CN114648217A - 一种基于增量式极限学习机的煤矿安全风险预警方法 - Google Patents
一种基于增量式极限学习机的煤矿安全风险预警方法 Download PDFInfo
- Publication number
- CN114648217A CN114648217A CN202210263310.7A CN202210263310A CN114648217A CN 114648217 A CN114648217 A CN 114648217A CN 202210263310 A CN202210263310 A CN 202210263310A CN 114648217 A CN114648217 A CN 114648217A
- Authority
- CN
- China
- Prior art keywords
- coal mine
- model
- safety risk
- training
- learning machine
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013058 risk prediction model Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- UBOXGVDOUJQMTN-UHFFFAOYSA-N 1,1,2-trichloroethane Chemical compound ClCC(Cl)Cl UBOXGVDOUJQMTN-UHFFFAOYSA-N 0.000 description 1
- 101000892269 Meleagris gallopavo Beta-1 adrenergic receptor Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Physiology (AREA)
Abstract
本发明属于计算机/煤矿安全领域，具体涉及一种基于增量式极限学习机的煤矿安全风险预警方法，该方法包括：构建基于增量式极限学习机的煤矿安全风险预测模型；实时获取煤矿数据，对该数据进行预处理，将预处理后的数据输入到训练好的基于增量式极限学习机的煤矿安全风险预测模型中，得到该煤矿安全风险预测结果；根据煤矿安全风险预测结果对该煤矿进行预警；本发明的模型预测输出和实际事故发生状况拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对煤矿风险预测结果更可靠，更有优势。
Description
技术领域
本发明属于计算机/煤矿安全领域，具体涉及一种基于增量式极限学习机的煤矿安全风险预警方法。
背景技术
随着我国对煤矿监管监察力度的加强,综合利用云计算，人工智能，机器学习等技术进行检测预警越来越成为保障煤矿安全生产的重要解决方案。
在煤矿生产的信息化建设过程中,虽然积累了海量的煤矿安全生产数据,但基于安全生产方面相应的方法或模型较少,对事故安全隐患也没有一个统一的定义，很多丰富的煤矿生产数据无法为煤矿安全管理提供可靠的决策信息支撑。如何对这些海量的煤矿风险大数据进行分析和计算,发现煤矿生产中存在的潜在的隐患规律,如何在复杂多变的煤矿生产环境中对煤矿安全风险进行有效的建模，是当前急需解决的问题。
发明内容
为解决以上现有存在的问题，本发明提出了一种基于增量式极限学习机的煤矿安全风险预警方法，该方法包括：构建基于增量式极限学习机的煤矿安全风险预测模型；实时获取煤矿数据，对该数据进行预处理，将预处理后的数据输入到训练好的基于增量式极限学习机的煤矿安全风险预测模型中，得到该煤矿安全风险预测结果；根据煤矿安全风险预测结果对该煤矿进行预警；
对基于增量式极限学习机的煤矿安全风险预测模型进行训练的过程包括：
S1：获取历史煤矿数据，对获取的数据进行预处理，得到规整的隐患时间序列数据；煤矿数据包括煤矿每日隐患数量、隐患类型、隐患级别、矿井历史事故记录以及矿井基础数据；
S2：设置时间粒度t，根据设置的时间粒度对历史煤矿数据进行划分，得到训练样本；
S3：基于极限学习机构建非线性的煤矿生产安全风险模型，设置模型训练时的MSE阈值；
S4：初始化模型的超参数，并采用遗传算法筛选出最优的模型超参数；
S5：将数据集放入煤矿生产安全风险模型，根据筛选出的超参数对模型进行初训练，并通过广义逆矩阵获取模型输出层权重，并根据初训练结果选取最低MSE下的时间粒度t；
S6：根据最低MSE下的时间粒度t对模型进行增量训练，当预测MSE高于步骤S3中设置的MSE阈值时，对模型参数进行增量更新；
S7：对模型隐藏层数量进行更新，完成模型的训练过程。
优选的，对数据进行预处理的过程包括：对于一个矿区每天的隐患检查记录，按照隐患类型，隐患级别，检查单位提取同一时间段非缺失隐患数据，计算得到均值与方差，并利用计算得到的均值与方差对所有缺失值进行填充，得到规整的多粒度隐患度监测时间序列。
