一种基于BP神经网络的瓦斯监测方法及装置制造方法及图纸

本发明专利技术提供了一种基于BP神经网络的瓦斯监测方法及装置，通过建立包含输入层、隐层及输出层的基于BP神经网络的初始模型，接着对初始模型进行参数设置，然后依据参数设置后的初始模型进行计算，确定模型中的连接权值，最终根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系，本方案融合了井下监测分站内不同位置的同类传感器的信息，在很大程度上降低了测量误差，提高了数据的准确性。

【技术实现步骤摘要】

本专利技术涉及传感器信息处理及煤矿安全
，特别是涉及一种基于BP神经网络的瓦斯监测方法及装置。
技术介绍
目前煤矿安全生产是一个非常重视的问题，随着矿井开采深度的增加，井下地质状况的多种多样、瓦斯检测的复杂性和瓦斯突出的不确定性更为显著，使煤矿安全生产存在极大的安全隐患。矿井瓦斯监测主要是对井下瓦斯及CO浓度、粉尘含量、温度、风速、负压等参数进行实时检测(现有技术之瓦斯监测系统如附图I所示)，需采用大量不同类型的传感器。但由于传感器测量精度所限及环境因素的干扰，会使测量数据与实际存在偏差，更为严重的是，井下复杂环境中有害气体的侵蚀会使部分传感器丧失检测能力。传统的很多解决方法是单传感器多次测量或多个传感器测量数据取平均值，这样虽然能在一定程度上提高测控系统的可靠性，但无法满足系统实时性的要求，不准确的测量数据仍会影响最终判断结果。因此，整体而言，在目前的煤矿瓦斯监测方案中，大多还存在落后的人工检测与巡视方式，检测不准确、不到位、不及时的现象及问题。并且，有些煤矿利用自动化的仪器进行瓦斯监测，但通常是较为简单的单一传感器检测手段，存在检测不稳定，不可靠的缺点。虽然也有一些检测仪器是借用几种传感器来进行组合检测，但通常是简单的数据推理，遗漏安全隐患，没有充分利用数据进行深层次上的推理。为了克服上述现有技术的不足，本专利技术提供了一种基于BP神经网络的瓦斯监测方法及装置，尝试提出利用BP神经网络对井下传感器信息进行融合处理的设计方法，使之能够智能完善、准确地反映环境特征提高了对目标的识别速度和可靠性，是目前传感器信息处理及煤矿安全
亟待解决的问题之一。
技术实现思路
有鉴于此，本专利技术实施例提出了一种基于BP神经网络的瓦斯监测方法及装置，通过建立包含输入层、隐层及输出层的基于BP神经网络的初始模型，接着对初始模型进行参数设置，然后依据参数设置后的初始模型进行计算，确定模型中的连接权值，最终根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系，本方案融合了井下监测分站内不同位置的同类传感器的信息，在很大程度上降低了测量误差，提高了数据的准确性。为解决上述技术问题，本专利技术实施例的目的是通过以下技术方案实现的一种基于BP神经网络的瓦斯监测方法，包括步骤一、建立包含输入层、隐层及输出层的基于BP神经网络的初始模型；步骤二、对初始模型进行参数设置；步骤三、依据参数设置后的初始模型进行计算，确定模型中的连接权值；步骤四、根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系。优选的，上述步骤一中，输入层的节点数为6个。优选的，上述输入层的节点包含瓦斯、一氧化碳、温度、风速、粉尘和负压数据。优选的，上述步骤一中，所述输出层输出井下安全状况信息，分为五个等级，包括安全、较安全、一般安全、较危险、危险，故输出层节点数选择为5。优选的，上述步骤一中，所述隐层节点数取为10个。优选的，上述步骤二中，对初始模型进行参数设置包括初始权值取(-1，I)间的随机数，Π学习速率取O. 1，期望误差取O. 001，最大步数设为1000。优选的，上述步骤二中，进一步包含隐层及输出层激活函数选取连续可微的单极性sigmoid函数，BP/(-^) = 1 —r ; wki为隐层节点k与输入层节点i的连接权值；vjk为 I + eJ输出层节点j与隐层节点k的连接权值。优选的，上述步骤四中，进一步包括，将计算输出与样本目标输出之间的差异反馈回神经网络，使网络的各个连接权值不断调整至可以在限定误差内模拟出样本输入与输出的关系为止。一种基于BP神经网络的瓦斯监测装置，包括初始化单元、参数设置单元、计算单元以及执行单元，通过建立包含输入层、隐层及输出层的基于BP神经网络的初始模型，接着对初始模型进行参数设置，然后依据参数设置后的初始模型进行计算，确定模型中的连接权值，最终根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系。优选的，上述初始化单元用于建立包含输入层、隐层及输出层的基于BP神经网络的初始模型。 优选的，上述参数设置单元用于对初始模型进行参数设置。优选的，上述计算单元用于依据参数设置后的初始模型进行计算，确定模型中的连接权值。优选的，上述执行单元用于根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系。综上所述，本专利技术提供了一种基于BP神经网络的瓦斯监测方法及装置，通过建立包含输入层、隐层及输出层的基于BP神经网络的初始模型，接着对初始模型进行参数设置，然后依据参数设置后的初始模型进行计算，确定模型中的连接权值，最终根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系，本方案融合了井下监测分站内不同位置的同类传感器的信息，在很大程度上降低了测量误差，提高了数据的准确性。附图说明图I为现有技术之瓦斯监测系统示意图；图2为一种基于BP神经网络的瓦斯监测方法示意图；图3为本专利技术实施例之网络模型示意图；图4为本专利技术实施例之训练误差曲线示意图；图5为本专利技术实施例之网络融合结果示意图；图6为一种基于BP神经网络的瓦斯监测装置示意图。具体实施例方式本专利技术实施例提供的一种基于BP神经网络的瓦斯监测方法及装置，通过建立包含输入层、隐层及输出层的基于BP神经网络的初始模型，接着对初始模型进行参数设置，然后依据参数设置后的初始模型进行计算，确定模型中的连接权值，最终根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系，本方案融合了井下监测分站内不同位置的同类传感器的信息，在很大程度上降低了测量误差，提高了数据的准确性。本专利技术的主要思路为利用BP神经网络对井下传感器信息进行融合处理的设计方法，从多信息的视角进行处理、综合，得到各种信息的内在联系和规律，剔除无用和错误的成分，保留正确和有用的成分，最终实现信息的智能优化，使之能够智能完善、准确地反映环境特征提高了对目标的识别速度和可靠性，经过融合后的传感器信息具有冗余性、互补性和实时性。为使本专利技术的目的、技术方案及优点更加清楚明白，下面参照附图并举实施例，对本专利技术进一步详细说明。本专利技术实施例提供了一种基于BP神经网络的瓦斯监测方法，如图2所示，具体步骤包括步骤一、建立包含输入层、隐层及输出层的基于BP神经网络的初始模型；具体而言，在本专利技术实施例中，是采用BP神经网络对对瓦斯等分布信息进行智能处理，最终得出井下环境信息并作出安全评定，全面综合了井下环境参数，实时、客观、准确地给出安全状况评价。因此，在本方案中，采用三层BP神经网络，具体而言，包含输入层、一个隐层及输出层。输入层接收由一级数据融合获得的瓦斯、CO (—氧化碳)、温度、风速、粉尘和负压数据，因此输入层接的节点数为6。输出层输出井下安全状况信息，分为五个等级，包括安全、较安全、一般安全、较危险、危险，故输出层节点数选择为5。此外，本方案的隐层节点数取为10。网络模型如附图3所示。步骤二、对初始模型进行参数设置；具体而言，在本专利技术实施例中，BP神经网络算法是一种前向反馈型算法，因此在基于BP神经网络的初始模型中，我们进行如下定义和参数设置初始权值取(-1，I)间的随机数，Π学习速率取0.1，期望误差取O. 001，最大步数设为1000。选取5个矿井的实测环境数据样本经一级融合后作输入网络进行训练，并本文档来自技高网...

【技术保护点】
一种基于BP神经网络的瓦斯监测方法，其特征在于，所述方法包括：步骤一、建立包含输入层、隐层及输出层的基于BP神经网络的初始模型；步骤二、对初始模型进行参数设置；步骤三、依据参数设置后的初始模型进行计算，确定模型中的连接权值；步骤四、根据限定误差为基准，确定BP神经网络模型及输入与输出间的关系。

【技术特征摘要】

【专利技术属性】
技术研发人员：计春雷，宋晓勇，肖薇，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：