[发明专利]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

说明书

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。

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：