优选的煤矿安全风险预测模型超参数包括：模型隐藏层数L，最优时间粒度 t、模型权重W、隐藏层偏置bias以及模型输出层权重βi。
优选的，采用遗传算法筛选出最优的模型超参数的过程包括：
S41：初始化种群数、种群大小以及迭代次数；并对权重W与偏置bias进行随机取值；
S42：计算种群的适应度，计算适应度函数的表达为：
F＝min||MSETrainingset,MSETestingset||
其中MSETrainingset为训练集的均方误差，MSETestingset为测试集的均方误差；
S43：对种群进行选择、交叉以及变异操作，产生新的子种群；
S44：计算新的子种群的适应度，若适应度函数值小于上一次适应度值，则更新模型权重W和隐藏层偏置bias；
S45：当达到最大迭代次数时，得到最优的W和bias。
优选的，根据筛选出的超参数对模型进行初训练的过程包括：
S51：定义训练损失函数Function(H,T)＝min||Hβ-T||2,其中
其中，H为输出矩阵，β为输出层权重，T为实际值，g表示激活函数，
表示第
个输入权重，xN表示第N个变量，
表示第
个偏置，
表示第
个输出权重，
表示第N个标签值，N表示训练集的个数，
表示隐藏层的数量；S52：模型训练的过程即求解使得损失函数达到最小值时的输出层权重β，通过矩阵形式的最小二乘法计算模型的输出权重，其表达式为：
β＝(HTH)-1HTT
S53：通过T＝Hβ对测试集进行预测，并根据均方误差MSE选取最优时间粒度t。
优选的，对模型进行增量训练的过程包括：
S61：当预测MSE高于设定的MSE阈值时，定义增加训练数据后的损失函数
H0为上一次的隐藏层输出矩阵，H1为新增数据的输出矩阵；T0表示上一次的标签值，T1表示新增的标签值，β1表示需要求解的新的输出权重；
S62：根据广义逆矩阵的计算方法可得
其中：
K1表示输出矩阵与其转置矩阵的乘积；
S63：将增加样本后的公式转换成由已知常量β0,K1,H1和T1表示的函数，得到增量式极限学习机训练过程的递推公式；其表达式为：
其中，Kk+1表示第k+1次增量训练时隐层输出矩阵H转置相乘的结果；βk+1表示第k+1次增量训练时新的输出层权重的结果；Tk+1表示第k+1次增量训练时的训练标签；
S64：基于更新的输出层权重的结果β对测试集进行预测，预测结果为 T＝Hβ。
优选的，对模型隐藏层进行更新的过程包括：
S71：更新模型的权重W和偏置的值，权重更新公式为：Wl+1＝Wlw，偏置更新公式为bl+1＝blb，其中Wl和bl是更新之前含有l个隐含层节点数的权重和偏置，w为新增权重，b为新增偏置，且w和b为任意值；
S72：根据更新后的模型权重和偏置计算输出层矩阵；计算的表达式为：
Hl+1＝g([WlWl+1]X+[blbl+1])＝[Hlh]
其中，g表示激活函数，X表示特征值，Wl表示更新之前的权重，Wl+1表示新增的权重，bl表示更新之前的偏置，bl+1表示新增偏置，Hl表示隐层输出矩阵， h表示新增的输出矩阵；
S73：根据输出层矩阵更新隐藏层后的输出层权重，其表达式为：
βl+1＝(Hl+1)+Y＝([Hlh]T[Hlh])-1[Hlh]TY
其中，(Hl+1)+表示输出矩阵Hl+1的可逆矩阵，Y表示标签值，Hl表示原有的输出矩阵，h表示新增的输出矩阵。
优选的，基于增量式极限学习机的煤矿安全风险预测模型处理数据的过程包括：
其中，L表示隐藏层个数，g为激活函数，Wi表示模型中的权重，bias为隐藏层偏置，t表示时间窗口，xt表示t时间窗口下相关特征值，n表示为煤矿中矿井数量，βi表示输出层权重。
为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述基于增量式极限学习机的煤矿安全风险预警方法。
为实现上述目的，本发明还提供一种基于增量式极限学习机的煤矿安全风险预警装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于增量式极限学习机的煤矿安全风险预警装置执行任一上述基于增量式极限学习机的煤矿安全风险预警方法。
本发明的有益效果：
本发明采用可变粒度提取煤矿隐患的时空特征，并将特征融合后输出预测结果，最终训练好整个模型用于煤矿安全风险预测。本发明的模型预测输出和实际事故发生状况拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对煤矿风险预测结果更可靠，更有优势。
附图说明
图1为本发明的基于增量式极限学习机的煤矿安全风险预测方法的流程图；
图2为本发明中实施的增量式极限学习机模型效果图。
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。
