CN108918813A - 一种瓦斯传感器的布设方法 - Google Patents

一种瓦斯传感器的布设方法 Download PDF

Info

Publication number
CN108918813A
CN108918813A CN201810520831.XA CN201810520831A CN108918813A CN 108918813 A CN108918813 A CN 108918813A CN 201810520831 A CN201810520831 A CN 201810520831A CN 108918813 A CN108918813 A CN 108918813A
Authority
CN
China
Prior art keywords
node
firedamp sensor
matrix
formula
sensor
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
Application number
CN201810520831.XA
Other languages
English (en)
Inventor
赵丹
潘竞涛
张辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201810520831.XA priority Critical patent/CN108918813A/zh
Publication of CN108918813A publication Critical patent/CN108918813A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/22—Fuels; Explosives
    • G01N33/225—Gaseous fuels, e.g. natural gas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Food Science & Technology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种瓦斯传感器的布设方法，包括以下步骤，瓦斯传感器布设模型的建立：矿井通风有向图G，矿井通风网络图变为一个有向图G＝(V，E)，其中，V＝V1+V2，V1代表通风网络图中的巷道交汇节点集，V2代表依据相关技术规范必须安装瓦斯传感器的位置虚节点集，E＝(e1，e2，…，en)代表与V关联的巷道分支集，n为巷道交汇点与虚节点的和，本发明验证了混合GA‑DBPSO算法在求解瓦斯传感器布设模型方面的可行性和有效性。

Description

一种瓦斯传感器的布设方法
技术领域
本发明涉及瓦斯传感器的布设技术领域，尤其涉及一种瓦斯传感器的布设方法。
背景技术
一、瓦斯传感器布设问题特性分析
据调查，一些后果严重的瓦斯爆炸事故是由于局部瓦斯超限事故超出了矿井安装的全部瓦斯传感器的监测范围，而未得到及时报警导致的。因此，为实现利用最少瓦斯传感器达到全矿井瓦斯浓度的全面监测和准确预警的效果，需要对瓦斯传感器布设进行优化改进。利用最少数量的瓦斯传感器实现全矿井的瓦斯浓度监测的瓦斯传感器布设优化问题可具体描述为：在多个可供选择的瓦斯传感器布设方案中，找到一个合适的瓦斯传感器布设方案，使得所有有瓦斯超限可能的巷道均能够被安装的瓦斯传感器监测到。依据上述布设目标可知，瓦斯传感器布设问题可归属为设施选址领域中的位置集合覆盖问题。
矿井通风网络图直观地反映了井下各个巷道之间的拓扑关系，借助图论理论将矿井通风网络图变为一个有向图G＝(V，E)，其中，V代表通风网络图中的巷道交汇点集(节点集)，E代表与V关联的巷道分支集。此时，瓦斯传感器位置集合覆盖问题就转化为在有向图中的节点上选择一定数量的备选节点布设瓦斯传感器的问题，利用图论理论中邻接矩阵分析节点和节点之间是否具有连通关系，最终找到能够覆盖整个通风网络的节点集合，即为瓦斯传感器的最优布设方案。在瓦斯传感器布设时应考虑相关技术规范和标准的规定，但这些规定安装瓦斯传感器的位置并不是通风网络图中的真实节点，因此，对于瓦斯传感器布设位置在转化为有向图的节点时可做如下处理：将规定安装瓦斯传感器的位置抽象为虚节点增加到矿井的有向图中。这样就可以将瓦斯传感器布设位置问题完全转化为有向图中节点之间相互关系的问题。
二、瓦斯传感器布设相关定义及假设
利用图论理论能够将矿井瓦斯传感器布设问题转化为有向图中的节点位置集合覆盖问题，有向图中节点位置集合覆盖问题可以转化为0-1整数规划问题，并定义如下概念作为构建瓦斯传感器布设模型的基础：
(1)最短风流时间：矿井通风系统有向图中风流流经相邻节点和所需要的最短时间。
(2)节点监测时间矩阵：所有相邻节点之间的最短风流时间组成的n阶矩阵，n为节点总数。
(3)瓦斯传感器最短报警时间：最短报警时间等于瓦斯异常涌出后运移到瓦斯传感器位置并达到报警浓度的时间与传感器响应时间之和。节点上的瓦斯传感器监测到节点的瓦斯的具体允许时间，当节点能在这个允许时间内做出响应，说明节点上的瓦斯传感器能够监测到节点的瓦斯浓度变化，并能实现瓦斯超限的准确预警。
