CN205193004U - 一种煤矿突水水源识别系统 - Google Patents
一种煤矿突水水源识别系统 Download PDFInfo
- Publication number
- CN205193004U CN205193004U CN201520928993.9U CN201520928993U CN205193004U CN 205193004 U CN205193004 U CN 205193004U CN 201520928993 U CN201520928993 U CN 201520928993U CN 205193004 U CN205193004 U CN 205193004U
- Authority
- CN
- China
- Prior art keywords
- water
- module
- detection device
- neural network
- microprocessor
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本实用新型公开了一种煤矿突水水源识别系统,包括数据输入模块、微处理器、RAM存储器、信息采集模块和LCD显示屏,数据输入模块、RAM存储器、信息采集模块和LCD显示屏均与微处理器相连接,RAM存储器中设有数据库和神经网络模块。本实用新型将具有解决非线性问题的神经网络进行突水水源识别系统,提高了突水水源判别的快速性和准确性;通过水质离子浓度检测器的检测结果,运用训练好的神经网络模型可以准确识别突水类型,在显示器中显示结果,结构简便,具有良好的人机界面;在矿井突水位置可以实时判别突水来源,超前预测和预警突水,为矿井水害防治争取了时间和提供决策依据,提高了产量并带来了较大的经济效益,对煤矿的安全生产具有重大意义。
Description
技术领域
本实用新型涉及煤矿水源识别的技术领域,具体涉及一种煤矿突水水源识别系统。
背景技术
矿井突水是煤矿开采过程中最具威胁的自然灾害之一,一直是制约我国煤矿可持续发展的重要难题。据国家煤监局统计数据,近年来全国共发生突水事故756起,死亡3834人。地下矿井一旦发生突水,轻者淹没井下设备、影响生产作业,重则直接造成人员死亡,导致矿井关闭。矿井突水水源有老空水、灰岩水、砂岩水、松散层水等水体,如何及时准确地判断突水成因,查找突水水源,是解决和预防突水灾害的关键问题。
突水水源的方法包括:地下水化学、同位素、水温、水位动态观测和分析等方法。常规水源判定需要把现场实际经验和水质分析报告综合研究,通常要求有丰富经验的矿井水文地质工程师才能胜任,所需时间较长,容易贻误最佳水患防治时期,且易受到人为因素干扰。由于矿井各水层的水化学成分数据能反映相应水层的本质特征,用水化资料判别水源具有快速、准确、经济的特点。神经网络属于人工智能范畴,具有自组织、自适应、容错性等特征,广泛的应用于系统模式识别、分类、预测预报等方面。
实用新型内容
为了解决上述技术问题,本实用新型提供了一种煤矿突水水源识别系统,利用具有解决非线性问题的神经网络识别,提高了突水水源判别的快速性和准确性。
为了达到上述目的,本实用新型的技术方案是:一种煤矿突水水源识别系统,包括数据输入模块、微处理器、RAM存储器、信息采集模块和LCD显示屏,所述数据输入模块、RAM存储器、信息采集模块和LCD显示屏均与微处理器相连接,RAM存储器中设有数据库和神经网络模块。
所述信息采集模块包括信号处理器和放大器,信息采集模块通过数据线与电极检测器阵列模块相连接。
所述数据输入模块包括数字按键、USB和开关,数据输入模块通过数据总线与微处理器相连接,微处理器通过I/O数据总线与RAM存储器相连接,信息采集模块通过I/O数据总线与微处理器相连接,微处理器通过数据总线与LCD显示屏相连接。
所述神经网络模块是包括输入层、隐含层和输出层的BP神经网络。
所述电极检测器阵列模块设置在突水点或发生突水位置,电极检测器阵列模块(6)包括Na+离子浓度电极检测器、K+离子浓度电极检测器、Ca2+离子浓度电极检测器、Mg2+离子浓度电极检测器、Cl-离子浓度电极检测器、SO4 2-离子浓度电极检测器、HCO3 -离子浓度电极检测器。
本实用新型将具有解决非线性问题的神经网络识别程序内置于所开发突水水源识别系统,使用该系统可以提高突水水源判别的快速性和准确性;通过水质离子浓度检测器的检测结果,运用训练好的神经网络模型可以准确识别突水类型,并在显示器中显示结果,且结构简便,具有良好的人机界面;在矿井井下突水位置可以实时判别突水来源,可超前预测和预警突水,为矿井水害防治争取了时间和提供决策依据,从而避免安全事故的发生,提高了产量并带来了较大的经济效益,对煤矿的安全生产具有重大意义。
附图说明
图1为本实用新型的原理框图。
图2为本实用新型神经网络模块训练过程的示意图。
具体实施方式
下面通过附图和实施例具体描述一下本实用新型。
一种煤矿突水水源识别系统,包括数据输入模块1、微处理器2、RAM存储器3、信息采集模块7和LCD显示屏8。数据输入模块1、RAM存储器3、信息采集模块7和LCD显示屏8均与微处理器2相连接,RAM存储器3中设有数据库4和神经网络模块5。
