一種人工智能算法在礦用電源評價中的應用研究

李紅星

（中國船舶重工集團公司第七一六研究所，江蘇 連云港 222061）

0 引 言

礦用電源防爆的主流規避手段為本安兼隔爆的方式，即電源內部是非本質安全的，但是電路經過層層降壓、限流的操作之后，電源的輸出是本質安全的，電源外部用一個隔爆外殼達到內部電路防爆的效果。煤礦井下這樣的爆炸性氣體環境下的電氣設備，需要在應用前進行防爆認證。爆炸性火花實驗是目前常用的認證方法，但實驗周期長并且成本高。團隊在研制一種隔爆兼本安的電源在出廠前的是爆炸性火花實驗測試階段發生了內部爆炸，設計人員在設計階段就對電路是否本質安全進行基本的判定，將大大提高設計效率，節省成本。

設計人員在本質安全電路設計時采用的非爆炸評價方式是利用已經建立的簡單電路模型去計算能量是否達到爆炸閾值，此方法只適用于簡單電路，對于混合電路并不適用；并且此方法過于理想化，忽略了許多必要因素，誤差較大。

由于本質安全電路的判定影響因素很多，且呈現相互影響的非線性關系，不能找到確定的數學模型來描述這種不確定的輸入輸出關系。自適應神經網絡模糊推理系統（Adaptive Network-based Fuzzy Inference System,ANFIS）具有處理非線性輸入輸出關系的能力，因此，本文考慮將ANFIS 應用于本質安全電路非爆炸性評價中，經驗證，基于ANFIS 的本質安全電路判定模型具有可行性。

本文對ANFIS 在本質安全電路非爆炸評價中應用進行可行性論證，并在此基礎上建立了基于ANFIS 的本質安全電路非爆炸評價模型，最后對建立的模型進行了模擬電路驗證。

1 基于ANFIS 的本質安全電路非爆炸評價模型建立

1.1 自適應神經網絡模糊推理系統（ANFIS）理論

ANFIS 全稱為自適應神經模糊推理系統（Adaptive Neural-Fuzzy Inference System），是在綜合了神經網絡與模糊系統兩者的優點基礎上得到的一種新的模糊推理系統，ANFIS 系統不僅具有模糊系統的類人推理能力，而且還具有人工神經網絡的聯想記憶能典型的自適應神經模糊推理系統（ANFIS）的結構，如圖1所示。

圖1中，ANFIS 系統的結構為兩輸入（、）、單輸出（），這里，、是系統的兩個不同的輸入信號，是系統的唯一的輸出信號。

圖1 ANFIS 結構圖

MATLAB 給我們提供了自適應模糊推理系統（ANFIS）工具箱，我們選擇混合算法（Hybrid），即將梯度下降法和最小二乘法相結合使用。

1.2 將ANFIS 應用于本安電路判定的可行性

本質安全電路判定結果與其影響因素之間存在著復雜的非線性關系。目前，對于多變量非線性的本質安全電路進行計算機判定國際上還沒有相關結論和公式；對于多變量非線性問題，模糊系統具有較好的建模能力；并且ANFIS 將神經網絡的自學習、自組織、自調整能力與模糊邏輯有機地結合在一起，系統具有在線調整、學習速度快以及表達直觀準確的特點。它在數據處理過程中采用了類似于“黑箱”的方法，通過對初始數據的自學習、自調整，找出符合輸入、輸出變量的非線性關系（映射）。在通過一定步數的訓練之后，ANFIS 能較好地擬合出輸出變量與輸入變量之間的非線性關系。

既然本質安全電路具有多變量、非線性的特點，而ANFIS 具有很好地處理多變量、非線性問題的能力，因此，本文考慮將ANFIS 應用于本質安全電路非爆炸性模型的建立。

1.3 基于ANFIS 的本質安全電路非爆炸評價模型的建立

1.3.1 初始化數據的歸一化處理

ANFIS 是基于數據的自適應模糊推理系統，因此初始數據的準確性直接關系到訓練出來的模型是否能很好地擬合源數據，在這里首先確定初始數據的選取來源，并將采集到的初始數據進行歸一化處理，使之能很好地被ANFIS 工具箱利用。

初始數據的選取來源，在訓練開始之前首先要導入樣本數據。本課題從GB 3836.4—2000 中本質安全電路設計最小點燃曲線采集初始數據，共480 組，其中，電阻性電路150 組，電感性電路150 組，電容性電路150 組，混合型電路30 組。用400 組初始數據訓練基于ANFIS 的本質安全電路非爆炸評價模型，用80 組數據對建立的基于ANFIS 的本質安全電路非爆炸評價模型進行驗證。

在MATLAB 仿真過程中，數據范圍過大的情況，可能會導致數據進入S 型函數的飽和區，使得網絡不夠收斂，因此，我們將數據進行歸一化處理來避免出現這種情況，且歸一化處理有利于提高網絡的訓練速度。具體歸一化算法為：

P=2×（-min）/（max-min）-1

其中，是初始訓練數據，min、max分別是這組數據的最小值和最大值，P是映射后的數據。

MATLAB 歸一化程序為：

1.3.2 ANFIS 模型中數據的本質安全判定標準

在初始數據選擇階段，確定了以下判定標準來判別電路的本質安全特性：

（1）初始數據本質安全判定標準：假設臨界點燃點數據為，采集數據為，輸出=/，數據取值范圍在[0，1）之間的電路評價為本質安全，在（1，+∞）之間的電路評價為非本質安全。特別的=/=1 為臨界狀態，這種狀態為不穩定狀態，出現這種情況應歸于非本質安全狀態，并利用其他爆炸性評價方法驗證電路的本質安全。

（2）歸一化之后判定標準：從歸一化處理之后的數據中得出，點燃點的臨界狀態點1 對應的歸一化值為0.247 9，因此，我們將本質安全電路在ANFIS 中的判定標準定為：數據范圍在[0，0.247 9）之間的電路為本質安全，在（0.247 9，+∞）之間的電路評價為非本質安全。

1.3.3 建立基于ANFIS 的本質安全電路非爆炸評價模型步驟

在這里，我們用自適應神經網絡模糊推理工具箱建立基于ANFIS 的本質安全電路非爆炸評價模型的步驟如圖2所示。

圖2 基于ANFIS 的本質安全電路非爆炸評價模型的設計流程

1.3.4 自適應神經網絡模糊推理系統的建模

利用經過歸一化處理的400 組初始數據，并按照上一節介紹的建立基于ANFIS 的本質安全電路非爆炸評價模型的步驟訓練生成一個評價本質安全電路本質安全特性的ANFIS。

訓練的過程為：

第一步，將經過歸一化處理的400 組初始訓練數據在導入到ANFIS 工具箱。

將經過歸一化處理的訓練數據以及驗證數據同時導入ANFIS 工具箱里得到的綜合數據。

第二步，確定輸入輸出變量的個數及類型。

本系統中輸入量有三個，分別為電壓、電流、電容。

對于電阻性電路以及電感式電路，根據GB 3836.4—2000 計算采集到電壓值、電流值，將電容值設置為0，根據GB 3836.4—2000 本質安全電路判定標準評價電路是否為本質安全；

對于電容性電路，根據GB 3836.4—2000 計算采集到電壓值、電容值，將電阻值、電感值設置為0，根據GB 3836.4—2000 本質安全電路判定標準評價電路是否為本質安全；

ANFIS 系統的輸入輸出情況如圖3所示，左側為三個輸入，分別為電壓、電流、電容，中間為ANFIS 訓練過程，右側為輸出OUT。

圖3 輸入輸出情況

第三步，訓練得到基于ANFIS 的本質安全電路非爆炸評價模型的初始模型。

要想訓練得到基于ANFIS 的本質安全電路非爆炸評價模型，首先要在系統訓練之初指定系統的初始隸屬度函數。所以，依照這個原則，我們在訓練基于ANFIS 的本質安全電路非爆炸評價模型的時候，將輸入語言變量的隸屬度函數的數目設置為5，隸屬度函數類型為鐘形（gbellmf），輸出隸屬度函數的類型用線性（Linear），利用這些設定的初始參數訓練得到基于ANFIS 的本質安全電路非爆炸評價模型的初始模型。

第四步，訓練生成自適應模糊推理系統。

在訓練生成自適應模糊推理系統之前，對系統的相關參數進行設置。

首先根據設計需要選擇模糊邏輯算法，根據前面關于算法選擇的討論，我們選擇混合算法（Hybrid），在這里，令Opt Method=1 對ANFIS 進行訓練。

然后，我們把期望的誤差期望值設置為0，模型訓練的步數設置為500。

參數設置完畢，我們就可以開始對基于ANFIS 的本質安全電路非爆炸評價模型進行訓練。

2 基于ANFIS 的本質安全電路非爆炸評價模型驗證

本安兼隔爆的方式是礦用電源防爆的主流規避手段，即電源內部是非本質安全的，但是電路經過層層降壓、限流的操作之后，電源的輸出是本質安全的，電源外部用一個隔爆外殼達到內部電路防爆的效果。工作中項目團隊研發的一種隔爆兼本安的電源在出廠前的測試階段發生了內部爆炸，那么根據我們之前所探討的理論，將這個電源的數據輸入已經建立的模型中，評價結果應該是非本質安全的，下面我們就將爆炸的電源的數據輸入模型進行評價。

為了驗證所建立的模型是否能對電路的本質安全性能進行客觀、較為準確的評價，根據本質安全電路組成要素搭建了一個檢驗電路，如圖4所示。

圖4 檢驗電路

圖4中，、、、、、均為可調參數，為電源電壓，G 為火花點燃裝置。

根據圖4所示的模擬檢驗電路以及GB 3836.4—2000 標準，在GB 3836.4—2000 標準數據的基礎上，采取不同輸入變量獨立變化的原則，選取了10 組檢驗數據來檢驗模型的準確性。

采用的本質安全的評價標準為：

歸一化處理之后的數據中，點燃點的臨界狀態點1 對應的歸一化值為0.247 9，因此，我們將本質安全電路在ANFIS 中的判定標準定為：數據范圍在[0，0.247 9）之間的電路為本質安全，在（0.247 9，+∞）之間的電路評價為非本質安全。

檢驗結果如表1所示。

表1 ANFIS 模型對檢驗電路評價結果

從表1我們可以看出：

（1）ANFIS 模型在對模擬檢驗電路評價的8 組數據中，有7 組數據評價準確，1 組數據評價錯誤，準確率為87.5%，評價結果與實際電路相吻合，說明在設計階段，該模型對實際電路有一定的指導意義，可以減少設計成本，提高設計效率。

（2）1 組數據評價錯誤，其正確評價結果為0.246 8，非常接近于0.247 9，即接近本質安全電路評價不穩定的臨界點。因此，我們得出結論：在數據非常接近本質安全電路判定臨界點的時候，模型對真實數據的擬合能力較差，易出錯，因此，在臨界點的數據建議采用本質安全爆炸性評價方法評價。

3 結 論

自適應神經網絡模糊推理系統具有處理非線性輸入輸出關系的能力，因此，本文在此理論基礎上建立了基于ANFIS的本質安全電路非爆炸性評價模型，并且通過實際電路驗證，證明了基于ANFIS 的本質安全電路判定模型的可行性與準確性。該模型可以為電路設計人員在設計階段對電路的本質安全特性進行初步的評價，大大提高設計效率，縮減了設計成本。