付 华,王馨蕊,王志军,王雨虹,屠乃威,徐耀松

(1.辽宁工程技术大学电气与控制工程学院,辽宁 葫芦岛 125105;2.辽宁工程技术大学创新学院,辽宁 阜新 123000)



基于PCA和PSO-ELM的煤与瓦斯突出软测量研究*

付 华1*,王馨蕊1,王志军2,王雨虹1,屠乃威1,徐耀松1

(1.辽宁工程技术大学电气与控制工程学院,辽宁 葫芦岛 125105;2.辽宁工程技术大学创新学院,辽宁 阜新 123000)

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。

煤与瓦斯突出;软测量;主成分分析;粒子群优化算法;极端学习机

煤与瓦斯突出是发生在煤矿井下的特殊动力现象[1]。能在较短时间内向采场空间或巷道喷出大量的碎煤和瓦斯,可埋藏矿工,摧毁巷道设施,造成通风系统紊乱或瓦斯爆炸且容易造成地球气候变暖和对臭氧层的破坏[2-3]。长期以来,煤与瓦斯突出一直是威胁煤矿安全生产的主要危害之一[4]。因此,对煤与瓦斯突出事故进行及时、准确地预测是提高煤矿经济效益,保障矿井安全生产的关键。目前,数学方法在煤与瓦斯突出预测中的应用越来越受到重视[5]。该方法是把现代数值分析理论和计算机科学技术相结合,根据煤矿历史数据进行数学驱动建模。迄今为止,国内诸多专家学者运用数学方法对瓦斯突出进行预测,如文昌平,张子戊等人提出的模式识别模型[6-7],董春游等提出了G-K评价与粗糙集模型方法[8],王超等人提出了距离判别分析法[9],曲伟等人提出了神经网络预测方法[10],郭德勇提出了模糊数学综合评价和聚类方法的煤与瓦斯突出预测[11]。上述研究存在数据信息重叠,模型结构复杂,泛化能力较差及较慢的学习效率等不足。为此,本文提出一种基于主成分分析PCA(Pincipal Component Analysis)和粒子群-极端学习机的煤与瓦斯突出预测模型。采用PCA对煤与瓦斯突出的辅助变量进行降维处理,提取其特征信息,消除相量相关性并送入粒子群-极端学习机预测模型中,该模型充分利用粒子群PSO(Particle Swarm Optimization)优化极端学习机ELM(Extreme Learning Machine)的输入权值和隐层阈值,提高ELM模型的预测精度和预测效率,并利用现场实例验证了该模型的有效性。

1 煤与瓦斯突出软测量模型的辅助变量选取

1.1 煤与瓦斯突出的影响因素分析

煤与瓦斯突出是一种复杂的矿井动力现象,受多种因素影响,借鉴国内外相关研究,认为煤与瓦斯突出影响因素主要有以下7个。

①煤层瓦斯含量:煤层瓦斯含量受煤矿地质史、煤的变质程度、煤层埋藏深度以及地质条件等因素影响。主要与煤层瓦斯压力、水分、煤的吸附性、孔隙率、温度等因素有关。煤与瓦斯突出与煤层瓦斯含量有极好的相关性。通常情况下,煤层瓦斯含量越高,越容易发生煤与瓦斯突出事故。

②瓦斯涌出初速度:瓦斯涌出初速度反映了煤层的构造破坏程度,巷道影响带中的瓦斯涌出初速度在很大程度上取决于矿上岩体的应力状态和煤层的原始瓦斯含量。在钻孔的某一区段瓦斯涌出速度由增长或稳定变为降低15%以上时,由巷道工作面到钻孔该区段的距离作为泄压影响带的尺寸。因在上述瓦斯涌出初速度降低的区段,巷道对工作面附近煤层应力应变状态和瓦斯动力状态的影响表现的不严重,所以在该区段测定的瓦斯涌出速度绝对值反应了非卸压岩体的瓦斯动力状态,可以用来评价煤层突出的危险性。

③瓦斯放散速度:煤体的瓦斯放散速度ΔP与煤体表面放散瓦斯的微孔大小和瓦斯渗透流动的孔隙通道有关。当媒体空隙具有相同的大小时,ΔP越大,瓦斯含量越大。一般情况下,煤层瓦斯含量越高,ΔP越大;当媒体被破坏程度很大时,ΔP越大,越容易发生瓦斯突出。当ΔP>20时,可判定煤与瓦斯突出危险性。

④煤体瓦斯压力:煤体瓦斯压力与游离和吸附的瓦斯有关。煤层瓦斯压力是预测煤层瓦斯含量的前提。瓦斯压力特性可以反映煤与瓦斯突出发生及其危险程度。因此,煤体的瓦斯压力可以作为估计煤与瓦斯突出的一项重要指标。

⑤地应力:地应力在煤与瓦斯突出的准备和激发阶段起主导作用,较快的媒体破碎速度可以导致较高的瓦斯释放功率及剧烈的突出程度,反之亦然。

⑥地质构造:地质构造对煤与瓦斯突出影响巨大,高瓦斯煤矿及受局部集中影响的低瓦斯煤矿均易发生煤与瓦斯突出。

⑦煤层厚度:厚度越大的煤层越容易发生煤与瓦斯突出灾害。研究人员发现厚度分布不均匀且变化性大的煤层容易发生煤与瓦斯突出事故。

1.2 PCA算法原理

主成分分析法是多元统计学中的一种降维技术和特征提取方法[12-13]。这些主成分在保留原始变量绝大部分信息的同时减少了变量的维度,从而降低了问题的复杂性。其计算步骤如下:

步骤1对采集到的样本数据进行标准化处理。

(1)

其中,

步骤2计算相关系数矩阵

(2)

其中,

因R为实对称矩阵,故只需计算其上三角或下三角元素即可。

步骤3计算相关系数矩阵R的特征值(λ1,λ2,…,λn)以及相应的特征向量ai=(ai1,ai2,…,ain),i=1,2,…,n。即可得到一组主成分Fi为:

Fi=ai1X1+ai2X2+…+ainXn

(3)

(4)

若m个主元的累积贡献率超过一定的指定数值后,通常取80%～95%,则认为已求的主元个数可以充分综合原数据信息。

步骤5写出m个主成分表达式,将m个主成分代替原始变量进行后续分析。

1.3 煤与瓦斯突出辅助变量的选取

应用地质动力区划方法和趋势面方法,结合地表考察、地震分析、航卫片分析等手段,确定了矿区不同级别的活动断裂,取各点距活动断裂的距离为预测参数。确定以下9个变量作为辅助变量:最大主应力(x1,MPa)、瓦斯压力(x2,MPa)、瓦斯含量(x3,m3·t-1)、渗透率(x4,%)、距断裂距离(x5,m)、厚度(x6,m)、垂深(x7,m)、绝对瓦斯涌出量(x8,m3·d-1)以及相对瓦斯涌出量(x9,m3·t-1)等。突出强度(y,t)作为软测量建模输出。采用最大主应力作为预测参数,采用“岩体应力状态分析系统”计算煤层应力。岩体应力状态由不同级别断块所构成的矿区区域现代构造运动的格架反映。采用钻孔数据和现场测试获取某煤矿其余预测参数。将采集到的120组数据进行归一化处理后,输入统计软件SPSS18.0,进行主成分分析,并得到特征值大小及累计贡献率,如表1所示。由表1可知,当累计贡献率大于80%的情况下,可以得到3个主成分。第1主成分的贡献率达54.478%,包含瓦斯含量、垂深、绝对瓦斯涌出量和相对瓦斯涌出量3个影响因素。第2主成分累计贡献率达69.94%,包含最大主应力和瓦斯压力两个影响因素。第3主成分累计贡献率达83.674%,包含顶板岩性、距断裂距离和厚度3个影响因素,说明这3个主成分包含了9个变量的绝大部分信息。采用最小二乘法研究原始变量与主成分之间的关系即因子载荷矩阵,见表2。该表表示了原始变量与主成分之间的线性关系,将提取的这3个主成分作为下一步建立煤与瓦斯突出预测模型的输入参数。