一种基于增量式极限学习机的煤矿安全风险预警方法的具体实施方式，该方法包括：构建基于增量式极限学习机的煤矿安全风险预测模型；实时获取煤矿数据，对该数据进行预处理，将预处理后的数据输入到训练好的基于增量式极限学习机的煤矿安全风险预测模型中，得到该煤矿安全风险预测结果；根据煤矿安全风险预测结果对该煤矿进行预警。
对基于增量式极限学习机的煤矿安全风险预测模型进行训练的过程包括：
S1：获取历史煤矿数据，对获取的数据进行预处理，得到规整的隐患时间序列数据；煤矿数据包括煤矿每日隐患数量、隐患类型、隐患级别、矿井历史事故记录以及矿井基础数据；
S2：设置时间粒度t，根据设置的时间粒度对历史煤矿数据进行划分，得到训练样本；
S3：基于极限学习机构建非线性的煤矿生产安全风险模型，设置模型训练时的MSE阈值；
S4：初始化模型的超参数，并采用遗传算法筛选出最优的模型超参数；
S5：将数据集放入煤矿生产安全风险模型，根据筛选出的超参数对模型进行初训练，并通过广义逆矩阵获取模型输出层权重，并根据初训练结果选取最低MSE下的时间粒度t；
S6：根据最低MSE下的时间粒度t对模型进行增量训练，当预测MSE高于步骤S3中设置的MSE阈值时，对模型参数进行增量更新；
S7：对模型隐藏层数量进行更新，完成模型的训练过程。
一种基于增量式极限学习机的煤矿安全风险预警方法的具体实施方式，该方法是依据改进后的增量极限学习机模型对煤矿事故风险进行预测，进而对煤矿隐患治理，事故预防进行决策支持，实现煤矿安全风险防范关键技术突破。本发明提出的方法可以包括一下几个步骤，如图1所示，
步骤S1、针对某个矿井，获取选取的隐患监测数据；
步骤S2、根据各类隐患分布规律选取指标；
步骤S3、数据预处理与缺失数据填充：对于一个矿区每天的隐患检查记录，按照隐患类型，隐患级别，检查单位提取同一时间段非缺失隐患数据，计算得到均值与方差，并利用计算得到的均值与方差对所有缺失值进行填充，得到规整的多粒度隐患度监测时间序列。
步骤S4、样本集生成：选取指定的时间粒度T，空间粒度下隐患监测数据作为特征x，当天的煤矿风险数值作为预测目标Y，并按照单点顺序移动的方式逐一生成训练样本，得到样本集X；
步骤S5、对于空缺数据采用相邻数据的均值进行填充。对于隐患检查数据，其本身记录的是每天相关检查人员对煤矿矿井检查结果，为便于模型进行学习，需要对其进行归一化从而得到关键的时空特征。归一化可以表示为：
其中，Xnew表示归一化的数据，Xi表示第i个数据，Xmin表示所有数据中的最小值，Xmax表示所有数据中的最大值。
步骤S6、构建煤矿安全风险模型，可以表示为：
其中L表示隐藏层个数，g为激活函数，选用sigmoid函数，可以表示为：
Wi＝[W1,W2,...Wn]T表示模型中的权重，bias为隐藏层偏置，t表示时间窗口，xt＝(x1t,x2t,...,xnt)T为t时间窗口下相关特征值，n表示为煤矿中矿井数量，该参数用于排除矿井规模不同导致指标数据相差较大，βi为输出层权重。
步骤S7、设置初始模型隐藏层个数L，权值W，隐藏层偏置bias。
采用遗传算法筛选出最优的模型超参数的过程包括：
步骤1：初始化种群数、种群大小以及迭代次数；并对权重W与偏置bias 进行随机取值；
步骤2：计算种群的适应度，计算适应度函数的表达为：
F＝min||MSETrainingset,MSETestingset||
其中MSETrainingset为训练集的均方误差，MSETestingset为测试集的均方误差；
步骤3：对种群进行选择、交叉以及变异操作，产生新的子种群；
步骤4：计算新的子种群的适应度，若适应度函数值小于上一次适应度值，则更新模型权重W和隐藏层偏置bias；
步骤5：当达到最大迭代次数时，得到最优的权值W和bias。
步骤S8、对模型进行初次训练；初始训练可以定义为：
Function(H,T)＝min||Hβ-T||2
其中，H表示为隐藏层对应训练数据集的输出矩阵，β为隐藏层到输出层的权重，训练的过程等价于寻找最优的β使上式成立。
模型训练的过程即求解使得损失函数达到最小值时的输出层权重β，通过矩阵形式的最小二乘法计算模型的输出权重，其表达式为：
β＝(HTH)-1HTT
对数据进行预测：T＝Hβ。根据训练结构MSE，选取最低MSE下的时间粒度t。
步骤S9、对模型进行增量训练；
当预测MSE高于设定的MSE阈值时，定义增加训练数据后的损失函数，其表达式为：
H0为上一次的隐藏层输出矩阵，H1为新增数据的输出矩阵。
根据广义逆矩阵的计算方法可得：
其中：
将增加样本后的公式转换成由已知常量β0,K1,H1和T1的函数，得到增量式极限学习机训练过程的递推公式，即K1可以表示为：
而
可得：
由此，可以得到增量式极限学习机训练过程的递推公式:
其中，Kk+1表示第k+1次增量训练时隐层输出矩阵H转置相乘的结果；βk+1表示第k+1次增量训练时新的输出层权重的结果；Tk+1表示第k+1次增量训练时的训练标签；基于更新的输出层矩阵β，对测试集进行预测：预测结果T＝Hβ。
步骤S10、对模型隐藏层进行更新，更新后的权重Wl+1＝Wlw，偏置 bl+1＝blb，Wl和bl是更新之前含有l个隐含层节点数的权重和偏置。新增隐含层节点输出权重和新增隐藏层节点偏差都为随机值。具体步骤为：
步骤1：更新模型的权重W和偏置的值，权重更新公式为：Wl+1＝Wlw，偏置更新公式为bl+1＝blb，其中Wl和bl是更新之前含有l个隐含层节点数的权重和偏置，w为新增权重，b为新增偏置，且w和b为任意值。
步骤2：根据更新后的模型权重和偏置计算输出层矩阵；计算的表达式为：
Hl+1＝g([WlWl+1]X+[blbl+1])＝[Hlh]
其中，其中，g表示激活函数，X表示特征值，Wl表示更新之前的权重，Wl+1表示新增的权重，bl表示更新之前的偏置，bl+1表示新增偏置，Hl表示隐层输出矩阵，h表示新增的输出矩阵。
步骤3：根据输出层矩阵更新隐藏层后的输出层权重，其表达式为：
βl+1＝(Hl+1)+Y＝([Hlh]T[Hlh])-1[Hlh]TY
其中，(Hl+1)+表示输出矩阵Hl+1的可逆矩阵，Y表示标签值，Hl表示原有的输出矩阵，h表示新增的输出矩阵。
如图2所示，模型预测效果如下表所示：
可以得出本方法在21天时间窗口下对煤矿风险拟合效果最佳。
于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述基于增量式极限学习机的煤矿安全风险预警方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
一种基于增量式极限学习机的煤矿安全风险预警装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于增量式极限学习机的煤矿安全风险预警装置执行任一上述基于增量式极限学习机的煤矿安全风险预警方法。
具体地，所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，包括：构建基于增量式极限学习机的煤矿安全风险预测模型；实时获取煤矿数据，对该数据进行预处理，将预处理后的数据输入到训练好的基于增量式极限学习机的煤矿安全风险预测模型中，得到该煤矿安全风险预测结果；根据煤矿安全风险预测结果对该煤矿进行预警；
对基于增量式极限学习机的煤矿安全风险预测模型进行训练的过程包括：
S1：获取历史煤矿数据，对获取的数据进行预处理，得到规整的隐患时间序列数据；煤矿数据包括煤矿每日隐患数量、隐患类型、隐患级别、矿井历史事故记录以及矿井基础数据；
S2：设置时间粒度t，根据设置的时间粒度对历史煤矿数据进行划分，得到训练样本；
S3：基于极限学习机构建非线性的煤矿生产安全风险模型，设置模型训练时的MSE阈值；
S4：初始化模型的超参数，并采用遗传算法筛选出最优的模型超参数；
S5：将数据集放入煤矿生产安全风险模型，根据筛选出的超参数对模型进行初训练，并通过广义逆矩阵获取模型输出层权重，并根据初训练结果选取最低MSE下的时间粒度t；
S6：根据最低MSE下的时间粒度t对模型进行增量训练，当预测MSE高于步骤S3中设置的MSE阈值时，对模型参数进行增量更新；
S7：对模型隐藏层数量进行更新，完成模型的训练过程。
2.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，对数据进行预处理的过程包括：对于一个矿区每天的隐患检查记录，按照隐患类型，隐患级别，检查单位提取同一时间段非缺失隐患数据，计算得到均值与方差，并利用计算得到的均值与方差对所有缺失值进行填充，得到规整的多粒度隐患度监测时间序列。
3.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，煤矿安全风险预测模型超参数包括：模型隐藏层数L，最优时间粒度t、模型权重W、隐藏层偏置bias以及模型输出层权重βi。
4.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，采用遗传算法筛选出最优的模型超参数的过程包括：
S41：初始化种群数、种群大小以及迭代次数；并对权重W与偏置bias进行随机取值；
S42：计算种群的适应度，计算适应度函数的表达为：
F＝min‖MSETrainingset,MSETestingset‖
其中MSETrainingset为训练集的均方误差，MSETestingset为测试集的均方误差；
S43：对种群进行选择、交叉以及变异操作，产生新的子种群；
