24基于改进BP网络和模糊综合评判的炸药与岩石匹配优化系统(C).pdf
第56 卷 第 3 期 有 色 金 属 Vol.56,No.3 2004 年 8 月 Nonferrous Metals August 2004 收稿日期：2003-06-11 基金项目：湖北省科技攻关资助项目(2001AA101C23)作者简介：叶海旺(1971-)，男，安徽省望江县人，博士，主要从事爆破、岩土、矿山工程研究。基于改进 BP 网络和模糊综合评判的炸药与岩石匹配优化 叶海旺(武汉理工大学，武汉 430070)摘 要：运用神经网络和模糊数学方法，建立基于模糊和神经网络的炸药与岩石匹配优化系统，并应用于工程实践。系统经过样本自行学习就可根据学习结果进行决策，并输出系统决策的最优结果。优化结果符合实际情况。由于样本直接影响系统的功能，还需不断更新样本，改进和完善系统。关键词：采矿工程；爆破；智能匹配；模糊综合评判；神经网络 中图分类号：TD327;TD76 文献标识码：A 文章编号：1001-0211(2004)03-0000-02 随着社会的发展，市场竞争愈演激烈，生产单位只有尽最大可能地降低生产成本，才能生存和发展，爆破工程也不例外。爆破工程的对象岩石是复杂多变的介质，即使同一地方的岩石，构造和性质都有可能不同，炸药与岩石的相互作用的爆破过程也极其复杂，利用最低成本来获取最佳的爆破效果是爆破工程的目标。充分地利用炸药的爆炸能量来破碎岩石的关键是炸药与岩石的匹配，神经网络和模糊综合评判方法相结合特别适合于解决这方面的问题。炸药与岩石匹配神经网络系统是以岩石与炸药阻抗匹配为基础，将通过钻机钻孔实时获取的岩石性质系数、爆破所需的块度要求、爆堆形状要求、爆破安全要求等作为输入，以爆破所需的炸药名称或型号为输出的一个智能系统。1 炸药与岩石匹配优化系统 匹配优化系统包括两部分。第一部分为改进的 BP 网络系统，功能是将通过钻机钻孔实时获取的岩石性质系数、爆破所需的块度要求(各种块度所占比率)、爆堆形状要求(不同抛掷距离岩石碎块所占比率)、爆破安全要求(不同距离允许的爆破震动速度或/和加速度)、爆破单位体积岩石所需炸药量等作为输入(总计 15 个参数，即 n=15)，将爆破所需的炸药的爆速、做功能力、猛度、爆力、爆压、殉爆距离等 6 个参数作为输出。第二部分为模糊综合评判系统，作用是将改进 BP 网络系统的计算结果作为输入参数，通过模糊综合评判的方法得出爆破所需的炸药的名称和类型。1.1改进 BP 神经网络系统(1)改进的前向网络。改进 BP 网络系统采用三层结构的前向神经网络，即只取一个隐含层，节点作用函数采用双曲正切函数形式，y=f(x)=(1-e-2x)/(1+e-2x)。隐含层各单元的净输入 Ij=Wijxj-j，i=1,2,n，j=1,2,p。式中：Wij-输入层第 i 单元与隐含层第 j 单元之间的连接权重；j-隐含层第 j 单元的阈值；p-隐含层单元总数，此处取 p=2n+1=31。隐含层各单元的输出 yj=f(Ij)=(1-e-2Ij)/(1+e-2Ij)，j=1,2,p。式中 yj是隐含层第 j 单元的输出。输出层各单元的净输入 It=Wjtyj-t，j=1,2,p，t=1,2,q。式中：Wjt-隐含层第 j 单元与输出层第 t 单元之间的连接权重；t-输出层第 t 单元的阈值；q-输出层单元总数，此处 q=6。输出层各单元的实际输出 yt=f(It)=1/(1+e-It)，t=1,2,q。式中 yt是输出层第 t 单元的实际输出。(2)误差反向传播。由于期望输出 dt与实际输出 yt不一致，因而产生误差，通常用方差来表示这一误差，et=(dt-yt)2/2，t=1,2,q。按照误差 et来修改输出层的权重 Wjt和阈值 t。权重 Wjt和阈值 t的修改应使 et最小，因此，权重 Wjt和阈值 t应沿 et的负梯度方向变化。节点函数的导数为 y=f(x)=(1+y)(1-y)。调整误差 t和 j分别为：t=(dt-yt)(1+y)(1-y)；j=(tWjt)(1+y)(1-y)，t=1,2,q。反向调整各层的权重和阈值，在一次学习中，反向调整时按下式修正：Wij(n+1)=Wij(n)+ij(n)jyi；j(n+1)=j(n)+j(n)j。式中 yi为该层单元的输入。当多次模式学习时，则要考虑到各次模式学习的结果加以累加。例如学习到第 K 个模式时，迭代公式为：Wij(n+1)=Wij(n)+ij(n)Kj(n)yKi；j(n+1)=j(n)+j(n)Kj(n)。每次调整时，学习率 ij(n)要根据误差对网络参数的偏导数是否改变符号来决定大小。当符号未改变时，这时的学习率 ij(n)可以加大，以便收敛，而在符号改变时，则 ij(n)应取较小值。偏导数包含在调整误差 j中，检查偏导数符号是否改变，则需按下式检查调整误差的符号是否改变。ij(n+1)=ij(n)，Kj(n)yKi(n)1(n-1)0；ij(n)，Kj(n)yKi(n)1(n-1)0；j(n)，Kj(n)2(n-1)1，01，01 均为选定的常数因子，Wij(0)与 j为初始化的值，在-1，+1内任意选取，ij和 j为预先给定的某个小的正数。