基于PSO-Adam-GRU的煤矿瓦斯浓度预测模型

马莉 潘少波 代新冠 宋爽 石新莉

摘 要：煤矿瓦斯浓度的精准预测是矿井瓦斯防治的关键。为了准确可靠地预测工作面瓦斯浓度，提出了一种基于门控循环单元方法的工作面瓦斯浓度预测模型。采用邻近均值法对数据缺失值和异常值进行补全，采用MinMaxScaler方法对实验数据进行归一化处理，为了提高模型精度和稳定性，采用粒子群算法和Adam算法对GRU超参数进行优化，从而构建了基于PSO-Adam-GRU的工作面瓦斯浓度预测模型。以崔家沟煤矿生产监测数据为样本数据进行模型训练，采用平均绝对误差、均方根误差、运行时间3种评价指标对预测模型性能进行评估，并将预测结果与BPNN和LSTM进行对比。结果表明：PSO-Adam-GRU较BPNN和LSTM具有更高的精度和稳定性，在预测过程中MAE可降低到0.058，RMSE可降低到0.005.结果表明，基于PSO-Adam-GRU的瓦斯浓度预测模型和参数优選方法可有效预测出瓦斯浓度，该模型在瓦斯浓度时间序列预测方面具有更高的准确性和鲁棒性，可为矿井瓦斯治理提供一定指导意见。

关键词：煤矿安全;瓦斯浓度预测;门控循环单元;粒子群算法

中图分类号：TD 713

文献标志码：A

文章编号：1672-9315（2020）02-0363-06

DOI：10.13800/j.cnki.xakjdxxb.2020.0224开放科学（资源服务）标识码（OSID）：

Gas concentration prediction model of working

face based on PSO-Adam-GRU

MA Li1，PAN Shao-bo 1，DAI Xin-guan1，SONG Shuang 2，SHI Xin-li 1

（1.College of Communication and InformationEngineering，Xian University of Science and Technology，Xian 710054，China;

2.College of Energy Science and Engineering，Xian University of Science and Technology，Xian 710054，China）Abstract：The accurate prediction of coal mine gas concentration is the key to mine gas prevention and control.Topredict the gas concentration of the working face

accurately and reliably，a gas concentration prediction model based on gate recurrent unit was proposed，the data missing value and outlier value were complemented by the neighboring mean method，and the experimental data was normalized by MinMaxScaler method.In order to improve the accuracy and stability of the model，the PSO and Adam algorithm are used to calculate the GRU hyperparameter Optimization，so as to construct a PSO-Adam-GRU gas concentration prediction model of working surface.

It takes Cuijiagou coal mine monitoring data as sample data for model training，and the performance of the prediction model was evaluated by the Mean Absolute Error，Root Mean Square Error and running time，Then the prediction results were compared with BPNN and LSTM methods.The experimental results show that GRU has higher precision and stability than BPNN and LSTM method，the MAE can be reduced to 0.058 during the prediction process，and the RMSE can be reduced to 0.005.The results indicate that the gas concentration prediction model and parameter optimization method based on PSO-Adam-GRU can effectively predict the gas concentration，the model has higher accuracy and robustness in gas concentration time series prediction，which can be provide some guidance for gas control in mine.

Key words：coal mine safety;gas concentration prediction;GRU;PSO

0 引 言

瓦斯浓度预测对煤矿安全生产管理有重要意义，而瓦斯浓度变化与煤矿井下温度、风流等多种因素相关，变化趋势较复杂，很难通过线性关系对瓦斯变化趋势进行描述和预测。而瓦斯浓度数据作为一种流数据，在时间上具有天然的连续性，可以理解为这种数据在前后时间序列上具有较强的相关性和因果性。因此，通过门控循环单元对基于时间序列的瓦斯数据变化趋势进行预测分析，实现瓦斯浓度内在关联关系的自动挖掘，通过对模型参数的不断调试，实现煤矿瓦斯浓度的高精度预测，为煤矿安全管理提供一定的决策依据。

针对瓦斯浓度预测问题，国内外专家做了大量的研究工作，其中付华、钱建生、郭瑞围绕支持向量机（SVM）构建了瓦斯预测模型[1-3];刘奕君、姜雷采用神经网络进行了瓦斯浓度预测的研究[4-5];此外一些专家采用马尔科夫模型[6]、多元分布滞后模型[7]、插值梯形模糊信息粒化等方法进行瓦斯浓度的预测[8]。以上的瓦斯浓度预测方法在瓦斯浓度预测的准确性和可靠性上都有很大的提高，但是研究数据样本偏小、时间跨度短，在其他场景应用上具有一定的局限性，难以适应变化趋势复杂的瓦斯浓度序列。

