基于人工神經(jīng)網(wǎng)絡(luò)的煤礦安全事故預(yù)測研究＊

馬科偉袁 梅,2李波波王 珍何明華

(1.貴州大學(xué)礦業(yè)學(xué)院,貴州省貴陽市,550003;

2.貴州非金屬礦產(chǎn)資源綜合利用重點(diǎn)實(shí)驗(yàn)室,貴州省貴陽市,550003)

★煤礦安全★

基于人工神經(jīng)網(wǎng)絡(luò)的煤礦安全事故預(yù)測研究＊

馬科偉1袁 梅1,2李波波1王 珍1何明華1

(1.貴州大學(xué)礦業(yè)學(xué)院,貴州省貴陽市,550003;

2.貴州非金屬礦產(chǎn)資源綜合利用重點(diǎn)實(shí)驗(yàn)室,貴州省貴陽市,550003)

結(jié)合2000～2009年間的全國煤礦統(tǒng)計(jì)數(shù)據(jù),建立了預(yù)測模型,以計(jì)算機(jī)軟件MATLAB 7.5為平臺,結(jié)合BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對10年間的煤炭產(chǎn)量、死亡人數(shù)和百萬噸死亡率進(jìn)行了預(yù)測分析。結(jié)果表明,檢測樣本的期望輸出與模擬輸出線性回歸分析時的線性相關(guān)系數(shù)均在0.91以上,說明了BP神經(jīng)網(wǎng)絡(luò)較好的擬合效果。

人工神經(jīng)網(wǎng)絡(luò) 安全預(yù)測 百萬噸死亡率 歸一化處理

長期以來,我國煤礦的百萬噸死亡率一直是美國等發(fā)達(dá)國家的30～50倍。因此,安全生產(chǎn)一直是煤礦企業(yè)的重大課題之一,也是我國煤炭工業(yè)可持續(xù)發(fā)展的重要制約因素之一。而煤礦管理工作者對礦井生產(chǎn)工作進(jìn)行有效管理與調(diào)控是保證礦井安全生產(chǎn)的重要措施之一。安全預(yù)測模型的建立,將有助于管理者根據(jù)實(shí)際情況對礦井安全生產(chǎn)進(jìn)行有效的組織、管理和控制。筆者將根據(jù)全國煤礦的礦井生產(chǎn)現(xiàn)狀,運(yùn)用人工神經(jīng)網(wǎng)絡(luò)原理,進(jìn)行建立礦井安全生產(chǎn)預(yù)測模型的嘗試,并根據(jù)實(shí)例進(jìn)行分析。

1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是人們在模仿人腦處理問題的過程中發(fā)展起來的一種新的智能信息處理理論,它通過大量的神經(jīng)元構(gòu)成系統(tǒng),對人腦的形象思維、聯(lián)想記憶等進(jìn)行模擬和抽象,實(shí)現(xiàn)與人腦相似的學(xué)習(xí)、識別、記憶等信息處理能力。人工神經(jīng)網(wǎng)絡(luò)具有良好的自組織、自學(xué)習(xí)、自適用能力,在模式識別、圖像處理、自動控制等領(lǐng)域得到廣泛的應(yīng)用,并在評價預(yù)測、故障診斷等方面顯示出了巨大潛力和應(yīng)用前景。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的其中一種學(xué)習(xí)算法,也是目前研究和應(yīng)用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)算法,全稱為基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)。

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)它主要由以下4個過程組成。

(1)“模式順傳播”過程:學(xué)習(xí)模式是由輸入層經(jīng)過中間層向輸出層傳播。

(2)“誤差逆?zhèn)鞑ァ边^程:網(wǎng)絡(luò)的預(yù)期輸出與實(shí)際輸出之差的誤差信號由輸出層經(jīng)過中間層向輸入層逐層修正連接權(quán)。