(4)节点有效监测矩阵：在给定一个瓦斯传感器最短报警时间的情况下，反映各节点是否能够监测到自身相邻节点的瓦斯变化情况的0-1矩阵。
(5)覆盖范围集合：能够被节点处的瓦斯传感器监测到瓦斯超限的所有节点集合，若某一集合的覆盖范围是整个通风网络，那么该集合中的各节点覆盖范围集合的并集就包含整个通风网络的所有节点。
定义上述基本概念后，瓦斯传感器布设模型的构建思路为：首先，以矿井通风网络图和瓦斯传感器相关规范和标准为基础，得到包含虚节点的完整矿井通风网络有向图，再借助相关算法获得节点监测时间矩阵，然后指定瓦斯传感器最短报警时间，构建节点有效监测矩阵，再将节点有效监测矩阵中的虚节点所在的列和所覆盖的行进行约简处理，获得经过简化后的节点有效监测矩阵，在此基础上确定目标函数，最终完成瓦斯传感器布设模型的建立。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种瓦斯传感器的布设方法。
为了实现上述目的，本发明采用了如下技术方案：
一种瓦斯传感器的布设方法，包括以下步骤，
瓦斯传感器布设模型的建立：
(1)矿井通风有向图G
矿井通风网络图变为一个有向图G＝(V，E)，其中，V＝V1+V2，V1代表通风网络图中的巷道交汇节点集，V2代表依据相关技术规范必须安装瓦斯传感器的位置虚节点集，E＝(e1，e2，…，en)代表与V关联的巷道分支集，n为巷道交汇点与虚节点的和；
(2)有向图邻接矩阵A
邻接矩阵被用来描述有向图中任意两个节点是否有边相连，对于一个有向图G＝(V，E)，则邻接矩阵A可按如下方式构建：
式中：V——有向图节点集合，i，j——节点的序号，n——节点总数，A(i，j)——邻接矩阵A中，第i行第j列的元素；
由式1.1可知，邻接矩阵是一个n×n阶的0-1方阵；
简易有向图的邻接矩阵如下：
由上述邻接矩阵可知，邻接矩阵中主对角线上的元素均为零，并且第i行非零元素的个数即为第i个节点的出度，第i列非零元素的个数为第i个节点的入度；
(3)节点监测时间矩阵T
由邻接矩阵A的构建方式获得启示，节点监测时间矩阵可按如下方法获得：
式中：tij——节点i处的风流流经到节点j处的最短时间；
节点监测时间矩阵中的元素取值可按下式确定：
式中：l(i，j)——节点i和下游节点j之间的巷道长度，m；
u(i，j)——节点i和下游节点j之间的风流速度，m/s；
tik——节点i处风流到过渡节点k的最短时间，s；
tkj——过渡节点k处风流到节点j的最短时间，s；
式1.4中的第二个式子的求解是属于图论理论中的最短路径问题；节点监测时间矩阵的求解是一个计算通风网络图中风流从特定节点分别到其他所有节点最短时间的过程，属于单源最短路径问题，故采用适用于求解单源最短路径问题的算法——深度优先搜索算法求解节点监测时间矩阵；
(4)瓦斯传感器最短报警时间tA
瓦斯传感器在最短报警时间内做出预警才能够避免瓦斯超限事故的扩大化；瓦斯传感器最短报警时间可按下式计算：
tA＝tF+tR 1.5
式中：tF——瓦斯异常涌出后运移到瓦斯传感器位置并达到报警浓度的时间，s；
tR——瓦斯传感器的响应时间，s，一般≤30s；
(5)节点有效监测矩阵C
根据瓦斯传感器布设模型建立流程图可知，在指定瓦斯传感器最短报警时间的基础之上，节点有效监测矩阵的形式如式1.6所示，矩阵中的元素可按式1.7取值：
上述式1.6和1.7中，当上游节点i到下游节点j的风流流经最短时间tij不大于选择的瓦斯传感器最短报警时间tA时，cij的值取为1，表示下游节点j处的瓦斯传感器能够有效的监测到上游节点i处的瓦斯浓度变化；当上游节点i到下游节点j的风流流经最短时间tij大于选择的瓦斯传感器最短报警时间tA时，cij的值取为0，表示下游节点j处的瓦斯传感器不能有效的监测到上游节点i处的瓦斯浓度变化；由此可知，节点有效监测矩阵是一个主对角线均为1的0-1型n阶方阵，并且节点有效监测矩阵中第j列中的非零元素所在行对应的节点组成的集合即为节点j处的瓦斯传感器的监测范围集合，即D[j]＝{i|cij＝1，i∈n}；
(6)瓦斯传感器布设优化模型的目标函数及约束条件
在设计瓦斯传感器布设优化模型的目标函数前，做如下设定：对于通风系统有向图G＝(V，E)，设需要被监测瓦斯浓度变化的节点集合为I，相关规范规定必须安装瓦斯传感器的节点集合为M，可供选择安装瓦斯传感器的节点集合为J，那么，利用最少数量的瓦斯传感器实现对通风网络有向图中所有节点处的瓦斯浓度变化进行监测的过程可转化为寻找节点集合J的一个子集J′，满足J′∪M使得节点集合I中元素节点均被覆盖到的问题，瓦斯传感器布设问题属于设施选址领域中的位置集合覆盖问题；结合位置集合覆盖的定义，即针对一个n阶0-1矩阵，在保证最小成本的情况下在矩阵中选择一些列使其能覆盖所有的行，则瓦斯传感器布设优化模型的目标函数的建立如下：
满足：
