粒子群优化BP网络在本安参数评定中的应用

（中国煤炭科工集团西安研究院有限公司，西安 710077）

防爆电气安全产品中，本质安全产品占有很大比例，尤其在煤矿井下，本质安全矿井、数字化矿山、监测监控系统等已经成为煤矿考核标准和发展水平的象征[1]。防爆电气产品检验是一个国际化的专业，电气产品的检测技术和检测手段是鉴定产品安全性能的重要关口，是煤矿安全生产的有力保障[2]。由于本质安全电路的影响因素的不确定性，元器件性能的干扰等诸多因素交互作用，使本质安全电路安全评价实现量化和程序化十分困难[3]。目前，本质安全型电路主要通过在指定实验条件下，利用规定的火花实验装置，进行爆炸实验来判定[4-5]。进行爆炸实验，不仅周期长、花费大，而且实验通过率与试验装置、试验人员的经验水平、试验环境等因素有关，增加了本安电路设计和检验的难度[6-7]。

鉴于此，本文提出了一种基于粒子群（PSO）优化的BP人工神经网络的本质安全电气参数评定的模型，通过训练火花点燃试验得到的数据样本，对本质安全电气参数的评定进行预测。仿真实验验证了该方法的有效性，为本安防爆理论研究和开展本安电路设计、检验提供依据。

1 影响本质安全电路火花引燃因素分析

电流所产生的热、火花和电弧是导致爆炸性气体混合物爆炸的主要点火源。本质安全电路的防爆原理，就是通过限制电路的电气参数或采取保护措施，以达到削弱电流所产生的热效应及火花、电弧的放电能量的目的，使电路系统无论在正常操作或故障状态下，产生的火花和热效应都不能点燃爆炸性气体混合物。

电路放电的基本方式有3种：火花放电、弧光放电和辉光放电。火花放电一般是低电压大电流放电，本安电路中的电容放电，化学电源放电属于火花放电；电弧放电为高压击穿产生的放电，弧光放电可产生持续电弧，电流密度大，能量集中，有很强的点燃能力。电感电路都会产生弧光放电。辉光放电发生在高电压小电流的条件下，断开电感电路放电末期会产生辉光放电。辉光放电能量不集中，散失大，不易造成点燃。电火花的形成过程和特征与电路的性质（电阻性、电感性、电容性）、开关特性（接通、断开、通断速度）有着密切的关系。

因此，通过大量的试验及电路分析，影响火花点燃能力的主要因素涉及气体种类、电源性质和电气参数这3个方面，其中电气参数起关键作用的主要是电路电压U、电流I、电容C、电感L以及电阻R。由于各主要因素之间存在交互式的非线性影响关系，如线性电路和非线性电路得出的结果完全不同，以及 U、I、C、L、R 之间存在交叉影响，因此采用传统的方法难以实现对本质安全参数的评定。

2 基于粒子群优化的BP神经网络

2.1 粒子群算法

通过2台泵组合运用，能够覆盖装置的流量范围，并在满足流量调节的前提下充分体现节能与经济性最优的原则。粒子群算法是从生物种群行为特征中得到启发并用于求解优化问题的，算法中每个粒子都代表问题的一个潜在解，每个粒子对应一个由适应度函数决定的适应度值。粒子的速度决定了粒子移动的方向和距离，速度随自身及其他粒子的移动经验进行动态调整，从而实现个体在可解空间中的寻优。

假设在一个D维的搜索空间中，由n个粒子组成的种群 X=（X1，X2，…，Xn），其中第 i个粒子表示为一个 D 维的向量 Xi=（xi1，xi2，…，xi3）T，代表第 i个粒子在D维搜索空间中的位置，以代表问题的一个潜在解。根据目标函数即可计算出每个粒子位置Xi对应的适应度值。第i个粒子的速度为Vi=（Vi1，Vi2，…，Vid）T，其个体极值为 Pi=（Pi1，Pi2，…，Pid）T，种群的全局极值为 Pk=（Pg1，Pg2，…，Pgd）T。

在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新公式为

式中：K为迭代次数；c1、c2为加速系数。

2.2 本安电路判定BP神经网络构建

根据上述对本质安全电路火花引燃因素的分析，建立火花试验是否点燃与影响火花点燃能力的主要因素（电压U、电流I、电容C、电感L和电阻R）的BP神经网络预测模型。建立一个3层BP神经网络模型来描述，所建立的BP神经网络模型如图1所示。

图1 本安电路判定BP神经网络预测模型Fig.1 Determine the BP neural network prediction model is intrinsically safe circuit

建立的本安电路判定BP神经网络模型，输入层共有5个输入神经元，分别为电压（U）、电流（I）、电感（L）、电容（C）、电阻（R）。 输出层采用一个神经元（K），当输出K=1代表本安电路被引爆，K=0代表本安电路未被引爆。5个输入层关键因素间有影响关系，为了降低误差同时考虑网络尽快收敛，预测模型采用3层神经网络，即输入层、隐含层及输出层。当网络结构确定后，通过网络学习，确定权重和阈值，模型就建立了。

2.3 粒子群优化的本安电路判定BP神经网络构建

由于BP神经网络易出现局部极值的问题，同时对初始的权值和阈值有较大依赖。为了避免BP神经网络陷入局部极小值和增加其泛化性能，提高预测精度，采用粒子群算法优化BP神经网络的权值和阈值。粒子群算法优化的适应度函数f为

粒子群优化BP神经网络的过程如下：

步骤1采用本质安全电路实验测得的数据作为训练样本，并对BP神经网络参数进行初始化；

步骤2由确定好的BP神经网络模型，初始化粒子群算法种群规模、位置速度、惯性因子、加速系数以及迭代次数等参数；

步骤3初始化粒子群种群，运用粒子群优化BP神经网络进行寻优迭代，计算每组粒子的适应度，计算出每个粒子对应的个体极值点的适应度值Phest，并进行判断后，找出种群的最优值ghest；

步骤4根据式（1）和式（2）更新每一个粒子群的速度和位置；

步骤5判断是否符合结束条件，如果适应度值达到设定的精度或迭代次数，达到设定的最大次数或最小误差要求时，则停止迭代。此时粒子所处位置就是优化得到的最优解，并把它作为BP神经网络的权值和阈值。否则，则转到步骤3。

3 粒子群优化的本安电路BP网络的训练、验证

用Matlab编程，应用采集并归一化的数据对设计好的模型进行训练，在训练过程中，逐步调整权值和阈值以便完善网络，使网络达到预期效果。利用采集到的数据进行网络训练后的测试验证，使网络用陌生输入数据预测判定结果，经误差分析，满足网络模型的要求。根据误差变化情况，不断选取隐含层节点数。最终，当隐含层节点数为24时，迭代次数为20次即达到了所设定的误差，既满足了收敛速度，也达到一定的泛化能力。本安电路判定网络定型为5-24-1型，网络训练误差曲线如图2所示。

图2 网络训练误差曲线Fig.2 Network training error curve

4 实际电路的检验

利用火花试验装置对已训练好的网络模型进行测试，确定其解决实际问题的能力，即网络的泛化能力。根据本安电路模型中混合电路结构搭建模拟检验电路。通过大量本安试验得出检验原始数据，通过不同输入变量的独立变化，将各种因素的交互影响考虑在内，在试验电路上将若干非直接影响因素叠加在其中，根据参考曲线计算和检验装置的实测，并将相关电气参数引入检验模型进行比较，其它非电气因素作为常量不在模型中训练，网络预测结果如表1所示。

表1 实际电路参数网络判定输出结果Tab.1 Actual network to determine the output circuit parameters

比较试验结果和网络输出结果可知，对于大部分试验结果，网络输出都能够很好地预测实际情况，说明该网络模型的泛化能力较好，可以用于预测实际的本质安全电路参数。

5 结语

文章对影响本质安全电路火花点燃能力的主要因素进行分析，涉及到气体种类、电源性质和电气参数3个方面，其中电气参数起关键作用的主要是电路电压U、电流I、电容C、电感L以及电阻R。运用粒子群算法具有的全局搜索能力，优化BP神经网络的权值和阈值，构建出了基于粒子群优化的BP神经网络本质安全电路评定的网络预测模型。试验证明，该模型具有较好的预测能力。可以用于本质安全电路的设计和检验中，对提高本质安全电路设计质量和检验效率具有一定的指导和实用价值。

[1]国家质量监督检验检疫总局.GB3836.4-2010爆炸性环境第4部分：由本质安全型“i”保护的设备[S].北京：中国标准出版社出版，2010.

[2]李真西.微机自动控制火花试验装置的研究[D].大连：大连理工大学，2012.

[3]杜亚娟.微机在测试本质安全电路电气参数中的应用[D].西安：西安矿业学院，1996.

[4]李萍，曾令可，税安泽，等.基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件，2008，25（4）：149-152.

[5]郭阳明，冉从宝，姬昕禹，等.基于组合优化BP神经网络的模拟电路故障诊断[J].西北工业大学学报，2013，31（1）：45-48.

[6]杜京义，张明哲.基于粒子群优化RBF神经网络的液压钻机故障诊断[J].煤矿机械，2013，33（5）：251-253.

[7]莫建虎.基于BP神经网络的挤压力与挤压出口温度预测研究[D].长沙：湖南大学，2009.