一种基于混合智能的煤与瓦斯突出动态预测方法技术

本发明专利技术提出一种基于混合智能的煤与瓦斯突出动态预测方法，流程包括：数据检测；采用均值分批估计融合方法进行数据处理；组成待预测的新问题；利用基于案例聚类的案例检索与匹配方法，针对新问题进行案例检索与匹配，如果案例检索与匹配是有效的，采用加权平均的方法进行案例重用，得到煤与瓦斯突出的预测结果，如果案例检索与匹配是无效的，运行OBPNN突出预测模型，得到煤与瓦斯突出的预测结果。利用实测数据对所提方法进行验证，实例验证结果表明，所提方法给出高精度的预测结果，同时具有良好的鲁棒性，而且建模算法效率更高，预测所用时间更短。

A Dynamic Prediction Method of Coal and Gas Outburst Based on Mixed Intelligence

The invention proposes a dynamic prediction method of coal and gas outburst based on hybrid intelligence, which includes data detection, data processing by means of batch estimation fusion method, new problems to be predicted, case retrieval and matching method based on case clustering, case retrieval and matching for new problems, if case retrieval and matching are effective, the method is adopted. The weighted average method is used for case reuse to get the prediction results of coal and gas outburst. If the case retrieval and matching is invalid, the OBPNN outburst prediction model is run to get the prediction results of coal and gas outburst. The proposed method is validated by the measured data. The experimental results show that the proposed method gives high-precision prediction results and has good robustness. Moreover, the modeling algorithm is more efficient and the prediction time is shorter.

【技术实现步骤摘要】
一种基于混合智能的煤与瓦斯突出动态预测方法
本专利技术属于煤与瓦斯突出灾害预测领域，具体涉及一种基于混合智能的煤与瓦斯突出动态预测方法。
技术介绍
煤与瓦斯突出是矿井开采过程中危险性最大的灾害之一，发生频率高，社会影响大。进行煤与瓦斯突出快速、准确和动态预测对有效防治矿井煤与瓦斯突出灾害尤为重要。截至目前，国内外学者对煤与瓦斯突出预测问题进行了大量的研究，提出了多种预测方法，如电磁辐射监测方法、RES理论方法、SVM方法、ANN方法、案例推理方法等。煤与瓦斯突出的案例推理(CBR)预测方法是近几年提出的新方法，利用历史经验案例进行推理，对当前的煤与瓦斯突出危险性进行智能化预测。案例的检索与匹配是实现案例推理的关键环节，是为了从案例库中找到一个或多个与当前问题最相似的案例。一些文献在确定案例特征权值基础上，设计了案例检索与匹配的最近邻算法，实现最相似案例的获取，而一些文献设计了基于案例聚类的案例检索与匹配方法，即在案例库案例科学分类基础上，先检索出相似案例类，再从相似案例类中获取最相似案例，从而提高对煤与瓦斯突出预测的快速性。上述文献的煤与瓦斯突出案例推理预测方法均在能够有效案例检索与匹配基础上，即能从案例库获取大于阈值的案例情况下，进行煤与瓦斯突出危险性预测研究，而未在无效案例检索与匹配的情况下，即不能获取大于阈值的案例情况下，展开煤与瓦斯突出危险性预测的深入研究。由于煤与瓦斯突出具有突发性、非线性以及影响因素的多样性和不确定性等综合复杂性，因此获取遍历煤与瓦斯突出所有情况的案例是很困难的，难免出现无效案例检索与匹配的情况。
技术实现思路
本专利技术在已有煤与瓦斯突出的案例推理预测方法研究基础上，考虑无效案例检索与匹配的情况，利用案例推理(CBR)、神经网络、粒子群优化算法(PSO)、主元素分析(PCA)、聚类分析，进行煤与瓦斯突出的混合智能动态预测，提出一种基于混合智能的煤与瓦斯突出动态预测方法，包括如下流程：步骤1：数据检测，包括：瓦斯压力传感器组在线检测瓦斯压力值、瓦斯放散初速度传感器组在线检测瓦斯放散初速度值、离线检测煤层坚固性系数、离线检测地质构造和离线检测开采深度；步骤2：将在线检测瓦斯压力值和在线检测瓦斯放散初速度值，采用均值分批估计融合方法进行数据处理；步骤3：将采用均值分批估计融合方法处理后的数据，加上离线检测的煤层坚固性系数、离线检测的地质构造和离线检测的开采深度，组成待预测的新问题X，记作：新问题X；所述采用均值分批估计融合方法已经在东南大学学报，基于案例推理和数据融合的煤与瓦斯突出预测文章中公开；步骤4：利用基于案例聚类的案例检索与匹配方法，将新问题X，在案例库中进行案例检索与匹配；所述基于案例聚类的案例检索与匹配方法，包括如下步骤：步骤4.1：利用基于PCA的案例特征权值确定方法获取案例库中每个案例描述特征的权值λi，进而利用改进的K均值案例聚类方法完成案例库案例的聚类；步骤4.2：根据新问题X，找出案例库中案例与新问题X间相似度大于案例类相似度阀值的案例类，记作：高相似度案例类；针对所选的高相似度案例类中的案例进行进一步检索与匹配，找出与新问题X间相似度大于案例相似度阀值的案例。步骤5：如果案例检索与匹配是有效的，即在案例库中检索出大于阀值的案例，则在案例检索与匹配结果基础上，采用加权平均的方法进行案例重用，得到新问题X的案例解，即煤与瓦斯突出的预测结果；如果案例检索与匹配是无效的，即未检索出大于阀值的案例，运行OBPNN突出预测模型，转到步骤6，得到煤与瓦斯突出的预测结果；步骤6：OBPNN突出预测模型进行煤与瓦斯突出预测具体流程包括步骤6.1～步骤6.12：步骤6.1：在案例库中，所有案例按照与新问题X相似度由高到低排列，取出与新问题X相似度不小于设定阈值的案例，作为建模时的训练样本；步骤6.2：对训练样本数据按公式(1)进行归一化处理:其中，a为训练样本数据中某一信息的归一化前的原始数据，训练样本数据中某一信息如瓦斯压力，为对a归一化后的数据，amin与amax为该信息的数据最小值和数据最大值；步骤6.3：初始化BP网络：初始化BP网络的输入层、隐含层和输出层的节点数以及激活函数、最大训练次数、规定的最小适应度fset。OBPNN突出预测模型采用3层网络结构，即输入层、隐含层和输出层，输入层节点数ni为考虑的煤与瓦斯影响因素数量，隐含层节点数nh则采用试验法获取，输出层节点数no为描述煤与瓦斯突出危险程度的数据维数；步骤6.4：初始化粒子群及每个粒子参数：初始化粒子的种群数量np、惯性权重最大值wmax、惯性权重最小值wmin、学习因子c1和c2以及最大速度vmax，随机产生各粒子的初始位置和初始速度，使位置和速度的各维量值均在[-1,1]范围内；采用实数方式，建立一个二维粒子编码：权值和阀值粒子位置(xi)xi1…xin(2)粒子i的第一维向量是BP网络的输入层与隐含层节点间连接权值θ、BP网络的隐含层与输出层节点间连接权值以及隐含层节点阀值bh和输出层节点阀值bo组成；粒子i的第二维向量是粒子i的位置xi＝{xi1,xi2,…,xin}，n＝(ni+no)×nh+nh+no；在迭代过程中，粒子i的第一维向量内元素次序始终保持不变；而在解码过程中，粒子的第一维向量第l个元素的数值等于xil；步骤6.5：计算各粒子的适应度f，根据适应度更新各粒子的最佳位置以及群体最佳位置，适应度公式如下：其中，no为BP网络的输出层节点数，ns为训练样本的数量，zlk为对应训练样本中第l组数据的BP网络第l个输出层节点的输出值，z′lk为zlk的理想值；步骤6.6：按公式(4)-(6)，对各粒子的速度和位置进行更新；对粒子i进行速度vi和位置xi更新：vij＝wivij+c1r1(pij-xij)+c2r2(pgj-xij)(4)其中，vij为粒子i速度vi的第j维分量，xij为粒子i位置xi的第j维分量，c1和c2为学习因子，r1和r2为0到1间的随机数，pi为粒子i的最佳位置，pg为群体所发现的最佳位置，pij为粒子i最佳位置pi的第j维分量，pgj为群体所发现的最佳位置pg的第j维分量，wi为粒子i的惯性权重，j＝1,2,…,n，vmax为最大速度；惯性权重是平衡算法全局搜索能力与局部搜索能力的关键因素。当采用较大的惯性权重时，粒子会具有较强的全局搜索能力；当采用较小的惯性权重时，粒子会具有较强的局部搜索能力。根据问题的特点，为了得到较好的求解质量，粒子i的惯性权重wi的调整如下：其中，wmax为惯性权重最大值；wmin为惯性权重最小值；favg为当前粒子种群的平均适应度；fi为粒子i的适应度、F为当前粒子种群适应度fmin为寻优得到的最小适应度、D(F)为当前粒子种群适应度F的方差；由式(6)可知，对于陷入局部最优的粒子以及未陷入局部最优的适应度差于平均适应度的粒子，采用较大的惯性权重更新粒子位置，以使粒子趋向更好的搜索空间；对于未陷入局部最优的适应度优于平均适应度的粒子，采用较小的惯性权重更新粒子位置，以加快算法的收敛；步骤6.7：以更新后的位置与速度，利用公式(3)计算各粒子的适应度，根据适应度更新各粒子的最佳位置以及群体最佳位置；步骤6.8：对本次迭代获得的群体最佳位本文档来自技高网...

【技术保护点】
1.一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，包括如下流程步骤1：数据检测，包括：瓦斯压力传感器组在线检测瓦斯压力值、瓦斯放散初速度传感器组在线检测瓦斯放散初速度值、离线检测煤层坚固性系数、离线检测地质构造和离线检测开采深度；步骤2：将在线检测瓦斯压力值和在线检测瓦斯放散初速度值，采用均值分批估计融合方法进行数据处理；步骤3：将采用均值分批估计融合方法处理后的数据，加上离线检测的煤层坚固性系数、离线检测的地质构造和离线检测的开采深度，组成待预测的新问题X，记作：新问题X；步骤4：利用基于案例聚类的案例检索与匹配方法，将新问题X，在案例库中进行案例检索与匹配；步骤5：如果案例检索与匹配是有效的，即在案例库中检索出大于阀值的案例，则在案例检索与匹配结果基础上，采用加权平均的方法进行案例重用，得到新问题X的案例解，即煤与瓦斯突出的预测结果；如果案例检索与匹配是无效的，即未检索出大于阀值的案例，运行OBPNN突出预测模型，转到步骤6，得到煤与瓦斯突出的预测结果；步骤6：OBPNN突出预测模型进行煤与瓦斯突出预测具体流程包括步骤6.1～步骤6.12：步骤6.1：在案例库中，所有案例按照与新问题X相似度由高到低排列，取出与新问题X相似度不小于设定阈值的案例，作为建模时的训练样本；步骤6.2：对训练样本数据按公式(1)进行归一化处理:...

【技术特征摘要】
1.一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，包括如下流程步骤1：数据检测，包括：瓦斯压力传感器组在线检测瓦斯压力值、瓦斯放散初速度传感器组在线检测瓦斯放散初速度值、离线检测煤层坚固性系数、离线检测地质构造和离线检测开采深度；步骤2：将在线检测瓦斯压力值和在线检测瓦斯放散初速度值，采用均值分批估计融合方法进行数据处理；步骤3：将采用均值分批估计融合方法处理后的数据，加上离线检测的煤层坚固性系数、离线检测的地质构造和离线检测的开采深度，组成待预测的新问题X，记作：新问题X；步骤4：利用基于案例聚类的案例检索与匹配方法，将新问题X，在案例库中进行案例检索与匹配；步骤5：如果案例检索与匹配是有效的，即在案例库中检索出大于阀值的案例，则在案例检索与匹配结果基础上，采用加权平均的方法进行案例重用，得到新问题X的案例解，即煤与瓦斯突出的预测结果；如果案例检索与匹配是无效的，即未检索出大于阀值的案例，运行OBPNN突出预测模型，转到步骤6，得到煤与瓦斯突出的预测结果；步骤6：OBPNN突出预测模型进行煤与瓦斯突出预测具体流程包括步骤6.1～步骤6.12：步骤6.1：在案例库中，所有案例按照与新问题X相似度由高到低排列，取出与新问题X相似度不小于设定阈值的案例，作为建模时的训练样本；步骤6.2：对训练样本数据按公式(1)进行归一化处理:其中，a为训练样本数据中某一信息的归一化前的原始数据，为对a归一化后的数据，amin与amax为该信息的数据最小值和数据最大值；步骤6.3：初始化BP网络：初始化BP网络的输入层、隐含层和输出层的节点数以及激活函数、最大训练次数、规定的最小适应度fset；OBPNN突出预测模型采用3层网络结构，即输入层、隐含层和输出层，输入层节点数ni为考虑的煤与瓦斯影响因素数量，隐含层节点数nh则采用试验法获取，输出层节点数no为描述煤与瓦斯突出危险程度的数据维数；步骤6.4：初始化粒子群及每个粒子参数：初始化粒子的种群数量np、惯性权重最大值wmax、惯性权重最小值wmin、学习因子c1和c2以及最大速度vmax，随机产生各粒子的初始位置和初始速度，使位置和速度的各维量值均在[-1,1]范围内；采用实数方式，建立一个二维粒子编码：权值和阀值粒子位置(xi)xi1…xin(2)粒子i的第一维向量是BP网络的输入层与隐含层节点间连接权值θ、BP网络的隐含层与输出层节点间连接权值θ以及隐含层节点阀值bh和输出层节点阀值bo组成；粒子i的第二维向量是粒子i的位置xi＝{xi1,xi2,…,xin}，n＝(ni+no)×nh+nh+no；在迭代过程中，粒子i的第一维向量内元素次序始终保持不变；而在解码过程中，粒子的第一维向量第l个元素的数值等于xil；步骤6.5：计算各粒子的适应度f，根据适应度更新各粒子的最佳位置以及群体最佳位置，适应度公式如下：其中，no为BP网络的输出层节点数，ns为训练样本的数量，zlk为对应训练样本中第l组数据的BP网络第l个输出层节点的输出值，z′lk为zlk的理想值；步骤6.6：按公式(4)-(6)，对各粒子的速度和位置进行更新；对粒子i进行速度vi和位置xi更新：vij＝wivij+c1r1(pij-xij)+c2r2(pgj-xij)(4)其中，vij为粒子i速度vi的第j维分量，xij为粒子i位置xi的第j维分量，c1和c2为学习因子，r1和r2为0到1间的随机数，pi为粒子i的最佳位置，pg为群体所发现的最佳位置，pij为粒子i最佳位置pi的第j维分量，pgj为群体所发现的最佳位置pg的第j维分量，wi为粒子i的惯性权重，j＝1,2,…,n，vmax为最大速度；粒子i的惯性权重wi的调整如下：其中，wmax为惯性权重最大值；wmin为惯性权重最小值；favg为当前粒子种群的平均适应度；fi为粒子i的适应度、F为当前粒子种群适应度fmin为寻优得到的最小适应度、D(F)为当前粒子种群适应度F的方差；步骤6.7：以更新后的位置与速度，利用公式(3)计算各粒子的适应度，根据适应度更新各粒子的最佳位置和群体最佳位置；步骤6.8：对本次迭代获得的群体最佳位置，进行混沌局部搜索，并更新粒子最佳位置和群体最佳位置；对本次迭代获得的群体最佳位置，进行混沌局部搜索，以加快算法收敛，其中，b为最佳位置对应的粒子，具体流程包括步骤6.8.1～步骤6.8.6：步骤6.8.1：令m＝0，m为混沌局部搜索的当前迭代次数，利用式(7)将xbj，映射为0-1间的混沌变量dj(m)：其中，xminj和xmaxj分别为种群所有粒子位置的第j维分量最小和最大值，xbj为具有最佳位置的粒子b对应的位置，dj(m)为第m次迭代获得的xb映射量中的第j维分量，j＝1,2,…,n；步骤6.8.2：利用式(8)更新混沌变量：dj(m+1)＝4dj(m)[1-dj(m)],j＝1,2,…,n(8)步骤6.8.3：利用式(9)产生新解x′b：x′bj＝xminj+dj(m+1)(xmaxj-xminj),j＝1,2,…,n(9)步骤6.8.4：使用公式(3)，计算x′b的适应度；步骤6.8.5：如果x′b优于初始解或混沌局部搜索达到预先设计的迭代次数，将新解作为搜索结果输出，令...

【专利技术属性】
技术研发人员：屠乃威，阎馨，李斌，徐耀松，谢国民，付华，吴书文，朱永浩，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁,21