S44：计算新的子种群的适应度，若适应度函数值小于上一次适应度值，则更新模型权重W和隐藏层偏置bias；
S45：当达到最大迭代次数时，得到最优的W和bias。
5.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，根据筛选出的超参数对模型进行初训练的过程包括：
S51：定义训练损失函数Function(H,T)＝min‖Hβ-T‖2,其中
H为输出矩阵，β为输出层权重，T为实际值，g表示激活函数，
表示第
个输入权重，xN表示第N个变量，
表示第
个偏置，
表示第
个输出权重，
表示第N个标签值，N表示训练集的个数，
表示隐藏层的数量；
S52：模型训练的过程即求解使得损失函数达到最小值时的输出层权重β，通过矩阵形式的最小二乘法计算模型的输出权重，其表达式为：
β＝(HTH)-1HTT
S53：通过T＝Hβ对测试集进行预测，并根据均方误差MSE选取最优时间粒度t。
6.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，对模型进行增量训练的过程包括：
S61：当预测MSE高于设定的MSE阈值时，定义增加训练数据后的损失函数
H0为上一次的隐藏层输出矩阵，H1为新增数据的输出矩阵；T0表示上一次的标签值，T1表示新增的标签值，β1表示需要求解的新的输出权重；
S62：根据广义逆矩阵的计算方法可得
其中：
K1表示输出矩阵与其转置矩阵的乘积；
S63：将增加样本后的公式转换成由已知常量β0,K1,H1和T1表示的函数，得到增量式极限学习机训练过程的递推公式；其表达式为：
其中，Kk+1表示第k+1次增量训练时隐层输出矩阵H转置相乘的结果；βk+1表示第k+1次增量训练时新的输出层权重的结果；Tk+1表示第k+1次增量训练时的训练标签；
S64：基于更新的输出层权重的结果β对测试集进行预测，预测结果为T＝Hβ。
7.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，对模型隐藏层数量进行更新的过程包括：
S71：更新模型的权重W和偏置的值，权重更新公式为：Wl+1＝Wlw，偏置更新公式为bl+1＝blb，其中Wl和bl是更新之前含有l个隐含层节点数的权重和偏置，w为新增权重，b为新增偏置，且w和b为任意值；
S72：根据更新后的模型权重和偏置计算输出层矩阵；计算的表达式为：
Hl+1＝g([WlWl+1]X+[blbl+1])＝[Hlh]
其中，g表示激活函数，X表示特征值，Wl表示更新之前的权重，Wl+1表示新增的权重，bl表示更新之前的偏置，bl+1表示新增偏置，Hl表示隐层输出矩阵，h表示新增的输出矩阵；
S73：根据输出层矩阵更新隐藏层后的输出层权重，其表达式为：
βl+1＝(Hl+1)+Y＝([Hlh]T[Hlh])-1[Hlh]TY
其中，(Hl+1)+表示输出矩阵Hl+1的可逆矩阵，Y表示标签值，Hl表示原有的输出矩阵，h表示新增的输出矩阵。
8.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，基于增量式极限学习机的煤矿安全风险预测模型处理数据的过程包括：
其中，L表示隐藏层个数，g为激活函数，Wi表示模型中的权重，bias为隐藏层偏置，t表示时间窗口，xt表示t时间窗口下相关特征值，n表示为煤矿中矿井数量，βi表示输出层权重。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至8中任一项基于增量式极限学习机的煤矿安全风险预警方法。
10.一种基于增量式极限学习机的煤矿安全风险预警装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于增量式极限学习机的煤矿安全风险预警装置执行权利要求1至8中任一项基于增量式极限学习机的煤矿安全风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210263310.7A CN114648217A (zh) | 2022-03-17 | 2022-03-17 | 一种基于增量式极限学习机的煤矿安全风险预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210263310.7A CN114648217A (zh) | 2022-03-17 | 2022-03-17 | 一种基于增量式极限学习机的煤矿安全风险预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114648217A true CN114648217A (zh) | 2022-06-21 |
Family
