CN114046179B - 一种基于co监测数据智能识别和预测井下安全事故的方法 - Google Patents
一种基于co监测数据智能识别和预测井下安全事故的方法 Download PDFInfo
- Publication number
- CN114046179B CN114046179B CN202111084591.1A CN202111084591A CN114046179B CN 114046179 B CN114046179 B CN 114046179B CN 202111084591 A CN202111084591 A CN 202111084591A CN 114046179 B CN114046179 B CN 114046179B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- carbon monoxide
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 68
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 70
- 238000012360 testing method Methods 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 abstract description 17
- 230000004913 activation Effects 0.000 description 20
- 238000004519 manufacturing process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000005065 mining Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 238000013499 data model Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000005422 blasting Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- Alarm Systems (AREA)
Abstract
一种基于CO监测数据智能识别和预测井下安全事故的方法。本发明是基于神经网络模型对煤矿中一氧化碳检测数据进行有效识别，将所述一氧化碳检测数据输入至训练好的神经网络模型中即可实时获得检测数据背后的事故原因，由此，现有技术人员无需再通过人工统计或者数据录入才能实现对一氧化碳数据超标背后的事故原因做客观统计，大大提高了智能识别的效率，即便存在误差，工作人员也只需部分修改数据即可。
Description
技术领域
本发明公开一种基于CO监测数据智能识别和预测井下安全事故的方法，属 于井下智能的技术领域。
背景技术
煤矿生产工作一般都是在地下进行开采的多环节、多工序的过程，地质和开 采条件过程复杂，不安因素也非常多，经常受到瓦斯、水火、一氧化碳、通风、 温度和顶板等各种威胁。因此只有把煤矿安全放在工作的首位才能确保井下的工 作人员的安全还有煤矿生产工作的正常进行。现如今，对报警原因的预测是煤炭 生产的首要工作。而且，很多煤矿产业对报警原因还停留在手工记录阶段，大部分都是依靠工作人员在井下手工记录，然后再录入系统存储，这使得隐患得不到 及时的反馈处理和统计。而且矿下工作还包括很多由正常工作引起的传感器报 警，比如爆破、标校和维修电路等各种原因，因此还造成了时间的浪费。不仅如 此，在煤矿开采历史中，发现大部分的伤亡事故都是由于“三违”造成的，总而言之就是人为原因，为了避免这些错误，减少“三违”现象，也就需要加强对开 采人员的合规性检查和自身的安全意识，才能从根本上减少伤亡事故的发生。
对矿井一氧化碳传感器报警原因进行预测和准确分析在煤矿生产工作中至 关重要，造成该一氧化碳传感器出现不准确数据的原因多种多样，比如爆破、标 校、传感器长时间受潮和维修电路等各种原因。但是由于原因种类多元，而且影 响传感器的原理都不尽相同，因此，如何将上述客观因素的影响引入一氧化碳传 感器的监测中并取得准确的报警信息或预测信息就显得尤为重要。
2020年7月公开的由廖英雷发表的《基于相关性分析的瓦斯异常值检测与 预警》中记载：为了实现瓦斯险情的分级预警，在分析异常数据之间关联性的基 础上，构建了基于权值优化的Apriori关联规则的(Gas early warning modcl of WeightOptimizationApriori，WO-Apriori)瓦斯险情预警模型。首先，将前述 算法检测出的瓦斯浓度及相关监测异常数据二元化，构建关联规则的学习集。其 次，计算学习集的支持度，寻找高频高频项集中产生关联规则。最后，依据关联 规则，设计分级预警机制，从而判断异常数据的有效性，实现瓦斯事故隐患分级预警。现有技术虽然可以对瓦斯险情进行分级预警，但是瓦斯分级预警对应何种 事故原因却没有体现。
发明内容
针对现有存在的技术问题，本发明公开一种基于CO监测数据智能识别和预 测井下安全事故的方法。本发明是基于神经网络模型对煤矿中一氧化碳检测数据 进行有效识别，将所述一氧化碳检测数据输入至训练好的神经网络模型中即可实 时获得检测数据背后的事故原因，由此，现有技术人员无需再通过人工统计或者 数据录入才能实现对一氧化碳数据超标背后的事故原因做客观统计，大大提高了 智能识别的效率，即便存在误差，工作人员也只需部分修改数据即可。
一种基于CO监测数据智能识别方法的概述：
本发明通过输入一氧化碳传感器报警时的数据，并对各组数值添加标签：即 报警原因，例如标校、爆破、维修电路和传感器长时间受潮引起报警时某一段时 间产生的传感器的值；基于全连接神经网络对这些数据进行分析：先对数据进行 预处理，并将预处理后的数据分成训练集和测试集，然后搭建一个基于全连接神 经网络的识别模型，利用训练集对模型进行训练，然后利用测试集对训练后得到的模型进行测试，最后得到最终分析结果，即利用测试后的模型进行识别，获得 引起所述一氧化碳传感器数据的技术报警原因。
本发明的技术方案通过建立符合矿井实际工况的神经网络数据模型，后续使 用时，只需将井下的一氧化碳传感器数据输入所述神经网络数据模型，即可通过 输出获得井下对应一氧化碳传感器所在区域的CO安全生产数据，并输出超出危险 阈值的数据可能的技术原因。因此，本发明可以实时根据一氧化碳传感器数据进行分析及时得出所述一氧化碳传感器所在区域的安全生产情况，并对引起该非安 全生产的技术原因进行及时反馈，帮助工作人员排除、消灭风险。
本发明还公开一种基于CO监测数据智能预测井下安全事故的方法，概述如 下：
基于RBF神经网络对这些数据进行分析，先对数据进行归一化处理，并将归 一化处理后的数据分成训练集和测试集，然后搭建一个基于RBF神经网络的预测 模型，利用训练集对模型进行训练，然后利用测试集对训练后得到的模型进行测试，根据训练好的预测模型预测往后一段时间一氧化碳传感器的值，判断是否会 超过阈值而报警，如果是，把数据输入全连接神经网络训练的模型中，得到对应 的技术报警原因。
本发明的技术方案通过建立符合矿井实际工况的神经网络数据模型，后续使 用时，只需将井下的一氧化碳传感器数据输入所述数据模型，即可通过输出：预 测井下对应一氧化碳传感器所在区域的安全生产数据是否超出危险阈值，以及对 应此趋势可能的技术原因。因此，本发明还提前预测是否会报警从而防患于未然， 使得隐患得到及时处理。本发明所述方法有利于为：工作人员的合规性检查、对煤矿生产工作的全面管理、监察人员的安全自检等提供客观参考数据。真正的做 到将大数据处理结果应用到矿业安全生产中，指导矿业科学管理和安全风险管 控。
本发明详细的技术方案如下：
一种基于CO监测数据智能识别方法，其特征在于，包括：
1)对采集到的引起报警原因的一氧化碳数据进行预处理：
将所述一氧化碳数据分为训练集和测试集，所述训练集和测试集分别包括多 组数据：每组一氧化碳数据为x＝{x1,x2,Λ,xn}，每组报警原因为 o＝{o1,o2,Λ,op}，在本发明的实施中，选取200组一氧化碳传感器报警时的数据 进行分析，前180组数据作为训练集，后20组数据作为测试集；
采用Min-Max标准化把全部一氧化碳数据映射到[0,1]之间：
本技术特征用于消除数据之间的量纲影响，进行综合对比评价，使得神经网 络的运行效率和预测精度更高，需要对原始数据进行标准化处理；
2)反归一化处理：
在公式(I)和(II)中，zi是预处理后的数据，和/>是每组 一氧化碳数据中的最小值和最大值；
3)构建全连接神经网络模型：
包括输入层、隐藏层和输出层；
所述输入层的神经元个数为n；
隐藏层的层数为3层，神经元的个数分别为s1,s2,s3；
输出层的神经元个数为p，如附图1所示；
还包括激活函数：Sigmoid函数，Sigmoid函数是使用范围最广的一种激活函 数，它是便于求导的平滑函数，并且与正态分布函数的积分形式相似，导数计算 相对简单，满足全连接网络频繁求导的需要，而且能够压缩数据，保证数据幅度 不会有问题，取值范围为(0,1)，将一个实数映射到(0,1)的区间，适合用来做二分类问题，满足本文的需要，Sigmoid函数定义为：
在公式(III)中，所述x为神经元的输入值；
一个神经网络包括输入层、隐藏层和输出层；一个神经层由多个神经元构成， 每个神经元由权重、阈值和激活函数构成，因此搭建一个神经网络需要多个权重、 阈值和激活函数；
在构建全连接神经网络需要定义权重和偏置：由于一个神经层中会有多个权 重值，这些权重值特点基本相似，所以用一个变量来存储这个神经层的所有权重 值，所述权重的初始值一般为随机变量，每个神经元只有一个偏置，其初始值通 常为不为0的小数，例如0.1；
同时，定义激活函数：选取合适的激活函数，激活函数是完成数据的非线性 变换，解决线性模型的表达、分类能力不足问题，它的存在使得神经网络的“多 层”有了实际意义，使网络更加强大，增强网络的能力，使它可以学习复杂的事 物，复杂的数据，以及表示输入输出之间非线性的复杂的任意函数映射。常用的 激活函数有Sigmoid函数、Tanh函数、ReLu函数、Swish函数和GLU函数；
4)利用训练集对所述全连接神经网络模型进行训练
4-1)输入层到隐含层的求解：
在公式(IV)中，yi是隐含层求解的结果；wij表示前一层第j个神经元与当 前层第i个神经元之间的权重，其中神经网络是一组按层次组成的神经元，每个 神经元都是一个数学运算，它接受输入乘以它的权重，然后通过激活函数将总和 传递给其他神经元之间的权重，所述权重初始值是任意选定的，后根据反向传播对权重进行更新；zj表示前一层第j个神经元的输出值；bi表示隐含层第i个神 经元的偏置项，所述偏置项初始值是任意选定的，初始值通常为不为0的小数， 后根据梯度下降对偏置项进行更新；
4-2)隐含层到输出层的求解：
