到一階段司機(jī)位置處粉塵濃度降低了31.8%,回風(fēng)側(cè)粉塵平均濃度降低了21.7%,死角區(qū)瓦斯?jié)舛冉档土?.7%,二階段司機(jī)位置處粉塵濃度降低了25.5%,回風(fēng)側(cè)粉塵平均濃度降低了28.4%,死角區(qū)瓦斯?jié)舛冉档土?3.3%;在井下進(jìn)行降塵效果調(diào)控測試試驗,得到兩種調(diào)控方案下回風(fēng)側(cè)行人呼吸帶平均粉塵濃度分別降低了29.6%和27.1%,司機(jī)位置處粉塵濃度分別降低了36.7%和31.5%,從而驗證了模型的有效性。