近年来，随着大数据和人工智能的发展，门控循环单元（Gated Recurrent Unit，GRU）在人体运动预测[9-10]、能源预测[11-12]、智能制造[13]、交通管理[14]等方面都取得了很好的应用。GRU是一种特殊的递归神经网络，其最大的特点在于上一次迭代的输出结果与下一次处理之后的输出结果密切相关，因此GRU适用于处理在时间上连续且相互影响的数据。针对传统技术所存在的问题和瓦斯浓度时间序列的特点，结合GRU处理时间序列数据的优越性，实现基于GRU的递归神经网络瓦斯浓度预测模型，根据瓦斯浓度的时空相关性实现时间序列缩放处理，利用实測监控数据完成模型的验证和分析，同时能根据预测精度进行自适应更新，使得瓦斯浓度预测在保证精度和时效性的前提下获得更好的实用性和扩展性。

1 理论与建模

1.1 门控循环单元

GRU是LSTM的优秀变体，由更新门和重置门2部分组成，较LSTM含有更少的参数，因此更易于训练和缓解过拟合问题。其结构单元如图1所示。

GRU结构单元的运行原理公式如式（1）～（4）所示。

1）更新门：确定上一隐藏层状态中记忆信息。

2）重置门：确定上一时刻隐藏层中遗忘信息。

3）确定当前记忆内容

4）确定当前时刻隐藏层保留的信息

式中 W和U为权重;t和t-1为时刻;σ为Sigmoid函数;h为隐藏层状态;x为输入信息，[·]j为向量的第j个元素。

1.2 粒子群优化算法

网格搜索法（Grid Search）[15-16]是一种指定参数穷举搜索的方法，是将估计的参数通过交叉验证的方法进行优化，以此得到最优参数的学习算法。即将各个参数的可能值进行自由排列组合，列举出所有可能的组合结果生成“网格”。网格的数量决定了模型的计算精度和运算成本，通常网格越密集精准度越高，运行成本越高 。但是当搜索参数设定的区间足够大时，且搜索步长足够小时，则需要较大的代价去寻找最优解。因此本论文采用粒子群优化算法（PSO）[17]，它是先确定一个小范围的“优质”参数搜索区间，然后在此区间中再进行小步长的精准搜索，从而降低运行成本，提高模型精准率。其运行原理如图2所示。

1.3 工作面瓦斯浓度预测模型构建

根据Adam[18]原理和PSO优化算法，采用PSO-Adam优化算法优化GRU参数建立工作面瓦斯浓度预测模型的流程如图3所示。基于PSO-Adam-GRU工作面瓦斯浓度预测模型可分为3个步骤：输入层的数据处理、隐藏层的PSO-Adam优化训练和输出层的数据预测。其中隐藏层的PSO-Adam训练过程包括PSO全局优化和Adam局部优化，在全局优化阶段，采用PSO将训练初始点优化到全局最优解的邻域，以此降低运行成本和提高精准度;在局部优化阶段则采用Adam，从而使训练能够自适应的计算每个参数的学习效率，降低参数选取对模型精度的影响。

2 数据预处理

为保证模型的可靠性与实用性，选取崔家沟矿工作面2018年7月1至2018年11月2日10 000条生产监控数据为研究基础。该数据包括10个变量：抽采浓度、混合流量、累计抽采日流量、纯流量、上隅角瓦斯浓度、回风流瓦斯浓度、工作面风量、温度、抽采负压、工作面瓦斯浓度。首先，对原始数据进行清洗，采用邻近均值法对数据缺失值和异常值进行补全。其次，对数据进行划分，将数据以7∶3划分为训练集和测试集，其中训练集用于模型训练，测试集用于检验模型学习效果。最后，针对数据中包含不同量纲的特征值和目标特征值变化较小的特点，采用MinMaxScaler方法对数据进行归一化处理，将数据缩放到[0，1]，以此提高数据的运行效率和预测的精度。原始数据和处理后的数据如图4和图5所示，MinMaxS-caler运行原理如式（5）～（6）所示。

式中 Xstd为将X归一化到[0，1]之间;

XMin为列最小值;

