基于人工神经网络的煤矿安全事故预测研究＊

马科伟袁 梅,2李波波王 珍何明华

(1.贵州大学矿业学院,贵州省贵阳市,550003;

2.贵州非金属矿产资源综合利用重点实验室,贵州省贵阳市,550003)

★煤矿安全★

基于人工神经网络的煤矿安全事故预测研究＊

马科伟1袁 梅1,2李波波1王 珍1何明华1

(1.贵州大学矿业学院,贵州省贵阳市,550003;

2.贵州非金属矿产资源综合利用重点实验室,贵州省贵阳市,550003)

结合2000～2009年间的全国煤矿统计数据,建立了预测模型,以计算机软件MATLAB 7.5为平台,结合BP神经网络学习算法对10年间的煤炭产量、死亡人数和百万吨死亡率进行了预测分析。结果表明,检测样本的期望输出与模拟输出线性回归分析时的线性相关系数均在0.91以上,说明了BP神经网络较好的拟合效果。

人工神经网络 安全预测 百万吨死亡率 归一化处理

长期以来,我国煤矿的百万吨死亡率一直是美国等发达国家的30～50倍。因此,安全生产一直是煤矿企业的重大课题之一,也是我国煤炭工业可持续发展的重要制约因素之一。而煤矿管理工作者对矿井生产工作进行有效管理与调控是保证矿井安全生产的重要措施之一。安全预测模型的建立,将有助于管理者根据实际情况对矿井安全生产进行有效的组织、管理和控制。笔者将根据全国煤矿的矿井生产现状,运用人工神经网络原理,进行建立矿井安全生产预测模型的尝试,并根据实例进行分析。

1 人工神经网络概述

人工神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新的智能信息处理理论,它通过大量的神经元构成系统,对人脑的形象思维、联想记忆等进行模拟和抽象,实现与人脑相似的学习、识别、记忆等信息处理能力。人工神经网络具有良好的自组织、自学习、自适用能力,在模式识别、图像处理、自动控制等领域得到广泛的应用,并在评价预测、故障诊断等方面显示出了巨大潜力和应用前景。BP(Back Propagation)神经网络是人工神经网络的其中一种学习算法,也是目前研究和应用最为广泛的一种神经网络算法,全称为基于误差反向传播算法的人工神经网络。

1.1 BP神经网络原理

BP神经网络它主要由以下4个过程组成。

(1)“模式顺传播”过程:学习模式是由输入层经过中间层向输出层传播。

(2)“误差逆传播”过程:网络的预期输出与实际输出之差的误差信号由输出层经过中间层向输入层逐层修正连接权。

(3)“记忆训练”过程:由“模式顺传播”与“模式逆传播”反复交替形成。

(4)“学习熟练”过程:网络趋于收敛,即网络的全局误差趋向极小值。BP神经网络是作为前馈式神经网络代表的多层感知器,通常由输入层、输出层和若干隐含层组成。

1.2 BP神经网络设计步骤

BP网络的设计主要包括输入层、隐层、输出层及各层之间的传输函数等几个方面。

(1)网络层数。大多数通用的神经网络都预先预定了网络的层数,而BP网络可以包含不同的隐层。对多层BP神经网络,隐层层数至少为1层或1层以上,每个隐层的神经元个数至少为1个或1个以上,否则与多层网络的命题矛盾而不成立。1987年,罗伯特·海希特·尼尔森(Robert Hecht Nielsen)提出Kolmgorov多层人工神经网络映射定理,从理论上证明了包含了1个隐层的3层人工神经网络可对任何连续的非线性函数进行逼近。人工神经网络的这个特性,被广泛地应用到各个领域中。3层BP神经网络是典型的前馈神经网络,结构如图1所示。

图1 3层BP神经网络结构图

(2)输入层的节点数。

网络的输入个数应等于应用问题的输入数, MATLAB的BP网络的建立是通过函数newff或newcf来实现的。

(3)网络数据的预处理。

预处理方法有归一化处理、标准化处理和主成分分析。常采用的是归一化处理,即将输入/输出数据映射到[0,1]或[-1,1]范围内,训练结束后再反映射到原数据范围。

(4)输出层的节点数。

输出层节点数取决于两个方面,输出数据类型和表示该类型所需要的数据大小。

(5)隐层的节点数。

①根据经验,可以参考以下公式进行设计:

式中:n——隐层节点数;

ni——输入节点数;

n0——输出节点数;

a——1～10之间的常数。

②改变n,用同一样本集训练,从中确定网络误差最小时对应的隐层节点数。

(6)传输函数。BP网络中传输函数常采用S (sigmoid)型函数,在某些特定情况下,还可能采用纯线性(Pureline)函数。

(7)训练方法及其参数选择。根据实际问题的需要,设定最大训练步数、学习目标误差、学习速率等参数。

(8)初始权值的设计。初始权值通常使用两种方法设计:①取足够小的初始权值;②使初始值为+1和-1的权值数相等。

1.3 人工神经网络的优点

(1)人工神经网络不需要复杂的建模分析过程,从而能够避免在建模分析过程中对实际问题的假设和简化带来的误差,提高煤矿安全预测的精度。

(2)利用人工神经网络“可对任何连续的非线性函数进行任意精度逼近”的特性,可以以更高的精度建立煤矿安全评价体系。

(3)利用人工神经网络可以从多个角度对煤矿安全进行评估。

2 实例分析

本文将以2000～2009年间全国煤矿的产量,煤矿工人死亡人数和百万吨死亡率作为预测指标的样本数据。2000～2009年全国煤矿产量、煤矿工人死亡人数和百万吨死亡率见表1。

表1 全国煤矿工人死亡人数及百万吨死亡率统计表

2.1 样本数据的归一化处理

众所周知,BP网络中非线性活性函数的值域一般都在[0,1]或[-1,1]之间,这样将要求输入变量及输出变量都要位于这个区域之间。当神经网络的输入向量确定后,检查变量的分布情况,必要时还要对这些数据进行变换处理,以利于网络的学习。

对连续型变量,比较常用的归一化处理方法用公式(1)处理:

式中:X＊——归一后的值;

Xmax——真值中的最大值; Xmin——真值中的最小值。

但考虑到在BP算法中,函数的函数值在接近0和1的时候曲线比较平缓,变化速度非常缓慢,为了减少训练时间,本文将采用公式(2)处理样本数据。

归一化处理后的数据如表2所示。

2.2 网络训练与比较

借计算机软件MATLAB7.5为操作平台,构造3层BP神经网络,即1个输入层,1个隐含层和1个输出层,分别对煤矿产量、死亡人数和百万吨死亡率进行预测分析。

输入层选取3个神经元数,并根据海希特·尼尔森(Hecht·Nielsen)的研究成果,单隐含层的隐层节点数目为2N+1,N为输入层的神经元数,所以隐层的节点数为7,输出层节点数为1。

表2 归一化处理后的数据

隐含层采用的激活函数为正切Sigmod型传递函数tansig,输出层激活函数为logsig,网络训练函数为traingd。网络训练的主要代码如下:

其中,P是归一化处理后,转置输入矩阵,T是目标矩阵。

分别经过10008步和9035步训练后,预测的死亡人数和预测的煤矿百万吨死亡率达到了训练要求。用sim命令进行仿真模拟,并用postreg命令将检测的样本期望输出与模拟输出进行线性回归分析,其线性相关系数分别为0.98261,0.95763,体现了BP神经网络良好的泛化能力。

根据BP人工神经网络的模拟预测,2010年全国煤矿的死亡人数会降至2658人,煤矿的百万吨死亡率会降低至0.797;2011年全国煤矿死亡人数降低至2450人,煤矿百万吨死亡率降低至0.75。当然,我们希望实际值比预测值低,甚至希望死亡人数降为0。BP人工神经网络预测的死亡人数和百万吨死亡率的线性回归图分别如图2、图3所示。

3 结论

(1)本文以计算机软件MA TLAB 7.5为操作平台,结合BP神经网络学习算法,对全国煤矿的煤炭产量、死亡人数和百万吨死亡率进行了预测,并与现实值进行了拟合,其线性相关系数都在0.91以上,说明了BP神经网络算法完好的拟合效果。

(2)神经网络是在研究生物神经系统的启示下发展起来的一种信息处理方法。它不需要设计任何数学模型,只需要根据过去的经验来学习,可处理模糊的、非线性的、含有噪声的数据,可用于预测、分类、模式识别、非线性回归、过程控制等各种数据处理场合,在大多数情况下,其效果优于传统的统计分析方法,比较适合在影响因素颇多、难以建立准确数学模型的场合使用。

(3)通过此种探讨研究,说明神经网络在煤矿信息的预测性是可行的。可将神经网络应用于矿井瓦斯的涌出量预测、矿井的涌水量预测等方面。

[1]刘业娇,田志超,刘进才.BP神经网络在矿井本质安全程度评价中的应用[J].中国安全生产科学技术, 2009(10)

[2]姜绍飞.基于神经网络的结构优化与损伤检测[M].北京:科学出版社,2002

[3]黄辉宇,李从东.基于人工神经网络的煤矿安全评估模型研究[J].工业工程,2007(1)

[4]国家统计局.中国统计年鉴[M].北京:中国统计出版社,2000～2009

[5]欧阳博文.基于神经网络理论矿井通风系统安全综合评价研究[D].西安科技大学硕士论文集,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

马科伟(1985-),男,贵州贵阳人,贵州大学矿业学院安全技术及工程专业2008级研究生。

(责任编辑 梁子荣)

贵州省科学技术基金项目(黔科合J字2008[2010])