[發明專利]一種基于動態神經網絡的瓦斯濃度實時預測方法

在審

• 申請號: 201410384801.2
• 申請日: 2014-08-06
• 公開（公告）號: CN104156422A
• 公開（公告）日: 2014-11-19
• 發明（設計）人: 郭偉;張昭昭
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/02;G06Q10/04;E21F17/18
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

技術領域

本發明屬于檢測技術領域，針對礦井瓦斯濃度監控系統的實時性預測的要求，尤其涉及一種基于動態神經網絡的瓦斯濃度實時預測方法。

背景技術

中國是一個煤炭資源大國，也是一個以煤炭為主要能源的國家，國家《能源中長期發展規劃綱要(2004-2020年)》明確指出中國將以“堅持以煤炭為主體、電力為中心、油氣和新能源全面發展的能源戰略”。我國的煤炭絕大多數為井工開采，井工產量占煤炭產量的95％以上，約占世界井工總采煤量的40％。由于我國地質條件的特殊性，所有礦井均為含瓦斯礦井，并且一半以上的礦井處于高瓦斯區或瓦斯突出區。煤礦瓦斯災害是威脅煤礦安全生產的重大災害之一，據統計，我國煤炭產業每年事故死亡人數近萬人，直接經濟損失超過40億元。瓦斯災害直接妨礙了煤礦的正常生產，阻礙了煤炭工業的持續、穩定、健康發展，所以，加強瓦斯災害防治是確保煤炭能源的穩定、可靠供應，促進國民經濟全面、健康發展的重要保障。

目前，眾多國內外研究者對礦井瓦斯濃度預測的問題已經進行了深入細致的研究，提出了多種有效的預測方法。這些方法大致可分為傳統預測技術和現代預測技術兩大類。傳統預測方法是根據含瓦斯煤體性質及其賦存條件的某些量化指標，如煤層性質指標、瓦斯指標、地應力指標或綜合指標，來預測其中的單個或多個指標是否超過臨界值。由于瓦斯突出是由地應力、高瓦斯、煤的結構性能、地質構造、煤層厚度變化、煤體結構及圍巖特征等諸多因素決定的，而這些因素大多數都處于復雜的非線性狀態，因此采用傳統的預測技術，其預測精度往往難以達到煤礦安全生產的要求?，F代預測主要是基于數學和物理的預測技術，即利用神經網絡、混沌及非線性理論、模糊理論、灰色理論、專家系統、流變與突變理論等通過預測礦井瓦斯涌出量來判斷瓦斯突出，這些方法屬于非接觸性預測方法，是礦井瓦斯濃度預測方法研究的重要方向之一，也是實現瓦斯濃度預測的有效途徑。由此可見，對瓦斯濃度的預測不僅具有理論上的價值，更具有重大的生產實際意義。

隨著國家對煤礦安全生產的重視和煤礦企業自身發展的需要，我國各大中型煤礦企業都陸續安裝了礦井監測控制系統，針對瓦斯等有毒氣體和重要設備進行監控，極大地提高了礦井安全生產水平和安全生產管理效率。然而，這些監控設備僅僅是對當前工作狀態進行實時測量，不能對未來的瓦斯濃度的發展趨勢進行預測。事實上，對瓦斯濃度準確預測對于瓦斯突出的災害預報和預防都具有重要的意義。目前，對瓦斯濃度的預測在很大程度上還屬于離線式預測，然而，實際的礦井中的瓦斯濃度不斷的變化，如果離線預測模型不能及時的修正和更新，必然會影響整個模型的預測精度，最終導致預測失效。綜上述，研究和開發礦井瓦斯濃度的實時預測模型勢在必行。

發明內容

本發明的目的在于克服目前神經網絡瓦斯濃度預測模型中神經網絡結構難以確定和預測模型難以在線預測的缺陷，提供了一種基于動態神經網絡的在線預測模型，實現實時預測礦井瓦斯濃度。

本發明是這樣實現的，一種基于動態神經網絡的瓦斯濃度實時預測方法，包括如下步驟：

第一步、通過瓦斯傳感器采集瓦斯濃度數據，存入瓦斯濃度歷史數據庫X_lib＝{x(k)|k＝1,2,…,l}(l＝n+2p)；

第二步、將瓦斯濃度歷史數據庫中的數據視為混沌時間序列進行處理，利用C-C方法計算該混沌時間序列的延遲時間τ和嵌入維數m；

第三步、分別建立相空間重構X(k)和p步預測向量Y(k)作為神經網絡的訓練樣本集{(X(k)；Y(k))|k＝1+(m-1)τ,…,n+1}，其中神經網絡的輸入為X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)]，神經網絡的輸出為Y(k)＝[x(k+p)]；

第四步、用訓練樣本集采取增量學習方式訓練神經網絡，建立神經網絡預測模型，步驟如下：

(1)初始化動態神經網絡的結構為m-1-1的連接方式，即輸入節點為m個，隱層節點1個，輸出節點1個；

假設k時刻動態神經網絡中有q個隱節點，則用k時刻的訓練樣本訓練神經網絡時，動態神經網絡的輸出描述為：