神经网络在采掘接替专家系统中的应用研究

李思骞 田志民 王社国

(河北工程大学信息与电气工程学院,河北 邯郸 056038)

神经网络在采掘接替专家系统中的应用研究

李思骞 田志民 王社国

(河北工程大学信息与电气工程学院,河北 邯郸 056038)

为了实现采掘接替计划的自动生成与动态调整,构造了一种基于神经网络的采掘接替专家系统的结构模型。以矿井生产过程中存在的采掘失衡问题作为研究对象,提出了基于神经网络的知识获取方法,并对专家系统进行优化。该系统不但解决了专家系统获取知识的瓶颈问题,而且提高了整个系统的响应速度和准确性。采用ASP.NET和SQL Server等技术实现了专家系统的开发,并与人工编制的采掘计划进行比较。结果表明,基于神经网络的采掘接替专家系统能够更合理地生成采掘接替计划。

神经网络 采掘接替 专家系统 SQL 精度

0 引言

煤炭是我国的重要基础能源,占我国一次性能源的70%。我国煤炭资源蕴藏丰富。随着近几年来我国工业的发展与进步,对能源的需求也越来越大,我国已成为煤炭消费第一大国。煤炭的开采包含着多个子系统,主要包括矿井巷道布置子系统、矿井运输子系统、矿井通风子系统、瓦斯抽排子系统、矿井排水子系统、矿井采掘生产子系统等。其中,矿井采掘生产子系统是煤炭开采工作中最重要的部分,其他子系统都是以保证矿井采掘生产为前提。煤矿采掘接替计划是煤矿生产管理的中心环节,对煤矿生产起非常重要的指导性作用[1-2]。采掘计划的编制是矿井生产管理中不可或缺的一部分,采掘计划不仅关系到矿山企业的经济效益,同时也影响到矿井的安全生产及其长远利益[3-4]。因此,提高采掘计划编制的优化程度成为煤矿生产管理的当务之急。

针对采掘计划编制的问题,国内外煤矿企业通常采用线性规划、非线性规划、目标规划和动态规划等各种定量的管理技术编制和评估煤矿生产中的采掘计划,以此来平衡煤矿生产中的各项工作;也有部分学者和专家引入人工智能技术,试图综合应用人工智能、专家系统来有效地解决煤矿生产计划的优化编制问题。然而,传统专家系统存在获取知识的瓶颈问题[5-6],神经网络的知识获取方法充分利用神经网络的自学习功能,所获取的知识具有最简化、易理解等优点,能够有效地克服专家系统在知识获取方面的不足。

1 系统的总体设计

基于神经网络的采掘接替专家系统共由4个子系统组成,即数据库与知识库的管理系统、优化模型系统、神经网络子系统和专家咨询子系统。系统结构图如图1所示。

在采掘接替系统中,专家查询子系统主要实现了对采掘接替问题的推理及求解,并对问题及推理结果进行解释。数据库与知识库的管理系统主要是对知识库、规则库以及传统数据库(用户信息、计划信息以及资源信息)的管理。模型子系统可提供给用户对采掘接替模型进行修改、设计等功能。神经网络模块则是专家系统知识获取模块,通过神经网络的自学习能力,有效地获取知识提供给系统。

图1 系统结构图Fig.1 Structure of the system

2 系统的功能需求与模块划分

采掘平衡是采掘接替模型的核心。回采队在本回采工作面可采储量全部采完之后才能转移到另一个回采工作面,而回采工作面也只有在把有关巷道掘进结束后才能成为待采工作面。这些直接反映在回采进度和掘进进度的匹配上。在进行采掘接替计划编制的过程中,需要综合考虑各方面的因素尤其是回采速度和掘进速度。

根据人工编制计划的过程及煤矿制定生产计划的实际需求,将系统分为以下6部分。

①基础信息管理系统:该子系统主要对采掘计划中的信息进行管理,具体是对回采工作面、掘进工作面、矿井巷道、掘进队及生产设备等信息进行管理;

②知识管理系统:该子系统主要对矿井采掘计划编制过程中的各项规则进行管理,通过该子系统可对这些规则进行增、删、改、查;

③用户组管理系统:该子系统实现对用户的管理,包括对用户的添加、删除,以及用户级别、权限的管理设置;

④统计分析子系统:该子系统实现对采掘计划数据和生产数据的统计分析,主要针对的数据分析是计划内总储量与计划外总储量之间的比例、计划期内各年的掘进进尺以及计划期内各年产量等;

⑤采掘计划管理系统:该子系统的功能主要是根据决策规则自动生成回采接替和掘进接替计划,同时具有计划检测功能,并可根据实际需求对采掘计划进行修改和调整;

⑥报表打印子系统:该子系统主要功能是自动生成矿井生产计划所需的各类报表,并实现显示和打印功能。

系统的功能模块如图2所示。

图2 系统功能模块图Fig.2 System function modules

3 知识的表示与获取

与传统的专家系统不同,在本系统中,知识的表示不是显式的,而是一种隐式的表示形式。在训练结束之后,即获取知识之后,知识的表现形式为在整个网络中分布的权系数矩阵以及阈值向量;然后通过规则提取将规则存入数据库中。

神经网络具有良好的学习能力以及联想记忆功能[5-8],通过对大量的工程实例进行学习和训练,为系统提供大量的知识,本系统采用BP算法来实现学习算法。

BP神经网络是一种基于梯度下降算法的前馈式多层神经网络,在实际应用中一般采用3层网络,即输入层、隐含层和输出层。网络中的同层神经元节点之间没有连接,各层神经元节点之间则相互连接[6]。

3层单输出神经网络如图3所示。

图3 3层单输出神经网络Fig.3 Three-layer single output neural network

在BP神经网络中,首先定义输入、输出的变量(参数)的特性,并测试学习样本的匹配性,然后在设置的误差区间内,对样本进行学习并逐渐收敛,具有网络权重的神经网络收敛后便有了预测能力[8]。本系统采用3层神经网络,其中包含5个输入节点、4个隐节点以及1个输出节点。

BP算法是一种简单的梯度最速下降法,即:

式中:Wij为神经元节点i与j之间的连接权重;η为学习步长,取值范围为0.01～0.1;α为冲量系数,取值为0.9左右;t为网络迭代步数;E为权重空间{W(t)}的误差超平面。

4 系统的推理

专家系统一般存在3种推理机制,即正向推理、反向推理以及混合双向推理[9]。由于本系统采用神经网络获取知识的方法,采用反向推理以及混合双向推理,导致权值矩阵不能确定,从而使推理过程变得比较复杂,因此本系统采用正向推理。在推理过程中需要创建规则库以及大量的数据,主要包括回采工作面数据、采煤队数据、掘进工作面数据、掘进队数据以及控制参数与规则。本系统中采用SQL Server 2005网络数据库进行存储。

本系统正向推理算法如下。

①系统初始化,将初始事实存入P2,全真事实存入P1,P3清空;

②以P1与P2中的事实为前提,经过神经网络的输入端并计算输出;

③若输出的事实是新事实,则将其存入P3,否则抛弃;

④将P2中的事实经神经网络的输入端并计算输出,转③;若P3为空,转⑦;

⑤将P2中的事实存入P1末端,并清空;

⑥将P3中的事实存入P2,转②;

⑦输出结论,即P2末端的事实。

5 专家系统的实现

本系统的开发平台为ASP.NET,开发语言为C#,采用C/S模式对专家系统的前台和后台进行开发。后台数据库系统采用SQL Server 2005,在采掘计划编制前可以人工输入部分规则和约束条件,使采掘计划更加符合生产需要。通过BP神经网络的训练,并经过逻辑推理可以获得回采工作面接替策略、掘进面接替策略以及采区接替策略。

基于改进神经网络的采掘接替专家系统开发步骤如下。

①矿井采掘接替系统的需求分析和总体设计,以此为基础,完成系统的功能模块设计、知识库以及数据库的设计。

②采掘接替模型的构建。

③基础信息、系统推理的必要规制与知识以及采掘接替实例的导入,这是神经网络自学习的基础。

④在SQL Server 2005数据库的支撑下,实现各类基础数据的导入,建立系统的数据库管理结构。

⑤在Visual Studio 2008开发平台下,应用其相关组件对象和标准控件,完成系统各功能模块的C#代码实现。

经过与该煤矿当年人工编排的生产计划相对比,采用该系统编制的采掘计划的年产量平均增产3%。

两种编制方法的计划年度产量对比如图4所示。

图4 两种编制方法的年度产量对比图Fig.4 Contrast of annual yields by two kinds of compilation methods

6 结束语

本文针对矿井生产过程中存在的采掘失衡问题,设计了基于神经网络的采掘接替专家系统,利用神经网络的学习功能解决了传统专家系统的“瓶颈”问题——获取知识难,使整个系统的推理精度大幅提高,并将生成的采掘接替计划与人工编制的计划进行对比分析。结果表明,本文开发的采掘接替专家系统具有高效性和更高的合理性,能够快速准确地对采掘接替过程进行模拟并自动生成采掘接替计划。

[1] 彭艳.采掘平衡在煤矿生产中的重要意义[J].煤炭技术,2005, 24(9):43-44.

[2] 韩可琦,胡吉锋,蔡恒兵,等.煤矿采掘接替计划计算机仿真系统[J].中国矿业大学学报:自然科学版,2000,29(1):30-33.

[3] 杨本生,邵文通,刘杰,等.矿井采掘接替模型研究[J].煤炭科学技术,2013,41(1):48-51.

[4] Emmanuel K,Chanda S,J Ricciardone J.Long term production scheduling optimisationforasurfaceminingoperation:An application of mineMax scheduling software[J].International Journal of Surface Mining,Reclamation and Environment,2002,16 (2):144-158.

[5] 李烨,屈宝存,冯苹苹.神经网络在锅炉温度控制系统中的应用[J].自动化仪表,2013(10):55-59.

[6] Wang Yingying,Li Qiuju,Chang Ming,et al.Research on fault diagnosis expert system based on the neural network and the fault tree technology[J].Procedia Engineering,2012(31):16.

[7] 孟祥瑞,殷大发,詹林,等.矿井采掘计划辅助编制系统的开发[J].河南理工大学学报:自然科学版,2005,24(1):25-29.

[8] 吕文玉,李维明,李维红.基于人工神经网络薄煤层采煤方法优选专家系统研究[J].中国矿业,2012(4):60-63.

[9] 孙鹤旭,路遥,雷兆明,等.热轧成品质量检测专家系统[J].自动化仪表,2013(8):54-57.

[10] Peng C,Liang G.Development of a decision-making system for coalbed methane development based on GIS[C]//Environmental Science and Information Application Technology(ESIAT),2010 International Conference,IEEE,2010:348-351.

Study on Application of Neural Network in Expert System of Mining Excavation Succession

In order to realize automatic generation and dynamic adjustment for mining excavation succession plan,the structural model of mining succession expert system based on neural network is built.With the imbalances existing in mining production process as the research object,the knowledge acquisition method based on neural network is also proposed to optimize the expert system.The bottleneck of acquiring knowledge in expert system is solved and the response speed and precision of the whole system are improved.The expert system is developed by adopting various technologies,e.g.,ASP,NET and SQL server,etc.,and the comparison with manually compiled excavation plan is conducted.The results show that the proposed mining succession plan expert system based on neural network may more rationally generate excavation succession plan.

Neural network Excavation succession plan Expert system SQL Precision

TP389

A

河北省自然科学基金资助项目(编号:E2011402046)

修改稿收到日期:2014-04-29。

李思骞(1989-),女,现为河北工程大学信息与电气工程学院在读硕士研究生;主要从事矿山软件研究。