Max，Min为MinMaxScaler最终结果大小范围。

3 结果与分析

3.1 评价指标

为保证模型预测的性能，在相同实验样本的前提下利用PSO-Adam-GRU，BP[19] 和LSTM[20]对工作面瓦斯浓度进行模型训练和分析。同时采用平均绝对误差（MAE）、均方根误差（RMSE）、运行时间3种评价指标对预测模型性能进行评估。其运行公式如式（7）～（8）所示。

式中 fi为瓦斯浓度预测值;yi为瓦斯浓度真实值。

3.2 模型对比分析

根据PSO-Adam-GRU模型算法设计，PSO对GRU的寻优结果为batch=20，神经元数量=128，learning_rating=0.01，Dropout=0.1，采用两层的隐藏层结构。此外，采用相同参数下的LSTM网络，两层隐藏层结构的BP网络分别建立工作面瓦斯浓度预测模型。本实验搭建环境：CPU（i7-8700），显卡（七彩虹-2080），内存（32 G）。采用Keras[21]深度学习框架进行开发。

上述3种模型的测试结果性能对比如图6和图7所示。从图6可以看出，GRU在测试平均绝对误差和均方根误差上都优于BP和LSTM预测模型，同时GRU的测试误差分别集中在0.06～0.08和0.005～0.010，误差离散更少、范围更小，具有更高的稳定性。从图7可以看出，GRU的误差曲线收敛速度更快，同时可收敛到更优的梯度解。表1为3种预测模型详细的性能对比，由表1可得，GRU所消耗的运行成本更低为112 s，平均绝对误差可降低到0.058，均方根误差可降低到0.005，具有更高的精度。其原因为：GRU中含有更新门和重置门，较传统的BP网络更适合处理关联性较强的瓦斯浓度时间序列;此外相比于LSTM预测模型，GRU含有更少的参数，在降低运行成本的同时，降低了过拟合问题的可能性。

4 结 论

1）采用PSO-Adam算法优化GRU模型参数，以煤矿生产监控数据为基础建立瓦斯浓度预测的PSO-Adam-GRU模型，并与传统的BP模型、LSTM模型进行对比分析。

2）采用MinMaxScaler方法对实验数据进行处理，消除不同特征之间不同量级之间的影响，可有效的提高数据质量、提高模型收敛速度。

3）PSO-Adam-GRU预测模型相比LSTM和BP网络具有更高的预测精度和稳定性，更适用于工作面瓦斯浓度时间序列的预测。

参考文献（References）：

[1] 付 华，代 巍.基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法[J].传感技术学报，2016，29（6）：903-908.

FU Hua，DAI Wei.A dynamic prediction method of gas concentration in PSR-MK-LSSVM based on ACPSO[J].Journal of Transduction Technology，2016，29（6）：903-908.

[2]钱建生.深度学习耦合粒子群优化SVM的瓦斯浓度预测[J].煤矿安全，2016，47（11）：173-176.

QIAN Jian-sheng.Gas concentration prediction of deep learning coupled particle swarm optimization SVM[J].Safety in Coal Mines，2016，47（11）：173-176.

[3]郭 瑞，徐广璐.基于信息融合与GA-SVM的煤矿瓦斯浓度多传感器预测模型研究[J].中国安全科学学报，2013，23（9）：33-38.

GUO Rui，XU Guang-lu.Research on multi-sensor prediction model of coal mine gas concentration based on information fusion and GA-SVM[J].Chinese Journal of Safety Science，2013，23（9）：33-38.

[4]

刘奕君，赵 强，郝文利.基于遗传算法优化BP神经网络的瓦斯浓度预测研究[J].矿业安全与环保，2015，42（2）：56-60.

LIU Yi-jun，ZHAO Qiang，HAO Wen-li.Study on gas concentration prediction based on genetic algorithm optimized BP neural network[J].Mining Safety & Environmental Protection，2015，42（2）：56-60.

[5]姜 雷.基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真[J].矿业安全与环保，2010，37（4）：37-39.

JIANG Lei.Construction and simulation of coal mine gas concentration prediction model based on BP neural network[J].Mining Safety & Environmental Protection，2010，37（4）：37-39.

[6]韩婷婷，吴世跃，王鹏军.基于马尔科夫残差修正的瓦斯浓度预测[J].工矿自动化，2014，40（3）：28-31.

HAN Ting-ting，WU Shi-yue，WANG Peng-jun.Prediction of gas concentration based on markov residual correction[J].Industrial and Mining Automation，2014，40（3）：28-31.

[7]楊 丽，刘 晖，毛善君，等.基于多元分布滞后模型的瓦斯浓度动态预测[J].中国矿业大学学报，2016，45（3）：455-461.

YANG Li，LIU Hui，MAO Shan-jun，et al.Dynamic prediction of gas concentration based on multivariate distributed lag model[J].Journal of China University of Mining & Technology，2016，45（3）：455-461.

[8]

吳兆法，吴 响，钱建生.基于插值梯形模糊信息粒化的瓦斯浓度趋势预测[J].工矿自动化，2014，40（12）：31-36.

WU Zhao-fa，WU Xiang，QIAN Jian-sheng.Trend prediction of gas concentration based on interpolation trapezoidal fuzzy information granulation[J].Industrial Automation，2014，40（12）：31-36.

[9]桑海峰，陈紫珍.基于双向门控循环单元3D人体运动预测[J].电子与信息学报，2019，41（9）：2256-2263.

SANG Hai-feng，CHEN Zi-zhen.3D Human motion prediction based on two-way gated cyclic unit[J].Journal of Electronics & Information Technology，2019，41（9）：2256-2263.

[10]桑海峰，陈紫珍，何大阔.基于双向GRU和注意力机制模型的人体动作预测[J].计算机辅助设计与图形学学报，2019，31（7）：1166-1174.

SANG Hai-feng，CHEN Zi-zhen，HE Da-kuo.Human motion prediction based on two-way GRU and attention mechanism model[J].Journal of Computer-Aided Design & Computer Graphics，2019，31（7）：1166-1174.

[11]王增平，赵 兵.基于GRU-NN模型短期负荷预测方法[J].电力系统自动化，2019，43（5）：53-62.

WANG Zeng-ping，ZHAO Bing.Short term load forecasting method based on GRU-NN model[J].Automation of Electric Power Systems，2019，43（5）：53-62.

[12]

牛哲文，余泽远，李 波，等.基于深度门控循环单元神经网络的短期风功率预测模型[J].电力自动化设备，2018，38（5）：36-42.

NIU Zhe-wen，YU Ze-yuan，LI Bo，et al.A short-term wind power prediction model based on neural network with deep gated loop unit[J].Electric Power Automation Equipment，2018，38（5）：36-42.

[13]WANG Jin-jiang，YAN Jian-xing，

CHEN，et al.Deep heterogeneous GRU model for predictive analytics in smart manufacturing：Application to tool wear prediction[J].Computers in Industry，2019，111：1-14.

[14]Bert Dijk，Bruno F Santos，Joao P Pita.The recoverable robust stand allocation problem：a GRU airport case study[J].OR Spectrum，2019，41（3）：615-639.

[15]Mehdi Poorabdollah，Arezoo Kamran.Optimising cure cycle of unsaturated polyester nanocomposites using directed grid search method[J].Polymers & AMP，Polymer Composites，2019，27（5）：253-261.

[16]Hatem A，Fayed，Amir F Atiya.Speed up grid-search for parameter selection of support vector machines[J].Applied Soft Computing Journal，2019，80：202-210.

[17]

Boukhalfa Ghoulemallah，Belkacem Sebti，Chikhi Abdesselem，et al.Application of fuzzy PID controller based on genetic algorithm and particle swarm optimization in direct torque control of double star induction motor[J].Journal of Central South University，2019，26（7）：1886-1896.

[18]

CHANG Zi-han，ZHANG Yang，CHEN Wen-bo.Electricity price prediction based on hybrid model of adam optimized LSTM neural network and wavelet transform[J].Energy，2019：1-12.

[19]

WANG Liang，WANG Guang-wei，NING Xiao-jun，et al.Application of BP neural network to the prediction of coal ash melting characteristic temperature[J].Fuel，2020：1-8.

[20]

GENG Zhi-qiang，CHEN Guo-fei，HAN Yong-ming，et al.Semantic relation extraction using sequential and tree-structured LSTM with attention[J].Information Sciences，2020，509：182-192.

[21]

Fan H B，Liu W F，Wu J P et al.E

cosystem carbon pools in mixed stands of hardwood species and masson pine/Takungan karbon ekosistem dirian campur spesies kayu keras dan pain Masson[J].Journal of Tropical Forest Science，2013，25（2）：154-165.