CN101718734A - 煤矿用甲烷传感器异常采样数据甄别处理方法 - Google Patents
煤矿用甲烷传感器异常采样数据甄别处理方法 Download PDFInfo
- Publication number
- CN101718734A CN101718734A CN200910218393A CN200910218393A CN101718734A CN 101718734 A CN101718734 A CN 101718734A CN 200910218393 A CN200910218393 A CN 200910218393A CN 200910218393 A CN200910218393 A CN 200910218393A CN 101718734 A CN101718734 A CN 101718734A
- Authority
- CN
- China
- Prior art keywords
- partiald
- data
- output
- layer
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000003245 coal Substances 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 238000005070 sampling Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 208000024891 symptom Diseases 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 9
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 6
- PNEYBMLMFCGWSK-UHFFFAOYSA-N Alumina Chemical compound [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229910052697 platinum Inorganic materials 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000006555 catalytic reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- KDLHZDBZIXYQEI-UHFFFAOYSA-N Palladium Chemical compound [Pd] KDLHZDBZIXYQEI-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种煤矿用甲烷传感器异常采样数据甄别处理方法,利用常规技术的人工神经元网络作为计算模型,经下列步骤:收集传感器采集到的风速,温度,瓦斯压力,瓦斯含量数据,随机将这些数据分成两部分,其中一部分数据用于训练网络,另一部分数据用于测试;将上训练样本数据作为输入端,输入到人工神经元网络中进行训练、计算,得训练网络模型:将测试样本数据,用所得训练网络模型进行计算。通过比较计算,当出现故障时在输出端即可得出诊断的故障症状。通过在线实时计算通报故障状态,即时确认、纠正错误数据。
Description
技术领域
本发明涉及一种煤矿用甲烷传感器异常采样数据甄别处理方法,尤其是一种用人工神经元网络算法处理数据的拟人方法,以甄别甲烷传感器的异常数据,剔除错误数据,获得更准确可靠的检测数据,能有效进行瓦斯监控。
背景技术
目前煤矿矿用甲烷传感器通常是采用热载体催化元件(即黑白元件)来获取检测数据的。这种元件的内部以铂丝为核心,外部以氧化铝为载体,载体上涂有催化剂,当铂丝通过一定的电流且元件处于含有甲烷的气体中时,表面会产生无焰燃烧,使铂丝因温度升高而增加阻值,从而实现对甲烷的检测。但在热载体催化元件表面温度>600℃后,催化剂氧化钯黑无法抵抗氧化还原反应的发生,结果造成检测元件不可逆转的损坏,从而导致甲烷传感器产生错误的数据,使监控系统收到错误数据后产生误报,从而影响了系统的准确性和严肃性。一般有经验的监控操作员能有效进行数据甄别,并及时采取措施使检测元件恢复正常运行。这使得监控系统需要较多依赖监控操作员的责任心和经验,稍有不慎或疏忽,会给煤矿的安全监控带来巨大隐患,也不利于在正常情况下提高生产效率。因此,必须加以改进。
发明内容
为了克服现有甲烷传感器因异常采样数据而给煤矿带来的安全隐患,本发明提供一种基于人工神经元网络算法的数据处理方法,以模拟人的经验和思维判断来甄别由于传感器测量异常、误差、干扰等带来的非正常瞬态数据,剔除由黑白元件组成的甲烷传感器带来的错误数据。
本发明解决其技术问题所采用的技术方案是:一种煤矿用甲烷传感器异常采样数据甄别处理方法,利用常规技术的人工神经元网络作为计算模型,其特征在于有下列步骤:
A、收集采样数据:通过人工或常规自动方式收集传感器采集到的风速,温度,瓦斯压力,瓦斯含量数据,随机将这些数据分成两部分,其中一部分数据用于训练网络,而成为训练样本数据,另一部分数据用于测试,而作为测试样本数据;定义样本数据的输入向量为X,X=(x1,x2,...,xn),X1~X4分别为输入向量A的各个分量,即风速,温度,瓦斯压力,瓦斯含量;
B、训练人工神经元网络:将上述A步骤的训练样本数据作为输入端,输入到人工神经元网络中进行训练、计算,得训练网络模型:
C、实时数据甄别:将上述A步骤的测试样本数据,利用上述B步骤所得训练网络模型进行计算,计算按下式:
