CN112926266A - 一种基于正则化增量式随机权网络的井下供给风量估计方法 - Google Patents

Abstract

本发明一种基于正则化增量式随机权网络的井下供给风量估计方法，包括：通过对矿井主通风机切换过程的分析，得到影响井下供给风量变化的一组变量，并将其作为数据驱动的井下供给风量模型的输入；设置模型的初始化参数；根据迭代学习中网络残差的特性，建立一个新的约束条件来产生一组候选隐含层节点；从候选隐含层节点中选择一个质量最好的作为新增隐含层节点；将2范数正则项引入到二次损失函数中，采用全局正则化最小二乘法来更新整个网络的输出权值，直至达到所设定的最大隐含层节点数或者满足可接受的容忍度时建模结束，得到基于正则化增量式随机权网络的井下供给风量估计模型。本发明不仅可有效提高模型的估计精度，而且可避免过拟合问题。

Description

一种基于正则化增量式随机权网络的井下供给风量估计方法

技术领域

本发明涉及矿井通风技术领域，尤其涉及一种基于正则化增量式随机权网络的井下供给风量估计方法。

背景技术

主通风机切换过程被广泛用于保证矿井的持续安全生产。根据《煤矿安全规程》的要求，矿井采用“一主一备”的方式来轮流运转两台主通风机。其中，运行的一台叫工作风机，另一台叫备用风机。井下供给风量作为主通风机切换过程的关键运行指标，对井下作业影响很大，因此有必要对其进行精确测量，来保证主通风机切换过程的平稳性与安全性以及提供充足的井下供给风量。然而，由于环境恶劣，容易造成风量测量装置的取压孔堵塞，需要频繁维护，导致矿井工作人员难以对井下供给风量的变化进行实时监视。因此有必要建立井下供给风量的准确可靠性模型，为工作人员反映井下供给风量信息。

目前，常用的方法是采用机理模型或者数据驱动模型对其进行估计。机理模型一般是基于一些理论假设，且模型重要参数难以准确获取，因此，将其用于运行指标的估计会产生一定的偏差。基于数据驱动的建模技术，不需要了解切换过程的复杂变化，仅利用输入输出数据就可以建立运行指标的估计模型，因此多采用基于数据的模型来进行运行指标的估计。

近年，BP(back propagation)神经网络、Elman神经网络以及RBF(radial basisfunction)神经网络已被广泛应用于运行指标的估计中。然而，这些神经网络采用收敛速度慢的梯度下降法来训练参数，导致了学习速度远远达不到预期的速度。作为一种单隐层前馈神经网络，增量式随机权网络的隐性参数是随机产生的，并通过求解一个线性方程来得到网络的输出权值。同时，在网络构建的过程中，每次只添加一个新增节点，直至完成建模任务。因此，增量式随机权网络具有简单的结构和极快的学习速度。然而，当隐含层节点过多时，网络结构变的复杂，容易产生过拟合问题，造成泛化性能下降，限制了模型的实际应用。

发明内容

本发明的目的是提供一种基于正则化增量式随机权网络的井下供给风量估计方法，不仅具有较高的估计精度，而且可有效避免常规增量式随机权网络中的过拟合问题，能够很好地应用于井下供给风量的估计。

本发明提出的一种基于正则化增量式随机权网络的井下供给风量估计方法，包括以下步骤：

S1，通过对矿井主通风机切换过程的分析，得到影响井下供给风量变化的一组变量，并将其作为数据驱动的井下供给风量模型的输入；

S2，设置模型的初始化参数；

S3，根据迭代学习中网络残差的特性，建立一个新的约束条件来产生一组候选隐含层节点；

S4，从候选隐含层节点中选择一个质量最好的作为新增隐含层节点；

S5，将2范数正则项引入到二次损失函数中，采用全局正则化最小二乘法来更新整个网络的输出权值，直至达到所设定的最大隐含层节点数或者满足可接受的容忍度时建模结束，得到基于正则化增量式随机权网络的井下供给风量估计模型。

进一步的，所述步骤S1包括：

将与井下供给风量关联性最强的一组变量作为模型的输入变量，包括：两台主通风机水平风门风阻R_1s和R_2s、垂直风门风阻R_1c和R_2c、压头H_1d和H_2d以及地下矿井风阻R₀，输出变量为井下供给风量。

进一步的，所述步骤S2包括：

给定模型训练所需要的参数，包括：最大隐含层节点数L_max，正则化系数C，隐性参数配置次数T_max，可容忍误差ε，学习参数r，调节因子γ，隐性参数选取范围Υ：＝{λ_min:Δλ:λ_max}，记模型的初始隐含层节点数为Θ₁、残差为e₀，并令e₀为样本的输出T，模型的训练从Θ₁开始，一个一个地添加隐含层节点。

