基于BP神经网络的矿井通风系统可靠性预测系统
2022-01-13赵斌
赵 斌
(山西霍宝干河煤矿有限公司， 山西 洪洞 041600)
煤矿井下通风系统是煤矿安全生产的重要部分,也是构成煤矿生产管理系统的关键系统，矿井运行通风状态的稳定性与矿井安全正常运行有着密不可分的联系。目前通风系统存在系统布置不符合实际应用情况、系统设备老化、故障频发、监控不到位、反馈延时长等问题，导致瓦斯浓度超高时不能及时进行处理。因此,必须建立一个可以实时监控系统运行状态以及关键位置浓度参数的可靠性检测子系统，才能从根本上解决目前信息滞后,处理不及时的问题，以使通风管理人员能够及时发现问题,从而确保矿井通风管理系统的正常运行,使管理状态始终保持最佳[1-2].
本文主要针对目前煤矿实际生产应用状况,以如何实现对其矿井通风控制系统功能可靠性的有效预测为研究目的,采用具有理论基础结合实际的研究方法,细化相关研究内容,将BP神经网络算法运用于智能预测软件算法中,并充分结合目前智能软件技术的应用设计发展趋势,运用多种技术手段设计出一套功能符合实际生产需要的、有效的煤矿通风系统可靠性现场监测控制系统。
1 BP神经网络算法原理
BP神经网络处理算法是目前使用广泛的人工神经网络分析算法之一,其概念是由人工神经网络算法演化而来。通过采用梯度搜索算法,使求的网络输出期望值与网络输出实际值间的误差可以达到最小。神经网络处理算法由非线性化的神经元网络构成,运用处理器处理各种问题的过程与人的正常大脑处理相似，该算法没有运算公式以及确定的程序，处理问题会结合来自外部环境的各种刺激，再进行统一的处理，从而实现获取期望的结果。运算过程分为3步：信息输入、处理反馈、动作输出。网络系统中的各层信息处理单元都在一个双向并行的网络关系中,各层之间只有在信息数据交流的进行过程中才可能会直接处于一个双向串行的网络关系[3-4]. 实际运算的神经元模型见图1.
图1 神经元模型组成图
以各种神经元模型为设计基础,组成的BP模型神经网络是该算法中最关键的一步。其中所组成的神经网格主要可以分为3层：输入层、隐含层、输出层。其中每个隐含层所需要的每个节点数量一般是不固定的,该节点数量主要由解决问题的难易进行决定，具体的分层结构设计示意图见图2.
图2 神经网格的分层结构设计示意图
2 煤矿通风系统可靠性预测结构参数确定
1) 输入参数确定。网络的输入层作为运算的输入项，需要对采集到的数据进行输入，通常为了保证可靠性预测，同时为了保证数据的获取有效，一般输入数据选择巷道的通风速度、通风压力、巷道温度、瓦斯浓度以及风机运行状态。
2) 输出参数确定。神经网络中的输出处理层通过神经元的信号输出对通风控制系统可靠性进行等级判断。确定信号输出端神经元从小到大分为1—5级,对应可靠性等级为安全、较安全、一般、较危险和危险。
3 矿井通风系统可靠性预测系统设计
3.1 总体架构
根据对系统实际需求的分析,建立矿井通风系统可靠性预测系统的总体设计架构，其主要由3个子系统组成，见图3.
图3 矿井通风系统可靠性预测系统总体架构图
系统的第一部分为数据采集系统，为可靠性预测系统的基础，该系统需保证数据的实际有效性，为后续系统提供数据支持。第二部分为监控系统，主要工作是实时监控主通风机运行数据，确保通风机的正常运行，同时实时接收来自数据采集系统的数据。第三部分为可靠性预测评价子系统，由系统计算工作站的上位机完成收集数据的计算分析，选用最恰当的评价算法，使得子系统具有更强的计算能力。通过3个核心子系统的综合分析,及时处理矿井通风控制系统中的各个故障,并及时做出相应的技术决策[5].
3.2 监控子系统设计
通风机日常监控管理子系统主要是以PLC控制器作为核心，从而实现监测监控单元。通过PLC的控制在保证系统可靠的前提下，顺利进行指令传达和下发，完成对通风机的快速启动和暂停、变频等监测控制管理任务。通风监控系统的主要框架结构图见图4.
图4 通风监控系统主框架设计图
3.3 数据采集子系统设计
数据采集子系统是所有上层编程逻辑系统数据处理的技术基础。其工作架构图见图5.
图5 矿井通风数据采集架构图
3.4 预测子系统设计
BP神经网络学习是基于一种机器算法学习(machinelearning,ml)的算法学习机制,3层网络构成,每一次由一定维度数量的一个神经元函数构成。这些神经元细胞如同人的神经细胞一样都是互相没有关联的。通过系统学习后所使用的网络系统性能可以得到极大提高,且用户可以不断更新优化自我网络性能。机器智能学习的基本架构见图6,由主机产生器G、训练器主机S和智能学习机理器LM构成[6].
图6 智能学习机模型图
预测评价控制子系统的基本设计可以根据采集子系统的数据和风机自动控制子系统的风机控制数据运行中的状态及时间所反馈的风机控制数据信号完成数据综合分析处理,然后通过OPC Serve，可以实现利用PLC风机自动控制子系统和新的MCGS组态软件以及之间的控制信息数据交换和基于新的MATLAB的BP神经网络算法的预测评价进行预测评估。具体架构见图7.
图7 预测评价子系统架构图
4 结 语
本文研究了一种面向矿井通风系统的可靠性预测分析系统，通过BP神经网络、预测系统关键参数确定以及预测系统的设计等，设计了一款通风系统可靠性预测以及分析系统。该系统主要由3部分组成：数据采集系统、监控系统、可靠性预测评价子系统。通过3个核心子系统的综合分析,及时处理各个矿井通风控制系统中的故障,并及时做出相应的技术决策。
