CN113530589A - 一种煤矿掘进工作面按需供风的智能局部通风系统及方法 - Google Patents

一种煤矿掘进工作面按需供风的智能局部通风系统及方法 Download PDF

Info

Publication number
CN113530589A
CN113530589A CN202110863184.4A CN202110863184A CN113530589A CN 113530589 A CN113530589 A CN 113530589A CN 202110863184 A CN202110863184 A CN 202110863184A CN 113530589 A CN113530589 A CN 113530589A
Authority
CN
China
Prior art keywords
data
value
neural network
individual
predicted
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
Application number
CN202110863184.4A
Other languages
English (en)
Other versions
CN113530589B (zh
Inventor
宋金全
张旭辉
王荣泉
万翔
尚新芒
薛旭升
郭文芳
王敏
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.)
Xi'an Reshipment Hancheng Coal Mine Machinery Co ltd
Xian University of Science and Technology
Original Assignee
Xi'an Reshipment Hancheng Coal Mine Machinery Co ltd
Xian University of Science and Technology
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 Xi'an Reshipment Hancheng Coal Mine Machinery Co ltd, Xian University of Science and Technology filed Critical Xi'an Reshipment Hancheng Coal Mine Machinery Co ltd
Priority to CN202110863184.4A priority Critical patent/CN113530589B/zh
Publication of CN113530589A publication Critical patent/CN113530589A/zh
Application granted granted Critical
Publication of CN113530589B publication Critical patent/CN113530589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • E21F1/00—Ventilation of mines or tunnels; Distribution of ventilating currents
    • E21F1/006—Ventilation at the working face of galleries or tunnels
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/82—Forecasts
    • F05D2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mining & Mineral Resources (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种煤矿掘进工作面按需供风的智能局部通风系统及方法。所述的系统包括巷道掘进工作面安装的传感器、转换装置、上位工控机系统、监控分站下位机系统、数据通信模块、变频器、数据库，通风机。本发明解决了由于掘进工作面所需风量具有随机性和不确定性，并且掘进面环境参数与局部通风机转速系统处于非线性、多干扰和纯滞后的状态，且不能满足实际生产需求，从而提升巷道掘进工作面的通风效果，节省了电力资源的消耗和提高了煤矿的安全性。本发明具有良好的实际应用价值，设计合理，实用性强，推广应用价值高。

Description

一种煤矿掘进工作面按需供风的智能局部通风系统及方法
技术领域
本发明涉及矿山安全技术领域，尤其涉及一种煤矿掘进工作面按需供风的智能局部通风系统及方法
背景技术
随着煤矿自动化水平的不断提高，对矿用电器设备的可靠性、连续性和灵活性提出了越来越高的要求。掘进通风的目的是不间断地冲淡并排出掘进工作面煤层释放出的有害气体(CH4、CO等)，稀释瓦斯浓度，并给工作人员提供新鲜空气，消除煤矿重大安全隐患。当掘进巷瓦斯浓度超过1.5％时，必须采取安全措施，控制风流，排放瓦斯，所以掘进通风是保证矿井安全生产的必要手段。局部通风机是掘进通风的核心设备，由局部通风机及其控制设备组成的通风系统是保证掘进工作面通风连续性必备的重要措施。局部通风机工作的可靠性和灵活性直接影响着矿井掘进通风和瓦斯的安全排放所以对煤矿井下掘进工作面自动通风控制系统的研究对于保障井下工人的生命安全和矿井的安全生产具有非常重要的现实意义。通过市场和煤矿企业现场调研情况可以看出，煤矿井下局部通风控制系统主要采用交流变频器的方式对局部风机进行控制，控制没有按照瓦斯、一氧化碳的浓度进行风量调节和控制，而是仅仅依靠单一的频率输出控制，有的煤矿情况稍好，根据掘进面的多瓦斯传感器浓度进行风机的调节控制，但是这种控制相对于实际情况来说比较滞后，容易导致“一风吹”的现象。目前煤矿局部通风控制基本没有形成一套规范的系统，只是在掘进面局部的一个装置，井上控制机房无法实现掘进面的通风控制与监测。
发明内容
本发明的目的是提供一种煤矿掘进工作面按需供风的智能局部通风系统及方法，本发明解决了由于掘进工作面所需风量具有随机性和不确定性，从而提升了巷道掘进工作面的通风效果，节省了电力资源的消耗和提高了煤矿的安全性。
本发明的技术方案是：一种煤矿掘进工作面按需供风的智能局部通风方法，其特征在于：瓦斯传感器采集巷道中的瓦斯浓度数据，温度传感器采集巷道中的温度数据，湿度传感器采集巷道中的湿度数据，煤尘传感器采集巷道中的煤尘浓度数据，风速传感器采集风筒中的数据，所有的数据均由光纤传输到工控机中经过工控机对时间戳匹配，形成一组数据，再将该一组数据输入到遗传算法优化的Elmall神经网络模型中，得到预测风量值，预测风量值经D/A转换，写入到PLC中，PLC给出命令，改变变频器频率，进而改变局部通风机电机转速，进一步改变煤矿掘进工作面局部通风量，当甲烷浓度达到1.5％时，局部通风机风量达到最大，实现煤矿掘进工作面按需供风，保证矿井安全。
进一步地，建立遗传算法优化的Elmall神经网络模型的步骤包括：
步骤1、确定Elmall神经网络输入、输出参数，并确定神经网络拓扑6-3-1结构；
1.1传感器检测的参数有瓦斯、煤尘、温度、湿度、风速和风量，即输入层节点个数为6；
1.2通过优化参数与变频器进行功率匹配，输出不同的风量，即输出层节点个数为1；
1.3采用经验公式
Figure BDA0003186533080000031
确定其隐节点数，即隐含层节点个数为3，m表示隐含层节点数，l表示输入层节点数，g表示输出层节点数；
1.4得到神经网络拓扑结构为6-3-1的Elman神经网络，即输入层6个节点，隐含层3个节点，输出层1个节点；
步骤2、对训练样本数据预处理，所述的数据预处理过程包括以下包括：
2.1计算每个数据之间的相对距离，即每个数据间的相似度sij；
2.2任取一组完整值为标准值，记为数据A，然后利用采集的36组数据分别与标准数据A进行对比，为保证矿井安全稳定性，设定sij∈(0.95,1.25)
Figure BDA0003186533080000032
sij代表每个数据的相似度、si代表每个传感器采集到的所有数据、sj代表标准数据A；
2.3当sij∈(0.95,1.25)时，属于正常数据，当某个数据丢失时，对缺失数据进行上一时间数据的补齐，保证通风机正常运行；
当
Figure BDA0003186533080000041
时，属于异常数据，将所有异常数据组归为B类，从36组数据中删除B类数据，以时间节点顺序将数据整合，最终形成30组数据，并将30组数据分为25组训练样本和5组测试样本，最后，将30组数据进行归一化操作；
步骤3、将Elman神经网络的初始权值编码成若干染色体组成的初始种群，并对染色体进行编码，对所有30组数据的权值和阈值均采用M位二进制编码，将所有权值和阈值的编码连接，即得到一个个体的编码，多个个体聚集形成编码后初始种群；
步骤4、计算种群的适应度
为了使Elmall神经网络在预测时，预测值与期望值的误差尽可能小，故选取预测值和期望值误差平方和的倒数作为个体适应度函数，计算种群每个个体的适应度，计算公式为:
Figure BDA0003186533080000042
其中：i为种群中个体的序号，Gi为种群中第i个个体的适应度；
y’i和yi分别为以种群中第i个个体确定网络权值和阈值时的实际输出和期望输出，n为输入样本总量；
步骤5、选择、交叉、变异操作
5.1根据所有个体的选择概率按照赌轮的方式进行淘汰选择，先按照每个个体的选择概率创建一个赌轮，然后选取4次，每次先产生一个0-1的随机小数，然后判断该随机数落在哪个段内就选取相对应的个体，这个过程中，选取概率高的个体将可能被多次选择，而概率低的就可能被淘汰，被选中的个体将进入配对库准备开始繁殖；
5.2先对配对库中的个体进行随机配对，然后在配对的2个个体中设置交叉点，交换2个个体的信息后产生下一代；
5.3变异操作时按照基因座来的，变异的结果是基因座上的等位基因发生了变化，也就是产生了一个新的群体，再判断迭代次数是否达到500次，达到则得到了所需的网络初始权值与阈值，未达到则继续进行选择操作、交叉操作与变异操作，初始权值和阈值更新，最终得到符合条件的初始权值和阈值；
步骤6、网络误差计算
判断瓦斯含量个体是否达到设定精度0.1％，如果已达到，则结束并输出风量值，如果未达到，则返回继续获取初始权值和阈值进行误差计算；
在上述输出风量值输出到PLC之前，先判断数据的误差比M：
Figure BDA0003186533080000051
其中，ni表示预测的风量值，mi表示实际的风量值，k代表预测数据个数，
将实际的风量值与预测的风量值代入上式中准确率得出，当误差比M小于1％时，预测模型良好，预测值可信；当误差比大于1％时，网络权值和阈值更新，重新计算网络误差，直至得到最佳初始权值和阈值；
步骤7、利用最佳初始权值和阈值来构建Elmall神经网络
7.1用训练数据训练Elmall神经网络
用测试样本测试神经网络，并将测试的数据反归一化处理，得到预测风量值，预测风量值与实际值进行对比，验证模型的可靠性；
7.2五种传感器实时采集数据，并进行时间戳匹配，导入遗传算法优化的Elmall神经网络模型中，对实时的风量值进行预测，预测风量值经D/A转换，写入到PLC中，PLC给出命令，改变变频器频率，变频器再通过改变局部通风机电机转速，改变煤矿掘进工作面局部的通风量，实现煤矿掘进工作面按需供风。
本发明解决了由于掘进工作面所需风量具有随机性和不确定性，并且掘进面环境参数与局部通风机转速系统处于非线性、多干扰和纯滞后的状态，且不能满足实际生产需求，从而提升巷道掘进工作面的通风效果，节省了电力资源的消耗和提高了煤矿的安全性。本发明具有良好的实际应用价值，设计合理，实用性强，推广应用价值高。
附图说明
图1是本发明传感器布置图。
图2是本发明掘进工作面按需供风的智能局部通风系统总体方案。
图3是本发明遗传算法优化的Elmall神经网络模型。
图4是本发明基于掘进工作面按需供风的智能局部通风系统预测风量与实际风量对比。
图5是本发明基于掘进工作面按需供风的智能局部通风系统预测风量与实际风量差值变化图。
具体实施方式
以下结合附图对本发明内容进行详细说明。
如图1所示，瓦斯传感器Tw1安装于距巷道迎头a处巷道顶端锚杆上，瓦斯传感器Tw2安装于距通风机电机f的巷道顶端锚杆上，煤尘传感器Tm安装于距巷道迎头a处巷道顶端锚杆上，湿度传感器Ts安装于距瓦斯传感器Tw1为b处巷道顶端锚杆上，温度传感器距湿度传感器2m，风速传感器安装于距通风机电机f处，风量传感器安装于距风筒尾d处。
如图2所示，一种煤矿掘进工作面按需供风的智能局部通风方法，其特征在于：瓦斯传感器采集巷道中的瓦斯浓度数据，温度传感器采集巷道中的温度数据，湿度传感器采集巷道中的湿度数据，煤尘传感器采集巷道中的煤尘浓度数据，风速传感器采集风筒中的数据，所有的数据均由光纤传输到工控机中经过工控机对时间戳匹配，形成一组数据，再将该一组数据输入到遗传算法优化的Elmall神经网络模型中，得到预测风量值，预测风量值经D/A转换，写入到PLC中，PLC给出命令，改变变频器频率，进而改变局部通风机电机转速，进一步改变煤矿掘进工作面局部通风量，当甲烷浓度达到1.5％时，局部通风机风量达到最大，实现煤矿掘进工作面按需供风，保证矿井安全。
如图3所示，建立遗传算法优化的Elmall神经网络模型的步骤包括：
步骤1、确定Elmall神经网络输入、输出参数，并确定神经网络拓扑6-3-1结构；
1.1.传感器检测的参数有瓦斯、煤尘、温度、湿度、风速和风量，即输入层节点个数为6；
1.2.通过优化参数与变频器进行功率匹配，输出不同的风量，即输出层节点个数为1；
1.3.采用经验公式
Figure BDA0003186533080000081
确定其隐节点数，即隐含层节点个数为3，m表示隐含层节点数，l表示输入层节点数，g表示输出层节点数；
1.4.得到神经网络拓扑结构为6-3-1的Elman神经网络，即输入层6个节点，隐含层3个节点，输出层1个节点；
步骤2、对训练样本数据预处理，所述的数据预处理过程包括以下包括：
2.1.计算每个数据之间的相对距离，即每个数据间的相似度sij；
2.2.任取一组完整值为标准值，记为标准数据A，然后利用采集的36组数据分别与标准数据A进行对比，为保证矿井安全稳定性，设定sij∈(0.95,1.25)
Figure BDA0003186533080000082
sij代表每个数据的相似度、si代表每个传感器采集到的所有数据、sj代表标准数据A；
2.3.当sij∈(0.95,1.25)时，属于正常数据，当某个数据丢失时，对缺失数据进行上一时间数据的补齐，保证通风机正常运行；
当
Figure BDA0003186533080000083
时，属于异常数据，将所有异常数据组归为类B，从36组数据中删除B类数据，以时间节点顺序将数据整合，最终形成30组数据，并将30组数据分为25组训练样本如表1，和5组测试样本如表2，最后，将30组数据进行归一化操作；
步骤3、将Elman神经网络的初始权值编码成若干染色体组成的初始种群，并对染色体进行编码，对所有30组数据的权值和阈值均采用M位二进制编码，将所有权值和阈值的编码连接，即得到一个个体的编码，多个个体聚集形成编码后初始种群；
步骤4、计算种群的适应度
为了使Elmall神经网络在预测时，预测值与期望值的误差尽可能小，故选取预测值和期望值误差平方和的倒数作为个体适应度函数，计算种群每个个体的适应度，计算公式为:
Figure BDA0003186533080000091
其中：i为种群中个体的序号，Gi为种群中第i个个体的适应度；
y’i和yi分别为以种群中第i个个体确定网络权值阈值时的实际输出和期望输出，n为输入样本总量；
步骤5、选择、交叉、变异操作
5.1根据所有个体的选择概率进行淘汰选择，这里使用的是一个赌轮的方式进行淘汰选择，先按照每个个体的选择概率创建一个赌轮，然后选取4次，每次先产生一个0-1的随机小数，然后判断该随机数落在那个段内就选取相对应的个体，这个过程中，选取概率p高的个体将可能被多次选择，而概率低的就可能被淘汰，被选中的个体将进入配对库准备开始繁殖；
5.2先对配对库中的个体进行随机配对，然后在配对的2个个体中设置交叉点，交换2个个体的信息后产生下一代；
5.3变异操作时按照基因座来的，变异的结果是基因座上的等位基因发生了变化，也就是产生了一个新的群体，再判断迭代次数是否达到500次，达到则得到了所需的网络初始权值与阈值，未达到则继续进行选择操作、交叉操作与变异操作，初始权值和阈值更新，最终符合条件初始权值和阈值；
步骤6、网络误差计算
判断瓦斯含量个体是否符合达到设定精度0.1％，如果已达到，则结束并输出风量值，如果未达到，则返回继续获取权值和阈值进行误差计算；
对上述输出风量值输出到PLC之前，先判断数据的误差比M：
Figure BDA0003186533080000101
其中，ni表示预测值，mi表示实际值，k代表预测数据个数，
将实际的风量值与预测的风量值代入上式中准确率得出，当误差比M小于1％时，预测模型良好，预测值可信；误差比大于1％时，网络权值和阈值更新，重新计算网络误差，直至得到最佳初始权值和阈值；
步骤7、利用最佳初始权值和阈值来构建Elmall神经网络
7.1用训练数据训练Elmall神经网络
用测试样本测试神经网络，并将测试的数据反归一化处理，得到预测风量值，预测风量值与实际值进行对比，验证模型的可靠性；
7.2五种传感器实时采集数据，并进行时间戳匹配，导入遗传算法优化的Elmall神经网络模型中，对实时的风量值进行预测，预测风量值经D/A转换，写入到PLC中，PLC给出命令，改变变频器频率，变频器频率再通过改变局部通风机电机转速，改变煤矿掘进工作面局部通风的风量，实现煤矿掘进工作面按需供风的智能局部通。
表1风量需求数据(训练样本)
Figure BDA0003186533080000111
表2风量需求数据(测试样本)
Figure BDA0003186533080000121
采用MATLAB安装的LIBSVM工具箱，读取DAT数据格式的样本数据集，包括测试样本和训练、样本数据，然后对整个训练集进行训练获取支持向量机模型，然后通过MATLAB的LIBSVM工具箱实现对测试样本的预测。对测试样本的相对应的风量进行预测并跟实际产生的风量进行对比，模拟风量值和实际风量值对比图4，并得到模拟风量值和实际风量值误差图5。
由图4可知，模拟风量值和实际风量值拟合基本一致，走势基本相同。由图5可知，预测值与实际值的误差均大于零，能够满足井下通风的基本要求，且最大误差不超过5m3/h，符合煤矿掘进工作面按需供风的要求，基本实现了基于支持向量机的煤矿掘进工作面风量需求预测方法。
以上所述，仅仅是本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (2)

1.一种煤矿掘进工作面按需供风的智能局部通风方法，其特征在于：瓦斯传感器采集巷道中的瓦斯浓度数据，温度传感器采集巷道中的温度数据，湿度传感器采集巷道中的湿度数据，煤尘传感器采集巷道中的煤尘浓度数据，风速传感器采集风筒中的数据，所有的数据均由光纤传输到工控机中经过工控机对时间戳匹配，形成一组数据，再将该一组数据输入到遗传算法优化的Elmall神经网络模型中，得到预测风量值，预测风量值经D/A转换，写入到PLC中，PLC给出命令，改变变频器频率，进而改变局部通风机电机转速，进一步改变煤矿掘进工作面局部通风量，当甲烷浓度达到1.5％时，局部通风机风量达到最大，实现煤矿掘进工作面按需供风，保证矿井安全。
2.如权利要求1所述的一种煤矿掘进工作面按需供风的智能局部通风方法，其特征在于建立遗传算法优化的Elmall神经网络模型的步骤包括：
步骤1、确定Elmall神经网络输入、输出参数，并确定神经网络拓扑6-3-1结构；
1.1传感器检测的参数有瓦斯、煤尘、温度、湿度、风速和风量，即输入层节点个数为6；
1.2通过优化参数与变频器进行功率匹配，输出不同的风量，即输出层节点个数为1；
1.3采用经验公式
Figure FDA0003186533070000011
确定其隐节点数，即隐含层节点个数为3，m表示隐含层节点数，l表示输入层节点数，g表示输出层节点数；
1.4得到神经网络拓扑结构为6-3-1的Elman神经网络，即输入层6个节点，隐含层3个节点，输出层1个节点；
步骤2、对训练样本数据预处理，所述的数据预处理过程包括以下包括：
2.1计算每个数据之间的相对距离，即每个数据间的相似度sij；
2.2任取一组完整值为标准值，记为数据A，然后利用采集的36组数据分别与标准数据A进行对比，为保证矿井安全稳定性，设定sij∈(0.95,1.25)
Figure FDA0003186533070000021
sij代表每个数据的相似度、si代表每个传感器采集到的所有数据、sj代表标准数据A；
2.3当sij∈(0.95,1.25)时，属于正常数据，当某个数据丢失时，对缺失数据进行上一时间数据的补齐，保证通风机正常运行；
当
Figure FDA0003186533070000022
时，属于异常数据，将所有异常数据组归为B类，从36组数据中删除B类数据，以时间节点顺序将数据整合，最终形成30组数据，并将30组数据分为25组训练样本和5组测试样本，最后，将30组数据进行归一化操作；
步骤3、将Elman神经网络的初始权值编码成若干染色体组成的初始种群，并对染色体进行编码，对所有30组数据的权值和阈值均采用M位二进制编码，将所有权值和阈值的编码连接，即得到一个个体的编码，多个个体聚集形成编码后初始种群；
步骤4、计算种群的适应度
为了使Elmall神经网络在预测时，预测值与期望值的误差尽可能小，故选取预测值和期望值误差平方和的倒数作为个体适应度函数，计算种群每个个体的适应度，计算公式为:
Figure FDA0003186533070000031
其中：i为种群中个体的序号，Gi为种群中第i个个体的适应度；
y′i和yi分别为以种群中第i个个体确定网络权值和阈值时的实际输出和期望输出，n为输入样本总量；
步骤5、选择、交叉、变异操作
5.1根据所有个体的选择概率按照赌轮的方式进行淘汰选择，先按照每个个体的选择概率创建一个赌轮，然后选取4次，每次先产生一个0-1的随机小数，然后判断该随机数落在哪个段内就选取相对应的个体，这个过程中，选取概率高的个体将可能被多次选择，而概率低的就可能被淘汰，被选中的个体将进入配对库准备开始繁殖；
5.2先对配对库中的个体进行随机配对，然后在配对的2个个体中设置交叉点，交换2个个体的信息后产生下一代；
5.3变异操作时按照基因座来的，变异的结果是基因座上的等位基因发生了变化，也就是产生了一个新的群体，再判断迭代次数是否达到500次，达到则得到了所需的网络初始权值与阈值，未达到则继续进行选择操作、交叉操作与变异操作，初始权值和阈值更新，最终得到符合条件的初始权值和阈值；
步骤6、网络误差计算
判断瓦斯含量个体是否达到设定精度0.1％，如果已达到，则结束并输出风量值，如果未达到，则返回继续获取初始权值和阈值进行误差计算；
在上述输出风量值输出到PLC之前，先判断数据的误差比M：
Figure FDA0003186533070000041
其中，ni表示预测的风量值，mi表示实际的风量值，k代表预测数据个数，
将实际的风量值与预测的风量值代入上式中准确率得出，当误差比M小于1％时，预测模型良好，预测值可信；当误差比大于1％时，网络权值和阈值更新，重新计算网络误差，直至得到最佳初始权值和阈值；
步骤7、利用最佳初始权值和阈值来构建Elmall神经网络
7.1用训练数据训练Elmall神经网络
用测试样本测试神经网络，并将测试的数据反归一化处理，得到预测风量值，预测风量值与实际值进行对比，验证模型的可靠性；
7.2五种传感器实时采集数据，并进行时间戳匹配，导入遗传算法优化的Elmall神经网络模型中，对实时的风量值进行预测，预测风量值经D/A转换，写入到PLC中，PLC给出命令，改变变频器频率，变频器再通过改变局部通风机电机转速，改变煤矿掘进工作面局部的通风量，实现煤矿掘进工作面按需供风。
CN202110863184.4A 2021-07-29 2021-07-29 一种煤矿掘进工作面按需供风的智能局部通风系统及方法 Active CN113530589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110863184.4A CN113530589B (zh) 2021-07-29 2021-07-29 一种煤矿掘进工作面按需供风的智能局部通风系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110863184.4A CN113530589B (zh) 2021-07-29 2021-07-29 一种煤矿掘进工作面按需供风的智能局部通风系统及方法