进一步的，所述步骤S3包括：

当添加第k个隐含层节点时，分别从可变对称区间[-λ λ]^d和[-λ λ]中随机产生隐性参数

和

将生成的隐性参数代入激活函数，建立第k个隐含层节点的输出矩阵：

将满足如下不等式约束的新增隐含层节点作为候选隐含层节点：

ξ_k≥0

其中，

进一步的，所述步骤S4包括：

计算候选隐含层节点所对应的ξ_k，得到一组变量，即

从所述一组变量中找到最大ξ_k所对应的隐性参数，并将其作为满足不等式约束的最佳隐性参数

和

若生成的隐性参数不满足约束条件，则需要对学习参数r进行调节：增加r的值，来放宽约束条件并重复S3和S4步骤，即r＝r+τ，其中，τ为区间(0,1-r)内的随机数；

此时，增量式随机权网络的隐含层输出矩阵H_k为：

其中，

进一步的，所述步骤S5包括：

通过岭回归方法更新整个网络的输出权值：

计算得到当前网络的残差为：e_k＝T-H_kβ^*；

若当前网络残差e_k在可容忍误差ε范围内或k大于事先给定的最大隐含层节点数L_max，则不再添加新的隐含层节点，建模完成。

有益效果：

本发明一种基于正则化增量式随机权网络的井下供给风量估计方法，从一个小尺寸模型开始，采用紧致的不等式约束对隐性参数(输入权值和偏置)进行优选，得到高质量的新增隐含层节点。同时，通过引入2范数正则化方法用于平衡建模精度与模型复杂度来避免过拟合问题，不仅确保了估计精度，而且降低了网络的复杂度，由此，最终所建模型不仅结构简单，建模速度快，结构紧致，而且具有较好的泛化性能，能够在主通风机切换过程中井下供给风量的估计中应用。

附图说明

图1为本申请基于正则化增量式随机权网络的井下供给风量估计方法的流程图；

图2为实施例一的主通风机切换过程结构图，其中，1.地下矿井，2.井下供给风流，3.一号垂直风门，4.一号水平风门，5.一号叶轮，6.一号电机，7.二号垂直风门，8.二号水平风门，9.二号叶轮，10.二号电机；

图3为本申请基于正则化增量式随机权网络的井下供给风量估计方法的效果图。

具体实施方式

下面将结合附图中给出的实施例的示例，对本发明的实施例进行详细地描述。

根据图1所示，本发明实施例的基于正则化增量式随机权网络的井下供给风量估计方法，具体步骤如下：

S1，通过对矿井主通风机切换过程的分析，得到影响井下供给风量变化的一组变量，并将其作为数据驱动的井下供给风量模型的输入。

正则化增量式随机权网络软测量模型的输入是与井下供给风量高度关联的一组变量，包括：两台主通风机水平风门风阻R_1s和R_2s、垂直风门风阻R_1c和R_2c、压头H_1d和H_2d以及地下矿井风阻R₀；输出变量为井下供给风量。

接下来，要实现本发明实施例的基于正则化增量式随机权网络的井下供给风量估计方法，还需要生成给定数量的主通风机切换过程数据集，并对其进行预处理。具体地，对于给定的包含N个样本的主通风机切换过程数据集，令X＝{x₁,x₂,...,x_N},

为输入数据，T＝{t₁,t₂,...,t_N},

为输出样本，最后对所有的输入输出数据进行归一化处理。

S2，设置模型的初始化参数。

正则化增量式随机权网络训练所涉及到的参数如下：最大隐含层节点数L_max，正则化系数C，隐性参数配置次数T_max，可容忍误差ε，学习参数r，调节因子γ，隐性参数选取范围Υ：＝{λ_min:Δλ:λ_max}，记模型的初始隐含层节点数为Θ₁、残差为e₀，并令e₀为样本的输出T，模型的训练从Θ₁开始，一个一个地添加隐含层节点。

