基于WPA-ELM的煤矿安全评价算法研究

李艳军,杨娟娟

(榆林职业技术学院矿业工程系,陕西 榆林 719000)

近年来,煤矿安全事故频发给人们的生命和财产带来不可估量的损失和伤害,为避免或减少煤矿安全事故的发生,对煤矿安全运行状态进行正确及时有效的评价,有助于及时掌握煤矿安全运行状态,为事故预防和预警提供有针对性的措施,从而对提高煤矿安全管理水平具有重要的理论价值和现实意义[1]。煤矿生产属于特殊行业,是一个复杂的系统工程,涉及机械操作、人员管理、采矿技术、自然环境和地质条件等,各个因素权重难以界定且存在较为模糊的界限。传统的煤矿安全评价方法有:神经网络法、模糊综合评价法、支持向量机、专家系统以及数据包络分析法等[2-6]。神经网络和支持向量机只能进行定量分析,评价结果解释性较差;专家系统过度依赖专家的水平和经验,评价结果具有很强的人为主观性,其准确性受专家经验水平影响大;数据包络分析法和模糊综合评价法在煤矿安全评价中的应用尚不成熟,评价准确率很低,难以反映煤矿安全状况和评价指标之间的关系,并且数据包络分析法需要收集很多评价指标数据,指标的好坏直接影响评价精度,工作量大。

为提高煤矿安全评价的精度和可靠性,提出一种基于多层次模糊综合评价法和狼群算法(WPA,wolf pack algorithm)改进极限学习机(ELM,extreme learning machine)的WPA-ELM煤矿安全评价模型。首先,根据煤矿安全运行状态评价指标体系建立多层次模糊综合评价模型;然后,根据不同指标的权重系数和评价基准值,计算出煤矿安全最终的状态评价得分;最后,根据煤矿安全运行状态评价标准,计算每次评价对应的状态。研究结果表明,提出的WPA-ELM模型具有更高的预警准确率和更优的模型性能,为煤矿安全运行状态预警提供了新的方法和途径。

1 煤矿安全评价

1.1 综合评价指标体系

煤矿安全状态评价通过在线实时信息和离线录入信息二者相结合方式进行。在线收集煤矿安全监测对象的实时信息,能够及时掌握煤矿安全监测对象的运行状况和工况环境;离线信息主要包括煤矿安全监测对象的历史数据,通过离线信息能够掌握煤矿安全监测对象的历史健康状态,通过在线实时信息和离线录入信息二者相结合方式可以更准确地评价煤矿安全监测对象的运行状态。煤矿安全监测对象综合状态评价指标体系如图1所示。

图1 综合状态评价指标体系Fig.1 Comprehensive status evaluation index system

1.2 综合评价方法

由于煤矿安全监测对象综合状态评价指标体系中的部分评价指标具有不确定性和模糊性[7],因此运用多层次模糊综合评价法对煤矿安全监测对象的运行状态进行评价。具体评价步骤为:

(1) 建立评价指标体系U。建立煤矿安全监测对象运行状态的评价指标体系为因素集U:

U={U1,…,Ui,…,Un},

(1)

其中:U为一级因素集;Ui={Ui1,Ui2,…,Uim}(i=1,2,…,n)为二级因素集,并且存在Ui∩Uj=Ø(i≠j)的集合关系。

(2) 构造判断矩阵。运用层次分析(AHP,analytic hierarchy process)法和标度1～9法确定各项指标的权重[8]。判断矩阵为相对于上一层某元素本层有关元素的重要性。

(3) 一致性检验和权重确定。一致性检验公式为

(2)

ICR=IC/IR,

(3)

其中:IC为判断矩阵的一致性指标;λmax为判断矩阵的最大特征值;n为判断矩阵的阶数;ICR为修正后的一致性比率;IR为平均随机一致性指标值。当ICR<0.1时,判断矩阵通过一致性检验。

(4)

(5)

(4) 建立评价集。假设评价等级集为V={V1,V2,…,Vp},将煤矿安全监测对象各指标状态量分为4种状态,分别为正常、注意、异常和严重,这时p=4,其中V1=80,V2=60,V3=40,V4=20。

(6)

(7)

(8)

