基于双自适应AIS-PSO的瓦斯浓度软测量模型

发布时间：2021-07-19 17:35

　　为解决煤矿单传感器瓦斯浓度预测精度不足的问题,将自适应人工免疫系统（AIS）与自适应粒子群（PSO）相结合,建立多参数并行双自适应AIS-PSO算法的瓦斯浓度软测量模型。通过分析煤矿井下环境参数对瓦斯浓度监测的影响,将矿井下温度及风速等环境参数作为软测量模型输入,上隅角瓦斯浓度作为模型输出。利用并行双自适应AIS-PSO算法对最小二乘支持向量机（LS-SVM）的核参数σ和正则化参数γ进行寻优,并与PSO-LSSVM、LS-SVM结果进行对比。结果表明:PSO-LSSVM平均相对误差为5.5083%,LS-SVM平均相对误差为8.6883%,并行双自适应AIS-PSO软测量模型的平均相对误差为2.0165%,最小相对误差为1.194%,与另两种方法相比具有较高的预测精度和泛化能力。 

【文章来源】：计算机仿真. 2020,37(01)北大核心

【文章页数】：6 页

【部分图文】：

矿井瓦斯传感器布局图

表1 煤矿监控系统各传感器监测数据 序号 T5温度/℃ T7风速/(m/s) T0瓦斯浓度/% T2瓦斯浓度/% T3瓦斯浓度/% T4瓦斯浓度/% T6(CO)浓度/% T1瓦斯浓度/% 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在同样的训练样本及参数设置条件下,结合表1数据,通过MATLAB分别对本文提出的并行双自适应AIS-PSO软测量模型、PSO-LS-SVM及LS-SVM进行仿真对比试验,并采用相对误差作为预测模型的泛化能力和预测精度指标。得到T1瓦斯浓度实际值与预测值对比,如图3所示;

3种预测结果对比

【参考文献】：
期刊论文
[1]基于自适应搜索的免疫粒子群算法[J]. 张超,李擎,王伟乾,陈鹏,冯毅南.  工程科学学报. 2017(01)
[2]基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法[J]. 付华,代巍.  传感技术学报. 2016(06)
[3]基于多元分布滞后模型的瓦斯浓度动态预测[J]. 杨丽,刘晖,毛善君,施超.  中国矿业大学学报. 2016(03)
[4]基于DE-EDA-SVM的瓦斯浓度预测建模仿真研究[J]. 付华,丰盛成,刘晶,唐博.  传感技术学报. 2016(02)
[5]基于CAPSO算法的修正炮弹分数阶控制器设计[J]. 鲍雪,王大志,杨永生.  仪器仪表学报. 2015(11)
[6]多传感器数据融合技术在煤矿井下的应用[J]. 黄健,徐永刚,孙中廷.  煤矿机械. 2015(07)
[7]一种基于SVM分类的雾图自动检测方法[J]. 胡众义,刘清,郭建明,徐华中.  计算机仿真. 2015(02)
[8]IGA-DFNN在瓦斯浓度预测中的应用[J]. 付华,李文娟,孟祥云,王桂花,王灿祥.  传感技术学报. 2014(02)
[9]基于信息融合与GA-SVM的煤矿瓦斯浓度多传感器预测模型研究[J]. 郭瑞,徐广璐.  中国安全科学学报. 2013(09)
[10]矿井瓦斯浓度自适应预测及其预警应用[J]. 董丁稳,刘洁,王红刚.  中国安全科学学报. 2013(05)

博士论文
[1]煤矿安全监测监控系统瓦斯浓度异常信号辨识方法研究[D]. 黄凯峰.安徽理工大学 2016



本文编号：3291127