基于GA－BP 的煤礦瓦斯監控系統 “大數干擾” 信號辨識

陳 強，劉祥潔，廖石寶

（江西理工大學電氣工程與自動化學院，江西贛州 341000）

0 引言

煤礦瓦斯監控系統是通過監測煤礦中的瓦斯濃度，實現對煤礦瓦斯的實時監控和預警的系統。煤礦瓦斯監控系統通常采用傳感器測量煤礦中的瓦斯濃度，并將其轉化為電信號輸出，用于實時監控。但是，在實際的生產環境中，監控信號往往會受到電磁干擾［1］，例如大型電機啟動或停機的瞬間等因素，產生“大數干擾”信號，導致監控系統誤報警，從而影響煤礦瓦斯監控系統的正常運行和監控效果。因此，為了提高煤礦瓦斯監控系統的穩定性和準確性，需要對大數干擾信號進行識別和濾波處理，以便準確地監測煤礦中的瓦斯濃度，及時發現和預警煤礦中的安全隱患，確保煤礦的生產安全［2－3］。

針對大數干擾信號問題，國內外學者進行了廣泛的研究。文獻［4］中采用了RS485 數字信號替代頻率信號的傳輸方式，以提升系統抗電磁干擾能力。文獻［5］中利用瓦斯濃度一次梯度和巡檢周期定義瓦斯濃度變化加速度，以此識別大數干擾信號。文獻［6］中通過預先在傳感器程序中埋入誤碼來模擬干擾點瓦斯濃度，進而檢驗出大數干擾信號。文獻［7］使用雙向長短記憶遞推神經網絡進行識別大數干擾信號，然后采用電磁輻射信號波動的基準值代替干擾數據。文獻［8］中采用離散點的迭代學習識別大數干擾信號，識別后采用滑動平均濾波原理的滑動方法濾除大數干擾信號。文獻［9］中提出了基于神經網絡的方法來濾除大數干擾信號，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化BP 神經網絡的方法來解決大數干擾問題，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警，消除了煤礦井下因大數干擾造成傳感器誤報警的隱患。

1 BP神經網絡基本原理

1.1 BP神經網絡

BP神經網絡是1986 年由Rumelhart 和McClelland 為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡。BP 神經網絡的主要特點是：信號是前向傳播，而誤差是反向傳播的。如圖1 所示，BP神經網絡包括輸入層、隱含層以及輸出層。BP 神經網絡傳播過程主要分為兩個階段，第一階段為信號從輸入層輸入，再經過隱含層，最終到達輸出層。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梯度下降法不斷調節輸出層到隱含層、隱含層到輸入層的權值和閾值，從而減小誤差［10］。

圖1 三層BP神經網絡模型

1.2 貝葉斯正則化BP神經網絡

傳統的BP 神經網絡容易出現過擬合的情況，即網絡的訓練精度良好，但預測結果并不理想。因此，故本文使用貝葉斯正則化BP 神經網絡，運用貝葉斯方法修正BP神經網絡的訓練性能函數，提高網絡的泛化能力解決網絡過擬合問題。

傳統的BP神經網絡將網絡的均方差Ed作為訓練性能函數，即

式中：n為樣本集的數量；ai為網絡的預測輸出；ti為網絡的期望輸出。

貝葉斯正則化就是對網絡的性能函數再添加一個正則化項，正則化一般采用L2策略實現，通常對網絡的權值參數w懲罰，閾值不處理，懲罰項和正則化后性能函數分別為：

式中：Eω為網絡全部權值的均方差；m 為網絡的權值總數；α、β為正則化參數。

當α?β時，網絡訓練傾向于減小網絡訓練誤差，網絡可能出現訓練過擬合現象；當α?β時，網絡訓練傾向于減小權重大小，容易引起網絡訓練誤差較大的現象。

貝葉斯正則化算法在網絡訓練的性能函數上添加了權值懲罰項，通過計算性能函數中正則化參數的局部最優值，提高網絡泛化能力，解決網絡過擬合問題［11］。

2 遺傳算法優化BP神經網絡模型

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化思想而得出的一種自適應啟發式全局搜索算法，通過模仿生物的進化和遺傳，從某一初始種群出發，按照一定操作規則，“優勝劣汰”不斷進行迭代更新逐步逼近最優解。由于BP神經網絡初始化時是隨機生成權值和閾值，收斂速度較慢，所以使用遺傳算法在全局空間優化網絡的權值和閾值到一個較小的范圍，進而使用BP 算法在這個范圍內搜索出最優解［12］。

2.2 遺傳算法優化BP神經網絡步驟

（1）編碼。根據BP 神經網絡的拓撲結構，確定個體的長度，將網絡中所有的權值和閾值進行實數編碼，作為一組染色體。

（2）確定適應度函數。以BP 神經網絡的預測輸出和期望輸出之間的均方誤差作為適應度函數F。

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

式中：N為種群數量。

（4）交叉操作。通過使用交叉算子改善個體編碼結構，采用實數交叉法，基因Xk和Xi對應染色體上的第j位基因的交叉公式為：

式中：r為［0，1］之間的隨機數。

（5）變異操作。用較小的概率選擇第i個個體的第j個基因Xij進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］之間的隨機數；g 為當前迭代次數；Gmax為最大進化次數。

（6）計算適應度函數值，若滿足算法結束條件則輸出優化后的權值和閾值，若不滿足則返回第（3）步。

（7）將GA輸出的權值和閾值作為BP神經網絡輸入的權值和閾值，采用貝葉斯正則化法繼續對權值和閾值進行更新，直到滿足條件輸出預測結果。

圖2 所示為GA優化BP神經網絡模型的流程，該模型在BP神經網絡的模型基礎上，使用了遺傳算法對初始的權值和閾值進行優化。先將BP 神經網絡初始的權值和閾值進行編碼，然后適應度函數采用BP 神經網絡的訓練誤差函數，再通過選擇、交叉、變異操作得出優化后的權值和閾值，最后解碼輸入給BP 神經網絡中進行網絡訓練，并使用貝葉斯正則化的方法繼續更新權值和閾值，最后輸出仿真結果［13］。

圖2 GA優化BP神經網絡模型的流程

3 實驗分析

3.1 BP神經網絡的建立

（1）確定模型的輸入輸出。由于本文使用BP 神經網絡來辨識瓦斯信號數據，其中“大數”干擾信號一般受大功率電氣設備啟停影響，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能夠包含一個完整大數干擾信號，本文訓練的輸入數據采用一組10 個連續的瓦斯信號數據，為了直觀體現BP神經網絡的數據辨識效果，所以輸出也是一組10 連續的瓦斯信號數據。

（2）神經網絡拓撲結構及參數選擇。根據神經網絡的特點，只要隱含層節點數足夠多，就可以任意精度逼近一個線性函數，所以為簡化網絡結構，本文采用含有一層隱含層的BP 神經網絡。由于模型的輸入和輸出均為10 個瓦斯信號，所以網絡應有10 個輸入節點，10 個輸出節點。根據經驗公式和多次實驗探究，確定隱含層節點是為15 時，網絡輸出性能最好。傳輸函數采用Sigmoid函數，輸出層采用線性函數，訓練目標采用均方誤差為0.000 1，訓練速率為0.05。

3.2 數據的來源及數據處理

本實驗的數據來源于實驗室模擬實驗得到，干擾信號由型號為TYB55－4－5 的永磁三相同步電機啟動和停止時被傳感器檢測到的實時數據，模擬的正常瓦斯溢出信號為實驗室自制裝置，由傳感器實時測量，通過數據采集裝置得到相應的數據［14］。共采集到4 000 個傳感器電壓信號，根據實驗使用的傳感器參數可知，當電壓值大于5 V時將觸發報警，其中3 800 個信號作為訓練數據，200 個信號作為測試數據，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”干擾信號。

根據煤礦下瓦斯信號特點，本系統辨識后，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，設定的安全值為1.5 V。由于本實驗神經網絡隱含層傳輸函數采用Sigmoid 函數，為避開Sigmoid函數的飽和區，并且加快神經網絡的收斂速度，所以在網絡訓練前用最大最小法對數據進行歸一化處理［15］。函數形式為：

式中：Y為歸一化后的數據；X為輸入數據；Xmin為輸入數據的最小值；Xmax為輸入數據的最大值。

4 仿真結果

本次實驗中，設定遺傳算法種群規模為10 個，進化次數為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度曲線圖，可以看出經過不斷的遺傳迭代，個體適應度越來越小，而個體的適應能力越來越強，種群的平均適應度隨迭代次數的增加逐漸向函數最低值進化，個體之間逐漸縮小差距，適應度曲線的下降證明了遺傳算法的有效性。經過10 次迭代后，種群的最佳適應度基本穩定。

圖4 適應度曲線

為了直觀體現GA－BP神經網絡模型辨識后的優化效果，使用相同的瓦斯信號樣本訓練集和測試集，網絡的訓練目標也相同，分別使用訓練好的BP 神經網絡模型和GA－BP神經網絡模型對測試信號進行驗證，采用期望輸出與預測輸出的差值作為網絡辨識后的誤差，圖5 所示為兩種網絡模型辨識后的誤差對比圖。圖中GA－BP神經網絡經模型訓練之后對測試信號的誤差絕對值之和為6.096，而BP神經網絡經模型訓練之后對測試信號的誤差絕對值之和為10.003，相對于傳統BP 神經網絡模型而言，GA－BP神經網絡模型辨識后誤差更接近實際值，具有更小的誤差，在實際應用中能夠更準確地濾除大數干擾信號。

在實際煤礦安全監控系統中，不僅要求能夠檢測到“大數干擾”信號，并有效濾除，防止誤報警，還應當保留瓦斯突出信號，防止漏報警的情況。由圖3 可知，在序號82～96 范圍內存在電壓值大于5 V 的情況，且此時為瓦斯突出信號，圖6 所示為GA－BP 神經網絡和BP神經網絡的辨識效果對比，采用BP 神經網絡模型辨識后，影響了瓦斯突出信號的輸出，出現電壓值從報警值降到安全值的情況，存在一定的安全隱患。而GA－BP神經網絡辨識后，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警。

圖5 GA－BP網絡和BP網絡辨識后相對誤差對比

圖6 GA－BP和BP神經網絡辨識效果對比

5 結束語

針對瓦斯傳感器數據傳輸過程受到強電磁信號干擾而產生大數干擾信號導致誤報警的問題，本文提出了基于遺傳算法優化BP 神經網絡的煤礦瓦斯監控系統大數干擾信號辨識方法，首先利用遺傳算法對BP 神經網絡的權值、閾值進行優化，避免BP 神經網絡陷入局部最優值，然后利用貝葉斯正則化算法在神經網絡損失函數的基礎上增加一個權值懲罰項，通過計算性能函數中正則化參數的局部最優值，找出BP 神經網絡最優的權值和閾值。實驗結果表明，遺傳算法優化后的BP 神經網絡辨識模型可以準確濾除大數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絡的穩定性都強于單一的BP神經網絡。