网络通过对样本进行学习，不断调整网络的权重和阈值，直到输出值与期望值之间的误差小于给定的某个比较小的正数，学习结束，从而网络获得比较优的权重和阈值。当输入一个新的输入参数时，网络将输出相应炸药的爆速、做功能力、猛度、爆力、爆压、殉爆距离。由于网络计算出的炸药各参数与各炸药性能参数可能有些出入，操作者不能直接从这些参数得出炸药的名称和类型，故系统再采用模糊综合评判的方法，将所得的炸药进行归类，从而最终得出炸药的名称或型号。1.2模糊综合评判系统(1)模糊综合评判模型。模糊综合评判的数学模型由 3 个要素组成：因素集 U=u1,u2,un；评判集 V=v1,v2,vm；单因素评判，即模糊映射 f:UF(V)，ui|f(ui)=(ri1,ri2,rim)F(V)。由 3 个基本要素立即可以得出评判模型，事实上，由 f可诱导出一个模糊关系 RfF(UV)，即Rf(ui,vj)=f(ui)(vj)=rij。由此，Rf可由模糊矩阵 Rnm表示，称 R 为单因素评判矩阵，R=rij，i=1,2,n，j=1,2,m。由 R 再诱导出一个模糊变换：TR:F(U)F(V)，A|TR(A)=AR。这意味着三元体(U，V，R)构成了一个模糊综合评判集。三元体(U，V，R)模糊评判模型像图 1 所示的“转换器”，若输入一个权重分配 A=(a1,a2,an)F(U)，则输出一个评判 B=AR=(b1,b2,bm)F(V)，于是(b1,b2,bm)=(a1,a2,an)rijnm，其中bi=(aibi)，i=1,2,n，j=1,2,m。如得出 bj0=maxb1,b2,bm，则决断为 vj0。图 1 转换器示意 Fig.1 Structure of switch(2)模糊综合评判系统。模糊综合评判系统将炸药的爆速、做功能力、猛度、爆力、爆压、殉爆距离作为因素集，各种炸药的名称和类型作为评判集，根据因素集和评判集诱导出模糊关系矩阵 R，由行业专家通过打分的方法给出各因素对于各种炸药的权重。于是就可进行综合评判，计算 B=AR，得出评判结论。2 应用实例 首先给出 30 个实例样本让网络进行学习训练，学习完毕，得到一组较优的网络参数。其次，输入一组新的输入参数：(1)岩石性质普氏系数，f=16.0；(2)爆破块度要求，直径大于 600mm 占 2%，大于 200mm 占 32.3%，大于 100mm 占 57.6%，大于 50mm 占 78.9%，直径大于 10mm 占 90.1%，小于 10mm 占 4.4%；(3)爆堆形状要求，抛掷距离小于 40.0m 占 85%，大于 40.0m 占 15%；(4)允许爆破震动速度，距离爆源 10，20，30，50 和 100m 处的允许震速分别为 15，4.2，2.0，0.8 和 0.1cm/s；(5)爆破单位体积岩石所需炸药量，0.42kg/m3。通过网络推理计算，得出一组输出参数：爆速 4487.9m/s，做功能力 3107.2kJ/kg，爆压 4128.5MPa，猛度 16.0mm，爆力 326.1mL，殉爆距离 18.5cm。最后，对网络计算所得的结果进行综合评判。因素集为炸药的主要性能参数，因素集爆速，做功能力，爆压，猛度，爆力，殉爆距离U1，U2，U3，U4，U5，U6。评判集为常用的几种炸药，评判集1#岩石，2#岩石，2#抗水岩石，3#抗水岩石，4#抗水岩石，梯恩梯，100 型水胶，安全型水胶，乳化岩石，乳化煤矿V1，V2，V3，V4，V5，V6，V7，V8，V9，V10。据此，对各因素进行单因素评判。得模糊关系矩阵 R。若各因素权重为)10.0,15.0,10.0,25.0,25.0,15.0(A，可由模糊变换的运算得综合评判向量 B。u1|f(u1)=(0.08,0.08,0.08,0.07,0.15,0.04,0.17,0.11,0.17,0.10)u2|f(u2)=(0.11,0.14,0.11,0.10,0.13,0.07,0.18,0.07,0.06,0.03)u3|f(u3)=(0.09,0.08,0.10,0.07,0.06,0.04,0.15,0.11,0.17,0.13)u4|f(u4)=(0.09,0.08,0.08,0.04,0.11,0.09,0.16,015,0.16,0.04)u5|f(u5)=(0.06,0.14,0.14,0.07,0.08,0.10,0.13,0.09,0.10,0.09)u6|f(u6)=(0.08,0.07,0.07,0.06,0.10,0.15,0.17,0.10,0.12,0.08)(VUFRf)(UFa)(VFRAB 3 可见，0.18 在 B 中最大，故系统选定的炸药为 100 型水胶炸药。100 型水胶炸药的性能参数为：爆速 4750m/s，做功能力 3008kJ/kg，爆压 4305MPa，猛度 16.9mm，爆力 335mL，殉爆距离 20cm。相应的误差值如表 1 所示：-5.52，3.30，-4.10，-5.33，-2.66，-7.50。