式1.8即为瓦斯传感器布设位置集合覆盖模型的目标函数，Ω为多个满足条件的全覆盖子集J′组成的集合群；bj为节点j处布设瓦斯传感器的成本，其值为节点j的重要度的倒数；xj表示二进制决策变量，节点j被选择时，xj＝1，节点j未被选择时，xj＝0；式1.9和式1.10为目标函数的两个约束条件；式1.9表示需要被监测瓦斯浓度的节点至少被一个节点处的瓦斯传感器所监测，Ni为节点i处的瓦斯传感器的监测范围集合。
优选的，深度优先搜索算法求解风流最短时间问题的步骤为：
S1：选取通风网络有向图中的某一个特定节点i作为出发节点；
S2：从出发节点i沿风流方向依次搜索节点的间接邻接节点j，若风流下游目标节点j未被访问，则访问和标记目标节点j；若目标节点j已经被访问过，则搜索下一个目标节点；
S3：重复步骤S1，直至所有间接相连节点被访问。
优选的，最短路径问题可分为单源最短路径问题、点到点的最短路径问题、多源点多汇点最短路径问题和全源最短路径问题四大类；最短路径问题常用的求解算法有Dijkstra算法、SPFA算法、Bellman-ford算法、Floyd-Warshall算法和深度优先搜索算法。
优选的，当前瓦斯传感器最短报警时间没有适用于大多数矿井的确定的统一的数值。因此，瓦斯传感器最短报警时间的选取可结合不同煤矿企业期望的安全目标及以往选取的经验来指定不同的数值，从而作为矿井瓦斯传感器布设时的理论支撑。
优选的，式1.10表示若节点j被选择布设传感器时，xj＝1，节点j未被选择时，xj＝0；若假设每个节点布设传感器的成本相同，则当传感器布设成本f(x)最小时的节点集合即为所求的瓦斯传感器布设优化方案。
与现有技术相比，本发明的有益效果是：Ni为节点i处的瓦斯传感器的监测(覆盖)范围集合；式1.10表示若节点j被选择布设传感器时，xj＝1，节点j未被选择时，xj＝0。若假设每个节点布设传感器的成本相同，则当传感器布设成本f(x)最小时的节点集合即为所求的瓦斯传感器布设优化方案，在不同的迭代次数下，采用混合GA-DBPSO算法求解得到的目标函数值与精确求解算法求解的目标函数值相差不大，验证了混合GA-DBPSO算法在求解瓦斯传感器布设模型方面的可行性和有效性。
附图说明
图1为本发明提出的一种瓦斯传感器的布设方法的瓦斯传感器布设模型建立流程图；
图2为本发明提出的一种瓦斯传感器的布设方法的简易有向图实例。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-2，一种瓦斯传感器的布设方法，包括以下步骤，
瓦斯传感器布设模型的建立：
(1)矿井通风有向图G
矿井通风网络图变为一个有向图G＝(V，E)，其中，V＝V1+V2，V1代表通风网络图中的巷道交汇节点集，V2代表依据相关技术规范必须安装瓦斯传感器的位置虚节点集，E＝(e1，e2，…，en)代表与V关联的巷道分支集，n为巷道交汇点与虚节点的和；
(2)有向图邻接矩阵A
邻接矩阵被用来描述有向图中任意两个节点是否有边相连，对于一个有向图G＝(V，E)，则邻接矩阵A可按如下方式构建：
式中：V——有向图节点集合，i，j——节点的序号，n——节点总数，A(i，j)——邻接矩阵A中，第i行第j列的元素；
由式1.1可知，邻接矩阵是一个n×n阶的0-1方阵；
简易有向图的邻接矩阵如下：
由上述邻接矩阵可知，邻接矩阵中主对角线上的元素均为零，并且第i行非零元素的个数即为第i个节点的出度，第i列非零元素的个数为第i个节点的入度；
(3)节点监测时间矩阵T
由邻接矩阵A的构建方式获得启示，节点监测时间矩阵可按如下方法获得：
式中：tij——节点i处的风流流经到节点j处的最短时间；
节点监测时间矩阵中的元素取值可按下式确定：
式中：l(i，j)——节点i和下游节点j之间的巷道长度，m；
u(i，j)——节点i和下游节点j之间的风流速度，m/s；
tik——节点i处风流到过渡节点k的最短时间，s；
tkj——过渡节点k处风流到节点j的最短时间，s；
式1.4中的第二个式子的求解是属于图论理论中的最短路径问题；节点监测时间矩阵的求解是一个计算通风网络图中风流从特定节点分别到其他所有节点最短时间的过程，属于单源最短路径问题，故采用适用于求解单源最短路径问题的算法——深度优先搜索算法求解节点监测时间矩阵；
(4)瓦斯传感器最短报警时间tA
瓦斯传感器在最短报警时间内做出预警才能够避免瓦斯超限事故的扩大化；瓦斯传感器最短报警时间可按下式计算：
tA＝tF+tR 1.5
式中：tF——瓦斯异常涌出后运移到瓦斯传感器位置并达到报警浓度的时间，s；
tR——瓦斯传感器的响应时间，s，一般≤30s；
(5)节点有效监测矩阵C
根据瓦斯传感器布设模型建立流程图可知，在指定瓦斯传感器最短报警时间的基础之上，节点有效监测矩阵的形式如式1.6所示，矩阵中的元素可按式1.7取值：
上述式1.6和1.7中，当上游节点i到下游节点j的风流流经最短时间tij不大于选择的瓦斯传感器最短报警时间tA时，cij的值取为1，表示下游节点j处的瓦斯传感器能够有效的监测到上游节点i处的瓦斯浓度变化；当上游节点i到下游节点j的风流流经最短时间tij大于选择的瓦斯传感器最短报警时间tA时，cij的值取为0，表示下游节点j处的瓦斯传感器不能有效的监测到上游节点i处的瓦斯浓度变化；由此可知，节点有效监测矩阵是一个主对角线均为1的0-1型n阶方阵，并且节点有效监测矩阵中第j列中的非零元素所在行对应的节点组成的集合即为节点j处的瓦斯传感器的监测范围集合，即D[j]＝{i|cij＝1，i∈n}；
