基于小波神经网络的煤岩破裂电磁辐射预测模型研究

基于小波神经网络的煤岩破裂电磁辐射
预测模型研究
*
杨桢，付华，李鑫
（辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛125105）
摘
要：
针对电磁辐射信号的特点，提出用小波神经网络建立煤岩破裂电磁辐射预测模型，用最
大最小蚁群算法来训练网络初始参数，改善网络性能，并引入扰动因子和惩罚因子来解决算法的局部收敛和收敛速度慢的问题。

以开滦煤样为例，应用结果表明，该模型精度高、响应快、实时性较好，具有良好的应用前景。

关键词：
小波神经网络；电磁辐射；最大最小蚁群算法；预测模型中图分类号：TD326文献标识码：A 文章编号：1001－0874（2012）05－0019－03
Research on Electromagnetic Emission Prediction Model in Fracture
of Coal and Rock Based on Wavelet Neural Network
YANG Zhen ，FU Hua ，LI Xin
（School of Electrical and Control Engineering ，Liaoning Technical University ，Huludao 125105，China ）
Abstract ：Aiming at the features of the electromagnetic emission signal ，an electromagnetic emission prediction
model in fracture of coal and rock is established by using wavelet neural network．The max-min ant colony algorithm is used to train the initial parameters of network and to improve the performance of network ，and by introducing the disturbance factor and punishment factor to solve local and slow convergence problems of the algorithm．With coal samples of Kailuan as example ，the application results show that the model has high accuracy ，fast response ，better real-timelines and good application prospect．Keywords ：
wavelet neural network ；electromagnetic emission ；max-min ant colony algorithm ；prediction model
*国家自然科学基金项目（50874059）；辽宁省教育厅基金项目（L2010172）；辽宁省科学技术计划项目（2011229011）
0引言实验及理论研究表明，煤岩变形破裂过程中有电磁辐射信号产生。

电磁辐射信号是预测冲击地压等煤岩动力灾害比较有效的方法
［1-3］。

电磁辐射信号具有随机性、模糊性和知识不完备性等特点。

小波神经网络克服了传统神经网络的缺点，具有并行分布处理、自组织、自适应和超强容错性等性能。

本文用小波神经网络建立煤岩破裂电磁辐射动态趋势预测模型，用最大最小蚁群算法训练网络初始参数，改善网络性能，取得了较好的效果。

1煤与瓦斯突出电磁辐射预测法原理
存在于煤体中的瓦斯对煤体的变形和破裂有着
极大的影响。

如图1所示，松弛区煤体产生裂隙，煤体内含的瓦斯被释放，
所以应力和电磁辐射强度比较低。

应力集中区煤体内应力和瓦斯气体的压力及单位煤体垂直于煤壁方向的电磁辐射强度都较强。

煤体的变形破裂过程伴随有强烈的电磁辐射信号。

煤与瓦斯突出电磁辐射预测法就是根据突出的前兆
信息进行危险性判断［4］。

2基于小波神经网络的电磁辐射预测模型2．1
小波神经网络及蚁群算法
·
91·2012年第5期煤矿机电
图1
煤体内电磁辐射强度E 和应力σ分布示意图
小波神经网络是法国信息科学研究机构（IRI-SA ）于1992年提出的前馈神经网络［5］。

小波分析的基函数具有自动伸缩和平移特性，小波变换通过
尺度伸缩和平移提取信号的局部信息，具有时域局部特性和变焦特性。

小波神经网络采用梯度下降法，容易收敛到局
部极小值，收敛时间长，对参数初始权值敏感，因而预测精度不高，收敛速度慢。

蚁群算法采用正反馈
搜索机制、
分布并行式运算及积极贪婪的启发式策略，具有较强的全局搜索能力，收敛速度也得到很大
提高。

用最大最小蚁群算法［6］
改进基本蚁群算法，在一定程度上可以避免发生过早停滞现象。

2．2小波神经网络预测模型
基于最大最小蚁群算法优化的小波神经网络用于建立多输入多输出系统预测模型。

预测模型结构如图2所示。

将实际系统过去时刻的输出x 作为输入量引入预测模型，系统根据反馈的误差作用于神经网络，修正其权系数和阈值，输出最优控制量y ，经过若干次训练学习，使预测控制系统误差值达到期望范围，
使系统输出值接近样本输出值，实现时变系统的预测控制。

图2小波神经网络预测模型
小波神经网络的输出为：
y i （t ）=σ（t ）｛∑L i =0
v ij ψa ，b ［∑m k =0
w jk x k （t ）］｝（1）
其中：σ（t ）=
1
1+e －t
式中：输入样本个数为m ，输入层结点个数为p ，隐含层结点个数为n ，输出层结点个数为q ；x m 为输入层样本元素；w jk 为连接隐含层和输入层的权重；ψa ，b 是小波函数；v ij 为连接输出层和隐含层的权重；y q 为输入样本对应的输出值；a j 和b j 分别为第j 个隐含层结点的伸缩系数和平移系数［7-8］。

2．3
MMACA-WNN 模型算法
本文采用最大最小蚁群算法算法代替梯度下降法优化寻找小波神经网络的权值、阈值、伸缩因子和平移因子等参数，构成MMACA-WNN 模型使得预测精度更高
［9-12］。

最大最小蚁群算法规定了信息素浓度的取值上下限，但由于局部路径启发信息差异的影响较小，可能收敛到次优路径，造成局部收敛状态。

为了克服这种算法缺陷，引入惩罚因子，对一定比例的较优解所在路径进行信息素平滑处理，扩大蚂蚁的搜索能力；判断无效搜索次数，如果达到规定的次数，用引入的扰动因子对全局进行信息素扰动；在最优和较
差路径上进行信息素浓度的调节，
使算法具有双向收敛的功能。

既能有效克服局部收敛，又能加快收
敛速度。

3
实例应用分析
根据煤层赋存和煤与瓦斯突出前兆影响范围内电磁辐射测试情况，输入层神经元个数确定为15，为保证等维动态学习样本库始终随着预测的进行能交替变化，取电磁辐射参数序列数m 等于序列维数n ，构成n 维n 列的动态矩阵；输出层神经元个数为1；隐含层中的神经元个数由经验公式推算为12，在（－3/槡Input_Num ，3/槡Input_Num ）范围内随机产生网络权值、伸缩步长和平移步长。

蚁群算法的信息启发式因子α=1，期望启发式因子β=5，信息素挥发系数ρ=0．5，信息素强度Q =100，扰动因子φ=0．2，惩罚因子σ=0．5，蚂蚁数目M =25。

最大
最小信息素设定范围［1/［ρ·f （s opt
）］，τmax ·（1－
n P 槡
best ）/［（avg －1）·n
P 槡best ］］，预测模型预测时域设定为1。

为了验证模型的性能，分别采用BP-ANN （BP 神经网络蚁群算法）模型和MMACA-WNN 模型进行验证和比较。

BP-ANN 模型经过954次学习训练，系统总误差为9．99434ˑ10－6
；MMACA-
WNN 模型经过289次学习训练，系统总误差为9．98171ˑ
·
02·煤矿机电2012年第5期
10－6。

在同样精度要求下，MMACA-WNN模型的训练次数少得多。

以开滦某矿工作面的煤样为例，采用20组电磁辐射强度数据进行模型测试，用另外一组数据进行模型验证。

表1为预测值与实际值比较情况。

BP-ANN模型相对误差为－1．543 1．389，MMACA-WNN模型相对误差为－0．204 0．407。

第26和第36次预测工作面均有突出危险，而BP-ANN模型预测，无突出危险，根据现场实际状况认定，MMACA-WNN模型预测正确。

表1预测值与实际值比较
预测次数实测值/mV
BP-ANN模型MMACA-WNN模型
预测值/mV相对误差/%预测结果预测值/mV相对误差/%预测结果21172169．6－1．395危险171．300．407危险228080．91．125安全80．20．250安全23126127．751．389安全126．250．198安全24104103．8－0．192安全104．000安全25105104．50－0．476安全104．85－0．142安全26162159．5－1．543安全162．30．185危险27200201．200．600危险200．020．010危险28128128．550．430安全128．200．156安全29131131．80．611安全131．30．229安全30147145．80－0．816安全147．180．122安全319897．5－0．510安全97．8－0．204安全32210210．300．143危险210．200．095危险339494．320．340安全94．200．213安全34392392．200．051危险392．100．030危险35107107．200．187安全107．000安全36171169．15－1．082安全170．82－0．105危险37320323．71．156危险320．200．063危险38137135．50－1．095安全137．200．146安全39105103．90－1．048安全104．80－0．190安全40248246．60－0．565危险247．50－0．202危险
4结语
采用小波神经网络建立煤岩破裂电磁辐射预测模型，采用最大最小蚁群算法训练网络初始参数，改善小波神经网络性能。

理论和实验结果证明：MMACA-WNN模型的精度高于BP-ANN模型，为煤矿安全生产提供了更为准确的预测模型，对促进煤矿安全生产具有重要意义。

参考文献：
［1］王恩元，何学秋，刘贞堂．煤岩电磁辐射特性及其应用研究进展［J］．自然科学进展，2006，16（5）：22-26．
［2］聂百胜，何学秋，王恩元，等．煤体剪切破坏的电磁辐射和声发射特性研究［J］．中国矿业大学学报，2007（6）：609-611．［3］窦林名，田京城，陆菜平．组合煤岩冲击破坏电磁辐射规研究［J］．岩石力学与工程学报，2005，24（19）：143-146．
［4］刘晓斐，王恩元，何学秋，等．回采工作面应力分布的电磁辐射规律［J］．煤炭学报，2007，32（10）：1019-1022．
［5］李红连．小波-神经网络在GPS/DR组合导航中的应用研究［D］．重庆：西南交通大学，2006．
［6］杨桢，李鑫．基于蚁群优化算法的瓦斯预测模型研究［J］．传
感器与微系统2009，28（10）：61-63．
［7］高美静，赵勇，谈爱玲．基于遗传小波神经网络的多传感器信息融合技术的研究［J］．仪器仪表学报2007，28（11）：2103-
2107．
［8］张德丰．神经网络应用设计［M］．1版．北京：机械工业出版社，2009．
［9］Demetgul M，Tansel IN，Taskin S．Fault diagnosis of pneu-matic systems with artificial neural network algorithms［J］．Expert Sys-
tems with Applications，2009，36（7）：10512-10519．
［10］Kalpana P，GunavathiK．Waveletbased faultdetection in an-alogV-LSI circuits using neural networks［J］．Applied SoftComputing，
2008，8（4）：1592-1598．
［11］周丽娟．改进粒子群算法和蚁群算法混合应用于文本聚类［J］．长春工业大学学报2009，30（3）：341-345．
［12］薛嘉，蔡金燕，马飒飒，等．基于群智能的连续优化算法研究［J］．计算机工程与设计，2009，30（8）：1969．
作者简介：杨桢（1980－），男，讲师。

毕业于辽宁工程技术大学电力电子与电力传动专业（硕士学位），主要研究方向为煤矿安全监测与监控。

（收稿日期：2012－06－13；责任编辑：陶驰东）
·
12
·
2012年第5期煤矿机电。