基于改进鲸鱼算法优化BP神经网络的煤自燃预测研究

孔 彪,朱思想,胡相明,杨 涛,赵旭帅,斐达特,万姝含

(1.山东科技大学 安全与环境工程学院,山东 青岛266590; 2.华北科技学院 矿山安全学院,河北 廊坊065201;3.兖矿能源集团股份有限公司 济宁二号煤矿,山东 济宁272000)

我国是世界上最大的煤炭生产和消费国,煤炭是我国的主要能源。煤炭开采过程会引发多种灾害,其中煤自燃是威胁矿井安全开采和井下工人生命健康的主要灾害之一[1-3]。而气体和温度是煤自燃监测的主要预警参数,目前通过分析煤矿井下指标气体产生及变化趋势,判定煤自燃发展阶段,实现井下煤自燃的监测,已在煤自燃监测预警方面得到广泛应用[4-6]。

为进一步提高煤自燃监测精度,降低误差,国内外学者采用神经网络、聚类分析、回归及相关性分析等预测方法,构建了不同的预测模型,实现煤自燃预测预报[7-10]。肖粲俊[11]、仲晓星[12]、王民华[13]等提出了智能监测预警和煤矿智能管控;周旭等[14]构建了PSO-XGBoost预测模型对井下火灾进行预测预警;为提高矿井外因火灾的静态辨识,李光宇等[15]采用基于机器视觉的方式结合灰色建模方法实现火灾辨识和准确定位;邓军[16]、LEI[17]等通过随机森林法预测出采空区温度和特征指标气体浓度,并指出该方法具有稳定性和普适性的特点。鲸鱼优化算法具有参数少、效率高的优点,目前主要应用于计算机视觉、医疗、经济管理和交通运输等领域,在煤自燃领域应用较少。MIRJALIL等[18]于2016年提出了WOA算法,相比其他算法其局部搜索能力更强,但传统算法存在收敛速度慢、易陷入局部极值问题。针对以上问题,JIANG[19]、秋兴国[20]等采用适应度值协调捕猎方法来提高算法的开采和勘探能力。

基于此,笔者通过分析煤升温过程指标气体与温度的变化规律,采用改进鲸鱼优化算法结合BP神经网络算法,构建气体—温度预测模型,并进行实验室和现场测试分析,以期实现井下煤自燃早期的快速监测、识别与预警。

1 鲸鱼优化算法

1.1 鲸鱼优化算法理论基础

鲸鱼优化算法[20](WOA)是模拟鲸鱼狩猎活动而提出元启发式智能优化算法,包含寻找猎物、包围猎物、最后追捕猎物。通过计算搜索代理适度值,选取出最优解,依据环形收缩机制及螺旋机制不断迭代更新自身位置,加快搜索速度。

1)环绕包围捕食

采用环绕包围捕食方式进行狩猎,选择适应度最优个体作为目标,其余个体不断靠近最优值更新各自位置向猎物包围,该阶段模拟公式如下:

X(t+1)=X*(t)-AD

(1)

式中:X(t+1)为迭代t+1次后种群个体所处位置;X*(t)为迭代t次最优个体所处位置;t为当前迭代次数;A为系数,该阶段∣A∣<1;D为个体与最优个体距离。

2)随机搜索捕食

在随机搜索捕食过程中,随机选择某一个体作为参照对象,其余个体随机更新位置包围猎物,该阶段模拟公式如下:

D=∣CXrand(t)-X(t)∣

(2)

X(t+1)=Xrand(t)-AD

(3)

式中:C为系数;Xrand(t)为随机个体位置;X(t)为迭代t次后种群个体所处位置;该阶段∣A∣≥1。

3)螺旋轨迹捕食

采用螺旋轨迹的路径包围猎物进行捕猎,该阶段模拟公式如下:

X(t+1)=Debl·cos(2πl)+X纵坐标为适应度值*(t)

(4)

式中:b为常数;l为(-1,1)之间随机数。

1.2 改进策略

1)改进非线性收敛因子和自适应权值

鲸鱼算法相比于其他算法虽然具有较好预测效果,但牺牲了部分勘探能力换取局部开采能力。参考粒子群惯性权重策略,引入非线性递减因子理念,提出一种分段非线性收敛因子和自适应权值策略进行算法优化[20]。计算公式如下:

(5)

(6)

(7)

式中:a为收敛因子;T为迭代次数。

2)引入随机学习策略

标准WOA算法仅依靠种群中随机个体引导进行位置更新完成全局搜索,该方法寻优能力较弱,引入教与学优化算法中涉及的随机学习策略,模拟讨论交流模式,向种群中优秀个体学习优化更新自身位置。运算公式如下:

(8)

式中:xnew为最新个体;学习因子rand (0,1)为(0,1)间的随机数,体现学习能力差异;xp为种群中随机选出的不同于个体x的优秀个体。

1.3 改进鲸鱼算法有效性测试

为研究改进鲸鱼算法自身参数寻优效果和收敛性能,选取4种经典优化算法,即PSO、GWO、WOA、MSWOA,分别用6个标准测试函数进行对比测试,如表1所示。算法参数统一设置,种群数设置为50,维度设置为30,最大迭代次数设置为500次,实验测试重复20次。

表1 测试函数信息

F1

F2

F4

F6

将4种算法进行测试对比和分析,标准测试函数在每种算法运行后得到二维收敛曲线,其中,横坐标为迭代次数,纵坐标为适应度值,测试结果如图1所示。

由图1分析看出,无论是单峰测试函数还是多峰测试函数,MSWOA曲线变化更陡,迭代次数更少,相比于WOA、PSO和GWO收敛速度明显改善,参数寻优时间缩短,精度得到提高,能快速准确寻找到最优解。

2 基于MSWOA-BP煤自燃指标气体—温度预测模型建立

2.1 数据信息来源

通过建立的煤自燃模拟实验平台,分别测定了白芨沟无烟煤、东滩烟煤和平庄褐煤在自燃过程中O2、CO、CH4、CO2、C2H4、C2H6、C3H8等特征指标气体浓度变化情况。将得到的实验室数据作为数据样本,其中指标气体浓度作为输入数据,煤样温度作为输出数据,根据指标气体浓度和温度对应关系建立模型进行预测。

2.2 煤自燃温度预测模型评估性检验

根据以上东滩烟煤数据集建立煤自燃预测模型,选取以下指标参数进行模型验证和评估。

1)均方根误差(RMSE,eRMS)

(9)

式中:pi为某时刻煤样温度的预测值;ri为煤样的监测温度;n为样本数量。

2)判定系数(R2)

(10)

3)平均绝对误差(MAE,eMA)

(11)

4)平均绝对百分比误差(MAPE,eMAP)

(12)

各预测模型性能比较见表2。

表2 预测模型性能比较

通过计算得到eRMS、eMA、eMAP、R2值,其中eRMS、eMA、eMAP数值越小,R2数值越接近1,表明模型适用性越强、预测精度越高。根据表2中数据对比分析,MSWOA-BP模型eRMS、eMA、eMAP在训练学习阶段分别为2.040 0、1.406 4、1.735 9%,在测试阶段分别为2.139 8、1.580 8、3.039 3%。结果表明,无论是在学习阶段还是测试阶段,MSWOA-BP预测模型评估指标均优于其他预测模型,预测精度较高,预测效果较好。

2.3 模型预测结果分析

分别对MSWOA-BP、GWO-BP、WOA-BP、PSO-BP共4种预测模型误差进行分析,结果如图2所示。

(a)训练集预测误差图

(b)测试集预测误差图

根据图2分析得出:MSWOA-BP模型预测误差整体在5%上下波动;GWO-BP模型预测误差在15%上下,部分误差超过20%;WOA-BP模型预测误差在20%内;PSO-BP模型预测误差在10%内,但部分误差超过了15%。误差结果对比得出,MSWOA-BP模型预测误差整体波动范围最小,相比于WOA-BP模型, 其误差降低,精度更高,准确性最高,预测效果最好。

分别对MSWOA-BP、GWO-BP、WOA-BP、PSO-BP共4种预测模型回归判定系数R2进行分析,结果如图3所示。

(a)MSWOA-BP神经网络训练集预测值和实际值对比图

(b)GWO-BP神经网络训练集预测值和实际值对比图

(c)WOA-BP神经网络训练集预测值和实际值对比图

(d)PSO-BP神经网络训练集预测值和实际值对比图

由图3可见,预测值和实际值整体变化趋势大致吻合,其中MSWOA-BP神经网络R2为0.996 53,GWO-BP神经网络R2为0.952 85,WOA-BP神经网络R2为0.982 62,PSO-BP神经网络R2为0.968 39,MSWOA-BP神经网络预测模型回归判定系数R2均高于其余预测模型,最接近于1,说明该模型能准确反映煤自燃温度变化趋势,且性能最好。

WOA-BP、PSO-BP、GWO-BP和MSWOA-BP煤自燃温度预测模型预测值与真实值对比如图4所示。可以看出,相比于真实值,PSO-BP和MSWOA-BP模型预测结果最接近,效果最为明显,但从整体预测结果变化趋势对比能够看出MSWOA-BP模型预测效果最佳,与真实值之间误差最小,具有较强的适用性和较高的准确性。

图4 神经网络模型测试集预测值和真实值对比图

2.4 现场应用

将建立的预测模型应用于兖矿集团东滩煤矿,采用束管系统对3302工作面气样进行采样分析,为期15 d,得到各指标气体浓度数据。为了验证预测模型在煤矿现场的适用性和准确性,将气体浓度作为输入参数代入预测模型,实现温度预测,并与现场实测温度进行对比分析,结果见表3。

表3 束管监测系统现场监测气样数据及温度预测结果

对表3数据进行处理,得到预测温度与现场实测温度对比图和相对误差图,如图5和图6所示。

图5 预测温度与现场实测温度对比图

图6 温度相对误差分析图

由表3可见,采用改进煤自燃温度预测模型得到3302工作面煤层温度平均为30～45 ℃,在持续15 d的监测期间内,该工作面各指标气体浓度始终处于低水平状态,且温度较低,表明未出现煤自燃发火危险,煤层处于安全阶段。

由图5～6可见,预测模型预测温度与现场实测温度基本吻合,相对误差在2.3%～12.1%内,表明该模型在误差允许范围内能够有效实现温度预测。结合矿井安全监测预警平台,为煤自燃火灾预测提供了参考依据,可以有效防止火灾发生。

该研究可为煤自燃高效预测预警提供一种新方法,下一步可进行不同矿井、不同煤种煤自燃的实验室和现场的预测分析,形成针对性的煤自燃预警方法体系。

3 结论

1)基于WOA、GWO、PSO智能算法,提出能应用于煤自燃温度预测的MSWOA-BP模型,其具有较好的预测效果。

2)采用多个标准测试函数验证了MSWOA收敛速度更快、计算精度更高。结合模型性能评估指标和预测结果,MSWOA-BP模型预测结果训练阶段eMAP为1.735 9%,测试阶段eMAP为3.039 3%,eRMS、eMA、eMAP指标均优于其他模型,且R2最接近1,表明MSWOA-BP模型预测效果最好。

3)将建立的模型应用于东滩煤矿,通过15 d的监测数据,预测温度与实测温度误差在2.3%～12.1%内,能够实现温度的快速预测。