首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 矿业工程论文 > 基于灰色LSTM算法的粉尘浓度预测

基于灰色LSTM算法的粉尘浓度预测

2025-02-12 33 上传者：管理员

摘要：原煤开采过程中所产生气体浮尘对人体及环境有较大的影响，其中井下粉尘浓度过高及煤尘扩散，导致尘肺等职业病的患病概率与煤矿粉尘爆炸风险事故概率大幅增加，故需对煤矿粉尘浓度进行有效地监测控制。通过变分模态分解算法，将原始样本数据分解为不在同一调制信号内的2组数据，运用LSTM算法预测分解后的高频信号、灰色算法预测分解后的低频信号，并采取马尔科夫链预测对预测模型进行修正，构建基于灰色LSTM算法的粉尘浓度预测模型。研究结果表明，灰色LSTM预测模型平均绝对误差为0.067 0、均方误差与均方根误差分别为0.004 7与0.068 8，预测模型准确度高于单一LSTM神经网络预测。

关键词：
LSTM算法
灰色马尔可夫链预测
煤矿安全
神经网络预测
粉尘浓度预测
加入收藏

井下粉尘浓度过高时易产生爆炸,长期吸入煤尘也会增加患尘肺等职业病的风险,为减少煤矿的安全隐患,需对井下粉尘浓度进行实时监管与预测｡国内外学者采取传统预测模型或优化组合模型,均在不同领域取得了一定的预测效果｡

张易容利用SPSS软件分析PM2.5浓度､气象因子与PM2.5变化速率的相关性,证明LSTM循环神经网络优于回归分析与随机森林[1]｡周龙辉[2]基于物联网三层体系提出了不同组合方式的灰色神经网络和灰色-广义回归神经网络的煤矿粉尘职业病预测模型,对全国煤矿粉尘职业病未来发病人数进行预测｡罗怀廷[3]将粒子群优化算法和随机森林算法相结合,提出了适用于露天煤矿粉尘浓度预测的RF-PSO混合模型｡王雅宁[4]以新疆哈尔乌素露天矿为研究对象,基于随机森林算法设计建立露天矿粉尘浓度预测模型,并利用马尔科夫理论对随机森林预测模型的粉尘浓度进行修正｡李明[5]根据费克第一扩散定律建立粉尘扩散的基本模型进行可视化模拟与分析,并运用人工神经网络技术建立粉尘危害因素与尘肺发病率之间的剂量-反应关系｡霍文等[6]对粉尘质量浓度数据进行降噪处理后,基于环境数据选取神经网络算法,对新疆哈尔乌素煤矿监测点粉尘质量浓度进行研究预测｡周旭等[7]继承了时间序列模型对数据的拟合度与神经网络模型对数据的预测能力,采用外因输入NARX模型对矿井中粉尘浓度进行预测｡梁敏[8]根据矿井年产量和粉尘排放量建立一元线性回归模型,通过regress函数和rcoplot函数求解回归值并得出二者间相关系数较高｡王毅然等[9]对比D-S证据理论与RS理论的不足后,提出综合D-S证据理论和RS理论相结合的决策层新算法｡颜杰等[10]采取Elman测点粉尘浓度预测模型进行分析,将神经网络模型所获得的回归数据与监测数据对比分析,显示二者相对误差较小｡赵耀忠等[11]以线性回归算法､随机森林算法､K-临近算法､支持向量机算法与梯度提升树算法为基础,建立相关的粉尘浓度监测模型｡曹梅等[12]运用小波分析法结合卷积神经网络与长短期记忆网络,建立基于小波的CNN-LSTM-Attention的瓦斯浓度预测模型｡WangBo等[13]以BP神经网络模型为基础,改进遗传算法得到阈值后建立改进神经网络算法｡ZhouXu等运用马尔可夫链模型理论对灰色GM(1,1)模型进行优化,建立灰色马尔可夫链预测模型[14]｡

粉尘浓度数据受风速等自然因素的影响,数据平稳性较低且数据间关联性较低｡为解决粉尘浓度预测模型拟合度不佳的问题,本文采用变分模态分解算法将原始粉尘数据分解为低频高频2个波段,并结合分解后的数据特征,采取灰色马尔科夫预测与LSTM神经网络预测对不同波段数据分布预测,以提高粉尘浓度的预测精度｡