表 1 炸药性能参数对比表 Table 1 Comparison of explosive performance parameters 性能参数 爆速/(ms-1)做功能力/(kJkg-1)爆压/MPa 猛度/mm 爆力/mL 殉爆距离/cm 系统选定炸药 4487.9 3107.2 4128.5 16.0 326.1 18.5 100 型水胶炸药 4750 3008 4305 16.9 335 20 误差/%-5.52 3.30-4.10-5.33-2.66-7.50 3 结语 由于岩石性质的多变性、不确定性和爆炸过程的复杂性，很难用确定性的方法来研究炸药与岩石的匹配。将神经网络和模糊数学应用于炸药与岩石的匹配，充分发挥模糊数学研究不确定对象的特长和神经网络的黑箱功能，建立基于模糊综合评判和改进 BP 神经网络的炸药与岩石匹配系统，只需给定一定有代表性的、成功的例子，系统经过自行学习就可根据学习结果进行决策，并输出系统决策的最优结果。当然，由于样本直接影响系统的功能，今后还需通过一些更优的样本不断的改进和完善系统。参考文献：1 刘曙光,魏俊民,竺志超.模糊控制技术M.北京:中国纺织出版社,2001.2 王长琼,孙国正.一种基于人工神经网络的模糊推理模型研究J.计算机辅助工程,1998,(3):6-10.3 李 群,汪希时.利用动态模糊推理神经网络实现列车速度自动控制J.铁道学报,1995,(17):74-78.4 许 锋,鲍 明,苏向辉,等.P-范数模糊推理神经网络及其在滚动轴承诊断中的应用J.振动工程学报,2001,14(1):19-22.5 陈善本,吴 林,王其隆,等.脉冲 TIG 焊熔宽动态过程模糊推理神经网络控制方法J.焊接学报，1997，18(3):159-165.Optimization of Intelligent Matching System for Explosive and Rock Based on Fuzzy Integration Judge and Neural Network YE Hai-wang(Wuhan University of Technology,Wuhan 430070,China)Abstract The matching and optimizing system of rock and explosive based on fuzzy integration judge and neural network is established by use of neural network and fuzzy mathematical method.The decision is made and the optimal results are produced by the system based on the learning experience after learning from the specimen.The optimizing result is consonant with the practice.The specimen should be refreshed continuously so that the system is updated,since the function of the system is directly impacted by the quality of the specimen.Keywords:mining engineering;blasting;intelligent matching;fuzzy integration judge;neural network。)13.0,17.0,11.0,18.0,10.0,15.0,10.0,14.0,14.0,11.0(0.08 0.12,0.10,0.17,0.15,0.10,0.06,0.07,0.07,0.08,0.09 0.10,0.09,0.13,0.10,0.08,0.07,0.14,0.14,0.06,0.04 0.16,015,0.16,0.09,0.11,0.04,0.08,0.08,0.09,0.13 0.17,0.11,0.15,0.04,0.06,0.07,0.10,0.08,0.09,0.03 0.06,0.07,0.18,0.07,0.13,0.10,0.11,0.14,0.11,0.10 0.17,0.11,0.17,0.04,0.15,0.07,0.08,0.08,0.08,)10.0,15.0,10.0,25.0,25.0,15.0(RAB0.08 0.12,0.10,0.17,0.15,0.10,0.06,0.07,0.07,0.08,0.09 0.10,0.09,0.13,0.10,0.08,0.07,0.14,0.14,0.06,0.04 0.16,015,0.16,0.09,0.11,0.04,0.08,0.08,0.09,0.13 0.17,0.11,0.15,0.04,0.06,0.07,0.10,0.08,0.09,0.03 0.06,0.07,0.18,0.07,0.13,0.10,0.11,0.14,0.11,0.10 0.17,0.11,0.17,0.04,0.15,0.07,0.08,0.08,0.08,R
