CN112946187B - 一种基于神经网络的避难硐室实时状态监测方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的避难硐室实时状态监测方法，该方法包括以下步骤：一、避难硐室内监测点的布设及气体传感器的安装；二、获取避难硐室内监测点的历史气体浓度数据；三、训练集和测试集的归一化处理；四、避难硐室气体状态在线测量模型的获取；五、根据避难硐室气体状态在线测量模型，将气体传感器实时检测的气体浓度输入实现在线测量，以获取实时的避难硐室气体状态系数。本发明方法步骤简单，利用避难硐室内监测点的历史气体浓度数据，实现避难硐室气体状态在线测量模型的获取，并采用避难硐室气体状态在线测量模型进行避难硐室气体状态系数的预测，从而实现对避险硐室状态的实时监测。

Description

一种基于神经网络的避难硐室实时状态监测方法

技术领域

本发明属于煤矿安全技术领域，尤其是涉及一种基于神经网络的避难硐室实时状态监测方法。

背景技术

我国煤矿安全事故频繁发生，借鉴国外煤矿紧急救援经验与技术，研制出适合于我国井下应急救援的避难硐室。2011年4月10日我国首次完全模拟灾变环境的条件下避难硐室载人试验在山西潞安集团常村煤矿获得完美成功。避难硐室试验的成功代表煤矿紧急避险系统的初步实现，为事故发生后紧急救援提供有效的方式，增加了被困人员生还的概率，标志着我国避难硐室正式进入实用阶段，对中国煤矿安全生产具有重要的意义。综合目前国内研究为避难硐室系统总体研究提供了理论依据，及可靠的实验数据，为矿井紧急避险系统的完善奠定了基础。避难硐室是关乎煤炭安全生产的重要保障，而对避险硐室实时状态的监测的相关技术却相对空白，对避难硐室的实时状态进行监测是避难硐室在矿难发生时能否对井下工作人员提供庇护的先决条件。因此对避难硐室的状态监测是关乎煤矿安全生产的重要一环。因此，现如今需要一种基于神经网络的避难硐室实时状态监测方法，利用避难硐室内监测点的历史气体浓度数据，实现避难硐室气体状态在线测量模型的获取，并采用避难硐室气体状态在线测量模型进行避难硐室气体状态系数的预测，从而实现对避险硐室状态的实时监测，且提高了避难硐室状态监测的准确度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于神经网络的避难硐室实时状态监测方法，其方法步骤简单，设计合理，利用避难硐室内监测点的历史气体浓度数据，实现避难硐室气体状态在线测量模型的获取，并采用避难硐室气体状态在线测量模型进行避难硐室气体状态系数的预测，从而实现对避险硐室状态的实时监测，且提高了避难硐室状态监测的准确度。

为解决上述技术问题，本发明采用的技术方案是：一种基于神经网络的避难硐室实时状态监测方法，其特征在于，该方法包括以下步骤：

步骤一、避难硐室内监测点的布设及气体传感器的安装：其中，气体传感器包括氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器，且氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器的数量均为多个；

步骤二、获取避难硐室内监测点的历史气体浓度数据：

气体传感器按照预先设定的采样时间对避难硐内的气体浓度进行检测，并将各个气体传感器各个采样时刻采集到的气体浓度发送至数据处理器，数据处理器接收到M组气体浓度，并从M组气体浓度中选择训练集和测试集；

步骤三、训练集和测试集的归一化处理：

采用所述数据处理器对训练集和测试集进行归一化处理，得到归一化训练集和归一化测试集；

步骤四、避难硐室气体状态在线测量模型的获取：

步骤401、构建改进的LSTM神经网络模型；

步骤402、采用所述数据处理器对归一化训练集和归一化测试集进行处理，得到输入特征矩阵；

步骤403、采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵；

步骤404、以避难硐室气体状态系数作为输出，将主动专心度主元特征矩阵输入改进的LSTM神经网络模型中进行训练，得到训练好的LSTM神经网络模型，并将训练好的LSTM神经网络模型记作避难硐室气体状态在线测量模型；

步骤五、根据避难硐室气体状态在线测量模型，将气体传感器实时检测的气体浓度输入实现在线测量，以获取实时的避难硐室气体状态系数。

上述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤一中避难硐室内监测点的布设及气体传感器的安装，具体过程如下：

步骤101、在避难硐的前侧面内、避难硐的右侧面内、避难硐的上侧面内和避难硐的后侧面内均布设四个传感器监测点；其中，避难硐的左侧面为避难硐的入口；

步骤102、在四个传感器监测点处分别安装氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器。

上述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤二中从M组气体浓度中选择训练集和测试集，具体过程如下：

步骤201、各个氧气传感器按照预先设定的采样时间对避难硐内的氧气浓度进行检测，并将各个氧气传感器各个采样时刻采集到的氧气浓度发送至数据处理器；各个一氧化碳传感器按照预先设定的采样时间对避难硐内的一氧化碳浓度进行检测，并将各个一氧化碳传感器各个采样时刻采集到的一氧化碳浓度发送至数据处理器；各个甲烷传感器按照预先设定的采样时间对避难硐内的甲烷浓度进行检测，并将各个甲烷传感器各个采样时刻采集到的甲烷浓度发送至数据处理器；各个二氧化碳传感器按照预先设定的采样时间对避难硐内的二氧化碳进行检测，并将各个二氧化碳传感器各个采样时刻采集到的二氧化碳浓度发送至数据处理器；

步骤202、直至达到设定的时间，数据处理器接收到M组气体浓度；其中，任一组气体浓度均包括同一个采样时刻采集到的氧气浓度值、一氧化碳浓度值、甲烷浓度值和二氧化碳浓度值；其中，M为正整数；

步骤203、数据处理器从M组气体浓度中选择处于连续采样时间的M′组气体浓度；其中，M′为正整数，且M′小于M；

步骤204、数据处理器从M′组气体浓度中选择m组气体浓度作为训练集，数据处理器将M′组气体浓度中剩余的多组气体浓度作为测试集；其中，m为正整数，m＜M′。

上述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤三中训练集和测试集进行归一化处理的方法均相同，其中，对训练集进行归一化处理，具体过程如下：

步骤301、数据处理器将多个氧气传感器、多个一氧化碳传感器、多个甲烷传感器和多个二氧化碳传感器依次排序并记作气体传感器；

步骤302、数据处理器将第i个气体传感器采集到的第j个气体浓度值记作ρ_i,j；其中，i和j均为正整数，且1≤j≤m，1≤i≤16，当i取1～4时，第i个气体传感器表示氧气传感器，当i取5～8时，第i个气体传感器表示二氧化碳传感器，当i取9～12时，第i个气体传感器表示甲烷传感器，当i取13～16时，第i个气体传感器表示一氧化碳传感器；

步骤303、数据处理器设定第i个气体传感器的气体浓度值向量为ρ_i＝[ρ_i,1,...,ρ_i,j,...,ρ_i,m]^T；其中，ρ_i,1表示第i个气体传感器采集到的第1个气体浓度值，ρ_i,m表示第i个气体传感器采集到的第m个气体浓度值，T表示矩阵的转置；

步骤304、所述数据处理器从第i个气体传感器的气体浓度值向量ρ_i中获取第i个气体传感器采集到的最大气体浓度值ρ_i,max和最小气体浓度值ρ_i,min；

所述数据处理器根据公式

得到第i个气体传感器采集到的第j个气体浓度的归一化值x_i,j，则第i个气体传感器的气体浓度归一化向量为x_i＝[x_i,1,...,x_i,j,...,x_i,m]^T；其中，x_i,1表示第i个气体传感器采集到的第1个气体浓度的归一化值，x_i,m表示第i个气体传感器采集到的第m个气体浓度的归一化值；

步骤305、按照步骤304所述的方法，得到归一化训练集。

上述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤402中采用所述数据处理器对归一化训练集和归一化测试集进行处理的方法相同，其中，对归一化训练集进行处理，具体过程如下：

步骤4021、采用数据处理器从归一化训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度归一值，组成第j个采样时刻的特征矩阵X_j，并记作

其中，x_1,j表示第1个气体传感器采集到的第j个气体浓度的归一化值，x_1,j+1表示第1个气体传感器采集到的第j+1个气体浓度的归一化值，x_1,j+15表示第1个气体传感器采集到的第j+15个气体浓度的归一化值；x_i,j表示第i个气体传感器采集到的第j个气体浓度的归一化值，x_i,j+1表示第i个气体传感器采集到的第j+1个气体浓度的归一化值，x_i,j+15表示第i个气体传感器采集到的第j+15个气体浓度的归一化值，x_16,j表示第16个气体传感器采集到的第j个气体浓度的归一化值，x_16,j+1表示第16个气体传感器采集到的第j+1个气体浓度的归一化值，x_16,j+15表示第16个气体传感器中第j+15个气体浓度的归一化值；

