一種基于emd和elm的瓦斯突出預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及煤礦安全生產(chǎn)（預(yù)測）領(lǐng)域，具體來說就是一種經(jīng)驗(yàn)?zāi)B(tài)分解 (Empirical Mode Decomposition，EMD)和極限學(xué)習(xí)機(jī)（Extreme Learning Machine, ELM) 結(jié)合的瓦斯突出預(yù)測方法。
【背景技術(shù)】
[0002] 煤炭作為一次性能源，是我國國民經(jīng)濟(jì)發(fā)展的重要支柱。在我國，煤礦多為含瓦斯 煤礦，其中高瓦斯礦井約占35%，煤與瓦斯突出是威脅煤礦安全生產(chǎn)的首要問題。因此，需 要準(zhǔn)確預(yù)測煤與瓦斯突出，W針對性地采取有效的預(yù)防措施，提高瓦斯事故防范能力。
[0003] 目前，瓦斯突出預(yù)測研究主要有2類方法；（1)依據(jù)各相關(guān)因素（地質(zhì)及采礦因 素等）與瓦斯涌出量之間的定量關(guān)系的瓦斯突出預(yù)測，該方法物理意義明確。但由于瓦斯 涌出量的影響因素復(fù)雜，各礦井地質(zhì)及采礦因素存在較大差異，難W建立通用的預(yù)測模型。 (2)利用監(jiān)測數(shù)據(jù)，基于各種數(shù)學(xué)理論及方法建立瓦斯涌出量預(yù)測模型。該方法無需明確瓦 斯涌出的復(fù)雜物理機(jī)制及影響因素，是一種數(shù)據(jù)驅(qū)動的方法，得到了更為廣泛的重視。如， 采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、灰色系統(tǒng)、多元回歸分析等理論的瓦斯突出預(yù)測。其中，基于神 經(jīng)網(wǎng)絡(luò)的瓦斯突出預(yù)測模型研究較多，但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)需多次重復(fù)學(xué)習(xí)，存在訓(xùn)練速度 慢，易陷入局部極小點(diǎn)等問題。
[0004] 2006 年，Huang 等提出了極限學(xué)習(xí)機(jī)巧xtreme learning machine, ELM)方法，該 方法可隨機(jī)選擇隱層神經(jīng)元參數(shù)（神經(jīng)元個數(shù)、隱層權(quán)值和偏差），采用簡單的算法即可解 析獲取其輸出權(quán)值。ELM方法克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基于梯度學(xué)習(xí)算法的缺陷，顯著加快了網(wǎng) 絡(luò)的學(xué)習(xí)速度，并具有更好的泛化能力。目前，ELM算法和理論已在函數(shù)逼近、模式分類、系 統(tǒng)辨識等方面得到廣泛應(yīng)用。
[0005] 基于上述，針對瓦斯?jié)舛葧r間序列的非線性、非平穩(wěn)特性，為提高瓦斯?jié)舛阮A(yù)測 的可靠性與準(zhǔn)確性，本發(fā)明提出了一種基于EMD-ELM結(jié)合的瓦斯突出預(yù)測方法。首先，利用 經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition, EMD)將非平穩(wěn)的瓦斯?jié)舛葧r間序列分解 為一系列具有不同特征尺度的固有模態(tài)信號（Intrinsic Mode化nction, IMF)子序列和殘 余量；其次，對各子序列及殘余量分別進(jìn)行ELM建模預(yù)測，將各子序列及殘余量預(yù)測值重構(gòu) 得到瓦斯?jié)舛阮A(yù)測值；該方法在預(yù)測精度上優(yōu)于ELM、最小二乘支持向量機(jī)（Least Squares Support Vector Machine, LSSVM)預(yù)測方法，為實(shí)現(xiàn)瓦斯突出的準(zhǔn)確預(yù)測提供了一種新的 有效途徑。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的，在于提供一種基于ELM-EMD的瓦斯突出預(yù)測方法，其能夠準(zhǔn)確預(yù) 測瓦斯突出，保障井下煤礦生產(chǎn)安全。為了達(dá)成上述目的，本發(fā)明的解決方案包括如下步 驟：
[0007] (1)獲取瓦斯?jié)舛葧r間序列；
[000引 （2)利用經(jīng)驗(yàn)?zāi)B(tài)分解EMD將瓦斯?jié)舛葧r間序列分解為固有模態(tài)分量和殘余分 量；
[0009] (3)對極限學(xué)習(xí)機(jī)ELM進(jìn)行網(wǎng)絡(luò)訓(xùn)練；
[0010] (4)利用訓(xùn)練好的ELM網(wǎng)絡(luò)對步驟（2)的EMD分解結(jié)果進(jìn)行建模預(yù)測；
[0011] (5)對步驟（4)的預(yù)測結(jié)果進(jìn)行重構(gòu)獲得瓦斯?jié)舛阮A(yù)測值。
[0012] 上述步驟（2)中，對瓦斯?jié)舛葧r間序列進(jìn)行EMD分解得到的各個模態(tài)分量及殘余 量。具體來說，就是對瓦斯?jié)舛葧r間序列，先得到極值，而后通過插值獲得序列信號包絡(luò)及 其均值，再計(jì)算原數(shù)據(jù)與均值的差，分解得到一層信號，直到將序列信號分解成有限個本征 模態(tài)函數(shù)IMF和殘差r"(t)的組合，具體實(shí)現(xiàn)過程可表示為：
[0013] (21)計(jì)算待分解信號x(t)的極大值、極小值點(diǎn)序列，采用=次樣條插值法擬合出 上包絡(luò)線Vm"(t)和下包絡(luò)線Vmh(t)，求出兩條包絡(luò)線的平均值mi(t);
[0014]
【主權(quán)項(xiàng)】
1. 一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD)和極限學(xué)習(xí)機(jī) (Extreme Learning Machine，ELM)的瓦斯突出預(yù)測方法，具體思路為：
1. 對瓦斯?jié)舛葧r間序列進(jìn)行EMD分解后得到的各個模態(tài)分量及殘余量，EMD分解具體 實(shí)現(xiàn)步驟為： (11) 計(jì)算待分解信號x(t)的極大值、極小值點(diǎn)序列，采用三次樣條插值法擬合出上包 絡(luò)線⑴和下包絡(luò)線Vmin⑴，求出兩條包絡(luò)線的平均值Hl 1⑴，
(12) 在待分解信號中剔除包絡(luò)線的平均值，得到第i個固有模態(tài)函數(shù)Ci (t)，實(shí)現(xiàn)過程 為： ① 計(jì)算x(t)與叫⑴之差hjt): hi (t) = X (t) -Hi1 (t) (2) ② 判斷Ii1 (t)是否滿足IMF的兩個條件，若滿足，則Ii1 (t)為第1個IMF，若不滿足， 則將hjt)視為新的待分解信號，重復(fù)步驟⑴和步驟（2)k次，得到hlk(t)，直到h lk(t)滿 足IMF的條件，記C1U) = hlk(t),則C1U)為X⑴的第1個IMF， ③ 將殘余量A (t) = X (t)-C1 (t)作為新的待分解信號，重復(fù)以上步驟，得到η個固有模 態(tài)函數(shù) Ci (t)，i = 1，2,…η ; (13) 計(jì)算殘余量，當(dāng)殘余量rn(t)變成常數(shù)或單調(diào)函數(shù)，無法再從中提取滿足IMF的 分量時，分解過程結(jié)束。殘余量是待分解信號減去各固有模態(tài)分量C i (t)。
2. 進(jìn)行極限學(xué)習(xí)機(jī)ELM網(wǎng)絡(luò)訓(xùn)練，并利用ELM對EMD分解得到的各個模態(tài)分量及殘余 量建模，具體步驟如下： (21) 設(shè)有N個樣本（Xi，，1彡i彡N，訓(xùn)練時，輸入權(quán)值Win和偏差值b隨機(jī)初始化并 保持不變，僅需訓(xùn)練確定的參數(shù)為輸出權(quán)值ω，具體算法如下： ω = H+T (3)
T = (t1； t2, ···, tN)T (5) 式（3)中，+為廣義逆運(yùn)算，H為隱層輸出矩陣，T為期望輸出矩陣，完成ω求解后，ELM 的網(wǎng)絡(luò)訓(xùn)練過程結(jié)束， (22) 最后，再依據(jù)式（6)將它們進(jìn)行累加求和得到瓦斯預(yù)測值。
(6)
【專利摘要】本發(fā)明公開一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)和極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)的瓦斯突出預(yù)測方法。首先，為降低對瓦斯?jié)舛刃盘柧植糠治龅挠?jì)算規(guī)模以及提高預(yù)測的準(zhǔn)確性，利用EMD分解將瓦斯?jié)舛葧r間序列分解為一系列子序列和殘余量；然后，對各子序列及殘余量分別進(jìn)行ELM預(yù)測；最后，各分子序列及殘余量預(yù)測值組合得到最終預(yù)測值。該預(yù)測方法能夠準(zhǔn)確地預(yù)測煤與瓦斯突出，為針對性地采取有效的預(yù)防措施提供了便利，提高了瓦斯事故的防范能力。
【IPC分類】G06Q50-02, G06Q10-04
【公開號】CN104537444
【申請?zhí)枴緾N201510016505
【發(fā)明人】辛元芳, 姜媛媛
【申請人】安徽理工大學(xué)
【公開日】2015年4月22日
【申請日】2015年1月13日