基于BP神經網絡的煤礦綜掘面風流智能調控模型研究

龔曉燕,孫育恒,劉壯壯,鄒 浩,陳有樂,康瑞金,程 傲

(西安科技大學機械工程學院,陜西 西安 710054)

目前煤礦綜掘面傳統的局部通風系統在通風方案確定的情況下,風筒出風口風流狀態不能實時動態調節,通風效率低且難以保障風場的合理分布,不能滿足煤礦實際掘進過程中對風場的動態需求,容易造成瓦斯和粉塵在巷道回流區聚集,影響掘進面安全高效開采,危害工作人員的身體健康。隨著煤礦智能化程度的不斷提高[1],煤礦掘進速度不斷加快,迫切需要對現有的綜掘面通風系統進行智能化升級改造[2-4],提高掘進工作面通風精細化管理水平,以快速解決粉塵和瓦斯濃度驟增帶來的安全隱患問題[5]。近年來國內外眾多學者對掘進工作面智能通風技術進行了大量研究,如陳重新等[6]研制出一套以瓦斯濃度為主要參量來調節風機轉速、控制風量的智能局部通風系統,并提出了解決瓦斯突出問題的方法;程曉之等[7]根據多傳感器實時監測數據,提出了局部通風參數計算方法及礦井局部通風智能調控系統功耗分析方法,并得到了最佳供需匹配的風量調控方案;杜崗等[8]提出了一種粒子群(PSO)優化PID(比例積分微分)控制算法,該算法提高了煤礦局部通風系統控制參數調節的自適應能力,煤礦局部通風機調節時間等控制指標得到了明顯的改善;崔博文[9]研制了智能變頻調速局部通風系統,將多級對旋局部通風機與變頻控制器和甲烷傳感器相結合,根據瓦斯濃度的變化隨時改變通風量,從而將瓦斯濃度控制在合理的范圍內。在利用Adam(適應性矩估計)算法優化神經網絡方面,郝天軒等[10]利用Adam算法優化深度神經網絡來預測瓦斯抽采半徑;李樹剛等[11]利用Adam算法優化循環神經網絡,構建了一種基于循環神經網絡的煤礦工作面瓦斯濃度的預測模型。

當前煤礦綜掘面智能通風技術研究主要集中在利用變頻技術對局部通風機的供風量進行智能調控,但無法根據實際需求對關鍵安全隱患位置的風流場狀態進行精細化智能調控。基于此,在本課題組自主研制的風流智能調控裝置的基礎上,本文建立了基于Adam算法優化BP(反向傳播)神經網絡的煤礦綜掘面風流智能調控模型,通過輸入關鍵安全隱患位置的粉塵和瓦斯濃度等實時監測數據,由實時監測數據驅動該模型輸出調控方案,可為煤礦綜掘面風流精準智能調控提供理論依據。

1 風流智能調控模型框架設計

1.1 模型建立需求分析

本課題組在前期大量的探索中得出風筒出風口風流變化對控制巷道內瓦斯和粉塵運移分布有明顯影響[12-13],并在此基礎上研制出一種能夠改變煤礦綜掘面出風口射流角度、出風口口徑以及出風口距端面距離的風流調控裝置及其空間布局,如圖1所示[14]。由于目前礦井局部通風方案無法根據實時變化的粉塵、瓦斯濃度做出相應的調整,僅靠調節風量無法滿足科學化、精細化的調控需求,因此利用BP神經網絡對復雜非線性關系處理的優勢[15],分析巷道內瓦斯和粉塵濃度與風筒出風口調控參數之間的關聯關系,建立由風速以及瓦斯和粉塵濃度實時監測數據驅動的風流智能調控模型,實現連續動態調控,對優化風場分布、降低瓦斯和粉塵聚集具有重要的意義。

圖1 煤礦綜掘面風流智能調控裝置及其空間布局示意圖Fig.1 Schematic diagram of the airflow intelligent control device of the fully mechanized heading face and its spatial layout

1.2 模型結構設計

BP神經網絡一般由3層結構組成,即輸入層、隱藏層和輸出層,通過對煤礦綜掘面風筒出風口口徑、方向角度和前后距離等參數動態變化下的數值模擬試驗和井下測試試驗研究得出,出風口風流變化對風速以及瓦斯和粉塵的運移分布具有很大的影響,結合關鍵安全隱患位置以及考慮工作人員健康問題,選取死角區瓦斯濃度、回風側粉塵濃度、司機處粉塵濃度、回風側風速和司機處風速為輸入層參數,以風筒出風口距掘進端頭距離、出風口口徑、出風口水平右偏角度、出風口垂直上偏角度為輸出層參數,隱藏層層數根據樣本數據的不同而具體確定,Adam-BP神經網絡模型結構如圖2所示。

圖2 Adam-BP神經網絡模型結構圖Fig.2 Flow chart of the Adam-BP neural network model

1.3 Adam-BP神經網絡模型建立流程

本文在傳統BP神經網絡的基礎上采用TensorFlow框架和Adam優化算法,以彌補BP神經網絡效率低、速率慢且容易陷入局部最優的問題,同時增加模型的收斂速率,并減小模型的均方誤差[16]。TensorFlow是目前最受歡迎的開源深度學習框架之一,它通過數據流圖技術(data flow graph)進行數值計算,在非均勻分布的計算環境下加速學習過程,具有快速、靈活、易開發等特點[17]。Adam優化算法本質上是一種帶有動量項的均方根傳播算法,它通過損失函數(loss)對每個參數梯度的一階矩估計和二階矩估計動態調整學習速率,使其擁有較高的計算速率,并且參數穩定,收斂速率快,在處理非穩態和稀疏集時有較好的表現[18-19]。Adam優化算法的步驟如下:

Step1初始化一階矩向量m0=0,二階矩向量v0=0,時間步長t0=0。

Step2定義學習率η=0.001,一階矩衰減系數β1=0.9,二階矩衰減系數β2=0.999,用于數值穩定的小常數δ=10-8[10,20]。

Step3開始迭代循環while(flag=1)do

Step4t=t+1

Step5計算得到t時刻的目標函數梯度:

gt=θfθ(θt-1)

Step6更新有偏差的一階矩向量:

mt=β1mt-1+(1-β1)gt

Step7更新有偏差的二階矩向量:

vt=β2vt-1+(1-β2)gt⊙gt

Step8計算偏差矯正的一階矩向量:

Step9計算偏差矯正的二階矩向量:

Step10判斷參數是否滿足要求:

Step11更新參數:

Step12結束迭代更新end while。

本文利用Adam算法優化BP神經網絡,分析巷道內瓦斯和粉塵濃度與風筒出風口調控參數之間的非線性關系,建立風流智能調控模型,其模型建立流程如圖3所示。

圖3 建立風流智能調控模型流程圖Fig.3 Flow chart of the airflow intelligent control model algorithm

2 風流智能調控模型建立

2.1 樣本數據獲取與預處理

2.1.1 有限元模型建立與驗證

BP神經網絡模型的構建需要大量的樣本數據以保證模型的精度,而物理試驗和井下測試數據無法滿足需求,本文以陜西神木檸條塔礦S1202綜掘面為研究對象,建立有限元模型進行數值模擬以獲取試驗數據。該煤礦巷道通風方式為壓入式通風,風筒安裝位于巷道左上方,其巷道的斷面參數尺寸為5.8 m×3.85 m,實際工作面供風量約為380 m3/min。根據該煤礦綜掘工作面實際環境,將巷道設置為長30 m、寬5.8 m、高3.85 m的模型,風筒口徑設置為1 m,將掘進機EBZ-200懸臂式綜掘機模型尺寸設置為10.5 m×3.2 m×1.8 m(長×寬×高),建立的有限元模型如圖4所示,其中坐標原點設立在綜掘面與巷道底板交界線的近風筒側位置,x軸正方向表示由風筒側指向回風側,y軸正方向表示由巷道底板指向頂板,z軸正方向表示由綜掘面指向末端。模型邊界條件參數及離散相模型參數設定見表1和表2。

表1 模型邊界條件參數設定

表2 離散相模型參數設定

圖4 檸條塔礦S1202綜掘面風速、瓦斯及粉塵場有限 元模型Fig.4 Finite element model of wind speed,gas and dust field at the S1202 fully mechanized heading face of Ningtiaota Mine

為了體現風流智能調控模型訓練數據的有效性和可靠性,結合實際情況,以減少粉塵對工作人員的危害為目的,在檸條塔礦S1202綜掘面選取司機位置處(x=2.0 m,y=2.0 m,z=7.5 m)對原始場進行了采樣測試,并對同一工況下經數值模擬計算得到的風速和粉塵濃度與井下實測結果進行了對比驗證,其結果見圖5。

圖5 檸條塔礦S1202綜掘面司機位置處粉塵濃度和 風速數值模擬值與實測值的對比圖Fig.5 Comparison between the measured data and simulated data of gas concentration and wind speed at the driver’s location at the S120 fully mechanized heading face of Ningtiaota Mine

由圖5可以看出:該礦掘進工作面司機位置處粉塵濃度和風速數值模擬值與實測值的誤差絕對值均小于10%,且兩者在變化規律上大體一致,從而驗證了模擬結果的有效性和可靠性,說明本文有限元模型的精度滿足要求。

2.1.2 原始數據獲取

根據龔曉燕等[21]的研究得出,當風筒出風口距掘進端頭距離為5～10 m、出風口口徑為0.7～1.2 m、出風口水平右偏角度為0°～25°、出風口垂直上偏角度為0°～6°時,對巷道內粉塵和瓦斯運移分布的影響較大,以此作為參照并結合風流調控裝置的調控參數對每個原始場設計了27組調控方案,如表3所示。對不同的原始場進行了數值模擬試驗,獲取了回風側平均風速和粉塵濃度、司機位置處風速和粉塵濃度以及死角區瓦斯濃度的模擬數據。并結合風速范圍為0.25～4 m/s和瓦斯濃度不超過1%的約束條件剔除不合理數據,再通過對比模擬的調控效果挑選出降塵率高于30%的調控方案,共獲取124組數據作為試驗原始數據,如表4所示。

表4 試驗原始數據

2.1.3 原始數據預處理

為了消除風速以及粉塵和瓦斯濃度等各數據之間量級的影響,需要對樣本數據進行標準化處理。本文采用min-max標準化(0～1標準化)的方式對原始數據進行線性變換,并調用Numpy庫中的min、max函數找到最大值和最小值,具體計算公式如下:

(1)

將數據中的任意一個x通過min-max標準化為一個0～1之間的x′,當完成訓練后再進行反歸一化使其恢復,以便不斷增添訓練數據更新模型精度。

2.2 Adam-BP神經網絡模型參數確定

2.2.1 隱藏層層數確定

BP神經網絡模型的精確性以及有效性是由隱藏層層數、學習率、權值等參數決定的,隱藏層確定節點的過程中采用試湊法和經驗法結合的方法,先用經驗公式估算隱藏層節點的數目;在此基礎上使用試湊法確定最終的隱藏層數目,并通過比較不同節點數目下BP神經網絡的均方誤差,確定最終的隱藏層節點數目。

隱藏層節點數估算的經驗公式為

(2)

式中:k為隱藏層節點數量;n為輸入層節點數量;m為輸出層節點數量;α為1～10之間的常數。

均方誤差的計算公式為

(3)

式中:MSE表示均方誤差;n表示樣本容量;T表示樣本真實值;P表示樣本預測值。

輸入層節點數為5個,輸出層節點數為4個,故利用式(2)計算得到的隱藏層節點數目的取值范圍為4～13個,同時為了更精確地找出隱藏層節點數目,利用訓練數據分別對隱藏層節點數為4、5、6、7、8、9、10、11、12、13個的模型進行訓練,當隱藏層節點數為13個時均方誤差最小,為0.194 4,故確定隱藏層節點數目為13個。

2.2.2 學習率確定

BP神經網絡模型中學習率直接影響模型的收斂速度和性能,學習率越大,模型的收斂速度越快,但在模型訓練后期會有較大的波動,造成振蕩現象,甚至出現損失函數值圍繞最小值徘徊而無法找到最優解的情況。故本文采取學習率衰減[22]的辦法,在模型訓練初期使用較大的學習率即η=0.1,隨著迭代次數的增加,以0.95η的速率遞減,以保證后期模型更接近最優解。

2.2.3 優化算法選取

在優化算法的選取過程中,本文選取了4種BP神經網絡主流優化算法進行訓練對比,即SGD(隨機梯度下降)算法、Adagrad算法、RMSProp算法和Adam(適應性矩估計)算法,其收斂曲線如圖6所示,并利用式(3)計算其均方誤差(MSE),結果見表5。

表5 不同優化算法的均方誤差(MSE)對比

圖6 不同優化算法收斂曲線對比Fig.6 Comparison of convergence curves of different optimization algorithms

由圖6和表5可知:基于Adam優化算法的BP神經網絡收斂速度更快,均方誤差更小,最終驗證了Adam算法的精確性。

3 風流智能調控模型實驗測試驗證

為了驗證風流智能調控模型的調控效果,本文采取物理平臺試驗和井下降塵效果調控測試試驗兩部分對模型進行了試驗測試驗證。通過提取實時的風速以及瓦斯和粉塵濃度監測數據輸入調控模型中,并根據模型輸出的調控方案來調整風流調控裝置的各個參數,進而調控風流,從而影響風場的運移分布,以達到降低粉塵和瓦斯濃度的目的。

3.1 物理實驗平臺連續動態調控效果測試

物理實驗平臺以檸條塔礦S1202綜掘面為研究對象依照相似模型理論按照1∶5的比例搭建而成,該平臺高為0.77 m、寬為1.16 m,總長度為6 m,內置長、寬、高分別為2.1、0.64、0.36 m的簡易掘進機模型。依據檸條塔礦S1202綜掘面的實際情況,對《煤礦安全規程》[23]關鍵點與數值模擬關鍵安全隱患點布置風速、粉塵和瓦斯傳感器,以保證所測得數據可以模擬綜掘面巷道的實際情況,實驗平臺如圖7(a)所示;測點位置及傳感器布置如測試方案圖7(b)所示,其中1#～6#為回風側行人呼吸帶高度風速、粉塵傳感器布置位置,7#為司機位置處風速、粉塵傳感器位置,8#為死角區瓦斯傳感器位置,依托實驗平臺以出風口距掘進端頭5 m為例進行智能調控試驗。

圖7 風流調控物理實驗平臺及試驗測試方案Fig.7 Airflow control physical experimental platform and test scheme

由于井下實際掘進過程中塵源的動態變化,為了驗證風流智能調控模型的連續動態調控效果,文獻[24]將一個截割循環分為8個階段來研究最佳調控規則,為了保證調控方案有足夠的作用時間在實驗平臺上,本文以一個截割循環為例,將一個弓形截割循環分為兩個階段,通過初始粉塵、瓦斯濃度監測數據輸出一階段的調控方案,一階段結束時的監測數據作為二階段的輸入數據獲取二階段的調控方案,截割循環劃分如圖8所示。

圖8 截割循環劃分示意圖Fig.8 Schematic diagram of the cut-off cycle division

初始司機位置處粉塵濃度為431.40 mg/m3,回風側粉塵平均濃度為423.08 mg/m3,死角區瓦斯濃度為0.925%。一階段模型輸出的調控方案為:出風口距掘進端頭的距離為5 m,出風口口徑為1.1 m,出風口水平右偏角度為15°,出風口垂直上偏角度為4°。調控后一階段司機位置處粉塵濃度降低了31.8%,回風側粉塵平均濃度降低了21.7%,死角區瓦斯濃度降低了7.7%。將一階段結束時測得的數據作為階段二模型的輸入數據,二階段模型輸出的調控方案為:出風口距掘進端頭的距離為6 m,出風口口徑為1.2 m,出風口水平右偏角度為10°,出風口垂直上偏角度為2°。調控后二階段司機位置處粉塵濃度降低了25.5%,回風側粉塵平均濃度降低了28.4%,死角區瓦斯濃度降低了23.3%,試驗測試數據如表6所示。

表6 物理實驗平臺連續動態調控效果測試數據

3.2 井下調控效果測試試驗

為了進一步驗證風流智能調控模型輸出方案的有效性和可靠性,利用課題組自主研制的風流調控裝置(如圖9所示)在檸條塔礦S1202綜掘面巷道進行井下調控試驗驗證。

圖9 風流調控裝置井下安裝與測試Fig.9 Downhole installation and test of air flow control device

將風流調控裝置安裝于檸條塔礦S1202綜掘面風筒出風口末端,由于檸條塔礦為低瓦斯礦井且井下工作現場環境復雜,死角區瓦斯濃度數據獲取難度較大,故井下測試以粉塵濃度為主要分析對象。

以出風口距掘進端頭5 m時的工況為例,對原始場與調控后的粉塵濃度進行了對比分析。由于井下調控試驗過程中現場數據獲取和處理的難度較大,無法做連續動態試驗,故僅做兩組調控對比試驗,得到井下降塵效果對比分析結果見表7。

表7 井下粉塵調控效果對比分析

由表7可知:兩種調控方案下回風側行人呼吸帶平均粉塵濃度分別降低了29.6%和27.1%,司機位置處粉塵濃度分別降低了36.7%和31.5%。

4 結 論

針對煤礦掘進工作面通風智能化、精細化的調控需求,本文建立了基于BP神經網絡的煤礦綜掘面風流智能調控模型,并以陜西檸條塔礦S1202掘進面為研究對象,進行了模型建立與測試驗證,得到如下結論:

1) 以死角區瓦斯濃度、司機位置處粉塵濃度、回風側粉塵濃度、回風側風速和司機位置處風速為輸入層參數,以風筒出風口距掘進端頭的距離、出風口口徑、出風口水平右偏角度、出風口垂直上偏角度為輸出層參數,通過數值模擬試驗獲取模型訓練樣本數據,利用試湊法和經驗法相結合的方式確定了隱藏層節點數目為13個,選擇Adam算法優化BP神經網絡,優化后模型均方誤差為0.1761,說明模型具有較高的精度。

2) 建立了基于檸條塔S1202掘進面的風流智能調控模型,并采用物理實驗平臺試驗和井下調控試驗對模型進行了測試驗證。結果表明:在物理實驗平臺進行連續動態調控試驗,得到一階段司機位置處粉塵濃度降低了31.8%,回風側粉塵平均濃度降低了21.7%,死角區瓦斯濃度降低了7.7%,二階段司機位置處粉塵濃度降低了25.5%,回風側粉塵平均濃度降低了28.4%,死角區瓦斯濃度降低了23.3%;在井下進行降塵效果調控測試試驗,得到兩種調控方案下回風側行人呼吸帶平均粉塵濃度分別降低了29.6%和27.1%,司機位置處粉塵濃度分別降低了36.7%和31.5%,從而驗證了模型的有效性。