CN108194143A - 基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法 - Google Patents
基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法 Download PDFInfo
- Publication number
- CN108194143A CN108194143A CN201711425120.6A CN201711425120A CN108194143A CN 108194143 A CN108194143 A CN 108194143A CN 201711425120 A CN201711425120 A CN 201711425120A CN 108194143 A CN108194143 A CN 108194143A
- Authority
- CN
- China
- Prior art keywords
- hopfield
- data
- monitoring
- bragg grating
- fiber bragg
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000000835 fiber Substances 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000003860 storage Methods 0.000 claims abstract description 30
- 239000013307 optical fiber Substances 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 24
- 239000003245 coal Substances 0.000 claims description 20
- 239000011435 rock Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000005553 drilling Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 230000008054 signal transmission Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 230000032798 delamination Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000026676 system process Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法,包括设置在巷道内每一处监测点的光栅光纤传感器和设置在井上且通过井下监测系统平台与光栅光纤传感器通信连接的光纤光栅解调仪,光纤光栅解调仪的信号输出端连接有Hopfield神经网络处理系统,Hopfield神经网络处理系统与存储搜索服务器信息交互;采用本发明所述系统及方法,多点和多参数监测,集合光栅光纤传感器收集数据,采用矿用光纤进行传输,抗电磁干扰能力强,运行稳定,基于Hopfield神经网络处理系统处理数据并共享操作数据平台,不仅能够优化参数,还能根据井下巷道变形情况来调整预警报警阈值,极大地提高了监测系统的效能。
Description
技术领域
本发明属于数据监测技术领域,涉及一种井下巷道变形监测系统,具体涉及基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法。
背景技术
近些年来,随着采煤技术的不断革新,井巷掘进速度也不断提高,在岩土工程、隧道工程、边坡工程以及煤矿工程中对于安全的考虑成为重中之重,伴随着采煤深度的不断增大,巷道内的矿山压力造成的各种地质灾害也频频发生,诸如砌体梁的破坏导致顶板三角块区域的变形,关键层煤体过硬致岩体中赋存大量原岩应力,开采中释放导致岩爆和煤爆,巷帮以及顶板垮落带来巨大的巷道维修工作,这些都增加了巷道的辅修成本,同时还带来很多的安全隐患。为此要建立一个长效的砌体梁变形监测系统,有效地减小和预防巷道变形破坏带来的安全事故的发生,但是,目前井下监测系统所采用的设计软件都只能简单的统计监测数据,造成大量数据堆积在服务器,对于支护参数的优化往往是统计的大量数据根据人工传统经验再进行修改,这样往往将一些不重要的数据考虑到修改范围内,效率大大降低。统计的大量数据还会造成参数修改无法精细化,数据之间没有任何关联性,降低了预测预警的可能性,使井下监测系统的功效大大降低。
发明内容
针对上述现有技术中的不足,本发明的目的是提供一种基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法,预警岩体变形造成巷道破坏,实时优化统计支护参数。
为实现上述目的,本发明采用的技术方案为:基于Hopfield神经网络的砌体梁变形监测系统,包括设置在巷道内每一处监测点的光栅光纤传感器和设置在井上且通过井下监测系统平台与光栅光纤传感器通信连接的光纤光栅解调仪,光纤光栅解调仪的信号输出端连接有Hopfield神经网络处理系统,Hopfield神经网络处理系统与存储搜索服务器信息交互,其中:
光栅光纤传感器用于采集应力监测点的数据并传送至井下监测系统平台;井下监测系统平台用于收集光栅光纤传感器传来的数据并将其传输至井上的光纤光栅解调仪;光纤光栅解调仪用于接收井下监测系统平台传输的数据,并对接收到的数据进行解调后传输至Hopfield神经网络处理系统;Hopfield神经网络处理系统用于对光纤光栅解调仪解调后的数据进行分类并编组,设置预警报警阈值;存储搜索服务器用于储存经过Hopfield神经网络处理和分析之后的数据。
还包括与Hopfield神经网络处理系统和存储搜索服务器进行数据交互的煤矿客户端。
光栅光纤传感器、井下监测系统平台、光纤光栅解调仪、Hopfield神经网络处理系统、存储搜索服务器和煤矿客户端之间均通过矿用光纤进行信号传输。
光栅光纤传感器包括光纤光栅钻孔应力传感器、光纤光栅锚杆应力传感器、光纤光栅锚索应力传感器和光纤光栅离层传感器,且每个传感器均通过独立的通讯频道与井下监测系统平台进行信号传输,井下监测系统平台设置有与光栅光纤传感器一一对应的接收器。
光纤光栅钻孔应力传感器设置在工作面两端巷道超前煤体中;
光纤光栅离层监测传感器设置在锚杆支护巷道顶板岩体内;
光纤光栅锚索应力传感器和光纤光栅锚杆应力传感器均布置在巷道顶板岩体内。
一种基于Hopfield神经网络的砌体梁变形监测预警方法,在Hopfield神经网络处理系统中将传感器采集的数据输入的信息进行分类并编组,设置预警报警阈值,完成分析处理,具体步骤如下:
步骤一:对光栅光纤传感器收集的数据经过解调后进行接收并存储;
步骤二:对矿井输入的参数进行编号并分类和分组,设置模型架构,选取5个具有代表性的评估因子,并对数据进行仿真编码学习,取得预警报警阈值信息存储在存储搜索服务器中;
步骤三:通过对神经网络模型的编码学习,优化仿真计算结果修改等级编码规则,优化评估因子之间的影响,减小相关性影响,增加对评估因子权重的分析,对预警报警阈值进行修改设定,收集数据反复进行仿真模拟计算,得出砌体梁变形监测的重要评估因子与预警报警阈值组,以及相对应的权重系数,完成模型学习;
步骤四:将步骤三建立的阈值数据参数储存到存储搜索服务器中,并对数据验算试验,存储评估因子和预警报警阈值组,以及相对应的权重系数,描述砌体梁变形类型和变形形态分类,设定预测预警表述,形成一个井上基于Hopfield神经网络处理系统的可以学习并能储存的计算机操作圈,同时通过煤矿客户端共享服务器存储数据,生成关于综合情况报表的历史数据。
步骤二中5个具有代表性的评估因子为:监测点深度、监测点位移量、监测夹角、顶板监测点应力值、帮部监测点应力值。
将收集到的传感器数据经过仿真编码后,通过建立的神经网络模型对数据进行筛选,分类储存于存储搜索服务器,形成预警报警阈值存储体系。
步骤二建立的神经网络模型处理及学习方法为,输入信息与权重系数的乘积求累加和,并经非线性函数处理后产生输出信息;
如果神经元的输出信息大于等于预警报警阈值,那么神经元的输出取值为1,
如果神经元的输出信息小于预警报警阈值,则神经元的输出取值为-1;
二元神经元的计算公式:
其中:xj为外部输入,θj为阈值,wij为数据编号,且有
一个网络状态是输出神经元信息的集合,对于一个输出层是n个神经元的网络,其中t时刻的状态为一个n维向量:
Y(t)=[y1(t),y2(t),...,yn(t)]T, (3)
yi(t)(i=1,2,3,...,n)可以取值为1或-1,故n维向量Y(t)有2n种状态,即网络有2n种状态;考虑一般节点状态,用yj(t)表示第j个神经元,即节点j在时刻t的状态,则节点的下一个时刻(t+1)的状态可以求得:
与现有技术相比,本发明至少具有以下有益效果:采用上述的方案,进行多监测站,多参数监测,集合光栅光纤传感器收集数据,采用矿用光纤进行传输,抗电磁干扰能力强,受环境影响小,运行稳定,传输效率高,建立的井上基于Hopfield神经网络处理系统共享操作数据平台,不仅能够优化参数,还能根据井下巷道变形情况来调整预警报警阈值,使井上人员能够及时的了解井下生产运行状况,指导煤矿的安全生产,提高矿井产能。光栅光纤传感器抗电磁干扰程度高,传输过程中不易受到其他电子讯号干扰,数据传输体量大,数据掉包丢失现象少,收集范围广,不需要大量电源供应损耗低,神经网络模型架构简单,学习识别能力强,对于繁复数据有较强的筛选能力,阈值的选定能更好的结合实际观测数据,对于巷道的变形收敛有更直观的表述和更深入的预测。
进一步的,每一处监测点都设置有相应的光纤光栅钻孔应力传感器、光纤光栅锚杆应力传感器、光纤光栅锚索应力传感器以及相应的光纤光栅离层传感器,每个传感器均持有一个独立的通讯频道与监控系统平台进行信号传递,能高效准确地采集数据,且数据的传输不受干扰,效率高。
进一步的,数据传输至井下监测系统平台,再由井下监测系统平台通过矿用光纤传输,采用矿用光纤安全稳定。
进一步的,光纤光栅钻孔应力传感器布置在工作面两端巷道超前煤体中,监测顶板岩层在相对稳定和显著运动全过程,砌体梁在应力场中的变化全过程,对支撑压力分布和转移变化而决策砌体梁变形类型和破坏形式提供依据。
进一步的,光纤光栅离层监测传感器布置在锚杆支护巷道顶板岩层内,监测顶板锚固范围内及锚固范围外离层值变化情况及趋势,为锚杆支护巷道顶板的稳定性和上覆岩层的组合运动状况的监测提供依据。
进一步的,光纤光栅锚索应力传感器和所述的光纤光栅锚杆应力传感器均布置在巷道岩层内,监测锚杆锚索支护巷道内监测锚杆和锚索工作时轴向力的大小及分布状况,为巷道顶板的稳定性监测提供可靠的数据支持,为制定保障巷道围岩的稳定和防止出现围岩大面积垮落事故的方案提供依据。
进一步的,采用基于Hopfield神经网络的砌体梁变形监测预警方法,Hopfield神经网络模型具有自我学习能力,能筛选大量的复杂数据包括:顶板离层量,应力变化值;优化巷道支护参数,计算巷道变形收敛量,更直观的以数据的形式表述巷道周围岩体的变形情况。
附图说明
图1为本发明的整体布置结构示意图;
图2为本发明离散型Hopfield网络结构图;
图3为本发明Hopfield神经网络处理系统的功能模块框图。
具体实施方式
下面结合附图及实施例对本发明作详细的表述:
如图1所示,一种基于Hopfield神经网络的砌体梁变形监测系统,包括设置在巷道内每一处监测点的光栅光纤传感器和设置在井上且通过井下监测系统平台与光栅光纤传感器通信连接的光纤光栅解调仪,光纤光栅解调仪的信号输出端连接有Hopfield神经网络处理系统,Hopfield神经网络处理系统与存储搜索服务器信息交互,其中:
光栅光纤传感器用于采集应力监测点的数据并传送至井下监测系统平台;井下监测系统平台用于收集光栅光纤传感器传来的数据并将其传输至井上的光纤光栅解调仪;光纤光栅解调仪用于接收井下监测系统平台传输的数据,并对接收到的数据进行解调后传输至Hopfield神经网络处理系统;Hopfield神经网络处理系统用于对光纤光栅解调仪解调后的数据进行分类和编组,将同一类的数据编为一组,即应力类数据编为一组,尺寸类数据编为一组;设置预警报警阈值;存储搜索服务器用于储存经过Hopfield神经网络处理和分析之后的数据。
还包括与Hopfield神经网络处理系统和存储搜索服务器进行数据交互的煤矿客户端。
光栅光纤传感器、井下监测系统平台、光纤光栅解调仪、Hopfield神经网络处理系统、存储搜索服务器和煤矿客户端之间均通过矿用光纤进行信号传输。
光栅光纤传感器包括光纤光栅钻孔应力传感器、光纤光栅锚杆应力传感器、光纤光栅锚索应力传感器和光纤光栅离层传感器,且每个传感器均通过独立的通讯频道与井下监测系统平台进行信号传输,井下监测系统平台设置有与光栅光纤传感器一一对应的接收器。
光纤光栅钻孔应力传感器设置在工作面两端巷道超前煤体中;
光纤光栅离层监测传感器设置在锚杆支护巷道顶板岩体内;
光纤光栅锚索应力传感器和光纤光栅锚杆应力传感器均布置在巷道顶板岩体内。
一种基于Hopfield神经网络的砌体梁变形监测预警方法,在Hopfield神经网络处理系统中将传感器采集的数据输入的信息进行分类并编组,将同一类数据编为一组,设置预警报警阈值,完成分析处理,具体步骤如下:
步骤一:对光栅光纤传感器收集的数据经过解调后进行接收并存储;
步骤二:对矿井输入的参数进行编号并分类和分组,设置模型架构,选取5个具有代表性的评估因子,并对数据进行仿真编码学习,取得预警报警阈值信息存储在存储搜索服务器中;
步骤三:通过对神经网络模型的编码学习,优化仿真计算结果修改等级编码规则,优化评估因子之间的影响,减小相关性影响,增加对评估因子权重的分析,对预警报警阈值进行修改设定,收集数据反复进行仿真模拟计算,得出砌体梁变形监测的重要评估因子与预警报警阈值组,以及相对应的权重系数,完成模型学习;
步骤四:将步骤三建立的阈值数据参数储存到存储搜索服务器中,并对数据验算试验,存储评估因子和预警报警阈值组,以及相对应的权重系数,描述砌体梁变形类型和变形形态分类,设定预测预警表述,形成一个井上基于Hopfield神经网络处理系统的可以学习并能储存的计算机操作圈,同时通过煤矿客户端共享服务器存储数据,生成关于综合情况报表的历史数据。
步骤二中5个具有代表性的评估因子为:监测点深度、监测点位移量、监测夹角、顶板监测点应力值、帮部监测点应力值。
将收集到的传感器数据经过仿真编码后,通过建立的神经网络模型对数据进行筛选,分类储存于存储搜索服务器,形成预警报警阈值存储体系。
如图2所示,步骤二建立的神经网络模型处理及学习方法为,输入信息与权重系数的乘积求累加和,并经非线性函数处理后产生输出信息;
如果神经元的输出信息大于等于预警报警阈值,那么神经元的输出取值为1,
如果神经元的输出信息小于预警报警阈值,则神经元的输出取值为-1;
二元神经元的计算公式:
其中:xj为外部输入,θj为阈值,wij为数据编号,且有
一个网络状态是输出神经元信息的集合,对于一个输出层是n个神经元的网络,其中t时刻的状态为一个n维向量:
Y(t)=[y1(t),y2(t),...,yn(t)]T, (3)
yi(t)(i=1,2,3,...,n)可以取值为1或-1,故n维向量Y(t)有2n种状态,即网络有2n种状态;考虑一般节点状态,用yj(t)表示第j个神经元,即节点j在时刻t的状态,则节点的下一个时刻(t+1)的状态可以求得:
本发明是一种基于Hopfield神经网络的砌体梁变形监测系统,应用井下光栅光纤传感器来获取井下巷道应力应变信息,通过神经网络系统监测预警砌体梁变形状况;井下监测系统包括:光栅光纤传感器、井下监测系统平台;井上统计预测预警系统包括:光纤光栅解调仪,Hopfield神经网络处理系统、存储搜索服务器、煤矿客户端,监测设备之间通过矿用光纤进行连接,在巷道内每一处监测点都有相应的光纤光栅钻孔应力传感器、光纤光栅锚杆应力传感器、光纤光栅锚索应力传感器以及相应的光纤光栅离层传感器,每个传感器都持有一个专用的通讯频道和监控系统平台进行信号传递。
通过光栅光纤传感器监测,钻孔长度和钻孔角度在进行钻孔时都能够及时获得并且记录。
经Hopfield神经网络处理系统将输入的信息进行编组并分类,设置预警报警阈值,完成分析处理;如图3所示,Hopfield神经网络处理系统包括输入、管理、分析和输出四大模块,具体功能如下:
(a)对光纤光栅传感器收集的数据经过解调后进行接收并存储。
(b)对矿井输入的参数进行编号并分类、分组,设置模型架构,引入评判因子,并对数据进行仿真编码学习,取得预警报警阈值信息存储在服务器中。
(c)通过对神经网络模型的编码学习,对传感器收集的数据进行整合分析,并通过调用存储在服务器内的预警报警阈值对实时监测的传感器的数据进行对比剔除、相关性判别、趋势分析。
Hopfield神经网络处理系统对变形评估有时效性要求,评估因子的数据应该能够方便快捷地取得,还需要具有很强的代表性;选取5个具有代表性的评估因子:监测点深度、监测点位移量、监测点距水平角度、顶板监测点应力值、帮部监测点应力值;根据制定出的评估因子进行等级划分方法确定,制定评估因子分级标准,在Hopfield神经网络系统中对评估因子进行映射神经元编码,设定编码规则,对监测数据进行收集整理训练样本。
确定编码完成后,将其数据输入接入采集系统,在Hopfield神经网络模型中进行编码仿真学习,得到较好的仿真结果,对影响评估因子的冗长数据进行剔除,得到能预测预警的变形评估因子阈值组。
利用层析法以及专家经验分析、调查统计方法,对评估因子的阈值进行定量设定,完善网络模型。
通过调节神经元数目的方法来确定评估因子的权重,即将神经元对应的评估因子进行分组,评估因子权重越大,其对应的组所包括的神经元数目越多,对神经网络的评估结果影响越大。
根据评估因子确定等级划分方法,制定评估因子分级标准,在Hopfield神经网络系统中对评估因子进行映射神经元编码,设定编码规则,对监测数据进行收集整理训练样本;
通过井下监测系统收集到的光纤传感器的数据,在监控系统平台进行储存汇总,传输到井上部分进行处理,通过Hopfield神经网络处理系统对解调后的数据进行构建数学分析模型,将解调的数据进行网络输入,再进行等级编码设定,经过仿真模拟计算,优化仿真计算结果修改等级编码规则,优化评估因子之间的影响,减小相关性影响,增加评估因子权重分析,对阈值进行修改设定,利用井下收集的数据反复进行仿真模拟计算,得出砌体梁变形监测的重要评估因子与阈值组,以及相对应的权重系数,完成模型试验。
将步骤3建立的数据参数储存到存储搜索服务器中,经过数据验算试验,存储关键性评估因子和阈值组,以及相对应的权重系数,并描述砌体梁变形类型和变形形态分类,设定预测预警表述;形成一个基于Hopfield神经网络处理系统的能学习和储存的计算机操作圈,Hopfield神经网络处理系统中一旦出现存储信息中的关键性因素,及时告知煤矿客户端砌体梁可能出现的变形表述,为矿用安全生产提供监测预警。
本发明采用的基于Hopfield神经网络砌体梁变形监测系统及以及监测预警方法,进行多监测站,多参数监测,集合光栅光纤传感器收集数据,采用矿用光纤进行传输,抗电磁干扰能力强,受环境影响小,运行稳定,基于Hopfield神经网络处理系统共享操作数据平台,不仅能够优化参数,还能根据井下巷道变形情况来调整预警报警阈值,使井上人员能够及时的了解井下生产运行状况,指导煤矿的安全生产,提高矿井产能。
以上所述,仅是本发明的较佳操作实例,并非对本发明作出的任何限制,凡是根据本发明技术实质对以上操作实例所作的任何修改、变更,均仍属于本发明技术方案的保护范围内。
Claims (9)
1.基于Hopfield神经网络的砌体梁变形监测系统,其特征在于,包括设置在巷道内每一处监测点的光栅光纤传感器和设置在井上且通过井下监测系统平台与光栅光纤传感器通信连接的光纤光栅解调仪,光纤光栅解调仪的信号输出端连接有Hopfield神经网络处理系统,Hopfield神经网络处理系统与存储搜索服务器信息交互,其中:
光栅光纤传感器用于采集应力监测点的数据并传送至井下监测系统平台;井下监测系统平台用于收集光栅光纤传感器传来的数据并将其传输至井上的光纤光栅解调仪;光纤光栅解调仪用于接收井下监测系统平台传输的数据,并对接收到的数据进行解调后传输至Hopfield神经网络处理系统;Hopfield神经网络处理系统用于对光纤光栅解调仪解调后的数据进行分类和编组,设置预警报警阈值;存储搜索服务器用于储存经过Hopfield神经网络处理和分析之后的数据。
2.根据权利要求1所述的一种基于Hopfield神经网络的砌体梁变形监测系统,其特征在于,还包括与Hopfield神经网络处理系统和存储搜索服务器进行数据交互的煤矿客户端。
3.根据权利要求2所述的一种基于Hopfield神经网络的砌体梁变形监测系统,其特征在于,光栅光纤传感器、井下监测系统平台、光纤光栅解调仪、Hopfield神经网络处理系统、存储搜索服务器和煤矿客户端之间均通过矿用光纤进行信号传输。
4.根据权利要求1所述的一种基于Hopfield神经网络的砌体梁变形监测系统,其特征在于,光栅光纤传感器包括光纤光栅钻孔应力传感器、光纤光栅锚杆应力传感器、光纤光栅锚索应力传感器和光纤光栅离层传感器,且每个传感器均通过独立的通讯频道与井下监测系统平台进行信号传输,井下监测系统平台设置有与光栅光纤传感器一一对应的接收器。
5.根据权利要求4所述的一种基于Hopfield神经网络的砌体梁变形监测系统,其特征在于,光纤光栅钻孔应力传感器设置在工作面两端巷道超前煤体中;
光纤光栅离层监测传感器设置在锚杆支护巷道顶板岩体内;
光纤光栅锚索应力传感器和光纤光栅锚杆应力传感器均布置在巷道顶板岩体内。
6.一种基于Hopfield神经网络的砌体梁变形监测预警方法,其特征在于,在Hopfield神经网络处理系统中将传感器采集的数据输入的信息进行分类并编组,设置预警报警阈值,完成分析处理,具体步骤如下:
步骤一:对光栅光纤传感器收集的数据经过解调后进行接收并存储;
步骤二:对矿井输入的参数进行编号并分类和分组,设置模型架构,选取5个具有代表性的评估因子,并对数据进行仿真编码学习,取得预警报警阈值信息存储在存储搜索服务器中;
步骤三:通过对神经网络模型的编码学习,优化仿真计算结果修改等级编码规则,优化评估因子之间的影响,减小相关性影响,增加对评估因子权重的分析,对预警报警阈值进行修改设定,收集数据反复进行仿真模拟计算,得出砌体梁变形监测的重要评估因子与预警报警阈值组,以及相对应的权重系数,完成模型学习;
步骤四:将步骤三建立的阈值数据参数储存到存储搜索服务器中,并对数据验算试验,存储评估因子和预警报警阈值组,以及相对应的权重系数,描述砌体梁变形类型和变形形态分类,设定预测预警表述,形成一个井上基于Hopfield神经网络处理系统的可以学习并能储存的计算机操作圈,同时通过煤矿客户端共享服务器存储数据,生成关于综合情况报表的历史数据。
7.根据权利要求6所述的一种基于Hopfield神经网络的砌体梁变形监测预警方法,其特征在于,步骤二中5个具有代表性的评估因子为:监测点深度、监测点位移量、监测夹角、顶板监测点应力值、帮部监测点应力值。
8.根据权利要求6所述的一种基于Hopfield神经网络的砌体梁变形监测预警方法,其特征在于,将收集到的传感器数据经过仿真编码后,通过建立的神经网络模型对数据进行筛选,分类储存于存储搜索服务器,形成预警报警阈值存储体系。
9.根据权利要求6所述的一种基于Hopfield神经网络的砌体梁变形监测预警方法,其特征在于,步骤二建立的神经网络模型处理及学习方法为,输入信息与权重系数的乘积求累加和,并经非线性函数处理后产生输出信息;
如果神经元的输出信息大于等于预警报警阈值,那么神经元的输出取值为1,
如果神经元的输出信息小于预警报警阈值,则神经元的输出取值为-1;
二元神经元的计算公式:
其中:xj为外部输入,θj为阈值,wij为数据编号,且有
一个网络状态是输出神经元信息的集合,对于一个输出层是n个神经元的网络,其中t时刻的状态为一个n维向量:
Y(t)=[y1(t),y2(t),...,yn(t)]T, (3)
yi(t)(i=1,2,3,...,n)可以取值为1或-1,故n维向量Y(t)有2n种状态,即网络有2n种状态;考虑一般节点状态,用yj(t)表示第j个神经元,即节点j在时刻t的状态,则节点的下一个时刻(t+1)的状态可以求得:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711425120.6A CN108194143B (zh) | 2017-12-25 | 2017-12-25 | 基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711425120.6A CN108194143B (zh) | 2017-12-25 | 2017-12-25 | 基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108194143A true CN108194143A (zh) | 2018-06-22 |
CN108194143B CN108194143B (zh) | 2019-10-11 |
Family
ID=62583999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711425120.6A Active CN108194143B (zh) | 2017-12-25 | 2017-12-25 | 基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108194143B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109282837A (zh) * | 2018-10-24 | 2019-01-29 | 福州大学 | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 |
CN109612423A (zh) * | 2018-12-19 | 2019-04-12 | 沈阳天眼智云信息科技有限公司 | 基于位移传感器的巷道坍塌预测方法及系统 |
CN109993369A (zh) * | 2019-04-09 | 2019-07-09 | 中国矿业大学(北京) | 煤矿采场高位岩层运动信息采集系统及采集、分析方法 |
CN110309544A (zh) * | 2019-06-04 | 2019-10-08 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
CN111561881A (zh) * | 2020-07-01 | 2020-08-21 | 金陵科技学院 | 一种基于anfis的长周期光纤光栅曲率测量方法 |
CN113187558A (zh) * | 2021-05-31 | 2021-07-30 | 煤炭科学研究总院 | 矿井安全预警方法及装置 |
CN114222199A (zh) * | 2022-01-07 | 2022-03-22 | 深圳市北斗云信息技术有限公司 | 一种智能监测边缘计算网关 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02136034A (ja) * | 1988-11-16 | 1990-05-24 | Tokyo Electric Power Co Inc:The | ニューラルネットワークによる最適電力負荷配分システム |
CN1862982A (zh) * | 2006-03-09 | 2006-11-15 | 南京邮电大学 | 量子神经网络用于多用户检测的方法 |
CN1967579A (zh) * | 2006-02-13 | 2007-05-23 | 湖南大学 | 金融风险管理辅助挖掘分析系统 |
CN103362553A (zh) * | 2013-07-08 | 2013-10-23 | 中国矿业大学 | 基于光纤光栅传感器的煤矿井下安全综合监测系统 |
-
2017
- 2017-12-25 CN CN201711425120.6A patent/CN108194143B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02136034A (ja) * | 1988-11-16 | 1990-05-24 | Tokyo Electric Power Co Inc:The | ニューラルネットワークによる最適電力負荷配分システム |
CN1967579A (zh) * | 2006-02-13 | 2007-05-23 | 湖南大学 | 金融风险管理辅助挖掘分析系统 |
CN1862982A (zh) * | 2006-03-09 | 2006-11-15 | 南京邮电大学 | 量子神经网络用于多用户检测的方法 |
CN103362553A (zh) * | 2013-07-08 | 2013-10-23 | 中国矿业大学 | 基于光纤光栅传感器的煤矿井下安全综合监测系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109282837A (zh) * | 2018-10-24 | 2019-01-29 | 福州大学 | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 |
CN109612423A (zh) * | 2018-12-19 | 2019-04-12 | 沈阳天眼智云信息科技有限公司 | 基于位移传感器的巷道坍塌预测方法及系统 |
CN109993369A (zh) * | 2019-04-09 | 2019-07-09 | 中国矿业大学(北京) | 煤矿采场高位岩层运动信息采集系统及采集、分析方法 |
CN110309544A (zh) * | 2019-06-04 | 2019-10-08 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
CN110309544B (zh) * | 2019-06-04 | 2023-04-07 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
CN111561881A (zh) * | 2020-07-01 | 2020-08-21 | 金陵科技学院 | 一种基于anfis的长周期光纤光栅曲率测量方法 |
CN113187558A (zh) * | 2021-05-31 | 2021-07-30 | 煤炭科学研究总院 | 矿井安全预警方法及装置 |
CN113187558B (zh) * | 2021-05-31 | 2024-05-24 | 煤炭科学研究总院有限公司 | 矿井安全预警方法及装置 |
CN114222199A (zh) * | 2022-01-07 | 2022-03-22 | 深圳市北斗云信息技术有限公司 | 一种智能监测边缘计算网关 |
Also Published As
Publication number | Publication date |
---|---|
CN108194143B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108194143B (zh) | 基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法 | |
CN105257339B (zh) | 掘进工作面多参量综合监测预警方法 | |
Chen et al. | Neuro-genetic, neuro-imperialism and genetic programing models in predicting ultimate bearing capacity of pile | |
Jian et al. | Feasibility of stochastic gradient boosting approach for predicting rockburst damage in burst-prone mines | |
CN106089304B (zh) | 一种基于地层施工多功能电气控制预警通信系统 | |
CN107563092A (zh) | 一种矿山动力灾害的全息预警方法 | |
CN101770038A (zh) | 矿山微震源智能定位方法 | |
CN201251564Y (zh) | 一种实时监测矿井顶板岩层或混凝土结构稳定性的装置 | |
CN108510112A (zh) | 一种现场监测与数值模拟相结合的矿山灾害预测预警方法 | |
CN105974056A (zh) | 隧道突水灾害前兆信息监测模型试验系统及试验方法 | |
CN103899356A (zh) | 矿井水害监测、预警、管理与控制一体化信息系统 | |
CN102913285B (zh) | 矿井顶板危险报警的方法 | |
CN109268072A (zh) | 煤矿底板突水灾害智能、实时预测预警的大数据云平台 | |
CN106194262A (zh) | 煤矿底板奥灰岩突水在线监测智能预警系统 | |
CN105759010B (zh) | 一种采动影响巷道动态监测与稳定评价方法 | |
CN107194519A (zh) | 一种采空区危险临界程度预判方法 | |
CN105626150A (zh) | 一种基于微震监测的沿空掘进巷道动态监测与稳定评价方法 | |
CN114810213A (zh) | 用于煤与瓦斯突出的多源信息融合智能预警方法及装置 | |
CN114427430B (zh) | 一种多井实时协同的钻井参数优化方法与系统 | |
CN103410569B (zh) | 金属矿山井下微震监测系统 | |
CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
Chen et al. | Neural network estimation of rockburst damage severity based on engineering cases | |
CN105117480A (zh) | 基于采空区煤田及输电线路综合展示平台 | |
CN114109456A (zh) | 用于煤矿地下水库煤柱坝体结构的监测预警方法与系统 | |
CN114493295A (zh) | 一种盐岩地质下隧道监测项目的确定方法及监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |