CN114417729A - 一种基于bp神经网络的矿区环境安全预警方法 - Google Patents
一种基于bp神经网络的矿区环境安全预警方法 Download PDFInfo
- Publication number
- CN114417729A CN114417729A CN202210099817.3A CN202210099817A CN114417729A CN 114417729 A CN114417729 A CN 114417729A CN 202210099817 A CN202210099817 A CN 202210099817A CN 114417729 A CN114417729 A CN 114417729A
- Authority
- CN
- China
- Prior art keywords
- mining area
- area environment
- early warning
- data
- output
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于BP神经网络的矿区环境安全预警方法,属于人工智能技术领域。本发明的步骤为:S1、利用某矿区环境监控平台的数据采集模块采集矿区环境数据;S2、将采集到的矿区环境数据进行预处理;S3、根据矿区环境数据的特点,确定符合特点的模型框架;S4、利用步骤S2中的训练集对步骤S3中BP神经网络进行训练;S5、根据步骤S2中的训练集对步骤S3中矿区环境预警模型;S6、将步骤S5中通过性能测试的矿区环境预警模型用于实际的矿区环境检测中;S7、当步骤S6中输出的人工标签为实时数据属于预警数据或报警数据时,则触发报警功能,否则,不触发报警功能。本发明操作简便,可以对环境安全进行综合预警,避免了环境安全隐患。
Description
技术领域
本发明涉及人工智能技术领域,具体为一种基于BP神经网络的矿区环境安全预警方法。
背景技术
对矿区环境安全进行预警,是矿区环境安全的核心问题。传统的预警方法主要是基于阈值预警的方法,然而这种预警方法存在内在的不足之处,基于阈值预警的方法存在当某个指标超过阈值便提示报警的技术问题,不能有效分析多个环境影响指标对环境安全造成的影响,单纯依靠阈值报警存在严重预警不准确的问题。
发明内容
本发明的目的在于提供一种基于BP神经网络的矿区环境安全预警方法,操作简便,可以对环境安全进行综合预警,避免了环境安全隐患,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于BP神经网络的矿区环境安全预警方法,包括以下步骤:
S1、利用某矿区环境监控平台的数据采集模块采集矿区环境数据;
S2、将采集到的矿区环境数据进行预处理,进行缺失数据填充和冗余数据剔除操作,并进行人工标注标签,分为正常、预警和报警三类标签;
将所述预处理的数据进行归一化处理,形成归一化数据集(x,y),并将所归一化数据集分为训练集和测试集;其中x表示矿区环境数据,y表示矿区环境数据的情况是正常、预警还是报警;
S3、根据矿区环境数据的特点,确定符合所述特点的模型框架,建立BP神经网络;所述BP神经网络包括输入层,隐含层和输出层;
BP神经网络的建立包括以下步骤:
S301、网络初始化:根据所述输入输出序列(x,y)确定BP神经网络的输入层节点数n、隐含层节点数p,输出层节点数m初始化输入层、隐含层和输出层神经元之间的连接权值ω,初始化隐含层偏置a,输出层偏置b,给定学习速率和神经元激活函数;
S302、隐含层输出计算:根据输入向量X,ω和a,计算隐含层的输出H;
输出层输出计算:根据所述隐含层的输出H,连接权值ω和偏置b,计算BP神经网络的输出O;
S303、误差计算:根据BP神经网络预测输出O和期望输出Y,计算BP神经网络预测误差E;
S304、权值和偏置更新:根据网络预测误差E更新网络连接权值和偏置;
判断算法迭代是否结束,若没有结束,则返回步骤S302;
S4、利用步骤S2中的训练集对步骤S3中所述BP神经网络进行训练,形成矿区环境预警模型;将所述训练集中的矿区环境数据作为BP神经网络的数据,并输出所述BP神经网络的预测结果,并将预测结果与输入的训练集中的矿区环境数据相对性的人工标注标签相比较;根据预测结果和所述人工标注标签的偏差值,对所述BP神经网络的内部参数进行调整,形成可以根据矿区环境数据进行精准的矿区环境数据环境预警模型;
S5、根据步骤S2中的训练集对步骤S3中所述矿区环境预警模型,根据性能测试的结果判断矿区环境预警模型是否存在问题,若存在问题,则重复步骤S3-步骤S5,直至矿区环境预警模型通过性能测试;
S6、将步骤S5中通过性能测试的矿区环境预警模型用于实际的矿区环境检测中,利用数据采集模块采集矿区的实时数据,并作为输入应用到矿区环境预警模型中,所述矿区环境预警模型输出实时数据对应的人工标注标签;
S7、当步骤S6中输出的人工标签为实时数据属于预警数据或报警数据时,则触发报警功能,否则,不触发报警功能。
