付 華,王馨蕊,王志軍,王雨虹,屠乃威,徐耀松

(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105;2.遼寧工程技術(shù)大學(xué)創(chuàng)新學(xué)院,遼寧 阜新 123000)

?

基于PCA和PSO-ELM的煤與瓦斯突出軟測(cè)量研究*

付 華1*,王馨蕊1,王志軍2,王雨虹1,屠乃威1,徐耀松1

(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105;2.遼寧工程技術(shù)大學(xué)創(chuàng)新學(xué)院,遼寧 阜新 123000)

針對(duì)煤與瓦斯突出預(yù)測(cè)效率和準(zhǔn)確率不高這一問(wèn)題,提出將主成分分析(PCA)法與改進(jìn)的極端學(xué)習(xí)機(jī)(PSO-ELM)相結(jié)合的方法對(duì)煤與瓦斯突出進(jìn)行預(yù)測(cè)。根據(jù)某煤礦地質(zhì)動(dòng)力區(qū)劃方法,在劃分活動(dòng)斷裂,巖體應(yīng)力計(jì)算等工作基礎(chǔ)上獲取影響突出的相關(guān)數(shù)據(jù);通過(guò)主成分分析法對(duì)原始數(shù)據(jù)進(jìn)行降維處理,消除變量間的線(xiàn)性相關(guān)性;利用粒子群算法(PSO)對(duì)極端學(xué)習(xí)機(jī)(ELM)的輸入權(quán)值和隱層閾值進(jìn)行優(yōu)化,建立PSO-ELM預(yù)測(cè)模型,將提取的主成分作為該模型的輸入,煤與瓦斯突出強(qiáng)度作為模型輸出。實(shí)驗(yàn)結(jié)果表明,該方法的預(yù)測(cè)精度高、結(jié)構(gòu)簡(jiǎn)化,具有較強(qiáng)的泛化性能力強(qiáng)。

煤與瓦斯突出;軟測(cè)量;主成分分析;粒子群優(yōu)化算法;極端學(xué)習(xí)機(jī)

煤與瓦斯突出是發(fā)生在煤礦井下的特殊動(dòng)力現(xiàn)象[1]。能在較短時(shí)間內(nèi)向采場(chǎng)空間或巷道噴出大量的碎煤和瓦斯,可埋藏礦工,摧毀巷道設(shè)施,造成通風(fēng)系統(tǒng)紊亂或瓦斯爆炸且容易造成地球氣候變暖和對(duì)臭氧層的破壞[2-3]。長(zhǎng)期以來(lái),煤與瓦斯突出一直是威脅煤礦安全生產(chǎn)的主要危害之一[4]。因此,對(duì)煤與瓦斯突出事故進(jìn)行及時(shí)、準(zhǔn)確地預(yù)測(cè)是提高煤礦經(jīng)濟(jì)效益,保障礦井安全生產(chǎn)的關(guān)鍵。目前,數(shù)學(xué)方法在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用越來(lái)越受到重視[5]。該方法是把現(xiàn)代數(shù)值分析理論和計(jì)算機(jī)科學(xué)技術(shù)相結(jié)合,根據(jù)煤礦歷史數(shù)據(jù)進(jìn)行數(shù)學(xué)驅(qū)動(dòng)建模。迄今為止,國(guó)內(nèi)諸多專(zhuān)家學(xué)者運(yùn)用數(shù)學(xué)方法對(duì)瓦斯突出進(jìn)行預(yù)測(cè),如文昌平,張子戊等人提出的模式識(shí)別模型[6-7],董春游等提出了G-K評(píng)價(jià)與粗糙集模型方法[8],王超等人提出了距離判別分析法[9],曲偉等人提出了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[10],郭德勇提出了模糊數(shù)學(xué)綜合評(píng)價(jià)和聚類(lèi)方法的煤與瓦斯突出預(yù)測(cè)[11]。上述研究存在數(shù)據(jù)信息重疊,模型結(jié)構(gòu)復(fù)雜,泛化能力較差及較慢的學(xué)習(xí)效率等不足。為此,本文提出一種基于主成分分析PCA(Pincipal Component Analysis)和粒子群-極端學(xué)習(xí)機(jī)的煤與瓦斯突出預(yù)測(cè)模型。采用PCA對(duì)煤與瓦斯突出的輔助變量進(jìn)行降維處理,提取其特征信息,消除相量相關(guān)性并送入粒子群-極端學(xué)習(xí)機(jī)預(yù)測(cè)模型中,該模型充分利用粒子群PSO(Particle Swarm Optimization)優(yōu)化極端學(xué)習(xí)機(jī)ELM(Extreme Learning Machine)的輸入權(quán)值和隱層閾值,提高ELM模型的預(yù)測(cè)精度和預(yù)測(cè)效率,并利用現(xiàn)場(chǎng)實(shí)例驗(yàn)證了該模型的有效性。

1 煤與瓦斯突出軟測(cè)量模型的輔助變量選取

1.1 煤與瓦斯突出的影響因素分析

煤與瓦斯突出是一種復(fù)雜的礦井動(dòng)力現(xiàn)象,受多種因素影響,借鑒國(guó)內(nèi)外相關(guān)研究,認(rèn)為煤與瓦斯突出影響因素主要有以下7個(gè)。

①煤層瓦斯含量:煤層瓦斯含量受煤礦地質(zhì)史、煤的變質(zhì)程度、煤層埋藏深度以及地質(zhì)條件等因素影響。主要與煤層瓦斯壓力、水分、煤的吸附性、孔隙率、溫度等因素有關(guān)。煤與瓦斯突出與煤層瓦斯含量有極好的相關(guān)性。通常情況下,煤層瓦斯含量越高,越容易發(fā)生煤與瓦斯突出事故。

②瓦斯涌出初速度:瓦斯涌出初速度反映了煤層的構(gòu)造破壞程度,巷道影響帶中的瓦斯涌出初速度在很大程度上取決于礦上巖體的應(yīng)力狀態(tài)和煤層的原始瓦斯含量。在鉆孔的某一區(qū)段瓦斯涌出速度由增長(zhǎng)或穩(wěn)定變?yōu)榻档?5%以上時(shí),由巷道工作面到鉆孔該區(qū)段的距離作為泄壓影響帶的尺寸。因在上述瓦斯涌出初速度降低的區(qū)段,巷道對(duì)工作面附近煤層應(yīng)力應(yīng)變狀態(tài)和瓦斯動(dòng)力狀態(tài)的影響表現(xiàn)的不嚴(yán)重,所以在該區(qū)段測(cè)定的瓦斯涌出速度絕對(duì)值反應(yīng)了非卸壓巖體的瓦斯動(dòng)力狀態(tài),可以用來(lái)評(píng)價(jià)煤層突出的危險(xiǎn)性。

③瓦斯放散速度:煤體的瓦斯放散速度ΔP與煤體表面放散瓦斯的微孔大小和瓦斯?jié)B透流動(dòng)的孔隙通道有關(guān)。當(dāng)媒體空隙具有相同的大小時(shí),ΔP越大,瓦斯含量越大。一般情況下,煤層瓦斯含量越高,ΔP越大;當(dāng)媒體被破壞程度很大時(shí),ΔP越大,越容易發(fā)生瓦斯突出。當(dāng)ΔP>20時(shí),可判定煤與瓦斯突出危險(xiǎn)性。

④煤體瓦斯壓力:煤體瓦斯壓力與游離和吸附的瓦斯有關(guān)。煤層瓦斯壓力是預(yù)測(cè)煤層瓦斯含量的前提。瓦斯壓力特性可以反映煤與瓦斯突出發(fā)生及其危險(xiǎn)程度。因此,煤體的瓦斯壓力可以作為估計(jì)煤與瓦斯突出的一項(xiàng)重要指標(biāo)。

⑤地應(yīng)力:地應(yīng)力在煤與瓦斯突出的準(zhǔn)備和激發(fā)階段起主導(dǎo)作用,較快的媒體破碎速度可以導(dǎo)致較高的瓦斯釋放功率及劇烈的突出程度,反之亦然。

⑥地質(zhì)構(gòu)造:地質(zhì)構(gòu)造對(duì)煤與瓦斯突出影響巨大,高瓦斯煤礦及受局部集中影響的低瓦斯煤礦均易發(fā)生煤與瓦斯突出。

⑦煤層厚度:厚度越大的煤層越容易發(fā)生煤與瓦斯突出災(zāi)害。研究人員發(fā)現(xiàn)厚度分布不均勻且變化性大的煤層容易發(fā)生煤與瓦斯突出事故。

1.2 PCA算法原理

主成分分析法是多元統(tǒng)計(jì)學(xué)中的一種降維技術(shù)和特征提取方法[12-13]。這些主成分在保留原始變量絕大部分信息的同時(shí)減少了變量的維度,從而降低了問(wèn)題的復(fù)雜性。其計(jì)算步驟如下:

步驟1對(duì)采集到的樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

(1)

其中,

步驟2計(jì)算相關(guān)系數(shù)矩陣

(2)

其中,

因R為實(shí)對(duì)稱(chēng)矩陣,故只需計(jì)算其上三角或下三角元素即可。

步驟3計(jì)算相關(guān)系數(shù)矩陣R的特征值(λ1,λ2,…,λn)以及相應(yīng)的特征向量ai=(ai1,ai2,…,ain),i=1,2,…,n。即可得到一組主成分Fi為:

Fi=ai1X1+ai2X2+…+ainXn

(3)

(4)

若m個(gè)主元的累積貢獻(xiàn)率超過(guò)一定的指定數(shù)值后,通常取80%～95%,則認(rèn)為已求的主元個(gè)數(shù)可以充分綜合原數(shù)據(jù)信息。

步驟5寫(xiě)出m個(gè)主成分表達(dá)式,將m個(gè)主成分代替原始變量進(jìn)行后續(xù)分析。

1.3 煤與瓦斯突出輔助變量的選取

應(yīng)用地質(zhì)動(dòng)力區(qū)劃方法和趨勢(shì)面方法,結(jié)合地表考察、地震分析、航衛(wèi)片分析等手段,確定了礦區(qū)不同級(jí)別的活動(dòng)斷裂,取各點(diǎn)距活動(dòng)斷裂的距離為預(yù)測(cè)參數(shù)。確定以下9個(gè)變量作為輔助變量:最大主應(yīng)力(x1,MPa)、瓦斯壓力(x2,MPa)、瓦斯含量(x3,m3·t-1)、滲透率(x4,%)、距斷裂距離(x5,m)、厚度(x6,m)、垂深(x7,m)、絕對(duì)瓦斯涌出量(x8,m3·d-1)以及相對(duì)瓦斯涌出量(x9,m3·t-1)等。突出強(qiáng)度(y,t)作為軟測(cè)量建模輸出。采用最大主應(yīng)力作為預(yù)測(cè)參數(shù),采用“巖體應(yīng)力狀態(tài)分析系統(tǒng)”計(jì)算煤層應(yīng)力。巖體應(yīng)力狀態(tài)由不同級(jí)別斷塊所構(gòu)成的礦區(qū)區(qū)域現(xiàn)代構(gòu)造運(yùn)動(dòng)的格架反映。采用鉆孔數(shù)據(jù)和現(xiàn)場(chǎng)測(cè)試獲取某煤礦其余預(yù)測(cè)參數(shù)。將采集到的120組數(shù)據(jù)進(jìn)行歸一化處理后,輸入統(tǒng)計(jì)軟件SPSS18.0,進(jìn)行主成分分析,并得到特征值大小及累計(jì)貢獻(xiàn)率,如表1所示。由表1可知,當(dāng)累計(jì)貢獻(xiàn)率大于80%的情況下,可以得到3個(gè)主成分。第1主成分的貢獻(xiàn)率達(dá)54.478%,包含瓦斯含量、垂深、絕對(duì)瓦斯涌出量和相對(duì)瓦斯涌出量3個(gè)影響因素。第2主成分累計(jì)貢獻(xiàn)率達(dá)69.94%,包含最大主應(yīng)力和瓦斯壓力兩個(gè)影響因素。第3主成分累計(jì)貢獻(xiàn)率達(dá)83.674%,包含頂板巖性、距斷裂距離和厚度3個(gè)影響因素,說(shuō)明這3個(gè)主成分包含了9個(gè)變量的絕大部分信息。采用最小二乘法研究原始變量與主成分之間的關(guān)系即因子載荷矩陣,見(jiàn)表2。該表表示了原始變量與主成分之間的線(xiàn)性關(guān)系,將提取的這3個(gè)主成分作為下一步建立煤與瓦斯突出預(yù)測(cè)模型的輸入?yún)?shù)。

表1 主成分及其貢獻(xiàn)率

表2 主成分因子載荷矩陣

2 PSO-ELM預(yù)測(cè)模型

2.1 ELM算法原理

(5)

式中,k為訓(xùn)練樣本的數(shù)量;win為輸入節(jié)點(diǎn)和隱層節(jié)點(diǎn)的輸入權(quán)值,ω為連接隱含層與輸出層的輸出權(quán)值;bi為第i個(gè)神經(jīng)元的偏差即隱層閾值。將式(5)寫(xiě)成矩陣形式為HW=T,其中

(6)

式中:H為神經(jīng)網(wǎng)絡(luò)隱層輸出矩陣;W為輸出權(quán)值,且W=[ω1,ω2…ωL]T;T為輸出向量,且T=[t1,t2,…,tk]T;由于多數(shù)情況下遠(yuǎn)大于L,則式(5)可得輸出權(quán)值w=(HTH)-1HTT。因此,最終可得訓(xùn)練后的ELM時(shí)間序列預(yù)測(cè)模型

(7)

式中x為預(yù)測(cè)模型輸入,t為預(yù)測(cè)模型輸出。

2.2 PSO算法原理

粒子群算法是1995年由美國(guó)社會(huì)心理學(xué)家Kennedy和電氣工程師Eberhart提出來(lái)的一種仿生優(yōu)化算法[14-16]。起源于對(duì)鳥(niǎo)類(lèi)捕食行為的研究,一群鳥(niǎo)在只有一塊事物的某區(qū)域隨機(jī)尋找,找到食物最行之有效的方法是搜尋離食物最近的鳥(niǎo)的周?chē)鷧^(qū)域并根據(jù)鳥(niǎo)本身的飛行經(jīng)驗(yàn)判斷食物的位置。搜索空間中的每只鳥(niǎo)都相當(dāng)于PSO算法中每個(gè)尋優(yōu)問(wèn)題的解,相當(dāng)于“粒子”。所謂的“粒子”有自己的位置和速度,決定了它們飛行的方向和距離。所有粒子都有一個(gè)自己的適應(yīng)值,判斷目前位置的好壞。在每次迭代的工程中,粒子通過(guò)個(gè)體極值Pbest(Personal best)和全局極值gbest(global best)這兩個(gè)指標(biāo)來(lái)更新自己。

粒子i的速度和位置更新方程如下:

(8)

(9)

2.3 PSO優(yōu)化ELM具體步驟

針對(duì)極端學(xué)習(xí)機(jī)輸入權(quán)值和隱層閾值隨機(jī)確定這一不足,利用粒子群算法的全局搜索能力對(duì)極端學(xué)習(xí)機(jī)的初始輸入權(quán)值和隱層閾值進(jìn)行優(yōu)化選取。其步驟如下:

步驟1粒子群初始化,選擇合適的學(xué)習(xí)因子c1和c2,慣性權(quán)重ω,粒子維數(shù)D及最大迭代次數(shù)K和種群規(guī)模M。

步驟3得到最優(yōu)適應(yīng)度所對(duì)應(yīng)的ω和bi,利用式(6)計(jì)算出輸出權(quán)值矩陣H。

3 基于PCA和PSO-ELM在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用

步驟1對(duì)訓(xùn)練樣本數(shù)據(jù)預(yù)處理包括進(jìn)行誤差處理和標(biāo)準(zhǔn)化處理,并對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行主成分分析處理。

步驟2訓(xùn)練極端學(xué)習(xí)機(jī)網(wǎng)絡(luò),建立預(yù)測(cè)模型。將采集到的120組數(shù)據(jù)進(jìn)行主成分分析,前117組作為訓(xùn)練樣本,后3組作為檢驗(yàn)樣本。極端學(xué)習(xí)機(jī)學(xué)習(xí)性能的好壞取決于隱層節(jié)點(diǎn)數(shù)和激勵(lì)函數(shù)的選取。圖1給出了3種不同激勵(lì)函數(shù)(sin函數(shù),Sigmoidal函數(shù),Radial basis函數(shù))泛化性能的估計(jì)結(jié)果。由圖可見(jiàn)Sigmoidal和Radial basis函數(shù)無(wú)論在數(shù)值上還是在變化趨勢(shì)上都有很好的一致性,且3條曲線(xiàn)都在L=115時(shí)同時(shí)達(dá)到最優(yōu)。在激勵(lì)函數(shù)的選取上分別計(jì)算Sigmoidal和Radial basis函數(shù)的平均運(yùn)行時(shí)間,從圖2可以看出Sigmoidal函數(shù)表現(xiàn)出明顯的計(jì)算速度優(yōu)勢(shì)。故在此訓(xùn)練網(wǎng)絡(luò)選取Sigmoidal函數(shù)為激勵(lì)函數(shù),選取115為隱層節(jié)點(diǎn)數(shù)。

圖1 不同激勵(lì)函數(shù)模型泛化性能比較

圖2 不同激勵(lì)函數(shù)算法運(yùn)行時(shí)間比較

步驟3PSO-ELM性能分析

為檢驗(yàn)粒子群算法參數(shù)對(duì)PSO-ELM模型預(yù)測(cè)結(jié)果的影響,本文分別選取9組不同的粒子群參數(shù),即當(dāng)學(xué)習(xí)因子c1=c2=1.5時(shí),迭代次數(shù)k分別為100、200、300;當(dāng)c1=c2=2.0時(shí),k分別為100、200、300;當(dāng)c1=c2=2.5時(shí),k分別為100、200、300。利用以上參數(shù)的粒子群對(duì)極端學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層閾值進(jìn)行優(yōu)化選取,最后建立的預(yù)測(cè)模型對(duì)后3組數(shù)據(jù)進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果如表3所示。

定義預(yù)測(cè)誤差:

(10)

由表3中的結(jié)果可以看出,樣本118～120的預(yù)測(cè)結(jié)果均正確反映的煤與瓦斯突出的實(shí)際等級(jí),具有較好的精度。3個(gè)樣本預(yù)測(cè)結(jié)果的極差分為0.030 4、0.039 3、0.038 0,分別為相應(yīng)差別區(qū)間長(zhǎng)度的12.1%、15.7%、15.2%;最小誤差為16.43%,最大誤差為50.32%。說(shuō)明PSO-ELM模型的初始參數(shù)c1、c2、k對(duì)結(jié)果的影響不大,模型具有較好的穩(wěn)定性能。

步驟4分別對(duì)基于BP、ELM和PSO-ELM的煤與瓦斯突出預(yù)測(cè)模型預(yù)測(cè)效果進(jìn)行分析對(duì)比。

在BP預(yù)測(cè)模型中,設(shè)置輸入層神經(jīng)元個(gè)數(shù)為9,隱含層神經(jīng)元個(gè)數(shù)為19,激勵(lì)函數(shù)為Sigmoid。在ELM預(yù)測(cè)模型中,隱層節(jié)點(diǎn)數(shù)為115,激勵(lì)函數(shù)為Sigmoid。

在PSO-ELM預(yù)測(cè)模型中,設(shè)置c1=c2=2.25,ω=0.7,k=1000,M=100。結(jié)果如表4所示。

表3 煤與瓦斯突出PSO-ELM預(yù)測(cè)結(jié)果

表4 煤與瓦斯突出預(yù)測(cè)結(jié)果

由上表得出,經(jīng)PCA處理過(guò)得數(shù)據(jù)所花費(fèi)的時(shí)間要明顯優(yōu)于未經(jīng)PCA處理過(guò)的數(shù)據(jù)所花費(fèi)的時(shí)間。雖其前期PCA處理浪費(fèi)了一定的時(shí)間,但對(duì)數(shù)據(jù)進(jìn)行了降維處理,為后期的計(jì)算節(jié)省了時(shí)間。但PSO-ELM所用時(shí)間明顯多于ELM所用時(shí)間,PSO-ELM用時(shí)間換取了預(yù)測(cè)精度。而就BP算法與ELM算法而言,后者的運(yùn)算速度明顯高于前者。從預(yù)測(cè)誤差上來(lái)看PSO-ELM的預(yù)測(cè)誤差均小于0.1,明顯低于ELM預(yù)測(cè)模型和BP預(yù)測(cè)模型。而經(jīng)過(guò)PCA分析過(guò)得預(yù)測(cè)誤差又低于未經(jīng)過(guò)PCA分析過(guò)得預(yù)測(cè)誤差。故表明,基于PCA和PSO-ELM的煤與瓦斯突出預(yù)測(cè)模型可以對(duì)煤與瓦斯突出預(yù)測(cè)進(jìn)行快速有效的預(yù)測(cè)。

考察基于PCA和PSO-ELM的煤與瓦斯突出預(yù)測(cè)模型。設(shè)置最大訓(xùn)練次數(shù)為1 000,訓(xùn)練誤差為0.000 1,學(xué)習(xí)率為0.1,并與未改進(jìn)的極端學(xué)習(xí)機(jī)算法及BP算法收斂效果進(jìn)行對(duì)比。由收斂效果圖3可以看出,該優(yōu)化算法具有很強(qiáng)的收斂能力,可以快速將訓(xùn)練誤差降至允許誤差范圍的萬(wàn)分之一以下。

圖3 收斂效果圖

綜上所述,經(jīng)過(guò)粒子群算法優(yōu)化的極端學(xué)習(xí)機(jī)模型可很好的提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

4 結(jié)論

通過(guò)分析現(xiàn)有煤與瓦斯突出發(fā)生的內(nèi)在機(jī)理的復(fù)雜性及現(xiàn)有預(yù)測(cè)方法存在信息重疊,模型結(jié)構(gòu)復(fù)雜,學(xué)習(xí)速度慢,泛化能力差等不足。提出了基于PCA和PSO-ELM相結(jié)合的煤與瓦斯突出預(yù)測(cè)模型。

(1)采用PCA對(duì)煤與瓦斯突出的影響相關(guān)數(shù)據(jù)進(jìn)行處理,從而降低原始數(shù)據(jù)維數(shù),簡(jiǎn)化模型結(jié)構(gòu),提高預(yù)測(cè)效率與準(zhǔn)確率。

(2)ELM克服了原有神經(jīng)網(wǎng)絡(luò)算法泛化性能差且易陷入局部最小解,全局搜索能力差等缺點(diǎn),與PSO結(jié)合后確定了隱層閾值和輸入權(quán)值提高了學(xué)習(xí)效率。

(3)將基于PCA和PSO-ELM的煤與瓦斯突出預(yù)測(cè)模型應(yīng)用于不同強(qiáng)度的煤與瓦斯突出預(yù)測(cè)中。用實(shí)例進(jìn)行驗(yàn)證,結(jié)果表明該模型具有預(yù)測(cè)精度高,預(yù)測(cè)誤差小,泛化能力強(qiáng)及模型結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)。

[1] 郭德勇,韓德馨. 煤與瓦斯突出粘滑機(jī)理研究[J]. 煤炭學(xué)報(bào),2003,28(6):598-602.

[2]馬雷舍夫. 煤與瓦斯突出預(yù)測(cè)方法和防止措施[M]. 北京:煤炭工業(yè)出版社,2003:7-12.

[3]張春華,劉澤功,劉健,等. 封閉型地質(zhì)構(gòu)造誘發(fā)煤與瓦斯突出的力學(xué)特性模擬試驗(yàn)[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào),2013,42(4):554-559.

[4]袁瑞甫,李懷珍. 含瓦斯煤動(dòng)態(tài)破壞模擬實(shí)驗(yàn)設(shè)備的研制與應(yīng)用[J]. 煤炭學(xué)報(bào),2013,38(S1):117-123.

[5]梁冰,秦冰,孫維吉,等. 智能加權(quán)灰靶決策模型在煤與瓦斯突出危險(xiǎn)評(píng)價(jià)中的應(yīng)用[J]. 煤炭學(xué)報(bào),2013,38(9):1611-1615.

[6]文暢平. 隧道瓦斯突出危險(xiǎn)性評(píng)價(jià)的屬性識(shí)別模型與實(shí)例[J]. 煤炭學(xué)報(bào),2011,36(8):1322-1328.

[7]張子戌,劉高峰,呂閏生,等. 基于模糊模式識(shí)別的煤與瓦斯突出區(qū)域預(yù)測(cè)[J]. 煤炭學(xué)報(bào),2007,32(6):592-595.

[8]董春游,曹志國(guó),商宇航,等. 基于G-K評(píng)價(jià)與粗糙集的煤與瓦斯突出分類(lèi)分析[J]. 煤炭學(xué)報(bào),2011,36(7):1156-1160.

[9]王超,宋大釗,杜學(xué)勝,等. 煤與瓦斯突出預(yù)測(cè)的距離判別分析法及應(yīng)用[J]. 采礦與安全工程學(xué)報(bào),2009,26(4):470-474.

[10]由偉,劉亞秀,李永,等. 用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤與瓦斯突出[J]. 煤炭學(xué)報(bào),2007,32(3):285-287.

[11]郭德勇,鄭茂杰,郭超,等. 煤與瓦斯突出預(yù)測(cè)可拓聚類(lèi)方法及應(yīng)用[J]. 煤炭學(xué)報(bào),2009,34(6):783-787.

[12]Dhanjal C,Gunn S R,Shawe-Taylor J. Efficient Sparese Kernel Feature Extraction Based on Partial Least Squares[J]. IEEE Transactions on Pattern Analysis and Machine,2009,31(8):1347-1361.

[13]Huang G B,Wang D H,Lan Y. Extreme Learning Machines a Survey[J]. International Journal of Machine Leaning and Cybernetics,2011,2(2):107-122.

[14]Kennedy J,Eberhart R,Shi Y H. Swarm Intelligence[M]. San Francisco,Cal,USA:Morgan Kaufmann Publishers,2001:287-318.

[15]單亞鋒,孫朋,徐耀松,等. 基于PSO-SVM的煤巖聲發(fā)射源定位預(yù)測(cè)[J]. 傳感技術(shù)學(xué)報(bào),2013,26(3):402-406.

[16]孫艷梅,苗鳳娟,陶佰睿. 基于PSO的BP神經(jīng)網(wǎng)絡(luò)在壓力傳感器溫度補(bǔ)償中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào),2014,27(3):342-346.

付華(1962-),女,遼寧阜新人,博士(后),教授,博士生導(dǎo)師。主要從事智能檢測(cè)和數(shù)據(jù)融合等方面的研究。主持國(guó)家自然基金2項(xiàng)、主持及參與國(guó)家863和省部級(jí)項(xiàng)目30余項(xiàng),發(fā)辮論文50余篇,申請(qǐng)專(zhuān)利24項(xiàng),fxfuhua@163.com;

王馨蕊(1990-),女,遼寧阜新人,碩士研究生。主要研究方向智能檢測(cè)與電力系統(tǒng)自動(dòng)化,wangxrui@126.com。

ResearchontheSoftSensorofCoalandGasOutburstBasedonPCAandPSO-ELM*

FUHua1*,WANGXinrui1,WANGZhijun2,WANGYuhong1,TUNaiwei1,XUYaosong1

(1.School of Electrical and Control Engineering,Liaoning Technical University,Huludao Liaoning 125105,China;2.School of Innovation,Liaoning Technical University,Fuxin Liaoning 123000,China)

In order to solve the problems of low efficiency and accuracy of the coal and gas outburst prediction,in the paper,primary component analysis(PCA)combined with improved extreme learning machine(PSO-ELM)method for prediction of the coal and gas outburst is proposed. According to a coal mine geology dynamic division method,prominent influenced relevant data is acquired by the basic work of divisions of active faults and rock mass stress calculation. Through the primary component analyze method to reduce the dimension of the original data,eliminate the linear correlation volume. Using particle swarm optimization(PSO)to optimize the input weights and hidden layer threshold of extreme learning machine(ELM),establish PSO-ELM prediction model,treat the extractive principal components as the input of the prediction model,the outburst intensity of coal and gas as the model output. The results show that the method has high accuracy of the prediction,simplification of the model structure and strong generalization performance.

coal and gas outburst;soft-sensor;principle component analysis;particle swarm optimization;extreme learning machine

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(51274118,70971059);遼寧省科技攻關(guān)項(xiàng)目(2011229011);遼寧省教育廳基金項(xiàng)目(L2012119);遼寧工程技術(shù)大學(xué)研究生科研立項(xiàng)項(xiàng)目

2014-07-04修改日期:2014-10-07

TP39;TP183;TP212

:A

:1004-1699(2014)12-1710-06

10.3969/j.issn.1004-1699.2014.12.023