较薄煤层高效开采工作面设备优化配套研究.pdf

论文题目 较薄煤层高效开采工作面设备优化配套研究 专业 采矿工程 博 士 生蒲宝山 签名 指导教师王国法 签名 摘要 较薄 煤层高效 开采是目 前我国 煤炭业 面临的 重大课题， 而工作面综 机设备是 制约 较薄 煤层实现高 产高效的突出技 术难题. 设备研制的最 大难题集中表现为高效 开采要 求综机设备必须具备的大 功率、 高可靠 性与小 采高 所带来的设备空问结 构尺寸 过小的 矛盾难以 得到有效 解决. 为 此， 本文以充 矿集团 较薄 煤层高 效开采成套装备及工艺研究 项目 为依托， 对较薄 煤层综采设备选型配 套技术进行了 理 论分析与 应用研究 。 论文 在 对 现 有的 综 采 工 作面 设备 配 套 理 论与 方法 进 行 充 分 研 究与 分 析的 基 础上， 针对较 薄煤层综 采工 作面设备选型系统特点， 建立了 基于A N NEs 的工 作面 生 产能 力预测B P 神 经网络模型和综 采工 作面设备参数神 经网 络预测模型的 较薄 煤层综采工作面设 备选型配套系统. 实践 证明， 上述方法 科学合理 其预 计的 工 作面产量同实际 产量完全吻合， 所研制的设备完全适应工 作面高 效开采需要， 解 决了 长期以 来国内 较薄煤层无法实现高效 开采的 难题. 论文对BP 网络 算法、神 经网络 推广能 力和可 修复系 统可靠性问题进 行了 研 究， 采用山 算法 进行网络训练，克 服了 传统算法的 训练速度慢、训练效 率低的 缺点 ; 采用 “ 早 停法 ” 来克 服 “ 过拟合”问 题， 解决了 网 络训 练的 泛化问题; 采 用马尔可夫 过程对工作面综 机系统 和设备的 可靠 性进行了 分析， 给出了 综 采工作 面单元可靠 性参数 计算方法， 并运用上述方法对工作面综采设备的可靠性 进行了 评估. 工业 性试验表明， 论文提出 综机设备配 套方法与设计 流程科学合理， 高效快 捷， 有效 地解决目 前较薄 煤层工作面综机设备选型配套难题. 关键词 较薄煤层;高效开采设备配套; 人工神经网络; 专家系统 su讨 ec ts tu dyonc o m Pl et edeq 间 P m ent of t h in n e r ， 级 们 “ 抽 沙 e 伪 心 e n t fi l】】 y m ec h a n 坛 心n 亩 面9 白 ce S P e c i a l t y Mi n g E n g i n e e r i n g N a m e P u B a o s h a n S i g n at u r e _ I n s t ruc t o r W台 n g G u o fa S i g n a tu r e _ AB S T R AC T It 舍 a b igcha l le n g e for ch认 a 含 coa l 切 d “ 5 妙 tore a l 众 e th e h igh 沥c i e n 即m in ing of th i n n er sea 风 w ith 舟Ily m e c h a n 红 ￡ dcoa l m in ing eq“ 切 阴 entsas th eb 电 思 。 t 化 动n ical d 沥c u 勿inth innerseam含 h ighP ro duc ti O 月 朋J h igh 娜ci encym in ing 凡” 才 ofa ll，it介 尹 e cts 认th econ 如dict i o nb e 幻 甲 e en th em in in geq“ 印 阴 en红 ， h igh于 0 怜 e r a nd h igh一 re liebi li 妙re quire dbyh igh 司 万 ‘ ien即m in 切 ga nd th e sma l le r ‘ 叼 “ 甲 用 ent sPa cedue toth e th in n ers e a 风which co“ ldnot besolv ed咖cien tly so th e P 只 P e r m a k esth e th eore 互 c a llrana lysisa n d al 叩 I i c a t i o nrese a rc hon th e 办 尹 己 ‘ e le c t i n ga nd se t- c o ” 护 坛 “ 月 gofth in n erse a m 兮 户 lly m e ch a n iz e d‘ oal m in in g equ iP m ents， ta ki n gyan 幼ou Min ing G ro uP分th i n n erse a mh igh 咖c i e n 印 m in ing ‘ 切 即化 r 心eq“ 少 阴 entsa ndte ch n ique research P 八 刀 e c t as习 移 少 o rt. C m “ 刀 ded on th e researc h and ana lysiSofth e Ih e o 砂a nd m e th odofc o n 护 之 ￡ ￡ 记 ￡ 口 “ 加 功 en几 foc 璐 “ l gth ec h a rac te r is t i c S ofequ iP m ent S e I e c t i O n邢忿 己 脚fo r th i 月 n er seam含 户 llrm e ch ani 七 e d fa 踢 th e p 只 p eres ta b l 臼 h esa n ew划 S t e mb a s e d onA 助 叨 落 P ro d u c t i o n c 咚 p ac仰foreca ‘ t i九 g B P A r t 诉 c i a l Neu ra I Ne细o r k 臼 N 叼m o del a nd户11， m e c h 邵众 已 以face ma讯P a ra m e te rs of coa lm in ing e q u 切 m entsne“ raln e 细o r k fo re ca s t i ” g m 口 deL The fo ctssh ow th atth o new m e th odis ra 如nal， th o es 咖a ted户 Ily m e c h a n i 七 e dfa c eo u tPut a c c o 几 七， ith th ea c 伽I P ro d u c t i o n朋dth ede， e lOPed 己 叼 “ 甲 爪 en t sa t 帧esth o d 即 盖and ofth o h igh 球c i e n 印m in 叮 of 舟llym e c h an众 e d fa ce， sol v in g th e P ro b le mofChina 忿 h 妙 晰山济 印m in ing ofth innerseanL 几ep 只 p e r由es th eresearch 朋 刀 尸n e 御o r ka lgor ith城 n eura l ne细 ，O rk 名 阴 c ra l i z 口 tio” 动i lity口 ndre liabi lityfo r n 护 口 irab le那te 鹅tu 点 in g 左 e p 曰 砚 berg 一 m a rq uardtL M a lgor i th mto而 netwo rk 加inso as too v e r c o 用 eth e o b s t a c les ofs to wsP e e dand勿 wer 咖c iencyoftrad i t i o n alm e th O ds; P r O P os esth e solu t io n for o v e r 沂t t i ” ginn eural ne。 ‘ ，o rkle a rning 口 lsori th m s，a j opt ins 卫 d rk o v 尸 阳 ‘ 亡 “tomakeana lysisonth e relia bi lity of户Ilym e chani 之 e d m 动 切 g faceeq“ 少 用 ent 那te ma nd e q u iP m ots，a nd g 王 v e s a unitre liab leParam e te rscalcuIa t i o nm ethod of 户Ilxm e c h a n 臼 e d fa ce a nd面th e es t i 用 a t 勿 n 恻 i thth is m ethodfo ; th e 户 Ilym e c h a n i 七 e d fa ceeq“ ， 用 en ts ’ re liabi lity 几e i 九 dus tr i a l 己 印e 八 刀 忿ent sho “ ，Sth e 户lly m e chaniZed coa l m in ing e 口 u iP m ents ’ c 。 川 少 le t i” g m etho dsa nd d e s ign P ro C ess P rol旧 s e d inth is P 只 P e r issclent 舜 ra t iD n al a ndh igh 顿c i 亡 n ‘ whi chca n solve th e P ro b l e mof办 ， e 一 e lecting a n d s et-c o n 切 le “ n g 户Ilyl ” e c h an臼 e d coalm in ing e quiP m ents. K E Y w0 R D s跳认 儿 erseam ; 月 咭 人 咖c ient m in in g，’ n eura l netw o rk ; 云 印 e 叮 划 “ 己 用 eq“ iP m e n t，’ A r t 诱 c ia l 煤炭科学研究总院博十学位论文 第一章 绪 论 夸 1 . 1课题背景及意义 我国薄及较薄煤层分布广泛， 全国95个重点煤炭生产单位中有8 0 个集团公 司4 4 5 处矿井都赋存有薄及较薄煤层。薄及较薄煤层可采储量61 5 亿 t ， 约占 煤炭总可采储量的19 。近年来，随着综采、综放技术在厚及中厚煤层中成功应 用， 厚及中厚煤层被大量兀采， 厚、 薄煤层开采速度不相适应的矛盾愈来愈突出， 薄煤层回采产量占总产量的比 重更是越来越低。 造成上述现象的主要原因是薄及 较薄煤层开采生产装备落后，机械化程度低，工作面效率低，经济效益差。60 年代我国就万始对较薄煤层综合机械化开采技术展JT研究， 先后研制并生产了多 种类型的较薄煤层综采配套设备， 但由于一直没有解决关键性技术及装备问 题， 没有从根本上解决该条件煤层万采单产低、 成本高、 效益差等问 题， 该条件煤层 产量没有取得突破， 效率一直在低水平徘徊。 从某种程度上讲， 较薄煤层开采己 经严重影响了整个煤炭工业的协调发展， 如何在综采装备国产化的条件下实现较 薄煤层高效开采， 是目 前 迫切需要解决的问 题‘ 1]【比阎 1’J‘sJ.‘ 1 。 充州矿区是我国重要的产煤基地， 上世纪90年代以来，在中厚煤层综放开 采方面取得了重大突破， 工作面年产达到6 00万t 以上， 处于国内领先地位. 与 中厚以上煤层开采相比， 较薄煤层综采却是充矿煤层开采的较薄弱环节; 据统计， 薄及较薄煤层储量占充州矿区煤炭可采储量的 40 。如何实现较薄煤层高效开 采， 对于充分利用煤炭资源， 实现资源平衡开采， 延长矿井寿命， 稳定矿区环境， 实现集团公司可持续发展具有十分重要的意义。 随着煤炭JT采技术的发展， 高产高效工作面不断涌现， 对工作面设备配套的 。要求也越来越高。 提高 综采设备 选型的科学性， 增加设备配套的合理性， 增强综 采设备的适应能力，是煤炭系统工程设 计人员必须要解决的问题。 综采工作面地质条 件与采煤方法、 回 采工艺、 设备 选型的关系非常复杂， 由 于工作面地质条件和开采技术的动态变化特性， 工程系统结构的复杂多样性， 设 计阶段井田工作面地质资料不完备性， 加之所需考虑的因素复杂多样， 许多因素 第一章 绪 论 如工作面支护参数的设计、 工作面顶、 底板条件等 难以 定量描述， 目前 综采工 作面设备 的 选型、 配套仍 然采用以 经验为主的 工 程类比 法确定〔你， ， 、 侧 。由 于 工 程 类比 来自 于 设 计 人员 的 实 践 经 验 [l01 ， 定 量 处 理比 较困 难， 类比 结 果 粗 糙 ， 因 此 有必要寻求一种新的处理方法， 以获得比较准确合理的设计参数， 更好的为工程 技术服务。 随 着智能 理 论、 计 算机科学的 发 展出 现了 许多 智能 计 算 方法[I ’1 ， 如专 家系 统 E x p e r t s y s t e m ，E S 、神经网络A r t i f i c i a l N e u r a 1 N e t ， o r k s ， 胡N 、 遗传算 法 G en et i c A l g ori t hm 等 叫 ， ‘15] ， 这 些 计 算 方 法的 出 现为 上 述问 题的 解决 提 供了 可能。 因为上述这些计算方法都是为解决离散变量的组合问题而提出的， 对于多 目 标、 非线性、 大范围、非连续问题的求解非常有效， 尤其适合于一些复杂工程 的 求 解1141 。 鉴于 工 作 面设 备 配 套设 计 要 考 虑的 因 素 众多 ， 许多 因 素都 缺 乏 精 确的 计算公式来进行确定， 存在大量尚被理性化的经验和实验规律， 加之待采工作面 能够提供的信息有限 所提供的地质资料都是根据有限的地质钻探数据获得， 或 者根据同一赋存条件类比确定 ，上述这些特点决定了 所分析的对象是一个模糊 性、随机性、不确定、 信息不完备的系统. 研究表明 〔 “ 1.] ，要完成这样一个多 目 标、 非完备、 不确定系统的分析设计工作只有引入人工智能计算方法才能胜任。 由于人工神经网络系统能够处理模拟的、 模糊的和随机的信息， 能够抽象并记忆 问 题的普 遍特征， 从而实 现对问 题的 求解tI7 〕 ‘ 扭 ， 、 侧 、 〔划 。 结合 神经网 络的 基本原 理和工程类比法的特点， 应用人工神经网络方法， 完全可以为综采工作面参数定 量 化 设 计 寻 求 一 种 新 的 途 径 121 ， 团 . 根据煤层厚度一般将煤层划分为 4类厚煤层 3 . s m、中厚煤层3 . 5 1 . 3 m、 薄煤层 1 . 3 0 . s m和极薄煤层 ” b 线性限幅函数 万0 0 ‘ x [x，认 一 ltw4c 黯 e，o. 肠 ‘ 认 一 y ， 认 s . ‘ 冬 扮 ‘ 冰 第三命 攀于神经网 络的 综采设备配仑专家系统结构分析 3 . 2 . 3神经网络逼近能 力 神 经网络 在控制领域中 取得成 功的 应用， 主要归 功于网 络可实现复杂的输入 一 输出非 线性映射关系. 因此， 许多学者都致力于NN映射能力问 题的研究， 并取 得了 许多 令人满意的结论.以多 层前 馈网 络M F NN为例， 早在1 9 8 7 年， w iel an d 和L eig h t on就研究指出，一 个具有阂值的三层网 络可以 将空间划分为非凸子空 间。 至1 9 5 9 年， C y b e n k o 、 F u n a h a s h i 、 H o r n l k 等分别用不同的方法证明了一 个 共同的 结论【 . 松 ， “ 心 ， 〔 阔。 即仅 含一个隐层的前 馈网 络能以 任意精度逼近定义在r 中的一个紧集上的任意非 线性函 数。 通过一些学者的 研究结 论， 我们可以 得到以 下结论对任意给定的函数 厂 x 1 ，A ， 气 和 误 差精 度 0 ， 总 存 在 一 个 三 层前 馈 神 经网 络， 其 隐 层 神 经 元 的 作 用 函 数 为u x ， 输 入 一 输 出 层 均 为 线 性神 经 元 ， 使 得网 络 的 输沁输出 关 系 Y 一 NN， x ， ，A ， 气 总 能 以 给 定 的 精 度 逼 近 给 定 的 函 数 f x ， ，A ， 气 。 该 结 论 是 针 对前馈网络给出的， 研究表明 其他网 络亦具有类似的逼近特性。 3 . 2 . 4神经网络训练学习 方式 一个M F NN可以 任意逼近一个紧 集上的 任意函数， 这一 特点是神 经网 络得到 广泛应用的 理论基础。 但是， 在实际 应用中， 目 前尚未找 到较好的网 络构造方法， 确定 神经网 络的结构和权值参数。 来描 述给定的映射或逼近一个未知的映 射， 只 能 通过学习方 式来得到满足要求的网 络模型。即 给定一 个训练 样本集 仁 ， ， ‘ 飞 x ， 。 ， ， 称 。 R’ ， ， 瞬 ，A ， 尸 } ， 它 通 过 输 入 一 输 出 对 以 隐 含 形 式 定 义 了 某种函数关系F R ‘ 一R ， ，F的 具体表达式形式 可能是未知的。 我们期望利 用N N 所具有的任意逼近能力来表 示这一未知的函数关系。即 确定一 个合适的模 型结 构并寻找一组合适的权值构 成网 络， 使得误差 最小。 通过向 环境学习获取知识并改 进自 身性能是神 经网 络的 一个重要特点。 在一 般情况下， 性能的改善是按照 某种预定的度量通过调节自 身参数 如权值 逐步 达到的。通常训练学习的方式 有三种。 1 . 监督学习 有教师学习 双炭科学研究总院博 f 学位论文 监督学习是通过外部教 师信号 学习。 即要求同时 给出 输入和期望输出的模 式 对， 当计 算结 果与 期望输出 有误差时， 网络 将通过自 动调 节机制调节相应的 连接 强度， 使之向误差减少的方向 改变， 经过多次重复训练， 最后与 正确的结果相 符 合。如图3 . 4 所示。 图3 . 4监督学习框图 f 仓 ‘ 王 4 提高专家系统的智能 水平， 实时 处理 能力及鲁棒性。其 基本 功能如结 构如图3 .7所示， 其中各个模块的功能 ①自 动知识获 取模块研究如 何获 取专家 知识; ②推理机制 提出使 用知识 去解决问 题的 方法 ③解释模块 用于说明 专家系 统是 根据什么推理思路做出决策; ④盯 o In Pu 阳ut Pu t ， 输 入 /输出 系 统 是 用 户 界 面 ， 其 提出 问 题并 获 得 结 果 。 从上述结构 框图不 难发 现， 神经网 络专家系 统既保持了 专家系统原有 特点， 双炭科学研究总院博 1 学位论文 又兼有神经网 络的 特点。 神经网络专家系 统中 知识的存贮和求解决问题过程中的 推理过程均在系统网 络知 识库中 进行。 知识库由自 动知识 获取得 到， 接收从实际 问题中抽象出来的数据输入， 该数据反映实际问题的本质， 经过神经网络的推理 和联想找到解决实际问题的最佳方案。 3 . 3 . IANN 与 ES 的结合 如果不考虑神经网 络与专家 系统的实 现细节， 仅看它们的输入与输出之间的 关系， 它们有许多 共同 点， 具体表现为 二者都 包含知 识获取、 知识表示、 知识 推理、 知识更新等操作， 二 者都有一个共同的 起点与目 标， 都希望通过模拟人的 推理过程， 以获取具有近 似人的智能 的机器系统。 不同的 是实 现手段， 具体表现 为 专家系统是根据外部提供的知识和事实以串行的方式， 对显式表达的知识进 行演绎推理;神经网络则以并行 方式， 对由 数据表示的隐式 知识进行归 纳推理， 提取事实和知识洲。两种技术的 特性比 较如表3. 1 所示. 表3. 1专家系统与神 经网 络的特性比较ltsl Ta b le 王 1 0 洲 p a r . 5 0 月 ofc hora c te r 臼 t 滋 七 S of已 rP e 材 那傀 用口 月 d 删 ra l 月 e 细 o rk 特性 学习能力 自适应能力 容错能力 模糊数据处理能力 编程 量 维护量 解释能力 数据存储能 力 计算 逻辑 推理 领域 专 家 系 统 无 无 无 通常无 大 大 强 强 单一、一致 二值逻辑 关键 特定 神 经 网 络 有 有 有 有 小 小 弱 弱 复杂、多变 模糊逻辑 非关键 自由 ﹄.‘..rk.r 专家系统的特色是符号 推理， 神经网络擅 长数值 计算。 由 此可见， 将传统的 专家系统与神经网络科学 地加以 综合， 并加入 深层次知识， 取长补短， 充分发挥 ‘....‘..尸‘..f 第三章 攀十神纤网络的综采设备配仑专家系统结构分析 各自 特长， 将会提高智能系统的智力 水平。 研究表明， 二者的结合是可行 的， 且 具 有 很 大 的 互 补 性 176 ，、 t7 ，， 饰 曰 周 . 通过二者的结合，可以达到下述目的 l 克服了ES 的 “ 脆弱性” 。 所谓脆弱性，即当知识 和经验不全面，遇到没有解决过的问题无法判别时， 利用A N N 的自 学习功能，不断丰 富知识库，可解决知识更新问题。 2解决了ES 知识获取困难这 一 “ 瓶颈”问 题。 利用A N N的高效性和方便的自 学习 功能， 将领 域专家 解决问 题的实 例来训 练神经网络，达到快速获取知识的目的。 ③确保A N N推理结果的正 确性。 将A N N推理结果与E S 进行比较， 若一致表明A N N推理是正确， 若二者结 论不符，则调整 A N N结构，重新进行调整。 4 克 服了A N N 表达知识的 模糊性和不透明性， 以 及对结论 解释能 力差的 缺 点。 3 . 3 . ZANN 与ES结合模式 综上所述，将 A N N和 E S 结合起来组成的混合系统A N N E S ， 其功能要比单 一的ES 和A N N更有力， 且其解决问题的方式与 人类智能 相似， ES 可代表智能 的认识性， A N N可代表智能的感知性。 采用该 系统为解决复杂问 题提供了 新的 有效方法和技术途径，为工作面设备 选型配套智能 化开 辟了 道路。 翩一 旦 旦 三 了 石 硬 权 肠权 R u }e 评 A a n d B o c T h e n D c f 二 0 .9 匀 图3. 8基于知识的神经网络系统 F 心 . 3. 8 B 口 S e d 的如酬花 心亡 含 nemel 月 e 栩 刃 rk划 佗 加 一般来说， A N N E S 通常有以 下几种模式侧 佃 ， 阅、 「831 煤炭科学研究总院博 1 学位论文 l 基于知识的 神经网络系统。 这种A N N Es又称专 家网络，是以 专家系 统作为 神经模块构 成事件驱动器刚。 在这种 模式中， 专家系统的 符号 规则使 用网络形式来 表示， 推理也是对拓朴结构 进行 操作 实现 使一些符号规则条件的节点被 激活 . 网 络的拓 朴与初始连接权是 由 产生 式规则 或决策树等形式表示的符号知 识确定。 通过学习 算法进行训练达到 平衡 状态， 实 现知 识的精 练。 解释的实现是 将网 络形式 表示的 条件与结论再转换 符号规则实现。 该系统通过引入 “ 与” 、 “ 或” 、 “ 非. 等逻辑算子单元， 采用合适 的 学习 算法训练专家网络， 通过逻辑算子单元的联 接权重的调整 来获 取知识。 解 释的 实现是将网 络形式表示的条 件与结论再 转换成符号 规则 来实现。 其决策树如 上图所示。 2 基于神经网络的专家系 统。 基于神经网 络的专家系统也 称联 接专家系统， 联 接专家系统全部或部分功能 由 神经网络实现。 通过输 入专 家工作的 事例， 完成专家 系统的大部分功能， 即 包 括知识获取、 知识表示 知识 库 、 知识 推理和知识更新。 与基 于符号规则的专家 系统不同的是， 这种 方法将传统的专 家系 统的推理机 全部转换成神经网 络的计算 过程， 完全抛弃符号机制囚， 知识的获取不需 要知识工程师来整 理、 总结、 消化， 而是通过领域专家解决问 题的 实例或范 例来训练网络， 使在同样输入的条 件下， 系统能够获得与 专家 给出 的解答尽可 能相同。 3 混合系统。 混合系 统的 基本出 发点是将复杂系统分解成 各种功能子系统 模块， 各功能 子 系统模块分别由神经网 络或专家技术 或两 种技术混合实 现。 其结构如图 3 . 9所 不 . ..叮..口L.，. 第二章 幕十神经网络的综采设备配企专家系统结构分析 图3 . 9混合系统结构 F 咭 门 3. g Hyb r 公邢亡 亡 州 别 川c tU 陀 从实 现方 法上讲，目 前 主要存在两种观点 ①从应用的角度出 发， 对易于掌 握其产生规则 的子系统 应用专 家系统技术， 其余的功能由 神经网 络来实现， 此时 系统的 结构随 实际问 题而 变化。 ②从功能需要的角 度研究问 题， 用神 经网 络实 现 专家系 统的 规则推理、 知识获取 等功能， 专家知识则负责知识的显式表示 和神经 结论的 验证和解释工作. 混合 专家 系统虽然兼 有神 经网 络的优点 和专家 系统的 特长， 但存在单一技术 专家系 统不曾 遇到的问题。 突出表 现为 ①神经网 络与专家系统的信息交换问题; ②学习 过程所引发的系统可信 度问 题。 对于 ①的理想方法是提供神经网络与专家系统知 识表示的转换机制或同时 适合两 者的公 共知识表示体系。 采用转换 机制， 神经网络主要是完成专家系统的 前 端完 成知识 获取功能。 将大量历史数 据输入神经网 络， 经过训练学习达到稳定 状态， 所获得的 知识 存储体现在网络神经元互 连分布 及其权 值上， 然后通过 某种 转换 方法或技 术将其变换成人 类专家可理解的 符号 规则。 这里 神经网络主要是获 取知识，专家 系统主要是完成 推理和解释任务。 对于②的解决有赖于不同体制下的知识的公共表示和统一的参数学习机制。 3 . 3 . 3ANN E S 结构 } 双炭科学研究总院博1 学位论文 基于八 N N与E S 集成的 混合型A N N ES 的 各个功能模块采用 “ 黑盒” 结构， 系统中每个盒 子或者一个符号系统， 或者 是一个网络块， 并都接受符号 信息， 输 出符号信息。 其基本功能框架如图所示。 在这个框架中实现了知识的分层， 不同 的知识有不同的表示方法和相应的推理机制。各块的功能描述如下 l L-___ __ __ __ ____ __ _- J 图3 . 10 棍合刑胡N ES框架图 卜 f 电 ‘沃 10刁 N 胡 绍b 勿 C 拟勿 g ra m mofhy b r 记划 犯 用 l 神经网络块。 神经网 络算法是一 数值计算过程， 它的 输入和输出 都是数值向 量， 所以 神经网络不能 直接和外界 通讯 ， 必须经 过逻辑到数字 和数字 到逻辑的两次 转 换。 即在输入数据时， 需将数据 进行整理， 将其转化为输入向 量， 网络输出量 也 必须转换成对应的 样本才能被外界识别和利用。 其基本结构 如图 所示。 一11 r.111 扒乎 l 姗划 l 111.J 111.J 图3. nA N N E S 中神 经网 络模块结构 F 心 ‘王 11M叼 妇 扭 ， 介 . ￡ 翻 陀可月 刀 N 邵 第三章 幕十神经网络的综采设各配仑专家系统结构分析 神经网络 块包括 三个部分 输入 转换器、 神经网 络、 输出 转换器。 输入转换 器就是 将输入数据进行整理， 将其转换为数字信息， 使之能 够被A NN 处 理; 输出 转换器 就是 将数字信息转换为能 够为外界识别的逻辑信息。 2 知识 库与知识表示。 知识 表示 模块是建造A N N Es系统的关键步骤之 一。 其 包括传统知识方法得到的 逻辑知识; 神经网 络块输入、 输出的 逻辑知识; 训练神 经网 络所需的 知识 如学习 样本、 模型构 造等; 神经网 络块中 的权值矩阵的存储 等。其基本结构如图所示。 刁||||||1.J 厂|111。.|IIL 月 ‘月...月.口.，1日.月.月...月.J. 图3 . 12几 N N 璐中的知识库 万 电 ‘ 王 1 2 为 如 件 le dge b a 3 e of兀 M 叨 落 3 知 识获取。 知识获取向 来是Es 的“ 瓶颈” 。 在ANN Es 中， 一般采用神经网 络来自动获取知识， 即用样本对神经网络进行训练 至于专家知识则可以采用半 自 动方 法如手工输入或通过A N N 训练来获取。 4推理机。 该模块是混合系统最重要的部分。 为了更好的 进行推理， 需要建 立Es 和A NN的 “ 协商” 机制〔呱圆，使ES 与A N N连为 一体，以 协调系统间的 关系，以免产生逻辑混乱. 其运行机理如下 1 启动 A N N后，首先判断新输入数据与ANN标准样本比较，计算差别量d ， 、 山 ， 叭 艺 x 一 xl ， ; d Z 卜 一 xl } 式中 ， 于表示一组标准样本 一新输入的一组样本单元。 2 取正数el 、 eZ .当dl e 1 ， 斑 ez 时 表示差 别不大， 可做正确判断.反 之， .努 . 双炭科学研究总院博 f 学位论文 表示差别较大，难以保证正确性，启动E S进行判断。 3启动E S后，推理有二种情况。 ①推理 成功时， 将 E S 推理 所得结论 与A N N结论进行比 较， 若一致， 表示 A N N判断正确， A N N结构无需进行校正; 反 之， E S 结论与A N N结论不同， 重 新校正A N N结构。 ②E S 无法进行正确 推理， 表 示ES 知 识库中缺乏知识规则， 则需进行 专家 学 习，再以专家的知识为标准，进行 A N N结构校正。 总的 说来， “ 协商” 机制是以A N N判断为主 线， E S为辅 助，以弥补A N N 的不 足， 通过上述机制理论上可消除E S 知识 库的 不完备、 A 刊 N判断有误问 题， 使得A N N结构动态化，不断获取知识。 3 . 3 . 4A N N E S 实现方法 A NN专家系统的实现方法有很多种方法，有直接编程法，如采用面向对象 的 可 视 化语言 v B 〔阔 、 v c 和 采 用 基 于 数 据 库 的vi su ai Fox Pro 等 软 件 编 程实 现， 再就 是直接采用大 型商 业软件法，如采用M atlab 商业软件 进行直接处理 侧， 这 也是目前 人们常用的 一种方法侧 侧.采用上 述方法的好处可以 使设计人员从繁 琐的 编程中 解脱出 来，把主要精力用在工 程对象的分析研究上 例 ， 哪 卜 冈。 M atlab是M at h wo rks 公司于1 9 82年推出的 主要面向 科学计算、 可视 化以 及 交互式程序设计的高 级计 算语言 196 ， 、 圆。它集数 值分 析、 矩阵运算、 信号 处理、 编 程 和 图 形 显 示 于 一 体， 在 很 大 程 度上 摆 脱了 传 统 非 交 互 式 语言 如C 、 Fo rtr a n 的编程模式， 为众多学科领域内 的科技 人员提供了一个简洁、 高效的 编程环境， 为科学和工程领域全面解决复杂数值计算问 题提供了综合 解决 方案侧 ， 阅 圈 【 10. ， tlo l]. lled. 实 际 上， M atl ab及 其 工 具 箱 小 波 分 析 、 鲁 棒 控 制 、 模 糊 逻 辑、 神 经网 络 等 准表 了 当 今 一 流 专 家 学 者 在 这 些 领 域 的 前 沿 工 作 卿 ， ， 利 用 上 述 工具 可以 跟 踪国 际先 进的数学理论和模型‘ 叫，从而提高 解决问 题和分析问题的能力. 神经 网 络工具箱是在琳T LAB 环境下所开 发出 来的许多工具箱之 一， 它是以 神经网 络 理论 为基础， 用撇T LAB 语言 构造出 典型神经网 络的 激活函 数，如5 型、 线性、 竟争层、 饱和 线性等激活函 数， 使设 计者对所 选定网 络输出的 计算变成对激活函 数的 调用。 另外， 根据各种典型的 修正网 络权值的规则， 加上网 络的 训练 过程， 用以T 以B 编写出各种网络设计与训 练的 子程序，网络的设 计者则 可以根 据自 己 第二 命 华十神经网 络的 综采设备 配仑专家系 统结钩分析 的需要去调用工具箱中有关 神经网络的设计训练程 序， 使自己能 够从繁琐的编程 中解脱出 来， 集中精力去 思考问题和 解决问 题， 从而 提高 效率和解题质量。 本文 使用M atlab作为神经网 络专家系 统的 仿真实验工具。 互 3 . 4综采工作面设备配套体系结构 工作面参数和主要设备 参数优化配套模型 应是 一个开 放性的 动态设 计系统， 开放性表现为该系统是 一个以 解决综采工作面设备 配套问 题而产生的系 统， 应能 解决不同赋存条件、 不同 地质条 件下的 综采设备配套问题; 动态 性主要 表现为该 系统是一个变化的系 统， 这种 变化表 现在知识累计上， 即 每次 设计 成果将被累计 到知识库中，为下次设计提 供参考，该系统随着设计次数的增多而 越来 越完善。 为了 满足上 述要 求， 拟 采用三层结构来表示， 即 专家知识库、 设计分析方 法库和配套设备模型库组成 数据层 选型配套组成处理层 以 及设计平台的 应用 设计层1 . 困 。具体结构如图3. 13所示。 数 据 层 图3 . 13 综采工作面设备配 套体系 结构 F 店 ‘王 13A 戚i tc c tU ra l s tU 理 翻 reof加 脚诩e 动 口 月 。 叼m 切 动 召 fa ce印 u ， m e n t match沁 关于数据 库中 知识库、 方法库、 模型 库的内 容如表3 2所示。 表3. 2数据库基本内 容 Tab le王ZDa ta白 a s e 乞加口 仇‘ “.te时 炽炭科学研究总院博 学位论文 库 类名内容 采煤工艺流程库 截