CN109033561A - 矿井通风系统抗灾能力评价方法及装置 - Google Patents
矿井通风系统抗灾能力评价方法及装置 Download PDFInfo
- Publication number
- CN109033561A CN109033561A CN201810731200.2A CN201810731200A CN109033561A CN 109033561 A CN109033561 A CN 109033561A CN 201810731200 A CN201810731200 A CN 201810731200A CN 109033561 A CN109033561 A CN 109033561A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- index
- estimate
- evaluation index
- layer
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 333
- 238000009423 ventilation Methods 0.000 title claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 10
- 239000003245 coal Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004335 scaling law Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种矿井通风系统抗灾能力评价方法及装置，通过获取矿井通风系统在各最底层评价指标的评价值，将所述各最底层评价指标的评价值作为BP神经网络的输入，获得BP神经网络输出的矿井通风系统的抗灾能力等级，其中，BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练而构建的。本方案中，通过构建基于BP神经网络的评价模型，对灾变时期矿井通风系统的抗灾能力进行综合评价和预测，该评价方法可操作性更强，为提高灾变时期矿井通风系统的可靠性、稳定性及其应变能力提供了理论依据，可以进一步提高灾变时期矿井通风系统的综合保障能力，从而降低灾变时期人员的伤亡损失。
Description
技术领域
本发明涉及矿井通风系统技术领域，尤其涉及一种矿井通风系统抗灾能力评价方法及装置。
背景技术
通风系统是矿井重要的生产系统，关系井下人员的生命安全，通风系统的好坏与火灾防治、瓦斯事故、粉尘治理、热害治理等都是密切相关的。而矿井火灾事故一旦发生，轻则影响生产，重则不仅会造成人员伤亡、物资器材损失、煤炭资源大量被烧毁或冻结，而且会产生大量的高温烟流和有害气体，危及井下工作人员的生命安全，有时还会诱发瓦斯、煤尘爆炸等恶性事故，特别是在火灾高温烟气的热力作用下，矿井通风系统的大小及方向常会发生改变，以致全系统发生紊乱，事故及其危害进一步扩大，给救灾工作增大难度。
矿井通风系统抗灾能力是一个综合指标，它是指矿井通风系统在排放瓦斯、防灭火、降温和救灾方面所具有的综合能力，以及是否具有可靠的安全出口、避灾路线和其它安全措施等。目前国内外学者针对正常时期矿井通风系统的稳定性或可靠性已进行了多方面的研究，提出了诸多安全评价方法或数学模型，而对灾变时期矿井通风系统抗灾能力的研究较少，所建立的评价指标体系不能全面准确地评价矿井通风系统对突发灾害(如火灾、瓦斯灾害等)的应变能力。
因此，如何能够更加全面准确地评价矿井通风系统对突发灾害的应变能力，是本领域亟需解决的技术问题。
发明内容
有鉴于此，本发明实施例提供了一种矿井通风系统抗灾能力评价方法及装置，用以更加全面准确地评价矿井通风系统对突发灾害的应变能力。
第一方面，本发明实施例提供了一种矿井通风系统抗灾能力评价方法，包括：
获取矿井通风系统在各最底层评价指标的评价值；
将所述各最底层评价指标的评价值作为BP神经网络的输入，获得所述BP神经网络输出的所述矿井通风系统的抗灾能力等级，其中，所述BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练建立的。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，所述方法还包括：
按照预处理公式，对样本集中的各样本进行标准化处理，每个样本包括各最底层评价指标的评价值，其中，所述预处理公式为：
其中，为经过标准化处理后的所述输入参数中第j个样本的第i个最底层评价指标的评价值；xji为标准化处理前所述输入参数中第j个样本的第i个最底层评价指标的评价值；ximin为所述样本集中第i个最底层评价指标的最小评价值；ximax为所述样本集中第i个最底层评价指标的最大评价值；
将所述各样本对应的抗灾能力等级转换为二维布尔代数的数据格式；
采用经过标准化处理的所述各样本及其对应的经过数据格式转换的抗灾能力等级，对BP神经网络进行训练。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，所述方法还包括：
采用层次分析法计算各评价指标的权重，所述各评价指标包括多层级指标，每级上层指标对应多个下层指标；
根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值；
