BP神經網絡在顧橋煤礦煤炭發(fā)熱量預測中的應用實踐

湯本雙 于昂泓 龔鵬鵬 王傳真＊ 孔咪咪

（1.淮河能源集團煤業(yè)公司顧橋礦煤管科，安徽 淮南232001；2.安徽理工大學材料科學與工程學院，安徽 淮南232001；3.安徽坤飛智能科技有限公司，安徽 合肥230000）

0 引言

顧橋煤礦位于安徽省淮南市潘謝礦區(qū)，東鄰丁集礦井，西接張集礦井和顧北礦井，井田總面積約106 km2，可采煤質儲量近10億噸，是淮南礦業(yè)集團重點建設工程。為了提高顧橋煤礦煤炭工業(yè)現(xiàn)代化程度，顧橋煤礦采用了快速定量裝車系統(tǒng)[1]，該系統(tǒng)由輸煤系統(tǒng)、定量裝車機械設備、三級采樣系統(tǒng)、液壓控制系統(tǒng)、PLC監(jiān)控系統(tǒng)等組成，具有速度快，節(jié)能環(huán)保，自動化程度高等優(yōu)點。煤炭發(fā)熱量是衡量煤炭品質的重要因素，在煤炭裝車發(fā)運中是十分重要的指標，常規(guī)的發(fā)熱量預測方法主要是線性回歸法等[2]，但該回歸模型預測誤差較大、模型泛化能力差。因此，本文借鑒目前應用較為廣泛的BP神經網絡來探索該算法在顧橋煤礦商品煤發(fā)熱量預測中的工程應用實踐。

1 BP神經網絡算法理論

BP（BackPropagation）神經網絡[3]是一種基于反饋誤差進行不斷訓練的前饋網絡，由于其結構簡單，在各個方面運用的都比較廣泛。該網絡結構有三層網絡組成，即輸入層、隱含層和輸出層，其中輸入層和輸出層都由單層神經元的網絡結構，而隱含層的層數(shù)可以為多層，具體模型如圖1所示。其主要由神經元組成，通過誤差的逆向傳播來逼近目標的多層神經網絡。在結構上，一個三層的BP神經網絡通常由輸入層，輸出層，隱層組成，每一層有多個神經元，其中隱層可以根據(jù)待處理信息的復雜程度分為一層或多層。

圖1 BP神經網絡結構簡圖

BP神經網絡算法的學習過程可以分成正向傳播和反向傳播[4]。正向傳播的過程是由輸入層傳向隱層再依次往下傳播到輸出層，如果實際輸出結果與期望輸出值相差較大，則將誤差信號由輸出層傳輸?shù)诫[層再送到輸入層，即反向傳播過程，同時調整各層之間的權值，調整結果將作為下一次正向傳播的參數(shù)。如此循環(huán)，逐步降低誤差。

激勵函數(shù)是BP神經網絡計算的關鍵算法，通常隱含層神經元采用sigmoid型傳遞函數(shù)（如式1）或雙極性sigma函數(shù)（如式2），sigmoid型傳遞函數(shù)是非線性單調上升的函數(shù)，能較好地平衡線性與非線性之間的行為。輸出層神經元采用線性傳遞函數(shù)。

BP神經網絡的發(fā)展，為人工神經網絡的進步注入了動力，具有以下幾個優(yōu)點[5]。

1.1 容錯能力

BP神經網絡的每一個輸入值被分配到多個的節(jié)點的連接權值中，其權值等參數(shù)也隨著樣本的輸入不斷進行調整，當其中一個節(jié)點的連接權值出現(xiàn)誤差甚至錯誤，整個神經網絡仍能保持正常運行狀態(tài)，這種分布式的存儲方式以及并行計算的能力使得該網絡系統(tǒng)具有良好的容錯能力。

1.2 非線性映射能力

在BP神經網絡系統(tǒng)中，輸入值和輸出值之間存在著相當多的映射關系，理論上已經證明該網絡能處理各種復雜的非線性的映射關系。

1.3 泛化能力

前期樣本輸入和輸出之間的非線性映射關系被完整地儲存在權值矩陣中，這些規(guī)律將作用于后期樣本，產生較為理想的輸出結果。

2 結果與討論

2.1 顧橋煤礦發(fā)熱量神經網絡建模

采用上文所述的BP神經網絡對顧橋礦產品煤發(fā)熱量與灰分、水分間相關性進行分析，并總結其預測模型，并使用TensorFlow實現(xiàn)。

第一步：使用TensorFlow中Matmul函數(shù)定義全連接層函數(shù)單個神經元細胞；

第二步：構建神經網絡輸入/輸出結構：將產品煤灰分、水分作為輸入層的2個神經元節(jié)點數(shù)，將發(fā)熱量作為輸出層1個神經元節(jié)點，將數(shù)據(jù)集前70%用于訓練集；70%～90%用于驗證集；90%～100%用于測試集；

第三步：構建三層神經網絡模型；

第四步：設置訓練過程參數(shù)，包括訓練輪數(shù)5000輪，單次訓練樣本5個，學習率0.01；

第五步：采用均方差函數(shù)作為損失函數(shù)并設置梯度下降優(yōu)化器；

第六步：模型預測。

2.2 模型預測結果分析

本文隨機從測試集中取50個數(shù)據(jù)，代入模型中進行預測，其發(fā)熱量預測結果如表1所示，其對應的預測結果與標簽值分布圖2所示。從該預測結果可以看出，平均預測誤差在1.70%。可以預見在模型實際應用過程中，隨著數(shù)據(jù)量的增加，其模型精確性還有更大的提升空間。

圖2 發(fā)熱量預測值與標簽值對比一覽表

3 結論

本研究通過運用BP神經網絡算法對顧橋煤礦商品煤發(fā)熱量與灰分、水分間的相關性進行建模，所建神經網絡經過大量訓練后能夠實現(xiàn)發(fā)熱量的精準預測，大大提高了預測精度。

表1 發(fā)熱量預測一覽表