S3，根据迭代学习中网络残差的特性，建立一个新的约束条件来产生一组候选隐含层节点。

从可变对称区间[-λ,λ]中随机选取隐性参数(输入权值w和偏置b)，保留满足不等式约束的隐性参数，并用于构成候选隐含层节点。

具体地，在构建第k个隐含层节点时，先分别从可变对称区间[-λ λ]^d和[-λ λ]中随机产生隐性参数

和

再将隐性参数送入激活函数(如sigmoid激活函数)，形成隐含层节点的输出矩阵：

最后采用如下不等式约束对生成的隐含层节点进行筛选，满足约束的隐含层节点就作为候选隐含层节点：

ξ_k≥0

其中，

需要说明的是，当前网络残差的下降量为：

其中，

为第k个隐含层节点输出权值的参考变量。因此，可将上述不等式用于指导隐含层节点参数的配置。

S4，从候选隐含层节点中选择一个质量最好的作为新增隐含层节点。

从中找出使得网络残差下降最大的隐性参数作为最佳隐性参数，并将其代入激活函数，构成新增隐含层节点。若找不到满足约束的候选隐层节点，则松弛不等式对隐性参数的约束：更新r＝r+τ，其中，τ为区间(0,1-r)内的随机数，并重复步骤S3和S4。

具体地，先将经过不等式约束筛选保留下来的候选隐含层节点代入ξ_k，计算得到一组

再通过对比找出其中最大的ξ_k，其所对应的隐性参数就是经过不等式约束筛选后的最佳隐性参数

和

若隐性参数不存在，则需要调整学习参数r：松弛不等式的约束，并重复步骤S3和S4，即r＝r+τ，其中，τ∈(0,1-r)，直至找到最佳的隐性参数为止。需要说明的是，为了更加容易找到满足不等式约束的隐性参数，可以将r设置为一个与1接近的正数。此时，增量式随机权网络的隐含层输出矩阵H_k为：

其中，

S5，将2范数正则项引入到二次损失函数中，采用全局正则化最小二乘法来更新整个网络的输出权值，直至达到所设定的最大隐含层节点数或者满足可接受的容忍度时建模结束，得到基于正则化增量式随机权网络的井下供给风量估计模型。

具体地，通过全局正则化最小二乘法来计算网络的输出权值：

计算得到当前网络的残差为：e_k＝T-H_kβ^*；

在当前网络残差e_k在可容忍误差ε范围内或k大于事先给定的最大隐含层节点数L_max时，不再添加新的隐含层节点，建模完成，此时可将所建的正则化增量式随机权网络用于井下供给风量的估计。

下面将结合图2所示的主通风机切换过程例子来详细阐述本发明的方法，图中，1为地下矿井，并与一个公共管道相连，2为从地下矿井流出来的井下供给风量，按箭头标示的方向流动，这个公共管道又分出两个风筒，在每个风筒与公共管道连接的位置安装一个垂直风门，在垂直风门之后，在每个风筒的上面安装一个水平对空风门，在水平风门之后，每个风筒内部安装了叶轮，并与电机相连，使其旋转。3、4、5和6分别为一号垂直风门、一号水平风门、一号叶轮和一号电机，7、8、9和10分别为二号主通风机上的垂直风门、水平风门、叶轮和电机。

首先，在主通风机切换过程中，选取与井下供给风量高度相关的七个变量作为估计模型的输入，实现对井下供给风量的估计；设置模型的初始化参数；根据给定的候选隐含层节点数，经过约束筛选得到候选隐含层节点；从候选隐含层节点中找到使得网络残差下降最快的作为新增节点；通过全局正则化最小二乘法来更新整个网络的权值，建模完成后，根据实时采集到的主通风机切换过程数据对当前的井下供给风量进行估计，从而得到其运行指标。

参考上述实施例，本发明实施例的基于正则化增量式随机权网络的井下供给风量估计方法的步骤如下：

第一步：在主通风机切换过程中，找到对井下供给风量影响最大的过程变量作为输入变量，以实现对井下供给风量的估计。其中，涉及的输入变量为两台主通风机水平风门风阻R_1s(Kg/m⁷)和R_2s(Kg/m⁷)、垂直风门风阻R_1c(Kg/m⁷)和R_2c(Kg/m⁷)、压头H_1d(Pa)和H_2d(Pa)以及地下矿井风阻R₀(Kg/m⁷)，输出变量为井下供给风量。在实际主通风机切换过程中采集1500个数据样本，其中将1400个样本作为模型的训练数据集，剩余的100个样本组成测试数据集，即：X＝{x₁,x₂,...,x₁₄₀₀},

为输入样本，T＝{t₁,t₂,...,t₁₄₀₀},

为输出样本。其中，x_i＝[R_1s,R_2s,R_1c,R_2c,H_1d,H_2d,R₀]。然后，对上述的输入和输出样本进行归一化处理。

第二步：设置学习模型的初始化参数，设置最大隐含层节点数L_max＝50、正则化系数C＝2⁴，隐性参数配置次数T_max＝200、可容忍误差ε＝0.02、学习参数r＝0.9、调节因子γ＝3、隐性参数选取范围Υ：＝{1:0.1:5}、模型的初始隐含层节点数Θ₁＝1、残差为e₀＝T，选取Sigmoid函数为激活函数。