在公式(V)中，oi是输出层求解的结果；wij表示前一层第j个神经元与当 前层第i个神经元之间的权重；yj表示前一层第j个神经元的输出值；bi表示输 出层第i个神经元的偏置；
4-3)采用损失函数为：
在公式(VI)中,p是一氧化碳传感器报警原因的个数，即输出层神经元的个 数；ψi是所有训练集中第i报警种原因所占的比例，是o'i是输出层第i个神经元 的模型输出值，oi是输出层求解的结果；
4-4)对所述权重和偏置项进行调整的方法为：
在公式(VII)和(VIII)中，Δw为权重的调整量，Δb为偏置项的调整量，α为 学习率，表示按梯度方向进行搜索的步长因子，在(0，1]之间取值；w表示为前 一层神经元与当前层神经元之间的权重；b表示当前层神经元的偏置项；
得出调整前后的权重关系为:
w(k+1)＝w(k)+Δw(k) (IX)
调整前后的偏置项关系为：
b(k+1)＝b(k)+Δb(k) (X)
w(k)和b(k)分别表示第k次调整后的权重和偏置项；
全局均方误差为：
在公式(XI)中，m是训练集的组数，p是一氧化碳传感器报警原因的个数， 即输出层神经元的个数，ψi是所有训练集中第i种报警原因所占的比例，o(k)'i表 示第k组训练集中输出层第i个神经元的模型输出值，o(k)i表示第k组训练集 中输出层第i个神经元的真实值；
通过不断迭代调整权重和偏置项，使全局均方误差小于可接受的数值时，训 练结束，最终得到训练后的全连接神经网络模型，所述可接受的数值是人为设定 的均方差数值，可以根据具体应用场景进行调整，比如0.000001；
5)用测试集对训练后的全连接神经网络模型进行测试：
直至根据全连接神经网络模型对一氧化碳传感器数据进行测试所得对应的 报警原因数据与真实值相同；
6)输入待识别的一氧化碳传感器数据，输出所得对应的报警原因数据。
一种基于CO监测数据智能预测井下安全事故的方法，其特征在于，包括：
7)数据准备：输入待预测一氧化碳传感器的数据值，提取一分钟内每秒监 测到的一氧化碳传感器的数据值作为训练数据，记为x＝{x1，x2，...，x60}；网络 的设计和训练过程不会因训练样本的多少而改变,只是大容量的样本训练出来的 网络预报误差更小,外推能力更强；
8)对训练数据归一化处理：
9)反归一化处理计算公式：
其中,zi是归一化处理后的数据；
10)对归一化处理后的数据分组，10个数据为一组，此处zn～zn+9为一组，n∈ [1、2......51]，共分为51组数据；将前45组样本作为训练集，将后6组样本作 为测试集；
11)构建RBF神经网络预测模型，训练集训练预测模型：
其中，spread为径向基函数的分布密度，P表示一氧化碳数据训练样本的输 入矩阵T表示期望输出矩阵([z10 z11 … z55])，newrbe 在Matlab工具箱函数中直接调用，用于创建一个准确的RBF网络，网络的创建过程 也是训练过程，net是通过newrbe创建的准确RBF神经网络；
12)改变spread的值，均方误差：
p是测试集的个数；y'i是测试集第i组的的预测值，yi是测试集第i组的真实 值；
逐步从1.0开始增加spread的值，直至找到均方误差最小时对应的spread， 形成训练好的RBF神经网络模型；
13)根据测试集测试：
把测试集的数据代入所述训练好的RBF神经网络模型，即按步骤7～步骤12处 理，得到预测结果；
其中，仿真测试代码为：
out＝sim(net,test) (XVI)
其中，out是所述得到的预测结果；所述test是测试集的样本数据
如均方误差E在可接受范围内时，则所述RBF神经网络模型可用于一氧化碳 传感器值预测，此处所述的可接受范围是指人为根据应用的不同所做的常规调 整，不是本发明所要保护的内容；
14)将所述预测结果反归一化处理；
y'i是测试集第i组的的预测值,xk是一氧化碳传感器的值；
15)根据RBF神经网络模型预测一氧化碳传感器的数值，然后将预测的数值 代入所述步骤步骤4)-6)训练好的全连接神经网络模型进行检测，得到报警原因数据。
本发明有益技术效果:
1.目前深度学习的方法识别各传感器报警原因较少，本发明呈现了一种高 效的传感器报警原因分析过程，利用廉价的计算资源，减少大量人工成本。本发 明能够快速知道是否是由正常工作引起的传感器报警，比如爆破、标校和维修电 路等各种原因，使隐患得到及时的反馈处理和统计。进而实现煤矿企业的管理人对煤矿生产工作的全面管理。通过全连接神经网络提取输入各传感器某一报警原 因数据的特征，然后利用梯度下降，优化权重参数，对输入的数据进行识别分类， 采用误差反向传播的方法训练模型。
2.相较于人工统计方法，本发明结合RBF神经网络和全连接神经网络能以较 高的准确率预测传感器报警和识别多达20多种传感器报警原因。其预测准确率 高，能够防患于未然，识别种类多、可靠性高、快速和使用简便等特点可以在未 来的煤矿生产工作中发挥重要作用。实现更加精准的报警原因分析和预测，不会 因为数据量的大小而产生报警原因的错漏。通过本专利可以预测出传感器是否会报警，如果报警是由哪种原因引起的，有利于工作人员快速解决问题，使得隐患 及时的反馈处理和统计。这对于实际使用过程中的煤矿生产工作具有重要意义。
3.本发明可以及时性的传感器报警原因分析，让相关监察人员快速进行所 需要的传感器报警原因分析，这有利于加强对工作人员的合规性检查，减少“三 违”行为的发生，有效减少伤亡事故的发生。有利于实现煤矿企业的管理人对煤 矿生产工作的全面管理，加强国家监察人员的安全自检，从而减少伤亡事故的发生。
