基于Labview 和Matlab的改进神经网络煤与瓦斯突出预测系统＊

2014-04-20艾迪昊

中国煤炭 2014年7期

艾迪昊李聪荣涛李凯

（中国矿业大学（北京）资源与安全工程学院，北京市海淀区，100083）

随着我国煤矿开采深度和强度的不断增大，矿井瓦斯突出问题日益严重。矿井瓦斯突出是一个复杂的动力学过程，与其影响因素之间存在着复杂的非线性关系，在进行瓦斯突出分析时需要考虑多种因素的共同影响。人工神经网络（Artificial Neuron Network，ANN）是一种基于对人脑活动机制和组织结构的认识所提出的新型信息处理方法，对非线性函数具有很强逼近和映射能力，近年来被一些学者应用于解决具有高度非线性、复杂性以及模糊性的煤矿安全问题。但使用基本的神经网络算法的神经网络模型存在训练时间过长和学习过程中易发生振荡等缺点。利用Matlab的神经网络工具箱可以方便调用改进的神经网络算法，很好地对样本数据进行学习和拟合，进而对煤与瓦斯突出程度进行预测，但此过程需要在Matlab中进行复杂的操作并且需要操作人员有一定的神经网络知识，不太适合在煤矿现场中直接使用。Labview 是美国国家仪器NI公司推出的具有良好开放性的虚拟仪器开发平台，广泛应用于实际工程中的测试测量、数据采集以及控制仿真等领域。利用Labview 中的ActiveX 技术，可以方便地进行Labview 和Matlab的混合编程。本文利用Matlab提供的神经网络工具箱和Labview 图形化编程和数据采集能力，混合开发出基于改进神经网络的瓦斯突出程度预测系统。

1 Labview 和Matlab混合编程

Labview 是一种使用图形化编程语言的开发环境，其提供了各种在工业中使用的信息处理模块和完善的标准库函数，可以方便地使用图形化编程来构建自己的虚拟仪器系统，在硬件系统不变的情况下，通过改变软件就可以实现不同的仪器仪表的功能，特别是针对煤矿现场使用Labview 既可以实时对采集的大量数据进行保存又可以对保存数据进行不同的处理。但是，Labview 在处理复杂的算法时很难满足相应的要求，而Matlab具有强大数值计算能力、完备的工具箱以及复杂的算法函数。通过Labview 提供的与多种语言的外部接口和ActiveX 技术可以实现Labview 和Matlab 的混合编程。本文通过Mathscript节点实现在Labview 中调用Matlab神经网络工具箱，完成煤与瓦斯突出程度预测系统的设计。

2 人工神经网络

2.1 基本BP神经网络

图1 基本神经网络算法流程图

2.2 改进的神经网络

基本BP神经网络虽然可以使权值和阈值向量得到一个稳定的解，但是存在收敛速度慢、网络易陷于局部极小和学习过程常常发生振荡等缺点，特别是由于最速下降BP 算法的训练时间往往过长，造成不便在实际工程中应用。为了克服这些不足，出现了许多改进算法，如动量BP算法、学习速率可变的BP 算法、Fletcher-Reeves共轭梯度法和拟牛顿算法。其中共轭梯度法比绝大多数常规的梯度下降法收敛都要快，而且只需要增加很少的存储量及计算量，适合在实际中应用。

共轭梯度法的第一步是沿负梯度方向进行搜索，然后沿当前搜索方向的共轭方向进行搜索，确定最优迭代步长，最终使期望的输出误差达到训练要求。其过程描述如下：

第一次迭代的搜索方向确定为负梯度方向，即搜索方向S （X （0））=-▽f（X （0）），以后各次迭代的搜索方向由下式确定：

式中：X（k）——网络所有的权值和阈值组成的向量；

S （X（k））——由X 的各分量组成的向量空间中的搜索方向；

η（k）——S （X（k））方向使f （X （k+1））=min ｛f［X（k）+η（k）S （X（k））］｝达到极小的步长。

表3中的相对误差为正值表示相对于算法1的功耗计算结果，该算法的功耗计算结果将功耗“高估”，为负值则表示该算法的功耗计算结果将功耗“低估”.对实验所用的1000个MPRM电路做进一步分析，在这些MPRM电路中，算法3和ACE2.0的动态功耗计算结果和静态功耗计算结果既存在“低估”的情形，也存在“高估”的情形，算法4动态功耗计算结果的相对误差均为0，静态功耗计算结果均为“低估”.关于表3中的电路c8和m181，ACE2.0的平均动态功耗计算结果的相对误差为0，只是说明这两个电路，其100个MPRM电路动态功耗计算结果的“高估”部分和“低估”部分恰好相互抵消.

3 煤与瓦斯突出强度预测模型

3.1 输入层神经元的确定

煤与瓦斯突出是在多种不同因素的共同作用下产生的复杂动力现象，采用单一指标很难对其进行准确预测，必须考虑多种因素共同作用所产生的影响。

综合指标D、K 的值是由地应力、瓦斯和煤的物理力学性质共同决定的，它是判定煤层是否区域突出危险性的重要指标。当D、K 值同时达到或者超过其规定的临界指标时，表示该区域煤层具有突出危险性。其中：

式中：H——开采深度，m；

Δp——瓦斯放散初速度，mmHg；

f——煤的坚固性系数；

P——煤层瓦斯压力，MPa。

另外，矿井的地质构造会对煤与瓦斯的突出产生一定的影响。其中地质构造中的断层破坏了煤层的连续性，使煤层瓦斯逸散条件发生变化。张扭性断层有利于瓦斯的逸散，压扭性断层对瓦斯的逸散起阻挡作用，成为逸散屏障。

除了上述条件之外，在相同的条件之下，不同煤的破坏类型的孔隙结构存在一定差异，会导致不同煤的破坏类型吸附性能不同，吸附性能不同进而会导致瓦斯抽采能力不同。同时在瓦斯流动理论方程中，瓦斯含量系数是影响瓦斯抽放难易程度的一个重要指标，而煤层瓦斯含量是影响煤与瓦斯突出的关键因素。

根据上述分析，综合考虑神经网络的学习速度，选取对煤与瓦斯突出预测有重要影响的7个参数为神经网络的输入层，分别为瓦斯放散初速度、煤的破坏类型指标、煤层瓦斯压力、地质构造类型指标、煤的坚固性系数、煤层瓦斯含量以及煤层开采深度。

3.2 隐藏层和输出层的确定

Robert证明只要隐层节点数足够多，只含有一个隐层的神经网络模型就可以以任意的精度逼近一个非线性函数，因此本文中的模型选择采用一个隐藏层，隐藏层节点数根据经验公式选择为10个。

对于输出层，按照煤与瓦斯突出强度的大小将其编码为没有突出、小型突出、中型突出和大型突出四类，设置四类的期望输出值分别为（0，0，0，1）、（0，0，1，0）、（0，1，0，0）、（1，0，0，0）。

3.3 训练样本数据

选取国内典型突出矿井10组不同煤层7个参数的实测数据为神经网络模型学习的样本集进行训练，如表1所示。

表1 训练样本数据

综上所述，此神经网络模型由7个输入层神经元、10个隐层神经元和4 个输出层神经元构成，初始化设定学习速率为0.01，最大训练次数为1000次，训练要求精度为0.0001，模型的权值和阈值的初始值为随机赋值，传递函数分别选择tansig和purline，训练函数为triancgf。

4 Labview 中实现煤与瓦斯突出强度预测

4.1 瓦斯突出强度预测系统的建立

Labview 和Matlab 进行混合编程时，使用Labview 设计用户图形界面，负责数据的采集、输入、显示、保存和通信；Matlab在后台提供复杂算法供Labview 调用。本文利用MatlabScript 节点实现Matlab的调用。对MatlabScript节点的使用既可以将已经调试好的M 文件导入节点中去，也可以在程序框图中直接输入程序。

本文设计的瓦斯突出预测系统分为原始数据的采集和保存、改进神经网络的建立以及预测结果数据的保存三大部分。其中数据采集和保存部分主要是设置采集端口和文件保存的路径，神经网络的建立是整个系统的核心。在建立神经网络模型时首先考虑输入层和输出层数据类型和大小，通过定义矩阵的方式设置输入和输出的样本数据，接着在Labview 的前面板中添加神经网络仿真参数，通过定义输入数据来设置在仿真时的学习速率、期望误差等参数。之后在Labview 的程序框图中调用Mathscript脚本，在脚本框内输入神经网络仿真的Matlab程序代码，最后设置数据的输出和保存。

4.2 训练结果

通过Matlab神经网络工具箱，输入相应的训练样本数据，Matlab进行运算，当达到预先设定的精度要求时，自动停止运算，神经网络误差曲线如图2所示。图中x轴表示整个神经网络学习的次数，y轴表示整个神经网络预期的精度误差要求，随着学习次数的不断增大，精度误差逐渐减小。

可以看出此神经网络模型在训练次数达到50次时就可以达到训练要求的精度，当训练次数达到100次时网络收敛，克服了基本BP 神经网络收敛速度慢的缺点。

仿真输出数据如表2所示。由表2可以看出网络期望输出与学习结果的值之间的误差很小，最大的平均绝对误差值小于0.3%，表示此神经网络对样本数据进行了很好的学习，可以表示其输入和输出之间复杂的映射关系。

图2 神经网络误差曲线

4.3 预测结果检验

在神经网络达到预期的误差精度要求后，使用检验数据对此神经网络模型进行检验，通过输入2组实测数据，观察网络预测输出与实际值的差异，检验数据如表3所示。

预测结果如表4所示。从表4可以得出预测输出的结果与实际结果之间的平均绝对误差值小于5%，说明此系统可以很好地根据样本数据进行学习，可以对瓦斯突出程度进行有效地预测。

表2 仿真输出数据

表3 检验数据

表4 预测结果

5 结论

（1）通过Labview 和Matlab混合编程，实现了基于改进神经网络的瓦斯突出程度预测系统，相比于在Matlab中直接进行神经网络训练，既增加了数据的采集和仿真结果的保存功能，又简化了仿真过程，每次只需要输入训练样本和进行参数设置，就可以进行神经网络的仿真，使神经网络在实际的工程中有一定的应用价值。

（2）采用改进的FR 共轭梯度算法神经网络，有效避免了基本神经网络训练时间过长和学习过程中易发生振荡的缺点。

（3）将影响煤与瓦斯突出的因素进行综合考虑，避免了单一因素的片面性，通过实际结果与预测数据的比较，可以得出此神经网络模型对瓦斯突出程度预测准确度较高，基本可以反映煤与瓦斯突出程度与其影响因素之间的非线性关系。

（4）将Labview 完善的数据采集功能、友好的界面和Matlab强大的数值计算功能应用于煤矿现场应用软件系统的开发，为快速开发功能完善的智能化矿山系统提供了一条新的途径。

［1］王捷帆，李文俊 .中国煤矿事故暨专家点评集［M］.北京：煤炭工业出版社，2002

［2］尹光志，李铭辉等.基于改进神经网络的煤体瓦斯渗透率预测模型［J］.煤炭学报，2013（7）

［3］高洪涛，陈晓宁等.基于LabVIEW 与MATLAB平台的神经网络设计与应用研究［J］.自动化技术与应用，2012（2）

［4］焦川，李艾华 .基于ActiveX 技术下LabVIEW 与MATLAB 的通讯实现［J］.农业网络信息，2000（7）［5］史峰.Matlab 神经网络30 个案例分析［M］ .北京：北京航空航天大学出版社，2010

［6］田丽云，周利华.基于BP 神经网络的煤与瓦斯突出预测方法的研究［J］ .系统工程理论与实践，2005 （12）

［7］张德丰 .Matlab 神经网络应用设计［M］ .北京：机械工业出版社，2011

［8］任浩源.BP神经网络在煤与瓦斯突出危险性预测中的应用研究［D］.西安科技大学，2012

［9］吴观茂，黄明等.基于BP 神经网络的瓦斯含量预测［J］.煤田地质与勘探，2008 （1）

［10］周少华.焦作矿区不同破坏类型煤的瓦斯吸附特性研究［D］.河南理工大学，2011