根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，所述采用层次分析法计算各评价指标的权重，包括：
针对每层的评价指标，建立该层的评价指标对应的判断矩阵；
根据每层的评价指标对应的判断矩阵，采用和积法计算出每层的评价指标对应的特征向量；
根据每层的评价指标对应的特征向量，确定每层的评价指标的权重。
结合第一方面的第三种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，所述方法还包括：
根据每层的评价指标对应的判断矩阵，计算出所述判断矩阵的最大特征根；
根据所述判断矩阵的最大特征根，对所述判断矩阵的一致性进行验证。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第五种可能的实施方式，所述根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值，包括：
针对每个样本，将最底层评价指标作为当前的待处理指标；
根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值；
将所述上一层评价指标作为当前的待处理指标，并执行所述根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值，直至当前计算出的评价值为最高层评价指标的评价值；
将所述最高层评价指标的评价值作为所述样本对应的抗灾能力评价值。
第二方面，本申请实施例提供了一种矿井通风系统抗灾能力评价装置，包括：
获取模块，用于获取矿井通风系统在各最底层评价指标的评价值；
输出模块，用于将所述各最底层评价指标的评价值作为BP神经网络的输入，获得所述BP神经网络输出的所述矿井通风系统的抗灾能力等级，其中，所述BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练建立的。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，所述装置还包括：
预处理模块，用于按照预处理公式，对样本集中的各样本进行标准化处理，每个样本包括各最底层评价指标的评价值，其中，所述预处理公式为：
其中，为经过标准化处理后的所述输入参数中第j个样本的第i个最底层评价指标的评价值；xji为标准化处理前所述输入参数中第j个样本的第i个最底层评价指标的评价值；ximin为所述样本集中第i个最底层评价指标的最小评价值；ximax为所述样本集中第i个最底层评价指标的最大评价值；
转换模块，用于将所述各样本对应的抗灾能力等级转换为二维布尔代数的数据格式；
训练模块，用于采用经过标准化处理的所述各样本及其对应的经过数据格式转换的抗灾能力等级，对BP神经网络进行训练。
结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，所述装置还包括：
第一计算模块，用于采用层次分析法计算各评价指标的权重，所述各评价指标包括多层级指标，每级上层指标对应多个下层指标；
第二计算模块，用于根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值；
确定模块，用于根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级。
结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，所述第一计算模块包括：
建立单元，用于针对每层的评价指标，建立该层的评价指标对应的判断矩阵；
计算单元，用于根据每层的评价指标对应的判断矩阵，采用和积法计算出每层的评价指标对应的特征向量；
确定单元，用于根据每层的评价指标对应的特征向量，确定每层的评价指标的权重。
结合第二方面的第三种可能的实施方式，本申请实施例提供了第二方面的第四种可能的实施方式，所述第一计算模块还包括：
验证单元，用于根据每层的评价指标对应的判断矩阵，计算出所述判断矩阵的最大特征根；根据所述判断矩阵的最大特征根，对所述判断矩阵的一致性进行验证。
结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第五种可能的实施方式，所述第二计算模块包括：
第一加权求和单元，用于针对每个样本，将最底层评价指标作为当前的待处理指标；根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值；
第二加权求和单元，用于将所述上一层评价指标作为当前的待处理指标，并执行所述根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值，直至当前计算出的评价值为最高层评价指标的评价值；
评价单元，用于将所述最高层评价指标的评价值作为所述样本对应的抗灾能力评价值。
本申请提供的矿井通风系统抗灾能力评价方法及装置，通过获取矿井通风系统在各最底层评价指标的评价值，将所述各最底层评价指标的评价值作为BP神经网络的输入，可以获得BP神经网络输出的矿井通风系统的抗灾能力等级，其中，BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练而构建的。本申请的方案中，通过构建基于BP神经网络的评价模型，对灾变时期矿井通风系统的抗灾能力进行综合评价和预测，相对于现有的评价方法，该评价方法可操作性更强，不仅为提高灾变时期矿井通风系统的可靠性、稳定性及其应变能力提供了理论依据，而且可以进一步提高灾变时期矿井通风系统的综合保障能力，从而降低灾变时期人员的伤亡损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的矿井通风系统抗灾能力评价方法的流程示意图；