ID=81995353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210263310.7A Pending CN114648217A (zh) | 2022-03-17 | 2022-03-17 | 一种基于增量式极限学习机的煤矿安全风险预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648217A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482665A (zh) * | 2022-09-13 | 2022-12-16 | 重庆邮电大学 | 一种知识与数据协同驱动的多粒度交通事故预测方法及装置 |
| CN116167532A (zh) * | 2023-04-26 | 2023-05-26 | 中国安全生产科学研究院 | 用于煤矿行业违规生产行为预测系统的系统优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156560A (zh) * | 2014-07-12 | 2014-11-19 | 中国矿业大学 | 一种基于SaE-ELM的煤矿多等级突水预测方法 |
| CN109636055A (zh) * | 2018-12-21 | 2019-04-16 | 中国安全生产科学研究院 | 一种非煤矿山安全生产风险预测预警平台 |
| CN111779540A (zh) * | 2020-02-24 | 2020-10-16 | 中国矿业大学 | 矿井下密闭环境参数原位探测与远程监测分析系统及方法 |
| CN112668749A (zh) * | 2020-11-24 | 2021-04-16 | 江苏中矿安华科技发展有限公司 | 一种基于类标加权极限学习机的煤矿瓦斯预警方法 |
-
2022
- 2022-03-17 CN CN202210263310.7A patent/CN114648217A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156560A (zh) * | 2014-07-12 | 2014-11-19 | 中国矿业大学 | 一种基于SaE-ELM的煤矿多等级突水预测方法 |
| CN109636055A (zh) * | 2018-12-21 | 2019-04-16 | 中国安全生产科学研究院 | 一种非煤矿山安全生产风险预测预警平台 |
| CN111779540A (zh) * | 2020-02-24 | 2020-10-16 | 中国矿业大学 | 矿井下密闭环境参数原位探测与远程监测分析系统及方法 |
| CN112668749A (zh) * | 2020-11-24 | 2021-04-16 | 江苏中矿安华科技发展有限公司 | 一种基于类标加权极限学习机的煤矿瓦斯预警方法 |
Non-Patent Citations (3)
| Title |
|---|
| QINMING SANG 等: "Coal Mine Safety Risk Prediction Based on Incremental Extreme Learning Machine", 2022 IEEE ASIA-PACIFIC CONFERENCE ON IMAGE PROCESSING, 16 April 2022 (2022-04-16), pages 836 - 840, XP034127445, DOI: 10.1109/IPEC54454.2022.9777463 * |
| 师煜;朱希安;王占刚;刘德民;: "基于GAPSO-RFR的矿井底板突水预测模型与应用", 中国矿业, no. 08, 15 August 2020 (2020-08-15), pages 152 - 157 * |
| 桑勤鸣: "面向煤矿安全生产的风险预测及态势评估", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 6, 15 June 2023 (2023-06-15), pages 021 - 58 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482665A (zh) * | 2022-09-13 | 2022-12-16 | 重庆邮电大学 | 一种知识与数据协同驱动的多粒度交通事故预测方法及装置 |
| CN115482665B (zh) * | 2022-09-13 | 2023-09-15 | 重庆邮电大学 | 一种知识与数据协同驱动的多粒度交通事故预测方法及装置 |
| CN116167532A (zh) * | 2023-04-26 | 2023-05-26 | 中国安全生产科学研究院 | 用于煤矿行业违规生产行为预测系统的系统优化方法 |