(3)“記憶訓(xùn)練”過程:由“模式順傳播”與“模式逆?zhèn)鞑ァ狈磸?fù)交替形成。

(4)“學(xué)習(xí)熟練”過程:網(wǎng)絡(luò)趨于收斂,即網(wǎng)絡(luò)的全局誤差趨向極小值。BP神經(jīng)網(wǎng)絡(luò)是作為前饋式神經(jīng)網(wǎng)絡(luò)代表的多層感知器,通常由輸入層、輸出層和若干隱含層組成。

1.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)步驟

BP網(wǎng)絡(luò)的設(shè)計(jì)主要包括輸入層、隱層、輸出層及各層之間的傳輸函數(shù)等幾個方面。

(1)網(wǎng)絡(luò)層數(shù)。大多數(shù)通用的神經(jīng)網(wǎng)絡(luò)都預(yù)先預(yù)定了網(wǎng)絡(luò)的層數(shù),而BP網(wǎng)絡(luò)可以包含不同的隱層。對多層BP神經(jīng)網(wǎng)絡(luò),隱層層數(shù)至少為1層或1層以上,每個隱層的神經(jīng)元個數(shù)至少為1個或1個以上,否則與多層網(wǎng)絡(luò)的命題矛盾而不成立。1987年,羅伯特·海希特·尼爾森(Robert Hecht Nielsen)提出Kolmgorov多層人工神經(jīng)網(wǎng)絡(luò)映射定理,從理論上證明了包含了1個隱層的3層人工神經(jīng)網(wǎng)絡(luò)可對任何連續(xù)的非線性函數(shù)進(jìn)行逼近。人工神經(jīng)網(wǎng)絡(luò)的這個特性,被廣泛地應(yīng)用到各個領(lǐng)域中。3層BP神經(jīng)網(wǎng)絡(luò)是典型的前饋神經(jīng)網(wǎng)絡(luò),結(jié)構(gòu)如圖1所示。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

(2)輸入層的節(jié)點(diǎn)數(shù)。

網(wǎng)絡(luò)的輸入個數(shù)應(yīng)等于應(yīng)用問題的輸入數(shù), MATLAB的BP網(wǎng)絡(luò)的建立是通過函數(shù)newff或newcf來實(shí)現(xiàn)的。

(3)網(wǎng)絡(luò)數(shù)據(jù)的預(yù)處理。

預(yù)處理方法有歸一化處理、標(biāo)準(zhǔn)化處理和主成分分析。常采用的是歸一化處理,即將輸入/輸出數(shù)據(jù)映射到[0,1]或[-1,1]范圍內(nèi),訓(xùn)練結(jié)束后再反映射到原數(shù)據(jù)范圍。

(4)輸出層的節(jié)點(diǎn)數(shù)。

輸出層節(jié)點(diǎn)數(shù)取決于兩個方面,輸出數(shù)據(jù)類型和表示該類型所需要的數(shù)據(jù)大小。

(5)隱層的節(jié)點(diǎn)數(shù)。

①根據(jù)經(jīng)驗(yàn),可以參考以下公式進(jìn)行設(shè)計(jì):

式中:n——隱層節(jié)點(diǎn)數(shù);

ni——輸入節(jié)點(diǎn)數(shù);

n0——輸出節(jié)點(diǎn)數(shù);

a——1～10之間的常數(shù)。

②改變n,用同一樣本集訓(xùn)練,從中確定網(wǎng)絡(luò)誤差最小時對應(yīng)的隱層節(jié)點(diǎn)數(shù)。

(6)傳輸函數(shù)。BP網(wǎng)絡(luò)中傳輸函數(shù)常采用S (sigmoid)型函數(shù),在某些特定情況下,還可能采用純線性(Pureline)函數(shù)。

(7)訓(xùn)練方法及其參數(shù)選擇。根據(jù)實(shí)際問題的需要,設(shè)定最大訓(xùn)練步數(shù)、學(xué)習(xí)目標(biāo)誤差、學(xué)習(xí)速率等參數(shù)。

(8)初始權(quán)值的設(shè)計(jì)。初始權(quán)值通常使用兩種方法設(shè)計(jì):①取足夠小的初始權(quán)值;②使初始值為+1和-1的權(quán)值數(shù)相等。

1.3 人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)

