張吉林

(山西中陽張子山煤業(yè)有限公司， 山西 呂梁市 033000)

0 引 言

在我國煤礦六大災(zāi)害中，瓦斯事故的災(zāi)害影響最大，是嚴(yán)重威脅煤礦安全生產(chǎn)的自然災(zāi)害之一，尤其是瓦斯爆炸和煤與瓦斯突出造成的人員傷害和財產(chǎn)損失更是無法估計。地下瓦斯涌出是造成事故發(fā)生的主要原因，而采煤工作面的瓦斯涌出量更是占到了礦井瓦斯涌出量的60%～80%，嚴(yán)重威脅煤礦生產(chǎn)[1-2]，而工作面的瓦斯涌出量受煤層瓦斯原始含量、開采方法、開采規(guī)模、通風(fēng)方式和通風(fēng)量等多種因素的綜合影響，非線性是瓦斯涌出的本質(zhì)特性，瓦斯涌出量構(gòu)建的時間序列反映了這種非線性特性，因此，研究瓦斯涌出時間預(yù)測方法對于煤礦安全生產(chǎn)具有重要意義[3]。

EMD(經(jīng)驗?zāi)B(tài)分解)是針對不穩(wěn)定隨機(jī)性信號的預(yù)測方法，基于數(shù)據(jù)自身的時間尺度特征，無須預(yù)先設(shè)定任何基函數(shù)，能夠較準(zhǔn)確的反映數(shù)據(jù)信號的非線性特征，彌補(bǔ)以往非線性非平穩(wěn)信號的特征，本文采用EMD進(jìn)行瓦斯涌出量的預(yù)測，同時結(jié)合Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建具有時變性的模型，對時間尺度構(gòu)建的模型進(jìn)行預(yù)測，最終得出預(yù)測結(jié)果[12]。

1 改進(jìn)的EMD-Elman瓦斯涌出預(yù)測

1.1 經(jīng)驗?zāi)B(tài)分解

由于所有分析的數(shù)據(jù)都不是本征模函數(shù)，在任意時間點上，數(shù)據(jù)可能包含多個波動模式，因此需要對原數(shù)據(jù)進(jìn)行EMD分解來獲得本征模函數(shù)，分解方法主要基于以下假設(shè)條件[13]：

(1) 數(shù)據(jù)至少有兩個極值；

(2) 數(shù)據(jù)的局部時域特性是由極值點間的時間尺度唯一確定；

(3) 如果數(shù)據(jù)沒有極值點但有拐點，則可以通過對數(shù)據(jù)微分一次或多次求得極值，然后再通過積分來獲得分解結(jié)果。

其具體步驟為：

(1) 找出Y(t)所有極大值和所有極小值，采用三次樣條函數(shù)擬合成原始數(shù)據(jù)序列的上、下包絡(luò)線，據(jù)此得出平均包絡(luò)線m(t)：

整個伍迪·艾倫的電影《午夜巴黎》里上演的都是一場場的“穿越劇”，電影的主旨其實是“反穿越”，告訴人們舊時光的好。而在現(xiàn)實世界中，大部分人更樂意活在舊時光里—念想著舊時的名牌、衣裝釵鈿、玉器、愛人……在介紹巴黎手工坊之前，要先介紹幾位設(shè)計師，他們讓巴黎的手工坊有了“靈魂”，他們也目睹著“舊時光”的潮起潮落。

m(t)=(mmax(t)+mmin(t))/2

(2) 將原始序列Y(t)減去該平均包絡(luò)后得到一個新數(shù)據(jù)序列T(t)：

T(t)=Y(x)-m(t)

(3) 若T(t)不是IMF數(shù)據(jù)序列，則對其進(jìn)行

重復(fù)性處理，當(dāng)平均包絡(luò)趨于0時結(jié)束，得出新的IMF分量B1(t)：

T(k-1)(t)=mk(t)+Tk(t)

B1(t)=Tk(t)

(4) 將原始數(shù)據(jù)序列Y(t)減去第一個IMF分量B1(t)，得出差值數(shù)據(jù)序列，同時對其處理得出第2個分量B2(t)，重復(fù)下去直到最后一個差值序列不再分解為止，其Rn(t)公式：

R1(t)-B2(t)=Rn(t)

其停止分解的條件：分量小于預(yù)置值，其為單調(diào)數(shù)列，無法再分解，對于有趨勢的信號，它的最終剩余分量即具有該趨勢。

1.2 Elman網(wǎng)絡(luò)基本原理

Elman神經(jīng)網(wǎng)絡(luò)通常是一個兩層網(wǎng)絡(luò)，由輸入、輸出、承接、隱含層4部分組成，如圖1所示，它是在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過引入反饋信號，存儲內(nèi)部狀態(tài)使其具各映射動態(tài)功能。

圖1 Elman網(wǎng)絡(luò)結(jié)構(gòu)

1.3 改進(jìn)的EMD-Elman瓦斯涌出量預(yù)測方法

基于采煤工作面瓦斯涌出過程動態(tài)特征，建立改進(jìn)的EMD-Elman瓦斯涌出量預(yù)測模型如圖2所示。

圖2 改進(jìn)的EMD-Elman預(yù)測模型

改進(jìn)的EMD-Elman預(yù)測模型是通過EMD分解將復(fù)雜的采煤工作面瓦斯涌出量預(yù)測問題，分解成簡單的分量預(yù)測，使得預(yù)測難度大大降低，同時考慮了時間序列多尺度對于預(yù)測結(jié)果的影響以及Elman動態(tài)建模的優(yōu)勢，預(yù)測精度得到提高，而權(quán)值的引入從微觀上對各個分量進(jìn)行微調(diào)，去噪后預(yù)測結(jié)果更加精準(zhǔn)，其基本步驟為：

(1) 將瓦斯涌出量原始數(shù)據(jù)分解成有限個IMF分量和剩余分量。

(2) 利用PACF(偏自相關(guān)函數(shù))確定分量和剩余分量的滯后階數(shù)，進(jìn)一步確定Elman子模型的輸入、輸出變量。

(3) 分別建立分量以及剩余分量的Elman的子模型。

(4) 對各個分量模型預(yù)測結(jié)果進(jìn)行加權(quán)求和，并進(jìn)行PSO算法，得出采煤工作面瓦斯涌出量預(yù)測結(jié)果。

2 應(yīng)用研究

2.1 瓦斯涌出量原始數(shù)據(jù)

以山西潞安集團(tuán)某礦1206工作面為試驗面，對其2015年6月5日至30日工作面瓦斯涌出情況進(jìn)行分析，其涌出量情況如圖3所示(小時為單元)。

圖3 工作面瓦斯絕對涌出量

由圖3可知，隨著時間的變化，瓦斯呈現(xiàn)出波動性，無明顯規(guī)律性，是不平穩(wěn)序列，其精確預(yù)測存在一定難度。采用改進(jìn)的EMD-Elman模型對其進(jìn)行預(yù)測分析。

2.2 瓦斯涌出量的EMD分解

由圖3可知，瓦斯涌出量在192～220產(chǎn)生較大波動，若直接建模會產(chǎn)生較大誤差，因此對其進(jìn)行EMD分解，分解結(jié)果如圖4所示。高頻分量主要是受煤層原始瓦斯含量、通風(fēng)方式等影響，低頻分量主要受開采方式、開采強(qiáng)度影響。

采用偏自相關(guān)函數(shù)確定分量以及剩余分量的滯后階數(shù)，得出輸入和輸出變量，并根據(jù)樣本數(shù)劃分3個部分，訓(xùn)練樣本一(400)，用于Elman模型訓(xùn)練，訓(xùn)練樣本二(200)，用于權(quán)值確定，測試樣本(190)，用于模型驗證。

圖4 EMD分解結(jié)果

2.3 瓦斯涌出量預(yù)測

對于各分量和剩余分量分別建立Elman子模型，并對樣本進(jìn)行預(yù)測，其結(jié)果如圖5所示。

IMF1僅能跟蹤時間序列大致趨勢，預(yù)測結(jié)果較差，而其他預(yù)測結(jié)果較準(zhǔn)確，IMF1主要受煤層原始瓦斯涌出量和通風(fēng)方式的影響，結(jié)果較難預(yù)測，而其他分量受此影響較小，預(yù)測精度高。

對于圖5中的各個子模型預(yù)測結(jié)果進(jìn)行加權(quán)，并進(jìn)行PSO計算，得出采煤工作面瓦斯涌出量預(yù)測結(jié)果，如圖6所示，預(yù)測結(jié)果其吻合度高達(dá)95.2%，均方誤差為0.0025，能夠滿足采煤工作面瓦斯涌出量精確度要求。

為了進(jìn)一步說明改進(jìn)的EMD-Elman模型的優(yōu)越性，采用Elman和EMD-Elman模型對其瓦斯涌出量進(jìn)行預(yù)測，并對其吻合度進(jìn)行分析。兩模型結(jié)果如圖7所示。

圖5 分量預(yù)測結(jié)果

圖6 改進(jìn)的EMD-Elman預(yù)測結(jié)果

圖7 Elman和EMD-Elman預(yù)測結(jié)果

對比圖7可得知，兩種預(yù)測結(jié)果在時間上均存在一定的時延，同時，兩種預(yù)測結(jié)果準(zhǔn)確性分別為82.45%和92.16%，均方誤差分別為0.0059和0.0026，預(yù)測準(zhǔn)確性較差， EMD-Elman的準(zhǔn)確性較高，表明EMD分解將原始采煤工作面瓦斯涌出量序列中多尺度信息分離出單獨(dú)建模，增加了預(yù)測結(jié)果的準(zhǔn)確性。

對比EMD-Elman和改進(jìn)的EMD-Elman預(yù)測結(jié)果可知，改進(jìn)的EMD-Elman預(yù)測結(jié)果吻合度更高，均方誤差小，說明加權(quán)的引入，能夠進(jìn)一步實現(xiàn)對模型的微調(diào)，增加預(yù)測結(jié)果的吻合度。

3 結(jié) 論

針對采煤工作面瓦斯涌出量的非穩(wěn)定性特點，提出了改進(jìn)的EMD-Elman預(yù)測模型，并進(jìn)行了應(yīng)用分析，得出以下結(jié)論：

(1) EMD分解提取瓦斯涌出量時間序列不同尺度信息，Elman對子模型進(jìn)行預(yù)測，并通過加權(quán)融合，對加權(quán)結(jié)果進(jìn)行PSO算法尋優(yōu)處理，進(jìn)一步提高了瓦斯涌出量的預(yù)測精度。

(2) 改進(jìn)的EMD-Elman預(yù)測結(jié)果能夠較準(zhǔn)確的預(yù)測瓦斯涌出量，吻合度高達(dá)95.2%，比單純的Elman預(yù)測精度提高了12.75個百分點。

參考文獻(xiàn)：

[1]雷文杰，劉瑞濤，蘇國韶.灰色關(guān)聯(lián)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測工作面瓦斯涌出量[J].礦業(yè)安全與環(huán)保，2013，40(5)：34-37.

[2]楊文旺，崔洪慶，張子敏.掘進(jìn)工作面瓦斯涌出量混沌動力學(xué)方法研究[J].礦業(yè)安全與環(huán)保，2010，37(1)：12-14.

[3]董鋼鋒，胡千庭.工作面瓦斯涌出及采空區(qū)瓦斯抽放的COS-FLOW模擬預(yù)測[J].礦業(yè)安全與環(huán)保，2007，34(2)：4-6.

[4]李樹文，王 平，張昌建，等.地下水灰模的交叉取向解法在礦井涌水量預(yù)測中的應(yīng)用研究[J].礦業(yè)安全與環(huán)保，2013，40(4)：19-22.

[5]施式亮，伍愛友.GM(1,1)模型與線性回歸組合方法在礦井瓦斯涌出量預(yù)測中的應(yīng)用[J].煤炭學(xué)報，2008，33(4)：415-418.

[6]王艷暉，李國勇，王炳萱.MFOA-SVM在采煤工作面瓦斯涌出量預(yù)測中的應(yīng)用[J].礦業(yè)安全與環(huán)保，2016，43(2)：54-58.

[7]程加堂，艾 莉，熊 燕. 基于IQPSO-BP算法的煤礦瓦斯涌出量預(yù)測[J].礦業(yè)安全與環(huán)保，2016，43(4)：38-41.

[8]喬德浩.基于CIPSO-ENN耦合算法的瓦斯涌出量預(yù)測[D].沈陽：遼寧工程技術(shù)大學(xué)，2011.

[9]孫 強(qiáng)，張振文.基于灰色理論的礦井瓦斯涌出量預(yù)測模型研究[J].煤炭技術(shù)，2009，28(9)：96-97.

[10]龔 安，呂 倩，胡長軍，等.基于混沌萬有引力搜索算法的SVM參數(shù)優(yōu)化及應(yīng)用[J].計算機(jī)科學(xué)，2015，42(4)：240-243.

[11]王雨虹，付 華，侯福營，等.基于混沌免疫粒子群優(yōu)化和廣義回歸神經(jīng)網(wǎng)絡(luò)的回采工作面瓦斯涌出量預(yù)測模型[J].計算機(jī)應(yīng)用，2014，34(11)：3348-3352.

[12]李潤求，施式亮，伍愛友，等.采煤工作面瓦斯涌出預(yù)測的 EMD-Elman 方法及應(yīng)用[J].中國安全科學(xué)學(xué)報，2014，24(6)：51-56.

[13]王 婷.EMD算法研究及其在信號去噪中的應(yīng)用[D].哈爾濱：哈爾濱工程大學(xué)，2010.