1、灰色LSTM算法模型构建

1.1模型总体框架

本文收集井下煤矿粉尘浓度数据后,运用变分模态分解算法将原始数据集划分为低频与高频2组数据,井下粉尘浓度预测模型总体框架,如图1所示｡

图1灰色LSTM预测模型总体框架

其中,低频数据反应粉尘浓度整体变化趋势,高频数据在保留样本特征的同时提高了其稳定性｡采取灰色算法累加序列构建灰色预测模型后,依据预测误差建立误差模型及状态转移矩阵,最后,利用灰色预测模型得出马尔科夫模型修正后的预测值｡通过长短期记忆神经网络预测高频数据集,确定粉尘浓度数据隐藏状态,并结合神经网络遗忘门与输入门由输出门输出预测数据信息,组合灰色马尔科夫及LSTM神经网络预测值,以确定模型整体预测结果｡

1.2数据分解重构

通过变分模态分解(VMD)将井下粉尘浓度数据分解为低频与高频2组数据,其中,低频分解数据在一定程度上体现陕西某煤矿井下粉尘浓度日间的整体变化趋势,高频分解数据减小了粉尘浓度的噪声并保留了浓度数值特征｡变分模态分解将数据集信号分解为具有稀疏性的离散数量子信号,并精确分离样本数据集中不同时间段的模态函数,其主要原理如下:

假定样本数据待分解信号由多个子信号构成,将子信号定义为调幅调频函数记为IMF,其表达式如式(1)所示:

将样本数据待分信号分解为K个本征模态函数后对变分问题进行构造,利用拉格朗日乘法算子λ(t)与二次惩罚因子α,将约束性变分问题转化为非约束性变分问题,转化公式如式(2)所示:

采用乘法算子交替方向法对转化后的非约束性变分问题进行求解,利用交替更新计算求解拉格朗日表达式鞍点,确定二次惩罚系数及分解层数后,低频分解数据采取灰色马尔科夫链预测模型,运用LSTM预测模型预测高频分解数据｡通过GM(1,1)算法对原始数据集预测后,采取马尔科夫链预测模型对预测数据进行修正｡

1.3预测模型构建

灰色预测模型通过利用微分方程对数据系统的本质进行挖掘,将无规律数据通过相应运算得到有规律的生成数列,以提高运算精度｡井下粉尘浓度受多因素的影响,除风速､湿度､温度及开采量的影响外仍有相关不确定因素,故采用灰色马尔科夫算法预测低频数据集,灰色马尔可夫预测算法基本原理如下:

对abs(e1)建立灰色预测模型,利用马尔科夫链对预测结果进行修正,基本原理如式(4)所示｡

在m时刻处于Ei状态,在m+k时刻处于Ej状态下的条件概率

Ei,Ej∈E,计算状态转移矩阵概率并得出预测值｡

高频分解数据保留井下粉尘浓度数值的总体特征,且是较稳定的长时间序列,因此,运用长短期记忆神经网络(LSTM)算法对高频粉尘浓度数据进行预测,LSTM模型预测原理,如图2所示,其中tanh表示双曲正切函数｡

图2LSTM预测原理图

数据输入LSTM网络时,由sigmoid函数确定忘记门时间步t内需被遗忘的信息

输入门选取应被保留的数据信息并对其细胞状态进行更新

将输入值映射到区间[0,1]的概率值后,计算候选细胞状态

将输入值映射到区间[-1,1]｡通过细胞状态更新公式,将细胞状态更新传递到下一时间步,通过输出门控制当前时间步传输至下层或输出层的信息,输出门与当前时间步隐藏状态如式(8)､式(9)所示｡

根据时间步的细胞状态与隐藏状态自适应控制输出信息,进一步提高LSTM网络预测的准确率｡

2、灰色LSTM预测模型实例验证分析

2.1数据预处理及样本分解

本文以陕西省某煤矿为研究目标,通过99处安装在不同位置的传感器收集湿度､CO､CO2､风速､O2､CH4､总粉尘､呼吸性粉尘､NO､NO2､温度的数据,传感器每5s更新实时数据｡本文选取2022年10月1日凌晨至下午18:00时总粉尘浓度数据,共收集样本数据13652条,以分钟为单位统计原始传感器数据样本,如表1所示｡

表1原始数据集样本表

通过样本分布直方图判断粉尘浓度数据趋偏态分布,故采取中位数填充法对样本缺失值填充处理｡删除原始样本数据集间的空缺值与异常值,利用剩余样本中已知数据中位数对空缺值进行估算填补,中位数填充法填充后的粉尘浓度数据分布图,如图3所示｡

图3VMD分解信号图

运用变分模态分解算法对原始粉尘浓度样本进行分解,通过Hilbert变换将一维信号转换为二维平面信号,用以将原始信号通过滤波器以调节不同模态频谱｡多次实验后确定原始样本数据集分解层数为2层,二次惩罚系数alpha为2000时分解效果较好｡变分模态分解后的样本分解信号图(见图3),其中u1为分解后的低频数据集,u2为分解后的高频数据集｡低频分解数据体现2022年10月1日整天粉尘浓度的变化趋势,高频数据稳定性高于低频数据,降低了粉尘浓度数值的噪声｡

