基于GA－BP 的煤礦瓦斯監(jiān)控系統(tǒng) “大數(shù)干擾” 信號辨識

陳 強(qiáng)，劉祥潔，廖石寶

（江西理工大學(xué)電氣工程與自動化學(xué)院，江西贛州 341000）

0 引言

煤礦瓦斯監(jiān)控系統(tǒng)是通過監(jiān)測煤礦中的瓦斯?jié)舛?，?shí)現(xiàn)對煤礦瓦斯的實(shí)時(shí)監(jiān)控和預(yù)警的系統(tǒng)。煤礦瓦斯監(jiān)控系統(tǒng)通常采用傳感器測量煤礦中的瓦斯?jié)舛?，并將其轉(zhuǎn)化為電信號輸出，用于實(shí)時(shí)監(jiān)控。但是，在實(shí)際的生產(chǎn)環(huán)境中，監(jiān)控信號往往會受到電磁干擾［1］，例如大型電機(jī)啟動或停機(jī)的瞬間等因素，產(chǎn)生“大數(shù)干擾”信號，導(dǎo)致監(jiān)控系統(tǒng)誤報(bào)警，從而影響煤礦瓦斯監(jiān)控系統(tǒng)的正常運(yùn)行和監(jiān)控效果。因此，為了提高煤礦瓦斯監(jiān)控系統(tǒng)的穩(wěn)定性和準(zhǔn)確性，需要對大數(shù)干擾信號進(jìn)行識別和濾波處理，以便準(zhǔn)確地監(jiān)測煤礦中的瓦斯?jié)舛龋皶r(shí)發(fā)現(xiàn)和預(yù)警煤礦中的安全隱患，確保煤礦的生產(chǎn)安全［2－3］。

針對大數(shù)干擾信號問題，國內(nèi)外學(xué)者進(jìn)行了廣泛的研究。文獻(xiàn)［4］中采用了RS485 數(shù)字信號替代頻率信號的傳輸方式，以提升系統(tǒng)抗電磁干擾能力。文獻(xiàn)［5］中利用瓦斯?jié)舛纫淮翁荻群脱矙z周期定義瓦斯?jié)舛茸兓铀俣?，以此識別大數(shù)干擾信號。文獻(xiàn)［6］中通過預(yù)先在傳感器程序中埋入誤碼來模擬干擾點(diǎn)瓦斯?jié)舛?，進(jìn)而檢驗(yàn)出大數(shù)干擾信號。文獻(xiàn)［7］使用雙向長短記憶遞推神經(jīng)網(wǎng)絡(luò)進(jìn)行識別大數(shù)干擾信號，然后采用電磁輻射信號波動的基準(zhǔn)值代替干擾數(shù)據(jù)。文獻(xiàn)［8］中采用離散點(diǎn)的迭代學(xué)習(xí)識別大數(shù)干擾信號，識別后采用滑動平均濾波原理的滑動方法濾除大數(shù)干擾信號。文獻(xiàn)［9］中提出了基于神經(jīng)網(wǎng)絡(luò)的方法來濾除大數(shù)干擾信號，這種方法雖然能夠把干擾消除，但對于瓦斯突出信號濾除后濃度發(fā)生下降，存在一定的安全隱患。

本文提出一種基于遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的方法來解決大數(shù)干擾問題，不僅能夠有效濾除干擾信號，并且不影響瓦斯突出信號的報(bào)警，消除了煤礦井下因大數(shù)干擾造成傳感器誤報(bào)警的隱患。

1 BP神經(jīng)網(wǎng)絡(luò)基本原理

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986 年由Rumelhart 和McClelland 為首的科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。BP 神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是：信號是前向傳播，而誤差是反向傳播的。如圖1 所示，BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層以及輸出層。BP 神經(jīng)網(wǎng)絡(luò)傳播過程主要分為兩個(gè)階段，第一階段為信號從輸入層輸入，再經(jīng)過隱含層，最終到達(dá)輸出層。第二階段為誤差從輸出層到隱含層，最終到輸入層。誤差反向傳播過程中根據(jù)梯度下降法不斷調(diào)節(jié)輸出層到隱含層、隱含層到輸入層的權(quán)值和閾值，從而減小誤差［10］。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)模型

1.2 貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過擬合的情況，即網(wǎng)絡(luò)的訓(xùn)練精度良好，但預(yù)測結(jié)果并不理想。因此，故本文使用貝葉斯正則化BP 神經(jīng)網(wǎng)絡(luò)，運(yùn)用貝葉斯方法修正BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能函數(shù)，提高網(wǎng)絡(luò)的泛化能力解決網(wǎng)絡(luò)過擬合問題。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)將網(wǎng)絡(luò)的均方差Ed作為訓(xùn)練性能函數(shù)，即

