煤矿用甲烷传感器异常采样数据甄别处理方法技术

本发明专利技术提供一种煤矿用甲烷传感器异常采样数据甄别处理方法，利用常规技术的人工神经元网络作为计算模型，经下列步骤：收集传感器采集到的风速，温度，瓦斯压力，瓦斯含量数据，随机将这些数据分成两部分，其中一部分数据用于训练网络，另一部分数据用于测试；将上训练样本数据作为输入端，输入到人工神经元网络中进行训练、计算，得训练网络模型：将测试样本数据，用所得训练网络模型进行计算。通过比较计算，当出现故障时在输出端即可得出诊断的故障症状。通过在线实时计算通报故障状态，即时确认、纠正错误数据。

【技术实现步骤摘要】

本专利技术涉及一种，尤其是一种用人工神经元网络算法处理数据的拟人方法，以甄别甲烷传感器的异常数据，剔除错误数据，获 得更准确可靠的检测数据，能有效进行瓦斯监控。
技术介绍
目前煤矿矿用甲烷传感器通常是采用热载体催化元件(即黑白元件)来获取检测 数据的。这种元件的内部以铂丝为核心，外部以氧化铝为载体，载体上涂有催化剂，当铂丝 通过一定的电流且元件处于含有甲烷的气体中时，表面会产生无焰燃烧，使铂丝因温度升 高而增加阻值，从而实现对甲烷的检测。但在热载体催化元件表面温度> 60(TC后，催化剂 氧化钯黑无法抵抗氧化还原反应的发生，结果造成检测元件不可逆转的损坏，从而导致甲 烷传感器产生错误的数据，使监控系统收到错误数据后产生误报，从而影响了系统的准确 性和严肃性。 一般有经验的监控操作员能有效进行数据甄别，并及时采取措施使检测元件 恢复正常运行。这使得监控系统需要较多依赖监控操作员的责任心和经验，稍有不慎或疏 忽，会给煤矿的安全监控带来巨大隐患，也不利于在正常情况下提高生产效率。因此，必须 加以改进。
技术实现思路
为了克服现有甲烷传感器因异常采样数据而给煤矿带来的安全隐患，本专利技术提供 一种基于人工神经元网络算法的数据处理方法，以模拟人的经验和思维判断来甄别由于传 感器测量异常、误差、干扰等带来的非正常瞬态数据，剔除由黑白元件组成的甲烷传感器带 来的错误数据。 本专利技术解决其技术问题所采用的技术方案是一种煤矿用甲烷传感器异常采样 数据甄别处理方法，利用常规技术的人工神经元网络作为计算模型，其特征在于有下列步 骤 A、收集采样数据通过人工或常规自动方式收集传感器采集到的风速，温度，瓦斯 压力，瓦斯含量数据，随机将这些数据分成两部分，其中一部分数据用于训练网络，而成为 训练样本数据，另一部分数据用于测试，而作为测试样本数据；定义样本数据的输入向量为 X， X = (Xl， x2， . . . ， xn) ， & X4分别为输入向量A的各个分量，即风速，温度，瓦斯压力，瓦 斯含量； B、训练人工神经元网络将上述A步骤的训练样本数据作为输入端，输入到人工 神经元网络中进行训练、计算，得训练网络模型 C、实时数据甄别将上述A步骤的测试样本数据，利用上述B步骤所得训练网络模 型进行计算，计算按下式 ("=XX/^(A:)-^ /z = l,2,".，pS。(k) yo。(k) = f(yi。(k)) o = 1，2(4)利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数 & 3风气 气，， 。S 3(告X(《W-少。。(柳26 ——=-(《W - W0 ⑨ 。= -(《("-w W) f'(A (") □-《(" (5)利用隐含层到输出层的连接权值、输出层的偏导数S 。(k)和隐含层的输出计 算误差函数对隐含层各神经元的偏导数Sh(k): & — 一'。 、o 。气—力 《纟 雄，《t,)-f(l>A )2))/!=1-i>。("-^。(")f'(风("h。0=17 (6)利用输出层各神经元的偏导数S 。(k)和隐含层各神经元的输出来修正连接权 值Wh。(k):Awto (" = —// ^~ = 〃& C》(At)一。《+1=《+7^。(A0/^(A0 (7)利用隐含层各神经元的偏导数Sh(k)和输入层各神经元的输入修正连接权 值 a /,、 & & 。… …aw泊 a/ ""《+1 =《+薄)洲(8)计算全局误差 0=1 (9)判断网络误差是否满足要求当误差达到预设精度或学习次数大于设定的最 大次数，则结束算法，得训练网络模型；否则，选取下一个输入样本及对应的期望输出，返回 到B3(2)，进入下一轮学习，最终得训练网络模型。 本专利技术的有益效果是 1.甄别剔除甲烷传感器在故障状态下的错误数据，提高数据的准确性和正确性； 2.主动提供传感器故障报警，避免漏报、误报瓦斯超限信息； 3.主动进行语音提示报警，即时确认、纠正错误数据。 该方法不仅能有效甄别数据，克服因操作人员的素质和责任心给煤矿安全监控而 带来的安全隐患，而且能为生产决策部门提供准确可靠的原始数据。附图说明 图1是本方法处理流程图； 图2是三层前馈神经元网络处理算法模型图； 图3算法计算流程图。 在图1中，通过人工和自动采集历史数据，获取模型输入数据和输出数据，获取到 数据后对模型进行训练，得计算模型结构，采集实时输入给计算模型，模型计算完后，得计 算结论，结论提交用户使用，用户验证结论，结论正确则存入历史库供模块递归训练使用。 图2为模型算法网格图，该模型利用反向误差传播算法用来确定节点间连接权 值，从而得甄别计算模型。 图3算法计算流程图，该图反应了本专利技术算法的计算流程图。具体实施例方式下面结合附图和实施例对本专利技术进一步说明。 实施例8 本实施例基于某个采煤工作面，其采用回采工作方式进行，在回采工作方式回风 巷的瓦斯浓度最大，以下计算均基于回采面的数据 1)针对该工作面的特点，采用专家意见确定风速、瓦斯压力、温度和煤层瓦斯含量数据作为输入向量X = (Xl， x2， x3， x4)，确定隐含层个数为12，即p = 12 ; 2)以等间隔时间8小时为周期，对输入向量风速、煤层厚度、温度和煤层瓦斯含量进行采样，这些数据来自钻探地质报告，瓦斯浓度来自瓦检员的同期测量，数据可信度来自专家意见，得到的5组数据如下表1所示 表l<table>table see original document page 9</column></row><table> 导数s 3)把上述数据作为训练数据代入下述步骤进行计算 第一步，随机选取第k个输入样本及对应期望输出X(k) = (Xl(k)，X2(k)，…，Xn(k)) d。(k)=歸)，d2(k))第二步，计算隐含层各神经元的输入和输出<formula>formula see original document page 9</formula>第三步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏 ,(k):<formula>formula see original document page 9</formula><formula>formula see original document page 10</formula> 第四步，利用隐含层到输出层的连接权值、输出层的5。(k)和隐含层的输出计算 误差函数对隐含层各神经元的偏导数Sh(k):<formula>formula see original document page 10</formula>第五步，利用输出层各神经元的S。(k)和隐含层各神经元的输出来修正连接权值<formula>formula see original document page 10</formula>第六步，利用隐含层各神经元的Sh(k)和输入层各神经元的输入本文档来自技高网...

【技术保护点】
一种煤矿用甲烷传感器异常采样数据甄别处理方法，利用常规技术的人工神经元网络作为计算模型，其特征在于有下列步骤：Ａ、收集采样数据：通过人工或常规自动方式收集传感器采集到的风速，温度，瓦斯压力，瓦斯含量数据，随机将这些数据分成两部分，其中一部分数据用于训练网络，而成为训练样本数据，另一部分数据用于测试，而作为测试样本数据；定义样本数据的输入向量为Ｘ，Ｘ＝（ｘ↓［１］，ｘ↓［２］，…，ｘ↓［ｎ］），Ｘ↓［１］～Ｘ↓［４］分别为输入向量Ａ的各个分量，即风速，温度，瓦斯压力，瓦斯含量；Ｂ、训练人工神经元网络：将上述Ａ步骤的训练样本数据作为输入端，输入到人工神经元网络中进行训练、计算，得训练网络模型：Ｃ、实时数据甄别：将上述Ａ步骤的测试样本数据，利用上述Ｂ步骤所得训练网络模型进行计算，计算按下式：ｈｉ↓［ｈ］（ｋ）＝＊ｗ↓［ｉｈ］ｘ↓［ｉ］（ｋ）－ｂ↓［ｈ］ｈ＝１，２，…，ｐｈｏ↓［ｈ］（ｋ）＝ｆ（ｈｉ↓［ｈ］（ｋ））ｈ＝１，２，…，ｐｙｉ↓［ｏ］（ｋ）＝＊ｗ↓［ｈｏ］ｈｏ↓［ｈ］（ｋ）ｏ＝１，２ｙｏ↓［ｏ］（ｋ）＝ｆ（ｙｉ↓［ｏ］（ｋ））ｏ＝１，２其中，输出ｙｏ↓［１］为瓦斯的预测值，ｙｏ↓［２］为数据可信度，ｙｏ↓［２］小于０．５时为伪数据，应当剔除；当瓦斯推理数据ｙｏ↓［１］大于０．７５，则提示工作人员瓦斯报警。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王剑平，张果，张云生，黄红霞，车国霖，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：53[中国|云南]