CN111102005A - 矿井环境瓦斯浓度在线预测方法 - Google Patents

Abstract

本发明提供一种矿井环境瓦斯浓度在线预测方法，包括步骤：S1：实时采集各监测点的相关参数；S2：对各监测点的相关参数进行预处理，得到各监测点的输入参数；S3：训练得到瓦斯浓度的当前预测模型；S4：预测得到待预测时间序列的监测点的瓦斯浓度；S5：判断当前预测模型的网络误差满足误差许允条件，若是，则返回步骤S4，若否，则需更新当前预测模型，即返回步骤S3；本发明采用具有遗忘机制的在线惯序正则化极限学习机进行网络训练与预测，网络简单、无需多步训练，同时可以采用增量的方式进行模型的更新，适合于变化的瓦斯浓度和大规模数据集的处理，预测准确率高。

Description

矿井环境瓦斯浓度在线预测方法

技术领域

本发明涉及矿井监测预警领域，具体涉及一种矿井环境瓦斯浓度在线预测 方法。

背景技术

煤炭是我国最丰富、经济、可靠、稳定的能源，一次性能源消费结构中超 过50％，作为主要能源地位长期不会改变。煤矿瓦斯、水、火等多种灾害并存， 属于高危行业，事故频繁，极易造成群死群伤。目前我国高瓦斯和突出矿井占 比超过50％，据国家煤矿安全监察局近十年事故统计数据表明，瓦斯爆炸事故 占重特大事故次数62％，瓦斯事故防治是煤矿安全工作重中之重。瓦斯浓度的 在线精准预测和井下多系统协同控制是防范瓦斯事故的主要手段。在瓦斯浓度 预测方面，主要的方法包括1)以瓦斯浓度单时间序列的方式进行预测，如 ARAM、最小二乘法曲线拟合、指数平滑等，这种方法只考虑了瓦斯浓度本身， 模型的更新难，预测准确率较低；2)运行灰色系统进行瓦斯浓度预测，该方法 需要对数据进行验证和修补，模型的更新也较难；3)采用支持向量机、BP神 经网络等进行预测，该方法模型复杂，重新训练时间长，不利于模型的在线更 新和动态调整。而对于井下瓦斯超限断电的控制，多是发生瓦斯超限后进行断 电，不利于瓦斯事故的超前防控。

发明内容

有鉴于此，本发明的目的是提供一种矿井环境瓦斯浓度在线预测方法，采 用具有遗忘机制的在线惯序正则化极限学习机进行网络训练与预测，网络简单、 无需多步训练，同时可以采用增量的方式进行模型的更新，适合于变化的瓦斯 浓度和大规模数据集的处理，预测准确率高。

本发明提供一种矿井环境瓦斯浓度在线预测方法，包括步骤：

S1：在矿井下设置若干监测点，实时采集各监测点的相关参数；

S2：对各监测点的相关参数进行预处理，得到各监测点的输入参数；

S3：将各监测点的输入参数作为样本，利用极限学习机训练得到瓦斯浓度 的当前预测模型；

S4：将当前时间序列的输入参数带入当前预测模型，预测得到待预测时间 序列的监测点的瓦斯浓度；

S5：判断当前预测模型的网络误差满足误差许允条件，若是，则返回步骤 S4，若否，则需更新当前预测模型，即返回步骤S3。

进一步，所述相关参数至少包括瓦斯浓度。

进一步，所述步骤S2包括步骤：

S21：根据t个时间序列的各监测点的相关参数，形成多参量序列矩阵X， 所述X具体为：

其中，t为时间序列个数，相邻时间序列的时间间隔为监测点传感器采集周 期平均间隔，n为监测点个数，x_ij为第j个时间序列的第i个监测点的相关参数。

S22：计算各监测点监测参数时间序列的相关性系数ρ_I′J′，所述ρ_I′J′的计算 公式为：

其中，I’和J’分别为X的第i行和第j行的行向量，即第i和第j个监测点 的监测参数时间序列；ρ_I′J′为X的第i行和第j行的行向量的相关性系数； Cov(I′,J′)为监测点序列I’和J’的协方差；D(I′)和D(J′)为第i个和第j个瓦斯监 测点监测参数时间序列的方差；

