基于Labview 和Matlab的改進神經網絡煤與瓦斯突出預測系統＊

艾迪昊 李 聰 榮 濤 李 凱

（中國礦業大學 （北京）資源與安全工程學院，北京市海淀區，100083）

隨著我國煤礦開采深度和強度的不斷增大，礦井瓦斯突出問題日益嚴重。礦井瓦斯突出是一個復雜的動力學過程，與其影響因素之間存在著復雜的非線性關系，在進行瓦斯突出分析時需要考慮多種因素的共同影響。人工神經網絡 （Artificial Neuron Network，ANN）是一種基于對人腦活動機制和組織結構的認識所提出的新型信息處理方法，對非線性函數具有很強逼近和映射能力，近年來被一些學者應用于解決具有高度非線性、復雜性以及模糊性的煤礦安全問題。但使用基本的神經網絡算法的神經網絡模型存在訓練時間過長和學習過程中易發生振蕩等缺點。利用Matlab的神經網絡工具箱可以方便調用改進的神經網絡算法，很好地對樣本數據進行學習和擬合，進而對煤與瓦斯突出程度進行預測，但此過程需要在Matlab中進行復雜的操作并且需要操作人員有一定的神經網絡知識，不太適合在煤礦現場中直接使用。Labview 是美國國家儀器NI公司推出的具有良好開放性的虛擬儀器開發平臺，廣泛應用于實際工程中的測試測量、數據采集以及控制仿真等領域。利用Labview 中的ActiveX 技術，可以方便地進行Labview 和Matlab的混合編程。本文利用Matlab提供的神經網絡工具箱和Labview 圖形化編程和數據采集能力，混合開發出基于改進神經網絡的瓦斯突出程度預測系統。

1 Labview 和Matlab混合編程

Labview 是一種使用圖形化編程語言的開發環境，其提供了各種在工業中使用的信息處理模塊和完善的標準庫函數，可以方便地使用圖形化編程來構建自己的虛擬儀器系統，在硬件系統不變的情況下，通過改變軟件就可以實現不同的儀器儀表的功能，特別是針對煤礦現場使用Labview 既可以實時對采集的大量數據進行保存又可以對保存數據進行不同的處理。但是，Labview 在處理復雜的算法時很難滿足相應的要求，而Matlab具有強大數值計算能力、完備的工具箱以及復雜的算法函數。通過Labview 提供的與多種語言的外部接口和ActiveX 技術可以實現Labview 和Matlab 的混合編程。本文通過Mathscript節點實現在Labview 中調用Matlab神經網絡工具箱，完成煤與瓦斯突出程度預測系統的設計。

2 人工神經網絡

2.1 基本BP神經網絡

圖1 基本神經網絡算法流程圖

2.2 改進的神經網絡

基本BP神經網絡雖然可以使權值和閾值向量得到一個穩定的解，但是存在收斂速度慢、網絡易陷于局部極小和學習過程常常發生振蕩等缺點，特別是由于最速下降BP 算法的訓練時間往往過長，造成不便在實際工程中應用。為了克服這些不足，出現了許多改進算法，如動量BP算法、學習速率可變的BP 算法、Fletcher-Reeves共軛梯度法和擬牛頓算法。其中共軛梯度法比絕大多數常規的梯度下降法收斂都要快，而且只需要增加很少的存儲量及計算量，適合在實際中應用。

共軛梯度法的第一步是沿負梯度方向進行搜索，然后沿當前搜索方向的共軛方向進行搜索，確定最優迭代步長，最終使期望的輸出誤差達到訓練要求。其過程描述如下：

第一次迭代的搜索方向確定為負梯度方向，即搜索方向S （X （0））=-▽f（X （0）），以后各次迭代的搜索方向由下式確定：

式中：X（k）——網絡所有的權值和閾值組成的向量；

S （X（k））——由X 的各分量組成的向量空間中的搜索方向；

η（k）——S （X（k））方 向 使f （X （k+1））=min ｛f［X（k）+η（k）S （X（k））］｝達到極小的步長。

表3中的相對誤差為正值表示相對于算法1的功耗計算結果，該算法的功耗計算結果將功耗“高估”，為負值則表示該算法的功耗計算結果將功耗“低估”.對實驗所用的1000個MPRM電路做進一步分析，在這些MPRM電路中，算法3和ACE2.0的動態功耗計算結果和靜態功耗計算結果既存在“低估”的情形，也存在“高估”的情形，算法4動態功耗計算結果的相對誤差均為0，靜態功耗計算結果均為“低估”.關于表3中的電路c8和m181，ACE2.0的平均動態功耗計算結果的相對誤差為0，只是說明這兩個電路，其100個MPRM電路動態功耗計算結果的“高估”部分和“低估”部分恰好相互抵消.

3 煤與瓦斯突出強度預測模型

3.1 輸入層神經元的確定

煤與瓦斯突出是在多種不同因素的共同作用下產生的復雜動力現象，采用單一指標很難對其進行準確預測，必須考慮多種因素共同作用所產生的影響。

綜合指標D、K 的值是由地應力、瓦斯和煤的物理力學性質共同決定的，它是判定煤層是否區域突出危險性的重要指標。當D、K 值同時達到或者超過其規定的臨界指標時，表示該區域煤層具有突出危險性。其中：

式中：H——開采深度，m；

Δp——瓦斯放散初速度，mmHg；

f——煤的堅固性系數；

P——煤層瓦斯壓力，MPa。

另外，礦井的地質構造會對煤與瓦斯的突出產生一定的影響。其中地質構造中的斷層破壞了煤層的連續性，使煤層瓦斯逸散條件發生變化。張扭性斷層有利于瓦斯的逸散，壓扭性斷層對瓦斯的逸散起阻擋作用，成為逸散屏障。

除了上述條件之外，在相同的條件之下，不同煤的破壞類型的孔隙結構存在一定差異，會導致不同煤的破壞類型吸附性能不同，吸附性能不同進而會導致瓦斯抽采能力不同。同時在瓦斯流動理論方程中，瓦斯含量系數是影響瓦斯抽放難易程度的一個重要指標，而煤層瓦斯含量是影響煤與瓦斯突出的關鍵因素。

根據上述分析，綜合考慮神經網絡的學習速度，選取對煤與瓦斯突出預測有重要影響的7個參數為神經網絡的輸入層，分別為瓦斯放散初速度、煤的破壞類型指標、煤層瓦斯壓力、地質構造類型指標、煤的堅固性系數、煤層瓦斯含量以及煤層開采深度。

3.2 隱藏層和輸出層的確定

Robert證明只要隱層節點數足夠多，只含有一個隱層的神經網絡模型就可以以任意的精度逼近一個非線性函數，因此本文中的模型選擇采用一個隱藏層，隱藏層節點數根據經驗公式選擇為10個。

對于輸出層，按照煤與瓦斯突出強度的大小將其編碼為沒有突出、小型突出、中型突出和大型突出四類，設置四類的期望輸出值分別為 （0，0，0，1）、 （0，0，1，0）、 （0，1，0，0）、 （1，0，0，0）。

3.3 訓練樣本數據

選取國內典型突出礦井10組不同煤層7個參數的實測數據為神經網絡模型學習的樣本集進行訓練，如表1所示。

表1 訓練樣本數據

綜上所述，此神經網絡模型由7個輸入層神經元、10個隱層神經元和4 個輸出層神經元構成，初始化設定學習速率為0.01，最大訓練次數為1000次，訓練要求精度為0.0001，模型的權值和閾值的初始值為隨機賦值，傳遞函數分別選擇tansig和purline，訓練函數為triancgf。

4 Labview 中實現煤與瓦斯突出強度預測

4.1 瓦斯突出強度預測系統的建立

Labview 和Matlab 進行混合編程時，使用Labview 設計用戶圖形界面，負責數據的采集、輸入、顯示、保存和通信；Matlab在后臺提供復雜算法供Labview 調用。本文利用MatlabScript 節點實現Matlab的調用。對MatlabScript節點的使用既可以將已經調試好的M 文件導入節點中去，也可以在程序框圖中直接輸入程序。

本文設計的瓦斯突出預測系統分為原始數據的采集和保存、改進神經網絡的建立以及預測結果數據的保存三大部分。其中數據采集和保存部分主要是設置采集端口和文件保存的路徑，神經網絡的建立是整個系統的核心。在建立神經網絡模型時首先考慮輸入層和輸出層數據類型和大小，通過定義矩陣的方式設置輸入和輸出的樣本數據，接著在Labview 的前面板中添加神經網絡仿真參數，通過定義輸入數據來設置在仿真時的學習速率、期望誤差等參數。之后在Labview 的程序框圖中調用Mathscript腳本，在腳本框內輸入神經網絡仿真的Matlab程序代碼，最后設置數據的輸出和保存。

4.2 訓練結果

通過Matlab神經網絡工具箱，輸入相應的訓練樣本數據，Matlab進行運算，當達到預先設定的精度要求時，自動停止運算，神經網絡誤差曲線如圖2所示。圖中x軸表示整個神經網絡學習的次數，y軸表示整個神經網絡預期的精度誤差要求，隨著學習次數的不斷增大，精度誤差逐漸減小。

可以看出此神經網絡模型在訓練次數達到50次時就可以達到訓練要求的精度，當訓練次數達到100次時網絡收斂，克服了基本BP 神經網絡收斂速度慢的缺點。

仿真輸出數據如表2所示。由表2可以看出網絡期望輸出與學習結果的值之間的誤差很小，最大的平均絕對誤差值小于0.3%，表示此神經網絡對樣本數據進行了很好的學習，可以表示其輸入和輸出之間復雜的映射關系。

圖2 神經網絡誤差曲線

4.3 預測結果檢驗

在神經網絡達到預期的誤差精度要求后，使用檢驗數據對此神經網絡模型進行檢驗，通過輸入2組實測數據，觀察網絡預測輸出與實際值的差異，檢驗數據如表3所示。

預測結果如表4所示。從表4可以得出預測輸出的結果與實際結果之間的平均絕對誤差值小于5%，說明此系統可以很好地根據樣本數據進行學習，可以對瓦斯突出程度進行有效地預測。

表2 仿真輸出數據

表3 檢驗數據

表4 預測結果

5 結論

（1）通過Labview 和Matlab混合編程，實現了基于改進神經網絡的瓦斯突出程度預測系統，相比于在Matlab中直接進行神經網絡訓練，既增加了數據的采集和仿真結果的保存功能，又簡化了仿真過程，每次只需要輸入訓練樣本和進行參數設置，就可以進行神經網絡的仿真，使神經網絡在實際的工程中有一定的應用價值。

（2）采用改進的FR 共軛梯度算法神經網絡，有效避免了基本神經網絡訓練時間過長和學習過程中易發生振蕩的缺點。

（3）將影響煤與瓦斯突出的因素進行綜合考慮，避免了單一因素的片面性，通過實際結果與預測數據的比較，可以得出此神經網絡模型對瓦斯突出程度預測準確度較高，基本可以反映煤與瓦斯突出程度與其影響因素之間的非線性關系。

（4）將Labview 完善的數據采集功能、友好的界面和Matlab強大的數值計算功能應用于煤礦現場應用軟件系統的開發，為快速開發功能完善的智能化礦山系統提供了一條新的途徑。

［1］ 王捷帆，李文俊 .中國煤礦事故暨專家點評集［M］.北京：煤炭工業出版社，2002

［2］ 尹光志，李銘輝等.基于改進神經網絡的煤體瓦斯滲透率預測模型 ［J］.煤炭學報，2013（7）

［3］ 高洪濤，陳曉寧等.基于LabVIEW 與MATLAB平臺的神經網絡設計與應用研究 ［J］.自動化技術與應用，2012（2）

［4］ 焦川，李艾華 .基于ActiveX 技術下LabVIEW 與MATLAB 的通訊實現［J］.農業網絡信息，2000（7）［5］ 史峰.Matlab 神經網絡30 個案例分析 ［M］ .北京：北京航空航天大學出版社，2010

［6］ 田麗云，周利華.基于BP 神經網絡的煤與瓦斯突出預測方法的研究 ［J］ .系統工程理論與實踐，2005 （12）

［7］ 張德豐 .Matlab 神經網絡應用設計 ［M］ .北京：機械工業出版社，2011

［8］ 任浩源.BP神經網絡在煤與瓦斯突出危險性預測中的應用研究 ［D］.西安科技大學，2012

［9］ 吳觀茂，黃明等.基于BP 神經網絡的瓦斯含量預測 ［J］.煤田地質與勘探，2008 （1）

［10］ 周少華.焦作礦區不同破壞類型煤的瓦斯吸附特性研究 ［D］.河南理工大學，2011

［11］ 王軼波，徐阿猛等.基于Matlab 的神經網絡工具箱在礦井瓦斯治理中的應用 ［J］ .煤礦安全，2010 （3）

［12］ 馬克偉，袁梅等.基于人工神經網絡的煤礦安全事故預測研究 ［J］.中國煤炭，2010 （2）