图2为本发明实施例提供的火灾时期矿井通风系统抗灾能力评价指标体系示意图；
图3为本发明实施例提供的BP神经网络训练误差曲线图；
图4为本发明实施例四提供的矿井通风系统抗灾能力评价装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例所获得的所有其他实施例，都属于本发明保护的范围。
反向传播(Back Propagation,BP)神经网络，是由许多神经元相互连接组成的复杂网络，主要用于体现学习和信息处理的一种计算模型。BP神经网络是目前应用最广泛也是发展最成熟的一种神经网络模型。BP神经网络通过学习样本的相互作用等信息，进行网络结构和连接权值的训练修正，从而从大量数据中学习到复杂的非线性关系，以达到预测输出结果的能力。通过调整网络中的连接权值、网络规模，BP神经网络可以实现任意精度逼近任何非线性函数。
为了更加全面准确地评价矿井通风系统对突发灾害的应变能力，结合BP神经网络，本发明实施例提出了如下方法。
图1为本发明实施例一提供的矿井通风系统抗灾能力评价方法的流程示意图，如图1所示，该方法包括：
101、获取矿井通风系统在各最底层评价指标的评价值；
102、将所述各最底层评价指标的评价值作为BP神经网络的输入，获得所述BP神经网络输出的所述矿井通风系统的抗灾能力等级，其中，所述BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练建立的。
实际应用中，该矿井通风系统抗灾能力评价方法的执行主体可以为矿井通风系统抗灾能力评价装置。具体地，BP神经网络是一种单向传播的多层前向网络，它通常由输入层、中间层(隐含层)和输出层组成。BP神经网络上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给BP神经网络后，其神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得该BP神经网络的输入响应。为了减少目标输出与实际输出的误差，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆传播算法”，即BP算法。随着BP算法的不断进行，该BP神经网络对输入响应的正确率也不断上升。
结合实际场景进行示例：以火灾时期矿井通风系统抗灾能力评价指标体系为例，如图2所示，火灾时期影响矿井通风系统抗灾能力的一级指标有5个，二级指标有27个，根据相关现行国家法律法规和行业标准要求制定各指标的评分标准，火灾时期矿井通风系统抗灾能力等级可以分成四类，分别为：“高”，“较高”，“一般”，“低”，划分标准见表1。本实施例以这27个二级指标的初始评分值作为BP神经网络的输入参数进行举例说明，其目标输出参数为该矿井火灾时期通风系统抗灾能力等级。由于BP神经网络有27个输入参数，所以网络输入层的神经元数目等于27，根据Kolmogorov定理，即nk＝2n1+1，可知隐含层神经元个数可初步取55个，然后在[55，60]范围内改变nk的值，依次进行网络训练和测试，最终发现当隐含层神经元个数为60时，网络曲线的收敛速度、拟合程度总体最好，误差较小，因此取nk＝60。优选的，用二维布尔代数的形式表示该矿井火灾时期通风系统抗灾能力的等级，则输出层的神经元个数n2＝2。因此，可以采用输入层-隐含层-输出层神经元个数分别为27-60-2的3层BP神经网络评价模型。输入层与隐含层、隐含层与输出层之间的连接权值和阈值都可以取随机数。BP神经网络评价模型建成之后，以对这27个二级指标的多次评价的不同评价值及每次评价后对应的抗灾能力等级为样本集，进行深度学习训练，以完成对矿井通风系统抗灾能力评价的BP神经网络的建立。
表1：火灾时期矿井矿通风系统抗灾能力等级划分标准
本实施例提供的矿井通风系统抗灾能力评价方法，首先是构建BP神经网络，该BP神经网络是以对各最底层评价指标的多次评价的不同评价值及每次评价后对应的抗灾能力等级为样本集，经过深度学习训练构建的，其次，通过获取矿井通风系统在各最底层评价指标的评价值，再将各最底层评价指标的评价值作为上述BP神经网络的输入，就可以获得BP神经网络输出的对应的矿井通风系统的抗灾能力等级，完成对矿井通风系统抗灾能力的评价。相对于现有的评价方法，本方案的可操作性更强，不仅为提高灾变时期矿井通风系统的可靠性、稳定性及其应变能力提供了理论依据，而且可以进一步提高灾变时期矿井通风系统的综合保障能力，从而降低灾变时期人员的伤亡损失。
实施例二
为了便于进行BP神经网络深度学习训练，将输入参数的初始得分数据标准化，实施例二中，在上述实施例一的基础上，本实施例提供的评价方法还包括以下步骤：
201、按照预处理公式，对样本集中的各样本进行标准化处理，每个样本包括各最底层评价指标的评价值，其中，所述预处理公式为：
其中，为经过标准化处理后的所述输入参数中第j个样本的第i个最底层评价指标的评价值；xji为标准化处理前所述输入参数中第j个样本的第i个最底层评价指标的评价值；ximin为所述样本集中第i个最底层评价指标的最小评价值；ximax为所述样本集中第i个最底层评价指标的最大评价值；
202、将所述各样本对应的抗灾能力等级转换为二维布尔代数的数据格式；