2.2基于灰色LSTM模型的预测分

运用灰色马尔科夫模型对处理后的低频粉尘浓度数据集进行预测,以预测粉尘浓度数据受多因素影响下的变化趋势｡引入GM(1,1)预测模型的残差用以修正预测误差,并提取马尔可夫链预测的残差及原始数据下时间步的数值,运用状态分布向量预测其符号并对GM(1,1)预测数值进行修正｡通过灰色马尔科夫预测低频数据集预测图,如图4所示｡

图4低频灰色马尔科夫预测

降噪处理后的粉尘浓度高频数据预测采用LSTM神经网络预测,以提高整体粉尘浓度预测数值的准确度｡构建LSTM神经网络训练模型并确定LSTM神经元层个数为4｡对数据进行差分转换后将数据转变为监督学习形式,LSTM神经网络预测高频数据预测结果,如图5所示｡

图5高频LSTM神经网络预测

对粉尘浓度数据分解后进行分步预测,误差分析表,如表2所示｡

表2分步预测误差分析表

结合图4图5及表2可得,灰色马尔科夫预测的粉尘浓度变化趋势,及LSTM神经网络预测的粉尘浓度数值拟合程度较高,预测值与真实值间误差较小,模型拟合较好｡

2.3预测结果分析对比

组合灰色马尔科夫预测的低频数据预测值与LSTM神经网络预测的高频数据预测值,将分解后组合预测结果与单一LSTM神经网络预测结果,进行对比,单步LSTM预测结果,如图6所示,灰色LSTM分布预测结果,如图7所示,由图6､图7可知,灰色LSTM预测拟合程度较高｡

以平均绝对误差EMA､均方误差EMS､均方根误差ERMS作为衡量指标对预测模型的拟合程度进行分析｡

图6LSTM预测

图7灰色LSTM预测

分别计算LSTM神经网络预测模型及灰色LSTM预测模型的误差分析系数,并精确到小数点后4位,样本整体预测误差分析表,如表3所示｡

表3整体预测误差分析表

已知预测值与真实值差距越小模型拟合程度越高,由表3可知,单一LSTM神经网络预测模型平均绝对误差､均方误差､均方根误差分别为0.0974､0.0093､0.0964｡误差系数皆高于灰色LSTM预测模型,故灰色LSTM预测模型拟合程度高于单一LSTM神经网络预测模型,预测更为精准｡

3、结语

本文以位于陕西省的某煤矿为实例分析验证对象,选取2022年10月份传感器数据,运用组合算法对井下总尘浓度进行预测｡将处理后的样本数据集依据待分解信号分解为高频､低频2组数据｡针对粉尘浓度存在未知影响因素,采用马尔科夫链预测模型修正灰色预测算法的预测值对低频数据进行预测,高频数据运用长短期记忆网络进行预测｡实验研究表明,分解后运用灰色LSTM预测模型较未分解的单一模型预测误差小,精度及拟合程度较高｡

参考文献:

[1]张易容.基于循环神经网络的哈尔乌素露天煤矿粉尘浓度预测[D].徐州:中国矿业大学,2020.

[2]周龙辉.基于物联网的煤矿粉尘职业危害监测及预警技术研究[D].重庆:重庆大学,2018.

[3]罗怀廷.寒区露天煤矿粉尘污染特征及预测[D].徐州:中国矿业大学,2022.

[4]王雅宁.基于随机森林—马尔科夫模型的露天矿粉尘浓度预测研究[D].徐州:中国矿业大学,2021.

[5]李明.计算机在粉尘扩散及危害预测与环境分析中的应用研究[D].长沙:中南大学,2005.

[6]霍文,栾博钰,周伟,等.基于环境因素的露天煤矿粉尘质量浓度预测[J].辽宁工程技术大学学报(自然科学版),2021,40(5):409-414.

[7]周旭,王艺博,朱毅,等.基于非线性自回归模型的矿井粉尘浓度预测[J].华北理工大学学报(自然科学版),2021,43(4):127-133.

[8]梁敏.基于MATLAB回归分析在矿区通风粉尘排放预测中的研究[J].煤,2021,30(2):28-30.

[9]王毅然,刘邱祖,刘燕萍,等.基于两级数据融合技术的煤矿粉尘监测探究[J].煤矿安全,2016,47(11):187-189.

[10]颜杰,白雪瑞,赵长海,等.基于Elman模型的露天矿粉尘浓度预测[J].内蒙古煤炭经济,2023(4):5-7.

[11]赵耀忠,严俊龙,任吉凯,等.基于机器学习的露天煤矿粉尘浓度预测[J].煤炭工程,2022,54(S1)157-161.