基于神经网络的矿井通风可靠性预计研究

杨德智

（大同煤矿集团有限责任公司云冈矿通风区， 山西 大同 037000）

安全生产是煤矿开采过程中最为关注的问题，随着采矿技术及矿山设备的进步，矿井安全生产问题已经有了很大的改善，但瓦斯涌出及巷道煤尘治理一直是安全生产和井下人员生命安全面临的重要问题。井下通风系统是煤矿生产的重要组成部分，通风系统出现故障或发生通风可靠性降低等问题将直接影响矿井安全生产，因此，需将通风系统可靠稳定运行作为重点进行研究[1]。

随着煤矿机械设备的发展和采掘技术的进步，煤矿开采深度和掘进面单进深度不断提高，掘进速度也不断加快，造成了瓦斯排放速度和绝对涌出量增加。由于其环境的复杂性和不确定性，煤尘、瓦斯等排放随时变化，且随着井下巷道日益复杂，采掘机械和采掘速度的进步，井下通风系统管理的变量越来越多。为了保证通风系统持续稳定的工作，各需风位置能得到可靠有效的通风，本文采用神经网络算法对通风系统进行可靠性预测，为井下通风管理人员提供一定的通风故障管理依据。

1 可靠性影响因素分析

通风系统是一个复杂的、多因素耦合的时变系统，在运行过程中，不仅受到系统各部件故障的影响，而且受到正常采掘过程中各需风点地质条件变化的影响[2]。对于通风网络而言，其通风风压、风阻、风路等可靠性均会影响整个通风系统的可靠性。

通风网路设置是否合理，不仅影响通风系统的功耗及效率，而且对通风系统可靠性也有极大的影响[3]。通风网路主要由串联、并联及角联三种基本构成方式，并通过这三种基本构成的多种组合形成整个通风网络，如图1 所示，

图1 通风网络示意图

1.1 串联单元通风特性

串联单元为两条或多条风路首尾相连，无其余风流节点的网路，其特性如下。总风量等于各单元风量：

总风压为各单元风压之和：

总风阻为各单元风阻之和：

1.2 并联单元通风特性

串联单元为两条或多条风路由同一节点分开并由同一节点汇合，中间无其余风流节点的网路，其特性如下。

总风量为各单元风量之和：

总风压与任一单元风压相同：

总风阻平方根的倒数为各单元风阻平方根倒数之和：

此外，通风系统可靠性影响因素还包括对风路中粉尘、瓦斯、温度等参数的监测是否准确等[4]。

2 神经网络构建

由于通风系统可靠性影响因素的复杂性及多参数的强耦合性等特性，对矿井通风系统可靠性的预测采用神经网络算法构建预测模型。

BP 神经网络由非线性神经元构成，通过“输入层——隐含层——输出层”的三层网络结构，在初始输入及后续实际参数输入和结果输出中不断的自我学习、自我调整，使得预测结果越来越达到实际结果的方法。通过中间层的参数耦合并自动纠正权值的过程，可满足通风系统多参数耦合预测的使用要求[5]。其结构图如图2 所示。

图2 神经网络结构示意图

其中输入层参数为n 个，隐含层耦合参数为p个，输出结果层神经元个数为q 个。Wih为输入层神经元到隐含层神经元的参数权值，Who为隐含层神经元到输出层神经元的参数权值。

对于通风系统而言，神经网络输入层神经元参数为通风系统的输入参数，即风机参数、巷道温度、瓦斯浓度等，将风机风速、风压、巷道温度及瓦斯浓度各设置三个变量等级作为输入神经元。

输出参数为通风系统可靠性，基于常用的矿井通风可靠性评价方法，对可靠性分为安全、较安全、一般、危险、较危险五个等级，并对每个等级对应的数据异常情况进行编码标定。

通风系统可靠性预测网络的隐含层，需要通过迭代优化的方法进行选择，即预先给定一层隐含层，通过参数输入训练进行隐含层神经元数进行迭代确定。

根据经验公式，隐含层的神经元数为：

式中：m 为输出层神经元数；n 为输入层神经元数；a为 1～10 的自然数。

由上述分析可知，n=15，m=5 可得到隐含层神经元数可能数值。通过样本训练对隐含层神经元数进行分析，得到当隐含层神经元数为10 个时，计算误差较小，且运算量较小。

3 预测仿真分析

基于上述矿井通风系统可靠性预测模型，采用MATLAB 的神经网络工具箱进行建模，并选取通风系统采集的现场数据进行输入并仿真分析，验证该神经网络预测模型的准确性。分析过程如图3 所示。

图3 分析过程图

经过上述仿真过程，得到预测仿真结果与实际可靠性结果如图4 所示。

图4 仿真结果对比图

由上述对比图4 可以看出，预测结果与实际结果有一定的差别，但总体结果可信，预测准确率达到80%以上。后续可根据煤矿个体情况加大训练数据录入，并通过更大量的训练使得结果更加可靠。

4 结论

1）针对矿井通风系统可靠性影响因素进行分析，并对其风路各基本单元构型参数关系进行描述。

2）根据矿井通风系统可靠性分析的实际情况，选择神经网络算法作为系统可靠性分析方法。

3）确定了通风系统可靠性的神经网络算法构型及各层神经元参数。

4）通过对神经网络预计模型的仿真，得到该预计模型仿真结果与实际结果的对比情况，并确定该预计模型的可行性。