203、采用经过标准化处理的所述各样本及其对应的经过数据格式转换的抗灾能力等级，对BP神经网络进行训练。
实际应用中，还是以火灾时期矿井通风系统为例，在获取到对所述27个二级指标的评价分数后，在将其输入BP神经网络前，对其以步骤201中的预处理公式进行标准化处理，可以得到标准化的输入参数。对于输出的火灾时期矿井通风系统抗灾能力等级，将四种类型分别用二维布尔代数的形式表达为：“高”为[1 1]，“较高”为[1 0]，“一般”为[0 1]，“低”为[0 0]，如表2所示。
优选的，以Matlab7.0软件为平台，利用其内嵌的神经网络工具箱，采用2006-2015这10年间的样本数据对构造好的BP神经网络进行训练。各层神经元的传递函数分别取tansig函数和logsig函数，BP神经网络的训练函数取traingdx，设置最大训练次数为1000，训练误差为0.000001，其余训练参数取默认值。经过286次训练后，网络误差为0.000000959163，已与设定的误差精度0.000001非常接近，可以认为网络训练已达到要求。具体的BP神经网络训练误差曲线如图3所示。
实际应用中，还以某煤矿2016-2017两年的数据作为校验样本，在训练好的BP神经网络评价模型中，输入由这两年的数据组成的测试向量，就可得出该矿2016年2017年的矿井通风系统抗灾能力等级。校验样本的实际输出值及误差如表3所示。
由表3可以看出，两组校验样本的实际输出与目标值是十分吻合的。因此，本实施例构建的BP神经网络评价模型是合理可靠的，可以用来进行火灾时期矿井通风系统抗灾能力的评价与预测。举例来说，如2018年某煤矿各个二级评价指标的初始得分经过标准化后的数据为[0.80 0.85 0.80 0.89 0.86 0.92 0.78 0.83 0.87 0.86 0.85 0.87 0.800.82 0.90 0.90 0.87 0.84 0.91 0.95 0.81 0.83 0.90 0.87 0.92 0.86 0.91]，将这组数据输入已构建好的BP神经网络模型进行运算，输出结果为[1.0000 0.9984]，非常接近[11]，即可认为2018年该煤矿通风系统抗灾能力等级为“高”。
表2：经过预处理的某煤矿二级评价指标得分
表3：校验样本的实际输出值及误差
| 项目 | 2016年 | 2017年 |
| 目标输出 | [1 1] | [1 1] |
| 实际输出 | [1.0000 0.9983] | [1.0000 0.9997] |
| 误差 | [0 0.0017] | [0 0.0003] |
本实施例提供的矿井通风系统抗灾能力评价方法，将输入参数的初始得分数据标准化以及将各样本对应的抗灾能力等级转换为二维布尔代数的数据格式，更有利于BP神经网络深度学习训练。
实施例三
实施例三中，在上述实施例一的基础上，本申请实施例提供的方法还包括以下步骤：
301、采用层次分析法计算各评价指标的权重，所述各评价指标包括多层级指标，每级上层指标对应多个下层指标；
302、根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值；
303、根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级。
实际应用中，具体地，还是以火灾时期矿井通风系统为例，将火灾时期矿井通风系统抗灾能力的影响因素划分为5个一级评价指标和27个二级评价指标，这些评价指标都是影响火灾时期矿井通风系统可靠性和稳定性的典型要素，所涵盖的火灾时期矿井通风系统抗灾能力评价指标体系更全面和更有针对性，对提高火灾时期矿井通风系统抗灾能力具有重要作用，优选的，采用层次分析法确定各个指标的权重，如表4所示，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值，根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级。
表4一级和二级评价指标权重系数
优选地，上述步骤301，可以包括以下步骤：
3011、针对每层的评价指标，建立该层的评价指标对应的判断矩阵；
3012、根据每层的评价指标对应的判断矩阵，采用和积法计算出每层的评价指标对应的特征向量；
3013、根据每层的评价指标对应的特征向量，确定每层的评价指标的权重。
实际应用中，具体地，可以采用1～9标度法得出火灾时期矿井通风系统抗灾能力一级指标的判断矩阵R如下：
同理可得出各个二级指标的判断矩阵如下：
采用和积法计算各个判断矩阵的最大特征值和特征向量，其具体步骤如下：①将判断矩阵的每一列元素作归一化处理，其元素一般项为②将每列归一化的判断矩阵元素按行相加得③对相加后得到的向量再归一化得W＝(W1,W2,……,Wn)T即为所求的特征向量的近似解，此时的Wi即为判断矩阵中各元素的权重。
为了判断构造的判断矩阵是否具有满意一致性，本实施例提供的评价方法还可以包括以下步骤：
根据每层的评价指标对应的判断矩阵，计算出所述判断矩阵的最大特征根；根据所述判断矩阵的最大特征根，对所述判断矩阵的一致性进行验证。
实际应用中，具体地，计算判断矩阵最大特征根的公式为：为验证判断矩阵的一致性，分别按照式(1)和式(2)计算其一致性指标C.I.和随机一致性比率C.R.，计算结果如表5所示。
式(1)和式(2)中，C.I.—各判断矩阵的一致性指标；λmax—判断矩阵最大特征根；N—各判断矩阵的阶数；R.I.—同阶平均随机一致性指标，其值可根据判断矩阵阶数不同查表获得；C.R.—各判断矩阵的随机一致性比率。
表5：判断矩阵的一致性检验指标
