李紅霞，吳雪菲，，謝 謙

(1.西安科技大學(xué) 能源學(xué)院，陜西 西安 710054；2.中煤科工集團(tuán)西安研究院有限公司，陜西 西安 710077)

0 引 言

我國煤礦賦存環(huán)境復(fù)雜，煤層變質(zhì)程度及孔隙結(jié)構(gòu)差異性較大，即使在現(xiàn)階段的智能化生產(chǎn)過程中，各系統(tǒng)、各環(huán)節(jié)仍存在多種安全生產(chǎn)風(fēng)險(xiǎn)。因此，對這些潛在的風(fēng)險(xiǎn)因素及危險(xiǎn)進(jìn)行辨識，明確瓦斯事故的發(fā)生特征，科學(xué)有效地識別并評估瓦斯爆炸風(fēng)險(xiǎn)等級并進(jìn)行分級管控，是有效預(yù)防瓦斯事故的先決條件[1]。

國內(nèi)外學(xué)者在風(fēng)險(xiǎn)評估方面，對煤礦生產(chǎn)事故發(fā)生幾率以及事故發(fā)生后產(chǎn)生的危害程度權(quán)衡方面進(jìn)行了深入分析，針對瓦斯災(zāi)害風(fēng)險(xiǎn)預(yù)測方面，先后采用了層次分析法[2]、FDA法[3]、物元可拓理論[4]等方法，主要思路是通過建立瓦斯災(zāi)害相關(guān)的評價指標(biāo)體系后，按照不同的評價方法和步驟對指標(biāo)進(jìn)行定性或者定量的額評價，通過更多的樣本和評價結(jié)果驗(yàn)證評價方法的可靠性和有效性，結(jié)合具體的場景選擇準(zhǔn)確率較高的分析評價方法應(yīng)用于對應(yīng)類型的礦井和場景，在相似的場景和時間區(qū)間內(nèi)，都取得了一定的成果。在瓦斯涌出預(yù)測和評估方面，主要分為物理參數(shù)預(yù)測方法和基于瓦斯?jié)舛然蛘哂砍隽繒r間序列分析的方法2大類，其中物理參數(shù)方法中的打孔鉆粉法[5]和微震檢測法[6-7]已應(yīng)用至實(shí)際生產(chǎn)中。但煤礦種類多，水文地質(zhì)環(huán)境復(fù)雜，煤的孔隙結(jié)構(gòu)和吸附特性均受煤炭類型影響，故應(yīng)用打孔鉆粉法和微震檢測法預(yù)測煤礦瓦斯的預(yù)見性不夠強(qiáng)的問題?；跁r間序列分析的方法是通過模型來預(yù)測瓦斯含量，主要包括BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型，張寶等針對小斷層構(gòu)造區(qū)域進(jìn)行研究，通過參數(shù)測定分析后建立指標(biāo)體系，利用BP神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了小斷層的瓦斯涌出含量預(yù)測，并測得誤差小于5%，在潞安礦區(qū)進(jìn)行了實(shí)際應(yīng)用[8]。趙天華首先基于SVM支持向量機(jī)方法搭建了瓦斯預(yù)測流程框架，通過PSO和GA算法篩選樣本組合參數(shù)后構(gòu)建了瓦斯預(yù)測模型，進(jìn)行礦井瓦斯?jié)舛阮A(yù)測[9]。預(yù)測結(jié)果于實(shí)測數(shù)據(jù)對比誤差較小，驗(yàn)證了該瓦斯預(yù)測模型的實(shí)用性和有效性，綜上都存在針對時序數(shù)據(jù)的信息匱乏問題。因此，一些學(xué)者使用深度學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建瓦斯?jié)舛阮A(yù)測模型。張新建等將數(shù)據(jù)通過小波降噪處理后使用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，對瓦斯?jié)舛冗M(jìn)行了預(yù)測[10]。程子均等使用LSTM構(gòu)建瓦斯預(yù)測模型，解決了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的梯度消失問題[11]。為了構(gòu)建更加精確的瓦斯預(yù)測模型，本文使用Adam算法優(yōu)化LSTM網(wǎng)絡(luò)層參數(shù)的方法構(gòu)建瓦斯?jié)舛阮A(yù)測模型。

模型的精確性是風(fēng)險(xiǎn)評估的基石，建立好模型后根據(jù)模型的預(yù)測效果劃分風(fēng)險(xiǎn)等級。本文使用“3σ”準(zhǔn)則作為瓦斯災(zāi)害的風(fēng)險(xiǎn)劃分方法，根據(jù)輸入的樣本數(shù)據(jù)通過訓(xùn)練與給定的預(yù)期輸出作為判別依據(jù)將風(fēng)險(xiǎn)劃為無風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)4個等級。使用某礦瓦斯?jié)舛葦?shù)據(jù)驗(yàn)證本文提出的Adam優(yōu)化LSTM瓦斯?jié)舛阮A(yù)測模型的精度，將上述算法的預(yù)測結(jié)果輸入至“3σ”準(zhǔn)則，按照劃分的風(fēng)險(xiǎn)等級輸出預(yù)測結(jié)果的風(fēng)險(xiǎn)等級結(jié)果，經(jīng)驗(yàn)證后研究可較好的為瓦斯災(zāi)害風(fēng)險(xiǎn)做出有效的評估。

1 相關(guān)理論及方法

1.1 3σ準(zhǔn)則

“3σ”準(zhǔn)則首先將瓦斯?jié)舛葦?shù)據(jù)標(biāo)準(zhǔn)化后作為輸入數(shù)據(jù)，以風(fēng)險(xiǎn)水平作為神經(jīng)網(wǎng)絡(luò)的預(yù)期輸出，然后對神經(jīng)網(wǎng)絡(luò)工作(訓(xùn)練樣本、測試樣本)進(jìn)行訓(xùn)練，將實(shí)際產(chǎn)出值與預(yù)期產(chǎn)出值進(jìn)行比較，判斷神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確性[12]。

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)由HOCHREITER & SCHMID-HUBER于1997年提出[13-15]，并由Graves在遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的基礎(chǔ)上改進(jìn)的一種人工智能方法，LSTM使用存儲單元來存儲和輸出信息，目的是為了解決RNN中易出現(xiàn)的“梯度消失”問題[16]。LSTM的單元結(jié)構(gòu)如圖1所示。

圖1 LSTM單元結(jié)構(gòu)Fig.1 LSTM unit structure

LSTM的細(xì)胞單元具有3個門，分別為遺忘門(Forget Gate)、輸入門(Input Gate)、輸出門(Output Gate)[17]。σ為sigmoid激活函數(shù)，LSTM細(xì)胞單元參數(shù)更新如公式所示。

LSTM首先通過遺忘門該門通過上一時刻LSTM隱藏層的輸出以及當(dāng)前時刻的輸入

ft=σ(Wf·[ht-1,xt]+bf)

(1)

輸入門主要功能是避免無關(guān)信息進(jìn)入到LSTM的細(xì)胞單元結(jié)構(gòu)中，該門主要功能與遺忘門功能相似

it=σ(Wi·[hi-1,xt]+bi)

(2)

(3)

(4)

輸出門通過將上一時刻隱藏層的輸出以及當(dāng)前時刻的輸入得到當(dāng)前時刻輸出門的輸出

ot=σ(Wo·[ht-1,xt]+bo)

(5)

將信息流所得到的值通過tanh函數(shù)更新與輸出門所得到的值合并得到模型的輸出

ht=ot·tanh(Ct)

(6)

2 基于LSTM的風(fēng)險(xiǎn)預(yù)警模型

2.1 數(shù)據(jù)預(yù)處理

由于數(shù)據(jù)采集過程中受設(shè)備故障、人為干擾等不穩(wěn)定因素的影響，采集的數(shù)據(jù)集中通常存在異常數(shù)據(jù)。異常數(shù)據(jù)的存在將極大影響預(yù)測的準(zhǔn)確率。因此，在輸入訓(xùn)練數(shù)據(jù)前需要對樣本中的異常數(shù)據(jù)進(jìn)行識別和處理。

步驟一：使用拉伊達(dá)準(zhǔn)則[18]進(jìn)行異常值閾值確定。

步驟二：將異常值剔除，會導(dǎo)致時序數(shù)據(jù)部分缺失，為了保證預(yù)測效果，需要對缺失數(shù)據(jù)進(jìn)行填補(bǔ)。本文使用Lagrange插值法[19-20]對空缺數(shù)據(jù)進(jìn)行填補(bǔ)。

步驟三：對步驟一、步驟二處理好后的數(shù)據(jù)進(jìn)行歸一化處理

(7)

式中x′為歸一化后的輸入變量；max(x)原始數(shù)據(jù)最大值；min(x)為原始數(shù)據(jù)最小值。

2.2 基于LSTM的綜采工作面瓦斯預(yù)測

基于LSTM神經(jīng)網(wǎng)絡(luò)的瓦斯爆炸風(fēng)險(xiǎn)預(yù)測模型，應(yīng)用于綜采工作面瓦斯爆炸風(fēng)險(xiǎn)的評估，LSTM模型以瓦斯?jié)舛茸鳛槟Ｐ偷妮斎脒M(jìn)行回歸模型的預(yù)測，相比于其他傳統(tǒng)的瓦斯爆炸風(fēng)險(xiǎn)評估，提高了瓦斯爆炸風(fēng)險(xiǎn)評估的精準(zhǔn)度，保障了綜采工作面的安全生產(chǎn)。LSTM神經(jīng)網(wǎng)絡(luò)的瓦斯爆炸風(fēng)險(xiǎn)預(yù)測模型如圖2所示。

圖2 瓦斯爆炸風(fēng)險(xiǎn)預(yù)測模型Fig.2 Gas risk prediction model

具體流程如下所示。

步驟一：將訓(xùn)練集的輸入數(shù)據(jù)輸入到LSTM中，得到預(yù)測值。

步驟二：根據(jù)預(yù)測值與真實(shí)值計(jì)算損失函數(shù)。

步驟三：利用Adam對LSTM的權(quán)重進(jìn)行更新，實(shí)現(xiàn)LSTM的監(jiān)督學(xué)習(xí)。

步驟四：利用訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)，輸入測試集數(shù)據(jù)，對未來的瓦斯?jié)舛葦?shù)據(jù)進(jìn)行預(yù)測。

3 風(fēng)險(xiǎn)評估實(shí)例

3.1 數(shù)據(jù)來源與樣本選擇

實(shí)驗(yàn)數(shù)據(jù)集選取某礦瓦斯?jié)舛葦?shù)據(jù)，該數(shù)據(jù)集每5分鐘采集1次。本文實(shí)驗(yàn)采用其中5 000條數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。選取4 880條數(shù)據(jù)作為模型的訓(xùn)練集，對未來120條數(shù)據(jù)進(jìn)行預(yù)測。

3.2 模型參數(shù)選擇

在實(shí)驗(yàn)過程中，為了保證研究結(jié)果的準(zhǔn)確性和可靠性，對3種預(yù)測模型的參數(shù)進(jìn)行合理選擇，在以往依據(jù)經(jīng)驗(yàn)選取參數(shù)建立模型中，模型差距主要是選擇對象的認(rèn)知差距，為了將這種誤差降至最小，3種模型學(xué)習(xí)率統(tǒng)一設(shè)置為0.001，并將2種神經(jīng)網(wǎng)絡(luò)的定為不同函數(shù)，LSTM的優(yōu)化選用Adam算法，最終選用參數(shù)確定見表1。

表1 參數(shù)選擇Table 1 Parameter selection

3.3 3σ等級劃分

采用“3σ”規(guī)則，可以量化信用風(fēng)險(xiǎn)的分級評級，從而對瓦斯超限風(fēng)險(xiǎn)進(jìn)行更加直觀的分析和評價。數(shù)據(jù)樣本標(biāo)準(zhǔn)化后，均值μ=0.168 2，標(biāo)準(zhǔn)差為σ=0.080 1，風(fēng)險(xiǎn)臨界點(diǎn)為μ±σ和μ±3σ。風(fēng)險(xiǎn)劃分見表2。

表2 風(fēng)險(xiǎn)劃分Table 2 Risk division

3.4 評價指標(biāo)

評價指標(biāo)采用平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)，公式如下

(8)

(9)

式中Ytrue為瓦斯?jié)舛日鎸?shí)值；Ypre為瓦斯?jié)舛阮A(yù)測值。

3.5 實(shí)驗(yàn)結(jié)果

按照表1中選取參數(shù)對各模型進(jìn)行網(wǎng)絡(luò)調(diào)整，以某礦采集的5 000條瓦斯?jié)舛葦?shù)據(jù)作為實(shí)驗(yàn)對象，訓(xùn)練模型將瓦斯?jié)舛茸鳛檩斎胍蛩?，按照?σ”準(zhǔn)則進(jìn)行等級劃分標(biāo)準(zhǔn)將瓦斯預(yù)測值進(jìn)行更加直觀表示，瓦斯爆炸風(fēng)險(xiǎn)等級作為模型輸出，實(shí)現(xiàn)瓦斯?jié)舛蕊L(fēng)險(xiǎn)狀況的準(zhǔn)確評定，進(jìn)而較早預(yù)警，避免不安全事故的發(fā)生。

綜采工作面瓦斯?jié)舛日鎸?shí)值及3種模型預(yù)測值如圖3所示；3種模型誤差如圖4所示。在評估結(jié)果基礎(chǔ)上按照模型概況對預(yù)測結(jié)果進(jìn)行分類統(tǒng)計(jì)分別如表3算法誤差對比和表4瓦斯爆炸風(fēng)險(xiǎn)預(yù)測結(jié)果比對。

表3 算法誤差對比Table 3 Algorithm error comparison

圖3 瓦斯?jié)舛阮A(yù)測值 Fig.3 Predicted values of gas concentration

圖4 不同模型誤差對比Fig.4 Error comparison of different models

由圖3和圖4可以看出：LSTM的預(yù)測精度要優(yōu)于其他模型的預(yù)測精度。

由表3可以看出：LSTM對比其他2種模型的平均絕對百分比誤差(MAPE)提高了57.4%和23.9%；均方根誤差(RMSE)提高了46.6%和26.3%。在誤差比對基礎(chǔ)上按照表2中風(fēng)險(xiǎn)評估分級標(biāo)準(zhǔn)對3種模型的預(yù)測值與真實(shí)值評估結(jié)果進(jìn)行統(tǒng)計(jì)并表示。分析表4統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的準(zhǔn)確性高于支持向量機(jī)(SVM)，LSTM網(wǎng)絡(luò)模型預(yù)測結(jié)果精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。從誤差和預(yù)測結(jié)果的準(zhǔn)確度對比發(fā)現(xiàn)，LSTM具有更好的實(shí)用性。

表4 瓦斯爆炸風(fēng)險(xiǎn)預(yù)測結(jié)果對比Table 4 Comparison of gas risk prediction results

統(tǒng)計(jì)預(yù)測結(jié)果中，不同模型預(yù)測精度不超過±5%的個數(shù)占比如圖5所示。

圖5 不同模型預(yù)測精度不超過±5%的個數(shù)統(tǒng)計(jì)Fig.5 Statistics of prediction accuracy less than ±5% by different models

4 結(jié) 論

1)通過與SVM、BP神經(jīng)網(wǎng)絡(luò)方法相比較，選擇了LSTM神經(jīng)網(wǎng)絡(luò)分析方法，其特點(diǎn)是對于長時間跨度的非線性時間序列具有極強(qiáng)的學(xué)習(xí)能力。

2)對比3種模型對綜采工作面的瓦斯爆炸風(fēng)險(xiǎn)等級評定發(fā)現(xiàn)基于LSTM的模型具有更高的預(yù)測精度和較好的擬合效果。

3)使用“3σ”準(zhǔn)則進(jìn)行瓦斯爆炸風(fēng)險(xiǎn)等級劃分，可為煤礦安全等級劃分提供一條新的思路。