(6)瓦斯传感器布设优化模型的目标函数及约束条件
在设计瓦斯传感器布设优化模型的目标函数前，做如下设定：对于通风系统有向图G＝(V，E)，设需要被监测瓦斯浓度变化的节点集合为I，相关规范规定必须安装瓦斯传感器的节点集合为M，可供选择安装瓦斯传感器的节点集合为J，那么，利用最少数量的瓦斯传感器实现对通风网络有向图中所有节点处的瓦斯浓度变化进行监测的过程可转化为寻找节点集合J的一个子集J′，满足J′∪M使得节点集合I中元素节点均被覆盖到的问题，瓦斯传感器布设问题属于设施选址领域中的位置集合覆盖问题；结合位置集合覆盖的定义，即针对一个n阶0-1矩阵，在保证最小成本的情况下在矩阵中选择一些列使其能覆盖所有的行，则瓦斯传感器布设优化模型的目标函数的建立如下：
满足：
式1.8即为瓦斯传感器布设位置集合覆盖模型的目标函数，Ω为多个满足条件的全覆盖子集J′组成的集合群；bj为节点j处布设瓦斯传感器的成本，其值为节点j的重要度的倒数；xj表示二进制决策变量，节点j被选择时，xj＝1，节点j未被选择时，xj＝0；式1.9和式1.10为目标函数的两个约束条件；式1.9表示需要被监测瓦斯浓度的节点至少被一个节点处的瓦斯传感器所监测，Ni为节点i处的瓦斯传感器的监测范围集合。
本发明中，深度优先搜索算法求解风流最短时间问题的步骤为：
S1：选取通风网络有向图中的某一个特定节点i作为出发节点；
S2：从出发节点i沿风流方向依次搜索节点的间接邻接节点j，若风流下游目标节点j未被访问，则访问和标记目标节点j；若目标节点j已经被访问过，则搜索下一个目标节点；
S3：重复步骤S1，直至所有问接相连节点被访问。
本发明中，最短路径问题可分为单源最短路径问题、点到点的最短路径问题、多源点多汇点最短路径问题和全源最短路径问题四大类；最短路径问题常用的求解算法有Dijkstra算法、SPFA算法、Bellman-ford算法、Floyd-Warshall算法和深度优先搜索算法。
本发明中，当前瓦斯传感器最短报警时问没有适用于大多数矿井的确定的统一的数值。因此，瓦斯传感器最短报警时问的选取可结合不同煤矿企业期望的安全目标及以往选取的经验来指定不同的数值，从而作为矿井瓦斯传感器布设时的理论支撑。
本发明中，式1.10表示若节点j被选择布设传感器时，xj＝1，节点j未被选择时，xj＝0；若假设每个节点布设传感器的成本相同，则当传感器布设成本f(x)最小时的节点集合即为所求的瓦斯传感器布设优化方案。
本发明中，瓦斯传感器布设优化问题属于组合优化问题。组合优化问题通常情况下被分两类：连续组合优化问题和离散组合优化问题。连续组合优化问题是在问题的可行解中寻找最优的一组实数或者一个函数，而离散组合问题则是在问题的可行解中寻找一种最优解，这种最优解可能是一个整数，也可能是一个集合。显然，依据建立的瓦斯传感器布设优化模型，可知瓦斯传感器布设优化问题属于离散组合问题。而标准的粒子群优化算法适用于解决连续组合优化问题，并不能直接应用到求解离散组合优化问题上，因此，针对瓦斯传感器布设优化模型的求解，可采用离散二进制粒子群优化算法(Discrete BinaryParticle Swarm Optimization Algorithm)求解。
(1)离散二进制粒子群优化算法(DBPSO算法)
为了能够将粒子群优化算法应用到求解离散组合优化问题上，以扩大粒子群优化算法的应用范围，学者肯尼迪(Kennedy)和埃伯哈特(Eberhart)在提出PSOA算法后不久，便再次提出了改进的粒子群优化算法——离散二进制粒子群优化算法，该算法具有解决离散空间优化问题的能力。
离散二进制粒子群优化算法与标准的粒子群优化算法相比，剔除了原来的粒子位置更新公式，其速度更新公式与原始算法中的更新公式近乎相同。离散二进制粒子群优化算法的速度和位置更新过程可简要描述为：用二进制编码串代表粒子，粒子的每个二进制位根据式1.11获得速度，设定位变量只取0或1，利用式1.12将速度值转化成位变量取1的概率，最终根据式1.13更新粒子的位值。
Vid＝ω·Vid+c1·rand()·(Pid-Xid)+c2·rand()·(Pgd-Xid) 1.11
式1.13为粒子的位变量的取值表达式，s(Vid)表示位变量xid取1的概率值；rand()表示在区间[0，1]中随机产生的数。
