基于量子粒子群与深度学习的煤矿瓦斯涌出量软测量

针对现有的绝对瓦斯涌出量软测量方法普遍未考虑瓦斯涌出量自身历史数据的前后影响,提出一种基于深度学习中长短时记忆网络(LSTM)的瓦斯涌出量软测量模型,利用绝对瓦斯涌出量及其相关影响因素历史数据的时间序列进行预测。考虑到LSTM模型需特别注意控制学习率以防止因出现梯度问题从而影响结果,对LSTM单元结构做出调整,引入softsign函数,通过其变化相对缓和的一阶导数以更好的解决梯度问题,使网络更快收敛且更不容易出现饱和。针对LSTM中存在诸多超参数,结合量子粒子群算法(QPSO)对其优化,使绝对瓦斯涌出量软测量结果精度最优,并利用核主成分分析对测量指标降维,加快模型收敛速度。对比改进后的模型与初始模型,得到改进的模型具有更高的精度和效率,均方根误差、平均绝对百分比误差和拟合优度决定系数3种误差评价指标分别为0.080、0.82%和0.988。将提出的模型与ELM、PSO-SVM、PSO-BP以及GRU模型对比,可得到提出的模型误差更小,测量结果优于其他模型。实验结果表明,提出的瓦斯涌出量软测量模型具有更好的表现。