4.本发明减少主观差异性，不会因为工作人员的主观判断而造成传感器报 警原因的差异性。本专利可以提前预测出一氧化碳传感器是否会报警，如果会， 还能判断出是由哪种原因引起的，这不仅可以防患于未然，使得隐患得到及时处 理，还能够快速知道是不是由正常工作引起的传感器报警，从而能够及时的反馈处理和统计，大大节省了时间，降低煤矿灾害。
附图说明
图1是本发明所构建全连接神经网络的网络结构示意图；
图2是本发明利用全连接神经网络模型进行训练的结构示意图；
图3是一种基于CO监测数据智能识别方法流程图；
图4是一种基于CO监测数据智能预测井下安全事故的方法流程图；
图5是spread值与均方误差值的坐标图。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。
实施例1、
一种基于CO监测数据智能识别方法，包括：
1)对采集到的引起报警原因的一氧化碳数据进行预处理：
将所述一氧化碳数据分为训练集和测试集，所述训练集和测试集分别包括多 组数据：每组一氧化碳数据为x＝{x1,x2,Λ,xn}，每组报警原因为 o＝{o1,o2,Λ,op}，在本发明的实施中，选取200组一氧化碳传感器报警时的数据 进行分析，前180组数据作为训练集，后20组数据作为测试集；
采用Min-Max标准化把全部一氧化碳数据映射到[0,1]之间：
本技术特征用于消除数据之间的量纲影响，进行综合对比评价，使得神经网 络的运行效率和预测精度更高，需要对原始数据进行标准化处理；
2)反归一化处理：
在公式(I)和(II)中，zi是预处理后的数据，和/>是每组 一氧化碳数据中的最小值和最大值；
3)构建全连接神经网络模型：
包括输入层、隐藏层和输出层；
所述输入层的神经元个数为n；
隐藏层的层数为3层，神经元的个数分别为s1,s2,s3；
输出层的神经元个数为p，如附图1所示；
还包括激活函数：Sigmoid函数，Sigmoid函数是使用范围最广的一种激活函 数，它是便于求导的平滑函数，并且与正态分布函数的积分形式相似，导数计算 相对简单，满足全连接网络频繁求导的需要，而且能够压缩数据，保证数据幅度 不会有问题，取值范围为(0,1)，将一个实数映射到(0,1)的区间，适合用来做二分类问题，满足本文的需要，Sigmoid函数定义为：
在公式(III)中，所述x为神经元的输入值；
一个神经网络包括输入层、隐藏层和输出层；一个神经层由多个神经元构成， 每个神经元由权重、阈值和激活函数构成，因此搭建一个神经网络需要多个权重、 阈值和激活函数；
在构建全连接神经网络需要定义权重和偏置：由于一个神经层中会有多个权 重值，这些权重值特点基本相似，所以用一个变量来存储这个神经层的所有权重 值，所述权重的初始值一般为随机变量，每个神经元只有一个偏置，其初始值通 常为不为0的小数，例如0.1；
同时，定义激活函数：选取合适的激活函数，激活函数是完成数据的非线性 变换，解决线性模型的表达、分类能力不足问题，它的存在使得神经网络的“多 层”有了实际意义，使网络更加强大，增强网络的能力，使它可以学习复杂的事 物，复杂的数据，以及表示输入输出之间非线性的复杂的任意函数映射。常用的激活函数有Sigmoid函数、Tanh函数、ReLu函数、Swish函数和GLU函数；
4)利用训练集对所述全连接神经网络模型进行训练
4-1)输入层到隐含层的求解：
在公式(IV)中，yi是隐含层求解的结果；wij表示前一层第j个神经元与当 前层第i个神经元之间的权重，其中神经网络是一组按层次组成的神经元，每个神经元都是一个数学运算，它接受输入乘以它的权重，然后通过激活函数将总和 传递给其他神经元之间的权重，所述权重初始值是任意选定的，后根据反向传播 对权重进行更新；zj表示前一层第j个神经元的输出值；bi表示隐含层第i个神 经元的偏置项，所述偏置项初始值是任意选定的，初始值通常为不为0的小数， 后根据梯度下降对偏置项进行更新；
4-2)隐含层到输出层的求解：
在公式(V)中，oi是输出层求解的结果；wij表示前一层第j个神经元与当 前层第i个神经元之间的权重；yj表示前一层第j个神经元的输出值；bi表示输 出层第i个神经元的偏置；
4-3)采用损失函数为：
在公式(VI)中,p是一氧化碳传感器报警原因的个数，即输出层神经元的个 数；ψi是所有训练集中第i报警种原因所占的比例，是o'i是输出层第i个神经元 的模型输出值，oi是输出层求解的结果；
4-4)对所述权重和偏置项进行调整的方法为：
在公式(VII)和(VIII)中，Δw为权重的调整量，Δb为偏置项的调整量，α为 学习率，表示按梯度方向进行搜索的步长因子，在(0，1]之间取值；w表示为前 一层神经元与当前层神经元之间的权重；b表示当前层神经元的偏置项；
得出调整前后的权重关系为:
w(k+1)＝w(k)+Δw(k) (IX)
调整前后的偏置项关系为：
b(k+1)＝b(k)+Δb(k) (X)
w(k)和b(k)分别表示第k次调整后的权重和偏置项；
全局均方误差为：
在公式(XI)中，m是训练集的组数，p是一氧化碳传感器报警原因的个数， 即输出层神经元的个数，ψi是所有训练集中第i种报警原因所占的比例，o(k)'i表 示第k组训练集中输出层第i个神经元的模型输出值，o(k)i表示第k组训练集 中输出层第i个神经元的真实值；
通过不断迭代调整权重和偏置项，使全局均方误差小于可接受的数值时，训 练结束，最终得到训练后的全连接神经网络模型，所述可接受的数值是人为设定 的均方差数值，可以根据具体应用场景进行调整，比如0.000001；
5)用测试集对训练后的全连接神经网络模型进行测试：
直至根据全连接神经网络模型对一氧化碳传感器数据进行测试所得对应的 报警原因数据与真实值相同；