S23：根据步骤S22，得到X的相关性矩阵P，所述P为：

S24：根据相关性矩阵P获得各监测点排序在前m的其它强相关监测点作 为监测点的输入参数。

进一步，所述步骤S24包括步骤：

S241：按绝对值从大到小的顺序分别对相关性矩阵P各行元素进行排序；

S242：分别重新排序后各行的前m’个值，作为各行的预测变量；

S243：对预测变量进行聚类，得到最终的输入参数。

进一步，所述步骤S243具体包括：设置一个阈值a，当排序后的P中任意 两行有超过a个相同的预测变量时，则归为一类。

进一步，所述步骤S3具体包括：

S31：初始化单层前馈神经网络的样本数目N、隐层节点数目L、遗忘速率 w、激活函数f、正则化系数R、权重W和隐层偏值B；

S32：计算输出权重β_k，所述β_k的计算公式为：

其中，T_k为第k个期望输出向量，且T＝[t₁,t₂,…,t_N]^T，t_i为第i个期望输出值， P_k＝(RI+H^TH)^-1，

W_i为第i个隐层节点的权重；X_i为第i个样本，即第i个输入参数；b_i为第i个隐层 节点的偏值；

S33：顺序训练其余样本，得到瓦斯浓度的当前预测模型；其中，其余样本 的输出权重更新公式为：

其中，

h_k+1为新进入样本组成的H，

进一步，所述当前预测模型的网络误差的计算公式为：

其中，RMSE(y,y')为根方差，即当前预测模型的网络误差； y＝[y₁,y₂,…,y_n]^T∈Rⁿ为真实值，即实时采集到的相关参数；y'＝[y'₁,y'₂,…,y'_n]^T∈Rⁿ为 预测得到的瓦斯浓度，Rⁿ为n为实向量集。

进一步，所述误差许允条件包括当前预测模型的网络误差在预设的误差阈 值范围内且新样本数量在预设数量阈值范围内。

本发明的有益效果：本发明采用具有遗忘机制的在线惯序正则化极限学习 机进行网络训练与预测，网络简单、无需多步训练，同时可以采用增量的方式 进行模型的更新，适合于变化的瓦斯浓度和大规模数据集的处理，预测准确率 高。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的方法流程图；

图2为DNN模型参数对MSE的影响示意图。

图3为瓦斯浓度趋势预测结果进行超前预警、报警或断电控制框图。

具体实施方式

如图1所示，本发明提供的一种矿井环境瓦斯浓度在线预测方法，包括步 骤：

S1：在矿井下设置若干监测点，实时采集各监测点的相关参数；本实施例 中，可采用在监测点布置相关参数的传感器，来采集相关参数，例如：布置瓦 斯浓度传感器来监测瓦斯浓度，布置温度传感器来采集监测点的环境温度，布 置风速传感器来采集监测点的风速。监测点可根据实际需要进行设置，例如： 在矿井工作面每隔10米等间距设置一个监测点。

S2：对各监测点的相关参数进行预处理，得到各监测点的输入参数；

S3：将各监测点的输入参数作为样本，利用极限学习机训练得到瓦斯浓度 的当前预测模型；

S4：将当前时间序列的输入参数带入当前预测模型，预测得到待预测时间 序列的监测点的瓦斯浓度；

S5：判断当前预测模型的网络误差满足误差许允条件，若是，则返回步骤 S4，若否，则需更新当前预测模型，即返回步骤S3。通过上述方法，采用具有 遗忘机制的在线惯序正则化极限学习机进行网络训练与预测，网络简单、无需 多步训练，同时可以采用增量的方式进行模型的更新，适合于变化的瓦斯浓度 和大规模数据集的处理，预测准确率高。

进一步，所述相关参数至少包括瓦斯浓度。在实际操作中，相关参数还包 括影响瓦斯扩散的风速和温度等参数，相关参数越多训练出的预测模型预测精 度越高，但是相应地会增加训练预测模型的开销，在实际操作中根据实际的要 求选择相应的相关参数，且利用步骤S2选出与瓦斯浓度相关性比较高的几个参 数，既能保证预测精度，又能减少训练开销。

进一步，所述步骤S2包括步骤：

S21：根据t个时间序列的各监测点的相关参数，形成多参量序列矩阵X， 所述X具体为：

其中，t为时间序列个数，相邻时间序列的时间间隔为监测点传感器采集周 期平均间隔，n为监测点个数，x_ij为第j个时间序列的第i个监测点的相关参数。

S22：计算各监测点监测参数时间序列的相关性系数ρ_I′J′，所述ρ_I′J′的计算 公式为：

其中，I’和J’分别为X的第i行和第j行的行向量，即第i和第j个监测点 的监测参数时间序列；ρ_I′J′为X的第i行和第j行的行向量的相关性系数； Cov(I′,J′)为监测点序列I’和J’的协方差；D(I′)和D(J′)为第i个和第j个瓦斯监 测点监测参数时间序列的方差；