式中：n為樣本集的數(shù)量；ai為網(wǎng)絡(luò)的預(yù)測輸出；ti為網(wǎng)絡(luò)的期望輸出。

貝葉斯正則化就是對網(wǎng)絡(luò)的性能函數(shù)再添加一個(gè)正則化項(xiàng)，正則化一般采用L2策略實(shí)現(xiàn)，通常對網(wǎng)絡(luò)的權(quán)值參數(shù)w懲罰，閾值不處理，懲罰項(xiàng)和正則化后性能函數(shù)分別為：

式中：Eω為網(wǎng)絡(luò)全部權(quán)值的均方差；m 為網(wǎng)絡(luò)的權(quán)值總數(shù)；α、β為正則化參數(shù)。

當(dāng)α?β時(shí)，網(wǎng)絡(luò)訓(xùn)練傾向于減小網(wǎng)絡(luò)訓(xùn)練誤差，網(wǎng)絡(luò)可能出現(xiàn)訓(xùn)練過擬合現(xiàn)象；當(dāng)α?β時(shí)，網(wǎng)絡(luò)訓(xùn)練傾向于減小權(quán)重大小，容易引起網(wǎng)絡(luò)訓(xùn)練誤差較大的現(xiàn)象。

貝葉斯正則化算法在網(wǎng)絡(luò)訓(xùn)練的性能函數(shù)上添加了權(quán)值懲罰項(xiàng)，通過計(jì)算性能函數(shù)中正則化參數(shù)的局部最優(yōu)值，提高網(wǎng)絡(luò)泛化能力，解決網(wǎng)絡(luò)過擬合問題［11］。

2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

2.1 GA－BP算法主要思想

遺傳算法是一種模仿自然界生物進(jìn)化思想而得出的一種自適應(yīng)啟發(fā)式全局搜索算法，通過模仿生物的進(jìn)化和遺傳，從某一初始種群出發(fā)，按照一定操作規(guī)則，“優(yōu)勝劣汰”不斷進(jìn)行迭代更新逐步逼近最優(yōu)解。由于BP神經(jīng)網(wǎng)絡(luò)初始化時(shí)是隨機(jī)生成權(quán)值和閾值，收斂速度較慢，所以使用遺傳算法在全局空間優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值到一個(gè)較小的范圍，進(jìn)而使用BP 算法在這個(gè)范圍內(nèi)搜索出最優(yōu)解［12］。

2.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)步驟

（1）編碼。根據(jù)BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，確定個(gè)體的長度，將網(wǎng)絡(luò)中所有的權(quán)值和閾值進(jìn)行實(shí)數(shù)編碼，作為一組染色體。

（2）確定適應(yīng)度函數(shù)。以BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出和期望輸出之間的均方誤差作為適應(yīng)度函數(shù)F。

（3）選擇操作。采用輪盤賭法，適應(yīng)度越小的個(gè)體被選中的概率越大。每個(gè)基因被選中的概率Pi為：

式中：N為種群數(shù)量。

（4）交叉操作。通過使用交叉算子改善個(gè)體編碼結(jié)構(gòu)，采用實(shí)數(shù)交叉法，基因Xk和Xi對應(yīng)染色體上的第j位基因的交叉公式為：

式中：r為［0，1］之間的隨機(jī)數(shù)。

（5）變異操作。用較小的概率選擇第i個(gè)個(gè)體的第j個(gè)基因Xij進(jìn)行變異從而增加種群的多樣性，變異操作如下：

式中：Xmax和Xmin分別為基因Xij的上界和下界；r1和r2為［0，1］之間的隨機(jī)數(shù)；g 為當(dāng)前迭代次數(shù)；Gmax為最大進(jìn)化次數(shù)。

（6）計(jì)算適應(yīng)度函數(shù)值，若滿足算法結(jié)束條件則輸出優(yōu)化后的權(quán)值和閾值，若不滿足則返回第（3）步。

（7）將GA輸出的權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)輸入的權(quán)值和閾值，采用貝葉斯正則化法繼續(xù)對權(quán)值和閾值進(jìn)行更新，直到滿足條件輸出預(yù)測結(jié)果。

圖2 所示為GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的流程，該模型在BP神經(jīng)網(wǎng)絡(luò)的模型基礎(chǔ)上，使用了遺傳算法對初始的權(quán)值和閾值進(jìn)行優(yōu)化。先將BP 神經(jīng)網(wǎng)絡(luò)初始的權(quán)值和閾值進(jìn)行編碼，然后適應(yīng)度函數(shù)采用BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差函數(shù)，再通過選擇、交叉、變異操作得出優(yōu)化后的權(quán)值和閾值，最后解碼輸入給BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用貝葉斯正則化的方法繼續(xù)更新權(quán)值和閾值，最后輸出仿真結(jié)果［13］。

圖2 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的流程

3 實(shí)驗(yàn)分析

3.1 BP神經(jīng)網(wǎng)絡(luò)的建立

（1）確定模型的輸入輸出。由于本文使用BP 神經(jīng)網(wǎng)絡(luò)來辨識瓦斯信號數(shù)據(jù)，其中“大數(shù)”干擾信號一般受大功率電氣設(shè)備啟停影響，故信號幅值往往是瞬間消失的，而瓦斯突出信號的幅值下降較為緩慢，所以為了保證樣本內(nèi)能夠包含一個(gè)完整大數(shù)干擾信號，本文訓(xùn)練的輸入數(shù)據(jù)采用一組10 個(gè)連續(xù)的瓦斯信號數(shù)據(jù)，為了直觀體現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)辨識效果，所以輸出也是一組10 連續(xù)的瓦斯信號數(shù)據(jù)。

（2）神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及參數(shù)選擇。根據(jù)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，只要隱含層節(jié)點(diǎn)數(shù)足夠多，就可以任意精度逼近一個(gè)線性函數(shù)，所以為簡化網(wǎng)絡(luò)結(jié)構(gòu)，本文采用含有一層隱含層的BP 神經(jīng)網(wǎng)絡(luò)。由于模型的輸入和輸出均為10 個(gè)瓦斯信號，所以網(wǎng)絡(luò)應(yīng)有10 個(gè)輸入節(jié)點(diǎn)，10 個(gè)輸出節(jié)點(diǎn)。根據(jù)經(jīng)驗(yàn)公式和多次實(shí)驗(yàn)探究，確定隱含層節(jié)點(diǎn)是為15 時(shí)，網(wǎng)絡(luò)輸出性能最好。傳輸函數(shù)采用Sigmoid函數(shù)，輸出層采用線性函數(shù)，訓(xùn)練目標(biāo)采用均方誤差為0.000 1，訓(xùn)練速率為0.05。

3.2 數(shù)據(jù)的來源及數(shù)據(jù)處理

本實(shí)驗(yàn)的數(shù)據(jù)來源于實(shí)驗(yàn)室模擬實(shí)驗(yàn)得到，干擾信號由型號為TYB55－4－5 的永磁三相同步電機(jī)啟動和停止時(shí)被傳感器檢測到的實(shí)時(shí)數(shù)據(jù)，模擬的正常瓦斯溢出信號為實(shí)驗(yàn)室自制裝置，由傳感器實(shí)時(shí)測量，通過數(shù)據(jù)采集裝置得到相應(yīng)的數(shù)據(jù)［14］。共采集到4 000 個(gè)傳感器電壓信號，根據(jù)實(shí)驗(yàn)使用的傳感器參數(shù)可知，當(dāng)電壓值大于5 V時(shí)將觸發(fā)報(bào)警，其中3 800 個(gè)信號作為訓(xùn)練數(shù)據(jù)，200 個(gè)信號作為測試數(shù)據(jù)，測試信號波形如圖3 所示，信號1 為模擬瓦斯突出信號，信號2、3、4、5 為“大數(shù)”干擾信號。

根據(jù)煤礦下瓦斯信號特點(diǎn)，本系統(tǒng)辨識后，瓦斯突出信號期望輸出與輸入相同，干擾信號期望輸出并不是為0，而是降到固定的安全值，設(shè)定的安全值為1.5 V。由于本實(shí)驗(yàn)神經(jīng)網(wǎng)絡(luò)隱含層傳輸函數(shù)采用Sigmoid 函數(shù)，為避開Sigmoid函數(shù)的飽和區(qū)，并且加快神經(jīng)網(wǎng)絡(luò)的收斂速度，所以在網(wǎng)絡(luò)訓(xùn)練前用最大最小法對數(shù)據(jù)進(jìn)行歸一化處理［15］。函數(shù)形式為：

式中：Y為歸一化后的數(shù)據(jù)；X為輸入數(shù)據(jù)；Xmin為輸入數(shù)據(jù)的最小值；Xmax為輸入數(shù)據(jù)的最大值。

4 仿真結(jié)果

本次實(shí)驗(yàn)中，設(shè)定遺傳算法種群規(guī)模為10 個(gè)，進(jìn)化次數(shù)為10 次，交叉和變異概率分別為0.3 和0.1。圖4所示為遺傳算法適應(yīng)度曲線圖，可以看出經(jīng)過不斷的遺傳迭代，個(gè)體適應(yīng)度越來越小，而個(gè)體的適應(yīng)能力越來越強(qiáng)，種群的平均適應(yīng)度隨迭代次數(shù)的增加逐漸向函數(shù)最低值進(jìn)化，個(gè)體之間逐漸縮小差距，適應(yīng)度曲線的下降證明了遺傳算法的有效性。經(jīng)過10 次迭代后，種群的最佳適應(yīng)度基本穩(wěn)定。

圖4 適應(yīng)度曲線

為了直觀體現(xiàn)GA－BP神經(jīng)網(wǎng)絡(luò)模型辨識后的優(yōu)化效果，使用相同的瓦斯信號樣本訓(xùn)練集和測試集，網(wǎng)絡(luò)的訓(xùn)練目標(biāo)也相同，分別使用訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)模型和GA－BP神經(jīng)網(wǎng)絡(luò)模型對測試信號進(jìn)行驗(yàn)證，采用期望輸出與預(yù)測輸出的差值作為網(wǎng)絡(luò)辨識后的誤差，圖5 所示為兩種網(wǎng)絡(luò)模型辨識后的誤差對比圖。圖中GA－BP神經(jīng)網(wǎng)絡(luò)經(jīng)模型訓(xùn)練之后對測試信號的誤差絕對值之和為6.096，而BP神經(jīng)網(wǎng)絡(luò)經(jīng)模型訓(xùn)練之后對測試信號的誤差絕對值之和為10.003，相對于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型而言，GA－BP神經(jīng)網(wǎng)絡(luò)模型辨識后誤差更接近實(shí)際值，具有更小的誤差，在實(shí)際應(yīng)用中能夠更準(zhǔn)確地濾除大數(shù)干擾信號。

在實(shí)際煤礦安全監(jiān)控系統(tǒng)中，不僅要求能夠檢測到“大數(shù)干擾”信號，并有效濾除，防止誤報(bào)警，還應(yīng)當(dāng)保留瓦斯突出信號，防止漏報(bào)警的情況。由圖3 可知，在序號82～96 范圍內(nèi)存在電壓值大于5 V 的情況，且此時(shí)為瓦斯突出信號，圖6 所示為GA－BP 神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的辨識效果對比，采用BP 神經(jīng)網(wǎng)絡(luò)模型辨識后，影響了瓦斯突出信號的輸出，出現(xiàn)電壓值從報(bào)警值降到安全值的情況，存在一定的安全隱患。而GA－BP神經(jīng)網(wǎng)絡(luò)辨識后，輸出的瓦斯信號和輸出前信號基本不變，不會影響正常信號的報(bào)警。

圖5 GA－BP網(wǎng)絡(luò)和BP網(wǎng)絡(luò)辨識后相對誤差對比

圖6 GA－BP和BP神經(jīng)網(wǎng)絡(luò)辨識效果對比

5 結(jié)束語

針對瓦斯傳感器數(shù)據(jù)傳輸過程受到強(qiáng)電磁信號干擾而產(chǎn)生大數(shù)干擾信號導(dǎo)致誤報(bào)警的問題，本文提出了基于遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的煤礦瓦斯監(jiān)控系統(tǒng)大數(shù)干擾信號辨識方法，首先利用遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行優(yōu)化，避免BP 神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)值，然后利用貝葉斯正則化算法在神經(jīng)網(wǎng)絡(luò)損失函數(shù)的基礎(chǔ)上增加一個(gè)權(quán)值懲罰項(xiàng)，通過計(jì)算性能函數(shù)中正則化參數(shù)的局部最優(yōu)值，找出BP 神經(jīng)網(wǎng)絡(luò)最優(yōu)的權(quán)值和閾值。實(shí)驗(yàn)結(jié)果表明，遺傳算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)辨識模型可以準(zhǔn)確濾除大數(shù)干擾信號并保留正常瓦斯信號，辨識后測試信號的相對誤差和網(wǎng)絡(luò)的穩(wěn)定性都強(qiáng)于單一的BP神經(jīng)網(wǎng)絡(luò)。