CN101894214A - 基于遗传神经网络的矿山通风系统故障判断方法 - Google Patents
基于遗传神经网络的矿山通风系统故障判断方法 Download PDFInfo
- Publication number
- CN101894214A CN101894214A CN2010102216498A CN201010221649A CN101894214A CN 101894214 A CN101894214 A CN 101894214A CN 2010102216498 A CN2010102216498 A CN 2010102216498A CN 201010221649 A CN201010221649 A CN 201010221649A CN 101894214 A CN101894214 A CN 101894214A
- Authority
- CN
- China
- Prior art keywords
- output
- layer
- error
- neural network
- ventilation system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Ventilation (AREA)
Abstract
本发明涉及矿山通风系统故障判断技术领域,特别是一种基于遗传神经网络的矿山通风系统故障判断方法,根据对矿山通风系统原始数据分析和整理并结合矿山通风系统的指标体系建立由输入层、隐含层和输出层所组成的三层反传神经网络故障判断模型(BP),神经网络初始化,实例样本对神经网络进行训练,样本作用于输入层、输入到隐含层、输出层,检查输出层各单元的输出的各单元的误差,按此误差进行权值修正,判断误差是否小于规定值,误差小于规定值,则输出结果,误差不小于规定值,则进入下一循环。校验样本的安全级别与实际相符,说明网络训练成功。本发明的络的权值由误差反馈进行调节,通过权值的不断修正使网络的实际输出更接近期望输出。
Description
技术领域
本发明涉及矿山通风系统故障判断技术领域,特别是一种基于遗传神经网络的矿山通风系统故障判断方法。
背景技术
矿山通风系统的安全状态与矿山其它系统的运行状态及变化密切相关,是整个矿山中决定矿山生产安全的一个重要生产辅助系统。矿山通风系统的运行特性和状态直接关系到整个矿山的运行和安全状态。虽然可以通过各种手段获取矿山通风系统的各种信息,但这些有限的时时监测数据所能提供的信息是不完全的,且受多方面因素的影响。因此,矿山通风系统是个复杂的非给够性的问题,对其进行故障判断是一个涉及面广、综合性强的工作,需选取一种非常理想的评价模型和评价方法,才能提高评价精度。人工神经网络,是指利用工程技术手段模拟人脑神经网络的结构与功能的一种技术系统,是一种大规模并行的非线性动力学系统。它并不是人脑神经系统的真实写照,而只是对其结构进行了大量简化后保留其主要特性的某种抽象和模拟。目前,在人工神经网络的实际应用中,使用最广泛的网络是反传神经网络模型(BP),它是多层映射网络,采用最小均方差的学习方式。
由于人工神经网络试图以模仿人脑神经系统的组织方式来构成新型的信息处理系统,因此具有自适应性、自学习性、并行性、非线性、容错性和知识处理集约性的特点,为解决非结构性问题提供了一条潜力无限的新途径。我国矿山目前的安全局势,需要对矿山的通风系统进行故障判断,按照科学的程序和方法,对矿山通风系统中的危险因素、发生事故的可能性及损失与伤害程度进行调查与分析论证,从而来评估系统总体的安全性以及针对存在的问题,提出有效的安全措施。
发明内容
本发明的目的是提供一种基于遗传神经网络的矿山通风系统故障判断方法,对矿山通风系统中的危险因素、发生事故的可能性及损失与伤害程度进行调查与分析论证,从而来评估系统总体的安全性以及针对存在的问题,提出有效的安全措施。
本发明的目的是通过下述技术方案实现的。
本发明的基于遗传神经网络的矿山通风系统故障判断方法,其特征在于:
1)根据对矿山通风系统原始数据分析和整理并结合矿山通风系统的指标体系建立由输入层、隐含层和输出层所组成的三层反传神经网络故障判断模型(BP),
2)将神经网络初始化,
3)用100个实例样本对神经网络进行训练,并用另外3个样本进行实例校验,
4)样本作用于输入层并由输入层输入到隐含层,隐含层各单元的输出输入到输出层,
5)检查输出层各单元的输出的各单元的误差,按此误差进行权值修正,
6)判断误差是否小于规定值,
7)误差小于规定值,则输出结果,误差不小于规定值,则进入下一循环。校验样本的安全级别与实际相符,说明网络训练成功。
所述的输入层的每一个输入节点对应样本的一个特征,输入层的19个特征分别是:X1矿山通风系统合理性,X2局部通风系统合理性,X3矿山通风等积空大小,X4密闭墙合格率,X5风门合格率,X6风桥合格率,X7测风站合格率,X8防暴门合格率,X9巷道合格率,X10巷道风速合格率,X11巷道风质合格率,X12主要通风机管理,X13局部通风机管理,X14矿山有效风量率,X15)通风系统图绘制,X16反风演习管理,X17通风阻力测定,X18矿山巷道失修率,X19巷道侧风管理。
所述的隐含层的隐含层节点数目为2*19+1=39个。