步骤4022、采用所述数据处理器根据U_j＝ReLU(C*X_j+b)，得到第j个采样时刻的输入特征矩阵U_j；其中，ReLU(·)表示ReLU函数，C表示卷积核，且C的大小为4×4，卷积核的步长为4，且卷积核的初始设定值为

b表示偏置参数向量，且b的大小为4×1，且偏置参数向量的初始设定值为

上述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤403中采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵，具体过程如下：

步骤4031、采用数据处理器设定U_j＝{U_1j,U_2j,U_3j,U_4j}；其中，U_1j表示第j个采样时刻的输入特征矩阵U_j中的第一列向量，U_2j表示第j个采样时刻的输入特征矩阵U_j中的第二列向量，U_3j表示第j个采样时刻的输入特征矩阵U_j中的第三列向量，U_4j表示第j个采样时刻的输入特征矩阵U_j中的第四列向量；

步骤4032、采用数据处理器根据

得到第j个采样时刻的输入特征矩阵U_j中第i′列向量的自相关矩阵R_i′j；其中，T表示向量的转置，*表示卷积运算，E{·}表示期望运算，i′为正整数，且1≤i′≤4,R_i′j的大小为4×4；

步骤4033、采用数据处理器设定第一列向量对应的先验概率系数P₁＝21％，第二列向量对应的先验概率系数P₂＝1.5％，第三列向量对应的先验概率系数P₃＝1％，第四列向量对应的先验概率系数P₄＝0.0024％；

步骤4034、采用所述数据处理器根据

得到第j个采样时刻的混合分布矩阵R_j；

步骤4035、采用所述数据处理器调取特征值计算模块对第j个采样时刻的混合分布矩阵R_j进行计算，得到第j个采样时刻的混合分布矩阵R_j的各个特征值；采用所述数据处理器调取方差计算模块对第j个采样时刻的混合分布矩阵R_j的各个特征值进行处理，得到特征值方差σ²；

步骤4036、采用所述数据处理器将第j个采样时刻的混合分布矩阵R_j的各个特征值由大到小进行排序，并选择前4个且大于特征值方差σ²的特征值所对应的特征向量构成变换矩阵F；

步骤4037、采用所述数据处理器根据

得到第j个采样时刻的输入原始主元特征矩阵I_j；

步骤4038、采用所述数据处理器设定专心度矩阵Z；其中，Z是上三角矩阵，Z中各个元素的取值范围为0～1；

步骤4039、采用所述数据处理器根据I_A,j＝I_j+Z×I_j，得到第j个采样时刻的输入主动专心度主元特征矩阵I_A,j。

上述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤401中所述改进的LSTM神经网络模型中采用改进的sigmoid激活函数为

其中，β表示第一参数，且β的取值为1～20；γ表示第二参数，且γ的取值为0～1，x表示自变量；

步骤404中避难硐室气体状态系数的获取，具体过程如下：

步骤4041、采用数据处理器从m个训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度；

步骤4042、采用所述数据处理器根据

得到第j个采样时刻的氧气浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的二氧化碳浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的甲烷浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的一氧化碳浓度平均值；

步骤4043、采用所述数据处理器根据

得到第j个采样时刻的避难硐室气体状态系数T_j。

本发明与现有技术相比具有以下优点：

1、本发明避难硐室实时状态监测方法步骤简单、实现方便且操作简便，确保避难硐室气体浓度处于安全状态，便于避难硐室在矿难发生时能否对井下工作人员提供庇护。

2、所采用的避难硐室实时状态监测方法效果好，首先是避难硐室内监测点的布设及气体传感器的安装，接着是获取避难硐室内监测点的历史气体浓度数据，然后从获取避难硐室内监测点的历史气体浓度数据选择训练集和测试集进行归一化处理，得到归一化训练集和测试集；并将归一化训练集和测试集输入改进的LSTM神经网络模型中进行训练，将训练好的LSTM神经网络模型记作避难硐室气体状态在线测量模型，最后根据避难硐室气体状态在线测量模型，将气体传感器实时检测的气体浓度输入实现在线测量，以获取实时的避难硐室气体状态系数，从而通过避难硐室气体状态系数判断避难硐室气体浓度是否在安全状态。

3、本发明避难硐室实时状态监测方法中采用改进的LSTM神经网络模型，从而降低了训练的难度，提高了训练的效率，从而有效地适应避难硐室气体状态的在线实时检测。

4、本发明避难硐室实时状态监测方法中考虑将归一化训练集和测试集进行处理，从而得到主动专心度主元特征矩阵输入改进的LSTM神经网络模型中进行训练，从而有效地适应各个气体浓度的关联，且其计算复杂度低，鲁棒性好。

综上所述，本发明方法步骤简单，设计合理，利用避难硐室内监测点的历史气体浓度数据，实现避难硐室气体状态在线测量模型的获取，并采用避难硐室气体状态在线测量模型进行避难硐室气体状态系数的预测，从而实现对避险硐室状态的实时监测，且提高了避难硐室状态监测的准确度。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程框图。

具体实施方式

如图1所示的一种基于神经网络的避难硐室实时状态监测方法，该方法包括以下步骤：

步骤一、避难硐室内监测点的布设及气体传感器的安装：其中，气体传感器包括氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器，且氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器的数量均为多个；

步骤二、获取避难硐室内监测点的历史气体浓度数据：

气体传感器按照预先设定的采样时间对避难硐内的气体浓度进行检测，并将各个气体传感器各个采样时刻采集到的气体浓度发送至数据处理器，数据处理器接收到M组气体浓度，并从M组气体浓度中选择训练集和测试集；

步骤三、训练集和测试集的归一化处理：

采用所述数据处理器对训练集和测试集进行归一化处理，得到归一化训练集和归一化测试集；

步骤四、避难硐室气体状态在线测量模型的获取：

步骤401、构建改进的LSTM神经网络模型；

步骤402、采用所述数据处理器对归一化训练集和归一化测试集进行处理，得到输入特征矩阵；

步骤403、采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵；

步骤404、以避难硐室气体状态系数作为输出，将主动专心度主元特征矩阵输入改进的LSTM神经网络模型中进行训练，得到训练好的LSTM神经网络模型，并将训练好的LSTM神经网络模型记作避难硐室气体状态在线测量模型；

步骤五、根据避难硐室气体状态在线测量模型，将气体传感器实时检测的气体浓度输入实现在线测量，以获取实时的避难硐室气体状态系数。

本实施例中，步骤一中避难硐室内监测点的布设及气体传感器的安装，具体过程如下：

步骤101、在避难硐的前侧面内、避难硐的右侧面内、避难硐的上侧面内和避难硐的后侧面内均布设四个传感器监测点；其中，避难硐的左侧面为避难硐的入口；

步骤102、在四个传感器监测点处分别安装氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器。

本实施例中，步骤二中从M组气体浓度中选择训练集和测试集，具体过程如下：

步骤201、各个氧气传感器按照预先设定的采样时间对避难硐内的氧气浓度进行检测，并将各个氧气传感器各个采样时刻采集到的氧气浓度发送至数据处理器；各个一氧化碳传感器按照预先设定的采样时间对避难硐内的一氧化碳浓度进行检测，并将各个一氧化碳传感器各个采样时刻采集到的一氧化碳浓度发送至数据处理器；各个甲烷传感器按照预先设定的采样时间对避难硐内的甲烷浓度进行检测，并将各个甲烷传感器各个采样时刻采集到的甲烷浓度发送至数据处理器；各个二氧化碳传感器按照预先设定的采样时间对避难硐内的二氧化碳进行检测，并将各个二氧化碳传感器各个采样时刻采集到的二氧化碳浓度发送至数据处理器；

步骤202、直至达到设定的时间，数据处理器接收到M组气体浓度；其中，任一组气体浓度均包括同一个采样时刻采集到的氧气浓度值、一氧化碳浓度值、甲烷浓度值和二氧化碳浓度值；其中，M为正整数；

步骤203、数据处理器从M组气体浓度中选择处于连续采样时间的M′组气体浓度；其中，M′为正整数，且M′小于M；

步骤204、数据处理器从M′组气体浓度中选择m组气体浓度作为训练集，数据处理器将M′组气体浓度中剩余的多组气体浓度作为测试集；其中，m为正整数，m＜M′。

本实施例中，步骤三中训练集和测试集进行归一化处理的方法均相同，其中，对训练集进行归一化处理，具体过程如下：

步骤301、数据处理器将多个氧气传感器、多个一氧化碳传感器、多个甲烷传感器和多个二氧化碳传感器依次排序并记作气体传感器；

步骤302、数据处理器将第i个气体传感器采集到的第j个气体浓度值记作ρ_i,j；其中，i和j均为正整数，且1≤j≤m，1≤i≤16，当i取1～4时，第i个气体传感器表示氧气传感器，当i取5～8时，第i个气体传感器表示二氧化碳传感器，当i取9～12时，第i个气体传感器表示甲烷传感器，当i取13～16时，第i个气体传感器表示一氧化碳传感器；

步骤303、数据处理器设定第i个气体传感器的气体浓度值向量为ρ_i＝[ρ_i,1,...,ρ_i,j,...,ρ_i,m]^T；其中，ρ_i,1表示第i个气体传感器采集到的第1个气体浓度值，ρ_i,m表示第i个气体传感器采集到的第m个气体浓度值，T表示矩阵的转置；

步骤304、所述数据处理器从第i个气体传感器的气体浓度值向量ρ_i中获取第i个气体传感器采集到的最大气体浓度值ρ_i,max和最小气体浓度值ρ_i,min；

所述数据处理器根据公式

得到第i个气体传感器采集到的第j个气体浓度的归一化值x_i,j，则第i个气体传感器的气体浓度归一化向量为x_i＝[x_i,1,...,x_i,j,...,x_i,m]^T；其中，x_i,1表示第i个气体传感器采集到的第1个气体浓度的归一化值，x_i,m表示第i个气体传感器采集到的第m个气体浓度的归一化值；

步骤305、按照步骤304所述的方法，得到归一化训练集。

本实施例中，步骤402中采用所述数据处理器对归一化训练集和归一化测试集进行处理的方法相同，其中，对归一化训练集进行处理，具体过程如下：

步骤4021、采用数据处理器从归一化训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度归一值，组成第j个采样时刻的特征矩阵X_j，并记作

其中，x_1,j表示第1个气体传感器采集到的第j个气体浓度的归一化值，x_1,j+1表示第1个气体传感器采集到的第j+1个气体浓度的归一化值，x_1,j+15表示第1个气体传感器采集到的第j+15个气体浓度的归一化值；x_i,j表示第i个气体传感器采集到的第j个气体浓度的归一化值，x_i,j+1表示第i个气体传感器采集到的第j+1个气体浓度的归一化值，x_i,j+15表示第i个气体传感器采集到的第j+15个气体浓度的归一化值，x_16,j表示第16个气体传感器采集到的第j个气体浓度的归一化值，x_16,j+1表示第16个气体传感器采集到的第j+1个气体浓度的归一化值，x_16,j+15表示第16个气体传感器中第j+15个气体浓度的归一化值；

步骤4022、采用所述数据处理器根据U_j＝ReLU(C*X_j+b)，得到第j个采样时刻的输入特征矩阵U_j；其中，ReLU(·)表示ReLU函数，C表示卷积核，且C的大小为4×4，卷积核的步长为4，且卷积核的初始设定值为

b表示偏置参数向量，且b的大小为4×1，且偏置参数向量的初始设定值为

本实施例中，步骤403中采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵，具体过程如下：

步骤4031、采用数据处理器设定U_j＝{U_1j,U_2j,U_3j,U_4j}；其中，U_1j表示第j个采样时刻的输入特征矩阵U_j中的第一列向量，U_2j表示第j个采样时刻的输入特征矩阵U_j中的第二列向量，U_3j表示第j个采样时刻的输入特征矩阵U_j中的第三列向量，U_4j表示第j个采样时刻的输入特征矩阵U_j中的第四列向量；

步骤4032、采用数据处理器根据

得到第j个采样时刻的输入特征矩阵U_j中第i′列向量的自相关矩阵R_i′j；其中，T表示向量的转置，*表示卷积运算，E{·}表示期望运算，i′为正整数，且1≤i′≤4,R_i′j的大小为4×4；

步骤4033、采用数据处理器设定第一列向量对应的先验概率系数P₁＝21％，第二列向量对应的先验概率系数P₂＝1.5％，第三列向量对应的先验概率系数P₃＝1％，第四列向量对应的先验概率系数P₄＝0.0024％；