| CN116167532B (zh) * | 2023-04-26 | 2023-09-05 | 中国安全生产科学研究院 | 用于煤矿行业违规生产行为预测系统的系统优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114648217A (zh) | 一种基于增量式极限学习机的煤矿安全风险预警方法 | |
| CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
| Salleh et al. | A modified neuro-fuzzy system using metaheuristic approaches for data classification | |
| CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| Donate et al. | Evolutionary optimization of sparsely connected and time-lagged neural networks for time series forecasting | |
| Donate et al. | Time series forecasting. A comparative study between an evolving artificial neural networks system and statistical methods | |
| Sa'adah et al. | Prediction of gross domestic product (GDP) in Indonesia using deep learning algorithm | |
| CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN114565021A (zh) | 基于量子循环神经网络的金融资产定价方法、系统及存储介质 | |
| Kalyoncu et al. | Stock market value prediction using deep learning | |
| CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
| CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
| CN115564155A (zh) | 一种分散式风电机组功率预测方法及相关设备 | |
| CN114003900A (zh) | 变电站二次系统网络入侵检测方法、装置及系统 | |
| CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
| Chen et al. | Short-term Wind Speed Forecasting Based on Singular Spectrum Analysis, Fuzzy C-Means Clustering, and Improved POABP | |
| US20230012643A1 (en) | Method for predicting c-axis length of lithium compound crystal structure, method for building learning model, and system for predicting crystal structure having maximum c-axis length | |
| CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
| CN113590691B (zh) | 目标对象处理方法以及装置 | |
| CN115062762A (zh) | 一种海流轨迹预测方法 | |
| CN118014445B (zh) | 水网系统空间均衡状态评价技术方法及系统 | |
| Liu et al. | System Identification with Fourier Transformation for Long-term Time Series Forecasting | |
| Štrba et al. | An application of neural network in method for use case based effort estimation |
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 |