由表5可看出，各个判断矩阵的随机一致性比率均小于0.1，表示构造的判断矩阵具有满意一致性，符合要求。
具体地，上述步骤302，可以包括以下步骤：
3021、针对每个样本，将最底层评价指标作为当前的待处理指标；
3022、根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值；
3023、将所述上一层评价指标作为当前的待处理指标，并执行所述根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值，直至当前计算出的评价值为最高层评价指标的评价值；
3024、将所述最高层评价指标的评价值作为所述样本对应的抗灾能力评价值。
实际应用中，具体地，还是以上述火灾时期矿井通风系统为例，由评价者对各个二级评价指标逐项进行打分评定，确定各个二级指标的得分值，结合上述步骤301得到的二级指标对应的权重，通过加权求和获得对应的一级评价指标的评价分数，可以采用公式(4)进行计算。然后，通过得到的一级评价指标的评价分数，结合步骤301得到的一级指标对应的权重，再通过加权求和获得火灾时期矿井通风系统抗灾能力的总评价分数，可以采用公式(3)进行计算。
式(3)和(4)中，F—总评价分数；Qi—一级指标i的权重，即表4中的权重1；Fi—一级指标i的初始得分，共有5个一级指标；qj—一级指标i中的二级指标j的权重，即表4中的权重2；fj—一级指标i中的二级指标j的初始得分；n—各个一级指标中含有的二级指标的个数。最后，根据总评价分数的大小确定火灾时期矿井通风系统抗灾能力等级，可按表1进行划分。
本实施例提供的矿井通风系统抗灾能力评价方法，通过层次分析法来获得各评价指标的权重，进而根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级，使得本方案所提出的评价方法更合理和可操作性更强，不仅为提高灾变时期矿井通风系统的可靠性、稳定性及其应变能力提供了理论依据，而且可以进一步提高灾变时期矿井通风系统的综合保障能力，从而降低灾变时期人员的伤亡损失。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图4为本发明实施例四提供的矿井通风系统抗灾能力评价装置的结构示意图，如图4所示，该装置可以包括：
获取模块401，用于获取矿井通风系统在各最底层评价指标的评价值；
输出模块402，用于将所述各最底层评价指标的评价值作为BP神经网络的输入，获得所述BP神经网络输出的所述矿井通风系统的抗灾能力等级，其中，所述BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练建立的。
本实施例提供的矿井通风系统抗灾能力评价装置，首先是构建BP神经网络，该BP神经网络是以对各最底层评价指标的多次评价的不同评价值及每次评价后对应的抗灾能力等级为样本集，经过深度学习训练构建的，其次，通过获取矿井通风系统在各最底层评价指标的评价值，再将各最底层评价指标的评价值作为上述BP神经网络的输入，就可以获得BP神经网络输出的对应的矿井通风系统的抗灾能力等级，完成对矿井通风系统抗灾能力的评价。相对于现有的评价方法，本方案的可操作性更强，不仅为提高灾变时期矿井通风系统的可靠性、稳定性及其应变能力提供了理论依据，而且可以进一步提高灾变时期矿井通风系统的综合保障能力，从而降低灾变时期人员的伤亡损失。
另一实施例中，在上述实施例四的基础上，本实施例中，所述装置还可以包括：
预处理模块，用于按照预处理公式，对样本集中的各样本进行标准化处理，每个样本包括各最底层评价指标的评价值，其中，所述预处理公式为：
其中，为经过标准化处理后的所述输入参数中第j个样本的第i个最底层评价指标的评价值；xji为标准化处理前所述输入参数中第j个样本的第i个最底层评价指标的评价值；ximin为所述样本集中第i个最底层评价指标的最小评价值；ximax为所述样本集中第i个最底层评价指标的最大评价值；
转换模块，用于将所述各样本对应的抗灾能力等级转换为二维布尔代数的数据格式；
训练模块，用于采用经过标准化处理的所述各样本及其对应的经过数据格式转换的抗灾能力等级，对BP神经网络进行训练。
本实施例提供的矿井通风系统抗灾能力评价装置，将输入参数的初始得分数据标准化以及将各样本对应的抗灾能力等级转换为二维布尔代数的数据格式，更有利于BP神经网络深度学习训练。
另一实施例中，在上述实施例的基础上，本实施例中，所述装置还可以包括：
第一计算模块，用于采用层次分析法计算各评价指标的权重，所述各评价指标包括多层级指标，每级上层指标对应多个下层指标；
第二计算模块，用于根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值；
确定模块，用于根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级。
具体地，所述第一计算模块可以包括：
建立单元，用于针对每层的评价指标，建立该层的评价指标对应的判断矩阵；
计算单元，用于根据每层的评价指标对应的判断矩阵，采用和积法计算出每层的评价指标对应的特征向量；
确定单元，用于根据每层的评价指标对应的特征向量，确定每层的评价指标的权重。
具体地，所述第一计算模块还可以包括：
验证单元，用于根据每层的评价指标对应的判断矩阵，计算出所述判断矩阵的最大特征根；根据所述判断矩阵的最大特征根，对所述判断矩阵的一致性进行验证。
具体地，所述第二计算模块可以包括：