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2
其中,输出yo1为瓦斯的预测值,yo2为数据可信度,yo2小于0.5时为伪数据,应当剔除;当瓦斯预测值yo1大于0.75,则提示工作人员瓦斯报警。
所述B步骤的训练如下:
B1、确定人工神经元网络结构
确定输入层个数:根据影响瓦斯浓度的相关因子数n,定义输入层个数为n;
确定隐含层个数:隐含层个数p一般取8~15,具体个数根据训练速度和模型的网络的泛化能力来确定;
确定输出层个数:设瓦斯的预测输出和数据可信度2个因子;
B2、相关变量定义
输入层向量:X=(x1,x2,...,xn);
隐含层输入向量:HI=(hi1,hi2,...,hip);
隐含层输出向量:HO=(ho1,ho2,...,hop);
输出层输入向量:YI=(yi1,yi2);
输出层输出向量:YO=(yo1,yo2);
期望输出向量:DO=(do1,do2);
输入层与中间层的连接权值:wih;
隐含层与输出层的连接权值:who;
隐含层各神经元的阈值:bh;
输出层各神经元的阈值:bo;
样本数据个数:k=1,2,...,m;
激活函数:
误差函数:
B3、训练计算步骤
(1)网络初始化:给各连接权值wih和who分别赋一个区间(-1,1)内的随机数,设定误差函数E,给定计算精度值ε和最大学习次数M;
(2)随机选取第k个输入样本及对应期望输出:
X(k)=(x1(k),x2(k),…,xn(k))
do(k)=(d1(k),d2(k))
(3)计算隐含层各神经元的输入和输出:
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2
(4)利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数δo(k):
(5)利用隐含层到输出层的连接权值、输出层的偏导数δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k):
(6)利用输出层各神经元的偏导数δo(k)和隐含层各神经元的输出来修正连接权值who(k):
(7)利用隐含层各神经元的偏导数δh(k)和输入层各神经元的输入修正连接权值:
(8)计算全局误差:
(9)判断网络误差是否满足要求:当误差达到预设精度或学习次数大于设定的最大次数,则结束算法,得训练网络模型;否则,选取下一个输入样本及对应的期望输出,返回到B3(2),进入下一轮学习,最终得训练网络模型。
本发明的有益效果是:
1.甄别剔除甲烷传感器在故障状态下的错误数据,提高数据的准确性和正确性;
2.主动提供传感器故障报警,避免漏报、误报瓦斯超限信息;
3.主动进行语音提示报警,即时确认、纠正错误数据。
该方法不仅能有效甄别数据,克服因操作人员的素质和责任心给煤矿安全监控而带来的安全隐患,而且能为生产决策部门提供准确可靠的原始数据。
附图说明
图1是本方法处理流程图;
图2是三层前馈神经元网络处理算法模型图;
图3算法计算流程图。
在图1中,通过人工和自动采集历史数据,获取模型输入数据和输出数据,获取到数据后对模型进行训练,得计算模型结构,采集实时输入给计算模型,模型计算完后,得计算结论,结论提交用户使用,用户验证结论,结论正确则存入历史库供模块递归训练使用。
图2为模型算法网格图,该模型利用反向误差传播算法用来确定节点间连接权值,从而得甄别计算模型。
图3算法计算流程图,该图反应了本发明算法的计算流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例
本实施例基于某个采煤工作面,其采用回采工作方式进行,在回采工作方式回风巷的瓦斯浓度最大,以下计算均基于回采面的数据:
1)针对该工作面的特点,采用专家意见确定风速、瓦斯压力、温度和煤层瓦斯含量数据作为输入向量X=(x1,x2,x3,x4),确定隐含层个数为12,即p=12;
2)以等间隔时间8小时为周期,对输入向量风速、煤层厚度、温度和煤层瓦斯含量进行采样,这些数据来自钻探地质报告,瓦斯浓度来自瓦检员的同期测量,数据可信度来自专家意见,得到的5组数据如下表1所示:
表1
3)把上述数据作为训练数据代入下述步骤进行计算:
第一步,随机选取第k个输入样本及对应期望输出:
X(k)=(x1(k),x2(k),…,xn(k))
do(k)=(d1(k),d2(k))
第二步,计算隐含层各神经元的输入和输出:
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2
第三步,利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数δo(k):
第四步,利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k):
第五步,利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k):
第六步,利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权:
第七步,计算全局误差:
当E<0.1时,停止计算得wih和who(k),此时网络计算相关连接权值确定;
wih计算的值如表2所示:
表2
who(k)计算的值如表3所示:
表3
4)实时计算
实时某个时刻采集风速、煤层厚度、温度和煤层瓦斯含量,X=(3.86,1.35,18.3,1.81),代入公式
hoh(k)=f(hih(k)) h=1,2,…,12
yoo(k)=f(yio(k)) o=1,2
计算得yo1=0.60和yo2=0.98
