趙安新，劉 鼎，郭仕林，戰(zhàn)仕發(fā)，陳志剛

(1.西安科技大學(xué) 通信與信息工程學(xué)院，陜西 西安 710054；2.陜西長武亭南煤業(yè)有限責(zé)任公司，陜西 長武 713600)

煤礦井下管網(wǎng)系統(tǒng)主要是指供排水、通風(fēng)、制冷等管路綜合系統(tǒng)，常被稱作煤礦安全生產(chǎn)的 “生命線”，是煤礦生產(chǎn)中的重要組成部分，管網(wǎng)系統(tǒng)的安全可靠運(yùn)行對整個礦井的生產(chǎn)至關(guān)重要，對管網(wǎng)系統(tǒng)進(jìn)行高效的監(jiān)測與調(diào)控，可以減少管道堵塞和泄漏等問題，提高生產(chǎn)效率和降低生產(chǎn)成本，避免安全事故的發(fā)生，保障工人的生命安全和生產(chǎn)設(shè)備的正常運(yùn)行。目前的井下管網(wǎng)調(diào)控技術(shù)無論是SCADA系統(tǒng)或是GIS技術(shù)都是簡單的數(shù)據(jù)收集和分析計算，只實現(xiàn)遠(yuǎn)程調(diào)控或是簡單的線性判斷調(diào)控，無法宏觀的做出智能決策，而傳統(tǒng)的依靠經(jīng)驗手動調(diào)控除了難以保證系統(tǒng)的穩(wěn)定性和效率外，還存在人為失誤的風(fēng)險。想要實現(xiàn)井下管網(wǎng)的智能調(diào)控，關(guān)鍵的一步是對管網(wǎng)做出狀態(tài)評估，對未來時刻管網(wǎng)的狀態(tài)尤其是流量做出預(yù)測。一般的流量預(yù)測方法可以分為兩類，傳統(tǒng)的方法[1，2]如差分整合移動平均自回歸模型(ARIMA)，K 近鄰算法KNN)等，也有采用SWMM、EPANET等水文水力學(xué)模型及軟件，近年來，利用水力軟件對供水管網(wǎng)系統(tǒng)進(jìn)行水力動態(tài)工況模擬的微觀模型，是國際上研究的熱點問題，很多結(jié)果發(fā)表在控制領(lǐng)域重要的國際期刊上[3]，由于優(yōu)化帶來計算負(fù)荷的影響，借助于運(yùn)行水力仿真軟件EPANET獲取迭代過程中每一步操縱變量的數(shù)值，一種很可能的結(jié)果在下次更新之前找不到最優(yōu)的設(shè)置，因此這些水力仿真軟件應(yīng)用于大型供水管網(wǎng)中進(jìn)行實時、次優(yōu)控制是不現(xiàn)實的，而且這些方法都需要詳細(xì)的地理信息數(shù)據(jù)和水文氣象數(shù)據(jù)，僅僅依靠自身的規(guī)律難以反映管網(wǎng)的一些特性，且需要大量的參數(shù)率定和校準(zhǔn)工作，建模過程復(fù)雜。人工智能近年來得到了飛速發(fā)展和應(yīng)用[4]，引來各行各業(yè)投入研究。許多深度學(xué)習(xí)方法如 RNN、GRU、LSTM、CNN、GAN 等，在一些場景的供排水系統(tǒng)中水流量預(yù)測方面取得了較好的效果。Zhang等[5]研究發(fā)現(xiàn)，LSTM 模型能夠有效用于管網(wǎng)中的水流量預(yù)測；在其對溢流監(jiān)測的研究中，LSTM和GRU 在多步超前時間序列預(yù)測方面都顯示出了優(yōu)越的性能[6]；最近幾年，將深度學(xué)習(xí)中的LSTM、GAN、GRU、CNN等算法組合起來進(jìn)行預(yù)測的研究越來越多。研究表明[7]混合模型作為作為綜合能力比較輕的模型，比單一模型預(yù)測效果要更好，組合模型能發(fā)揮各部分優(yōu)勢，這樣的預(yù)測方法也會是將來提高預(yù)測精度的大勢所趨。相比較深度學(xué)習(xí)的方法與傳統(tǒng)方法，深度學(xué)習(xí)的方法也具有更好的預(yù)測性能。

本研究提出一種多模態(tài)深度學(xué)習(xí)方法對井下供水管網(wǎng)多種模態(tài)特征進(jìn)行表示，利用圖卷積網(wǎng)絡(luò)(GCN)[8]對井下供水管網(wǎng)的空間關(guān)系信息進(jìn)行提取，同時通過循環(huán)神經(jīng)網(wǎng)絡(luò)RNN)中的一個簡單而又強(qiáng)大的變體門控循環(huán)單元(GRU)對管網(wǎng)的時間依賴進(jìn)行建模，并將井下生產(chǎn)作業(yè)時刻表作為另一特征學(xué)習(xí)；最后采用融合機(jī)制將管網(wǎng)的歷史數(shù)據(jù)中的周期特性分別從時、天、周考慮，綜合得到管網(wǎng)未來時刻的狀態(tài)數(shù)據(jù)。本研究融合多模態(tài)特征，通過搭建合理的模型算法實現(xiàn)高精度的預(yù)測，為礦井井下供水管網(wǎng)系統(tǒng)集中調(diào)控減少復(fù)雜度，實現(xiàn)智能調(diào)控，為管網(wǎng)狀態(tài)評估及智能調(diào)控提供參考。

1 亭南煤礦井下供水管網(wǎng)概況

本課題實地考察以陜西亭南煤礦的井下供水管網(wǎng)為數(shù)據(jù)來源研究，該礦一季度井下主要供水管網(wǎng)簡化示意如圖1所示。

圖1 陜西亭南煤礦供水管網(wǎng)簡圖Fig.1 Schematic diagram of water supply network of Tingnan Coal Mine in Shaanxi Province

供水系統(tǒng)有兩路水源，一路來自地面礦井水處理站，另一路來自井下深度水處理。兩路水源均通過一條鋼管與井下消防灑水管網(wǎng)相連接，延伸到各采、掘工作面。礦井主要包含3406工作面回采、3407運(yùn)輸機(jī)頭硐室掘進(jìn)供水、3407運(yùn)輸機(jī)頭硐室掘進(jìn)、3407回風(fēng)巷里段正掘掘進(jìn)、3406底部泄水巷TBM掘進(jìn)、三盤區(qū)北翼輔運(yùn)巷掘進(jìn)工作面、西區(qū)1#回風(fēng)大巷TBM掘進(jìn)、西區(qū)2#回風(fēng)大巷反掘掘進(jìn)、西區(qū)運(yùn)輸大巷掘進(jìn)工作面、西區(qū)煤倉倉頂檢修通道掘進(jìn)共9處掘進(jìn)迎頭用水點。在深度水處理、環(huán)形車場、三盤區(qū)集

中輔運(yùn)巷、西區(qū)清水泵房、西區(qū)1#回風(fēng)大巷、西區(qū)2#回風(fēng)大巷等10處關(guān)鍵位置各安裝有1臺本安型流量傳感器，每隔5 min記錄一次流量數(shù)據(jù)。

本研究的數(shù)據(jù)集包括該礦三盤區(qū)供水范圍內(nèi)10個管道關(guān)鍵位置流量計的監(jiān)測數(shù)據(jù)以及地理空間信息，數(shù)據(jù)范圍從2022年1月1日到2023年1月1日，一年內(nèi)的數(shù)據(jù)按照1～3月、4～6月、7～9月、10～12月分為四個數(shù)據(jù)集，并將其按7∶2：1的比例分割為訓(xùn)練集、驗證集和測試集。經(jīng)過預(yù)實驗，將數(shù)據(jù)集的時間步長設(shè)置為5 min，歷史時間窗口設(shè)置為24 h，未來時間窗口為15 min。綜上，模型輸入10個流量監(jiān)測點過去24 h的監(jiān)測值，輸出各個監(jiān)測點未來15 min流量預(yù)測值。

現(xiàn)場收集的監(jiān)測數(shù)據(jù)最后形成的數(shù)據(jù)集是一個表格，其中行為傳感器ID，表示井下管網(wǎng)的不同點位，列為具體的采集時間，兩者相交的數(shù)值為流量數(shù)據(jù)，生成流量變化趨勢折線如圖2所示。本研究中，生成圖鄰接矩陣時考慮了各節(jié)點彼此之間的位置關(guān)系，并在構(gòu)建圖鄰接矩陣時令所有監(jiān)測點兩兩鄰接。

圖2 各節(jié)點水流量變化趨勢Fig.2 Variation trend of water flow at each node

2 供水管網(wǎng)水流量預(yù)測模型建立

模型主體由圖卷積網(wǎng)絡(luò)組成的空間模塊、門控遞歸單元和融合模塊三部分組成，如圖3所示。首先使用歷史n時間序列數(shù)據(jù)作為輸入，利用圖卷積神經(jīng)網(wǎng)絡(luò)捕獲供水管網(wǎng)空間拓?fù)浣Y(jié)構(gòu)信息，并通過加入一種采樣操作來聚合鄰居節(jié)點的特征信息，從而給不同的鄰居節(jié)點分配不同的學(xué)習(xí)權(quán)重，使模型更關(guān)注被采樣的節(jié)點，這樣就可以自適應(yīng)捕獲空間維度上節(jié)點之間的相關(guān)性，間接達(dá)到注意力機(jī)制的效果，獲得空間特征。接下來，將具有空間特征的時間序列輸入門控遞歸單元模型，并加入井下生產(chǎn)日程信息，通過單元間的信息傳遞獲得動態(tài)變化，捕捉時間依賴特征。最后，融合不同時間周期的流量特征，這樣得到多種模態(tài)特征的信息，最后通過全連通層得到結(jié)果。

圖3 MFANN模型結(jié)構(gòu)Fig.3 MFANN model structure diagram

2.1 空間特征提取

傳統(tǒng)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺和自然語言處理領(lǐng)域都取得了長足的進(jìn)步，但它們只能夠處理具有一定規(guī)則的數(shù)據(jù)，即歐式空間數(shù)據(jù)。供水管網(wǎng)網(wǎng)絡(luò)不是二維網(wǎng)格，而是非歐式空間圖的形式，這意味著CNN模型不能反映管道網(wǎng)絡(luò)復(fù)雜的拓?fù)浣Y(jié)構(gòu)，因此不能準(zhǔn)確地捕捉空間依賴關(guān)系。圖神經(jīng)網(wǎng)絡(luò)GNN是專門為圖信息數(shù)據(jù)提供處理服務(wù)的神經(jīng)網(wǎng)絡(luò)。它將圖形信息用節(jié)點和邊來表示，然后通過訓(xùn)練過程將節(jié)點之間的信息進(jìn)行傳遞訓(xùn)練以此來學(xué)習(xí)圖數(shù)據(jù)中各節(jié)點的依賴關(guān)系。

使用GCN對管網(wǎng)結(jié)構(gòu)進(jìn)行建模，從管路流量數(shù)據(jù)中學(xué)習(xí)空間特征。如圖4所示，引入一個無向圖G=(V，E，A)，其中，V是節(jié)點集，即傳感器節(jié)點集；E是邊集，表示網(wǎng)絡(luò)中各傳感器之間的管道連接性；A表示G的鄰接矩陣。就建立起一個圖結(jié)構(gòu)，圖神經(jīng)網(wǎng)絡(luò)不僅可以從節(jié)點屬性中學(xué)習(xí)，還可以從網(wǎng)絡(luò)拓?fù)渌淼墓?jié)點之間的連通性中學(xué)習(xí)，從而得到空間依賴關(guān)系。

圖4 供水管網(wǎng)的圖結(jié)構(gòu)Fig.4 Diagram structure of water supply network

鄰接矩陣，A∈R(N×N)，鄰接矩陣只包含0和1的元素。

特征矩陣X∈R(N×P)。管道上的水流量信息是網(wǎng)絡(luò)中節(jié)點的屬性特征，P代表節(jié)點屬性的數(shù)量特征(歷史時間序列的長度)，Xt∈R(N×i)用于表示每條管道的水流速度。同樣，節(jié)點屬性特性可以是任何管道信息，比如水流量、水流速、水壓力。

因此，供水管網(wǎng)的水流量預(yù)測問題可以認(rèn)為是在供水管網(wǎng)拓?fù)銰和特征矩陣X的前提下學(xué)習(xí)映射函數(shù)f，然后計算未來T時刻的水流量信息，如式(1)所示：

[Xt+1，…，Xt+T]=f(G；(Xt-n，…，Xt-1，Xt))

(1)

給定的鄰接矩陣A和特征矩陣X，GCN模型在傅里葉域中構(gòu)造一個過濾器。該濾波器作用于圖的節(jié)點上，通過它的一階鄰域捕獲節(jié)點之間的空間特征，然后通過疊加多個卷積層來構(gòu)建GCN模型，可以表示為：

本研究選擇2層GCN模型捕捉空間依賴關(guān)系，可以表示為：

在空間維度上，不同監(jiān)測點之間的水量情況相互影響，為了挖掘管道空間依賴關(guān)系的差異性，區(qū)分不同的相鄰傳感器節(jié)點隨時間推移對整個管網(wǎng)的重要性。本研究通過加入一種采樣操作來聚合鄰居節(jié)點的特征信息，為不同的鄰居節(jié)點分配不同的學(xué)習(xí)權(quán)重。使模型更關(guān)注被采樣的節(jié)點，從而自適應(yīng)捕獲空間維度上節(jié)點之間的相關(guān)性，間接達(dá)到注意力機(jī)制的效果。為避免過多參數(shù)的引入，本研究利用平均池化和最大池化相結(jié)合的操作，通過池化操作對鄰居節(jié)點進(jìn)行采樣，使模型更關(guān)注被采樣的節(jié)點，來達(dá)到為采樣的節(jié)點分配不同的權(quán)重的目的?？臻g注意模塊利用基于池化的采樣操作來學(xué)習(xí)傳感器在t時刻對其它流量傳感器貢獻(xiàn)的權(quán)重，即注意力權(quán)重為：

Satt=σ(f([A(φ[Xt，ht-1])，M(φ[Xt，ht-1])]))

(4)

式中，φ為映射函數(shù)；Xt為t時刻輸入的節(jié)點特征；f為全連接層，σ(·)為激活函數(shù)；A為平均池化；M為最大池化。

將空間注意機(jī)制應(yīng)用于t時刻的每個節(jié)點i=1，…N上，得到輸出的聚合特征為：

最后將圖卷積提取的空間特征和空間注意系數(shù)集成到時間捕獲模塊中，從而獲得管網(wǎng)的時空依賴性。

2.2 時間依賴捕獲

循環(huán)神經(jīng)網(wǎng)絡(luò)[10](RNN)可以有效處理時間序列數(shù)據(jù)，與前饋神經(jīng)網(wǎng)絡(luò)相比，其具有記憶力機(jī)制，但矩陣連續(xù)乘積可以導(dǎo)致梯度消失或梯度爆炸等問題，在學(xué)術(shù)界已經(jīng)提出了許多方法來解決這類問題，其中最先出現(xiàn)的方法是長短期記憶[11](LSTM)，門控循環(huán)單元[12](GRU)是后來提出的一個略簡化的變體，通常能夠提供同等的效果，并且計算的速度明顯更快。因此，選擇GRU模型獲取時間依賴性，其具體公式如下：

zt=σ(Wz·[ht-1，xt]+bz)

(6)

rt=σ(Wr·[ht-1，xt]+br)

(7)

圖5 GRU結(jié)構(gòu)示意圖Fig.5 GRU structure diagram

使用門控循環(huán)單元(GRU)對歷史數(shù)據(jù)進(jìn)行建模，將流量與生產(chǎn)日程表根據(jù)時間序列對數(shù)據(jù)進(jìn)行建模。GRU可以學(xué)習(xí)數(shù)據(jù)的時間相關(guān)性，從而預(yù)測未來的數(shù)據(jù)。

2.3 融合模塊

井下供水流量的大小受影響因素較多，如生產(chǎn)日程與開采作業(yè)規(guī)程，決定著生產(chǎn)工作面的工作與否，而工作面的用水量是井下主要用水用途，在時間依賴捕獲模塊中考慮到生產(chǎn)作業(yè)表將會有效提升流量的預(yù)測精度。另外，由于井下生產(chǎn)作業(yè)的周期性，導(dǎo)致水流量也會帶有一定的周期性，所以，分別考慮加入不同時間維度的流量數(shù)據(jù)共同作為預(yù)測的特征，由于井下生產(chǎn)作業(yè)一般為一天三班倒的生產(chǎn)作息，將班生產(chǎn)、日生產(chǎn)、周生產(chǎn)之間的相似性作為特征將有助于模型可以更好的學(xué)習(xí)，融合公式可以表示為：

Yp=Wr·Xr+Wd·Xd+Wω·Xω

(10)

3 實驗與分析

為了驗證融合圖神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)對流量預(yù)測的有效性，將該方法用于預(yù)測陜西停南煤礦井下供水管中進(jìn)行測試，以期驗證該算法在井下管網(wǎng)流量預(yù)測的有效性。本研究在預(yù)測準(zhǔn)確性的方向上與傳統(tǒng)的預(yù)測方法進(jìn)行了對比。

3.1 供水管網(wǎng)水流量預(yù)測模型評價指標(biāo)

本研究采用平均絕對誤差(MAE)、均方根誤差(RMSE)、 平均絕對百分比誤差(MAPE)作為模型性能評價指標(biāo)，計算公式為：

式中，Yr為真實值；Yp為預(yù)測值；N為樣本數(shù)量。

其中，平均絕對誤差反映了模型的誤差均值，均方根誤差反映了模型預(yù)測效果的穩(wěn)定性，取值范圍為 [0，+∞)，平均絕對百分比誤差反映模型的相對誤差情況，取值范圍為[0%，100%)。

3.2 供水管網(wǎng)水流量預(yù)測模型有效性探索

本研究為一個適用于井下供水管網(wǎng)水量預(yù)測的組合模型，并針對實際應(yīng)用做了一些改進(jìn)，為了驗證本文研究的方法中不同模塊的有效性，設(shè)計了兩個變體進(jìn)行消融實驗加以驗證：①None-A：表示沒有加入比重的采樣操作，即沒有注意力機(jī)制效果；②None-F：表示不考慮實際礦井生產(chǎn)日程與不同周期時序的流量特征，即沒有融合機(jī)制。

實驗結(jié)果如圖6所示，顯然，兩個變體誤差更大，表明模型的組件都是有效的。此外，沒有融合機(jī)制的模型表現(xiàn)最糟糕，表明本研究提出的融合模塊的重要性。

圖6 總體誤差Fig.6 Overall error

3.3 供水管網(wǎng)水流量預(yù)測模型的結(jié)果及分析

為了驗證本方法預(yù)測井下供水管網(wǎng)流量的有效性，實驗結(jié)果見表1，從中可知，在真實流量數(shù)據(jù)上，本研究方法各指標(biāo)均優(yōu)于傳統(tǒng)方法，而且相對于目前應(yīng)用效果較好的STGCN模型，在本次選取的數(shù)據(jù)集上，本文提出的融合多種特征的預(yù)測井下供水流量模型，即MAFNN模型MAE減少了1.74，RMSE減少了4.49，MAPE降低了3.65%，這說明本文的融合模型既能降低預(yù)測偏差，又能保持預(yù)測的平穩(wěn)性，證明了本文方法的有效性。

表1 不同模型實驗性能對比Table 1 Comparison of experimental performance of different models

表1顯示了本研究綜合模型網(wǎng)絡(luò)與其他基準(zhǔn)模型對管網(wǎng)水流量的預(yù)測情況。其中，融合網(wǎng)絡(luò)的預(yù)測結(jié)果比其它模型更加準(zhǔn)確，預(yù)測穩(wěn)定性也更高。這可能是由于模型學(xué)習(xí)了管網(wǎng)的拓?fù)浣Y(jié)構(gòu)，從而在預(yù)測流量時考慮了節(jié)點之間的相互影響，而且在綜合學(xué)習(xí)了空間和時間依賴的基礎(chǔ)上融合了煤礦生產(chǎn)作業(yè)規(guī)律以及工作周期的特征，綜合學(xué)習(xí)得出結(jié)果比單一的時間序列模型效果有明顯改良效果。

不同方法預(yù)測值與真實值的對比曲線如圖7所示。可以看出，本實驗網(wǎng)絡(luò)模型對管網(wǎng)水流量整體的預(yù)測效果良好，突變程度較少，且可以較好地捕捉需水量的變化趨勢。

圖7 不同模型預(yù)測值與真實值對比曲線Fig.7 Comparison curve between the predicted value and the real value of different models

4 結(jié) 語

本研究使用圖深度學(xué)習(xí)的方法捕捉了煤礦井下供水系統(tǒng)各監(jiān)測點短期水流量的空間-時間依賴關(guān)系，充分利用了監(jiān)測點的拓?fù)涮卣?，從而達(dá)到提升水流量預(yù)測準(zhǔn)確度的目的。與目前先進(jìn)的長短期記憶網(wǎng)絡(luò)、時空圖神經(jīng)網(wǎng)絡(luò)相比，本文的網(wǎng)絡(luò)利用圖卷積層學(xué)習(xí)節(jié)點之間的空間關(guān)系，從而使時間卷積模塊專注于提升時間序列預(yù)測效果，降低了時間序列預(yù)測模塊的訓(xùn)練復(fù)雜性。實驗結(jié)果表明，MFANN網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性整體優(yōu)于對比模型，與STGCN相比，MAE減少了1.74，RMSE減少了4.49，MAPE降低了3.65%，這可能是由于平均池化和最大池化相結(jié)合的采樣操作可以有效捕捉節(jié)點之間的相互關(guān)系，使模型更關(guān)注被采樣的節(jié)點從而減小預(yù)測偏差，而且本文加入的融合機(jī)制相當(dāng)于從多個維度給模型以更多的特征，充分挖掘管道網(wǎng)絡(luò)之間以及周期的相關(guān)性，從而使得預(yù)測結(jié)果相對更精確。井下的供水管網(wǎng)是一個具有圖結(jié)構(gòu)的實體應(yīng)用系統(tǒng)，是圖神經(jīng)網(wǎng)絡(luò)的良好應(yīng)用場景，通過充分利用數(shù)據(jù)的拓?fù)涮匦砸约叭诤蠄鼍疤赜械奶卣骺梢蕴嵘Ｐ托阅埽鯓油诰蚋嗟臐撛陉P(guān)系，將是提升預(yù)測精度的關(guān)鍵，也是下一步重點研究的問題。