数据输入模块1包括数字按键、USB和开关等部件,数据输入模块1通过数据总线与微处理器2相连接。微处理器2为整个系统的中央处理器CPU,微处理器2通过I/O数据总线与RAM存储器3相连接,信息采集模块7通过I/O数据总线与微处理器2相连接,微处理器2通过数据总线与LCD显示屏8相连接。信息采集模块7包括信号处理器和放大器,信息采集模块7通过数据线与电极检测器阵列模块6相连接。神经网络模块5是包括输入层、隐含层和输出层的BP神经网络。如上设置就构成了完整的矿井突水水源识别系统,可以根据突水水源检测的特征离子浓度值,准确判定突水来源。
首先通过数据输入模块1中的开关启动该系统,数据输入模块1中的数字按键输入矿井历年来突水水源的水化数据。这些水化数据包括各个离子浓度值以及与之相对应的水源类型,这些水化数据通常是多组的。数据输入模块1输入的水化数据通过数据总线传输给微处理器2,微处理器2将读取的水化数据通过I/O数据总线写入RAM存储器3的数据库4中。历史水化数据输入完毕,则RAM存储器3中的数据库4建立了该矿井水化数据样本库。样本库越丰富越好,这对于该系统准确识别突水水源的类型有很大的帮助。而后通过数据输入模块1中的数字按键给微处器理2发出训练神经网络模型的指令,与此同时,微处器理2将RAM存储器3中包含水化样本的数据库4分为训练样本和仿真样本两部分,其中,训练样本部分作为神经网络模块5训练使用,而仿真样本部分作为神经网络模型(经神经网络模块5训练所建立的)的仿真输入使用。由于RobertHecht-Nielson证明了对于任何在闭区间内的一个连续函数都可以用一个隐含层的BP神经网络来逼近,因此,在这里神经网络模块5采用是包括输入层、隐含层和输出层三层的BP神经网络。微处理器2根据训练神经网络模型的指令调取RAM存储器3中的神经网络模块5,开始训练神经网络模块5中的BP神经网络,BP神经网络训练过程如图2所示。
工作信号的正向传播:输入信号从输入层经隐含层,传向输出层,在输出端产生输出信号,在信号的前向传递过程中网络的权值是固定不变的,每一层神经元的状态只影响下一层神经元的状态。
误差信号的反向传播:如果网络正向传播的输出层不能得到期望输出,实际输出和期望输出存在一定误差,则转入误差信号反向传播,采用下式表示均方误差:
(1)
式中:t和a分别是神经网络的目标值和实际输出值。
通过调整网络参数,使均方误差最小,从而BP网络达到最佳性能。使用最速梯度下降法更新权值权重和偏置值,调整量与误差的负梯度成正比。
式中:W m (k)为第k次训练后第m层的权值矩阵,b m (k)为第m层的偏置,a m-1 为经过第k次训练后第m-1层的输出向量,s m 为第m层的输出误差指数,即敏感性指数。
在误差信号反向传播的过程中,网络的权值由误差反馈进行调节。通过权值的不断修正使网络的实际输出更接近期望输出。直至最终的输出结果与期望值相差不大,在可以接受的范围之内时,神经网络模块5的训练过程结束。
神经网络模块5利用BP神经网络经过工作信号的正向传播和误差信号的反向传播两个过程的训练过程,建立了神经网络识别模型。训练建立的识别模型好与不好,可以使用仿真样本进行仿真输入,根据仿真的输出与实际类型进行对比,看是能满足突水水源的准确识别,如果经训练所建立的神经网络识别模型能够准确经过仿真的检验,则该神经网络识别模型可以投入突水水源的识别应用,否则,应继续训练寻找最优神经网络识别模型。
煤矿工作人员使用本系统在矿井井下突水点或发生突水位置进行突水水源识别,首先将电极检测器器阵列模块6中的多个电极检测器放置于突水点或发生突水位置。电极检测器器阵列模块6根据需要可以布置多个离子浓度电极检测器,本系统在这里选用常用的水化离子浓度电极检测器阵列模块6,包括Na+离子浓度电极检测器、K+离子浓度电极检测器、Ca2+离子浓度电极检测器、Mg2+离子浓度电极检测器、Cl-离子浓度电极检测器、SO4 2-离子浓度电极检测器、HCO3 -离子浓度电极检测器等多种水化离子浓度的电极检测器,根据识别需要,可以检测多种水化离子的浓度。电极检测器阵列模块6将检测到的多种离子浓度的电信号,传递给信息采集模块7,信息采集模块7对电信号进行放大和处理得到多种离子浓度,并传传递给微处理器2,微处理器2调用神经网络模块5训练好(突水水源识别)的BP神经网络模型进行突水点或突水位置的水源识别,最终将水源识别结果传递给LCD显示屏8进行显示。与此同时,微处理器2将水源识别结果写入RAM存储器3中的数据库4,以便后续查阅,并可以丰富突水水源水化数据样本库。
本实用新型引用文献“张许良,张子戍,彭苏萍.数量化理论在矿井突(涌)水水源判别中的应用[J].中国矿业大学学报,2003,32(3):251-254.”的39组矿井水化数据,以其中的35组水源样品作为训练样本,运用本实用新型对BP神经网络进行训练,建立了6×6×4的网络优化模型。使用构建的BP神经网络对表1的4组待测样本进行识别,4组待测样本如表1所示。本实施例中检测了七种离子浓度:Na+离子浓度、K+离子浓度、Ca2+离子浓度、Mg2+离子浓度、Cl-离子浓度、SO4 2-离子浓度、HCO3 -离子浓度,在数据处理过程,根据需要将Na+离子浓度和K+离子浓度进行合并,作为一种浓度指标,因此出现表1的以六种浓度指标作为识别突水水源的依据。
表14组待测样本
编号 | Na++K+ | Ca2+ | Mg2+ | Cl- | SO42- | HCO3 - |
1 | 11.98 | 76.15 | 15.56 | 8.5 | 26.9 | 292.84 |