步骤4034、采用所述数据处理器根据

得到第j个采样时刻的混合分布矩阵R_j；

步骤4035、采用所述数据处理器调取特征值计算模块对第j个采样时刻的混合分布矩阵R_j进行计算，得到第j个采样时刻的混合分布矩阵R_j的各个特征值；采用所述数据处理器调取方差计算模块对第j个采样时刻的混合分布矩阵R_j的各个特征值进行处理，得到特征值方差σ²；

步骤4036、采用所述数据处理器将第j个采样时刻的混合分布矩阵R_j的各个特征值由大到小进行排序，并选择前4个且大于特征值方差σ²的特征值所对应的特征向量构成变换矩阵F；

步骤4037、采用所述数据处理器根据

得到第j个采样时刻的输入原始主元特征矩阵I_j；

步骤4038、采用所述数据处理器设定专心度矩阵Z；其中，Z是上三角矩阵，Z中各个元素的取值范围为0～1；

步骤4039、采用所述数据处理器根据I_A,j＝I_j+Z×I_j，得到第j个采样时刻的输入主动专心度主元特征矩阵I_A,j。

本实施例中，步骤401中所述改进的LSTM神经网络模型中采用改进的sigmoid激活函数为

其中，β表示第一参数，且β的取值为1～20；γ表示第二参数，且γ的取值为0～1，x表示自变量；

步骤404中避难硐室气体状态系数的获取，具体过程如下：

步骤4041、采用数据处理器从m个训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度；

步骤4042、采用所述数据处理器根据

得到第j个采样时刻的氧气浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的二氧化碳浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的甲烷浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的一氧化碳浓度平均值；

步骤4043、采用所述数据处理器根据

得到第j个采样时刻的避难硐室气体状态系数T_j。

本实施例中，氧气浓度、二氧化碳浓度、甲烷浓度和一氧化碳浓度均采用百分数表示。

本实施例中，步骤五中气体传感器实时检测的气体浓度输入实现在线测量，具体过程如下：

步骤501、按照步骤201所述的方法获取连续16个采样时刻实时采集的气体浓度；

步骤502、按照步骤三和步骤402至步骤403所述的方法，将连续16个采样时刻实时采集的气体浓度进行处理，得到主动专心度主元特征矩阵，并输入避难硐室气体状态在线测量模型，得到实时的避难硐室气体状态系数。

本实施例中，当避难硐室气体状态系数大于等于100时，避难硐室状态为安全状态；当避难硐室气体状态系数小于100时，避难硐室状态为异常，便于及时采取补救措施。

本实施例中，步骤404中归一化训练集的均方根误差平均值小于0.05，归一化测试集的均方根误差平均值小于0.1。

本实施例中，需要说明的是，进一步地，步骤402和步骤403中j的取值位于1～m-15，以实现归一化训练集的全部训练。

本实施例中，氧气传感器、二氧化碳传感器、甲烷传感器和一氧化碳传感器的数量均为四个。

本实施例中，步骤201中预先设定的采样时间为0.1s，步骤202中设定的时间为12h，M的取值为432000；步骤203中M′的取值为9070；步骤204中且m＝0.8M′。

综上所述，本发明方法步骤简单，设计合理，利用避难硐室内监测点的历史气体浓度数据，实现避难硐室气体状态在线测量模型的获取，并采用避难硐室气体状态在线测量模型进行避难硐室气体状态系数的预测，从而实现对避险硐室状态的实时监测，且提高了避难硐室状态监测的准确度。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (3)

1.一种基于神经网络的避难硐室实时状态监测方法，其特征在于，该方法包括以下步骤：

步骤一、避难硐室内监测点的布设及气体传感器的安装：其中，气体传感器包括氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器，且氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器的数量均为多个；

步骤二、获取避难硐室内监测点的历史气体浓度数据：

气体传感器按照预先设定的采样时间对避难硐内的气体浓度进行检测，并将各个气体传感器各个采样时刻采集到的气体浓度发送至数据处理器，数据处理器接收到M组气体浓度，并从M组气体浓度中选择训练集和测试集；