第一加权求和单元，用于针对每个样本，将最底层评价指标作为当前的待处理指标；根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值；
第二加权求和单元，用于将所述上一层评价指标作为当前的待处理指标，并执行所述根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值，直至当前计算出的评价值为最高层评价指标的评价值；
评价单元，用于将所述最高层评价指标的评价值作为所述样本对应的抗灾能力评价值。
本实施例提供的矿井通风系统抗灾能力评价装置，通过层次分析法来获得各评价指标的权重，进而根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级，使得本方案所提出的评价方法更合理和可操作性更强，不仅为提高灾变时期矿井通风系统的可靠性、稳定性及其应变能力提供了理论依据，而且可以进一步提高灾变时期矿井通风系统的综合保障能力，从而降低灾变时期人员的伤亡损失。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种矿井通风系统抗灾能力评价方法，其特征在于，包括：
获取矿井通风系统在各最底层评价指标的评价值；
将所述各最底层评价指标的评价值作为BP神经网络的输入，获得所述BP神经网络输出的所述矿井通风系统的抗灾能力等级，其中，所述BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练建立的。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
按照预处理公式，对样本集中的各样本进行标准化处理，每个样本包括各最底层评价指标的评价值，其中，所述预处理公式为：
其中，为经过标准化处理后的所述输入参数中第j个样本的第i个最底层评价指标的评价值；xji为标准化处理前所述输入参数中第j个样本的第i个最底层评价指标的评价值；ximin为所述样本集中第i个最底层评价指标的最小评价值；ximax为所述样本集中第i个最底层评价指标的最大评价值；
将所述各样本对应的抗灾能力等级转换为二维布尔代数的数据格式；
采用经过标准化处理的所述各样本及其对应的经过数据格式转换的抗灾能力等级，对BP神经网络进行训练。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
采用层次分析法计算各评价指标的权重，所述各评价指标包括多层级指标，每级上层指标对应多个下层指标；
根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值；
根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级。
4.根据权利要求3所述的方法，其特征在于，所述采用层次分析法计算各评价指标的权重，包括：
针对每层的评价指标，建立该层的评价指标对应的判断矩阵；
根据每层的评价指标对应的判断矩阵，采用和积法计算出每层的评价指标对应的特征向量；
根据每层的评价指标对应的特征向量，确定每层的评价指标的权重。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据每层的评价指标对应的判断矩阵，计算出所述判断矩阵的最大特征根；
根据所述判断矩阵的最大特征根，对所述判断矩阵的一致性进行验证。
6.根据权利要求3所述的方法，其特征在于，所述根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值，包括：
针对每个样本，将最底层评价指标作为当前的待处理指标；
根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值；
将所述上一层评价指标作为当前的待处理指标，并执行所述根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值，直至当前计算出的评价值为最高层评价指标的评价值；
将所述最高层评价指标的评价值作为所述样本对应的抗灾能力评价值。
7.一种矿井通风系统抗灾能力评价装置，其特征在于，包括：
获取模块，用于获取矿井通风系统在各最底层评价指标的评价值；
输出模块，用于将所述各最底层评价指标的评价值作为BP神经网络的输入，获得所述BP神经网络输出的所述矿井通风系统的抗灾能力等级，其中，所述BP神经网络是以各最底层评价指标的不同评价值及其对应的抗灾能力等级为样本集，经过深度学习训练建立的。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
预处理模块，用于按照预处理公式，对样本集中的各样本进行标准化处理，每个样本包括各最底层评价指标的评价值，其中，所述预处理公式为：
其中，为经过标准化处理后的所述输入参数中第j个样本的第i个最底层评价指标的评价值；xji为标准化处理前所述输入参数中第j个样本的第i个最底层评价指标的评价值；ximin为所述样本集中第i个最底层评价指标的最小评价值；ximax为所述样本集中第i个最底层评价指标的最大评价值；
转换模块，用于将所述各样本对应的抗灾能力等级转换为二维布尔代数的数据格式；
训练模块，用于采用经过标准化处理的所述各样本及其对应的经过数据格式转换的抗灾能力等级，对BP神经网络进行训练。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第一计算模块，用于采用层次分析法计算各评价指标的权重，所述各评价指标包括多层级指标，每级上层指标对应多个下层指标；
第二计算模块，用于根据每个所述样本中各最底层评价指标的评价值和所述各评价指标的权重，通过逐层进行加权求和，计算获得每个样本对应的抗灾能力评价值；
确定模块，用于根据各抗灾能力等级对应的抗灾能力评价值的取值范围，确定每个样本对应的抗灾能力等级。
10.根据权利要求9所述的装置，其特征在于，所述第一计算模块包括：
建立单元，用于针对每层的评价指标，建立该层的评价指标对应的判断矩阵；
计算单元，用于根据每层的评价指标对应的判断矩阵，采用和积法计算出每层的评价指标对应的特征向量；
确定单元，用于根据每层的评价指标对应的特征向量，确定每层的评价指标的权重。
11.根据权利要求10所述的装置，其特征在于，所述第一计算模块还包括：
验证单元，用于根据每层的评价指标对应的判断矩阵，计算出所述判断矩阵的最大特征根；根据所述判断矩阵的最大特征根，对所述判断矩阵的一致性进行验证。
12.根据权利要求9所述的装置，其特征在于，所述第二计算模块包括：
第一加权求和单元，用于针对每个样本，将最底层评价指标作为当前的待处理指标；根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值；
第二加权求和单元，用于将所述上一层评价指标作为当前的待处理指标，并执行所述根据所述待处理指标的权重和评价值，通过加权求和获得对应的上一层评价指标的评价值，直至当前计算出的评价值为最高层评价指标的评价值；
评价单元，用于将所述最高层评价指标的评价值作为所述样本对应的抗灾能力评价值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810731200.2A CN109033561A (zh) | 2018-07-05 | 2018-07-05 | 矿井通风系统抗灾能力评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810731200.2A CN109033561A (zh) | 2018-07-05 | 2018-07-05 | 矿井通风系统抗灾能力评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109033561A true CN109033561A (zh) | 2018-12-18 |
Family
ID=64640381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810731200.2A Pending CN109033561A (zh) | 2018-07-05 | 2018-07-05 | 矿井通风系统抗灾能力评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109033561A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
| CN113379326A (zh) * | 2020-07-08 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情应急演练管理系统 |
| CN113446058A (zh) * | 2021-07-30 | 2021-09-28 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 矿井降温系统的确定方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105007170A (zh) * | 2015-05-11 | 2015-10-28 | 大连理工大学 | 一种基于fahp-svm理论的wlan网络负载综合评价方法 |
| CN105469196A (zh) * | 2015-11-18 | 2016-04-06 | 山东科技大学 | 一种矿井建设项目过程后评价的综合评价方法及系统 |
| CN105488611A (zh) * | 2015-11-24 | 2016-04-13 | 山东科技大学 | 一种矿井建设项目设计方案综合评价方法及系统 |
| CN106920040A (zh) * | 2017-03-01 | 2017-07-04 | 西南交通大学 | 基于模糊层次分析的高速公路隧道交通事故风险评估方法 |
| CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及系统 |
-
2018
- 2018-07-05 CN CN201810731200.2A patent/CN109033561A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105007170A (zh) * | 2015-05-11 | 2015-10-28 | 大连理工大学 | 一种基于fahp-svm理论的wlan网络负载综合评价方法 |
| CN105469196A (zh) * | 2015-11-18 | 2016-04-06 | 山东科技大学 | 一种矿井建设项目过程后评价的综合评价方法及系统 |
| CN105488611A (zh) * | 2015-11-24 | 2016-04-13 | 山东科技大学 | 一种矿井建设项目设计方案综合评价方法及系统 |