yo1为预测瓦斯输出值,按照安全操作规程该值小于0.75,为安全;yo2为数据可信度>0.5,该数据可信。
Claims (2)
1.一种煤矿用甲烷传感器异常采样数据甄别处理方法,利用常规技术的人工神经元网络作为计算模型,其特征在于有下列步骤:
A、收集采样数据:通过人工或常规自动方式收集传感器采集到的风速,温度,瓦斯压力,瓦斯含量数据,随机将这些数据分成两部分,其中一部分数据用于训练网络,而成为训练样本数据,另一部分数据用于测试,而作为测试样本数据;定义样本数据的输入向量为X,X=(x1,x2,…,xn),X1~X4分别为输入向量A的各个分量,即风速,温度,瓦斯压力,瓦斯含量;
B、训练人工神经元网络:将上述A步骤的训练样本数据作为输入端,输入到人工神经元网络中进行训练、计算,得训练网络模型:
C、实时数据甄别:将上述A步骤的测试样本数据,利用上述B步骤所得训练网络模型进行计算,计算按下式:
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2
其中,输出yo1为瓦斯的预测值,yo2为数据可信度,yo2小于0.5时为伪数据,应当剔除;当瓦斯推理数据yo1大于0.75,则提示工作人员瓦斯报警。
2.如权利要求1所述的煤矿用甲烷传感器异常采样数据甄别处理方法,其特征在于所述B步骤的训练如下:
B1、确定人工神经元网络结构
确定输入层个数:根据影响瓦斯浓度的相关因子数n,定义输入层个数为n;
确定隐含层个数:隐含层个数p一般取8~15,具体个数根据训练速度和模型的网络的泛化能力来确定;
确定输出层个数:设瓦斯的预测输出和数据可信度2个因子;
B2、相关变量定义
输入层向量: X=(x1,x2,…,xn);
隐含层输入向量: HI=(hi1,hi2,…,hip);
隐含层输出向量: HO=(ho1,ho2,…,hop);
输出层输入向量: YI=(yi1,yi2);
输出层输出向量: YO=(yo1,yo2);
期望输出向量: DO=(do1,do2);
输入层与中间层的连接权值:wih;
隐含层与输出层的连接权值:who;
隐含层各神经元的阈值: bh;
输出层各神经元的阈值: bo;
样本数据个数: k=1,2,…,m;
B3、训练计算步骤
(1)网络初始化:给各连接权值wih和who分别赋一个区间(-1,1)内的随机数,设定误差函数E,给定计算精度值ε和最大学习次数M;
(2)随机选取第k个输入样本及对应期望输出:
X(k)=(x1(k),x2(k),…,xn(k))
do(k)=(d1(k),d2(k))
(3)计算隐含层各神经元的输入和输出:
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2
(4)利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数δo(k):
(5)利用隐含层到输出层的连接权值、输出层的偏导数δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k):
(6)利用输出层各神经元的偏导数δo(k)和隐含层各神经元的输出来修正连接权值who(k):
(7)利用隐含层各神经元的偏导数δh(k)和输入层各神经元的输入修正连接权值:
(8)计算全局误差:
(9)判断网络误差是否满足要求:当误差达到预设精度或学习次数大于设定的最大次数,则结束计算,得训练网络模型;否则,选取下一个输入样本及对应的期望输出,返回到B3(2),进入下一轮学习,最终得训练网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910218393A CN101718734A (zh) | 2009-12-18 | 2009-12-18 | 煤矿用甲烷传感器异常采样数据甄别处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910218393A CN101718734A (zh) | 2009-12-18 | 2009-12-18 | 煤矿用甲烷传感器异常采样数据甄别处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101718734A true CN101718734A (zh) | 2010-06-02 |
Family
ID=42433338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910218393A Pending CN101718734A (zh) | 2009-12-18 | 2009-12-18 | 煤矿用甲烷传感器异常采样数据甄别处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101718734A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
CN103630588A (zh) * | 2013-12-16 | 2014-03-12 | 安徽理工大学 | 电化学瓦斯传感器的一种快速响应方法 |
CN103716123B (zh) * | 2012-09-29 | 2016-12-21 | 中国科学院计算技术研究所 | 一种传感器网络中分组丢失和错误的原因识别方法和系统 |
CN107545304A (zh) * | 2017-09-16 | 2018-01-05 | 胡明建 | 一种根据网络需求改变激活函数人工神经元的设计方法 |
CN108647866A (zh) * | 2018-04-26 | 2018-10-12 | 民政部国家减灾中心 | 一种典型区因旱饮水困难人口快速评估模型及构建方法 |