步骤三、训练集和测试集的归一化处理：

采用所述数据处理器对训练集和测试集进行归一化处理，得到归一化训练集和归一化测试集；

步骤四、避难硐室气体状态在线测量模型的获取：

步骤401、构建改进的LSTM神经网络模型；

步骤402、采用所述数据处理器对归一化训练集和归一化测试集进行处理，得到输入特征矩阵；

步骤403、采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵；

步骤404、以避难硐室气体状态系数作为输出，将主动专心度主元特征矩阵输入改进的LSTM神经网络模型中进行训练，得到训练好的LSTM神经网络模型，并将训练好的LSTM神经网络模型记作避难硐室气体状态在线测量模型；

步骤五、根据避难硐室气体状态在线测量模型，将气体传感器实时检测的气体浓度输入实现在线测量，以获取实时的避难硐室气体状态系数；

步骤402中采用所述数据处理器对归一化训练集和归一化测试集进行处理的方法相同，其中，对归一化训练集进行处理，具体过程如下：

步骤4021、采用数据处理器从归一化训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度归一值，组成第j个采样时刻的特征矩阵X_j，并记作

其中，x_1,j表示第1个气体传感器采集到的第j个气体浓度的归一化值，x_1,j+1表示第1个气体传感器采集到的第j+1个气体浓度的归一化值，x_1,j+15表示第1个气体传感器采集到的第j+15个气体浓度的归一化值；x_i,j表示第i个气体传感器采集到的第j个气体浓度的归一化值，x_i,j+1表示第i个气体传感器采集到的第j+1个气体浓度的归一化值，x_i,j+15表示第i个气体传感器采集到的第j+15个气体浓度的归一化值，x_16,j表示第16个气体传感器采集到的第j个气体浓度的归一化值，x_16,j+1表示第16个气体传感器采集到的第j+1个气体浓度的归一化值，x_16,j+15表示第16个气体传感器中第j+15个气体浓度的归一化值；

步骤4022、采用所述数据处理器根据U_j＝ReLU(C*X_j+b)，得到第j个采样时刻的输入特征矩阵U_j；其中，ReLU(·)表示ReLU函数，C表示卷积核，且C的大小为4×4，卷积核的步长为4，且卷积核的初始设定值为

b表示偏置参数向量，且b的大小为4×1，且偏置参数向量的初始设定值为

步骤403中采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵，具体过程如下：

步骤4031、采用数据处理器设定U_j＝{U_1j,U_2j,U_3j,U_4j}；其中，U_1j表示第j个采样时刻的输入特征矩阵U_j中的第一列向量，U_2j表示第j个采样时刻的输入特征矩阵U_j中的第二列向量，U_3j表示第j个采样时刻的输入特征矩阵U_j中的第三列向量，U_4j表示第j个采样时刻的输入特征矩阵U_j中的第四列向量；

步骤4032、采用数据处理器根据

得到第j个采样时刻的输入特征矩阵U_j中第i′列向量的自相关矩阵R_i′j；其中，T表示向量的转置，*表示卷积运算，E{·}表示期望运算，i′为正整数，且1≤i′≤4,R_i′j的大小为4×4；

步骤4033、采用数据处理器设定第一列向量对应的先验概率系数P₁＝21％，第二列向量对应的先验概率系数P₂＝1.5％，第三列向量对应的先验概率系数P₃＝1％，第四列向量对应的先验概率系数P₄＝0.0024％；

步骤4034、采用所述数据处理器根据

得到第j个采样时刻的混合分布矩阵R_j；

步骤4035、采用所述数据处理器调取特征值计算模块对第j个采样时刻的混合分布矩阵R_j进行计算，得到第j个采样时刻的混合分布矩阵R_j的各个特征值；采用所述数据处理器调取方差计算模块对第j个采样时刻的混合分布矩阵R_j的各个特征值进行处理，得到特征值方差σ²；

步骤4036、采用所述数据处理器将第j个采样时刻的混合分布矩阵R_j的各个特征值由大到小进行排序，并选择前4个且大于特征值方差σ²的特征值所对应的特征向量构成变换矩阵F；