(1)人工神經(jīng)網(wǎng)絡(luò)不需要復(fù)雜的建模分析過程,從而能夠避免在建模分析過程中對實(shí)際問題的假設(shè)和簡化帶來的誤差,提高煤礦安全預(yù)測的精度。

(2)利用人工神經(jīng)網(wǎng)絡(luò)“可對任何連續(xù)的非線性函數(shù)進(jìn)行任意精度逼近”的特性,可以以更高的精度建立煤礦安全評價體系。

(3)利用人工神經(jīng)網(wǎng)絡(luò)可以從多個角度對煤礦安全進(jìn)行評估。

2 實(shí)例分析

本文將以2000～2009年間全國煤礦的產(chǎn)量,煤礦工人死亡人數(shù)和百萬噸死亡率作為預(yù)測指標(biāo)的樣本數(shù)據(jù)。2000～2009年全國煤礦產(chǎn)量、煤礦工人死亡人數(shù)和百萬噸死亡率見表1。

表1 全國煤礦工人死亡人數(shù)及百萬噸死亡率統(tǒng)計(jì)表

2.1 樣本數(shù)據(jù)的歸一化處理

眾所周知,BP網(wǎng)絡(luò)中非線性活性函數(shù)的值域一般都在[0,1]或[-1,1]之間,這樣將要求輸入變量及輸出變量都要位于這個區(qū)域之間。當(dāng)神經(jīng)網(wǎng)絡(luò)的輸入向量確定后,檢查變量的分布情況,必要時還要對這些數(shù)據(jù)進(jìn)行變換處理,以利于網(wǎng)絡(luò)的學(xué)習(xí)。

對連續(xù)型變量,比較常用的歸一化處理方法用公式(1)處理:

式中:X＊——?dú)w一后的值;

Xmax——真值中的最大值; Xmin——真值中的最小值。

但考慮到在BP算法中,函數(shù)的函數(shù)值在接近0和1的時候曲線比較平緩,變化速度非常緩慢,為了減少訓(xùn)練時間,本文將采用公式(2)處理樣本數(shù)據(jù)。

歸一化處理后的數(shù)據(jù)如表2所示。

2.2 網(wǎng)絡(luò)訓(xùn)練與比較

借計(jì)算機(jī)軟件MATLAB7.5為操作平臺,構(gòu)造3層BP神經(jīng)網(wǎng)絡(luò),即1個輸入層,1個隱含層和1個輸出層,分別對煤礦產(chǎn)量、死亡人數(shù)和百萬噸死亡率進(jìn)行預(yù)測分析。

輸入層選取3個神經(jīng)元數(shù),并根據(jù)海希特·尼爾森(Hecht·Nielsen)的研究成果,單隱含層的隱層節(jié)點(diǎn)數(shù)目為2N+1,N為輸入層的神經(jīng)元數(shù),所以隱層的節(jié)點(diǎn)數(shù)為7,輸出層節(jié)點(diǎn)數(shù)為1。

表2 歸一化處理后的數(shù)據(jù)

隱含層采用的激活函數(shù)為正切Sigmod型傳遞函數(shù)tansig,輸出層激活函數(shù)為logsig,網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingd。網(wǎng)絡(luò)訓(xùn)練的主要代碼如下:

其中,P是歸一化處理后,轉(zhuǎn)置輸入矩陣,T是目標(biāo)矩陣。

分別經(jīng)過10008步和9035步訓(xùn)練后,預(yù)測的死亡人數(shù)和預(yù)測的煤礦百萬噸死亡率達(dá)到了訓(xùn)練要求。用sim命令進(jìn)行仿真模擬,并用postreg命令將檢測的樣本期望輸出與模擬輸出進(jìn)行線性回歸分析,其線性相關(guān)系數(shù)分別為0.98261,0.95763,體現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)良好的泛化能力。