表1 主成分及其贡献率

表2 主成分因子载荷矩阵

2 PSO-ELM预测模型

2.1 ELM算法原理

(5)

式中,k为训练样本的数量;win为输入节点和隐层节点的输入权值,ω为连接隐含层与输出层的输出权值;bi为第i个神经元的偏差即隐层阈值。将式(5)写成矩阵形式为HW=T,其中

(6)

式中:H为神经网络隐层输出矩阵;W为输出权值,且W=[ω1,ω2…ωL]T;T为输出向量,且T=[t1,t2,…,tk]T;由于多数情况下远大于L,则式(5)可得输出权值w=(HTH)-1HTT。因此,最终可得训练后的ELM时间序列预测模型

(7)

式中x为预测模型输入,t为预测模型输出。

2.2 PSO算法原理

粒子群算法是1995年由美国社会心理学家Kennedy和电气工程师Eberhart提出来的一种仿生优化算法[14-16]。起源于对鸟类捕食行为的研究,一群鸟在只有一块事物的某区域随机寻找,找到食物最行之有效的方法是搜寻离食物最近的鸟的周围区域并根据鸟本身的飞行经验判断食物的位置。搜索空间中的每只鸟都相当于PSO算法中每个寻优问题的解,相当于“粒子”。所谓的“粒子”有自己的位置和速度,决定了它们飞行的方向和距离。所有粒子都有一个自己的适应值,判断目前位置的好坏。在每次迭代的工程中,粒子通过个体极值Pbest(Personal best)和全局极值gbest(global best)这两个指标来更新自己。

粒子i的速度和位置更新方程如下:

(8)

(9)

2.3 PSO优化ELM具体步骤

针对极端学习机输入权值和隐层阈值随机确定这一不足,利用粒子群算法的全局搜索能力对极端学习机的初始输入权值和隐层阈值进行优化选取。其步骤如下:

步骤1粒子群初始化,选择合适的学习因子c1和c2,惯性权重ω,粒子维数D及最大迭代次数K和种群规模M。

步骤3得到最优适应度所对应的ω和bi,利用式(6)计算出输出权值矩阵H。

3 基于PCA和PSO-ELM在煤与瓦斯突出预测中的应用

步骤1对训练样本数据预处理包括进行误差处理和标准化处理,并对标准化后的数据进行主成分分析处理。

步骤2训练极端学习机网络,建立预测模型。将采集到的120组数据进行主成分分析,前117组作为训练样本,后3组作为检验样本。极端学习机学习性能的好坏取决于隐层节点数和激励函数的选取。图1给出了3种不同激励函数(sin函数,Sigmoidal函数,Radial basis函数)泛化性能的估计结果。由图可见Sigmoidal和Radial basis函数无论在数值上还是在变化趋势上都有很好的一致性,且3条曲线都在L=115时同时达到最优。在激励函数的选取上分别计算Sigmoidal和Radial basis函数的平均运行时间,从图2可以看出Sigmoidal函数表现出明显的计算速度优势。故在此训练网络选取Sigmoidal函数为激励函数,选取115为隐层节点数。

图1 不同激励函数模型泛化性能比较

图2 不同激励函数算法运行时间比较

步骤3PSO-ELM性能分析

为检验粒子群算法参数对PSO-ELM模型预测结果的影响,本文分别选取9组不同的粒子群参数,即当学习因子c1=c2=1.5时,迭代次数k分别为100、200、300;当c1=c2=2.0时,k分别为100、200、300;当c1=c2=2.5时,k分别为100、200、300。利用以上参数的粒子群对极端学习机的输入权值和隐含层阈值进行优化选取,最后建立的预测模型对后3组数据进行预测,预测结果如表3所示。

定义预测误差:

(10)