S23：根据步骤S22，得到X的相关性矩阵P，所述P为：

S24：根据相关性矩阵P获得各监测点排序在前m的其它强相关监测点作 为监测点的输入参数。具体地，新的预测变量为监测值预测变量交集，设为 k(k≤n)个，加上其余相关性值按从绝对值从大到小的前n-k个。同时将每个瓦 斯监测值相关性系数大于b(b为人为设置的数值，b>0.5)的存入数据库。通 过上述方法，能有效地剔除对瓦斯浓度影响较小的参数，提高后续训练预测模 型的效率，保证预测精度。

进一步，所述步骤S24包括步骤：

S241：按绝对值从大到小的顺序分别对相关性矩阵P各行元素进行排序；

S242：分别重新排序后各行的前m’个值，作为各行的预测变量；

S243：对预测变量进行聚类，得到最终的输入参数。

进一步，所述步骤S243具体包括：设置一个阈值a，当排序后的P中任意 两行有超过a个相同的预测变量时，则归为一类。

进一步，所述步骤S3具体包括：

S31：初始化单层前馈神经网络的样本数目N、隐层节点数目L、遗忘速率 w、激活函数f、正则化系数R、权重W和隐层偏值B；

S32：计算输出权重β_k，所述β_k的计算公式为：

其中，T_k为第k个期望输出向量，且T＝[t₁,t₂,…,t_N]^T，t_i为第i个期望输出值， P_k＝(RI+H^TH)^-1，

W_i为第i个隐层节点的权重；X_i为第i个样本，即第i个输入参数；b_i为第i个隐层 节点的偏值；

S33：顺序训练其余样本，得到瓦斯浓度的当前预测模型；其中，其余样本 的输出权重更新公式为：

其中，

h_k+1为新进入样本组成的H，

进一步，所述当前预测模型的网络误差的计算公式为：

其中，RMSE(y,y')为根方差，即当前预测模型的网络误差； y＝[y₁,y₂,…,y_n]^T∈Rⁿ为真实值，即实时采集到的相关参数；y'＝[y'₁,y'₂,…,y'_n]^T∈Rⁿ为 预测得到的瓦斯浓度，Rⁿ为n为实向量集。

进一步，所述误差许允条件包括当前预测模型的网络误差在预设的误差阈 值范围内且新样本数量在预设数量阈值范围内。通常来说预测的步长越短，预 测的准确性越高。为提高预测的准确性，在进行中期预测的同时，同时进行短 期预测，用短期预测结果去覆盖中期预测结果。本文方法从数理统计的角度， 以数据驱动的形式，对瓦斯浓度的变化趋势进行相关性聚类，根据聚类结果， 采用具有遗忘机制的在线极限学习机进行浓度预测。由于采用的是模型增量训 练，因此能进行大规模数据的训练，训练时间快；引入遗忘速率和正则化参数， 使得新进入的样本在模型训练中所占的权重更高，符合瓦斯时间序列的发展趋 势，预测准确率高。

进一步，基于本文方法，可以设定相应的关联报警或者超前报警方法，具 体如下：

如图2所示，当出现瓦斯浓度报警时，如超过断电限，则立即通过井下协 同控制模块进行就地断电；如超过报警限，则通过控制井下广播系统进行语音 报警、控制井下LED显示屏进行文字报警提示。同时根据关联点数据库进行关 联控制。具体逻辑为：当监测点报警时，如关联度大于c₁，则进行关联报警， 当关联度大于c₂，则进行关联预警，其中1≥c₁＞c₂＞0.5；当监测点断电时，如关 联度大于b₁，则进行关联断电，当关联度大于b₂，则进行关联报警，当关联度 大于b₃，则进行关联预警，其中1≥b₁＞b₂＞b₃＞0。其中b₁,b₂,b₃,a₁,a₂根据实际可自 行修改设定。

