基于GA－BP 的煤矿瓦斯监控系统 “大数干扰” 信号辨识

陈 强，刘祥洁，廖石宝

（江西理工大学电气工程与自动化学院，江西赣州 341000）

0 引言

煤矿瓦斯监控系统是通过监测煤矿中的瓦斯浓度，实现对煤矿瓦斯的实时监控和预警的系统。煤矿瓦斯监控系统通常采用传感器测量煤矿中的瓦斯浓度，并将其转化为电信号输出，用于实时监控。但是，在实际的生产环境中，监控信号往往会受到电磁干扰［1］，例如大型电机启动或停机的瞬间等因素，产生“大数干扰”信号，导致监控系统误报警，从而影响煤矿瓦斯监控系统的正常运行和监控效果。因此，为了提高煤矿瓦斯监控系统的稳定性和准确性，需要对大数干扰信号进行识别和滤波处理，以便准确地监测煤矿中的瓦斯浓度，及时发现和预警煤矿中的安全隐患，确保煤矿的生产安全［2－3］。

针对大数干扰信号问题，国内外学者进行了广泛的研究。文献［4］中采用了RS485 数字信号替代频率信号的传输方式，以提升系统抗电磁干扰能力。文献［5］中利用瓦斯浓度一次梯度和巡检周期定义瓦斯浓度变化加速度，以此识别大数干扰信号。文献［6］中通过预先在传感器程序中埋入误码来模拟干扰点瓦斯浓度，进而检验出大数干扰信号。文献［7］使用双向长短记忆递推神经网络进行识别大数干扰信号，然后采用电磁辐射信号波动的基准值代替干扰数据。文献［8］中采用离散点的迭代学习识别大数干扰信号，识别后采用滑动平均滤波原理的滑动方法滤除大数干扰信号。文献［9］中提出了基于神经网络的方法来滤除大数干扰信号，这种方法虽然能够把干扰消除，但对于瓦斯突出信号滤除后浓度发生下降，存在一定的安全隐患。

本文提出一种基于遗传算法优化BP 神经网络的方法来解决大数干扰问题，不仅能够有效滤除干扰信号，并且不影响瓦斯突出信号的报警，消除了煤矿井下因大数干扰造成传感器误报警的隐患。

1 BP神经网络基本原理

1.1 BP神经网络

BP神经网络是1986 年由Rumelhart 和McClelland 为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 神经网络的主要特点是：信号是前向传播，而误差是反向传播的。如图1 所示，BP神经网络包括输入层、隐含层以及输出层。BP 神经网络传播过程主要分为两个阶段，第一阶段为信号从输入层输入，再经过隐含层，最终到达输出层。第二阶段为误差从输出层到隐含层，最终到输入层。误差反向传播过程中根据梯度下降法不断调节输出层到隐含层、隐含层到输入层的权值和阈值，从而减小误差［10］。

图1 三层BP神经网络模型

1.2 贝叶斯正则化BP神经网络

传统的BP 神经网络容易出现过拟合的情况，即网络的训练精度良好，但预测结果并不理想。因此，故本文使用贝叶斯正则化BP 神经网络，运用贝叶斯方法修正BP神经网络的训练性能函数，提高网络的泛化能力解决网络过拟合问题。

传统的BP神经网络将网络的均方差Ed作为训练性能函数，即

式中：n为样本集的数量；ai为网络的预测输出；ti为网络的期望输出。

贝叶斯正则化就是对网络的性能函数再添加一个正则化项，正则化一般采用L2策略实现，通常对网络的权值参数w惩罚，阈值不处理，惩罚项和正则化后性能函数分别为：

式中：Eω为网络全部权值的均方差；m 为网络的权值总数；α、β为正则化参数。

当α≪β时，网络训练倾向于减小网络训练误差，网络可能出现训练过拟合现象；当α≫β时，网络训练倾向于减小权重大小，容易引起网络训练误差较大的现象。

贝叶斯正则化算法在网络训练的性能函数上添加了权值惩罚项，通过计算性能函数中正则化参数的局部最优值，提高网络泛化能力，解决网络过拟合问题［11］。

2 遗传算法优化BP神经网络模型

2.1 GA－BP算法主要思想

遗传算法是一种模仿自然界生物进化思想而得出的一种自适应启发式全局搜索算法，通过模仿生物的进化和遗传，从某一初始种群出发，按照一定操作规则，“优胜劣汰”不断进行迭代更新逐步逼近最优解。由于BP神经网络初始化时是随机生成权值和阈值，收敛速度较慢，所以使用遗传算法在全局空间优化网络的权值和阈值到一个较小的范围，进而使用BP 算法在这个范围内搜索出最优解［12］。

2.2 遗传算法优化BP神经网络步骤

（1）编码。根据BP 神经网络的拓扑结构，确定个体的长度，将网络中所有的权值和阈值进行实数编码，作为一组染色体。

（2）确定适应度函数。以BP 神经网络的预测输出和期望输出之间的均方误差作为适应度函数F。

（3）选择操作。采用轮盘赌法，适应度越小的个体被选中的概率越大。每个基因被选中的概率Pi为：

式中：N为种群数量。

（4）交叉操作。通过使用交叉算子改善个体编码结构，采用实数交叉法，基因Xk和Xi对应染色体上的第j位基因的交叉公式为：

式中：r为［0，1］之间的随机数。

（5）变异操作。用较小的概率选择第i个个体的第j个基因Xij进行变异从而增加种群的多样性，变异操作如下：

式中：Xmax和Xmin分别为基因Xij的上界和下界；r1和r2为［0，1］之间的随机数；g 为当前迭代次数；Gmax为最大进化次数。

（6）计算适应度函数值，若满足算法结束条件则输出优化后的权值和阈值，若不满足则返回第（3）步。

（7）将GA输出的权值和阈值作为BP神经网络输入的权值和阈值，采用贝叶斯正则化法继续对权值和阈值进行更新，直到满足条件输出预测结果。

图2 所示为GA优化BP神经网络模型的流程，该模型在BP神经网络的模型基础上，使用了遗传算法对初始的权值和阈值进行优化。先将BP 神经网络初始的权值和阈值进行编码，然后适应度函数采用BP 神经网络的训练误差函数，再通过选择、交叉、变异操作得出优化后的权值和阈值，最后解码输入给BP 神经网络中进行网络训练，并使用贝叶斯正则化的方法继续更新权值和阈值，最后输出仿真结果［13］。

图2 GA优化BP神经网络模型的流程

3 实验分析

3.1 BP神经网络的建立

（1）确定模型的输入输出。由于本文使用BP 神经网络来辨识瓦斯信号数据，其中“大数”干扰信号一般受大功率电气设备启停影响，故信号幅值往往是瞬间消失的，而瓦斯突出信号的幅值下降较为缓慢，所以为了保证样本内能够包含一个完整大数干扰信号，本文训练的输入数据采用一组10 个连续的瓦斯信号数据，为了直观体现BP神经网络的数据辨识效果，所以输出也是一组10 连续的瓦斯信号数据。

（2）神经网络拓扑结构及参数选择。根据神经网络的特点，只要隐含层节点数足够多，就可以任意精度逼近一个线性函数，所以为简化网络结构，本文采用含有一层隐含层的BP 神经网络。由于模型的输入和输出均为10 个瓦斯信号，所以网络应有10 个输入节点，10 个输出节点。根据经验公式和多次实验探究，确定隐含层节点是为15 时，网络输出性能最好。传输函数采用Sigmoid函数，输出层采用线性函数，训练目标采用均方误差为0.000 1，训练速率为0.05。

3.2 数据的来源及数据处理

本实验的数据来源于实验室模拟实验得到，干扰信号由型号为TYB55－4－5 的永磁三相同步电机启动和停止时被传感器检测到的实时数据，模拟的正常瓦斯溢出信号为实验室自制装置，由传感器实时测量，通过数据采集装置得到相应的数据［14］。共采集到4 000 个传感器电压信号，根据实验使用的传感器参数可知，当电压值大于5 V时将触发报警，其中3 800 个信号作为训练数据，200 个信号作为测试数据，测试信号波形如图3 所示，信号1 为模拟瓦斯突出信号，信号2、3、4、5 为“大数”干扰信号。

根据煤矿下瓦斯信号特点，本系统辨识后，瓦斯突出信号期望输出与输入相同，干扰信号期望输出并不是为0，而是降到固定的安全值，设定的安全值为1.5 V。由于本实验神经网络隐含层传输函数采用Sigmoid 函数，为避开Sigmoid函数的饱和区，并且加快神经网络的收敛速度，所以在网络训练前用最大最小法对数据进行归一化处理［15］。函数形式为：

式中：Y为归一化后的数据；X为输入数据；Xmin为输入数据的最小值；Xmax为输入数据的最大值。

4 仿真结果

本次实验中，设定遗传算法种群规模为10 个，进化次数为10 次，交叉和变异概率分别为0.3 和0.1。图4所示为遗传算法适应度曲线图，可以看出经过不断的遗传迭代，个体适应度越来越小，而个体的适应能力越来越强，种群的平均适应度随迭代次数的增加逐渐向函数最低值进化，个体之间逐渐缩小差距，适应度曲线的下降证明了遗传算法的有效性。经过10 次迭代后，种群的最佳适应度基本稳定。

图4 适应度曲线

为了直观体现GA－BP神经网络模型辨识后的优化效果，使用相同的瓦斯信号样本训练集和测试集，网络的训练目标也相同，分别使用训练好的BP 神经网络模型和GA－BP神经网络模型对测试信号进行验证，采用期望输出与预测输出的差值作为网络辨识后的误差，图5 所示为两种网络模型辨识后的误差对比图。图中GA－BP神经网络经模型训练之后对测试信号的误差绝对值之和为6.096，而BP神经网络经模型训练之后对测试信号的误差绝对值之和为10.003，相对于传统BP 神经网络模型而言，GA－BP神经网络模型辨识后误差更接近实际值，具有更小的误差，在实际应用中能够更准确地滤除大数干扰信号。

在实际煤矿安全监控系统中，不仅要求能够检测到“大数干扰”信号，并有效滤除，防止误报警，还应当保留瓦斯突出信号，防止漏报警的情况。由图3 可知，在序号82～96 范围内存在电压值大于5 V 的情况，且此时为瓦斯突出信号，图6 所示为GA－BP 神经网络和BP神经网络的辨识效果对比，采用BP 神经网络模型辨识后，影响了瓦斯突出信号的输出，出现电压值从报警值降到安全值的情况，存在一定的安全隐患。而GA－BP神经网络辨识后，输出的瓦斯信号和输出前信号基本不变，不会影响正常信号的报警。

图5 GA－BP网络和BP网络辨识后相对误差对比

图6 GA－BP和BP神经网络辨识效果对比

5 结束语

针对瓦斯传感器数据传输过程受到强电磁信号干扰而产生大数干扰信号导致误报警的问题，本文提出了基于遗传算法优化BP 神经网络的煤矿瓦斯监控系统大数干扰信号辨识方法，首先利用遗传算法对BP 神经网络的权值、阈值进行优化，避免BP 神经网络陷入局部最优值，然后利用贝叶斯正则化算法在神经网络损失函数的基础上增加一个权值惩罚项，通过计算性能函数中正则化参数的局部最优值，找出BP 神经网络最优的权值和阈值。实验结果表明，遗传算法优化后的BP 神经网络辨识模型可以准确滤除大数干扰信号并保留正常瓦斯信号，辨识后测试信号的相对误差和网络的稳定性都强于单一的BP神经网络。