上述三个式子共同组成了离散二进制粒子群优化算法。式1.12是sigmoid函数表达式的一般形式，借助sigmoid函数能够将粒子的速度值转变成区问[0，1]中的数值。在式1.12中，为了限制位变量取0或1的概率值过大，设定了一个最大速度值Vmax来控制速度变量Vid的变化范围，即速度变量的取值范围为[-Vmax，Vmax]。根据上述三式可知，离散二进制粒子群优化算法中的粒子轨迹是一种概率改变过程。式1.11中的(Pid-Xid)和(Pgd-Xid)的取值有三种可能，分别为-1，0和1。当(Pid-Xid)＝0或(Pgd-Xid)＝0时，表示个体极值Pid或者全局极值Pgd等于位变量Xid的值；当(Pid-Xid)＝1或(Pgd-Xid)＝1时，表示个体极值Pid或全局极值Pgd为1，位变量Xid的值为0；当(Pid-Xid)＝-1或(Pgd-Xid)＝-1时，表示个体极值Pid或全局极值Pgd为0，位变量Xid的值为1。同时，还需要注意区分的是式1.12中的函数值s(Vid)表示位变量Xid取1的概率值，而不是表示某一个编码位的变化概率。而位变化概率的问题，由式1.12分析可知，位变量取1的概率为sigmoid函数值s(Vid)，相应的位变量取0的概率为1-s(Vid)，即某一个为0的编码位发生改变的概率为s(Vid)，某一个为1的编码位发生改概率为1-s(Vid)，则根据概率统计理论可得位变化概率p(Δ)id的表达式如1.14式所示：
p(Δ)id＝s(Vid)(1-s(Vid))＝s(Vid)-s(Vid)2 1.14
结合式1.12，得到基于sigmoid函数表达式的位变化概率表达式：
由式1.15可得：当粒子i在第d维所具有的速度逐渐趋近于零时，位变化的概率越大，且当速度等于零时，Max[p(Δ)id]＝0.25。
(2)混合GA-DBPSO算法的构建原因分析
对于常规的启发式算法，要求算法在求解的初始阶段要具有较强的全局搜索能力，在后期阶段要具有较好的局部搜索能力。粒子群优化算法的主要过程是粒子通过飞行改变位置而逐渐靠近最优粒子的过程，在这个过程中，粒子的速度逐渐收敛于0。离散二进制粒子群优化算法则是对粒子进行了二进制编码，利用二进制串表示粒子，在算法的每一次迭代过程中改变二进制串位的值，因此，可将离散二进制粒子群优化算法看作是一种特殊的变异过程，其变异的概率即为式1.15中的位变化概率p(Δ)id。
式1.15说明了离散二进制粒子群优化算法中粒子的速度越趋于零，其粒子的位值发生改变的可能性越大，即在整个算法求解过程中，位变化概率的存在使算法具有变异功能和较强的全局搜索能力，但在算法后期阶段的搜索具有更强的随机性，搜索的方向性较弱，即缺乏局部搜索能力。同时，根据遗传算法理论中的变异算子的性质可知，只具有变异过程和缺乏选择及交叉过程的离散二进制粒子群算法在求解问题的后期阶段，变异概率的逐渐增大不利于适用度较好的模式呈指数级增长。因此，为了使得离散二进制粒子群优化算法具有局部搜索、保持较优模式呈指数级增长和更好收敛全局最优解的能力，将其与遗传算法结合来求解离散组合问题中的传感器布设优化模型。
(3)混合GA-DBPSO算法的关键技术
①编码方式及适应度值
常规的离散二进制粒子群优化算法采用二进制法对粒子(问题个体)进行编码，即每个粒子由具有若干个0和1组成的二进制字符串表示，其字符串的编码长度(字符个数)随着求解的通风网络有向图的不同而不同。以具有10个节点的通风网络有向图为例说明粒子的编码实现过程，设定粒子的编码长度为10，各粒子初始产生10个介于(o，1)间的小数。若粒子中与某一节点对应的小数小于或等于0.5，则粒子中此节点的编码数值取为0，表示此节点处不布设瓦斯传感器；若该小数大于0.5，则粒子中该节点的编码数值取为1，表示该节点处布设瓦斯传感器。按上述编码方式最终获得各粒子具有10个0和1组成的二进制字符串。对于各粒子的适应度值根据目标函数式1.8进行计算。
②变异操作和交叉操作的处理
由式1.11可知粒子群优化算法在求解连续组合优化问题时粒子的位置是根据粒子的速度、个体极值和全局极值进行更新进化的，而瓦斯传感器布设优化属于离散组合优化问题，在求解时粒子的速度描述难度较大，不易实现粒子位置更新。并且，粒子群优化算法是一种全局随机搜索算法，需结合局部搜索算法使其具有较好的局部搜索能力，由局部搜索算法中遗传算法的交叉操作得到启示，将当前解与个体极值及全局极值分别执行交叉操作，以实现粒子位置的更新，然后再对新获得的粒子进行变异操作以获得新的粒子位置。
(4)混合GA-DBPSO的算法流程
依据以上分析，混合GA-DBPSO算法的实质是将遗传算法中的交叉和变异操作引入到离散二进制粒子群作为粒子位置的更新方式，其混合算法的构建步骤如下：
S1：参数设定。设置粒子群中的粒子的总个数N，终止迭代次数NT，变异概率Pm，惯性系数ω，惯性因子c1和学习因子c2。
S2：初始化产生N个具有n个二进制编码的粒子群体，将群体中的一个粒子个体Xi作为当前初始可行解m0，利用目标函数式1.8计算该位置的适应度值f1，将此适应度值f1作为粒子当前个体最好适应度值jp-best，当前粒子的位置作为粒子最好位置pbest，对比各粒子的最好适应度值，寻找粒子群的全局最好位置gbest和最好适用度值fg-best。
S3：结合全局最好位置gbest执行交叉操作。随机产生1～n之间的整数，记作为g1，将g1作为当前位置与全局最好位置的交叉点位置，交叉后获得新的位置m1，令m0＝m1，若当前位置与全局最好位置在全局交叉点g1处的编码相同，则设定交叉后的位置保持不变。
S4：结合个体最好位置pbest执行交叉操作。随机产生1～n之间的整数，记作为p1，将p1作为当前位置与个体最好位置pbest的交叉点位置，交叉后获得新的位置m2，令m1＝m2。若当前位置与个体最好位置pbest在个体交叉点p1处的编码相同，则设定交叉后的位置保持不变。
