基于多特征融合的煤自燃溫度深度預(yù)測(cè)模型

王 斌，賈澎濤，郭風(fēng)景，孫劉詠，林開義

（1.陜西建新煤化有限責(zé)任公司，陜西 黃陵 727300；2.西安科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710054；3.陜西陜煤蒲白礦業(yè)有限公司，陜西 蒲城 715517）

0 引 言

煤礦火災(zāi)是影響煤礦生產(chǎn)的重大災(zāi)害之一，其中由于煤自燃引發(fā)的火災(zāi)占礦井火災(zāi)90%以上[1-3]。煤自燃是一個(gè)復(fù)雜的動(dòng)態(tài)氧化過程，其發(fā)生具有隱蔽性、突變性的特點(diǎn)，一旦發(fā)生會(huì)嚴(yán)重威脅礦井生產(chǎn)安全和礦工生命安全[4-5]。因此，開展煤自燃的監(jiān)測(cè)預(yù)測(cè)研究對(duì)防控煤自燃災(zāi)害發(fā)生具有重要意義[6]。

近年來，學(xué)者們圍繞煤自燃預(yù)測(cè)相關(guān)問題提出多種預(yù)測(cè)方法，主要有測(cè)溫法、自燃發(fā)火實(shí)驗(yàn)預(yù)測(cè)法和氣體分析法等[7-9]，其中氣體分析法因規(guī)律性強(qiáng)、靈敏度高而被廣泛使用[10-11]。在煤氧化升溫進(jìn)程中，會(huì)釋放出標(biāo)志性氣體，通過分析這些氣體的組成及含量變化情況，可以反演采空區(qū)煤炭氧化自燃程度，這類分析方法被稱為氣體分析法[12-14]。但是在利用多特征氣體指標(biāo)數(shù)據(jù)時(shí)，需要對(duì)煤自燃多特征數(shù)據(jù)進(jìn)行關(guān)鍵特征提取融合，保障分析預(yù)測(cè)煤自燃危險(xiǎn)性時(shí)用到的數(shù)據(jù)具有高可靠性。

近年來，學(xué)者們圍繞數(shù)據(jù)融合開展了大量研究工作，所采用的方法主要有傳統(tǒng)的數(shù)學(xué)分析法和基于機(jī)器學(xué)習(xí)的方法。數(shù)學(xué)分析方法主要有主成分分析法[15]、自適應(yīng)加權(quán)平均法[16]、卡爾曼濾波法[17]、貝葉斯估計(jì)法[18]、D-S證據(jù)理論方法[19]、基于信息融合模型的廣義多傳感器數(shù)據(jù)融合模型[20]、基于張量的多傳感器異構(gòu)數(shù)據(jù)廣義融合算法[21]等?；跈C(jī)器學(xué)習(xí)的方法有基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的多特征融合方法[22]、結(jié)合注意力機(jī)制的深度卷積神經(jīng)網(wǎng)絡(luò)方法[23]、雙支卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)融合框架[24]等。這些方法在一些工業(yè)生產(chǎn)領(lǐng)域取得了較好的效果，但是在煤自燃預(yù)測(cè)領(lǐng)域還較少有人應(yīng)用。

隨著煤自燃預(yù)測(cè)技術(shù)研究的深入，采用機(jī)器學(xué)習(xí)算法預(yù)測(cè)煤自燃的狀態(tài)已成為了研究的熱點(diǎn)。機(jī)器學(xué)習(xí)方法依賴于數(shù)據(jù)的可靠性，但是因?yàn)槊鹤匀急O(jiān)測(cè)數(shù)據(jù)受井下復(fù)雜環(huán)境的影響，易存在缺失值、隨機(jī)噪聲和粗大噪聲，直接通過多個(gè)特征進(jìn)行煤自燃趨勢(shì)的預(yù)測(cè)判斷，會(huì)受到數(shù)據(jù)噪聲和可信度差異的干擾，影響煤自燃預(yù)測(cè)精度。因此，本文提出基于多特征數(shù)據(jù)融合的煤自燃溫度預(yù)測(cè)方法，選取與煤溫相關(guān)性較強(qiáng)的O2、CO、CO2、CH4、C2H4作為煤溫預(yù)測(cè)指標(biāo)，通過降噪和多特征融合提升原始數(shù)據(jù)的有效性，從而提高煤自燃危險(xiǎn)預(yù)測(cè)的精度。

1 模型構(gòu)建

煤自燃標(biāo)志性氣體濃度變化趨勢(shì)與煤溫之間存在復(fù)雜的非線性關(guān)系[25]，這種關(guān)系能預(yù)測(cè)出煤溫的變化。為了準(zhǔn)確地預(yù)測(cè)煤溫變化，構(gòu)建基于多特征融合的煤自燃溫度深度預(yù)測(cè)模型，如圖1所示。圖1中的編碼降噪層和CNN特征提取層完成了煤自燃數(shù)據(jù)的多特征融合；門限循環(huán)單元（Gate Recurrent Unit，GRU）神經(jīng)網(wǎng)絡(luò)層完成了煤自燃溫度的預(yù)測(cè)；差分進(jìn)化算法（Differential Evolution，DE）優(yōu)化參數(shù)層采用差分進(jìn)化算法對(duì)降噪自編碼器和CNN的神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。

圖1 基于多特征融合的煤自燃溫度預(yù)測(cè)模型框架Fig.1 Prediction model framework of coal spontaneous combustion temperature based on multi-feature fusion

2 模型描述

2.1 煤自燃數(shù)據(jù)多特征融合

為了給煤自燃溫度預(yù)測(cè)模型提供更可靠的特征數(shù)據(jù)，需要對(duì)煤自燃監(jiān)測(cè)數(shù)據(jù)進(jìn)行多特征數(shù)據(jù)動(dòng)態(tài)融合，過程如圖2所示。首先，采用降噪自編碼器網(wǎng)絡(luò)對(duì)煤自燃數(shù)據(jù)進(jìn)行降噪；其次，采用多特征矩陣動(dòng)態(tài)切片方法，將歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)相結(jié)合；最后，基于CNN進(jìn)行特征提取與融合。具體介紹如下所述。

圖2 煤自燃數(shù)據(jù)多特征融合過程Fig.2 Multi-feature fusion process of coal spontaneous combustion data

1）首先，為了增強(qiáng)數(shù)據(jù)的魯棒性，對(duì)含有高噪聲的煤自燃數(shù)據(jù)進(jìn)行編碼降噪。構(gòu)造一個(gè)具有n個(gè)煤自燃監(jiān)測(cè)數(shù)據(jù)樣本的時(shí)間序列數(shù)據(jù)集合：X={X1，X2，...，Xn}，X集合中，第i（i=1，2，...，n）元素Xi=[xtemp，xO2，xCO，xCO2，xCH4，xC2H4]分別表示第i時(shí)刻的煤自燃溫度、O2、CO、CO2、CH4、C2H4氣體濃度數(shù)據(jù)。

將特征樣本數(shù)據(jù)中的噪聲值看作異常值，然后基于降噪自編碼器網(wǎng)絡(luò)（Denoising Autoencoder，DAE），對(duì)數(shù)據(jù)集合X進(jìn)行降噪處理。降噪自編碼器網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 降噪自編碼器結(jié)構(gòu)圖Fig.3 Structure diagram of denoising autoencoder

DAE由編碼解碼過程兩部分組成。編碼過程（式（1））是將輸入X通過隱藏層進(jìn)行壓縮操作，輸出隱含特征向量Y；解碼部分（式（2））對(duì)隱含特征向量Y進(jìn)行解碼重構(gòu)，輸出X'，從而完成對(duì)高噪音數(shù)據(jù)的降噪處理。

式中：w1和w2分別為編碼和解碼的權(quán)重矩陣；b1和b2為偏移量；f和g為激活函數(shù)，通常使用ReLU函數(shù)、sigmoid函數(shù)、softmax函數(shù)等非線性激活函數(shù)。

2）傳統(tǒng)煤自燃數(shù)據(jù)融合方式，通常僅對(duì)某一時(shí)刻的多特征樣本數(shù)據(jù)進(jìn)行特征融合，忽略了當(dāng)前時(shí)刻煤溫和氣體濃度是相近尺度內(nèi)的歷史煤自燃溫度和氣體濃度不斷累加變化的結(jié)果。為了特征融合時(shí)能包含更多歷史煤自燃信息，采用數(shù)據(jù)矩陣動(dòng)態(tài)切片的方法對(duì)數(shù)據(jù)進(jìn)行重構(gòu)。對(duì)煤自燃時(shí)間序列數(shù)據(jù)集合X以寬度為5的滑動(dòng)窗口進(jìn)行切片，切片過程如圖4所示。

圖4 煤自燃時(shí)間序列數(shù)據(jù)集合切片示意圖Fig.4 Schematic diagram of time series data collection slicing of coal spontaneous combustion

3）采用CNN神經(jīng)網(wǎng)絡(luò)對(duì)矩陣切片中的重要信息進(jìn)行提取。將這個(gè)全新的時(shí)間序列數(shù)據(jù)組成的特征切片作為CNN模型的輸入，提取其數(shù)據(jù)特征并進(jìn)行融合。

2.2 差分進(jìn)化算法

為了獲得更好的預(yù)測(cè)效果，采用差分進(jìn)化算法（Differential Evolution，DE）對(duì)降噪自編碼器和CNN的神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。DE是一種基于群體差異的模擬生物進(jìn)化算法，通過對(duì)隨機(jī)初始種群進(jìn)行迭代的變異、交叉和選擇等操作，保存適應(yīng)環(huán)境的優(yōu)秀個(gè)體，淘汰劣勢(shì)個(gè)體，從而獲得最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)組合。對(duì)于煤自燃數(shù)據(jù)來說，在訓(xùn)練降噪自編碼器和CNN神經(jīng)網(wǎng)絡(luò)時(shí)，采用DE算法進(jìn)行參數(shù)優(yōu)化，對(duì)神經(jīng)網(wǎng)絡(luò)的初始組合參數(shù)（隨機(jī)初始種群）進(jìn)行迭代的變異、交叉和選擇等操作，保存神經(jīng)網(wǎng)絡(luò)的輸出值更貼近真實(shí)煤自燃數(shù)據(jù)特征的較優(yōu)參數(shù)組合（適應(yīng)環(huán)境的優(yōu)秀個(gè)體），淘汰較差的參數(shù)組合，從而獲得最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)組合。差分進(jìn)化算法的操作步驟如下所述。

1）變異操作。變異操作通過差異化思想來完成個(gè)體的變異，即在種群中任意選擇三個(gè)互不相同的個(gè)體向量，將其中兩個(gè)個(gè)體向量的差加權(quán)后與剩下的第三個(gè)個(gè)體向量求和，通過式（3）完成變異操作。

式中：Vi（t+1）為變異個(gè)體；μ為變異因子，用于調(diào)整差分向量占比情況；Xr1（t）、Xr2（t）、Xr3（t）為t代種群中的個(gè)體矢量；r1、r2、r3為互不相同的隨機(jī)正整數(shù)，且r1≠r2≠r3；Xr1（t）-Xr2（t）為差分向量差。

2）交叉操作。交叉過程就是變異個(gè)體與父代個(gè)體按照交叉概率部分交換，形成新個(gè)體的過程。將第t代種群中的每一個(gè)個(gè)體矢量Xij與變異個(gè)體Vi（t+1）根 據(jù) 式（4）進(jìn) 行 交 叉，得 到 新 個(gè) 體Ui（t+1）。

式中：i或j以及k均為大于等于1的隨機(jī)整數(shù)；random（j）為隨機(jī)數(shù)取值范圍為[0,1]；Cr為交叉率，其大小控制著父子及中間體間信息交換的程度。

3）選擇操作。依據(jù)個(gè)體適應(yīng)環(huán)境的能力強(qiáng)弱，根據(jù)式（5）選擇下一代更優(yōu)秀個(gè)體Xi（t+1）。

式中：f為適應(yīng)度函數(shù)；f（Ui（t+1））為個(gè)體Ui（t+1）對(duì)應(yīng)的適應(yīng)度值。

經(jīng)過交叉、變異和選擇操作后，得到了降噪自編碼器和CNN神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)，從而提取到了最優(yōu)的煤自燃數(shù)據(jù)特征和最好的融合效果。

為了驗(yàn)證融合后的數(shù)據(jù)對(duì)于煤自燃溫度預(yù)測(cè)的有效性，建立煤自燃溫度GRU預(yù)測(cè)模型。分別把未融合和融合后的數(shù)據(jù)輸入GRU預(yù)測(cè)模型，通過預(yù)測(cè)結(jié)果的平均絕對(duì)誤差來判斷融合效果。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)選取陜西省某礦煤樣的程序升溫實(shí)驗(yàn)采集的指標(biāo)氣體（O2、CO、CO2、CH4、C2H4）和溫度數(shù)據(jù)共625組。制備裝煤總質(zhì)量1 kg、裝煤高度17 cm、平均粒徑4 mm的混合煤樣，升溫速率為0.3 ℃/min，供風(fēng)量為120 mL/min，采集頻率10 min。利用程序升溫裝置進(jìn)行加熱，測(cè)定氣體產(chǎn)物，當(dāng)溫度升高到預(yù)定溫度437 ℃時(shí)停止加熱。實(shí)驗(yàn)數(shù)據(jù)的缺失值采用拉格朗日插值法補(bǔ)足。

3.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境配置：CPU型號(hào)為i5-6500、GPU型號(hào)為RTX1080Ti、內(nèi)存容量為16 GB、操作系統(tǒng)為Windows、編程語言為Python-3.6、編程平臺(tái)為PyCharm 2018.3.7、集成環(huán)境管理為Anaconda Navigator-1.3.1、深度學(xué)習(xí)框架為PyTorch-1.6。

3.3 結(jié)果與分析

采用降噪自編碼器網(wǎng)絡(luò)對(duì)煤自燃數(shù)據(jù)進(jìn)行降噪處理，各個(gè)屬性數(shù)據(jù)處理前后的對(duì)比圖如圖5所示。由圖5可知，降噪前數(shù)據(jù)具有較強(qiáng)的噪聲，經(jīng)過降噪后，各個(gè)特征指標(biāo)噪聲明顯降低，無毛刺現(xiàn)象且曲線更加平滑，符合指標(biāo)氣體出現(xiàn)的規(guī)律，更有利于煤溫的預(yù)測(cè)。數(shù)據(jù)降噪后，煤溫與其他指標(biāo)屬性之間的關(guān)系如圖6所示。由圖6可知，O2濃度呈現(xiàn)隨煤溫升高而逐漸減小的趨勢(shì)，符合煤自燃耗氧的特性；CO和CH4濃度呈現(xiàn)隨著煤溫升高而上升的趨勢(shì)由緩慢增加變至急劇增加；CO2和C2H4的濃度在煤溫100 ℃以前沒有明顯變化，而在煤溫達(dá)到100 ℃以后，氣體產(chǎn)物濃度變化趨勢(shì)陡增明顯，能夠用于反映煤溫超過100 ℃時(shí)的劇烈氧化程度。

圖5 編碼降噪前后各個(gè)屬性對(duì)比效果圖Fig.5 Comparison of various attributes before and after coding denoised

圖6 煤溫與其他指標(biāo)性氣體之間的關(guān)系Fig.6 Relationship between coal temperature and other indicator gases

為了驗(yàn)證基于深度學(xué)習(xí)的煤自燃多特征指標(biāo)數(shù)據(jù)動(dòng)態(tài)融合模型的有效性，將降噪前和降噪后多特征數(shù)據(jù)、CNN融合后的多特征數(shù)據(jù)與本文方法進(jìn)行性能比較。將各組數(shù)據(jù)按照7∶3的比例劃分訓(xùn)練集和測(cè)試集，采用GRU預(yù)測(cè)模型來驗(yàn)證三組數(shù)據(jù)所表征出來的特征情況，并采用平均絕對(duì)誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）和決定系數(shù)（R-Square，R2）等指標(biāo)對(duì)預(yù)測(cè)值的結(jié)果進(jìn)行評(píng)價(jià)。GRU模型的超參數(shù)：窗口大小為4，隱層數(shù)為32，損失函數(shù)選擇MSELoss函數(shù)，優(yōu)化器選擇Adam，學(xué)習(xí)率0.001，epoch為25。數(shù)據(jù)在不同處理方式下預(yù)測(cè)誤差對(duì)比見表1。

表1 數(shù)據(jù)在不同處理方式下預(yù)測(cè)誤差對(duì)比Table 1 Comparison of prediction errors of data under different processing methods

由表1可知，經(jīng)過降噪和本文提出的降噪融合方法處理后的數(shù)據(jù)，在同一預(yù)測(cè)模型結(jié)構(gòu)情況下，預(yù)測(cè)精度有一定提升。降噪后和本文融合方法融合后的數(shù)據(jù)預(yù)測(cè)結(jié)果的MAE誤差比未降噪的預(yù)測(cè)誤差分別降低6.55%和69.26%，RMSE誤差分別降低13.23%和63.49%，說明經(jīng)過編碼器降噪處理后能夠提升煤自燃多特征數(shù)據(jù)的可靠性和有效性。本文融合方法融合后的數(shù)據(jù)在MAE誤差和RMSE誤差分別比僅作降噪處理的數(shù)據(jù)降低67.11%和57.92%，說明融合后的數(shù)據(jù)有效性進(jìn)一步提高。相較于采用CNN融合數(shù)據(jù)，本文融合方法MAE誤差降低了56.70%、RMSE誤差降低了51.21%，說明本文融合方法融合數(shù)據(jù)好于CNN融合方法。同時(shí)在四組數(shù)據(jù)中，本文融合方法的R2值最大，說明本文融合方法融合后的數(shù)據(jù)增強(qiáng)了模型預(yù)測(cè)的擬合效果，提升了數(shù)據(jù)的魯棒性。

4 結(jié) 論

針對(duì)復(fù)雜的煤自燃溫度預(yù)測(cè)問題，本文提出了基于多特征融合的煤自燃溫度深度預(yù)測(cè)模型，結(jié)論如下所述。

1）經(jīng)過編碼降噪和多特征處理后的數(shù)據(jù)，在相同預(yù)測(cè)模型結(jié)構(gòu)情況下，相較于原始數(shù)據(jù)，預(yù)測(cè)精度有較大提升，說明數(shù)據(jù)經(jīng)過編碼器降噪處理和多特征數(shù)據(jù)融合后能夠提升煤自燃數(shù)據(jù)預(yù)測(cè)的可靠性和有效性。

2）本文提出的差分進(jìn)化優(yōu)化的多特征融合模型，相較于未優(yōu)化的多特征融合模型CNN，預(yù)測(cè)精度有一定的提升，進(jìn)一步說明本文提出模型的有效性。