基于遗传算法优化神经网络的柔性注液传感器检测方法技术

本发明专利技术公开了一种基于遗传算法优化神经网络的柔性注液传感器检测方法，涉及智能柔性感压设备技术领域，设计了柔性注液传感器，将其安装在围岩上多处钻孔中，检测围岩上不同位置的应力值并进行数据采集，通过对神经网络预测模型进行训练，使得该网络能够以高精度逼近非线性函数，根据输入的应力值数据和压力表输出值数据，得到围岩应力变化与压力表形变之间的关系，实现对输出数据的预测，引入遗传算法对BP神经网络预测模型进行参数优化，提高了网络的精度和训练的速度，从而大幅提高了检测见过的精确性和快速性。

【技术实现步骤摘要】
基于遗传算法优化神经网络的柔性注液传感器检测方法
本专利技术涉及智能柔性感压设备
，具体的说是一种基于遗传算法优化神经网络的柔性注液传感器检测方法。
技术介绍
围岩应力的动态变化是引发各类地质灾害的重要原因。近年来，随着我国经济的发展和煤矿开采深度及强度的不断增加，围岩应力分布变化规律越来越复杂，由此导致的地质灾害发生的概率也在逐渐增大。目前对围岩应力变化的监测设备主要为钻孔应力计等刚性设备，无法灵敏的感知围岩应力的变化，且只能监测固定方向的围岩应力变化，导致对围岩规律掌握不够准确，为地质灾害的发生留下隐患。因此，找到围岩应力变化与柔性传感器形变以及压力表输出之间的关系，摸清支承压力变化的规律对于煤矿安全生产具有重要的意义。
技术实现思路
为解决上述存在的技术问题，本专利技术提供了一种基于遗传算法优化神经网络的柔性注液传感器检测方法，能够答复提升柔性注液传感器的检测效率、自动化程度以及智能性，具有较强的实用性。为达到上述目的，本专利技术所采用的技术方案是：一种基于遗传算法优化神经网络的柔性注液传感器检测方法，包含有若干个柔性注液传感器的设置、神经网络预测模型的构建训练、遗传算法对神经网络预测模型的优化设置和控制系统，在围岩上开设多个钻孔，每个钻孔中均安装柔性注液传感器，检测围岩上不同位置处的应力，将每个柔性注液传感器均分为4段，分别施加不同的压力，对围岩应力进行模拟采集，将每1段测量到的围岩应力值作为神经网络预测模型的输入值，将压力表的读数作为神经网络预测模型的输出值，得到围岩应力变化与压力表形变之间的高精度逼近非线性函数关系，通过遗传算法对神经网络预测模型进行参数优化，实现对输出数据的精确快速预测，所述控制系统采用高性能芯片作为控制中心控制器，将若干个柔性注液传感器与现场总线网络的数据总线通讯连接，实现输出压力表与控制中心之间的通信。所述神经网络预测模型的构建和训练方法通过如下步骤实现：第一阶段：神经网络预测模型的构建与数据采集，所述神经网络预测模型由输入层、隐含层和输出层构成，所述输入层神经元设置为与柔性注液传感器均分4段对应的d1,d2,d3,d4四段直径，所述输出层神经元设置为压力表输出的压力读数p，所述隐含层的神经元个数一般采用经验公式确定，通过实验设备模拟施加不同的围岩应力，对所需要的输入输出数据进行采集，记录n组数据，得到对应的样本数据；第二阶段：神经网络预测模型的训练，训练过程主要包括信号的正向传播和误差的反向传播两个过程，当实际输出与目标输出之间的误差不满足预设的精度要求时，神经网络会不断的调整权值，更新网络，直到误差小于预设精度，训练结束。所述隐含层的层数设置为1，隐含层神经元个数设置为9。所述遗传算法通过如下步骤设计实现：S1、选择二进制编码；S2、群体初始化；S3、选择采用误差性能指标函数定义适应度函数，并对适应值进行评价，保存最优染色体；S4、采用轮盘赌选择操作，单点交叉操作和变异率取值0.000-0.1之间的变异操作；S5、产生新群体，重新计算各个染色体的适应值；S6、判断是否满足终止条件，当算法达到终止条件，算法终止，并输出结果，若不满足终止条件，则返回S3。所述柔性注液传感器包含有至少一个柔性感压装置、注液装置、输送装置和测压装置，所述注液装置通过输送装置与柔性感压装置连接，用以向柔性感压装置注入乳化液，所述测压装置分别与输送装置、柔性感压装置连通，通过压力表用以显示其中乳化液的压力。所述柔性感压装置包含有管体、密封层、橡胶层、接头，所述管体外部分别设置密封层和橡胶层，所述管体一端封闭，另一端连接接头，所述接头中部设置注液孔、侧面设置排气孔，所述注液孔和排气孔均与管体的内腔连通。所述注液装置包含有泵、流量计和注液枪，所述输送装置设置为橡胶管，所述泵、流量计、注液枪和橡胶管顺次连接，用于输送乳化液。所述测压装置包含有压力表和三通阀，所述三通阀一端与压力表连通，另外两端分别连通柔性感压装置和注液装置。采用STM32、DSP、CPLD或FPGA高性能芯片作为控制器。本专利技术设计了柔性注液传感器，将其安装在围岩上多处钻孔中，检测围岩上不同位置的应力值并进行数据采集，利用人工神经网络自身的非线性映射能力，通过对神经网络预测模型进行训练，使得该网络能够以高精度逼近非线性函数，根据输入的应力值数据和压力表输出值数据，得到围岩应力变化与压力表形变之间的关系，实现对输出数据的预测，引入遗传算法对BP神经网络预测模型进行参数优化，提高了网络的精度和训练的速度，从而大幅提高了检测见过的精确性和快速性，很大程度上解决了神经网络容易陷入局部最优的问题，通过多主站的现场总线通讯方式，大幅提高了系统的检测效率以及围岩应力检测系统的自动化程度，实用性强，适合大规模推广应用。附图说明图1为本专利技术神经网络预测模型的构建和训练原理示意图；图2为本专利技术柔性注液传感器结构示意图；图3为本专利技术柔性感压装置的结构示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细描述：该基于遗传算法优化神经网络的柔性注液传感器检测方法，包含有若干个柔性注液传感器的设置、神经网络预测模型的构建训练、遗传算法对神经网络预测模型的优化设置和控制系统，在围岩上开设多个钻孔，每个钻孔中均安装柔性注液传感器，检测围岩上不同位置处的应力，将每个柔性注液传感器均分为4段，分别施加不同的压力，对围岩应力进行模拟采集，将每1段测量到的围岩应力值作为神经网络预测模型的输入值，将压力表的读数作为神经网络预测模型的输出值，得到围岩应力变化与压力表形变之间的高精度逼近非线性函数关系，通过遗传算法对神经网络预测模型进行参数优化，实现对输出数据的精确快速预测，所述控制系统采用高性能芯片作为控制中心控制器，将若干个柔性注液传感器与现场总线网络的数据总线通讯连接，实现输出压力表与控制中心之间的通信。如图1所示，作为优选的方式，本实施例中，所述神经网络预测模型的构建和训练方法通过如下步骤实现：第一阶段：神经网络预测模型的构建与数据采集，所述神经网络预测模型由输入层、隐含层和输出层构成。所述输入层神经元设置为与柔性注液传感器均分4段对应的d1,d2,d3,d4四段直径，所述输出层神经元设置为压力表输出的压力读数p，因此输入节点为4个，输出节点为1个。所述隐含层的神经元个数一般采用经验公式确定。通过实验设备模拟施加不同的围岩应力，对所需要的输入输出数据进行采集，记录n组数据，得到对应的样本数据。第二阶段：神经网络预测模型的训练，训练过程主要包括信号的正向传播和误差的反向传播两个过程。正向传播时，将第一阶段采集的输入样本数据输入神经网络的输入层，经隐含层处理，传入输出层。若输出层的实际输出与目标输出有较大的误差值，则转入误差的反向传播阶段。误差反向传播是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号本文档来自技高网...

【技术保护点】
1.一种基于遗传算法优化神经网络的柔性注液传感器检测方法，其特征在于，包含有若干个柔性注液传感器的设置、神经网络预测模型的构建训练、遗传算法对神经网络预测模型的优化设置和控制系统，在围岩上开设多个钻孔，每个钻孔中均安装柔性注液传感器，检测围岩上不同位置处的应力，将每个柔性注液传感器均分为4段，分别施加不同的压力，对围岩应力进行模拟采集，将每1段测量到的围岩应力值作为神经网络预测模型的输入值，将压力表的读数作为神经网络预测模型的输出值，得到围岩应力变化与压力表形变之间的高精度逼近非线性函数关系，通过遗传算法对神经网络预测模型进行参数优化，实现对输出数据的精确快速预测，所述控制系统采用高性能芯片作为控制中心控制器，将若干个柔性注液传感器与现场总线网络的数据总线通讯连接，实现输出压力表与控制中心之间的通信。/n

【技术特征摘要】
1.一种基于遗传算法优化神经网络的柔性注液传感器检测方法，其特征在于，包含有若干个柔性注液传感器的设置、神经网络预测模型的构建训练、遗传算法对神经网络预测模型的优化设置和控制系统，在围岩上开设多个钻孔，每个钻孔中均安装柔性注液传感器，检测围岩上不同位置处的应力，将每个柔性注液传感器均分为4段，分别施加不同的压力，对围岩应力进行模拟采集，将每1段测量到的围岩应力值作为神经网络预测模型的输入值，将压力表的读数作为神经网络预测模型的输出值，得到围岩应力变化与压力表形变之间的高精度逼近非线性函数关系，通过遗传算法对神经网络预测模型进行参数优化，实现对输出数据的精确快速预测，所述控制系统采用高性能芯片作为控制中心控制器，将若干个柔性注液传感器与现场总线网络的数据总线通讯连接，实现输出压力表与控制中心之间的通信。


2.根据权利要求1所述的基于遗传算法优化神经网络的柔性注液传感器检测方法，其特征在于，所述神经网络预测模型的构建和训练方法通过如下步骤实现：
第一阶段：神经网络预测模型的构建与数据采集，所述神经网络预测模型由输入层、隐含层和输出层构成，所述输入层神经元设置为与柔性注液传感器均分4段对应的d1,d2,d3,d4四段直径，所述输出层神经元设置为压力表输出的压力读数p，所述隐含层的神经元个数一般采用经验公式确定，通过实验设备模拟施加不同的围岩应力，对所需要的输入输出数据进行采集，记录n组数据，得到对应的样本数据；
第二阶段：神经网络预测模型的训练，训练过程主要包括信号的正向传播和误差的反向传播两个过程，当实际输出与目标输出之间的误差不满足预设的精度要求时，神经网络会不断的调整权值，更新网络，直到误差小于预设精度，训练结束。


3.根据权利要求2所述的基于遗传算法优化神经网络的柔性注液传感器检测方法，其特征在于，所述隐含层的层数设置为1，隐含层神经元个数设置为9。


4.根据权利要求1所述的基于遗传算法优化神经网络的柔性注液传感器检测方法，其特征在于，所述遗传算法通过如下步骤设计实现：
S1、选择二进制编码；
S2、群体初始化；
S3、...

【专利技术属性】
技术研发人员：吴士涛，汤建泉，叶薇，杨婕，于芮芮，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37