其中:bk(k=1,2,…,p)为评判对象对评价集中第k个元素的隶属度。

2 基于WPA-ELM的煤矿安全状态预警模型

2.1 狼群算法

狼群算法(WPA)[9-10]是一种受狼群捕食行为启发而提出的群智能优化算法,该算法中有3种人工狼,分别为头狼、探狼和猛狼。WPA步骤可描述为:

(1) WPA初始化。狼群规模为N、探狼个数为Q、狼群更新个数为O、最大迭代次数为Tmax,搜索空间维数为D、游走次数为Kmax,每只人工狼的初始位置Xi为

Xid=Xmin+rand×(Xmax-Xmin),

Xi=(Xi1,…,Xid,…,XiD),i=1,2,…,N

(9)

其中:rand∈[0,1]为均分分布的随机数;Xmax、Xmin分别为搜索空间的上限和下限。

(2) 头狼选择。将适应度最优的人工狼当作头狼,探狼在其周围H个方向上搜索并与头狼竞争,直到某一探狼的适应度优于头狼或者达到最大游走次数Kmax,计算公式为

(10)

(3) 头狼召唤猛狼。头狼结合自身的位置(当前狼群最优位置)召唤猛狼,猛狼朝着头狼位置聚集,公式为

(11)

(12)

(5) 分配食物更新狼群。根据“由强到弱”的原则分配食物,部分适应度较差的O个人工狼将会饿死,之后随机生成O个新的人工狼,从而提高狼群的多样性,避免WPA陷入局部最优。

(6) 判断算法终止条件。满足算法终止条件,则输出头狼位置即为优化问题的解;否则重复步骤(2)～(5)。

2.2 极限学习机

ELM是一种单隐含层前馈神经网络[11],具有计算简单和训练速度快的优点,其模型结构如图2所示。

图2 ELM模型结构Fig.2 ELM model structure diagram

对于N个训练样本(Xi,Yi),输出向量Xi=[xi1,xi2,…,xin]T∈Rn和目标向量Ti=[ti1,ti2,…,tin]T∈Rm,其中:X为n×Q维矩阵;T为m×Q维矩阵,Q为ELM模型的训练集样本个数。因此,对于一个隐含层节点数为L的ELM输出为[12]

(13)

其中:βi为输出权重;g(x)为激励函数;Wi=[wi1,wi2,…,win]T为输入权重;Wi·Xj为Wi和Xj的内积;bi为第i个隐含层单元的偏置。

ELM学习的目标是使得输出的误差最小,也就是使得式(14)误差最小:

(14)

综合式(13)和式(14),也就是存在βi、Wi和bi,使得

(15)

成立。其矩阵形式为

Hβ=T,

(16)

其中:β为输出权重矩阵;H为隐含层节点的输出。有

H(W1,…,WL,b1,…,bL,X1,…,XL)=

(17)

ELM在训练过程中,保持Wi与bi不变,输出层权值矩阵β通过求解

(18)

的最小二乘解可获得最优解。式(18)的最小二乘解为

(19)

2.3 WPA-ELM学习算法

基于WPA-ELM的煤矿安全评价算法流程具体描述为:

Step1读取煤矿安全评价指标数据,并对评价指标进行归一化处理;

Step2确定目标函数。为实现WPA及ELM参数的最优化选择,选择均方差作为适应度目标函数:

(20)

Step3WPA参数初始化。狼群规模为N、探狼个数为Q、狼群更新个数为O、最大迭代次数为Tmax、搜索空间维数为D、游走次数为Kmax,并随机初始化每只人工狼的位置Xi;

Step4根据式(20)计算每个狼群个体的适应度;

Step5WPA优化ELM的权值和阈值,根据WPA算法的步骤(1)～(5)进行优化选择;

Step6判断WPA算法终止条件:若当前迭代次数t>Tmax,则输出最优解,即头狼所在位置;

Step7将头狼所在位置的ELM最佳权值和阈值带入ELM进行煤矿安全评价。

3 实证分析

3.1 数据来源

为了验证WPA-ELM进行煤矿安全运行状态预警的有效性和可靠性,选择某煤矿2016年1月—2017年8月的历史在线监测数据和离线巡检数据为研究对象,分别对比WPA-ELM、PSO-ELM和ELM 3种预警模型的效果。

煤矿安全运行状态预警分析之前,首先,根据煤矿安全运行状态评价指标体系建立多层次模糊综合评价模型;然后,根据不同指标的权重系数和评价基准值,计算出煤矿安全最终的状态评价得分;最后,根据煤矿安全运行状态评价标准,计算每次评价对应的状态。煤矿安全运行状态评价标准如表1所列。为了更加直观地预报不同类型煤矿安全的警情,将煤矿安全分为优良、正常、注意和异常4个运行状态,并分别用横线、竖线、右斜线和左斜线表示。

表1 煤矿安全运行状态评价标准Table 1 Evaluation criteria for the coal mine safety operation status

根据煤矿安全运行状态数据,每月评价1次,一共得到20个月的20次运行状态评价分值和状态,具体如图3所示。以评价序号1为例,其评价分值为57.19,表示2016年1月煤矿安全运行状态综合评价得分为57.19,根据表1煤矿安全运行状态评价标准可知,煤矿安全所对应的运行状态为注意状态。

图3 运行状态评价Fig.3 Running status evaluation chart

3.2 评价指标

为了衡量不同煤矿安全运行状态预警模型的好坏,选择希尔不等系数(TIC,theil inequality coefficient)和平均绝对百分比误差(MAPE,mean absolute percent error)作为评价指标,二者公式[16-17]为

(16)

(17)

其中:i为数据序号;N为数据总数;Xr,Xf分别为实际状态和预测状态的评价分值。TIC主要用来衡量预警状态的变化趋势和实际状态的一致性,而MAPE主要用来衡量状态预警的准确率。

3.3 结果分析

为了实现煤矿安全运行状态的预测,选择2016年1月—2017年2月共14个月的煤矿安全运行状态评分值作为训练样本,对2017年3月—8月共6个月的煤矿安全运行状态评价分值进行滚动预测。选择第N-6～N-1次共6个月的煤矿安全运行状态评分值作为ELM的输入,第N月的煤矿安全运行状态评分值作为ELM的输出。因此,ELM参数设置为:输入层神经元个数inputnum=6;隐含层神经元个数hiddennum=7;输出层神经元个数outputnum=1。WPA和粒子群算法(PSO,particle swarm algorithm)参数设置为:种群规模N=30;进化代数T=100;优化变量维数dim=6×7+7×1+7+1=57;惯性权重w∈[0.3,0.7];学习因子c1=c2=2.0。WPA-ELM、PSO-ELM和ELM 3种预警模型对2017年3月—8月共6个月的煤矿安全运行状态的预警结果见图4和表2。

图4 运行状态预警Fig.4 Operation status early warning map

表2 不同模型的运行状态预警效果统计Table 2 Statistics on early warning effects on different models under operational status

由图4可知,与PSO-ELM和ELM相比较,WPA-ELM的预警曲线与煤矿安全实际状态曲线的一致性更高,PSO-ELM和ELM在2017年4月和7月均出现误报,而WPA-ELM仅在2017年4月发生误报,WPA-ELM模型的准确率明显优于PSO-ELM和ELM。由表2不同模型的运行状态预警效果统计可知,TIC和MAPE评价指标上,WPA-ELM模型的MAPE和TIC分别为4.596 1和0.023 5,均低于PSO-ELM模型的6.744 1和0.036 7以及ELM模型的8.537 2和0.045 4,从而说明WPA-ELM具有更高的预警准确率。综上所述,研究提出的WPA-ELM模型具有更高的预警准确率和更优的模型性能,为煤矿安全运行状态预警提供了新的方法和途径。

4 结论

煤矿行业是一项危险系数很大的行业,其安全运行状态直接影响人们的生命安全和财产安全。针对传统煤矿安全评价方法评价精度低和可操作性差的缺点,为提高煤矿安全运行状态预警的准确率和评价效率,针对ELM模型的性能易受网络的初始权值、阈值等参数选择的影响,将狼群算法应用于ELM的初始权值和阈值优化,提出一种基于WPA-ELM的煤矿安全运行状态预警模型。选择第N-6～N-1次共6个月的煤矿安全运行状态评分值作为ELM的输入,第N月的煤矿安全运行状态评分值作为ELM的输出,建立WPA-ELM煤矿安全评价模型。研究结果表明,与PSO-ELM和ELM相比较,WPA-ELM模型具有更高的预警准确率和更优的模型性能,为煤矿安全运行状态预警提供了新的方法和途径。