第三步：在添加第k个隐含层节点时，根据给定的隐性参数配置次数，在可变的隐性参数选取区间内，随机生成200组隐性参数(输入权值w和偏置b),并求出相对应的隐层输出矩阵h_k。然后，通过不等式约束

筛选出满足此约束的隐层节点作为候选隐含层节点。

第四步：将候选节点中使得ξ_k最大的隐性参数作为最佳隐性参数，并形成新增节点添加到网络中；同时得到新增节点的输出矩阵

当找不到满足约束的候选隐含层节点时，则改变r的值来松弛不等式的约束，即r＝r+τ，其中，τ∈(0,1-r)，接着重复第三和第四步。

第五步：根据计算得到的候选隐含层节点的输出矩阵

组成当前网络的隐含层输出矩阵

并通过全局正则化最小二乘法计算网络的输出权值

进而得到当前网络的残差e_k＝T-H_kβ^*。

当隐含层节点数大于50或者当前网络残差落在[0,0.02]区间内，则停止网络的构建，建模结束。最后将余下的100个样本用于测试。图3为正则化增量式随机权网络模型的井下供给风量估计效果图。从图3可以看出，模型的估计值与真实值基本吻合，这说明了本发明提供的模型建模精度高。

Claims (6)

1.一种基于正则化增量式随机权网络的井下供给风量估计方法，其特征在于，包括以下步骤：

S1，通过对矿井主通风机切换过程的分析，得到影响井下供给风量变化的一组变量，并将其作为数据驱动的井下供给风量模型的输入；

S2，设置模型的初始化参数；

S3，根据迭代学习中网络残差的特性，建立一个新的约束条件来产生一组候选隐含层节点；

S4，从候选隐含层节点中选择一个质量最好的作为新增隐含层节点；

S5，将2范数正则项引入到二次损失函数中，采用全局正则化最小二乘法来更新整个网络的输出权值，直至达到所设定的最大隐含层节点数或者满足可接受的容忍度时建模结束，得到基于正则化增量式随机权网络的井下供给风量估计模型。

2.根据权利要求1所述的基于正则化增量式随机权网络的井下供给风量估计方法，其特征在于，所述步骤S1包括：

将与井下供给风量关联性最强的一组变量作为模型的输入变量，包括：两台主通风机水平风门风阻R_1s和R_2s、垂直风门风阻R_1c和R_2c、压头H_1d和H_2d以及地下矿井风阻R₀，输出变量为井下供给风量。

3.根据权利要求1所述的基于正则化增量式随机权网络的井下供给风量估计方法，其特征在于，所述步骤S2包括：

给定模型训练所需要的参数，包括：最大隐含层节点数L_max，正则化系数C，隐性参数配置次数T_max，可容忍误差ε，学习参数r，调节因子γ，隐性参数选取范围Υ：＝{λ_min:Δλ:λ_max}，记模型的初始隐含层节点数为Θ₁、残差为e₀，并令e₀为样本的输出T，模型的训练从Θ₁开始，一个一个地添加隐含层节点。

4.根据权利要求1所述的基于正则化增量式随机权网络的井下供给风量估计方法，其特征在于，所述步骤S3包括：

当添加第k个隐含层节点时，分别从可变对称区间[-λ λ]^d和[-λ λ]中随机产生隐性参数

和

将生成的隐性参数代入激活函数，建立第k个隐含层节点的输出矩阵：

将满足如下不等式约束的新增隐含层节点作为候选隐含层节点：

ξ_k≥0

其中，

5.根据权利要求1所述的基于正则化增量式随机权网络的井下供给风量估计方法，其特征在于，所述步骤S4包括：

计算候选隐含层节点所对应的ξ_k，得到一组变量，即

从所述一组变量中找到最大ξ_k所对应的隐性参数，并将其作为满足不等式约束的最佳隐性参数

和

若生成的隐性参数不满足约束条件，则需要对学习参数r进行调节：增加r的值，来放宽约束条件并重复S3和S4步骤，即r＝r+τ，其中，τ为区间(0,1-r)内的随机数；

此时，增量式随机权网络的隐含层输出矩阵H_k为：

其中，

6.根据权利要求1所述的基于正则化增量式随机权网络的井下供给风量估计方法，其特征在于，所述步骤S5包括：

通过岭回归方法更新整个网络的输出权值：

计算得到当前网络的残差为：e_k＝T-H_kβ^*；

若当前网络残差e_k在可容忍误差ε范围内或k大于事先给定的最大隐含层节点数L_max，则不再添加新的隐含层节点，建模完成。

Images