楊世金

摘要：結(jié)合小波神經(jīng)網(wǎng)絡(luò)基本原理，提出一種粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A測模型。對小波神經(jīng)網(wǎng)絡(luò)基本原理進行分析，然后，利用粒子群對小波神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化，并構(gòu)建預測模型;最后，以P₁～P₅監(jiān)測點的煤礦瓦斯?jié)舛葦?shù)據(jù)為基礎(chǔ)，將其輸入預測模型中進行訓練。結(jié)果表明：粒子群優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)在瓦斯?jié)舛阮A測方面，數(shù)值更接近真實值，同時迭代次數(shù)在110次左右即達到穩(wěn)定。

關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò);瓦斯?jié)舛?粒子群;濃度預測

中圖分類號：TQ541

文獻標識碼：A文章編號：1001-5922（2022）06-0108-03

Study on gas concentration prediction based on improved particle swarm wavelet neural network

YANG Shijin

（

Guangxi Vocational College of Safety Engineering， Cenxi 530100， Guangxi China

）

Abstract：Combined with the basic principle of wavelet neural network， a gas concentration prediction model based on particle swarm optimization wavelet neural network is proposed. The basic principle of wavelet neural network is analyzed， then the parameters of wavelet neural network are optimized by particle swarm optimization， and the prediction model is constructed. Finally， based on the coal mine gas concentration data of P₁～ P₅monitoring points， they are put into the prediction model for training. The results show that the value of wavelet neural network optimized by particle swarm optimization is closer to the real value in gas concentration prediction， and the stability is reached when? number of iterations reaches about 110.

Key words：wavelet neural network; gas concentration; particle swarm optimization; concentration prediction

煤礦開采已經(jīng)成為我國經(jīng)濟建設(shè)的重要產(chǎn)業(yè)，隨之而來的是煤礦開采過程中產(chǎn)生的瓦斯氣體所導致的危險事件。為了保障煤礦開采的安全以解決瓦斯氣體的爆炸，建立高效準確的瓦斯預測系統(tǒng)成為我國學術(shù)領(lǐng)域研究的重點。如對煤與瓦斯突出相關(guān)的5個特征進行分析，采用拉依達準則處理數(shù)據(jù)異常值并采用隨機森林、支持向量機和K近鄰模型進行煤與瓦斯突出預測，實驗表明：采用隨機森林數(shù)據(jù)插補方法并利用隨機森林模型完成的預測，在所有數(shù)據(jù)插補方法和預測模型組合中性能最優(yōu)[1];針對現(xiàn)有煤與突出預測方法存在可視化程度低、突出預測準確性和實時性不高等問題，以新元煤礦為試驗礦井，構(gòu)建了煤與瓦斯突出預測多元數(shù)據(jù)可視化系統(tǒng)，應(yīng)用結(jié)果表明：該系統(tǒng)改變了新元煤礦突出預測指標單一、不連續(xù)的現(xiàn)狀，顯著提高了礦井煤與瓦斯突出預測準確性與實時性[2];針對煤礦瓦斯?jié)舛鹊念A測的問題，以亭南煤礦正常生產(chǎn)期間302工作面的監(jiān)測數(shù)據(jù)為研究背景，采用深度學習技術(shù)LSTM建立瓦斯預測模型，研究與設(shè)計了基于LSTM的煤礦瓦斯預測預警系統(tǒng)，該系統(tǒng)實現(xiàn)了煤礦瓦斯預警系統(tǒng)，增強了煤礦瓦斯監(jiān)控系統(tǒng)的預警能力，提高了煤炭企業(yè)安全生產(chǎn)管理水平[3]。本研究認為，其不僅需要構(gòu)建預測系統(tǒng)，還需要保證其瓦斯預測的準確性。因此，基于小波神經(jīng)網(wǎng)絡(luò)原理，提出一種粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的瓦斯預測模型，以此提高瓦斯預測的精準率。

1小波神經(jīng)網(wǎng)絡(luò)簡介

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)是采用Sigmoid作為隱含層，這就導致傳統(tǒng)算法具有陷入局部最優(yōu)和收斂速度慢的問題。為改善這種問題，使用小波算法代替神經(jīng)系統(tǒng)隱含層，從而最大程度地優(yōu)化神經(jīng)系統(tǒng)結(jié)構(gòu)。設(shè)小波函數(shù)f（t）為一維信號，則小波基：

小波函數(shù)作為隱含層，具有很強的適應(yīng)性。但以上方法還存在缺陷，如網(wǎng)絡(luò)初始值很難確定，同時當樣本過多時，收斂速度會變慢。因此，基于以上問題，需要對小波神經(jīng)網(wǎng)絡(luò)進行改進。

2基于改進小波神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A測模型

基于傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)存在的問題，提出采用粒子群對小波神經(jīng)網(wǎng)絡(luò)進行改進，具體改進步驟：

（1）將N設(shè)置為輸入層，M設(shè)置為隱藏層，L設(shè)置為輸出層，M維向量設(shè)置為縮放和平移因子;

（2）將初始化速率，并找到最佳起始位置和總體最佳值;

（3）將訓練樣本數(shù)據(jù)傳輸至輸入層學習;

（4）根據(jù)

對小波神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化;

（5）確定參數(shù)是否滿足條件，若滿足則選擇優(yōu)化參數(shù);若不滿足則轉(zhuǎn)回步驟（3）;0F6D8556-6ACD-4637-8135-A62BF25AC6C0

（6）輸出預測結(jié)果。

3算法驗證

3.1數(shù)據(jù)選擇

本文以2020年8月1日至8月21日這21 d在P₁～P₅監(jiān)測點收集到的煤礦瓦斯?jié)舛葦?shù)據(jù)作為基礎(chǔ)，利用以上的預測模型對瓦斯?jié)舛冗M行預測。原始瓦斯?jié)舛葦?shù)據(jù)部分參數(shù)如圖1所示。

3.2算法驗證

從P₁～P₅監(jiān)測點數(shù)據(jù)中篩選出1～45組原始數(shù)據(jù)作為訓練數(shù)據(jù)，46～50組數(shù)據(jù)用作測試樣本。將45組訓練數(shù)據(jù)輸入至預測模型進行訓練，然后用訓練模型對剩余5組進行試驗，并與實際瓦斯?jié)舛扰欧诺臍怏w值進行對比。

3.2.1改進后的神經(jīng)網(wǎng)絡(luò)迭代次數(shù)

粒子群改進的小波神經(jīng)網(wǎng)絡(luò)迭代次數(shù)如圖3所示。

由圖3可以看出，改進的神經(jīng)網(wǎng)絡(luò)在110次左右的適應(yīng)度值達穩(wěn)定，說明經(jīng)過110次左右的迭代后，算法開始逐步趨于穩(wěn)定。此時的參數(shù)也為最優(yōu)。

3.2.2算法預測結(jié)果

通過訓練，得到BP神經(jīng)網(wǎng)絡(luò)和改進神經(jīng)網(wǎng)絡(luò)對瓦斯?jié)舛鹊念A測結(jié)果，并將其與原始數(shù)據(jù)對比。具體如圖4和圖5所示。

由圖4可知，根據(jù)歸一化數(shù)據(jù)處理后的數(shù)據(jù)對比可以得到改進粒子群小波網(wǎng)絡(luò)的預測值和BP 神經(jīng)網(wǎng)絡(luò)的預測值均小于實際的數(shù)據(jù)值;同時改進粒子群小波網(wǎng)絡(luò)的預測值大于BP 神經(jīng)網(wǎng)絡(luò)的預測值，并且改進粒子群小波網(wǎng)絡(luò)的預測值更接近于實際的數(shù)據(jù)值。該對比數(shù)據(jù)說明改進粒子群小波網(wǎng)絡(luò)算法更加適宜瓦斯數(shù)據(jù)的監(jiān)測。

由圖5可知，根據(jù)改進粒子群小波網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)預測值的誤差，BP 神經(jīng)網(wǎng)絡(luò)預測值與實際值的誤差率分別為18.74%、16.68%、16.35%、17.87%、18.23%;而改進粒子群小波網(wǎng)絡(luò)的值與實際值的誤差率分別為6.22%、7.42%、6.17%、7.19%、6.27%，結(jié)果表明：改進粒子群小波網(wǎng)絡(luò)算法的精度高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法。

4結(jié)語

本文提出對粒子群小波神經(jīng)網(wǎng)絡(luò)算法的改進;然后與傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)的預測值和實際的數(shù)據(jù)值進行對比分析，結(jié)果表明：改進粒子群小波網(wǎng)絡(luò)算法的精度高于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法，具體在數(shù)值上則是改進的小波神經(jīng)網(wǎng)絡(luò)的誤差基本在6%～7%，遠小于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的16%～18%。

【參考文獻】

[1]汝彥冬，呂興鳳，郭繼坤，等.基于殘缺數(shù)據(jù)的煤與瓦斯突出預測系統(tǒng)[J].哈爾濱商業(yè)大學學報（自然科學版），2021，37（2）：172-176.

[2]蒲陽，宋志強，寧小亮.煤與瓦斯突出預測多元數(shù)據(jù)可視化系統(tǒng)構(gòu)建與應(yīng)用[J].工礦自動化，2020，46（7）：64-69.

[3]李偉山，王琳，衛(wèi)晨.LSTM在煤礦瓦斯預測預警系統(tǒng)中的應(yīng)用與設(shè)計[J].西安科技大學學報，2018，38（6）：1 027-1 035.

[4]齊黎明，盧云婷，關(guān)聯(lián)合，等.煤與瓦斯突出預測敏感指標確定方法探索及應(yīng)用[J].礦業(yè)安全與環(huán)保，2021，48（3）：85-89.

[5]蘇培東，張睿，杜宇本，等.基于Kriging估值法的非煤隧道瓦斯預測[J].地下空間與工程學報，2021，17（3）：953-960.

[6]李曉燕， 李弢， 馬盡文. 高斯過程混合模型在含噪輸入預測策略下的煤礦瓦斯?jié)舛热嵝灶A測[J]. 信號處理， 2021， 37（11）：10.

[7]萬宇，齊金平，張儒等.基于信息增益優(yōu)化支持向量機模型的煤礦瓦斯爆炸風險預測[J].科學技術(shù)與工程，2021，21（9）：3 544-3 549.

[8]段夢楠，劉澤功.基于神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出規(guī)模預測研究[J].淮陰工學院學報，2021，30（1）：33-39.

[9]韋恩光，鄧成海，潘福東等.貴州某煤礦煤與瓦斯突出預測敏感指標的確定[J].中國科學探險，2021（1）：97-99.

[10]張震，朱權(quán)潔，李青松等.基于Keras長短時記憶網(wǎng)絡(luò)的礦井瓦斯?jié)舛阮A測研究[J].安全與環(huán)境工程，2021，28（1）：61-67.0F6D8556-6ACD-4637-8135-A62BF25AC6C0