步骤4037、采用所述数据处理器根据

得到第j个采样时刻的输入原始主元特征矩阵I_j；

步骤4038、采用所述数据处理器设定专心度矩阵Z；其中，Z是上三角矩阵，Z中各个元素的取值范围为0～1；

步骤4039、采用所述数据处理器根据I_A,j＝I_j+Z×I_j，得到第j个采样时刻的输入主动专心度主元特征矩阵I_A,j；

步骤401中所述改进的LSTM神经网络模型中采用改进的sigmoid激活函数为

其中，β表示第一参数，且β的取值为1～20；γ表示第二参数，且γ的取值为0～1，x表示自变量；

步骤三中训练集和测试集进行归一化处理的方法均相同，其中，对训练集进行归一化处理，具体过程如下：

步骤301、数据处理器将多个氧气传感器、多个一氧化碳传感器、多个甲烷传感器和多个二氧化碳传感器依次排序并记作气体传感器；

步骤302、数据处理器将第i个气体传感器采集到的第j个气体浓度值记作ρ_i,j；其中，i和j均为正整数，且1≤j≤m，1≤i≤16，当i取1～4时，第i个气体传感器表示氧气传感器，当i取5～8时，第i个气体传感器表示二氧化碳传感器，当i取9～12时，第i个气体传感器表示甲烷传感器，当i取13～16时，第i个气体传感器表示一氧化碳传感器；

步骤303、数据处理器设定第i个气体传感器的气体浓度值向量为ρ_i＝[ρ_i,1,...,ρ_i,j,...,ρ_i,m]^T；其中，ρ_i,1表示第i个气体传感器采集到的第1个气体浓度值，ρ_i,m表示第i个气体传感器采集到的第m个气体浓度值，T表示矩阵的转置；

步骤304、所述数据处理器从第i个气体传感器的气体浓度值向量ρ_i中获取第i个气体传感器采集到的最大气体浓度值ρ_i,max和最小气体浓度值ρ_i,min；

所述数据处理器根据公式

得到第i个气体传感器采集到的第j个气体浓度的归一化值x_i,j，则第i个气体传感器的气体浓度归一化向量为x_i＝[x_i,1,...,x_i,j,...,x_i,m]^T；其中，x_i,1表示第i个气体传感器采集到的第1个气体浓度的归一化值，x_i,m表示第i个气体传感器采集到的第m个气体浓度的归一化值；

步骤305、按照步骤304所述的方法，得到归一化训练集；

步骤404中避难硐室气体状态系数的获取，具体过程如下：

步骤4041、采用数据处理器从m个训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度；

步骤4042、采用所述数据处理器根据

得到第j个采样时刻的氧气浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的二氧化碳浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的甲烷浓度平均值；

采用所述数据处理器根据

得到第j个采样时刻的一氧化碳浓度平均值；

步骤4043、采用所述数据处理器根据

得到第j个采样时刻的避难硐室气体状态系数T_j。

2.按照权利要求1所述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤一中避难硐室内监测点的布设及气体传感器的安装，具体过程如下：

步骤101、在避难硐的前侧面内、避难硐的右侧面内、避难硐的上侧面内和避难硐的后侧面内均布设四个传感器监测点；其中，避难硐的左侧面为避难硐的入口；

步骤102、在四个传感器监测点处分别安装氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器。

3.按照权利要求1所述的一种基于神经网络的避难硐室实时状态监测方法，其特征在于：步骤二中从M组气体浓度中选择训练集和测试集，具体过程如下：

步骤201、各个氧气传感器按照预先设定的采样时间对避难硐内的氧气浓度进行检测，并将各个氧气传感器各个采样时刻采集到的氧气浓度发送至数据处理器；各个一氧化碳传感器按照预先设定的采样时间对避难硐内的一氧化碳浓度进行检测，并将各个一氧化碳传感器各个采样时刻采集到的一氧化碳浓度发送至数据处理器；各个甲烷传感器按照预先设定的采样时间对避难硐内的甲烷浓度进行检测，并将各个甲烷传感器各个采样时刻采集到的甲烷浓度发送至数据处理器；各个二氧化碳传感器按照预先设定的采样时间对避难硐内的二氧化碳进行检测，并将各个二氧化碳传感器各个采样时刻采集到的二氧化碳浓度发送至数据处理器；

步骤202、直至达到设定的时间，数据处理器接收到M组气体浓度；其中，任一组气体浓度均包括同一个采样时刻采集到的氧气浓度值、一氧化碳浓度值、甲烷浓度值和二氧化碳浓度值；其中，M为正整数；

步骤203、数据处理器从M组气体浓度中选择处于连续采样时间的M′组气体浓度；其中，M′为正整数，且M′小于M；

步骤204、数据处理器从M′组气体浓度中选择m组气体浓度作为训练集，数据处理器将M′组气体浓度中剩余的多组气体浓度作为测试集；其中，m为正整数，m＜M′。

Images