基于改进BP神经网络的综放开采放煤时间预测研究.pdf

第 卷第 期煤炭科技 年 月 收稿日期：；：作者简介：张文（），男，山东济宁人，工程师，年毕业于山东科技大学资环学院采矿工程专业，现从事矿山管理与冲击地压防治工作。引用格式：张文，周均忠，孙帅 基于改进 神经网络的综放开采放煤时间预测研究 煤炭科技，（）：，（）：文章编号：（）基于改进 神经网络的综放开采放煤时间预测研究张文，周均忠，孙帅（平凉五举煤业有限公司，甘肃 平凉 ；山东新河矿业有限公司，山东 济宁 ）摘要：综放开采自动化放煤是煤矿智能开采亟待的关键问题，由于样本量少、人工干预程度高，采用传统的 神经网络算法智能化预测放煤时间的效果并不理想。基于概率统计的思想提出了一种改进的 神经网络算法，在给定阈值范围内随机选定神经网络层数及单层神经元个数，大量重复进行放煤时间预测，对所有预测结果进行概率分布统计并计算数学期望，将该数学期望值作为最终结果输出。基于该方法的综放开采放煤时间预测数值验证误差小于 ，并成功应用于高家梁煤矿综放开采智能化决策中，证明了该方法的合理性与科学性。关键词：综放开采；智能化开采；神经网络；概率统计；放煤时间中图分类号：文献标志码：，（，；，）：，：；：智慧煤矿与智能化开采是煤炭工业发展的必然选择 ，智能决策是智能化采矿的关键技术之一 。现阶段，我国放顶煤工作面主要以人工操作为主，包括顶煤放煤时间都由工人凭经验控制，效率低且危险性大，如何实现综放开采放顶煤时间的智能决策是综放开采智能化建设需要进一步研究的方向。年第 期张文，等：基于改进 神经网络的综放开采放煤时间预测研究第 卷综放开采放顶煤时间智能决策具有鲜明的非线性与模糊性，致使传统的模糊控制算法暴露出较多短板，很难指导现场工程实践。神经网络算法因具有较强的非线性动态处理能力，使其能够建立非线性隐式对应关系，达到自主学习、智能预测 ，为综放开采放顶煤时间智能决策提供了研究方向，为解决具有多因素性、复杂性、随机性及非线性的智能化开采决策问题提供了途径 。近年来，该方法已经被应用于综采放顶煤的智能化决策中，例如利用 神经网络解决支架顶梁姿态问题 ，利用 神经网络解决综采放顶煤开采工艺参数决策问题 ，利用 神经网络预测顶煤放出率等 。由于煤矿开采的特殊性及井下地质环境的复杂性，利用神经网络自动控制放顶煤决策，具有训练样本数少且样本间共性差等缺点，导致人工干预程度较高、自主性差，表现为需要人为主观性选择适宜神经网络计算模型以调高预测精度。相关研究表明，直接立柱压力和位态参量（放煤前前柱压力、放煤前后柱压力、顶梁倾角、掩护梁倾角）直接影响放煤时间。为此，本文提出了基于概率统计的改进型 神经网络的采放煤时间算法，建立放煤前支架压力、位态与最优放煤时间之间存在隐含的对应关系，破解人为选择神经网络层数及单层神经元个数，以提高计算精度的难题，利用最大概率估计结果以自主预测采放煤时间。改进的 神经网络算法人工神经网络本质上是一种网络输入信号和输出信号之间的映射关系。在一个神经元中包含一种特定的激活函数，通过选择不同的模型结构，就可得到功能各异的人工神经网络和与之相应的输入输出关系式，实现期望的计算功能。假设输入矩阵为 ，神经元模型的输出矩阵 就可以表示为 ：（）（）（）式中，为权系数矩阵；为阈值矩阵；为激活函数。偏差 加上 就构成了激活函数 的输入，偏差实际上也是权值的一部分。一个 层神经网络示意如图 所示。样本输入矩阵 ，样本输出期望值矩阵 ，神经元模型的输出矩阵 ，则网络输出误差为：（）图 三层神经网络示意 在神经网络发挥作用之前，需要对网络模型进行训练，不断地修正网络的权值阈值，使样本输出拟合差达到设计要求。神经网络的权值调整采用误差反向传播算法，沿着网络输出误差函数下降最快的方向进行修正，即负梯度方向：（）式中，为网络当前的权值和阈值矩阵；为神经网络当前的输出误差函数的梯度；为网络的学习率。的求取理论非常成熟，本文不再赘述，神经网络整体算法流程如图 所示 。图 经典 神经网络算法流程 采用 编程实现了该 神经网络算法 ，并收集了 组放煤前支柱压力、位态与放煤时间的对应数据，见表 。年第 期煤炭科技第 卷表 某综采工作面 个支架压力特征、位态特征与放煤时间对应 ，支架编号放煤前前柱压力 （）放煤前后柱压力 （）放煤前顶梁倾角（）（）放煤前掩护梁倾角（）（）放煤时间（）选择 号支架数据作为训练样本，号支架数据作为验证数据。输入矩阵有 个元素，输出矩阵有一个元素，。在网格训练之前，需要初始化网格参数（神经网络层数、单层神经网络神经元个数、初始化权值和阈值、训练目标误差等）。在 编程中，权值阈值初始化采用随机赋值，其他例如网格层数、单层网格神经元个数也对预测值产生直接影响，导致即便网格训练误差满足设计要求，得到的输出值仍然不稳定。不同网络层数、神经元个数预测的 号支架放煤时间见表 ，训练误差 。表 号支架验证 神经网络参数网络层数单层神经元 号支架预测放煤时间 号支架实际放煤时间 预测误差 显然，在只选择支架压姿态初始值作为特征数据输入的情况下，由于数据量减少，其隐含规律不易发掘，不同的神经网络参数预测结果差异较大。尽管可以通过人工干预选择合适的结果作为最终结果，例如人工选择 层神经网络、单层 个神经元时预测误差只有 ，这说明放煤前支架压力、位态的初值（放煤前前柱压力、放煤前后柱压力、放煤前顶梁倾角、放煤前掩护梁倾角）与放煤时间之间的对应联系是客观存在的，但人为干预结果不仅极大地降低了算法智能性，而且不具有客观性，需要更加智能化的方法提取该对应规律。基于大数据的数据挖掘是发现数据潜在的规律的有效方法 ，但是由于煤矿开采的特殊性，获得海量数据是困难的。为了获得全面包含隐藏规律的海量数据，在一个阈值内随机选择网格层数及单层网格神经元个数，大量重复 神经网络程序，便可以得到基于网格层数及单层网格神经个数的大量预测数据，从而在一定程度上忽略网格层数及单层网格神经元个数的影响，通过概率分析大量预测数据获得概率最大的预测值。同时，为了避免样本数据中不符合规律的飞点影响最终结果，在每次运行程序前选择训练样本时，随机选择整体样本的一个子集作为训练样本。改进的 算法程序框图如图所示。改进的 神经网络算法预测放煤时间采用本文提出的改进型 神经网络对综采放煤时间进行预测。预测样本选择表 中 号支架数据，验证样本为 号数据。神经网络初始化参数设置见表 。年第 期张文，等：基于改进 神经网络的综放开采放煤时间预测研究第 卷图 改进的 神经网络算法流程 表 改进的 神经网络初始化参数 参数参数值神经网络层数阈值，单层神经元个数阈值，训练目标误差 重复预测次数 重复预测获得 个预测值，其概率分布如图 所示。显然，预测值的概率分布类似正态分布的形式，预测值主要分布范围及其概率见表 。预测值在 分布较平均，段概率均大于 且小于 ，最高概率为 区间，占总数的 。中值与平均值也是研究数据分布的关键参数，通过计算可知，次预测结果的中值为 ，平均值为 ，中值与均值都处于概率较高的 区间内且差距较小。最终选择中值与均值的平均值作为最终的预测结果，即 为 。与实际放煤时间 相比，预测误差小于 ，验证了改进的 神经网络算法的有效性。图 预测值概率分布 表 预测值主要分布范围及其概率 预测值范围 分布概率 结论（）通过在 神经网络预测算法中加入基于大数据的概率分析模块，提高了综采放顶煤过程中采用 神经网络智能化决策的稳定性，降低了人工干预神经网络预测的程度，提高了智能化水平。该方法对综采放煤时间预测，证明了其合理性与科学性。（）综采放顶煤时，在地层相似性较好的区域，放煤前支架压力、位态的初值（放煤前前柱压力（）、放煤前后柱压力（）、放煤前顶梁倾角（）、放煤前掩护梁倾角（）与放煤时间之间存在较好的对应关系，通过研究已有的放煤前支架压力、位态资料与放煤时间的对应关系，可以对综采放煤时间进行智能化决策，为实现自动化放煤提供了新思路。参考文献（）：王国法，赵国瑞，任怀伟 智慧煤矿与智能化开采关键核心技术分析 煤炭学报，（）：，年第 期煤炭科技第 卷 ，（）：王国法，杜毅博 智慧煤矿与智能化开采技术的发展方向 煤炭科学技术，（）：，（）：尹光志，李铭辉，李文璞，等 基于改进 神经网络的煤体瓦斯渗透率预测模型 煤炭学报，（）：，（）：冉雨，程郁凡，陈大勇，等 采用 神经网络的智能抗干扰决策引擎研究 信号处理，（）：，（）：谷超 液压支架姿态智能感知系统及基于 神经网络决策研究 徐州：中国矿业大学，孟宪锐，曹春杰，胡彬彬 放顶煤开采工艺参数决策的神经网络模型研究 采矿与安全工程学报，（）：，（）：，范志忠，王耀辉，黄志增 支架压力和位态模糊识别的综放放煤模式 辽宁工程技术大学学报（自然科学版），（）：，（），（）：杨培举，刘长友，金太 两柱掩护式综放支架的承载规律及工艺研究 采矿与安全工程学报，（）：，（）：张锦旺 综放开采散体顶煤三维放出规律模拟研究 北京：中国矿业大学（北京），高隽 人工神经网络原理及仿真实例 北京：机械工业出版社，贺文博 基于人工神经网络的高密度电阻率法反演研究及其在冻土监测中的应用 长春：吉林大学，丛爽 面向 工具箱的神经网络理论与应用 合肥：中国科技大学出版社，张德丰 神经网络应用设计 北京：机械工业出版社，苏高利，邓芳萍 论基于 语言的 神经网络的改进算法 科技通报，（）：，（）：罗成汉 基于 神经网络工具箱的 网络实现 计算机仿真，（）：，（）：，（）：，（）：檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶 （上接第 页）冯志仁，刘红帅，于龙 地震作用下含软弱夹层顺层岩质边坡表面放大效应研究 防灾减灾工程学报，（）：，（）：杨峥，许强，刘汉香，等 地震作用下含反倾软弱夹层斜坡的动力变形破坏特征研究 振动与冲击，（）：，（）：，（）：，（）：，（）：，：