所述的输出层的输出节点数等于评价数,一个输出节点对应一个安全级别,输出层的5个节点为:Y1(10000)、Y2(01000)、Y3(00100)、Y4(00010)、Y5(00001),分别对应于安全、较安全、一般安全、不安全和很不安全。
所述的对神经网络进行训练的算法采用误差反向传播算法:把学习过程分为两个阶段:第一阶段,正向传播过程,输入信号从输入层经隐层,传向输出层,在输出端产生输出信号,这是信号的正向传播,在信号的向前传递过程中,网络的权值是固定不变的,每一层神经元的状态只影响下一层神经元的状态,如果在输出层不能得到期望的输出,则转入误差反向传播,第二阶段,误差信号反向传播,网络的实际输出与期望输出之间的差值为误差,误差信号由输出端开始逐层向前传播,这是误差信号的反向传播,在误差信号反向传播过程中,网络的权值由误差反馈进行调节,通过权值的不断修正使网络的实际输出更接近期望输出。
由于人工神经网络试图以模仿人脑神经系统的组织方式来构成新型的信息处理系统,因此具有自适应性、自学习性、并行性、非线性、容错性和知识处理集约性的特点,为解决非结构性问题提供了一条潜力无限的新途径。因此,基于BP人工神经网络模型的评价方法可避免常用方法的局限性和主观性,解决了矿山通风系统的不安全可知性之间的矛盾,提高了评价精度,是一种非常理想的评价模型和评价方法。
评价指标的建立是评价研究内容的基础和关键,直接影响到评价结果的正确性。评价指标应能够反映矿山通风系统的主要特征和基本状况,以及系统存在的危险状态为目标。根据矿山通风系统中可能存在的各种危险危害因素,应用层次分析把矿山通风安全系统评价指标标化为1个总体目标(即矿山通风故障判断指标体系),4个一级指标(即通风系统、通风设备、通风质量、通风管理)和19个二级指标。由于在矿山通风故障判断过程中,定性指标不直接参与评价。本发明采用分级标准量化法将定性指标转化为定量指标。即将每个指标分为5级(即Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级,分别表示安全、较安全、一般安全、不安全、很不安全)。每级都规定一个取值标准和数值,在进行评价时,通过评价对象的实际情况得到相应指标的评价值。
神经元模型主要是基于模拟生物神经元信息的传递特性,即输入、输出关系。BP神经网络模型是采用误差反向传播算法的前馈多层神经网络,其结构是多层网络结构,多层BP神经网络不仅有输入节点,输出节点,而且有一层或多层隐节点。各个层次的神经元之间是完全互联的,而同一层次的神经元是没有连接的。
网络的每一个输入节点对应样本的一个特征,而输出节点数等于评价数。一个输出节点对应一个安全级别。基于BP算法的神经网络中各层节点数的选择对网络的性能影响很大,层内节点数需要进行适当的选择。矿山通风故障判断的二级指标就是矿山通风系统故障判断的19个影响因素,基本上可体现矿山通风故障判断的多种控制因素。因此,神经网络的输入节点数定位19个。而矿山通风系统安全等级分为5级,由此确定神经网络有5个输出节点。当各节点均采用S型函数时,一个隐层就是以实现任意判决分类问题。因此采用单隐层的三层神经网络结构。对于隐层节点数,根据HecheNiclscn的研究得出,单隐层神经网络的隐层节点数目为2*19+1,确定本文的隐层节点数为39个。所以,网络结构为19-39-5。
一个神经网络的模型确定之后,为了使它具有某种智能特性,还必须有相应的学习方法与之配合。学习方法归根结底就是网络连接权的调整方法。BP神经网络采用误差反向传播算法,其网络连接权值是通过学习,不断调整得到的。
根据对矿山通风系统原始数据分析和整理并结合一定的指标体系建立基于神经网络的故障判断模型的100个实例样本进行训练,并用另外3个样本进行实例校验。校验样本的安全级别与实际相符,说明网络训练成功。
由于人工神经网络的非线性、容错性、自学习及实时处理等特点,可以用来解决矿山通风系统故障判断问题。建立了基于BP神经网络的矿山通风系统故障判断的数学模型,在输入神经元的数目上体现了矿山通风系统故障判断的多种控制因素,在输出神经元的数目上体现了矿山通风系统故障判断的安全级别,并通过建立的典型的训练样本对该网络进行训练和校正,训练成功。
附图说明
图1为本发明的多层网络结构示意图。
图2为本发明的程序流程图。
具体实施方式
下面结合附图进一步说明本发明的具体实施方式。
如图1、2所示,本发明的基于遗传神经网络的矿山通风系统故障判断方法,其特征在于:
1)根据对矿山通风系统原始数据分析和整理并结合矿山通风系统的指标体系建立由输入层、隐含层和输出层所组成的三层反传神经网络故障判断模型(BP)(见图2),
2)将神经网络初始化,
3)用100个实例样本对神经网络进行训练,并用另外3个样本进行实例校验,
4)样本作用于输入层并由输入层输入到隐含层,隐含层各单元的输出输入到输出层,
5)检查输出层各单元的输出的各单元的误差,按此误差进行权值修正,
6)判断误差是否小于规定值,
7)误差小于规定值,则输出结果,误差不小于规定值,则进入下一循环。校验样本的安全级别与实际相符,说明网络训练成功。
所述的输入层的每一个输入节点对应样本的一个特征,19个特征分别是:X1矿山通风系统合理性,X2局部通风系统合理性,X3矿山通风等积空大小,X4密闭墙合格率,X5风门合格率,X6风桥合格率,X7测风站合格率,X8防暴门合格率,X9巷道合格率,X10巷道风速合格率,X11巷道风质合格率,X12主要通风机管理,X13局部通风机管理,X14矿山有效风量率,X15)通风系统图绘制,X16反风演习管理,X17通风阻力测定,X18矿山巷道失修率,X19巷道侧风管理。