2 | 9.97 | 64.45 | 26.84 | 9.59 | 40.53 | 288.14 |
3 | 294.75 | 8.93 | 3.36 | 30.27 | 24.24 | 680.51 |
4 | 14.19 | 81.96 | 24.41 | 25.81 | 40.99 | 315.08 |
经过本系统识别,结果分别为二灰和奥陶纪含水层、八灰含水层、顶板砂岩含水层、第四系含水层,并与实际突水水源类别进行比对,可知与各个样本实际类型相符,均正确。本系统能够对突水水源进行准确、有效和快速的识别,具有一定的实用性。
本实用新型能够实现对非线性因素进行映射逼近,建立水化指标与水源之间复杂的非线性关系,克服了建立精确模型的困难,对突水水源进行了准确、有效的识别。本实用新型能够在矿井井下突水点或发生突水位置进行突水水源识别,克服了常规突水水源判定所需时间长和人为干扰因素大的确定,可超前预测和预警突水,有助于矿井水害的防治工作的决策,对提高煤矿安全性,具有很大应用价值。
以上所述,仅为本实用新型较佳的具体实施方式,但本实用新型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实用新型揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本实用新型的保护范围之内。
Claims (5)
1.一种煤矿突水水源识别系统,其特征在于,包括数据输入模块(1)、微处理器(2)、RAM存储器(3)、信息采集模块(7)和LCD显示屏(8),所述数据输入模块(1)、RAM存储器(3)、信息采集模块(7)和LCD显示屏(8)均与微处理器(2)相连接,RAM存储器(3)中设有数据库(4)和神经网络模块(5)。
2.根据权利要求1所述的煤矿突水水源识别系统,其特征在于,所述信息采集模块(7)包括信号处理器和放大器,信息采集模块(7)通过数据线与电极检测器阵列模块(6)相连接。
3.根据权利要求1所述的煤矿突水水源识别系统,其特征在于,所述数据输入模块(1)包括数字按键、USB和开关,数据输入模块(1)通过数据总线与微处理器(2)相连接,微处理器(2)通过I/O数据总线与RAM存储器(3)相连接,信息采集模块(7)通过I/O数据总线与微处理器(2)相连接,微处理器(2)通过数据总线与LCD显示屏(8)相连接。
4.根据权利要求1所述的煤矿突水水源识别系统,其特征在于,所述神经网络模块(5)是包括输入层、隐含层和输出层的BP神经网络。
5.根据权利要求2所述的煤矿突水水源识别系统,其特征在于,所述电极检测器阵列模块(6)设置在突水点或发生突水位置,电极检测器阵列模块(6)包括Na+离子浓度电极检测器、K+离子浓度电极检测器、Ca2+离子浓度电极检测器、Mg2+离子浓度电极检测器、Cl-离子浓度电极检测器、SO4 2-离子浓度电极检测器、HCO3 -离子浓度电极检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201520928993.9U CN205193004U (zh) | 2015-11-20 | 2015-11-20 | 一种煤矿突水水源识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201520928993.9U CN205193004U (zh) | 2015-11-20 | 2015-11-20 | 一种煤矿突水水源识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN205193004U true CN205193004U (zh) | 2016-04-27 |
Family
ID=55785983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201520928993.9U Expired - Fee Related CN205193004U (zh) | 2015-11-20 | 2015-11-20 | 一种煤矿突水水源识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN205193004U (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729716A (zh) * | 2017-11-27 | 2018-02-23 | 西安建筑科技大学 | 一种基于长短时记忆神经网络的煤矿突水预测方法 |
CN111562285A (zh) * | 2020-06-03 | 2020-08-21 | 安徽大学 | 基于大数据与深度学习的矿井突水水源识别方法及其识别系统 |
CN112945209A (zh) * | 2021-03-30 | 2021-06-11 | 淮南矿业(集团)有限责任公司 | 一种奥灰水突水预警方法、系统和装置 |
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 |
CN114046178A (zh) * | 2021-09-01 | 2022-02-15 | 云南滇东雨汪能源有限公司 | 一种用于煤矿井下防治水预警系统、方法及应用 |
CN114167021A (zh) * | 2021-12-09 | 2022-03-11 | 山西启诚电子科技有限公司 | 一种矿井水源快速识别仪及其控制方法 |
-
2015
- 2015-11-20 CN CN201520928993.9U patent/CN205193004U/zh not_active Expired - Fee Related
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729716A (zh) * | 2017-11-27 | 2018-02-23 | 西安建筑科技大学 | 一种基于长短时记忆神经网络的煤矿突水预测方法 |
CN107729716B (zh) * | 2017-11-27 | 2020-10-27 | 西安建筑科技大学 | 一种基于长短时记忆神经网络的煤矿突水预测方法 |
CN111562285A (zh) * | 2020-06-03 | 2020-08-21 | 安徽大学 | 基于大数据与深度学习的矿井突水水源识别方法及其识别系统 |
CN112945209A (zh) * | 2021-03-30 | 2021-06-11 | 淮南矿业(集团)有限责任公司 | 一种奥灰水突水预警方法、系统和装置 |
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 |
CN114046178A (zh) * | 2021-09-01 | 2022-02-15 | 云南滇东雨汪能源有限公司 | 一种用于煤矿井下防治水预警系统、方法及应用 |
CN114167021A (zh) * | 2021-12-09 | 2022-03-11 | 山西启诚电子科技有限公司 | 一种矿井水源快速识别仪及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN205193004U (zh) | 一种煤矿突水水源识别系统 | |
CN103776480B (zh) | 基于多次移动平均的微小故障检测方法和装置 | |
Liu et al. | Modeling and evaluation of the safety control capability of coal mine based on system safety | |
CN103528613B (zh) | 煤矿井下重大危险源物联网动态监测预警方法 | |
CN105956526A (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
CN104200292A (zh) | 一种导水裂隙带高度预测方法 | |
CN108536128A (zh) | 一种参数优化的机器学习故障诊断系统 | |
CN106355540A (zh) | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN103778480A (zh) | 一种基于敏感度分析的裂隙带高度预测方法 | |
CN109490702A (zh) | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 | |
CN103729798A (zh) | 基于改进的K-Means聚类的煤矿安全评价系统 | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN102951516B (zh) | 电梯运行状态监测系统 | |
CN106485351A (zh) | 一种海洋环境监测站位布局优化方法 | |
CN104598970A (zh) | 一种爬架组的工作状态检测方法 | |
CN104268650A (zh) | 一种煤层底板破坏深度的预测方法 | |
CN110826762A (zh) | 一种适用于复杂地下水环境的矿井水害演化趋势预测方法 | |
CN106970301A (zh) | 一种基于智能家居供电电路的检测系统 | |
Jun et al. | A new dynamic assessment for multi-parameters information of water inrush in coal mine | |
CN207408388U (zh) | 一种用于流动性地下水的自动监测分析装置 | |
Tang et al. | Design of monitoring system for hydraulic support based on LabVIEW | |
CN109083118A (zh) | 一种手持式深基坑地表沉降预测装置及其工作流程 | |
Tong et al. | Soft sensor modeling method of dynamic liquid level based on improved KS algorithm | |
CN109800955A (zh) | 煤层底板突水危险性评价计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160427 Termination date: 20161120 |
|
CF01 | Termination of patent right due to non-payment of annual fee |