S5：变异操作。随机产生服从U(o，1)的r分别与变异概率作比较，若r＞Pm，则粒子的相应维度位置编码执行变异操作，若r＜Pm，则执行S6。
S6：对每个新粒子的位置根据目标函数式1.8计算适应度值，更新粒子群最好位置gbest及最好适应度值fg-best，粒子最好位置pbest及最好适应度值fp-best。
S7：循环S3～S6，直至满足终止迭代次数NT。
S8：结果输出。粒子群最好位置gbest及最好适应度值fg-best即为对应的节点集合即为传感器布设优化位置集合和该布设优化位置集合相应的适应度值。
本发明在使用时，Ni为节点i处的瓦斯传感器的监测(覆盖)范围集合；式1.10表示若节点j被选择布设传感器时，xj＝1，节点j未被选择时，xj＝0。若假设每个节点布设传感器的成本相同，则当传感器布设成本f(x)最小时的节点集合即为所求的瓦斯传感器布设优化方案，在不同的迭代次数下，采用混合GA-DBPSO算法求解得到的目标函数值与精确求解算法求解的目标函数值相差不大，验证了混合GA-DBPSO算法在求解瓦斯传感器布设模型方面的可行性和有效性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种瓦斯传感器的布设方法，其特征在于，包括以下步骤，
瓦斯传感器布设模型的建立：
(1)矿井通风有向图G
矿井通风网络图变为一个有向图G＝(V，E)，其中，V＝V1+V2，V1代表通风网络图中的巷道交汇节点集，V2代表依据相关技术规范必须安装瓦斯传感器的位置虚节点集，E＝(e1，e2，…，en)代表与V关联的巷道分支集，n为巷道交汇点与虚节点的和；
(2)有向图邻接矩阵A
邻接矩阵被用来描述有向图中任意两个节点是否有边相连，对于一个有向图G＝(V，E)，则邻接矩阵A可按如下方式构建：
式中：V——有向图节点集合，i，j——节点的序号，n——节点总数，A(i，j)——邻接矩阵A中，第i行第j列的元素；
由式1.1可知，邻接矩阵是一个n×n阶的0-1方阵；
简易有向图的邻接矩阵如下：
由上述邻接矩阵可知，邻接矩阵中主对角线上的元素均为零，并且第i行非零元素的个数即为第i个节点的出度，第i列非零元素的个数为第i个节点的入度；
(3)节点监测时间矩阵T
由邻接矩阵A的构建方式获得启示，节点监测时间矩阵可按如下方法获得：
式中：tij——节点i处的风流流经到节点j处的最短时间；
节点监测时间矩阵中的元素取值可按下式确定：
式中：l(i，j)——节点i和下游节点j之间的巷道长度，m；
u(i，j)——节点i和下游节点j之间的风流速度，m/s；
tik——节点i处风流到过渡节点k的最短时间，s；
tkj——过渡节点k处风流到节点j的最短时间，s；
式1.4中的第二个式子的求解是属于图论理论中的最短路径问题；节点监测时间矩阵的求解是一个计算通风网络图中风流从特定节点分别到其他所有节点最短时间的过程，属于单源最短路径问题，故采用适用于求解单源最短路径问题的算法——深度优先搜索算法求解节点监测时间矩阵；
(4)瓦斯传感器最短报警时间tA
瓦斯传感器在最短报警时间内做出预警才能够避免瓦斯超限事故的扩大化；瓦斯传感器最短报警时间可按下式计算：
tA＝tF+tR 1.5
式中：tF——瓦斯异常涌出后运移到瓦斯传感器位置并达到报警浓度的时间，s；
tR——瓦斯传感器的响应时间，s，一般≤30s；
(5)节点有效监测矩阵C
根据瓦斯传感器布设模型建立流程图可知，在指定瓦斯传感器最短报警时间的基础之上，节点有效监测矩阵的形式如式1.6所示，矩阵中的元素可按式1.7取值：
上述式1.6和1.7中，当上游节点i到下游节点j的风流流经最短时间tij不大于选择的瓦斯传感器最短报警时间tA时，cij的值取为1，表示下游节点j处的瓦斯传感器能够有效的监测到上游节点i处的瓦斯浓度变化；当上游节点i到下游节点j的风流流经最短时间tij大于选择的瓦斯传感器最短报警时间tA时，cij的值取为0，表示下游节点j处的瓦斯传感器不能有效的监测到上游节点i处的瓦斯浓度变化；由此可知，节点有效监测矩阵是一个主对角线均为1的0-1型n阶方阵，并且节点有效监测矩阵中第j列中的非零元素所在行对应的节点组成的集合即为节点j处的瓦斯传感器的监测范围集合，即D[j]＝{i|cij＝1，i∈n}；
(6)瓦斯传感器布设优化模型的目标函数及约束条件
在设计瓦斯传感器布设优化模型的目标函数前，做如下设定：对于通风系统有向图G＝(V，E)，设需要被监测瓦斯浓度变化的节点集合为I，相关规范规定必须安装瓦斯传感器的节点集合为M，可供选择安装瓦斯传感器的节点集合为J，那么，利用最少数量的瓦斯传感器实现对通风网络有向图中所有节点处的瓦斯浓度变化进行监测的过程可转化为寻找节点集合J的一个子集J′，满足J′∪M使得节点集合I中元素节点均被覆盖到的问题，瓦斯传感器布设问题属于设施选址领域中的位置集合覆盖问题；结合位置集合覆盖的定义，即针对一个n阶0-1矩阵，在保证最小成本的情况下在矩阵中选择一些列使其能覆盖所有的行，则瓦斯传感器布设优化模型的目标函数的建立如下：
满足：
式1.8即为瓦斯传感器布设位置集合覆盖模型的目标函数，Ω为多个满足条件的全覆盖子集J′组成的集合群；bj为节点j处布设瓦斯传感器的成本，其值为节点j的重要度的倒数；xj表示二进制决策变量，节点j被选择时，xj＝1，节点j未被选择时，xj＝0；式1.9和式1.10为目标函数的两个约束条件；式1.9表示需要被监测瓦斯浓度的节点至少被一个节点处的瓦斯传感器所监测，N[i]为节点i处的瓦斯传感器的监测范围集合。
2.根据权利要求1所述的一种瓦斯传感器的布设方法，其特征在于，深度优先搜索算法求解风流最短时间问题的步骤为：
S1：选取通风网络有向图中的某一个特定节点i作为出发节点；
S2：从出发节点i沿风流方向依次搜索节点的间接邻接节点j，若风流下游目标节点j未被访问，则访问和标记目标节点j；若目标节点j已经被访问过，则搜索先一个目标节点；
S3：重复步骤S1，直至所有间接相连节点被访问。
3.根据权利要求1所述的一种瓦斯传感器的布设方法，其特征在于，最短路径问题可分为单源最短路径问题、点到点的最短路径问题、多源点多汇点最短路径问题和全源最短路径问题四大类；最短路径问题常用的求解算法有Dijkstra算法、SPFA算法、Bellman-ford算法、Floyd-Warshall算法和深度优先搜索算法。
4.根据权利要求1所述的一种瓦斯传感器的布设方法，其特征在于，当前瓦斯传感器最短报警时间没有适用于大多数矿井的确定的统一的数值。因此，瓦斯传感器最短报警时间的选取可结合不同煤矿企业期望的安全目标及以往选取的经验来指定不同的数值，从而作为矿井瓦斯传感器布设时的理论支撑。
5.根据权利要求1所述的一种瓦斯传感器的布设方法，其特征在于，式1.10表示若节点j被选择布设传感器时，xj＝1，节点j未被选择时，xj＝0；若假设每个节点布设传感器的成本相同，则当传感器布设成本f(x)最小时的节点集合即为所求的瓦斯传感器布设优化方案。
CN201810520831.XA 2018-05-28 2018-05-28 一种瓦斯传感器的布设方法 Pending CN108918813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810520831.XA CN108918813A (zh) 2018-05-28 2018-05-28 一种瓦斯传感器的布设方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810520831.XA CN108918813A (zh) 2018-05-28 2018-05-28 一种瓦斯传感器的布设方法

Publications (1)

Publication Number Publication Date
CN108918813A true CN108918813A (zh) 2018-11-30

Family

ID=64409934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810520831.XA Pending CN108918813A (zh) 2018-05-28 2018-05-28 一种瓦斯传感器的布设方法

Country Status (1)

Country Link
CN (1) CN108918813A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269833A (zh) * 2021-06-23 2021-08-17 合肥量圳建筑科技有限公司 电气末端定位方法、装置、设备及存储介质
CN113642765A (zh) * 2021-07-02 2021-11-12 陕煤集团神木张家峁矿业有限公司 矿井监测设备优化部署方法、设备、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269833A (zh) * 2021-06-23 2021-08-17 合肥量圳建筑科技有限公司 电气末端定位方法、装置、设备及存储介质
CN113269833B (zh) * 2021-06-23 2024-04-09 合肥量圳建筑科技有限公司 电气末端定位方法、装置、设备及存储介质
CN113642765A (zh) * 2021-07-02 2021-11-12 陕煤集团神木张家峁矿业有限公司 矿井监测设备优化部署方法、设备、电子设备及存储介质
CN113642765B (zh) * 2021-07-02 2024-05-28 陕煤集团神木张家峁矿业有限公司 矿井监测设备优化部署方法、设备、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Huang et al. Reduction of computational error by optimizing SVR kernel coefficients to simulate concrete compressive strength through the use of a human learning optimization algorithm
Elshorbagy et al. Experimental investigation of the predictive capabilities of data driven modeling techniques in hydrology-Part 2: Application
Ahmed et al. Genetic algorithm for optimal operating policy of a multipurpose reservoir
CN104156584B (zh) 多目标优化差分进化算法的传感器目标分配方法及系统
Mikaeil et al. Geotechnical risk evaluation of tunneling projects using optimization techniques (case study: the second part of Emamzade Hashem tunnel)
CN101711390B (zh) 用于宽区域监视的有限数量传感器的合理布置的方法和系统
CN105868444B (zh) 一种基于特征图像的燃气管网泄漏检测和定位方法
CN108918813A (zh) 一种瓦斯传感器的布设方法
Borodulin et al. Using machine learning algorithms to solve data classification problems using multi-attribute dataset
Zhang et al. A new crossover mechanism for genetic algorithms for Steiner tree optimization
CN105373969A (zh) 配电线路抗风能力评估方法和系统
Meng et al. Microscopic traffic simulation model-based optimization approach for the contraflow lane configuration problem
Liu et al. An adaptive Particle Swarm Optimization algorithm for fire source identification of the utility tunnel fire
Shourian et al. Interbasin water transfer capacity design by two approaches of simulation-optimization and multicriteria decision making
Nadiri et al. Predictive groundwater levels modelling by Inclusive Multiple Modelling (IMM) at multiple levels
Lowndes et al. The application of genetic algorithms to optimise the performance of a mine ventilation network: the influence of coding method and population size
CN111997692B (zh) 井下通风监测点布置方法、监测方法、装置及存储介质
CN109150629B (zh) 一种路网多类型监测设备组合布设方法
Firgiawan et al. Performance comparison of spider monkey optimization and genetic algorithm for traveling salesman problem
Yıldız et al. A genetic-fuzzy based mathematical model to evaluate the distance education students’ academic performance
Sousa et al. Deep underground engineering and the use of artificial intelligence techniques
Huiru et al. Travelling salesman problem in uncertain environments
CN113609630B (zh) 一种全矿井自适应的一三维耦合通风网络解算方法
CN103955552B (zh) 一种船舶火灾自动报警系统连锁失效路径的评估方法
Liu et al. Predictive Modelling of CART-Based Frictional Resistance in Mine Ventilation Systems

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181130