由表3中的结果可以看出,样本118～120的预测结果均正确反映的煤与瓦斯突出的实际等级,具有较好的精度。3个样本预测结果的极差分为0.030 4、0.039 3、0.038 0,分别为相应差别区间长度的12.1%、15.7%、15.2%;最小误差为16.43%,最大误差为50.32%。说明PSO-ELM模型的初始参数c1、c2、k对结果的影响不大,模型具有较好的稳定性能。

步骤4分别对基于BP、ELM和PSO-ELM的煤与瓦斯突出预测模型预测效果进行分析对比。

在BP预测模型中,设置输入层神经元个数为9,隐含层神经元个数为19,激励函数为Sigmoid。在ELM预测模型中,隐层节点数为115,激励函数为Sigmoid。

在PSO-ELM预测模型中,设置c1=c2=2.25,ω=0.7,k=1000,M=100。结果如表4所示。

表3 煤与瓦斯突出PSO-ELM预测结果

表4 煤与瓦斯突出预测结果

由上表得出,经PCA处理过得数据所花费的时间要明显优于未经PCA处理过的数据所花费的时间。虽其前期PCA处理浪费了一定的时间,但对数据进行了降维处理,为后期的计算节省了时间。但PSO-ELM所用时间明显多于ELM所用时间,PSO-ELM用时间换取了预测精度。而就BP算法与ELM算法而言,后者的运算速度明显高于前者。从预测误差上来看PSO-ELM的预测误差均小于0.1,明显低于ELM预测模型和BP预测模型。而经过PCA分析过得预测误差又低于未经过PCA分析过得预测误差。故表明,基于PCA和PSO-ELM的煤与瓦斯突出预测模型可以对煤与瓦斯突出预测进行快速有效的预测。

考察基于PCA和PSO-ELM的煤与瓦斯突出预测模型。设置最大训练次数为1 000,训练误差为0.000 1,学习率为0.1,并与未改进的极端学习机算法及BP算法收敛效果进行对比。由收敛效果图3可以看出,该优化算法具有很强的收敛能力,可以快速将训练误差降至允许误差范围的万分之一以下。

图3 收敛效果图

综上所述,经过粒子群算法优化的极端学习机模型可很好的提高预测的准确性和稳定性。

4 结论

通过分析现有煤与瓦斯突出发生的内在机理的复杂性及现有预测方法存在信息重叠,模型结构复杂,学习速度慢,泛化能力差等不足。提出了基于PCA和PSO-ELM相结合的煤与瓦斯突出预测模型。

(1)采用PCA对煤与瓦斯突出的影响相关数据进行处理,从而降低原始数据维数,简化模型结构,提高预测效率与准确率。

(2)ELM克服了原有神经网络算法泛化性能差且易陷入局部最小解,全局搜索能力差等缺点,与PSO结合后确定了隐层阈值和输入权值提高了学习效率。

(3)将基于PCA和PSO-ELM的煤与瓦斯突出预测模型应用于不同强度的煤与瓦斯突出预测中。用实例进行验证,结果表明该模型具有预测精度高,预测误差小,泛化能力强及模型结构简单等优点。

[1] 郭德勇,韩德馨. 煤与瓦斯突出粘滑机理研究[J]. 煤炭学报,2003,28(6):598-602.

[2]马雷舍夫. 煤与瓦斯突出预测方法和防止措施[M]. 北京:煤炭工业出版社,2003:7-12.

[3]张春华,刘泽功,刘健,等. 封闭型地质构造诱发煤与瓦斯突出的力学特性模拟试验[J]. 中国矿业大学学报,2013,42(4):554-559.

[4]袁瑞甫,李怀珍. 含瓦斯煤动态破坏模拟实验设备的研制与应用[J]. 煤炭学报,2013,38(S1):117-123.

[5]梁冰,秦冰,孙维吉,等. 智能加权灰靶决策模型在煤与瓦斯突出危险评价中的应用[J]. 煤炭学报,2013,38(9):1611-1615.

[6]文畅平. 隧道瓦斯突出危险性评价的属性识别模型与实例[J]. 煤炭学报,2011,36(8):1322-1328.

[7]张子戌,刘高峰,吕闰生,等. 基于模糊模式识别的煤与瓦斯突出区域预测[J]. 煤炭学报,2007,32(6):592-595.

[8]董春游,曹志国,商宇航,等. 基于G-K评价与粗糙集的煤与瓦斯突出分类分析[J]. 煤炭学报,2011,36(7):1156-1160.

[9]王超,宋大钊,杜学胜,等. 煤与瓦斯突出预测的距离判别分析法及应用[J]. 采矿与安全工程学报,2009,26(4):470-474.

[10]由伟,刘亚秀,李永,等. 用人工神经网络预测煤与瓦斯突出[J]. 煤炭学报,2007,32(3):285-287.

[11]郭德勇,郑茂杰,郭超,等. 煤与瓦斯突出预测可拓聚类方法及应用[J]. 煤炭学报,2009,34(6):783-787.

[12]Dhanjal C,Gunn S R,Shawe-Taylor J. Efficient Sparese Kernel Feature Extraction Based on Partial Least Squares[J]. IEEE Transactions on Pattern Analysis and Machine,2009,31(8):1347-1361.

[13]Huang G B,Wang D H,Lan Y. Extreme Learning Machines a Survey[J]. International Journal of Machine Leaning and Cybernetics,2011,2(2):107-122.

[14]Kennedy J,Eberhart R,Shi Y H. Swarm Intelligence[M]. San Francisco,Cal,USA:Morgan Kaufmann Publishers,2001:287-318.

[15]单亚锋,孙朋,徐耀松,等. 基于PSO-SVM的煤岩声发射源定位预测[J]. 传感技术学报,2013,26(3):402-406.

[16]孙艳梅,苗凤娟,陶佰睿. 基于PSO的BP神经网络在压力传感器温度补偿中的应用[J]. 传感技术学报,2014,27(3):342-346.

付华(1962-),女,辽宁阜新人,博士(后),教授,博士生导师。主要从事智能检测和数据融合等方面的研究。主持国家自然基金2项、主持及参与国家863和省部级项目30余项,发辫论文50余篇,申请专利24项,fxfuhua@163.com;

王馨蕊(1990-),女,辽宁阜新人,硕士研究生。主要研究方向智能检测与电力系统自动化,wangxrui@126.com。

ResearchontheSoftSensorofCoalandGasOutburstBasedonPCAandPSO-ELM*

FUHua1*,WANGXinrui1,WANGZhijun2,WANGYuhong1,TUNaiwei1,XUYaosong1

(1.School of Electrical and Control Engineering,Liaoning Technical University,Huludao Liaoning 125105,China;2.School of Innovation,Liaoning Technical University,Fuxin Liaoning 123000,China)

In order to solve the problems of low efficiency and accuracy of the coal and gas outburst prediction,in the paper,primary component analysis(PCA)combined with improved extreme learning machine(PSO-ELM)method for prediction of the coal and gas outburst is proposed. According to a coal mine geology dynamic division method,prominent influenced relevant data is acquired by the basic work of divisions of active faults and rock mass stress calculation. Through the primary component analyze method to reduce the dimension of the original data,eliminate the linear correlation volume. Using particle swarm optimization(PSO)to optimize the input weights and hidden layer threshold of extreme learning machine(ELM),establish PSO-ELM prediction model,treat the extractive principal components as the input of the prediction model,the outburst intensity of coal and gas as the model output. The results show that the method has high accuracy of the prediction,simplification of the model structure and strong generalization performance.

coal and gas outburst;soft-sensor;principle component analysis;particle swarm optimization;extreme learning machine

项目来源:国家自然科学基金项目(51274118,70971059);辽宁省科技攻关项目(2011229011);辽宁省教育厅基金项目(L2012119);辽宁工程技术大学研究生科研立项项目

2014-07-04修改日期:2014-10-07

TP39;TP183;TP212

:A

:1004-1699(2014)12-1710-06

10.3969/j.issn.1004-1699.2014.12.023