煤自然发火期的主成分神经网络预测模型

煤自然发火期的主成分神经网络预测模型 计算机工程与应用 煤自然发火期的主成分神经网络预测模型 王 华 、硝 曲阜师范大学计算机科学学院,山东日照 , , ,, . . 。.:?.:.璩 仃. ? , ,, . ., : ; ; ; 摘要:煤自然发火期是衡量煤自燃特性的一个重要参数,也是指导井下防灭 火工作的重要参考依据。结合主成分分析与神经 网络的优点,提出了基于主成分分析的神经网络煤自然发火期预测模型.采 用主成分分析法对原始输入变量进行预处理,选择 输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除 了各输入变量的相关性;另一方面提高了网络的收敛 性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网 络比一般神经网络训练精度更高,学习时间更短, 预测效果更优。 关键词:自然发火期;主成分分析;神经网络;预测 文章编号:... 文献标识码: 中图分类号: :....... 要煤样 以上,实验费用较高。因此,有必要寻求一种较大型 前言 煤自然发火实验更好的模型,不仅可以全面考虑煤自然发火 煤自燃对矿井安全构成了重大威胁,因而引起了人们的 期的各个影响因素,更好地逼近煤自然发火期与各影响因素 高度重视,并在自燃机理方面开展了大量研究工作。煤自然 之间的非线性关系,而且可以对煤自然发火期做较精确的预 发火期是衡量煤自燃特性的一个重要参数,是指导井下防灭 测。人工神经网络可以处理模糊的、非线性的、含有噪声的数 火工作的重要参考依据。煤自然发火期是指煤从某一起始温 据,其最具代表性的网络特别适用于处理非线性问题,且 度自然氧化升温直至达到着火点的时间,由于煤实际自燃过 有并行处理、非线性、容错性和自适应、自学习的特点一。近年 程非常复杂,准确测定其自然发火期比较困难。 来,有些学者利用神经网络对煤自然发火期进行了预测.取得 煤自然发火期与煤的物理与化学性质、供氧、散热、煤的 了一定的成效】。但在应用网络建立煤自然发火期预测模 粒度、堆积密实程度等因素有关。目前煤自燃性研究的典型 型时,理论上要求网络的输入变量之间应是线性无关的, 有“川:通过色谱分析测定煤样对氧气的物理吸附能力 而煤自然发火期预测模型建模过程中,输入变量之间相关性 分析煤的白燃性;采用和实验研究煤氧化过程 大,信息重叠多,不易于直接用网络进行预测。 中的质量变化和能量变化,分析煤的自燃性;采用绝热实 主成分分析法 ,是一 验或程序升温实验研究煤的耗氧性以分析煤的自燃性等。这 种数据压缩和特征提取的多变量统计分析技术,它能够将多 些研究方法一般只能定性得到煤自燃性的相对强弱和较宽的 个相关变量指标化为少数几个不相关的综合变量。而且这 发火期范围如?个月,个月等,不能较准确地预测煤 些不相关的综合变量包含了原变量提供的大部分信息。因 在特定条件下的自然发火期。大型煤自然发火实验?测定煤 此,本文通过建立煤自然发火期的初始指标体系,采用主成分 自然发火期的精度较高,但该实验周期较长,一般需要个月 分析法,对煤样程序升温实验得到的指标数据进行特征提取, 以上,难燃煤样的实验爿期达数月甚至?年以上,每次实验需.;国家科技支撑 十如顾目?.; 基金项目:国家自然科学基金 曲阜师范大学科研启动基金. 作者简介:王华一,女,博士,副教授,主研方向:安全技术及工程、计算机模拟 与仿真。:. 收稿日期:.;修回日期:. 万方数据王华:堞自然发火期的主成分神经网络预袁模型 . 获得个综合指标,使得新的指标体系维数低、分量问相关性 五,五,?,疋,不但使原始影响因素的维敷降低,而且也不会 小。在此基础上。再应用网络强大的非线性映射能力,建 损失原始影响因素中太多的信息。 立煤自然发火期的预测模型,较好地对煤的自然发火期进行 . 神经网络 了预测。应用该方法,对待预测自然发火期的矿井煤样,不再 神经网络是由大量具有非线性映射能力的神经元组成 需要进行实验煤量大 、实验周期长、实验费用高的大型 的前馈分层网络结构.学习算法称为反向传播算法,由于标 煤自然发火实验.仅对少量煤样 进行程序升温氧化实 准算法存在收敛速度慢、局部极值和难以确定隐层及隐结 验.进而利用基于主成分分析的神经网络,即可预漠煤样 点的个数等缺点,因而在实际应用中受到一定的限制。本文 的自然发火期。 采用了动量法和自适应调整学习速率的改进算法对煤自 然发火期进行预测。 实验装置及实验条件 动量澍呵以降低网络对于误差曲面局部细节的敏摩性,有 实验装置如图.主要由气路、控温和气样采集分析部分 效地抑制网络陷入局部极小。算法在修正权值?七时, 组成。实验时.在?个直径 ,长的钢管中.装入煤 只是按照时刻的负梯度方式进行修正,而没有考虑以前时刻 量 左右,上下两端分别留有 左右自由空问采用 的梯度方向,从而常常使学习过程发生振萄,收敛缓慢。为此 目铜丝网托住煤样,然后置于利用可控硅控制温度的程序升 采用如下改进算法:啦竹口附一帕恤昝一】. 温箱内加热。并送入定量预热空气,测定分析不同煤温时的气 式中?陋既可表示单个权值。也可以表录投值向量。这种方法 体成份,当温度达到要求后,停止加热.打开炉门进行自然对 所加入的动量项实质相当于阻尼项,它减少了学习过程的振 流降温,并测定分析不同煤温时的气体成份。 荡趋势。从而改善了收剑性。自适应调整学习速率有利于缩 短学习时间,标准算法收剑速度慢的一个重要原因是学习 速率选择不当。因此采用自适应调整学习速率的改进算法: 训七州?嗽?;旺?;硝芦【旺驻一】。 当连续两次迭代其梯度方向相同时,表明下降速度特慢.这时 可使步长加倍;当连续两次迭代其梯度方向相反时,表明下降 速度过快。这时可使步长减半。此算法在预测过程中收到了 良好的效果。 实饲应用 .实验数据 圉攥样与自璐性关系实验装置鳍构图 以黄陵矿业集团黄陵号煤矿所采煤样为例.进行模型应 实验前先将煤样在空气中破碎,并筛分出粒度为:小于 用,该矿开采煤层为易自燃煤层。选取影响煤自然发火期的 .、.?、?、和的种煤 个主要因素:煤温、氧气浓度、升温速度、平均粒径、空气流量、 样。实验时首先在常温下用氮气冲洗小时.然后通入一定流 产生率、嘎产生率及耗氧速率作为预测模型的原始输入 量 /、 和 的空气进行不同升温 样本。煤的自然发火期作为输出样本。原始输入样本数据利 速度. 、.?/和. /下的煤样程序升 用述程序升温实验装置通过实验测得,共选取组原始输 温氧化实验.分别考察煤温、粒度、升温速度、空气流量等多种 入样本.部分原始输入样本如表。 因素对煤自燃特性的影响。 .煤自然发火期影响因素的主成分提取 根据主成分分析原理,运用.软件,对煤自然发火 理论与算法 期影响因素的原始输入样本按下列步骤提取主成分。 .主成分分析法 原始输入样本标准化。由于煤自然发火期各影响因 主成分分析也称主分量分析,该方法从可观测的显式变量 素即原始输入样本之间具有不同的量纲和数量级.使得数 中提取信息,组成不可直接观测的隐含变量.既尽可能多地保 据之间的差异性比较大,为此在进行主成分分析之前要对原 留原变量所包含的信息.同时又用尽可能少的主成分替代原 始输入样本进行标准化。因为神经网络模型要求数据在 有变量,从而使问题变得简掣”。主成分分析方法的原理”: 某一区间范围内,因此,率文采用线性插值法对原始输入样本 设五,置。?,五为煤自然发火期的个原始影响因素。记 进行预处理。 计算相关系数阵置。将标准化后的输入样本数据导 玉,五,?,.蹦‘,三为的协力壹目阵,三的特征值及相应 入.软件中。可得到如表的相关系数阵置。 的芷交单位似恃硇旬基分别为?工,???。?及..岛,?.。, 求置的特征根和相应的标准特征向量及贡献率,并提 则的第个主成分为:五%五?~%. 取主成分.如表、所示。由表知,前项主成分的方差在总 ,,?.。贡献率指某个主成分提取的信息占总信息的 方差中的比重达到.%,按照主成分的选取标准,说明这 份额,第一主成分的贡献率最大,翱目综合原始变量所含信息 项主成分可以代替原来的个影响因素原始输入样本。由 的能力最强。前个主成分的贡献率之和称为.。?, 表旋转后的载荷矩阵可知,第主成分中煤温、氧气浓度、 累计贡献率。实际应用中,通常选取.使前个主成分 产生率、,产生率及耗氧速率等指标占有较大载荷。这个 的累计贡献率达到较高的比例如%一%.这样用前 指标正是煤自然发火期的主要影响因素;第主成分中升温速 个主成分‘,如,?,代替煤自然发火期的原始影响因素 度和平均粒径两指标 占有较大载荷。第主成分中空气流量指 万方数据 , 计算机工程与应用 表部分原始输入样本编 煤温 氧气浓度 升温速度 平均粒径 空气流量 产 生率× 产生率 耗氧速率 / /?。。 /? “ /?一?“ /? “ 号 ,? ,% /.一’ . . . . . . . . , .? . . . . . . . . . . . . . .? . . . . . . . . .? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .? . . . 他 . . . . . ????如舳舳??如?舳?? . . . . . . . . . . . . . 表相关系数矩阵 煤温 氧气浓度 升温速度 平均粒径 空气流量 产生率ב 产生率‘ 耗氧 速率×舻 / /? /? “ /?~?“ , ,% /??’’ /?。’ 。 . . 煤温 . ?. . . ?. . .? . . ?. ?. ?. ?. 氧气浓度 一. 一. . . . ?. . . .? 升温速度 ?. . 一. ?. 一. ?. 平均粒径 . . . . ?. 一. . 一. . . 空气流量 ?. . . . . . ?. . 产生率 . . . ?. . ?. . . :产生率 . . . . . ?. 一. ?. 耗氧速率 表主成分及方差贡献率 .一般网络与训练与预测结果对比 用未进行主成分分析的原始输入样本和经主成分分析后 得到的新样本,对煤自然发火期进行神经网络建模,分别称为 一般网络和.网络,并对煤自然发火期进行预测。 由于未经主成分分析的原始输入样本,包含个输入变量 表旋转后的载荷矩阵 即煤自然发火期的个主要影响因素,个输出变量即煤的自 然发火期,共组数据,因此,一般网络选择输入层有 个节点,输出层有个节点的层前向神经网络。而经主 成分分析后得到的新输入样本,包含个输入变量即经主成分 分析后提取的项主成分,个输出变量即煤自然发火期,共 组数据,因此,.网络选择输入层有个节点,输出 层有个节点的层前向神经网络。从组数据中随机 选取组数据作为预测样本,剩余的数据作为学.习样本。采用 软件,分别用一般网络和.网络进行学习,通 过多次学习,?般网络的隐层节点数选为,网络的 标占有较大载荷,而第、主成分主要反映了煤自然发火期的 隐层节点数选为时,学习效果最好。接下来,分别用?般 次要影响因素的作用。 网络和.网络对组预测样本预测次,然后对各预测样 主成分相关性分析。对提取的项主成分进行相关性 本的次预测效果最好的一次结果进行对比分析见表、。 分析,其相关系数矩阵如表所示。由表知,项主成分之间 表相对误差分析 已不相关,因此,接下来可以用这项主成分的特征值对应的 预谢洋本目标值?般预顷蚰直相对口捞孰%.预测值相对误砉争% 特征向量,即经过变换后的综合指标,标准化后作为煤自然发 . . . . 火期神经网络预测模型的输入样本。 . . . . ?.. .. . ?. 表主成分相关系数矩阵 . . . .. ?.. . ?. . 从表中数据可以看到?般网络的预测值相对误差绝 . ,而 对值的平均值相对误差的平均值为. 万方数据王华:煤自然发火期的主成分神经网络预测模型 表两种方法预测结果对比 煤自然发火期的预测模型,有效地去除了数据相关性,减少了 输入样本维数,大大简化了网络结构,降低了神经网络训练的 ? ..难度。同时,采用动量法和自适应调整学习速率的改进算 一般 . . . 法进行神经网络训练,有效地抑制了网络陷入局部极小点。 . .网络为. ,这表明.网络比一般 通过实验对比,表明对煤自然发火期的预测,.网络较 网络在预测精度上有一定程度的提高。从表中直观地得 一般网络有更高的预测精度,更短的学习时间,更优的程 到:一般方法的预测值中有个预测值的误差在%以上, 序执行效率。本文在预测煤自然发火期时,考虑了个因素的 最大值为. ,最小值为. ,误差的波动幅度较大;而 影响,在今后的研究中。可进一步探索影响煤自然发火期的其 .方法预测值的误差都在%以下,且误差的波动幅度 他因素,以进一步提高预测的准确性。 较小.说明.方法预测值的稳定性较好。网络结点数的 . 减少使得程序运行的速度明显地加快,平均预测时间从 参考文献: 减少到. ,这样一来神经网络的执行效率有了很大的提 【】徐精彩.煤自燃危险区域判定理论【】.北京:煤炭工业出版社, 高。另外,从表中还可以看到,对煤自然发火期的预测一般 :. 网络的预测偏差在?天,而.网络的预测偏差在 【】熊友信,孙学信.用差热分析法确定煤发热量的研究叨.煤炭转化, 天以内,因此.网络的预测结果更精确,可靠性更高, .:.. 可以更好地指导现场的防灭火工作。 【】张辛亥,徐精彩,邓军,等.煤的耗氧速率及其影响因素恒温实验研 此外,还应注意:并非讲练次数越多越好,因为所收集到样 究【】.西安科技学院学报,。:.. 本数据都包含有测量噪音,训练次数过多,网络将噪音也复制下. 【】 , , 来,势必影响网络的泛化能力。同时这也是为什么用几个主成分有时比用全 部数据来预测得到的结果更理想的原因之一。 .,,:?. 目前实验室已积累了个矿井煤样的自然发火实验数 峨【】 , , 据,这些煤样来自全国十余个省份,涉及各种变质程度,最短实验自然发火期 从十几天到超过个月。采用述方法,用自 ,,/:. . 编的 实验处理程序,对采集的数据进行预处理后, 】邓军,徐精彩,李莉,等.煤的粒度与耗氧速度关系的实验研究叨. 通过自编的接口程序函数将数据传递给软件,用 西安交通大学学报,.:. 这些数据作为训练样本对网络进行训练。进而利用待预测自 【】徐精彩,张辛亥,文虎,等.氧复合过程及放热强度测算方法叨.中 然发火期的矿井煤样的程序升温实验数据作为预测样本,即 国矿业大学学报,,:. 可得到待预测煤样的自然发火期。通过自编的接口程序 嘲焦李成.神经网络系统理论田.西安:西安电子科技大学出版社, 函数将结果数据由传递给 ,传回的数据将 . 被用于实验报告的自动生成、结果曲线的自动绘制等数据处 】张辛亥,席光.用于煤自然发火期预测的神经网络模型和实验技术【】. 理过程。通过 与混合编程,实现了煤样程 西安交通大学学报,,:,. 序升温实验结合.网络快速预测煤的自然发火期。利 【】刘玫.高睿,黄惠萍.基于主成分分析的中部地区优势产业的评价 用此方法,已对十余个矿井煤样的自然发火期进行了快速预 与选择】武汉理工大学学报,,:.. 测,预测精度高,实验周期短,实验费用低。 【】马武。陈波,潘成胜.基于主成分分析的高速网络性能研究【】. 计算机工程与应用,,:.. 结论 【】徐精彩,王华.煤自燃极限参数的神经网络预测方法唧.煤炭学 采用主成分分析和神经网络相结合的建模方法,建立了 报,,:.. 计算机技术与发展,,:.. 上接页 【】柳林,朱建荣.基于混合蚂蚁算法的物流配送路径优化问题研究田. 结论 计算机工程与应用.,:.. 由于本文采用了基于客户和距离同?表达形式的位串编码 【】唐连生,程文 明,张则强,等.基于改进蚁群算法的车辆路径仿真研 究】.计算机仿真.,:.. 方式,以及更容易均衡启发式信息和信息素作用的转移概率的 【】范小宁,林焰,纪卓尚.多蚁群协进化的船舶多管路并行布局优化阴. 蚁群算法。因此:避免了应用遗传算法求解问题,存 上海交通大学学报,,:.. 在的遗传算子困难和遗传操作繁琐复杂的现象;与现 【】陈陵,沈洁,秦玲,等.基于分布均匀度的自适应蚁群算法【.软件 有问题的蚁群算法相比,具有更快的收敛速度。经实例 学报.,:.. 验证,应用本文所构建的算法求解问题与现有算法相比。 , . 】 不仅操作简单,而且收敛效果好,收敛速度快,全局收敛率高。;黜明. ,.:?. 参考文献: : 【】 .,,:. 刘芳华,赵建民,朱信忠.基于改进遗传算法的物流配送路径优化 ,?,丸 【】 :缸翻蚵的研究】.计算机技术与发展,,:... ., . : ,,:. 【】易荣贵,罗大庸.基于遗传算法的物流配送路径优化问题研究】. 万方数据