基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时 预测方法 技术领域 本发明属于矿井瓦斯浓度预测领域， 针对矿井瓦斯浓度监控系统的实时性和从短 期到中期的预测要求， 本发明尤其涉及一种基于径向基函数神经网络集成技术的矿井瓦斯 浓度中短期实时预测方法。
背景技术 国家 《能源中长期发展规划纲要 (2004-2020 年 )》 确定了中国将 “坚持以煤炭为 主题、 电力为中心、 油气和新能源全面发展的能源战略” ， 很显然煤炭和煤炭工业仍然是我 国的能源主题和基础产业。 随着我国对能源需求的增长， 煤炭产量也迅速增长， 给煤炭业带 来可观的经济效益。然而事故频繁发生， 骇人听闻。据统计， 我国煤炭产业每年事故死亡人 数近万人， 直接经济损失超过 40 亿元。瓦斯灾害直接妨碍了煤矿单位的正常生产， 阻滞了 煤炭工业的持续、 健康、 稳定地发展， 所以加强瓦斯灾害防治是确保煤炭能源的稳定、 可靠 供应， 促进国民经济全面、 健康发展的重要保障。
目前， 国内外学者对矿井瓦斯的预测问题已进行了深入而细致的研究， 提出了很 多有效的预测方法。根据历史顺序， 这些方法大致可以分为传统预测技术和现代预测技术 两大类。传统预测技术属于对瓦斯突出的静态和不连续接触式预测， 是根据含瓦斯煤体性 质及其赋存条件的某些量化指标， 如瓦斯指标、 煤层性质指标、 地应力指标或其综合指标， 预测就是考察其中的单个或多个指标是否超过临界值。较常用的指标有钻屑解吸指标、 钻 孔瓦斯涌出初速度、 钻屑量、 瓦斯放散指数、 煤体普氏系数、 瓦斯压力等。 由于瓦斯突出是由 地应力、 高压瓦斯、 煤的结构性能、 地质构造、 煤厚变化、 煤体结构及围岩特征等诸多因素决 定的， 各种力学作用与这些作用所形成的地质体， 大多数都处于复杂的非线性状态， 所以传 统技术的预测精度往往难以达到煤矿安全生产的要求。 现代预测是主要是基于数学和物理 的预测技术， 即利用模糊理论、 灰色理论、 神经网络、 专家系统、 分形、 混沌及非线性理论、 流 变与突变理论等通过预测矿井涌出量作为判断瓦斯突出这一非接触预测指标的有效途径。 由此可见， 对瓦斯涌出量 ( 即瓦斯浓度 ) 的预测不仅具有理论上的价值， 更有重大的生产实 际意义。
随着国家对煤矿安全生产要求的不断提高和企业自身发展的需要， 我国各大中型 煤矿都陆续装备了矿井监测监控系统， 针对瓦斯等有毒气体和重要设备进行监控， 极大地 提高了矿井安全生产水平和安全生产管理效率。然而， 这些监控数据仅仅是对当前工作状 态的一种记录， 还缺乏在未来一段时间内对监控数据的发展趋势做出有效预测的举措， 事 实上对瓦斯浓度的准确预测工作对于瓦斯突出的灾害预报和预防都具有显著的意义。目 前， 对瓦斯浓度的预测在很大程度上还属于离线式预测， 如人工神经网络和混沌时间序列 等预测方法。瓦斯浓度信息持续不断的被采集和传输， 如果离线预测模型不能及时的被修 正和更新， 势必会影响整个模型的预测精度， 最终导致预测失效。综上， 开发和发展矿井瓦 斯浓度的实时预测方法已势在必行。
发明内容 本发明的目的 ： 克服目前基于混沌时间序列离线预测矿井瓦斯浓度的缺陷， 提供 一种基于径向基函数神经网络集成技术的在线预测方法， 实现从短期到中期范围的实时预 测矿井瓦斯浓度。
本发明是一种基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方 法， 本发明内容如下 ：
一种基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法， 包括如 下步骤 ：
第一步、 通过瓦斯传感器采集瓦斯浓度数据， 存入瓦斯浓度历史数据库
Xlib ＝ {xi|i ＝ 1， 2， ...， l}(l ＝ n+2p) ；
第二步、 将数据库所存的瓦斯浓度数据作为混沌时间序列进行处理， 利用 C-C 方 法计算序列的延迟时间 τ 和嵌入维数 m ；
第三步、 设定径向基函数神经网络集成的容量参数 p 和更新时间 t ；
第四步、 建立径向基函数网络集成的预测模型， 步骤如下 ：
(1) 分别建立相空间重构 Xi 和 p 步预测向量 Yi+p(i ＝ 1+(m-1)τ， ...， n+p)，
Xi ＝ [xi-(m-1)τ， ...， xi-τ， xi]，
Yi+p ＝ [xi+1， xi+2， ...， xi+p]，
其中， xi 为 i 时刻采集的瓦斯浓度数据 ；
(2) 根据训练样本集 {(Xi ； Yi+p)|i ＝ 1+(m-1)τ， ...， n+1}， 整体式训练径向基函 1 数网络 (RBF) 的预测网络为 f ；
(3) 再由增量训练样本集 {(Xi ； Yi+p)|i ＝ n+2} 在 f1 基础上增量式训练 RBF 预测 网络， 或由 {(Xi ； Yi+p)|i ＝ 1+(m-1)τ， ...， n+2} 整体式训练 RBF 网络为 f2 ；
(4) 以此类推， 直到由增量训练样本集 {(Xi ； Yi+p)|i ＝ n+p} 在 fp-1 基础上增量式 训练或由 {(Xi ； Yi+p)|i ＝ 1+(m-1)τ， ...， n+p} 整体式训练 RBF 网络为 fp ：
(5) 完成径向基函数神经网络集成的初始化工作， 得到含有 p 个 RBF 网络的集成预 1 2 p 测模型 f ， f， ...， f ；
第五步、 根据 RBF 网络集成模型进行实时预测， 步骤如下 ：
(1) 通过瓦斯传感器实时采集数据 Xreal ＝ {xi|i ＝ l+1， l+2， ...， l+t}， 结合瓦斯 浓度历史数据库 Xlib， 进行相空间重构
Xi ＝ [xi-(m-1)τ， ...， xi-τ， xi](i ＝ l+1-p， ...， l+t-1) ；
(2) 根据相空间 Xi 进行 RBF 网络集成模型的预测工作， 分别将 Xi， Xi+1， ...， Xi+p-1(i 1 2 p ＝ l+1-p， ...， l+t-1) 带入预测模型 f ， f， ...， f， 有
得到 xi+p 的 p 个同步预测结果然后将其加权平均值作为 RBF 网络集成的预测值 ：
(3) 当采样间隔等于更新时间 t 时， 进行集成预测模型更新 ： 基于历史数据与实 时采集数据构造相空间重构 Xi 和 p 步预测向量 Yi+p， 组成增量训练样本集 {(Xi ； Yi+p)|i ＝ p p+1 l+1-p， ...， l+t-p}， 在 f 基础上进行增量式训练记为 f ， 再按 “先入先出” 队列模式更新 集成预测模型所含的预测子模型， 然后将所有 t 个实时采集数据存入历史数据库， 更新历 史数据库长度 l ＝ l+t ；
(4) 判断是否继续采集， 是则返回 (1) 继续， 否则结束。
所述的实时预测方法， 所述第一步的瓦斯传感器采用瓦斯无线监测传感器， 放置 在煤壁前方和采掘设备和作业人员身上， 并在 50 ～ 100 米外设置移动基站接受瓦斯浓度信 息， 再通过井下通信网络传输传至地面监控系统。
所述的实时预测方法， 所述第二步的 C-C 方法计算混沌时间序列的延迟时间 τ 和 嵌入维数 m 按照以下步骤进行 ： 首先， 计算以下三个参量 ：
式中，(m ＝ 2， 3， 4， 5；)；ΔS(m， t) ＝ max{S(m， rj， t)}-min{S(m， rj， t)} ；
脉冲函数 然后， 取 第一个极小值对应的 t 值为延迟时间们再取 Scor(t)(0 ≤ t ≤ 200) 全局最小值对应的 t 值为时间窗口 τw， 由此计算嵌入维数 ： m ＝ τw/τ+1。
所述的实时预测方法， 所述第三步中集成容量参数 p 下限等于 1， 上限等于混沌时 间序列最大 Lyapunov 指数 λ1 的倒数 1/λ1， 即 1 ≤ p ≤ 1/λ1， 其中最大 Lyapunov 指数 λ1 按照如下步骤进行 ：
(1) 对时间序列 {xi|i ＝ 1， 2，…， n} 进行傅立叶变换 FFT， 计算平均周期为 P ；
(2) 根据 C-C 方法计算嵌入维数 m 和时间延迟 τ， 并重构相空间 ：
{Yi|i ＝ 1， 2，…， M ＝ n-(m-1)τ} ；
(3) 寻找相空间每个点 Yj 的最近邻点 并限制短暂分离 ：
(4) 计算相空间点 Yj 邻点对的 i 个离散步后距离 ：(5) 对 i ＝ 1， 2，…， min(M-j， M-j*)， 计算q 为非零 dj(i) 数目， 基于最小二乘法做回归直线， 该直线斜率即为最大 Lyapunov 指数 λ1。
所述的实时预测方法， 所述第三步更新时间 t 的设定， 依据混沌时间序列的时间 延迟 τ 来确定 ： t ＝ k×τ， 其中 k 为经验系数， 可选择 k ＝ 0.5 ～ 1.5。
所述的实时预测方法， 所述第四步径向基函数网络整体式训练采用混合学习策略 的方法， 从输入层到隐层利用自组织聚类方法为隐层节点的径向基函数确定合适的数据中 心， 并根据各数据中心之间的距离确定隐层节点的扩展常数 ； 从隐层到输出层利用梯度下 降算法算法训练对应的权重。
所述的实时预测方法， 所述第四步径向基函数网络的增量式训练， 当训练样本量 较小时， 可根据 RBF 整体式训练方法进行 ； 否则按照如下步骤进行 ：
(1) 在已有 RBF 网络基础上， 增加一个训练样本 (X ； Y)， 先找到对应输入 X 的最近 * 数据中心 C ， 并计算对应的输出误差 E ；
(2) 若 E 和 ‖X-C*‖ 分别大于对应阈值， 则在 RBF 网络上增加一个隐节点， 同时生 成一个长时记忆项 ； 否则， 基于所有长时记忆项生成一系列伪训练样本， 然后计算其隐层输 出值组成矩阵 Φ， 利用奇异值分解计算 RBF 网络权值矩阵， 然后计算输入 X 对应的 RBF 网络 输出误差 E， 若 E 大于对应阈值则在 RBF 网络上增加一个隐节点 ；
(3) 给定另一个新训练样本时， 返回 (1) 继续。 所述的实时预测方法， 所述第五步径向基函数网络集成预测结果的计算按下表进行：
其中 ， R B F网络集成的预测输出为l 为历史数据库的数据长度 ； t 为更新 时间 ； p 为容量参数 ； wj 为第 j 个 RBF 网络对应的权重 (j ＝ 1， 2， ...， p)， 满足归一化条件 所述的实时预测方法， 所述第五步 RBF 网络集成预测模型， 按照 “先入先出” 队列 顺序进行更新。
本发明适用于对矿井瓦斯浓度的实时性准确预测， 可实现从短期到中期预测范围
的预报， 符合当前矿井瓦斯管理系统的技术要求。 与目前存在的瓦斯预测方法相比， 本方法 具有以下优点 ：
一、 通过设定集成容量参数来确定矿井瓦斯从短期到中期的预测范围。容量参数 表征了集成所能容纳的 RBF 网络模型数目， 由神经网络集成理论知， 适合数目的子模型组 成的集成模型具有更优秀的推广性能， 这样就保证了 RBF 网络集成的预测准确性 ； 同时， 本 方法设计的 RBF 网络预测步长恰等于集成容量参数， 将所有子模型的同步预测结果进行加 权平均作为 RBF 集成预测结果， 实现对矿井瓦斯浓度从短期至中期范围的预测。这样一来， 本方法在预测范围和预测精度要求之间取得获得适当的折衷， 满足矿井瓦斯信息管理系统 在中短期实时预测方面的技术要求。
二、 采用包括多个径向基函数神经网络的集成预测模型， 可利用实时采集数据对 单个 RBF 网络进行增量式训练， 并通过先入先出的队列顺序及时更新集成模型， 确保对矿 井瓦斯实时预测的精度要求。 附图说明
图1： 基于径向基函数神经网络集成的预测方法总体流程图 ； 图2： 径向基函数神经网络集成初始化阶段流程图 ； 图3： 径向基函数神经网络集成实时预测阶段流程图。具体实施方式
以下结合附图和具体实施例， 对本发明进行详细说明 ( 参见图 1)。
第一步、 布置瓦斯无线监测传感器在煤壁前方、 采掘设备和作业人员身上， 以反映 随挖掘机不断运动过程中工作面前沿瓦斯涌出量的最真实情况， 并在 50 ～ 100 米外设置移 动基站接受瓦斯浓度信息， 通过井下通信网络将瓦斯浓度传到地面监控系统的历史数据库 Xlib， 有
Xlib ＝ {xi|i ＝ 1， 2， ...， l}(l ＝ n+2p) (1)
第二步、 根据 Takens 定理， 对合适的嵌入维数 m 和时间延迟 τ， 重构空间在嵌入空 间中的 “轨线” ， 在微分同胚意义下与原系统是动力学等价的。将历史数据库的瓦斯数据视 为混沌时间序列， 然后按照吕金虎等在 2002 年 《混沌时间序列分析及其应用》 一书所介绍 的 C-C 方法来计算相空间的重构参数 ： 嵌入维数 m 和时间延迟 τ。
第三步、 设定径向基函数神经网络集成的容量参数 p 和更新时间 t。
(1) 容量参数 p 设定为 1 ≤ p ≤ 1/λ1， λ1 为混沌时间序列的最大 Lyapunov 指数， 按照吕金虎等在 2002 年 《混沌时间序列分析及其应用》 一书所介绍的最大 Lyapunov 指数 改进算法计算 ；
(2) 更新时间 t 的设定， 依据混沌时间序列的时间延迟 τ 来确定， 即 t ＝ k×τ， 其中 k 为经验系数， 可选择 k ＝ 0.5 ～ 1.5。
第四步、 初始化径向基函数 (RBF) 网络集成的预测模型 ( 参见图 2)， 按如下步骤 ：
(1) 分别建立相空间重构 Xi 和 p 步预测向量 Yi+p(i ＝ 1+(m-1)τ， ...， n+p)，
Xi ＝ [xi-(m-1)τ， ...， xi-τ， xi] (2)
Yi+p ＝ [xi+1， xi+2， ...， xi+p] (3)其中， xi 为 i 时刻采集的瓦斯浓度数据。
(2) 根据训练样本集
{(Xi ； Yi+p)|i ＝ 1+(m-1)τ， ...， n+1} (4)
整体式训练径向基函数网络 (RBF) 的预测模型为 f1， 其中整体式训练采用混合学 习策略的方法， 从输入层到隐层利用自组织聚类方法为隐层节点的径向基函数确定合适的 数据中心， 并根据各数据中心之间的距离确定隐层节点的扩展常数 ； 从隐层到输出层利用 梯度下降算法训练对应的权重。
(3) 再根据训练样本集
{(Xi ； Yi+p)|i ＝ 1+(m-1)τ， ...， n+2 (5)
整体式训练 RBF 预测网络，
{(Xi ； Yi+p)|i ＝ n+2} (6)
或由增量训练样本集在 f1 基础上增量式训练 RBF 预测网络为 f2。增量式训练按 照如下步骤进行 ：
①在已有 RBF 网络基础上， 增加训练样本 (X ； Y)， 先找到对应输入 X 的最近数据中 * 心C， 并计算对应的输出误差 E ； ②若 E 和 ‖X-C*‖ 分别大于对应阈值， 则在 RBF 网络上增加一个隐节点， 同时生 成一个长时记忆项 ； 否则， 基于所有长时记忆项生成一系列伪训练样本， 然后计算其隐层输 出值组成矩阵 Φ， 利用奇异值分解计算 RBF 网络权值矩阵， 然后计算输入 X 对应的 RBF 网络 输出误差 E， 若 E 大于对应阈值则在 RBF 网络上增加一个隐节点 ；
③给定另一个新训练样本时， 返回①继续。
(4) 以此类推， 直到根据训练样本集
{(Xi ； Yi+p)|i ＝ 1+(m-1)τ， ...， n+p (7)
整体式训练 RBF 预测网络， 或由增量训练样本集
{(Xi ； Yi+p)|i ＝ n+p} (8) p-1
在 f 基础上增量式训练 RBF 预测网络为 fp。
(5) 完成径向基函数神经网络集成的初始化工作， 得到含有 p 个 RBF 网络的集成预 1 2 p 测模型 f ， f， ...， f。
第五步、 根据 RBF 网络集成预测模型进行实时预测 ( 参见图 3)， 按如下步骤 ：
(1) 通过瓦斯传感器实时采集数据
Xreal ＝ {xi|i ＝ l+1， l+2， ...， l+t} (9)
结合瓦斯浓度历史数据库 Xlib， 进行相空间重构
Xi ＝ [xi-(m-1)τ， ...， xi-τ， xi](i ＝ 1+(m-1)τ， ...， l+t-1) (10)
(2) 根据相空间 Xi 进行 RBF 网络集成模型的预测工作， 分别将 Xi， Xi+1， ...， Xi+p-1(i 1 2 p ＝ l+1-p， ...， l+t-1) 带入预测模型 f ， f， ...， f， 有
得到 xi+p 的 p 个同步预测结果 的加权式然后将其加权平均值 ( 定义为 p 个 算子 ) 作为 RBF 网络集成的预测值，预测向量
其中， wj 为第 j 个 RBF 网络对应的权重 (j ＝ 1， 2， ...， p)， 满足归一化条件 ：一种简单情形是 ： wj ＝ 1/p(j ＝ 1， 2， ...， p)， (14) 此时 RBF 集成的预测输出是对所有同步预测结果的简单平均， 即另一种情形是， 考虑到第 p 个 RBF 网络包含了迄今最多的训练样本信息， 所以可按照等差数列的权重进行所有同步预测结果的加权平均， 即(3) 当采样间隔等于更新时间 t 时， 进入集成预测模型更新阶段。基于历史数据 与实时采集数据构造相空间重构 Xi 和 p 步预测向量 Yi+p， 组成增量训练样本集 {(Xi ； Yi+p)|i p p+1 ＝ l+1-p， ...， l+t-p}， 在 f 基础上进行增量式训练记为 f ， 再按 “先入先出” 队列模式更 新集成所含的预测子模型， 即按照下表所述的先入先出队列顺序进行更新， 然后将 t 个实 时采集数据存入历史数据库， 更新历史数据库长度 l ＝ l+t。
其中， 已知集成预测模型包含 f1， f2， ...， fp 共 p 个 RBF 网络 ； 对于矿井瓦斯的实 p 时采样浓度值， 在 f 基础上根据增量式训练策略进行训练， 其结果记为 fp+1， 构成队列 f1， f2， ...， fp， fp+1 ； 由于集成模型的容量有限 ( 只能容纳 p 个模型 )， 所以按照 “先入先出” 的 1 p+1 顺序进行更新， 即丢弃 f 而保留 f ， 再按顺序重新编号， 完成 RBF 网络集成模型更新。
(4) 判断是否继续采集， 是则返回 (1) 继续， 否则结束。
应当理解的是， 对本领域普通技术人员来说， 可以根据上述说明加以改进或变换， 而所有这些改进和变换都应属于本发明所附权利要求的保护范围。