楊德智

（大同煤礦集團(tuán)有限責(zé)任公司云岡礦通風(fēng)區(qū)， 山西 大同 037000）

安全生產(chǎn)是煤礦開采過程中最為關(guān)注的問題，隨著采礦技術(shù)及礦山設(shè)備的進(jìn)步，礦井安全生產(chǎn)問題已經(jīng)有了很大的改善，但瓦斯涌出及巷道煤塵治理一直是安全生產(chǎn)和井下人員生命安全面臨的重要問題。井下通風(fēng)系統(tǒng)是煤礦生產(chǎn)的重要組成部分，通風(fēng)系統(tǒng)出現(xiàn)故障或發(fā)生通風(fēng)可靠性降低等問題將直接影響礦井安全生產(chǎn)，因此，需將通風(fēng)系統(tǒng)可靠穩(wěn)定運(yùn)行作為重點(diǎn)進(jìn)行研究[1]。

隨著煤礦機(jī)械設(shè)備的發(fā)展和采掘技術(shù)的進(jìn)步，煤礦開采深度和掘進(jìn)面單進(jìn)深度不斷提高，掘進(jìn)速度也不斷加快，造成了瓦斯排放速度和絕對涌出量增加。由于其環(huán)境的復(fù)雜性和不確定性，煤塵、瓦斯等排放隨時(shí)變化，且隨著井下巷道日益復(fù)雜，采掘機(jī)械和采掘速度的進(jìn)步，井下通風(fēng)系統(tǒng)管理的變量越來越多。為了保證通風(fēng)系統(tǒng)持續(xù)穩(wěn)定的工作，各需風(fēng)位置能得到可靠有效的通風(fēng)，本文采用神經(jīng)網(wǎng)絡(luò)算法對通風(fēng)系統(tǒng)進(jìn)行可靠性預(yù)測，為井下通風(fēng)管理人員提供一定的通風(fēng)故障管理依據(jù)。

1 可靠性影響因素分析

通風(fēng)系統(tǒng)是一個(gè)復(fù)雜的、多因素耦合的時(shí)變系統(tǒng)，在運(yùn)行過程中，不僅受到系統(tǒng)各部件故障的影響，而且受到正常采掘過程中各需風(fēng)點(diǎn)地質(zhì)條件變化的影響[2]。對于通風(fēng)網(wǎng)絡(luò)而言，其通風(fēng)風(fēng)壓、風(fēng)阻、風(fēng)路等可靠性均會(huì)影響整個(gè)通風(fēng)系統(tǒng)的可靠性。

通風(fēng)網(wǎng)路設(shè)置是否合理，不僅影響通風(fēng)系統(tǒng)的功耗及效率，而且對通風(fēng)系統(tǒng)可靠性也有極大的影響[3]。通風(fēng)網(wǎng)路主要由串聯(lián)、并聯(lián)及角聯(lián)三種基本構(gòu)成方式，并通過這三種基本構(gòu)成的多種組合形成整個(gè)通風(fēng)網(wǎng)絡(luò)，如圖1 所示，

圖1 通風(fēng)網(wǎng)絡(luò)示意圖

1.1 串聯(lián)單元通風(fēng)特性

串聯(lián)單元為兩條或多條風(fēng)路首尾相連，無其余風(fēng)流節(jié)點(diǎn)的網(wǎng)路，其特性如下?？傦L(fēng)量等于各單元風(fēng)量：

總風(fēng)壓為各單元風(fēng)壓之和：

總風(fēng)阻為各單元風(fēng)阻之和：

1.2 并聯(lián)單元通風(fēng)特性

串聯(lián)單元為兩條或多條風(fēng)路由同一節(jié)點(diǎn)分開并由同一節(jié)點(diǎn)匯合，中間無其余風(fēng)流節(jié)點(diǎn)的網(wǎng)路，其特性如下。

總風(fēng)量為各單元風(fēng)量之和：

總風(fēng)壓與任一單元風(fēng)壓相同：

總風(fēng)阻平方根的倒數(shù)為各單元風(fēng)阻平方根倒數(shù)之和：

此外，通風(fēng)系統(tǒng)可靠性影響因素還包括對風(fēng)路中粉塵、瓦斯、溫度等參數(shù)的監(jiān)測是否準(zhǔn)確等[4]。

2 神經(jīng)網(wǎng)絡(luò)構(gòu)建

由于通風(fēng)系統(tǒng)可靠性影響因素的復(fù)雜性及多參數(shù)的強(qiáng)耦合性等特性，對礦井通風(fēng)系統(tǒng)可靠性的預(yù)測采用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建預(yù)測模型。

BP 神經(jīng)網(wǎng)絡(luò)由非線性神經(jīng)元構(gòu)成，通過“輸入層——隱含層——輸出層”的三層網(wǎng)絡(luò)結(jié)構(gòu)，在初始輸入及后續(xù)實(shí)際參數(shù)輸入和結(jié)果輸出中不斷的自我學(xué)習(xí)、自我調(diào)整，使得預(yù)測結(jié)果越來越達(dá)到實(shí)際結(jié)果的方法。通過中間層的參數(shù)耦合并自動(dòng)糾正權(quán)值的過程，可滿足通風(fēng)系統(tǒng)多參數(shù)耦合預(yù)測的使用要求[5]。其結(jié)構(gòu)圖如圖2 所示。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

其中輸入層參數(shù)為n 個(gè)，隱含層耦合參數(shù)為p個(gè)，輸出結(jié)果層神經(jīng)元個(gè)數(shù)為q 個(gè)。Wih為輸入層神經(jīng)元到隱含層神經(jīng)元的參數(shù)權(quán)值，Who為隱含層神經(jīng)元到輸出層神經(jīng)元的參數(shù)權(quán)值。

對于通風(fēng)系統(tǒng)而言，神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元參數(shù)為通風(fēng)系統(tǒng)的輸入?yún)?shù)，即風(fēng)機(jī)參數(shù)、巷道溫度、瓦斯?jié)舛鹊龋瑢L(fēng)機(jī)風(fēng)速、風(fēng)壓、巷道溫度及瓦斯?jié)舛雀髟O(shè)置三個(gè)變量等級作為輸入神經(jīng)元。

輸出參數(shù)為通風(fēng)系統(tǒng)可靠性，基于常用的礦井通風(fēng)可靠性評價(jià)方法，對可靠性分為安全、較安全、一般、危險(xiǎn)、較危險(xiǎn)五個(gè)等級，并對每個(gè)等級對應(yīng)的數(shù)據(jù)異常情況進(jìn)行編碼標(biāo)定。

通風(fēng)系統(tǒng)可靠性預(yù)測網(wǎng)絡(luò)的隱含層，需要通過迭代優(yōu)化的方法進(jìn)行選擇，即預(yù)先給定一層隱含層，通過參數(shù)輸入訓(xùn)練進(jìn)行隱含層神經(jīng)元數(shù)進(jìn)行迭代確定。

根據(jù)經(jīng)驗(yàn)公式，隱含層的神經(jīng)元數(shù)為：

式中：m 為輸出層神經(jīng)元數(shù)；n 為輸入層神經(jīng)元數(shù)；a為 1～10 的自然數(shù)。

由上述分析可知，n=15，m=5 可得到隱含層神經(jīng)元數(shù)可能數(shù)值。通過樣本訓(xùn)練對隱含層神經(jīng)元數(shù)進(jìn)行分析，得到當(dāng)隱含層神經(jīng)元數(shù)為10 個(gè)時(shí)，計(jì)算誤差較小，且運(yùn)算量較小。

3 預(yù)測仿真分析

基于上述礦井通風(fēng)系統(tǒng)可靠性預(yù)測模型，采用MATLAB 的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行建模，并選取通風(fēng)系統(tǒng)采集的現(xiàn)場數(shù)據(jù)進(jìn)行輸入并仿真分析，驗(yàn)證該神經(jīng)網(wǎng)絡(luò)預(yù)測模型的準(zhǔn)確性。分析過程如圖3 所示。

圖3 分析過程圖

經(jīng)過上述仿真過程，得到預(yù)測仿真結(jié)果與實(shí)際可靠性結(jié)果如圖4 所示。

圖4 仿真結(jié)果對比圖

由上述對比圖4 可以看出，預(yù)測結(jié)果與實(shí)際結(jié)果有一定的差別，但總體結(jié)果可信，預(yù)測準(zhǔn)確率達(dá)到80%以上。后續(xù)可根據(jù)煤礦個(gè)體情況加大訓(xùn)練數(shù)據(jù)錄入，并通過更大量的訓(xùn)練使得結(jié)果更加可靠。

4 結(jié)論

1）針對礦井通風(fēng)系統(tǒng)可靠性影響因素進(jìn)行分析，并對其風(fēng)路各基本單元構(gòu)型參數(shù)關(guān)系進(jìn)行描述。

2）根據(jù)礦井通風(fēng)系統(tǒng)可靠性分析的實(shí)際情況，選擇神經(jīng)網(wǎng)絡(luò)算法作為系統(tǒng)可靠性分析方法。

3）確定了通風(fēng)系統(tǒng)可靠性的神經(jīng)網(wǎng)絡(luò)算法構(gòu)型及各層神經(jīng)元參數(shù)。

4）通過對神經(jīng)網(wǎng)絡(luò)預(yù)計(jì)模型的仿真，得到該預(yù)計(jì)模型仿真結(jié)果與實(shí)際結(jié)果的對比情況，并確定該預(yù)計(jì)模型的可行性。