所述的隐含层的隐含层节点数目为2*19+1=39个。
所述的输出层的输出节点数等于评价数,一个输出节点对应一个安全级别,输出层的5个节点为:Y1(10000)、Y2(01000)、Y3(00100)、Y4(00010)、Y5(00001),分别对应于安全、较安全、一般安全、不安全和很不安全。
所述的对神经网络进行训练的算法采用误差反向传播算法:把学习过程分为两个阶段:第一阶段,正向传播过程,输入信号从输入层经隐层,传向输出层,在输出端产生输出信号,这是信号的正向传播,在信号的向前传递过程中,网络的权值是固定不变的,每一层神经元的状态只影响下一层神经元的状态,如果在输出层不能得到期望的输出,则转入误差反向传播,第二阶段,误差信号反向传播,网络的实际输出与期望输出之间的差值为误差,误差信号由输出端开始逐层向前传播,这是误差信号的反向传播,在误差信号反向传播过程中,网络的权值由误差反馈进行调节,通过权值的不断修正使网络的实际输出更接近期望输出。
由于人工神经网络的非线性、容错性、自学习及实时处理等特点,可以用来解决矿山通风系统故障判断问题。建立了基于BP神经网络的矿山通风系统故障判断的数学模型,在输入神经元的数目上体现了矿山通风系统故障判断的多种控制因素,在输出神经元的数目上体现了矿山通风系统故障判断的安全级别,并通过建立的典型的训练样本对该网络进行训练和校正,训练成功。
Claims (3)
1.一种基于遗传神经网络的矿山通风系统故障判断方法,其特征在于:
1)根据对矿山通风系统原始数据分析和整理并结合矿山通风系统的指标体系建立由输入层、隐含层和输出层所组成的三层反传神经网络故障判断模型即BP,
2)将反传神经网络初始化,
3)用100个实例样本对反传神经网络进行训练,并用另外3个样本进行实例校验,
4)样本作用于输入层并由输入层输入到隐含层,隐含层各单元的输出输入到输出层,
5)检查输出层各单元的输出的各单元的误差,按此误差进行权值修正,
6)判断误差是否小于规定值,
7)误差小于规定值,则输出结果,误差不小于规定值,则进入下一循环,校验样本的安全级别与实际相符,说明网络训练成功。
2.根据权利要求1所述的基于遗传神经网络的矿山通风系统故障判断方法,其特征在于:
所述的输入层的每一个输入节点对应样本的一个特征,输入层的19个特征分别是:X1矿山通风系统合理性,X2局部通风系统合理性,X3矿山通风等积空大小,X4密闭墙合格率,X5风门合格率,X6风桥合格率,X7测风站合格率,X8防暴门合格率,X9巷道合格率,X10巷道风速合格率,X11巷道风质合格率,X12主要通风机管理,X13局部通风机管理,X14矿山有效风量率,X15)通风系统图绘制,X16反风演习管理,X17通风阻力测定,X18矿山巷道失修率,X19巷道侧风管理,
所述的隐含层的隐含层节点数目为2*19+1=39个,
所述的输出层的输出节点数等于评价数,一个输出节点对应一个安全级别,输出层的5个节点为:Y1(10000)、Y2(01000)、Y3(00100)、Y4(00010)、Y5(00001),分别对应于安全、较安全、一般安全、不安全和很不安全。
3.根据权利要求1所述的基于遗传神经网络的矿山通风系统故障判断方法,其特征在于:所述的对神经网络进行训练的算法采用误差反向传播算法:把学习过程分为两个阶段:第一阶段,正向传播过程,输入信号从输入层经隐层,传向输出层,在输出端产生输出信号,这是信号的正向传播,在信号的向前传递过程中,网络的权值是固定不变的,每一层神经元的状态只影响下一层神经元的状态,如果在输出层不能得到期望的输出,则转入误差反向传播,第二阶段,误差信号反向传播,网络的实际输出与期望输出之间的差值为误差,误差信号由输出端开始逐层向前传播,这是误差信号的反向传播,在误差信号反向传播过程中,网络的权值由误差反馈进行调节,通过权值的不断修正使网络的实际输出更接近期望输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102216498A CN101894214A (zh) | 2010-07-09 | 2010-07-09 | 基于遗传神经网络的矿山通风系统故障判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102216498A CN101894214A (zh) | 2010-07-09 | 2010-07-09 | 基于遗传神经网络的矿山通风系统故障判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101894214A true CN101894214A (zh) | 2010-11-24 |
Family
ID=43103404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102216498A Pending CN101894214A (zh) | 2010-07-09 | 2010-07-09 | 基于遗传神经网络的矿山通风系统故障判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101894214A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103915031A (zh) * | 2014-01-02 | 2014-07-09 | 河南理工大学 | 基于虚拟现实技术的煤矿通风机实训装置 |
