。16 北京科技大学学报 第31卷 (2)煤体温度.大量研究2表明，工作面煤 2煤与瓦斯突出预警模型及预警等级划分 体温度与地应力和瓦斯含量有关.在煤与瓦斯突出 前，由于煤体中瓦斯解吸，普遍出现煤壁变凉、工作 2.1神经网络预警系统 面气温降低等异常现象导致煤壁温度降低.因此， 煤与瓦斯突出神经网络预警系统由预警知识获 煤体温度的时间序列监测数据可以作为煤与瓦斯突 取系统、预警知识库和报警系统组成.系统组成及 出预警指标. 运行机制见图1. 1.2预警指标模型 历史监测数据预警指标数学模型例面警参数输人指标处理 通过煤与瓦斯突出预警指标模型与煤和矿安全监 测系统的联接，实现预警数据的共享和互联互通，完 预警训练样本网络结构知识铁取部件预警知识军学习 成预警指标的处理和预警指标参数的输入.预警指 待预警教据神经网络推理报警部件预警结果报警 标及其数学模型如下. (1)瓦斯浓度、煤体温度(Q).煤矿安全监测系 图1利用神经网络的煤与瓦斯突出预警原理 统采集的瓦斯浓度和煤体温度实时数据，反映工作 Fig.I Early warning theory of coal and gas outburst based on neu- 面瓦斯涌出量、煤体温度、煤层瓦斯和地应力等因素 ral net work 间的内在关系.如果瓦斯浓度和煤体温度值稳定， 2.1.1预警知识获取系统 瓦斯涌出相对稳定，发生瓦斯突出的可能性较小；如 预警知识获取系统主要由网络学习算法和网络 果Q值变化大，发生瓦斯突出的可能性性增大 构造组成.该系统通过对预警样本的学习训练得到 (2)超标时间(T). 网络权值，完成预警知识的获取. 当Q≥Q临界值，T=右一t1 (1) (1)网络学习算法.采用BP网络14，即误差回 传神经网络，它是一种无反馈的前向网络，网络中的 当Q<Q临界值，T=0 (2) 神经元分层排列.它通过基本输入(U)、输出() 式中，和1：-1分别为甲烷传感器和温度传感器采 样本来进行自身的算法学习，调整内部阈值，建立正 集的瓦斯浓度和煤体温度Q:和Q:-1对应的时间. 确的网络内部输入输出关系.其最大特点是仅凭样 当Q:超过Q临界值时开始计时，小于该值时为零.该 本数据就能实现由Rm空间(m为输入层节点数) 值反映煤层突出危险状态所持续的时间.T值越 到R”空间(n为输出层节点数)的高度非线性映 大，表明超出临界值的时间越长，发生突出的危险性 射.它采用梯度下降法反复训练样本来修正权值， 越大. 权值沿着误差函数的负梯度方向变化，最后稳定于 (3)方差(S). 最小值.煤与瓦斯突出预警BP网络拓扑结构见图 2,其中W为连接权值，O为输出值. 2 输人层 隐含层输出层 0-1-01 2 (3) 0 样本方差是衡量样本波动大小的量，样本方差 越大，样本数据的波动就越大，其物理意义是瓦斯浓 度和煤体温度的波动状况.如果方差S值小，瓦斯 突出危险性小. 图2煤与瓦斯突出预警BP网络拓扑结构 (4)增量（△）. Fig.2 Topology structure forearly warning of coal and gs outburst 4=Q:-0-1 (4) based on BP neural netw ork 增量A的物理含义是：时刻的瓦斯浓度和煤 BP算法如下： 体温度Q:与1一1时刻瓦斯浓度和煤体温度Q-1的 W(t)=W(t-1)-△T(t) (5) 差值，它反映不同时刻该值的增加量（△>0）或减 小量（△<0）.如果煤体温度降低值越大则发生煤 △W(t)=1E/aW(1-1)+aAW(t-1) 体动力现象的可能性越大，瓦斯涌出量也越大，瓦斯 (6) 浓度增量就大，发生煤与瓦斯突出危险性越大. 式中，W为节点i与j之间的连接权值，”为学习速( 2) 煤体温度 .大量研究 [ 12-13] 表明, 工作面煤 体温度与地应力和瓦斯含量有关 .在煤与瓦斯突出 前, 由于煤体中瓦斯解吸, 普遍出现煤壁变凉、工作 面气温降低等异常现象, 导致煤壁温度降低 .因此, 煤体温度的时间序列监测数据可以作为煤与瓦斯突 出预警指标. 1.2 预警指标模型 通过煤与瓦斯突出预警指标模型与煤矿安全监 测系统的联接, 实现预警数据的共享和互联互通, 完 成预警指标的处理和预警指标参数的输入.预警指 标及其数学模型如下 . ( 1)瓦斯浓度、煤体温度( Q) .煤矿安全监测系 统采集的瓦斯浓度和煤体温度实时数据, 反映工作 面瓦斯涌出量、煤体温度 、煤层瓦斯和地应力等因素 间的内在关系 .如果瓦斯浓度和煤体温度值稳定, 瓦斯涌出相对稳定, 发生瓦斯突出的可能性较小;如 果 Q 值变化大, 发生瓦斯突出的可能性性增大. ( 2)超标时间( T) . 当 Qi ≥Q 临界值, Ti =ti -ti-1 ( 1) 当 Qi <Q 临界值, Ti =0 ( 2) 式中, ti 和ti -1分别为甲烷传感器和温度传感器采 集的瓦斯浓度和煤体温度 Qi 和 Qi -1对应的时间 . 当 Qi 超过Q 临界值时开始计时, 小于该值时为零.该 值反映煤层突出危险状态所持续的时间.Ti 值越 大, 表明超出临界值的时间越长, 发生突出的危险性 越大 . ( 3)方差( S ) . S i = 1 2 Qi - Qi +Qi -1 2 2 + Qi -1 - Qi +Qi-1 2 2 ( 3) 样本方差是衡量样本波动大小的量, 样本方差 越大, 样本数据的波动就越大, 其物理意义是瓦斯浓 度和煤体温度的波动状况 .如果方差 S 值小, 瓦斯 突出危险性小. ( 4)增量( Δ) . Δi =Qi -Qi-1 ( 4) 增量 Δi 的物理含义是:ti 时刻的瓦斯浓度和煤 体温度 Qi 与 ti-1时刻瓦斯浓度和煤体温度 Qi -1的 差值, 它反映不同时刻该值的增加量( Δi >0) 或减 小量( Δi <0) .如果煤体温度降低值越大, 则发生煤 体动力现象的可能性越大, 瓦斯涌出量也越大, 瓦斯 浓度增量就大, 发生煤与瓦斯突出危险性越大 . 2 煤与瓦斯突出预警模型及预警等级划分 2.1 神经网络预警系统 煤与瓦斯突出神经网络预警系统由预警知识获 取系统、预警知识库和报警系统组成.系统组成及 运行机制见图 1 . 图 1 利用神经网络的煤与瓦斯突出预警原理 Fig.1 Early w arning theory of coal and gas outburst based on neu￾ral network 2.1.1 预警知识获取系统 预警知识获取系统主要由网络学习算法和网络 构造组成.该系统通过对预警样本的学习训练得到 网络权值, 完成预警知识的获取 . ( 1) 网络学习算法 .采用 BP 网络[ 14] , 即误差回 传神经网络, 它是一种无反馈的前向网络, 网络中的 神经元分层排列.它通过基本输入( U) 、输出( V) 样本来进行自身的算法学习, 调整内部阈值, 建立正 确的网络内部输入输出关系 .其最大特点是仅凭样 本数据就能实现由 R m 空间( m 为输入层节点数) 到 R n 空间( n 为输出层节点数) 的高度非线性映 射 .它采用梯度下降法反复训练样本来修正权值, 权值沿着误差函数的负梯度方向变化, 最后稳定于 最小值.煤与瓦斯突出预警 BP 网络拓扑结构见图 2, 其中 W 为连接权值, O 为输出值. 图 2 煤与瓦斯突出预警BP 网络拓扑结构 Fig.2 Topology structure f or early w arning of coal and gas outburst based on BP neu ral netw ork BP 算法如下: Wij( t) =Wij( t -1) -ΔTij( t) ( 5) ΔWij( t) =η E/ Wij( t -1) +αΔWij( t -1) ( 6) 式中, Wi j为节点i 与j 之间的连接权值, η为学习速 · 16 · 北 京 科 技 大 学 学 报 第 31 卷