基于神经网络和D-S证据理论融合的瓦斯监测模型的研究.pdfVIP

第21届全国煤矿自动化与信息化学术会议41 暨第3届中国煤矿信息化与自动化高层论坛论文集 基于神经网络和D—S证据理论融合的瓦斯监测模型的研究 付华，康海潮，梁明广 (辽宁工程技术大学，辽宁省葫芦岛，125105) 摘要：针对目前煤矿采用多传感器进行并下瓦斯监测难以做到快速性和精确 性，本文提出了一种基于神经网络技术与D．S证据理论的多传感器数据融合方 法。该方法用改进的BP网络来获取基本概率分配函数，采用D—S证据理论对 网络输出结果进行信息融合，对井下瓦斯状态做出判断和决策。这样既利用了 LMBP算法的快速收敛的优点，又发挥了D．S证据理论的表达和处理不确定信 息的能力。实验结果表明，该方法可提高瓦斯监测信息的准确性和决策的快速 性，提高了瓦斯监测系统的性能。 关键词：瓦斯；信息融合；LMBP算法；BP网络；D—S证据理论 1 引言 瓦斯灾害是煤矿中最严重的灾害之一。长期以来，为了提高矿井生产的安全性，人 们在矿井瓦斯监测方面使用了大量的传感器。目前，煤矿中使用的瓦斯传感器的输出大 都为1F线性，加上温度、湿度、电源波动等环境因素的影响，使得传感器的输出信号不 能准确地反映彼测物理量，导致监测数据具有模糊性、不确定性。D—S证据理论能区分“不 确定”与“不知道”的差异，并能处理由“不知道”引起的不确定性，凭借其较强的处理不确 定信息的能力，已广泛用于目标识别、决策分析、故障诊断、状态监测等领域【ll。本文充 分利州BP网络的白组织和自学习的功能及很强的泛化能力、容错性和鲁棒性等优点，将 其改进的算法运川到证据合成过程中基本概率分配的获取，提出基于BP网络和D．S证据理 论相融合的监测方法，并将该方法应用到煤矿瓦斯监测中，这样对煤矿井下瓦斯不确定 信息的融合就有较强的鲁棒性，可提高监测系统的准确性。 2瓦斯监测系统的模型 多传感器信息融合技术可以将多个监测数据进行分析综合，克服了单个传感器检测 的不确定性和局限性，提高了整个传感器系统的监测性能，因此可以将多传感器信息融 合理论引入到煤矿安全监N_k【2】。由于煤矿井下的环境复杂，为研究方便，选用的煤矿安 全检测的传感器为：温度传感器、烟雾传感器、甲烷传感器。图l为基本策略系统结构图。 42 第21届全国煤矿自动化与信息化学术会议 暨第3届中国煤矿信息化与自动化高层论坛论文集 图1基本策略结构图 在该结构中，采用温度传感器、烟雾传感器、甲烷传感器来获取被测环境的信息， 构造出搜集到的所有煤矿信息对瓦斯的BPA，获取过程通常是复杂、非线性的。经过训 练学习后的BP网络具有较强的泛化能力，就可较好地描述这种复杂的非线性映射关系， 由此可确定BPA。而后利用D—S证据理论将每条证据的BPA进行融合，得到最终的融合 结果，即煤矿的安全状态。 3瓦斯BPA的获取 信息融合可分为三个层次：数据级融合、特征级融合和决策级融合。特征级融合属 丁．中间级融合，它将经过预处理的传感器输出分类识别后给出局部信息融合的判断结果， 然后提交给决策级进行全局决策IjJ。因此，该层既应该能完成局部监测决策，还要能够处 理大量的底层数据，且要求速度快、容错能力强。因此本文选用三层BP网络进行特征级 融合，输出层采用线性函数。 反向传播网络(Back—propagationNetwork，简称BP神经网络)是对非线性可微分函 数进行权值训练的多层网络。它具有结构简单，可操作性强，能模拟任意的非线性输入 输出关系等优点而成为目前应用厂4泛的神经网络模型。本文中，神经网络的输入层为煤 矿的温度，烟雾，甲烷的实时信息，输出层为煤矿的安全级别。 由于BP算法实质上是一种反向传递的梯度算法，如果有哪些信誉好的足球投注网站步长选择不恰当，收敛速 _{F常有效的优化设计方法，从收敛速度和收敛性来看，它是牛顿法和最速下降法的一种 第21届全国煤矿自动化与信息化学术会议 43 暨第3届中国煤矿信息化与自动化高层论坛论文集 练速度，当误筹函数是平方和的形式时，Hessian矩阵近似为日=J7’／，梯度可由式 7 g=J 向量。LM算法计算公式为： 其中比例系