如图3所示，为根据瓦斯浓度趋势预测结果进行超前预警、报警或断电控 制。主要根据预测时间，设置预警、报警、断电的预测值浓度。具体逻辑为： 根据需要将预测时间划分为不同的片段0～a₁,a₁～a₂,…,＞a_n。对于任一时间段的预 测值，设定不同的预警浓度、报警浓度和断电浓度。如对于a_i～a_i+1时间段内， 当出现预测值≥y₁，则通过系统控制模块进行断电控制；当出现预测值≥y₂则进 行报警；当出现预测值≥y₃则进行预警，其中y₁≥y_断电限≥y₂≥y_报警限≥y₃。上述报警 方法，基于强关联瓦斯浓度变化趋势，当瓦斯浓度超限时，其关联监测点也会 发出预警提示，有利于瓦斯事故控制。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管 参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解， 可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的 宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种矿井环境瓦斯浓度在线预测方法，其特征在于：包括步骤：

S1：在矿井下设置若干监测点，实时采集各监测点的相关参数；

S2：对各监测点的相关参数进行预处理，得到各监测点的输入参数；

S3：将各监测点的输入参数作为样本，利用极限学习机训练得到瓦斯浓度的当前预测模型；

S4：将当前时间序列的输入参数带入当前预测模型，预测得到待预测时间序列的监测点的瓦斯浓度；

S5：判断当前预测模型的网络误差满足误差许允条件，若是，则返回步骤S4，若否，则需更新当前预测模型，即返回步骤S3。

2.根据权利要求1所述矿井环境瓦斯浓度在线预测方法，其特征在于：所述相关参数至少包括瓦斯浓度。

3.根据权利要求2所述矿井环境瓦斯浓度在线预测方法，其特征在于：所述步骤S2包括步骤：

S21：根据t个时间序列的各监测点的相关参数，形成多参量序列矩阵X，所述X具体为：

其中，t为时间序列个数，相邻时间序列的时间间隔为监测点传感器采集周期平均间隔，n为监测点个数，x_ij为第j个时间序列的第i个监测点的相关参数。

S22：计算各监测点监测参数时间序列的相关性系数ρ_I'J'，所述ρ_I'J'的计算公式为：

其中，I’和J’分别为X的第i行和第j行的行向量，即第i和第j个监测点的监测参数时间序列；ρ_I'J'为X的第i行和第j行的行向量的相关性系数；Cov(I',J')为监测点序列I’和J’的协方差；D(I')和D(J')为第i个和第j个瓦斯监测点监测参数时间序列的方差；

S23：根据步骤S22，得到X的相关性矩阵P，所述P为：

S24：根据相关性矩阵P获得各监测点排序在前m的其它强相关监测点作为监测点的输入参数。

4.根据权利要求3所述矿井环境瓦斯浓度在线预测方法，其特征在于：所述步骤S24包括步骤：

S241：按绝对值从大到小的顺序分别对相关性矩阵P各行元素进行排序；

S242：分别重新排序后各行的前m’个值，作为各行的预测变量；

S243：对预测变量进行聚类，得到最终的输入参数。

5.根据权利要求4所述矿井环境瓦斯浓度在线预测方法，其特征在于：所述步骤S243具体包括：设置一个阈值a，当排序后的P中任意两行有超过a个相同的预测变量时，则归为一类。

6.根据权利要求1所述矿井环境瓦斯浓度在线预测方法，其特征在于：所述步骤S3具体包括：

S31：初始化单层前馈神经网络的样本数目N、隐层节点数目L、遗忘速率w、激活函数f、正则化系数R、权重W和隐层偏值B；

S32：计算输出权重β_k，所述β_k的计算公式为：

其中，T_k为第k个期望输出向量，且T＝[t₁,t₂,…,t_N]^T，t_i为第i个期望输出值，P_k＝(RI+H^TH)^-1，

W_i为第i个隐层节点的权重；X_i为第i个样本，即第i个输入参数；b_i为第i个隐层节点的偏值；

S33：顺序训练其余样本，得到瓦斯浓度的当前预测模型；其中，其余样本的输出权重更新公式为：

其中，

h_k+1为新进入样本组成的H，

7.根据权利要求1所述矿井环境瓦斯浓度在线预测方法，其特征在于：所述当前预测模型的网络误差的计算公式为：

其中，RMSE(y,y')为根方差，即当前预测模型的网络误差；y＝[y₁,y₂,…,y_n]^T∈Rⁿ为真实值，即实时采集到的相关参数；y'＝[y₁',y'₂,…,y'_n]^T∈Rⁿ为预测得到的瓦斯浓度，Rⁿ为n为实向量集。

8.根据权利要求1所述矿井环境瓦斯浓度在线预测方法，其特征在于：所述误差许允条件包括当前预测模型的网络误差在预设的误差阈值范围内且新样本数量在预设数量阈值范围内。

Images