基于IAEFA-LSSVM的煤与瓦斯突出预测的新方法_杨超.pdf

基金项目：国家自然科学基金项目资助（编号：51974151）收稿日期：20220518基于IAEFA-LSSVM的煤与瓦斯突出预测的新方法*杨超1，管智峰2，刘雨竹2，李鹏杰3，齐冀3（1.中煤张家口煤矿机械有限责任公司，河北张家口075000；2.辽宁工程技术大学，辽宁葫芦岛125105；3.潞安化工集团李村煤矿，山西长治046000）摘要：为了在发生数据缺失和异常的情况下完成煤与瓦斯突出预测，提出基于IAEFA-LSSVM的煤与瓦斯突出预测的新方法。在缺失数据时，利用皮尔逊相关系数实时完成缺失数据的填充；当出现数据异常时，使用Pauta准则处理数据异常值；在人工电场算法初始化阶段引入透镜成像学习策略，实现初始种群多样性和个体质量的提升，采用正余弦算法改进人工电场算法最优解位置，从而提高人工电场算法的寻优能力。建立改进人工电场算法优化最小二乘支持向量机模型，并采用皮尔逊相关系数和Pauta准则完成数据实时缺失和数据异常的处理，预测结果的灵敏度为100%，准确度为97.5%。实验结果表明，该模型能够在数据缺失和数据异常情况下实时完成煤与瓦斯突出预测，可作为一种新的煤与瓦斯突出预测模型。关键词：瓦斯突出；透镜成像学习；正余弦算法；人工电场算法；最小二乘支持向量机中图分类号：TD713文献标志码：A文章编号：10099492(2023)02005104A New Method for Predicting Coal and Gas Outburst Based on IAEFA-LSSVMYang Chao1，Guan Zhifeng2，Liu Yuzhu2，Li Pengjie3，Qi Ji3（1.China Coal Zhangjiakou Coal Mining Machinery Co.,Ltd.,Zhangjiakou,Hebei 075000,China;2.Liaoning University of Technology,Huludao,Liaoning 125105,China;3.Lichun Coal Mine of Luan Chemical Group,Changzhi,Shanxi 046000,China）Abstract:In order to complete the prediction of coal and gas outburst in the case of missing and abnormal data,a new method of coal and gasoutburst prediction based on IAEFA-LSSVM was proposed.In case of missing data,Pearson correlation coefficient was used to fill in themissing data in real time.When data abnormality occurs,Pauta criterion was used to deal with data abnormal value.In the initialization stage ofthe artificial electric field algorithm,the lens imaging learning strategy was introduced to improve the initial population diversity and individualquality.The sine cosine algorithm was used to improve the optimal solution position of the artificial electric field algorithm,so as to improve theoptimization ability of the artificial electric field algorithm.The improved artificial electric field algorithm was established to optimize the leastsquares support vector machine model,and the Pearson correlation coefficient and Pauta criterion were used to deal with the real-time missingand abnormal data.The sensitivity of the prediction results was 100%and the accuracy was 97.5%.The experimental results show that themodel can complete the prediction of coal and gas outburst in real time under the condition of missing and abnormal data,and can be used as anew coal and gas outburst prediction model.Key words:gas outburst;lens imaging learning;sine cosine algorithm;artificial electric field algorithm;least squares support vector machine2023年02月第52卷第02期Feb.2023Vol.52No.02机电工程技术MECHANICAL&ELECTRICAL ENGINEERING TECHNOLOGYDOI:10.3969/j.issn.1009-9492.2023.02.012杨超，管智峰，刘雨竹，等.基于IAEFA-LSSVM的煤与瓦斯突出预测的新方法 J.机电工程技术，2023，52（02）：51-54.0引言瓦斯突出已经对煤矿安全生产构成极大威胁。是煤矿事故中最危险、最频繁的事故类型1。在煤与瓦斯突出发生前，完成煤与瓦斯突出预测，对于保证煤与瓦斯突出安全生产，保护矿工生命安全具有重要意义。常用的煤与瓦斯突出预测方法有指数预测法和数学模型预测法2。煤与瓦斯突出危险性指标预测方法是通过检测各项指标的值，并与各项指标的标准值进行比较，确定各项指标是否具有煤与瓦斯突出危险性。常用指标包括瓦斯含量、瓦斯压力、煤体强度系数、岩屑指数和综合指数3，这些指标的影响因素较多，测量误差较大，往往导致预测精度较低。因此，近年来，数学模型预测方法越来越受到研究者的重视。方法是选择影响煤与瓦斯突出的几个特征，利用数学模型预测煤与瓦斯突出危险性。实际上，现有的预测方法都是基于理想数据来完成煤与瓦斯突出的预测。然而，与实际应用程序还有很长的距离，因为其主要反映了 3个方面。首先，默认使用的数据是完整的，事实上，在数据传输和数据融合的过程中，数据经常丢失，导致部分甚至全部数据丢失。其次，默认情况下使用的数据具有与实际值相同的值，实际上，由于实验条件和实验过程的限制，数据与实际值之间可能存在一些差异。第三，预测模型是基于以前的数据，当新的异常数据到来时，由于缺乏处理能力，导致无法实时完成预测。51针对上述问题，本文提出了一种煤与瓦斯突出预测模型。根据煤矿数据的特点，使用皮尔逊相关系数和Pauta准则处理缺失数据和异常数据，引入透镜成像学习4和正余弦算法（Sine Cosine Algorithm，SCA）5改进人工电场算法（Improvement Artificial Electric Field Algorithm，IAEFA）优化最小二乘支持向量机（Least SquareSupport Vector Machine，LSSVM）进行瓦斯突出预测，实验表明，该预测模型具有优秀的诊断性能。1人工电场优化算法人 工 电 场 算 法（Artificial Electric Field Algorithm，AEFA）6是一种基于种群的元启发式算法，它模仿库仑引力定律和静电力定律。在 AEFA 中，给定问题的可能候选解表示为带电粒子的集合。与每个带电粒子相关的电荷有助于确定每个候选解决方案的性能，吸引静电力使每个粒子相互吸引，从而导致向具有更重电荷的粒子的全局运动，该问题的候选解对应于带电粒子的位置和适应度函数，它决定了它们的电荷和单位质量。任意粒子i在任意时刻 t 得到的最优解值的位置定义如下：pdi(t+1)=pdi(t)f()Pi(t)f()Xi(t+1)pdi(t+1)=xdi(t+1)else（1）所有电荷的全局最佳适应度的粒子用Pbest=Xbest表示。d 维空间中任意时刻t对第i个粒子的总电场力定义如下：Fdi(t)=j=1,j iNrandjFdij(t)（2）式中：randj为0，1之间的随机数，为电荷j作用在电荷i上的库仑力。根据牛顿第二运动定律，得出电荷 i 在时刻 t 的加速度：adi(t)=Qi(t)Edi(t)Mi(t)（3）在每一次迭代过程中，电荷i根据计算得到的加速度来更新电荷的速度和位置，更新方式如下式所示：Vdi(t+1)=randi Vdi(t)+adi(t)（4）Xdi(t+1)=Xdi(t)+Vdi(t+1)（5）式中：Vdi()t、Xdi()t分别为电荷i在时刻t的速度和位置。采取以下式子更新电荷i的电荷量：qi(t)=exp()fitpi(t)-worst(t)best(t)-worst(t)（6）Qi(t)=qi(t)i=0Nqi(t)（7）式中：fitpi（t）为电荷i在时刻t的适应度值；best、worst分别为最优适应度值和最差适应度值。2改进人工电场优化算法2.1初始种群精英化反向学习方法7作为一种能够提高优化算法搜索空间各个体质量的有效策略，其原理是当前解根据一定规则生成对应反向解，通过当前解和反向解的比较竞争，从而得出更利于优化算法进化的优质解。如图 1所示。反向学习方法已经和许多群智能优化算法结合，对算法起到了很好的提升效果。反向学习中反向数x的定义为，在区间a,b的任意实数x，有以下关系：x=a+b-x（8）透镜成像学习是在反向学习的基础上的进一步改进，通过计算透镜成像反向解来扩大可选解的范围，增加选取更优解的概率，从而实现对初始种群个体质量的提升。设xj和x*j分别表示当前粒子个体及其透镜成像反向后个体。xj=aj+bj2+aj+bj2k-xjk（9）式中：aj和bj表示第j维中的最小值和最大值；k为透镜的缩放系数。初始种群精英化的具体过程为：随机初始化N个粒子个体组成初始电荷种群，X=xi1,xid,i=1,N，xi表示第i个电荷在第d维的位置；将X种群代入式（9）生成透镜成像反向种群Z；将种群Z内电荷个体根据适应度值进行排序，选择前N个较优个体构成精英反向种群P；将种群P与原电荷种群X根据个体适应度值进行排序，选取前N个电荷个体组成新的初始电荷种群。2.2正余弦算法为防止人工电场算法丢失最优解位置，引入正余弦算法更新最优解位置，协调算法的探索与开发。更新方式如下：xt+1i=xti+r1sin(r2)|r3 pti-xti|r4 3Sx（16）式中：Xi为异常值；X为数据平均值；Sx为数据标准差。针对异常数据值，提出了数据集的5个特征，在检测异常数据值时，采用上述方法进行数据校正；现采集李村煤矿530份事故数据和安全数据，利用上述方法完成了异常数据的识别，异常值的鉴定结果如表2所示。通过使用 IAFEA-LSSVM 进行煤与瓦斯突出预测，如表 3所示，模型的灵敏度为 100%，准确率为 97.5%。实验结果表明，该模型能较好地全面检测煤与瓦斯突出。5结束语本文首次根据特征间的相关性完成了缺失数据的填充，保证了所消耗