| CN106920040A (zh) * | 2017-03-01 | 2017-07-04 | 西南交通大学 | 基于模糊层次分析的高速公路隧道交通事故风险评估方法 |
| CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘业娇: ""OHSMS的应用与煤矿现代安全管理模式研究"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
| CN110378799B (zh) * | 2019-07-16 | 2022-07-12 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
| CN113379326A (zh) * | 2020-07-08 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于深度神经网络的电网灾情应急演练管理系统 |
| CN113446058A (zh) * | 2021-07-30 | 2021-09-28 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 矿井降温系统的确定方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
| CN108256141B (zh) | 一种基于Copula理论的主余震联合易损性分析方法 | |
| CN109033561A (zh) | 矿井通风系统抗灾能力评价方法及装置 | |
| CN113139322B (zh) | 一种核电厂火灾响应及演练能力评价系统及方法 | |
| Bastani et al. | Contaminant source identification within a building: toward design of immune buildings | |
| CN107576920A (zh) | 一种基于模糊多属性评价的卫星电源健康度计算方法 | |
| CN106844663A (zh) | 一种基于数据挖掘的船舶碰撞风险评估方法及系统 | |
| CN108564284B (zh) | 基于成本和收益的气体探测器选址计算方法 | |
| CN111639845A (zh) | 一种考虑完整性和可操作性的应急预案有效性评估方法 | |
| CN108241964A (zh) | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 | |
| CN104376361A (zh) | 一种基于bp神经网络算法的核事故源项反演方法 | |
| Ayyub et al. | Risk analysis and management for marine systems | |
| CN110135741A (zh) | 基于舰载机火灾的灭火训练成绩评估系统及方法 | |
| Li et al. | Real‐Time Warning and Risk Assessment of Tailings Dam Disaster Status Based on Dynamic Hierarchy‐Grey Relation Analysis | |
| CN112016857B (zh) | 基于云理论的聚乙烯管道地震易损性评估方法 | |
| Huang et al. | Entropy weight-logarithmic fuzzy multiobjective programming method for evaluating emergency evacuation in crowded places: A case study of a university teaching building | |
| Zhu et al. | A Fuzzy Clustering Logic Life Loss Risk Evaluation Model for Dam‐Break Floods | |
| CN105046421A (zh) | 电动汽车充换电设施安全综合评价方法 | |
| Li et al. | Artificial neural network approach for modeling the impact of population density and weather parameters on forest fire risk | |
| CN116797026B (zh) | 一种埋地输气管道土质滑坡作用下的风险预警方法 | |
| CN117993710A (zh) | 一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法 | |
| CN105590034A (zh) | 防汛减灾能力评价模型 | |
| CN115034648B (zh) | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 | |
| Wu | Oil and gas pipeline risk assessment model by fuzzy inference systems and artificial neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |