基于模糊神经网络的瓦斯安全状况预测模型

基于模糊神经网络的瓦斯安全状况预测模型摘要：从影响煤矿瓦斯安全因素的非线性特征出发，将模糊系统和人工神经网络有机结合，建立基于模糊神经网络的瓦斯安全状况预测模型。文章分析了模糊神经网络的结构、模糊神经元及其学习算法，介绍了煤矿瓦斯安全决策的模糊神经网络设计，依据实验分析，最终证明：该预测模型精确度很高，可以为瓦斯安全管理提供理论指导和辅助决策依据。关键字：瓦斯安全；模糊神经网络；神经元PredictionmodelofgassecuritybasedonfuzzyneuralnetworkWEIYong-qiang1,ZHENXuan1,WEILi-na1,WANGMing1,ZHUWei1,CHENBin-bin1(1.SchoolofResourceandSafetyEngineering,ChinaUniversityofMiningandTechnology,Beijing100083,China;2.CollegeofChemistryandEnvironmentalScience,HenanNormalUniversity,Xinxiang,453007,China)Abstract:Fromthefactors’non-linearcharacteristicsofaffectingcoalminegassafety,wecombinethefuzzysystemandartificialneuralnetwork,toestablishgassecuritysituationpredictionmodelsbasedonfuzzyneuralnetwork.Thispaperanalyzesthestructureoffuzzyneuralnetworks,fuzzyneuronanditslearningalgorithm,thenintroducedthefuzzyneuralnetworkdesignofcoalminegassafetyindecision-making,andfinallyapplicationexample.Experimentalresultsshowthat:Theforecastingmodelshavehighaccuracy,itcanprovideoreticalguidanceandsupportdecision-makingbasisforgassafetymanagement.Keywords:gas;fuzzyneuralnetwork;neuron;safety我国是世界产煤大国，同时也是煤矿安全形势最为严峻的国家之一，其中瓦斯作用下的灾害事故频发，后果最为严重。据统计，2000年至今，全国煤矿发生一次死亡百人以上事故9起，死亡1319人，其中7起是瓦斯事故，死亡1027人。一次死亡百人以上特别重大瓦斯事故和死亡人数约占全国煤矿百人以上重特大事故的77.78%和77.86%[1]。因此，瓦斯安全问题，已成为行业发展的关键并已引起党和政府的高度重视。影响煤矿瓦斯安全状态的因素具有随机性、模糊性和不确定性等非线性特征，因此瓦斯状态不会按照某一特定规律变化，而神经网络、模糊系统等方法的优势就是进行非线性处理。模糊神经网络（FuzzyNeuralNetwork,FNN）就是将模糊系统和人工神经网络有机结合起来，发挥各自优势，提高整个系统的学习和表达能力；将具有逻辑推理能力的模糊技术引入到神经网络中，可以拓宽神经网络处理信息的范围与能力，使其处理模糊信息等不精确信息。随着煤矿开采深度的不断增加，井下环境安全事故的危险性也日益增大。通过融合煤矿监控系统采集的各种监测参数，对井下瓦斯安全状态进行预测和判断成为当前煤矿安全领域研究的一个热门课题。本文利用模糊神经网络技术对井下瓦斯的安全状态进行融合识别，以提高安全决策分析的准确度。1模糊神经网络1.1模糊神经网络的结构模糊神经网络是指将模糊化概念和模糊推理引入神经元的神经网络，又指基于神经网络的模糊系统。前者将模糊成分引入了神经网络，提高原有网络的可解释性与灵活性，它同时分为两个形式：引入模糊运算的神经网络和用模糊逻辑增强网络功能的神经网络。模糊神经网络中全部或部分神经元采用模糊神经元，基本的模糊神经元包括：模糊化神经元、模糊逻辑神经元和去模糊化神经元。图1为模糊神经网络的一般组织结构，模糊神经网络的具体结构则因模糊系统的具体描述方式、网络学习算法和节点函数选取的不同而各异。模糊神经网络有很多种类型，和一般神经网络类似，一般分为前向模糊神经网络和反馈模糊神经网络。对于模糊神经网络而言，模糊神经元模型和模糊神经网络学习算法是模糊神经网络开发的两个关键的技术。1.2模糊神经元[2]基本的模糊神经元包括：模糊化神经元、模糊逻辑神经元和去模糊化神经元。1）模糊化神经元模糊化神经元是一种可将输入值定量化或标准化的神经元。它接受离散或连续的、确定的或模糊的单元输入，而输出则为由系统模糊变量基本状态隶属函数确定的标准化值。一般选用单输入单输出的形式，其输入/输出关系为：)(kkxf（1）式中，k为模糊化神经元的输出；kx为神经元的输入；)(f是模糊化函数，通常取分段函数。2）模糊逻辑神经元模糊逻辑神经元是一类多输入单输出类型的神经元，其输入/输出关系为),,,;,,,(2121kmkkmkkxxxIu（2）)(kkkbuf（3）式中，1x,2x,…,mx为神经元的m个输入，其取值区间为[0,1]；1k,2k,…,km是神经元的连接权值，其取值区间为[0,1]；)(f是输出函数，常取单调升函数；kI是模糊逻辑函数，可根据需要确定；kb为神经元的阈值，γkj为神经元输出，取值为[0,1]。3）去模糊神经元去模糊神经元是一类将以“分布值”表示的输出结果以“确定值”的形式输出的信息处理单元。去模糊化神经元所表达的输入/输出关系为),,,(21mxxxf，式中)(f是去模糊函数。（4）1.3模糊神经网络学习算法1）标准化样本数据假设有m个样本数据，每一个样本包含n个样本指标，利用ijx表示第i个样本的第j个指标。分别用jx和js表示样本矩阵中第j指标列的平均值及标准差。首先对原始样本数据进确定性输入模糊化运算模糊推理清晰化运算确定性输出图1模糊神经网络的逻辑结构行标准化处理，可得jjijijsxxx'（i1,2,…,m;j1,2,…,n）（5）ij'x是标准化后的标本数据。然后使用极值标准化公式将标准化后的数据转化到0到1区间内，即minmaxmin''''ˆjjjijijxxxxx（i1,2,…,m;j1,2,…,n）（6）其中，jmin'x为第j个指标列（1j'x,2j'x,…,mj'x）中的最小值，jmax'x为第j个指标列中的最大值，ijxˆ为极值标准化后的指标。2）对于隐含层（模糊化层、模糊推理层和去模糊化层）数据，利用统计的方法进行标准化处理，得到模糊隶属度函数，完成模糊化处理，使其特征值映射到[0,1]区间上[3]。隶属度函数为：)(1111wcuwgeS，)()(23121111wcuwgwcuwgeeM，)(2411wcuwgeB（7）其中，S、M、B分别表示输入样本属性的隶属度值；参数wg表示控制3个隶属度函数交点处斜率参数；参数wc表示隶属度函数交点。3）网络训练模糊神经网络的误差函数定义为piipijjijpiipipijjijyyyyErr12,12121,12)1(21)1(2121（8）利用梯度优化法，可以得到权值修正公式ipijijtoldijnewijyya1（9）式中，]/1[max0ttaat，表示学习系数，其中0a是原始学习系数，t是学习次数，maxt是最大学习次数；iy表示第i个神经元的输出。综上所述，模糊神经网络的训练、学习过程如下：①对给定的样本数据X{1x,2x,…,mx}，利用式（6）进行标准化处理；②设定误差常数以及原始学习系数0a；③利用式（8）对隐含层数据进行模糊化处理，计算网络的总体误差ERR；④判断ERR是否小于，是则转入步骤⑥；否则转入步骤⑤；⑤利用式（9）调节权值，然后跳转到步骤③；⑥模糊神经网络学习完毕。2煤矿瓦斯安全决策的模糊神经网络设计模糊神经网络有多种类型，由于用于瓦斯安全预测的模糊神经网络目的在于寻找各种影响因素和瓦斯安全状态之间的相关规律，以实现预测，因此本文选用前向模糊神经网络。通常一个前向模糊神经网络由输入层、模糊化层、模糊推理层、去模糊化层和输出层5层组成，其拓扑结构如图2所示。1）输入层输入层的作用是将输入值传送给模糊化层中的模糊单元，将输入值转换为一定的模糊21mnn1n11mm11x1xn输入层模糊化层模糊推理层去模糊化层输出层图2模糊神经网络的拓扑结构………………12my1yr度。输入层由多个节点组成，其在此模型中输入节点对应影响井下瓦斯安全状态的因素，如瓦斯浓度（1x）、CO浓度（2x）、温度（3x）、风速（4x）、粉尘（5x）等。2）模糊化层模糊化层是对模糊信息进行预处理的网层，它提供可供概括化的相互连接与处理。这里选用三角形函数作为模糊化函数，其表征的输入输出模糊关系为)(iixfy[4]。如对井下瓦斯浓度压力而言，指标划分为5个等级，即0.4)(10.60.4)(20.80.6)(31.00.8)(40.1)(5iiiiiixxxxxy安全较安全一般安全较危险危险类似地，可以将其它指标进行划分，划分结果见表1。3）模糊推理层模糊推理层是前向型模糊神经网络的核心，联系着模糊推理的前提和绪论，该层节点个数的设定可以参考近似计算公式（mnu，u为中间层节点数，m为输入层节点数，n为输出层节点数），在此后的训练中根据收敛情况动态地增删节点[5]。4）去模糊化层去模糊化层接收经中间层处理的数据，并按照模糊度函数将这些数据进行非模糊化处理，将推理绪论变量的分布型基本模糊状态转化成与网络输入值相应的确定性状态的量，即将以“分布值”表示的输出结果以“确定性值”的形式输出。5）输出层根据煤矿井下瓦斯安全状态的分级标准，把瓦斯安全状态分为五级，分别为安全、较安全、一般安全、危险、较危险。即输出层由5个节点组成，其作用是给出确定的5个状态结果，表示瓦斯安全5个等级的可能性，从而实现瓦斯状态的危险性决策分析。3煤矿瓦斯安全决策模型的应用利用本文提出的模糊神经网络方法对阳煤集团三矿8404采煤工作面进行瓦斯安全状态决策分析。根据8404采煤工作面的具体实际情况，利用该工作面历史及邻近工作面的安全资料进行相关分析，最终选取瓦斯浓度、温度、风速、CO浓度和粉尘5个参数作为网络的输入神经元，选择20组具有典型特点的邻近工作面环境参数作为样本数据。瓦斯浓度/%温度/℃风速/m·s-1CO浓度/ppm粉尘/mg·m3安全等级0.414~203.0~4.062安全0.4~0.620~241.5~3.06~122~5较安全0.6~0.824~281.0~1.512~185~8一般安全0.8~1.028~300.3~1.018~248~10较危险1.0300.32410危险表1瓦斯灾害影响因素指标划分使用Matlab进行仿真计算，经过学习，训练结果如图3所示。当训练次数为2244次时，训练目标误差达到精度0.001的要求。从训练样本中随机选择4组数据和待测8404工作面数据作为测试样本。将测试样本的评价指标输入训练好的模糊神经网络，输出结果见表2。从表中可以看出，4组样本数据的融合结果分别为安全、较安全、一般安全和危险。从输出值来看，8404采煤工作面的安全状态评价结果为偏向安全的较安全状态，这与煤矿安全现状综合评价报告得出的评价结果一致。本模型曾经上千组数据验证，由于篇幅有限，其它实验数据的验证，就不再一一赘述。4结论本模型将模糊系统和人工