6)输入待识别的一氧化碳传感器数据，输出所得对应的报警原因数据。
实施例2、
一种基于CO监测数据智能预测井下安全事故的方法，包括：
7)数据准备：输入待预测一氧化碳传感器的数据值，提取一分钟内每秒监 测到的一氧化碳传感器的数据值作为训练数据，记为x＝{x1，x2，...，x60}；网络 的设计和训练过程不会因训练样本的多少而改变,只是大容量的样本训练出来的 网络预报误差更小,外推能力更强；
8)对训练数据归一化处理：
9)反归一化处理计算公式：
其中,zi是归一化处理后的数据；
10)对归一化处理后的数据分组，10个数据为一组，此处zn～zn+9为一组，n∈ [1、2......51]，共分为51组数据；将前45组样本作为训练集，将后6组样本作 为测试集；
11)构建RBF神经网络预测模型，训练集训练预测模型：
其中，spread为径向基函数的分布密度，P表示一氧化碳数据训练样本的输 入矩阵T表示期望输出矩阵([z10 z11 … z55])，newrbe 在Matlab工具箱函数中直接调用，用于创建一个准确的RBF网络，网络的创建过程 也是训练过程；
12)改变spread的值，均方误差：
p是测试集的个数；y'i是测试集第i组的的预测值，yi是测试集第i组的真实 值；
逐步从1.0开始增加spread的值，直至找到均方误差最小时对应的spread， 形成训练好的RBF神经网络模型；
13)根据测试集测试：
把测试集的数据代入所述训练好的RBF神经网络模型，即按步骤7～步骤12处 理，得到预测结果；
其中，仿真测试代码为：
out＝sim(net,test) (XVI)
其中，out是所述得到的预测结果；所述test是测试集的样本数据
如均方误差E在可接受范围内时，则所述RBF神经网络模型可用于一氧化碳 传感器值预测，此处所述的可接受范围是指人为根据应用的不同所做的常规调 整，不是本发明所要保护的内容；
14)将所述预测结果反归一化处理；
y'i是测试集第i组的的预测值,xk是一氧化碳传感器的值；
15)根据RBF神经网络模型预测一氧化碳传感器的数值，然后将预测的数值 代入所述步骤步骤4)-6)训练好的全连接神经网络模型进行检测，得到报警原因数据。
如图5所示，横坐标为spread值，纵坐标为均方误差值。通过实施例2逐步从 1.0开始增加spread的值，直至找均方误差最小时对应的spread，从图5可以发 现当spread为18的时候均方误差最小。
spread＝18，可以得到均方误差为0.0029，在可接受的范围，则所述RBF神 经网络模型可用于一氧化碳传感器值预测。
Claims (2)
1.一种基于CO监测数据智能识别方法，其特征在于，包括：
1)对采集到的引起报警原因的一氧化碳数据进行预处理：
将所述一氧化碳数据分为训练集和测试集，所述训练集和测试集分别包括多组数据：每组一氧化碳数据为x＝{x1,x2,…,xn}，每组报警原因为o＝{o1,o2,…,op}；
采用Min-Max标准化把全部一氧化碳数据映射到[0,1]之间：
2)反归一化处理：
在公式(I)和(II)中，zi是预处理后的数据，和/>是每组一氧化碳数据中的最小值和最大值；
3)构建全连接神经网络模型：
包括输入层、隐藏层和输出层；
所述输入层的神经元个数为n；
隐藏层的层数为3层，神经元的个数分别为s1,s2,s3；
输出层的神经元个数为p；
还包括激活函数：Sigmoid函数，取值范围为(0,1)，将一个实数映射到(0,1)的区间，Sigmoid函数定义为：
在公式(III)中，所述x为神经元的输入值；
4)利用训练集对所述全连接神经网络模型进行训练
4-1)输入层到隐含层的求解：
在公式(IV)中，yi是隐含层求解的结果；wij表示前一层第j个神经元与当前层第i个神经元之间的权重；zj表示前一层第j个神经元的输出值；bi表示隐含层第i个神经元的偏置项；
4-2)隐含层到输出层的求解：
在公式(V)中，oi是输出层求解的结果；wij表示前一层第j个神经元与当前层第i个神经元之间的权重；yj表示前一层第j个神经元的输出值；bi’表示输出层第i个神经元的偏置项；
4-3)采用损失函数为：
在公式(VI)中,p是一氧化碳传感器报警原因的个数，即输出层神经元的个数；ψi是所有训练集中第i报警种原因所占的比例，是o′i是输出层第i个神经元的模型输出值，oi是输出层求解的结果；
4-4)对所述权重和偏置项进行调整的方法为：
在公式(VII)和(VIII)中，Δw为权重的调整量，Δb为偏置项的调整量，α为学习率，表示按梯度方向进行搜索的步长因子，在(0，1]之间取值；w表示为前一层神经元与当前层神经元之间的权重；b表示当前层神经元的偏置项；
得出调整前后的权重关系为:
w(k+1)＝w(k)+Δw(k) (IX)
调整前后的偏置项关系为：
b(k+1)＝b(k)+Δb(k) (X)
w(k)和b(k)分别表示第k次调整后的权重和偏置项；
全局均方误差为：
在公式(XI)中，m是训练集的组数，p是一氧化碳传感器报警原因的个数，即输出层神经元的个数，ψi是所有训练集中第i种报警原因所占的比例，o(k)'i表示第k组训练集中输出层第i个神经元的模型输出值，o(k)i表示第k组训练集中输出层第i个神经元的真实值；
通过不断迭代调整权重和偏置项，使全局均方误差小于可接受的数值时，训练结束，最终得到训练后的全连接神经网络模型；
5)用测试集对训练后的全连接神经网络模型进行测试：
直至根据全连接神经网络模型对一氧化碳传感器数据进行测试所得对应的报警原因数据与真实值相同；
6)输入待识别的一氧化碳传感器数据，输出所得对应的报警原因数据。
2.如权利要求1所述一种基于CO监测数据智能识别方法，其特征在于，还包括：
7)数据准备：输入待预测一氧化碳传感器的数据值，提取一分钟内每秒监测到的一氧化碳传感器的数据值作为训练数据，记为x＝{x1，x2，...，x60}；
8)对训练数据归一化处理：
9)反归一化处理计算公式：
其中,zi是归一化处理后的数据；
10)对归一化处理后的数据分组，10个数据为一组，此处zn～zn+9为一组，n∈[1、2......51]，共分为51组数据；将前45组样本作为训练集，将后6组样本作为测试集；
11)构建RBF神经网络预测模型，训练集训练预测模型：
其中,spread为径向基函数的分布密度，P表示一氧化碳数据训练样本的输入矩阵T表示期望输出矩阵([z10 z11 … z55])，newrbe在Matlab工具箱函数中直接调用；
12)改变spread的值，均方误差：
p是测试集的个数；y′i是测试集第i组的预测值，yi是测试集第i组的真实值；
逐步从1.0开始增加spread的值，直至找到均方误差最小时对应的spread，形成训练好的RBF神经网络模型；
13)根据测试集测试：
把测试集的数据代入所述训练好的RBF神经网络模型，即按步骤7～步骤12处理，得到预测结果；
其中，仿真测试代码为：
out＝sim(net,test) (XVI)
其中，out是所述得到的预测结果；所述test是测试集的样本数据
如均方误差E在可接受范围内时，则所述RBF神经网络模型可用于一氧化碳传感器值预测；
14)将所述预测结果反归一化处理；
y′i是测试集第i组的的预测值,xk是一氧化碳传感器的值；
15)根据RBF神经网络模型预测一氧化碳传感器的数值，然后将预测的数值代入所述步骤4)-6)训练好的全连接神经网络模型进行检测，得到报警原因数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111084591.1A CN114046179B (zh) | 2021-09-15 | 2021-09-15 | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111084591.1A CN114046179B (zh) | 2021-09-15 | 2021-09-15 | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114046179A CN114046179A (zh) | 2022-02-15 |
| CN114046179B true CN114046179B (zh) | 2023-09-22 |
Family
ID=80204376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111084591.1A Active CN114046179B (zh) | 2021-09-15 | 2021-09-15 | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114046179B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5461699A (en) * | 1993-10-25 | 1995-10-24 | International Business Machines Corporation | Forecasting using a neural network and a statistical forecast |
| CN101975092A (zh) * | 2010-11-05 | 2011-02-16 | 中北大学 | 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法 |
| CN103711523A (zh) * | 2013-12-24 | 2014-04-09 | 华北科技学院 | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 |
| CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
| CN106815971A (zh) * | 2016-12-21 | 2017-06-09 | 西安工程大学 | 一种基于rbf神经网络的滑坡灾害预报方法 |
| CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
| CN109325470A (zh) * | 2018-10-24 | 2019-02-12 | 山西潞安环保能源开发股份有限公司 | 基于瓦斯浓度参数的井下工作面作业类型智能识别方法 |
| JP2019105979A (ja) * | 2017-12-12 | 2019-06-27 | 株式会社Ihi | 予測システム、予測方法、および予測プログラム |
| CN110135564A (zh) * | 2019-05-15 | 2019-08-16 | 深圳朴生智能科技有限公司 | 基于边缘计算的煤矿瓦斯传感器数据异常检测方法 |
| CN111324988A (zh) * | 2020-03-03 | 2020-06-23 | 山西西山煤电股份有限公司 | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 |
| WO2020126378A1 (de) * | 2018-12-19 | 2020-06-25 | Robert Bosch Gmbh | Verfahren zum trainieren eines neuronalen netzes |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
| CN112257935A (zh) * | 2020-10-26 | 2021-01-22 | 中国人民解放军空军工程大学 | 一种基于lstm—rbf神经网络模型的航空安全预测方法 |
| CN112308306A (zh) * | 2020-10-27 | 2021-02-02 | 贵州工程应用技术学院 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
| CN112330114A (zh) * | 2020-10-27 | 2021-02-05 | 南京航空航天大学 | 基于混合深度神经网络的飞机危险识别方法 |
| CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
| US20160086087A1 (en) * | 2014-09-19 | 2016-03-24 | King Fahd University Of Petroleum And Minerals | Method for fast prediction of gas composition |
-
2021
- 2021-09-15 CN CN202111084591.1A patent/CN114046179B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5461699A (en) * | 1993-10-25 | 1995-10-24 | International Business Machines Corporation | Forecasting using a neural network and a statistical forecast |
| CN101975092A (zh) * | 2010-11-05 | 2011-02-16 | 中北大学 | 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法 |
| CN103711523A (zh) * | 2013-12-24 | 2014-04-09 | 华北科技学院 | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 |
| CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
| CN106815971A (zh) * | 2016-12-21 | 2017-06-09 | 西安工程大学 | 一种基于rbf神经网络的滑坡灾害预报方法 |
| CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
| JP2019105979A (ja) * | 2017-12-12 | 2019-06-27 | 株式会社Ihi | 予測システム、予測方法、および予測プログラム |
| CN109325470A (zh) * | 2018-10-24 | 2019-02-12 | 山西潞安环保能源开发股份有限公司 | 基于瓦斯浓度参数的井下工作面作业类型智能识别方法 |
| WO2020126378A1 (de) * | 2018-12-19 | 2020-06-25 | Robert Bosch Gmbh | Verfahren zum trainieren eines neuronalen netzes |
| CN110135564A (zh) * | 2019-05-15 | 2019-08-16 | 深圳朴生智能科技有限公司 | 基于边缘计算的煤矿瓦斯传感器数据异常检测方法 |
| CN111324988A (zh) * | 2020-03-03 | 2020-06-23 | 山西西山煤电股份有限公司 | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
| CN112257935A (zh) * | 2020-10-26 | 2021-01-22 | 中国人民解放军空军工程大学 | 一种基于lstm—rbf神经网络模型的航空安全预测方法 |
| CN112308306A (zh) * | 2020-10-27 | 2021-02-02 | 贵州工程应用技术学院 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
| CN112330114A (zh) * | 2020-10-27 | 2021-02-05 | 南京航空航天大学 | 基于混合深度神经网络的飞机危险识别方法 |
| CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
Non-Patent Citations (5)
| Title |
|---|
| Hao Hui-juan等.Study on vision object tracking based on adaptive object segmentation.Application Research of Computers.2010,第27卷(第9期),全文. * |
| 程子均 ; 马六章 ; 张翼翔 ; .基于LSTM-FC的瓦斯浓度时空分布预测.计算机工程与应用.(16),全文. * |
| 胡裕峰 ; 方旎 ; 徐越 ; 周博曦 ; .基于混合神经网络与有限状态机的区域电网智能告警处理方法研究.供用电.2020,(07),全文. * |
| 袁战伟 ; 张云生 ; 王剑平 ; 丁文波 ; .基于BP神经网络的煤矿瓦斯数据辨识.云南大学学报(自然科学版).2009,(S2),全文. * |
| 许春芳 ; 乔元健 ; 李军 ; .基于LSTM和RBF-BP深度学习模型的火灾预测方法.齐鲁工业大学学报.2020,(03),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114046179A (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275333B (zh) | 污染数据处理方法和装置 | |
| Liu et al. | Risk analysis in ultra deep scientific drilling project—A fuzzy synthetic evaluation approach | |
| CN112183979B (zh) | 一种基于多源信息融合的危化品装卸安全风险评估方法 | |
| CN110458313A (zh) | 一种基于svm的电力用户信用风险预警方法及系统 | |
| CN113011796A (zh) | 一种基于“层次分析-神经网络”的食用油安全预警方法 | |
| Li et al. | Real‐Time Warning and Risk Assessment of Tailings Dam Disaster Status Based on Dynamic Hierarchy‐Grey Relation Analysis | |
| CN112257942B (zh) | 一种应力腐蚀开裂预测方法及系统 | |
| CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN115879654A (zh) | 一种地下巷道稳定性预测和可靠性评价方法 | |
| Chen et al. | Association mining of near misses in hydropower engineering construction based on convolutional neural network text classification | |
| CN116383722A (zh) | 一种基于门控循环单元神经网络的压裂措施过程监控方法 | |
| Jin et al. | Microseismicity-based short-term rockburst prediction using non-linear support vector machine | |
| CN117094184A (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
| CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
| Wang et al. | Uncertainty-aware trustworthy weather-driven failure risk predictor for overhead contact lines | |
| CN114046179B (zh) | 一种基于co监测数据智能识别和预测井下安全事故的方法 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN106777445A (zh) | 煤矿瓦斯预测方法 | |
| Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
| Nagode et al. | Gumbel mixture modelling for multiple failure data | |
| CN111221704A (zh) | 一种确定办公管理应用系统运行状态的方法及系统 | |
| Yuan et al. | Method for intelligently identifying underground safety accidents based on fully connected neural network | |
| Orland et al. | Deep Learning as a Tool for Rapidly Assessing Pore-Water Pressures on Hillslopes | |
| Zhang et al. | A Health Evaluation Method based on Fuzzy Grey Clustering and Combination Weighting for Artillery Fire System |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |