延时煤与瓦斯突出的实时预警理论与应用研究.pdf

第 37卷 第 2 期 中国矿业大学学报 Vol. 37 No. 2 2008 年 3 月 Journal of China University of Mining 教育部科学技术研究重点项目105025 作者简介 罗新荣 1957 , 男, 江西省樟树市人, 教授, 博士生导师, 从事瓦斯防治理论与技术等方面的研究. Email luoxr sohu. com, bwguan3 cumt. edu. cnTel 0516 83884237 延时煤与瓦斯突出的实时预警理论与应用研究 罗新荣, 杨 飞, 康与涛, 张爱然 中国矿业大学 煤炭资源与安全开采国家重点实验室 安全工程学院, 江苏 徐州 221008 摘要 结合煤矿井下瓦斯涌出实时监测图, 利用神经网络技术判断瓦斯异常情况. 选取 4 个参数 作为瓦斯延时突出预测的特征指标 井下瓦斯涌出峰值、 瓦斯上升梯度、 瓦斯超限时间和瓦斯下 降梯度. 瓦斯异常涌出超限 3, 并持续时间超过 10 s 为瓦斯延时突出敏感指标的临界值. 结合 VB ADO 的编程及数据库访问技术, 建立了人工智能神经网络的瓦斯预警理论模型、 瓦斯预警 模型的自学习训练方法和瓦斯预警技术. 模型预测结果与实际情况完全相同. 关键词 瓦斯; 延时突出; 预警; 神经网络 中图分类号 TD 713文献标识码 A文章编号 10001964 2008 02016304 Research on RealT ime Alarm Theory of Delayed Coal and Gas Outburst LUO Xinrong, YANG Fei, KANG Yutao, ZHANG Airan State Key Laboratory of Coal Resources and Mine Safety, School of Safety Engineering, China University of Mining delay outburst; alarm; neural network 煤与瓦斯延时突出是爆破或作业后一段时间 内在爆破或作业处发生的煤与瓦斯突出. 一般在发 生延时突出前将出现瓦斯涌出量持续增大、 瓦斯浓 度增高, 巷道顶板及两帮压力增加等异常动力现 象 [ 12] . 因此有效利用这些异常动力现象, 实现非接 触实时延时瓦斯突出预警和警报具有重大的意义. 智能瓦斯预警系统是利用瓦斯传感器检测的 瓦斯浓度、 持续时间等特征信息, 采用人工神经网 络理论的瓦斯突出判据来判断瓦斯突出. 人工智能 神经网络的主要应用领域有模式识别、 预测、 分类、 非线性回归及过程控制等. 根据瓦斯特征信息预测 煤与延时瓦斯突出危险性就是一个模式识别的过 程[ 35]. 应用反向传播人工神经网络 BP 神经网络 , 建立煤与延时瓦斯突出危险性的预测模型, 通过多 组已知特征信息样本及其结果训练该模型以形成 一定的预测规则, 进而实现对采掘面延时瓦斯突出 的预警和警报. 该系统较好地解决了瓦斯报警系统 中国矿 业大学 学报 第 37 卷 存在的两大难题 误报、 漏报 , 并在处理瓦斯突出 真伪方面表现了明显的有效性乃至创造性. 1BP 神经网络模型的建立 1 1模型输入参数的确定 掘进煤巷煤与延时瓦斯突出是煤巷爆破或作 业后的一定时间内, 在爆破或作业处发生的煤与瓦 斯突出. 一般在发生延时瓦斯突出前有一定的规律 性, 如瓦斯浓度持续增大、 掉渣等. 这个过程和瓦斯 探头校验、 炮后瓦斯涌出等, 有相似的表象, 又有不 同的特征 [ 68] . 因此合理甄别这之间的联系和区别, 是正确的预报巷道延时瓦斯突出, 避免漏报和错报 的关键. 在 BP 神经网络模型中, 输入参数是影响突出 预报的主要因素, 确定那些能够反映巷道瓦斯延时 突出规律的特征信息是建立巷道瓦斯延时突出 BP 神经网络模型的首要任务, 同时也是关键步骤. 因 此, 首先确定瓦斯预警神经网络的瓦斯信息特征指 标[ 910]. 根据井下瓦斯涌出实时监测图 图 1 , 井下 不同动力现象, 显现不同的瓦斯信息特征. 在分析 平煤十矿巷道瓦斯涌出规律的基础上, 结合矿井现 有资料以及井下瓦斯涌出实时监测图, 选取 4 个参 数作为突出预测的特征指标, 即 BP 神经网络的输 入参数 井下瓦斯涌出峰值、 瓦斯上升梯度、 瓦斯超 限时间和瓦斯下降梯度. 图 1 瓦斯实时监测 Fig. 1Real time charts of gas monitor 1 2模型输出参数的确定 根据监测的瓦斯信息特征指标, 可以判断掘进 煤巷的延时瓦斯突出、 炮后瓦斯涌出、 瓦斯探头校 验和传感器、 通讯线路故障情况. 为了计算方便, 本 模型中用 5 个二进制数分别代表上述情形 瓦斯探 头校验 0 0 1 、 故障状态 1 0 1 、 炮后瓦斯 0 1 0 、 瓦斯预警 1 1 0 即 CH4 超过 3, 持续时 间超过 10 s, 发出突出预警 、 突出警报 1 1 1 当 CH4 超过 3, 持续时间超过 30 s, 发出瓦斯延 时突出警报 . 2BP 神经网络瓦斯预警系统的调试与训 练 2 1瓦斯监测数据分组 为了对瓦斯预警神经网络进行合理地初始化 权值和阈值, 要求训练数据必须包括网络期望输入 的最大值和最小值. 将平煤十矿瓦斯监测的相关数 据作为网络学习样本, 并选择大平煤矿 10 20瓦 斯突出事故部分监测数据作为预测样本, 见表 1. 表 1 瓦斯预警 BP 神经网络学习样本和预测样本 Table 1Learning and predicted samples of gas alarm system of BP Neural Network 序号 学习样本 涌出峰值/ 上升梯度下降梯度超限时间/ s 预测样本 涌出峰值/ 上升梯度下降梯度超限时间/ s 12. 161. 08- 0. 5000. 150- 0. 030 20. 300- 0. 0601. 980. 99- 0. 610 32. 141. 10- 0. 7000. 455. 00- 5. 000 44. 250. 280106. 300. 76010 57. 350. 790105. 400. 33030 64. 001. 030104. 000. 30030 74. 000. 270306. 300. 76030 2 2瓦斯预警神经网络的建立与训练 使用 MATLAB 语言的函数 newff 建立 BP 网 络, 隐含层单元的神经元数目为 9, 选择各神经单 元的传递函数均为 logsig 函数, BP 网络反传函数 164 第 2 期 罗新荣等 延时煤与瓦斯突出的实时预警理论与应用研究 为 trainlm [ 3] . net newff minmax P , [ 9, 3] , {∀logsig∀ ∀logsig∀},∀trainlm∀ 用函数 train 对网络进行训练, 设置其训练时 间为 1 000 个单位时间, 训练目标为误差小于 0 001, 其他参数使用默认值. net. trainparam. epochs 1000; net. trainparam. goal 0 001; net train net, P, T ; 在利用 train 函数对网络进行训练执行以上代 码后, 在 MATLAB 命令行中将实时地显示出网络 的训练状态 TRAINLM, Epoch 0/ 1000, MSE 0 391165/ 0 001, Gradient 3 9132/ 1e010 TRAINLM,Epoch12/ 1000,MSE 0 000186098/ 0001, Gradient 0 0672889/ 1e010 TRAINLM, Perance goal met. 得到的训练过程误差变化如图 2 所示, 网络训 练的收敛过程非常快, 在经过 12 单位时间以后, 瓦 斯预警神经网络模型的预测误差就达到了要求. 图 2 BP 神经网络瓦斯预警系统训练过程 的预测误差曲线 Fig. 2Predicted error curve in training of gas alarm of BP Neural Network 利用学习好的煤与延时瓦斯突出预警神经网 络来预测另外 7 个样本, 得到样本预测结果与实际 结果完全吻合. 从预测结果可知, 人工智能神经网络瓦斯预警 系统对样本的瓦斯校验、 系统故障、 炮后瓦斯以及 延时突出预警完全符合实际. 因此可以用神经网络 模型来进行延时瓦斯突出预警和警报. 3掘进煤巷延时瓦斯突出预警系统软件 煤矿安全监测监控系统是预防煤矿瓦斯超限、 积聚和防止瓦斯事故的重要手段. 为了实现基于安 全监测监控系统之上的掘进煤巷延时瓦斯突出预 警, 选用 VB 语言和 ADO 数据库访问技术开发预 警软件, 具有软件开发效率高, 预警系统界面友好, 易维护、 易扩充等优点. VB 语言是面向对象的程 序设计语言, 是在 Windows 操作系统平台上广泛 使用的应用程序开发工具, 将专业化的数据库技术 与面向对象编程技术以及 ActiveX 技术相结合, 使 程序员可以轻松地开发出各种数据库应用程序. 3 1瓦斯突出的判断依据与预警软件的开发 瓦斯预警的软件设计按照瓦斯突出判据, 把瓦 斯预警等级定为 4 级 1 级 ∃∃∃ 正常 CH4 0 8. 2 并监视测点的实时数据, 判断是否会发生瓦 斯突出. 选取平煤十矿井下采掘面瓦斯探头作为监测 点, 测点窗体如图 3. 地面中心站发出高报时, 用鼠 标单击相应的测点命令按钮, 显示该测点的实时数 据与曲线, 并跟踪判断瓦斯异常情况, 判断瓦斯状 况, 见图 4. 图 3测点窗体 Fig. 3Measuring points 图 4瓦斯预警实时和跟踪曲线 Fig. 4Real time and tracked curves of gas warning 165 中国矿 业大学 学报 第 37 卷 4结论 1 人工智能瓦斯预警系统根据瓦斯传感器监 测的瓦斯特征信息, 利用神经网络技术判断瓦斯异 常情况, 包括探头校正、 炮后瓦斯、 瓦斯延时突出及 故障等状态. 为瓦斯预警系统提供了新的理论和方 法. 2 根据井下瓦斯监测图, 不同的瓦斯动力现 象, 显现不同的瓦斯信息特征. 结合矿井现有资料 以及井下瓦斯涌出实时监测图, 选取 4 个参数作为 瓦斯延时突出预测的特征指标 井下瓦斯涌出峰 值、 瓦斯上升梯度、 瓦斯超限时间和瓦斯下降梯度. 瓦斯异常涌出超限 3 , 并持续时间超过 10 s 为瓦 斯延时突出敏感指标的临界值. 3 建立了人工智能神经网络的瓦斯预警理论 模型、 瓦斯预警模型的自学习训练方法和瓦斯预警 技术. 采用 VB ADO 的编程及数据库访问技术, 实现了安全监测系统的延时瓦斯突出预警功能. 参考文献 [ 1]中国矿业学院瓦斯组. 煤与瓦斯突出的防治[M] . 北 京 煤炭工业出版社, 1979. [ 2]俞启香. 矿井瓦斯防治[M] . 徐州 中国矿业大学出 版社, 1992. [ 3]飞思科技产品研发中心. MATLAB6 5 辅助神经网 络分析与设计[ M]. 北京 电子工业出版社, 2003. [ 4]周志华, 曹存根. 神经网络及其应用[M] . 北京 清 华大学出版社, 2004. [ 5]蔡瑞英, 李长河. 人工智能[ [M] . 武昌 武汉理工大 学出版社, 2003. [6]罗新荣, 夏宁宁, 贾真真. 掘进煤巷应力仿真和延时 煤与瓦斯突出机理研究[ J]. 中国矿业大学学报, 2006, 35 5 571575. LUO Xinrong, XIA Ningning, JIA Zhen zhen. Re search on stress simulation and mechanism of dela ying coal and gas outburst in coal driving[J] . Journal of China University of M ining Technology [ J] . 2006, 35 5 571575. [7]罗新荣. 煤层瓦斯运移物理与数值模拟分析[ J]. 煤 炭学报, 1992, 172 4956. LUO Xinrong. The physical and numerical simula tion analysis on gas delivery in coal seam[J]. Journal of Coal Science Engineering, 1992, 17 2 49 56. [8]LUO Xinrong, YU Qi xiang. Physical simulation and analysis of gas transport in coal seam[ J] . Jour nal of China University of Mining Technology, 1994, 4 1 24 31. [9]罗新荣. 可压密煤层瓦斯运移方程与数值模拟研究 [ J] . 中国安全科学学报, 1998, 85 1923. LUO Xin rong. Study on equation and numericalsim ulation of gas migration in compressible coal seam with dual pore [ J] . China Safety Science Journal, 1998, 85 1923. [10]罗新荣, 夏宁宁, 贾真真. 煤矿重大危险源辨识理 论与方法研究[J] . 中国煤炭, 2006, 323 6062. LU O Xin rong,XIA Ning ning,JIA Zhenzhen. Research for the theory and to identify ma jor hazard in coal mines[ J] . China Coal, 2006, 32 3 6062. 责任编辑罗新荣 166