CN106897792A (zh) * | 2017-01-10 | 2017-06-27 | 广东广业开元科技有限公司 | 一种建筑消防风险等级预测方法及系统 |
CN108881283A (zh) * | 2018-07-13 | 2018-11-23 | 杭州安恒信息技术股份有限公司 | 评估网络攻击的模型训练方法、装置及储存介质 |
CN113483473A (zh) * | 2021-03-29 | 2021-10-08 | 南方环境有限公司 | 一种基于遗传-神经网络(ga-bp)模型的焊接车间环境控制方法 |
CN113705781A (zh) * | 2021-08-16 | 2021-11-26 | 亚太卫星宽带通信(深圳)有限公司 | 一种基于神经网络的卫星小站故障判断方法 |
-
2010
- 2010-07-09 CN CN2010102216498A patent/CN101894214A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103915031A (zh) * | 2014-01-02 | 2014-07-09 | 河南理工大学 | 基于虚拟现实技术的煤矿通风机实训装置 |
CN106897792A (zh) * | 2017-01-10 | 2017-06-27 | 广东广业开元科技有限公司 | 一种建筑消防风险等级预测方法及系统 |
CN108881283A (zh) * | 2018-07-13 | 2018-11-23 | 杭州安恒信息技术股份有限公司 | 评估网络攻击的模型训练方法、装置及储存介质 |
CN108881283B (zh) * | 2018-07-13 | 2021-08-20 | 杭州安恒信息技术股份有限公司 | 评估网络攻击的模型训练方法、装置及储存介质 |
CN113483473A (zh) * | 2021-03-29 | 2021-10-08 | 南方环境有限公司 | 一种基于遗传-神经网络(ga-bp)模型的焊接车间环境控制方法 |
CN113705781A (zh) * | 2021-08-16 | 2021-11-26 | 亚太卫星宽带通信(深圳)有限公司 | 一种基于神经网络的卫星小站故障判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139585B (zh) | 一种土质边坡险情智能预警预报方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN111582718B (zh) | 基于网络层次分析法的电缆通道火灾风险评估方法及装置 | |
CN105955148B (zh) | 基于ZigBee的光伏组件在线监测与故障诊断方法 | |
CN101894214A (zh) | 基于遗传神经网络的矿山通风系统故障判断方法 | |
CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN103914735A (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN108764601A (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
CN107862763B (zh) | 列车安全预警评估模型训练方法、模块及监测评估系统 | |
CN106600153A (zh) | 一种尾矿库溃坝风险评价的方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN104933841A (zh) | 一种基于自组织神经网络的火灾预测方法 | |
CN105095963A (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
Yang et al. | An optimized BP neural network model for teaching management evaluation | |
CN111439681B (zh) | 一种基于塔式起重机的不安全作业智能辨识方法及系统 | |
CN104536970B (zh) | 遥信数据设备故障判断与分类系统及方法 | |
CN110703712B (zh) | 一种工业控制系统信息安全攻击风险评估方法及系统 | |
CN107480787A (zh) | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 | |
CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
CN107703752A (zh) | 一种基于模糊神经网络的数控机床检测方法 | |
CN110490244A (zh) | 一种数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20101124 |