CN109752504A (zh) * | 2019-01-25 | 2019-05-14 | 西安科技大学 | 一种工作面瓦斯传感器调校辅助决策方法 |
CN111130056A (zh) * | 2020-01-02 | 2020-05-08 | 天地(常州)自动化股份有限公司 | 一种监测方法及装置 |
CN111157584A (zh) * | 2020-01-07 | 2020-05-15 | 广东博智林机器人有限公司 | 酒精含量检测方法、装置及检测设备 |
-
2009
- 2009-12-18 CN CN200910218393A patent/CN101718734A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
CN103716123B (zh) * | 2012-09-29 | 2016-12-21 | 中国科学院计算技术研究所 | 一种传感器网络中分组丢失和错误的原因识别方法和系统 |
CN103630588A (zh) * | 2013-12-16 | 2014-03-12 | 安徽理工大学 | 电化学瓦斯传感器的一种快速响应方法 |
CN103630588B (zh) * | 2013-12-16 | 2015-10-21 | 安徽理工大学 | 电化学瓦斯传感器的一种快速响应方法 |
CN107545304A (zh) * | 2017-09-16 | 2018-01-05 | 胡明建 | 一种根据网络需求改变激活函数人工神经元的设计方法 |
CN108647866A (zh) * | 2018-04-26 | 2018-10-12 | 民政部国家减灾中心 | 一种典型区因旱饮水困难人口快速评估模型及构建方法 |
CN109752504A (zh) * | 2019-01-25 | 2019-05-14 | 西安科技大学 | 一种工作面瓦斯传感器调校辅助决策方法 |
CN109752504B (zh) * | 2019-01-25 | 2021-11-30 | 西安科技大学 | 一种工作面瓦斯传感器调校辅助决策方法 |
CN111130056A (zh) * | 2020-01-02 | 2020-05-08 | 天地(常州)自动化股份有限公司 | 一种监测方法及装置 |
CN111130056B (zh) * | 2020-01-02 | 2022-03-01 | 天地(常州)自动化股份有限公司 | 一种监测方法及装置 |
CN111157584A (zh) * | 2020-01-07 | 2020-05-15 | 广东博智林机器人有限公司 | 酒精含量检测方法、装置及检测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101718734A (zh) | 煤矿用甲烷传感器异常采样数据甄别处理方法 | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN101382439B (zh) | 多参数自确认传感器的状态自确认方法 | |
CN116772944B (zh) | 配气站的智能监控系统及其方法 | |
Liu et al. | A leak detection method for oil pipeline based on Markov feature and two-stage decision scheme | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN102013148B (zh) | 多信息融合火灾探测方法 | |
CN103713628B (zh) | 基于符号有向图和数据重构的故障诊断方法 | |
CN101251564A (zh) | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN106405475A (zh) | 电能表异常诊断方法 | |
CN105608842B (zh) | 一种核反应堆燃料破损在线监测报警装置 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
CN102340811A (zh) | 无线传感器网络故障诊断方法 | |
CN105259895A (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
CN104156615A (zh) | 基于ls-svm的传感器检测数据点异常检测方法 | |
CN103671190A (zh) | 一种智能早期矿用通风机在线故障诊断系统 | |
CN204286557U (zh) | 一种天然气实流检定实时核查系统 | |
CN104462757A (zh) | 基于监测数据的Weibull分布可靠性序贯验证试验方法 | |
CN109188082A (zh) | 一种基于bp神经网络的变压器状态评估方法 | |
CN103927343A (zh) | 一种phm系统诊断与预测能力综合验证方法 | |
CN111260875A (zh) | 阀控式铅酸电池火灾预警方法、系统及故障电池定位装置 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN104880217A (zh) | 一种基于测量值关联度的故障传感器信息重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20100602 |