一种人工智能算法在矿用电源评价中的应用研究

李红星

（中国船舶重工集团公司第七一六研究所，江苏 连云港 222061）

0 引 言

矿用电源防爆的主流规避手段为本安兼隔爆的方式，即电源内部是非本质安全的，但是电路经过层层降压、限流的操作之后，电源的输出是本质安全的，电源外部用一个隔爆外壳达到内部电路防爆的效果。煤矿井下这样的爆炸性气体环境下的电气设备，需要在应用前进行防爆认证。爆炸性火花实验是目前常用的认证方法，但实验周期长并且成本高。团队在研制一种隔爆兼本安的电源在出厂前的是爆炸性火花实验测试阶段发生了内部爆炸，设计人员在设计阶段就对电路是否本质安全进行基本的判定，将大大提高设计效率，节省成本。

设计人员在本质安全电路设计时采用的非爆炸评价方式是利用已经建立的简单电路模型去计算能量是否达到爆炸阈值，此方法只适用于简单电路，对于混合电路并不适用；并且此方法过于理想化，忽略了许多必要因素，误差较大。

由于本质安全电路的判定影响因素很多，且呈现相互影响的非线性关系，不能找到确定的数学模型来描述这种不确定的输入输出关系。自适应神经网络模糊推理系统（Adaptive Network-based Fuzzy Inference System,ANFIS）具有处理非线性输入输出关系的能力，因此，本文考虑将ANFIS 应用于本质安全电路非爆炸性评价中，经验证，基于ANFIS 的本质安全电路判定模型具有可行性。

本文对ANFIS 在本质安全电路非爆炸评价中应用进行可行性论证，并在此基础上建立了基于ANFIS 的本质安全电路非爆炸评价模型，最后对建立的模型进行了模拟电路验证。

1 基于ANFIS 的本质安全电路非爆炸评价模型建立

1.1 自适应神经网络模糊推理系统（ANFIS）理论

ANFIS 全称为自适应神经模糊推理系统（Adaptive Neural-Fuzzy Inference System），是在综合了神经网络与模糊系统两者的优点基础上得到的一种新的模糊推理系统，ANFIS 系统不仅具有模糊系统的类人推理能力，而且还具有人工神经网络的联想记忆能典型的自适应神经模糊推理系统（ANFIS）的结构，如图1所示。

图1中，ANFIS 系统的结构为两输入（、）、单输出（），这里，、是系统的两个不同的输入信号，是系统的唯一的输出信号。

图1 ANFIS 结构图

MATLAB 给我们提供了自适应模糊推理系统（ANFIS）工具箱，我们选择混合算法（Hybrid），即将梯度下降法和最小二乘法相结合使用。

1.2 将ANFIS 应用于本安电路判定的可行性

本质安全电路判定结果与其影响因素之间存在着复杂的非线性关系。目前，对于多变量非线性的本质安全电路进行计算机判定国际上还没有相关结论和公式；对于多变量非线性问题，模糊系统具有较好的建模能力；并且ANFIS 将神经网络的自学习、自组织、自调整能力与模糊逻辑有机地结合在一起，系统具有在线调整、学习速度快以及表达直观准确的特点。它在数据处理过程中采用了类似于“黑箱”的方法，通过对初始数据的自学习、自调整，找出符合输入、输出变量的非线性关系（映射）。在通过一定步数的训练之后，ANFIS 能较好地拟合出输出变量与输入变量之间的非线性关系。

既然本质安全电路具有多变量、非线性的特点，而ANFIS 具有很好地处理多变量、非线性问题的能力，因此，本文考虑将ANFIS 应用于本质安全电路非爆炸性模型的建立。

1.3 基于ANFIS 的本质安全电路非爆炸评价模型的建立

1.3.1 初始化数据的归一化处理

ANFIS 是基于数据的自适应模糊推理系统，因此初始数据的准确性直接关系到训练出来的模型是否能很好地拟合源数据，在这里首先确定初始数据的选取来源，并将采集到的初始数据进行归一化处理，使之能很好地被ANFIS 工具箱利用。

初始数据的选取来源，在训练开始之前首先要导入样本数据。本课题从GB 3836.4—2000 中本质安全电路设计最小点燃曲线采集初始数据，共480 组，其中，电阻性电路150 组，电感性电路150 组，电容性电路150 组，混合型电路30 组。用400 组初始数据训练基于ANFIS 的本质安全电路非爆炸评价模型，用80 组数据对建立的基于ANFIS 的本质安全电路非爆炸评价模型进行验证。

在MATLAB 仿真过程中，数据范围过大的情况，可能会导致数据进入S 型函数的饱和区，使得网络不够收敛，因此，我们将数据进行归一化处理来避免出现这种情况，且归一化处理有利于提高网络的训练速度。具体归一化算法为：

P=2×（-min）/（max-min）-1

其中，是初始训练数据，min、max分别是这组数据的最小值和最大值，P是映射后的数据。

MATLAB 归一化程序为：

1.3.2 ANFIS 模型中数据的本质安全判定标准

在初始数据选择阶段，确定了以下判定标准来判别电路的本质安全特性：

（1）初始数据本质安全判定标准：假设临界点燃点数据为，采集数据为，输出=/，数据取值范围在[0，1）之间的电路评价为本质安全，在（1，+∞）之间的电路评价为非本质安全。特别的=/=1 为临界状态，这种状态为不稳定状态，出现这种情况应归于非本质安全状态，并利用其他爆炸性评价方法验证电路的本质安全。

（2）归一化之后判定标准：从归一化处理之后的数据中得出，点燃点的临界状态点1 对应的归一化值为0.247 9，因此，我们将本质安全电路在ANFIS 中的判定标准定为：数据范围在[0，0.247 9）之间的电路为本质安全，在（0.247 9，+∞）之间的电路评价为非本质安全。

1.3.3 建立基于ANFIS 的本质安全电路非爆炸评价模型步骤

在这里，我们用自适应神经网络模糊推理工具箱建立基于ANFIS 的本质安全电路非爆炸评价模型的步骤如图2所示。

图2 基于ANFIS 的本质安全电路非爆炸评价模型的设计流程

1.3.4 自适应神经网络模糊推理系统的建模

利用经过归一化处理的400 组初始数据，并按照上一节介绍的建立基于ANFIS 的本质安全电路非爆炸评价模型的步骤训练生成一个评价本质安全电路本质安全特性的ANFIS。

训练的过程为：

第一步，将经过归一化处理的400 组初始训练数据在导入到ANFIS 工具箱。

将经过归一化处理的训练数据以及验证数据同时导入ANFIS 工具箱里得到的综合数据。

第二步，确定输入输出变量的个数及类型。

本系统中输入量有三个，分别为电压、电流、电容。

对于电阻性电路以及电感式电路，根据GB 3836.4—2000 计算采集到电压值、电流值，将电容值设置为0，根据GB 3836.4—2000 本质安全电路判定标准评价电路是否为本质安全；

对于电容性电路，根据GB 3836.4—2000 计算采集到电压值、电容值，将电阻值、电感值设置为0，根据GB 3836.4—2000 本质安全电路判定标准评价电路是否为本质安全；

ANFIS 系统的输入输出情况如图3所示，左侧为三个输入，分别为电压、电流、电容，中间为ANFIS 训练过程，右侧为输出OUT。

图3 输入输出情况

第三步，训练得到基于ANFIS 的本质安全电路非爆炸评价模型的初始模型。

要想训练得到基于ANFIS 的本质安全电路非爆炸评价模型，首先要在系统训练之初指定系统的初始隶属度函数。所以，依照这个原则，我们在训练基于ANFIS 的本质安全电路非爆炸评价模型的时候，将输入语言变量的隶属度函数的数目设置为5，隶属度函数类型为钟形（gbellmf），输出隶属度函数的类型用线性（Linear），利用这些设定的初始参数训练得到基于ANFIS 的本质安全电路非爆炸评价模型的初始模型。

第四步，训练生成自适应模糊推理系统。

在训练生成自适应模糊推理系统之前，对系统的相关参数进行设置。

首先根据设计需要选择模糊逻辑算法，根据前面关于算法选择的讨论，我们选择混合算法（Hybrid），在这里，令Opt Method=1 对ANFIS 进行训练。

然后，我们把期望的误差期望值设置为0，模型训练的步数设置为500。

参数设置完毕，我们就可以开始对基于ANFIS 的本质安全电路非爆炸评价模型进行训练。

2 基于ANFIS 的本质安全电路非爆炸评价模型验证

本安兼隔爆的方式是矿用电源防爆的主流规避手段，即电源内部是非本质安全的，但是电路经过层层降压、限流的操作之后，电源的输出是本质安全的，电源外部用一个隔爆外壳达到内部电路防爆的效果。工作中项目团队研发的一种隔爆兼本安的电源在出厂前的测试阶段发生了内部爆炸，那么根据我们之前所探讨的理论，将这个电源的数据输入已经建立的模型中，评价结果应该是非本质安全的，下面我们就将爆炸的电源的数据输入模型进行评价。

为了验证所建立的模型是否能对电路的本质安全性能进行客观、较为准确的评价，根据本质安全电路组成要素搭建了一个检验电路，如图4所示。

图4 检验电路

图4中，、、、、、均为可调参数，为电源电压，G 为火花点燃装置。

根据图4所示的模拟检验电路以及GB 3836.4—2000 标准，在GB 3836.4—2000 标准数据的基础上，采取不同输入变量独立变化的原则，选取了10 组检验数据来检验模型的准确性。

采用的本质安全的评价标准为：

归一化处理之后的数据中，点燃点的临界状态点1 对应的归一化值为0.247 9，因此，我们将本质安全电路在ANFIS 中的判定标准定为：数据范围在[0，0.247 9）之间的电路为本质安全，在（0.247 9，+∞）之间的电路评价为非本质安全。

检验结果如表1所示。

表1 ANFIS 模型对检验电路评价结果

从表1我们可以看出：

（1）ANFIS 模型在对模拟检验电路评价的8 组数据中，有7 组数据评价准确，1 组数据评价错误，准确率为87.5%，评价结果与实际电路相吻合，说明在设计阶段，该模型对实际电路有一定的指导意义，可以减少设计成本，提高设计效率。

（2）1 组数据评价错误，其正确评价结果为0.246 8，非常接近于0.247 9，即接近本质安全电路评价不稳定的临界点。因此，我们得出结论：在数据非常接近本质安全电路判定临界点的时候，模型对真实数据的拟合能力较差，易出错，因此，在临界点的数据建议采用本质安全爆炸性评价方法评价。

3 结 论

自适应神经网络模糊推理系统具有处理非线性输入输出关系的能力，因此，本文在此理论基础上建立了基于ANFIS的本质安全电路非爆炸性评价模型，并且通过实际电路验证，证明了基于ANFIS 的本质安全电路判定模型的可行性与准确性。该模型可以为电路设计人员在设计阶段对电路的本质安全特性进行初步的评价，大大提高设计效率，缩减了设计成本。