第3期 梁晓珍等：唐山矿瓦斯涌出量动态预测模型 ·261· 素的异常变化引起.瓦斯涌出动态预测就是利用大 并将误差分摊到各隐层所有单元，从而获得各层单 量的历史实测值不断对预测模型及预测参数进行修 元的误差信号，此误差信号即作为修正整个单元权 正，极力消除由于参数和模型的不当引起的偏差，从 值的依据.这种信号正向传播与误差反向传播取得 而分离出由于地质条件的影响和生产作业异常造成 各层权值的调整过程，是周而复始的.权值不断调 的偏差.这样反过来就可以利用这种偏差值来预测 整的过程，也就是网络的学习训练过程.此过程一 地质条件的异常，发现瓦斯异常涌出的先兆，对于采 直进行到网络输出误差减少到可以接受的程度，或 掘工作面前方的安全状态做出正确的评估和判断， 进行到预先设定的学习次数为止 对于防范瓦斯事故具有十分重要的意义) 在BP型神经网络的设计中，由前m个时间段 煤层瓦斯的非接触式预测方法是通过对瓦斯信 的不同影响因素测量值作为输入样本，训练网络，并 号的实时监测数据的分析结合对矿井采掘工作面瓦 根据训练好的网络来预测后n个时间段的瓦斯涌出 斯涌出规律的研究，建立预测模型并对模型进行不 量及瓦斯含量值，重复以上方法，便可以实现瓦斯涌 断完善从而实现对瓦斯涌出的动态预测.通过研究 出量或瓦斯含量的动态预测 确定各种因素与采掘工作面瓦斯异常涌出的关系， 网络设计的基本要素包括网络结构、传递函数、 最后应用基于人工智能诊断技术来综合判断工作面 权值与阈值调整和误差分析. 所处地点的安全状况以及前方的潜在危险性 1.1网络结构 工作面瓦斯涌出受多种因素的影响.对于同一 单隐层的BP算法神经网络具有无限逼近非线 工作面来说，由于供风量、气压和温度是较为稳定 性连续函数关系的性质。为提高精度，选择一个隐 的，瓦斯含量的变化在一定意义上来说反映的就是 层的BP型神经网络.常用的BP算法是梯度下降 瓦斯涌出量的变化向，因此，对瓦斯含量的动态预 法.但是，这种基于梯度下降法的线性收敛速度 测，可以认为就是对工作面瓦斯涌出量的预测. 较慢，所以本文采用收敛速度、精确度高于梯度下降 煤矿安全监测系统的建立和计算机技术的发展 法的Levenberg-Marquardt优化算法，对网络的训练 为瓦斯涌出动态预测奠定了坚实的基础.井下传感 进行了简化和加速，更有利于实现瓦斯含量的动态 器所测得瓦斯含量的数据实时传输至监测室，监测 实时预测.BP网络结构如图1所示 室通过专业软件进行处理.通过对瓦斯含量的分 Q 析，判断瓦斯涌出量的变化，并根据判断结果采取相 应的处理方案.由于瓦斯涌出的影响因素复杂且难 输 隐 层 以定量化处理，因此瓦斯涌出模型的建立使用模糊 层 数学、灰色理论及人工神经网络比较合适 1BP神经网络 图1B即神经网络结构简图 Fig.I Structure of a BP neural network 人工神经网络是一种旨在模仿人脑结构及其功 能的智能信息处理系统，是由大量简单处理单元相 考虑到采掘工作面瓦斯涌出的规律以及工作面 互联结，构成的高度并行的非线性系统，具有大规模 作业程序的循环时间确定输入层和隐层的节点数如 并行处理能力.通过自学习、自组织和自适应等方 下：设输入层节点数n为8，输出层节点数l为8，隐 式高度精确地模拟一些物理规律尚且未知的系统中 层节点数m为19. 各因素之间的关系，从而在缺乏物理规律的条件下 1.2传递函数 给出比较准确的预测值.在预测领域已成功地解决 瓦斯含量的影响因素多且比较复杂，预测函数 了许多复杂的实际问题，呈现出良好的智能特性. 并不完全是简单的线性关系，所以采取非线性变换 本模型采用人工神经网络中的BP型神经网 的双极性Sigmoid连续函数作为输入层传递函数， 络.BP算法的基本原理为：学习过程由信号的正向 同样隐层传递函数也采用Sigmoid连续函数作为传 传播与误差的反向传播两个过程组成.正向传播 递函数因.表达式为 时，输入样本从输入层输入，经各隐层逐层处理后， 传向输出层.如果输出层的实际输出与期望的输出 f(x)=1-e 1+e (1) 不符，则转向误差的反向传播阶段.误差反传是将 2(x)=x. 输出误差以某种形式通过隐层逐层向输入层反传， 因为Sigmoid函数的输入数据绝对值较大时传第 3 期 梁晓珍等: 唐山矿瓦斯涌出量动态预测模型 素的异常变化引起． 瓦斯涌出动态预测就是利用大 量的历史实测值不断对预测模型及预测参数进行修 正，极力消除由于参数和模型的不当引起的偏差，从 而分离出由于地质条件的影响和生产作业异常造成 的偏差． 这样反过来就可以利用这种偏差值来预测 地质条件的异常，发现瓦斯异常涌出的先兆，对于采 掘工作面前方的安全状态做出正确的评估和判断， 对于防范瓦斯事故具有十分重要的意义［5］． 煤层瓦斯的非接触式预测方法是通过对瓦斯信 号的实时监测数据的分析结合对矿井采掘工作面瓦 斯涌出规律的研究，建立预测模型并对模型进行不 断完善从而实现对瓦斯涌出的动态预测． 通过研究 确定各种因素与采掘工作面瓦斯异常涌出的关系， 最后应用基于人工智能诊断技术来综合判断工作面 所处地点的安全状况以及前方的潜在危险性． 工作面瓦斯涌出受多种因素的影响． 对于同一 工作面来说，由于供风量、气压和温度是较为稳定 的，瓦斯含量的变化在一定意义上来说反映的就是 瓦斯涌出量的变化［6］． 因此，对瓦斯含量的动态预 测，可以认为就是对工作面瓦斯涌出量的预测． 煤矿安全监测系统的建立和计算机技术的发展 为瓦斯涌出动态预测奠定了坚实的基础． 井下传感 器所测得瓦斯含量的数据实时传输至监测室，监测 室通过专业软件进行处理． 通过对瓦斯含量的分 析，判断瓦斯涌出量的变化，并根据判断结果采取相 应的处理方案． 由于瓦斯涌出的影响因素复杂且难 以定量化处理，因此瓦斯涌出模型的建立使用模糊 数学、灰色理论及人工神经网络比较合适． 1 BP 神经网络 人工神经网络是一种旨在模仿人脑结构及其功 能的智能信息处理系统，是由大量简单处理单元相 互联结，构成的高度并行的非线性系统，具有大规模 并行处理能力． 通过自学习、自组织和自适应等方 式高度精确地模拟一些物理规律尚且未知的系统中 各因素之间的关系，从而在缺乏物理规律的条件下 给出比较准确的预测值． 在预测领域已成功地解决 了许多复杂的实际问题，呈现出良好的智能特性． 本模型采用人工神经网络中的 BP 型神经网 络． BP 算法的基本原理为: 学习过程由信号的正向 传播与误差的反向传播两个过程组成． 正向传播 时，输入样本从输入层输入，经各隐层逐层处理后， 传向输出层． 如果输出层的实际输出与期望的输出 不符，则转向误差的反向传播阶段． 误差反传是将 输出误差以某种形式通过隐层逐层向输入层反传， 并将误差分摊到各隐层所有单元，从而获得各层单 元的误差信号，此误差信号即作为修正整个单元权 值的依据． 这种信号正向传播与误差反向传播取得 各层权值的调整过程，是周而复始的． 权值不断调 整的过程，也就是网络的学习训练过程． 此过程一 直进行到网络输出误差减少到可以接受的程度，或 进行到预先设定的学习次数为止． 在 BP 型神经网络的设计中，由前 m 个时间段 的不同影响因素测量值作为输入样本，训练网络，并 根据训练好的网络来预测后 n 个时间段的瓦斯涌出 量及瓦斯含量值，重复以上方法，便可以实现瓦斯涌 出量或瓦斯含量的动态预测． 网络设计的基本要素包括网络结构、传递函数、 权值与阈值调整和误差分析． 1. 1 网络结构 单隐层的 BP 算法神经网络具有无限逼近非线 性连续函数关系的性质． 为提高精度，选择一个隐 层的 BP 型神经网络． 常用的 BP 算法是梯度下降 法［7］． 但是，这种基于梯度下降法的线性收敛速度 较慢，所以本文采用收敛速度、精确度高于梯度下降 法的 Levenberg-Marquardt 优化算法，对网络的训练 进行了简化和加速，更有利于实现瓦斯含量的动态 实时预测． BP 网络结构如图 1 所示． 图 1 BP 神经网络结构简图 Fig． 1 Structure of a BP neural network 考虑到采掘工作面瓦斯涌出的规律以及工作面 作业程序的循环时间确定输入层和隐层的节点数如 下: 设输入层节点数 n 为 8，输出层节点数 l 为 8，隐 层节点数 m 为 19． 1. 2 传递函数 瓦斯含量的影响因素多且比较复杂，预测函数 并不完全是简单的线性关系，所以采取非线性变换 的双极性 Sigmoid 连续函数作为输入层传递函数， 同样隐层传递函数也采用 Sigmoid 连续函数作为传 递函数［6］． 表达式为 f1 ( x) = 1 － e － x 1 + e － x， f2 ( x) = { x． ( 1) 因为 Sigmoid 函数的输入数据绝对值较大时传 ·261·