根據(jù)BP人工神經(jīng)網(wǎng)絡(luò)的模擬預(yù)測,2010年全國煤礦的死亡人數(shù)會降至2658人,煤礦的百萬噸死亡率會降低至0.797;2011年全國煤礦死亡人數(shù)降低至2450人,煤礦百萬噸死亡率降低至0.75。當(dāng)然,我們希望實(shí)際值比預(yù)測值低,甚至希望死亡人數(shù)降為0。BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測的死亡人數(shù)和百萬噸死亡率的線性回歸圖分別如圖2、圖3所示。

3 結(jié)論

(1)本文以計(jì)算機(jī)軟件MA TLAB 7.5為操作平臺,結(jié)合BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,對全國煤礦的煤炭產(chǎn)量、死亡人數(shù)和百萬噸死亡率進(jìn)行了預(yù)測,并與現(xiàn)實(shí)值進(jìn)行了擬合,其線性相關(guān)系數(shù)都在0.91以上,說明了BP神經(jīng)網(wǎng)絡(luò)算法完好的擬合效果。

(2)神經(jīng)網(wǎng)絡(luò)是在研究生物神經(jīng)系統(tǒng)的啟示下發(fā)展起來的一種信息處理方法。它不需要設(shè)計(jì)任何數(shù)學(xué)模型,只需要根據(jù)過去的經(jīng)驗(yàn)來學(xué)習(xí),可處理模糊的、非線性的、含有噪聲的數(shù)據(jù),可用于預(yù)測、分類、模式識別、非線性回歸、過程控制等各種數(shù)據(jù)處理場合,在大多數(shù)情況下,其效果優(yōu)于傳統(tǒng)的統(tǒng)計(jì)分析方法,比較適合在影響因素頗多、難以建立準(zhǔn)確數(shù)學(xué)模型的場合使用。

(3)通過此種探討研究,說明神經(jīng)網(wǎng)絡(luò)在煤礦信息的預(yù)測性是可行的?？蓪⑸窠?jīng)網(wǎng)絡(luò)應(yīng)用于礦井瓦斯的涌出量預(yù)測、礦井的涌水量預(yù)測等方面。

[1]劉業(yè)嬌,田志超,劉進(jìn)才.BP神經(jīng)網(wǎng)絡(luò)在礦井本質(zhì)安全程度評價中的應(yīng)用[J].中國安全生產(chǎn)科學(xué)技術(shù), 2009(10)

[2]姜紹飛.基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷檢測[M].北京:科學(xué)出版社,2002

[3]黃輝宇,李從東.基于人工神經(jīng)網(wǎng)絡(luò)的煤礦安全評估模型研究[J].工業(yè)工程,2007(1)

[4]國家統(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒[M].北京:中國統(tǒng)計(jì)出版社,2000～2009

[5]歐陽博文.基于神經(jīng)網(wǎng)絡(luò)理論礦井通風(fēng)系統(tǒng)安全綜合評價研究[D].西安科技大學(xué)碩士論文集,2006

A research on coal mine safety forecast model based on artificial neural networks

Ma Kewei1,Yuan Mei1,2,Li Bobo1,Wang Zhen1,He Minghua1
(1.Mining college,Guizhou University,Guiyang,Guizhou province 550003,China; 2.Guizhou Key Laboratory of Comprehensive Utilization of Non-metallic Mineral Resources, Guiyang,Guizhou province 550003,China)

On the basis of the statistic data of coal mines in China from 2000to 2009,a forecast model is established.With computer software MATLAB 7.5as the operating platform and BP neural network learning algorithm,the authors present in this paper a forecast of coal production,death toll and mortality rate per million tons of coal produced during this ten-year period. The results show that linear correlation coefficients of the expected output of the samples tested and the simulation output linear regression analysis are all above 0.91.This indicates that BP neural network algorithm(ANN)have a good application prospect over safety forecast in coal mines.

artificial neural networks,work safety forecast,fatality per million tons of coal produced,normalization treatment

TD712

B

馬科偉(1985-),男,貴州貴陽人,貴州大學(xué)礦業(yè)學(xué)院安全技術(shù)及工程專業(yè)2008級研究生。

(責(zé)任編輯 梁子榮)

貴州省科學(xué)技術(shù)基金項(xiàng)目(黔科合J字2008[2010])