进一步地,所述信号前向传播的过程为:信号从所述输入层经过所述隐含层,最后到达所述输出层;所述隐含层的建立过程为:
其中,Hj表示第j个隐含层的输出结果,g表示激活函数,i表示输入节点的个数,ωij表示输入层到隐含层的权重,xi表示输入层的第i个神经元的输入,aj表示输入层到隐含层的偏置;
所述输出层的建立过程为:
其中,Ok表示输出层第k个神经元的输出,ωjk表示隐含层到输出层的权重,bk表示隐含层到输出层的偏置。
进一步地,所述误差传播采用梯度下降法,损失函数的计算公式为:
其中,E表述所述预测值和所述真实值的误差,m表示输出层节点的个数,Yk表示期望输出。
进一步地,所述权重和偏置的修正量与损失函数对该节点的梯度成正比,修正后的权重和偏置的建立过程为:
Qij=ωij+Δωj,Yij=bj+Δbj。
与现有技术相比,本发明的有益效果是:
本发明提供的一种基于BP神经网络的矿区环境安全预警方法,根据采集到的矿区环境数据建立矿区环境安全智能预警模型,通过BP神经网络对矿区环境数据进行挖掘,从而提高所述矿区环境安全预警模型对安全隐患诊断的准确率。本发明以矿区环境数据为基础建立矿区环境安全智能预警模型,利用实时采集的矿区环境数据通过所述矿区环境安全预警模型直接准确的判断出有误安全隐患,并及时预警,防止事故的发生;利用BP神经网络对隐藏安全隐患信息进行深度挖掘,具备较高的信息提取能力,能够为矿区环境安全智能预警带来较好的结果;所得的结论准确,可以及时对安全隐患进行发现并预警,有效阻止安全事故的发生。
附图说明
图1为本发明的方法流程图。
具体实施方式
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,所描述的实施例仅仅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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,本实施例提供一种基于BP神经网络的矿区环境安全预警方法,采集矿区环境数据,进行数据预处理,得到归一化样本集,然后设计合理的划分方法划分所述归一化样本集中的样本,形成样本的训练集和测试集;所述训练集的样本用以训练BP神经网络,构建矿区环境安全预警模型;根据矿区环境安全预警模型的预测结果与所测矿区环境数据对应的人工标注标签的偏差来调整预警模型内部权重参数,所述测试集的样本用以对矿区环境安全预警模型进行性能测试,进而提升所述矿区环境安全预警模型诊断的精准度,具体包括以下步骤:
S1、利用某矿区环境监控平台的数据采集模块采集矿区环境数据;所述矿区环境数据包括化学需氧量(COD)、氢离子浓度指数(PH)、环境空气中空气动力学当量直径小于等于10微米的颗粒物(PM10)、噪音、流量、温度和湿度;
S2、将采集到的所述矿区环境数据进行人工标注标签,判断每一组矿区环境数据是否属于预警数据;
将所述矿区环境数据进行数据预处理操作,包括缺失值填充,归一化处理等,形成归一化样本集合(x,y),并将所述归一化数据集分为训练集data_train(x,y)和测试集test_train(x,y);其中x表示矿区环境数据,y表示矿区环境数据的情况是正常、预警还是报警;其中所述训练集data_train(x,y)对BP神经网络模型进行性能训练形成矿区环境安全预警模型,所述测试集test_train(x,y)对所述矿区环境安全预警模型进行性能测试,判断所述矿区环境安全预警模型是否能够通过性能测试;
S3、根据矿区环境数据的特点,确定符合所述特点的模型框架,建立BP神经网络;所述BP神经网络包括输入层、卷积层和输出层;
所述BP神经网络的建立包括以下步骤:
S301、网络初始化:根据所述输入输出序列确定BP神经网络的输入层节点数为n、隐含层节点数为l,输出层节点数为m,输入层到隐含层的权重ωij,隐含层到输出层的权重ωjk,输入层到隐含层的偏置aj,隐含层到输出层的偏置为bk,学习速率为η激活函数为g(x);其中输入层到隐含层的激活函数取tan函数,隐含层到输出层的激活函数取sigmoid函数,Sigmoid函数的计算过程为:
Sigmoid函数的输出范围是0到1,由于输出值限定在0到1,因此它对每个神经元的输出进行归一化;
tanh激活函数的计算过程为:
tanh函数的输出范围是[-1,1]区间;
S302、隐含层输出计算:根据输入向量X,w和a,计算隐含层的输出H,隐含层输出的计算过程为:
其中,Hj表示隐含层第j个节点的输出结果,g表示激活函数,i表示输入节点的个数,ωij表示输入层到隐含层的权重,xi表示输入层的第i个神经元的输入,aj表示输入层到隐含层的偏置;
输出层输出计算:根据所述隐含层的输出H,连接权值w和偏置b,计算BP神经网络的输出O,输出层的计算过程为:
Ok表示第k个神经元的输出结果,g是神经元的激活函数,sigmoid激活函数作为输出层激活函数,l表示输出层节点数,代表该项目一共有多少类别进行分类;
S303、误差计算:根据BP神经网络预测输出O和期望输出Y,计算BP神经网络预测误差E,误差的计算过程为:
S304、权值和偏置更新:根据网络预测误差E更新网络连接权值和偏置,权值更新的计算过程为:
偏置更新的计算过程为:
判断算法迭代是否结束,若没有结束,则返回步骤S302;
S4、利用步骤S2中的训练集对步骤S3中的BP神经网络进行训练,形成矿区环境安全预警模型;将所述训练集中的矿区环境数据作为BP神经网络的输入,并输出BP神经网络的预测结果,并将所述预测结果,与输入所属的训练集中的矿区环境数据相对应的人工标注标签相比较;根据预测结果和人工标注标签的偏差值,对BP神经网络模型的内部参数进行调整,形成可以根据矿区环境数据进行精准预警的矿区环境安全预警模型;
S5、根据步骤S2中测试集对步骤S4中的矿区环境安全预警模型进行测试,根据所述性能测试的结果判断矿区环境安全预警模型是否存在问题,若存在问题,则重复步骤S3-S5,直至矿区环境安全预警模型通过性能测试;
S6、将步骤S5中通过性能测试的矿区环境安全预警模型用于实际的矿区环境数据中,利用数据采集模块采集矿区的实时数据,并作为输入应用到矿区环境安全预警模型中,所述矿区环境安全预警模型输出实时数据对应的人工标注标签;
S7、当步骤S6中输出的人工标注标签为实时数据属于预警或报警数据时,则触发报警功能,否则,不触发报警功能。
本实施例将归一化样本集的80%作为训练集,20%作为测试集,利用本发明提出的方法和设计的人工智能算法模型,对矿区环境监控数据的异常进行安全预警,判断是否存在安全隐患并输出矿区环境的异常情况,能够使矿区环境安全预警的成功率达到98.68%。
综上所述:本发明提供的一种基于BP神经网络的矿区环境安全预警方法,根据采集到的矿区环境数据建立矿区环境安全智能预警模型,通过BP神经网络对矿区环境数据进行挖掘,从而提高所述矿区环境安全预警模型对安全隐患诊断的准确率。本发明以矿区环境数据为基础建立矿区环境安全智能预警模型,利用实时采集的矿区环境数据通过所述矿区环境安全预警模型直接准确的判断出有误安全隐患,并及时预警,防止事故的发生;利用BP神经网络对隐藏安全隐患信息进行深度挖掘,具备较高的信息提取能力,能够为矿区环境安全智能预警带来较好的结果;所得的结论准确,可以及时对安全隐患进行发现并预警,有效阻止安全事故的发生。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于BP神经网络的矿区环境安全预警方法,其特征在于,包括以下步骤:
S1、利用某矿区环境监控平台的数据采集模块采集矿区环境数据;
S2、将采集到的矿区环境数据进行预处理,进行缺失数据填充和冗余数据剔除操作,并进行人工标注标签,分为正常、预警和报警三类标签;
将所述预处理的数据进行归一化处理,形成归一化数据集(x,y),并将所归一化数据集分为训练集和测试集;其中x表示矿区环境数据,y表示矿区环境数据的情况是正常、预警还是报警;
S3、根据矿区环境数据的特点,确定符合所述特点的模型框架,建立BP神经网络;所述BP神经网络包括输入层,隐含层和输出层;
BP神经网络的建立包括以下步骤:
S301、网络初始化:根据所述输入输出序列(x,y)确定BP神经网络的输入层节点数n、隐含层节点数p,输出层节点数m初始化输入层、隐含层和输出层神经元之间的连接权值ω,初始化隐含层偏置a,输出层偏置b,给定学习速率和神经元激活函数;
S302、隐含层输出计算:根据输入向量X,ω和a,计算隐含层的输出H;
输出层输出计算:根据所述隐含层的输出H,连接权值ω和偏置b,计算BP神经网络的输出O;
S303、误差计算:根据BP神经网络预测输出O和期望输出Y,计算BP神经网络预测误差E;
S304、权值和偏置更新:根据网络预测误差E更新网络连接权值和偏置;
判断算法迭代是否结束,若没有结束,则返回步骤S302;
S4、利用步骤S2中的训练集对步骤S3中所述BP神经网络进行训练,形成矿区环境预警模型;将所述训练集中的矿区环境数据作为BP神经网络的数据,并输出所述BP神经网络的预测结果,并将预测结果与输入的训练集中的矿区环境数据相对性的人工标注标签相比较;根据预测结果和所述人工标注标签的偏差值,对所述BP神经网络的内部参数进行调整,形成可以根据矿区环境数据进行精准的矿区环境数据环境预警模型;
S5、根据步骤S2中的训练集对步骤S3中所述矿区环境预警模型,根据性能测试的结果判断矿区环境预警模型是否存在问题,若存在问题,则重复步骤S3-步骤S5,直至矿区环境预警模型通过性能测试;
S6、将步骤S5中通过性能测试的矿区环境预警模型用于实际的矿区环境检测中,利用数据采集模块采集矿区的实时数据,并作为输入应用到矿区环境预警模型中,所述矿区环境预警模型输出实时数据对应的人工标注标签;
S7、当步骤S6中输出的人工标签为实时数据属于预警数据或报警数据时,则触发报警功能,否则,不触发报警功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210099817.3A CN114417729A (zh) | 2022-01-27 | 2022-01-27 | 一种基于bp神经网络的矿区环境安全预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210099817.3A CN114417729A (zh) | 2022-01-27 | 2022-01-27 | 一种基于bp神经网络的矿区环境安全预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417729A true CN114417729A (zh) | 2022-04-29 |
Family
ID=81279879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210099817.3A Pending CN114417729A (zh) | 2022-01-27 | 2022-01-27 | 一种基于bp神经网络的矿区环境安全预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417729A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411383A (zh) * | 2023-12-15 | 2024-01-16 | 华夏天信智能物联股份有限公司 | 集成式矿用变频调速设备控制方法、装置及电子设备 |
-
2022
- 2022-01-27 CN CN202210099817.3A patent/CN114417729A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411383A (zh) * | 2023-12-15 | 2024-01-16 | 华夏天信智能物联股份有限公司 | 集成式矿用变频调速设备控制方法、装置及电子设备 |
CN117411383B (zh) * | 2023-12-15 | 2024-02-20 | 华夏天信智能物联股份有限公司 | 集成式矿用变频调速设备控制方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757309B (zh) | 多物理场监测数据协同融合的工程灾害预警方法及系统 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
CN109681391B (zh) | 一种叶根螺栓断裂故障检测方法及介质 | |
CN112257942B (zh) | 一种应力腐蚀开裂预测方法及系统 | |
CN115758290A (zh) | 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN112085621A (zh) | 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法 | |
CN111126868A (zh) | 一种道路交通事故发生风险确定方法及系统 | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
CN113780094B (zh) | 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法 | |
CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN111476102A (zh) | 一种安全防护方法、中控设备及计算机存储介质 | |
CN113722140A (zh) | 基于小样本学习的工业报警泛滥根源诊断方法及存储介质 | |
CN113135480A (zh) | 基于局部和整体特征的电梯故障预警方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN116738332A (zh) | 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 | |
CN109242008B (zh) | 一种样本类别不完备条件下的复合故障识别方法 | |
CN114863210A (zh) | 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN117171681B (zh) | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 | |
CN113419140B (zh) | 一种考虑人机物协同的配网线路故障诊断方法及装置 |
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 |