為解決煤礦單傳感器瓦斯?jié)舛阮A測精度不足的問題,將自適應人工免疫系統(tǒng)（AIS）與自適應粒子群（PSO）相結(jié)合,建立多參數(shù)并行雙自適應AIS-PSO算法的瓦斯?jié)舛溶洔y量模型。通過分析煤礦井下環(huán)境參數(shù)對瓦斯?jié)舛缺O(jiān)測的影響,將礦井下溫度及風速等環(huán)境參數(shù)作為軟測量模型輸入,上隅角瓦斯?jié)舛茸鳛槟Ｐ洼敵觥＠貌⑿须p自適應AIS-PSO算法對最小二乘支持向量機（LS-SVM）的核參數(shù)σ和正則化參數(shù)γ進行尋優(yōu),并與PSO-LSSVM、LS-SVM結(jié)果進行對比。結(jié)果表明:PSO-LSSVM平均相對誤差為5.5083%,LS-SVM平均相對誤差為8.6883%,并行雙自適應AIS-PSO軟測量模型的平均相對誤差為2.0165%,最小相對誤差為1.194%,與另兩種方法相比具有較高的預測精度和泛化能力。 

【文章來源】：計算機仿真. 2020,37(01)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

礦井瓦斯傳感器布局圖

表1 煤礦監(jiān)控系統(tǒng)各傳感器監(jiān)測數(shù)據(jù) 序號 T5溫度/℃ T7風速/(m/s) T0瓦斯?jié)舛?% T2瓦斯?jié)舛?% T3瓦斯?jié)舛?% T4瓦斯?jié)舛?% T6(CO)濃度/% T1瓦斯?jié)舛?% 191 24.7 1.34 0.75 0.46 0.32 0.53 0.45 0.58 192 24.3 1.31 0.71 0.53 0.41 0.53 0.51 0.46 193 25.3 1.32 0.67 0.54 0.35 0.56 0.41 0.54 194 25.4 1.32 0.63 0.35 0.36 0.58 0.42 0.71 195 24.7 1.20 0.58 0.42 0.34 0.56 0.46 0.46 196 25.3 1.12 0.56 0.53 0.31 0.52 0.53 0.54 197 25.6 1.14 0.61 0.54 0.34 0.53 0.43 0.64 198 24.3 1.36 0.63 0.56 0.35 0.58 0.44 0.67 199 24.7 1.10 0.67 0.45 0.32 0.58 0.44 0.45 200 24.6 1.25 0.75 0.58 0.34 0.56 0.47 0.53在同樣的訓練樣本及參數(shù)設置條件下,結(jié)合表1數(shù)據(jù),通過MATLAB分別對本文提出的并行雙自適應AIS-PSO軟測量模型、PSO-LS-SVM及LS-SVM進行仿真對比試驗,并采用相對誤差作為預測模型的泛化能力和預測精度指標。得到T1瓦斯?jié)舛葘嶋H值與預測值對比,如圖3所示;

3種預測結(jié)果對比

【參考文獻】：
期刊論文
[1]基于自適應搜索的免疫粒子群算法[J]. 張超,李擎,王偉乾,陳鵬,馮毅南.  工程科學學報. 2017(01)
[2]基于ACPSO的PSR-MK-LSSVM瓦斯?jié)舛葎討B(tài)預測方法[J]. 付華,代巍.  傳感技術(shù)學報. 2016(06)
[3]基于多元分布滯后模型的瓦斯?jié)舛葎討B(tài)預測[J]. 楊麗,劉暉,毛善君,施超.  中國礦業(yè)大學學報. 2016(03)
[4]基于DE-EDA-SVM的瓦斯?jié)舛阮A測建模仿真研究[J]. 付華,豐盛成,劉晶,唐博.  傳感技術(shù)學報. 2016(02)
[5]基于CAPSO算法的修正炮彈分數(shù)階控制器設計[J]. 鮑雪,王大志,楊永生.  儀器儀表學報. 2015(11)
[6]多傳感器數(shù)據(jù)融合技術(shù)在煤礦井下的應用[J]. 黃健,徐永剛,孫中廷.  煤礦機械. 2015(07)
[7]一種基于SVM分類的霧圖自動檢測方法[J]. 胡眾義,劉清,郭建明,徐華中.  計算機仿真. 2015(02)
[8]IGA-DFNN在瓦斯?jié)舛阮A測中的應用[J]. 付華,李文娟,孟祥云,王桂花,王燦祥.  傳感技術(shù)學報. 2014(02)
[9]基于信息融合與GA-SVM的煤礦瓦斯?jié)舛榷鄠鞲衅黝A測模型研究[J]. 郭瑞,徐廣璐.  中國安全科學學報. 2013(09)
[10]礦井瓦斯?jié)舛茸赃m應預測及其預警應用[J]. 董丁穩(wěn),劉潔,王紅剛.  中國安全科學學報. 2013(05)

博士論文
[1]煤礦安全監(jiān)測監(jiān)控系統(tǒng)瓦斯?jié)舛犬惓Ｐ盘柋孀R方法研究[D]. 黃凱峰.安徽理工大學 2016



本文編號：3291127