Publications (2)

Publication Number Publication Date
CN113530589A true CN113530589A (zh) 2021-10-22
CN113530589B CN113530589B (zh) 2024-04-19

Family

ID=78121425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110863184.4A Active CN113530589B (zh) 2021-07-29 2021-07-29 一种煤矿掘进工作面按需供风的智能局部通风系统及方法

Country Status (1)

Country Link
CN (1) CN113530589B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114000907A (zh) * 2021-12-10 2022-02-01 重庆邮电大学 一种基于数字孪生技术的矿井通风设备智能调控系统
CN115325673A (zh) * 2022-10-12 2022-11-11 江苏通顺环保科技有限公司 一种垃圾分筛场地换气扇智能控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103643997A (zh) * 2013-11-20 2014-03-19 天地（常州）自动化股份有限公司 一种小风速掘进工作面的瓦斯涌出量的计算方法
CN105756697A (zh) * 2016-05-05 2016-07-13 中国矿业大学 一种矿井通风系统动态分阶段安全调节控制方法
CN109958474A (zh) * 2019-03-18 2019-07-02 天地（常州）自动化股份有限公司 煤矿掘进工作面局部通风智能控制方法及通风控制系统
CN110067764A (zh) * 2019-04-12 2019-07-30 中国矿业大学 一种煤矿局部通风机远程切换与智能调控装置及控制方法
CN111502726A (zh) * 2020-04-22 2020-08-07 西安科技大学 掘进面不同通风及掘进方式下的风场调控规则建立方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103643997A (zh) * 2013-11-20 2014-03-19 天地（常州）自动化股份有限公司 一种小风速掘进工作面的瓦斯涌出量的计算方法
CN105756697A (zh) * 2016-05-05 2016-07-13 中国矿业大学 一种矿井通风系统动态分阶段安全调节控制方法
CN109958474A (zh) * 2019-03-18 2019-07-02 天地（常州）自动化股份有限公司 煤矿掘进工作面局部通风智能控制方法及通风控制系统
CN110067764A (zh) * 2019-04-12 2019-07-30 中国矿业大学 一种煤矿局部通风机远程切换与智能调控装置及控制方法
CN111502726A (zh) * 2020-04-22 2020-08-07 西安科技大学 掘进面不同通风及掘进方式下的风场调控规则建立方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114000907A (zh) * 2021-12-10 2022-02-01 重庆邮电大学 一种基于数字孪生技术的矿井通风设备智能调控系统
CN115325673A (zh) * 2022-10-12 2022-11-11 江苏通顺环保科技有限公司 一种垃圾分筛场地换气扇智能控制方法

Also Published As

Publication number Publication date
CN113530589B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN113530589B (zh) 一种煤矿掘进工作面按需供风的智能局部通风系统及方法
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN111382542B (zh) 一种面向全寿命周期的公路机电设备寿命预测系统
CN110543903B (zh) 一种gis局部放电大数据系统的数据清洗方法及系统
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN107862763B (zh) 列车安全预警评估模型训练方法、模块及监测评估系统
CN113987033B (zh) 主变在线监测数据群体偏差识别与校准方法
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN112734094B (zh) 一种智慧城市智轨车辆故障基因预测方法及系统
CN112363896A (zh) 日志异常检测系统
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN115234220A (zh) 利用智能钻头实时识别井下粘滑振动的方法及装置
CN113705688A (zh) 一种电力用户异常用电行为检测方法和系统
CN114021758A (zh) 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN114372093A (zh) 一种变压器dga在线监测数据的处理方法
CN116340830B (zh) 一种基于深层记忆模型的高速公路机电系统故障分类方法
Lei et al. Prediction model of the large commercial building cooling loads based on rough set and deep extreme learning machine
CN112730877A (zh) 一种风电机组偏航频繁检测预警算法
CN115935784B (zh) 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统
CN114492559A (zh) 一种基于数据时频域建模的电力设备故障诊断方法
CN110837932A (zh) 基于dbn-ga模型的太阳能集热系统热功率预测方法
CN113533967B (zh) 一种全景理论分析的二值优化的电池异常检测方法
CN117951629B (zh) 一种电池组充放电温度异常行为的检测方法及系统

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