基于人工神经网络的煤矿安全评估模型研究.doc

第10卷第1期2007年1月 工业工程 Industrial Engineering Journal V o.l 10N o .1January 2007 收稿日期2005 11 21 作者简介黄辉宇1977 ,男,湖南祁阳人,博士研究生,主要研究方向为企业信息集成、工业工程理论与应用等. 基于人工神经网络的煤矿安全评估模型研究 黄辉宇1 ,李从东 2 1.天津大学管理学院,天津300072;2.暨南大学管理学院,广东广州510632 摘要针对现有煤矿安全程度评估方法存在的不足,探讨了一种基于人工神经网络的煤矿安全程度评估模型。阐述了这一方法的优点,并对其构建过程进行了详细分析。结合实例说明了其应用,结果表明使用人工神经网络方法对煤矿安全程度进行评估,能取得比较理想的评估效果。关键词煤矿;安全程度评估;人工神经网络 中图分类号C931 文献标识码A 文章编号1007 7375200701 0112 04 Research on theM odel for Safety G rade uation of CoalM i nes based on A rtifi cial N eural N et works HUANG H u i yu 1 ,LI Cong dong 2 1.Schoo l o fM anage m ent ,T ian ji n U n i versity ,T ian jin 300072,Ch i na ;2.Schoo l ofM anagement ,Ji nan U niversity ,G uangzhou 510632,Chi na Abst ract I n vie w o f t h e w eakness of ex isti n g eva l u ation m et h ods f o r safety grade of coalm i n es ,a ne w one based on artificial neural net w orks is i n vestigated .The advantages o f thism ode l are described and the con str ucting process is a lso expounded .Fina ll y ,the applicati o n is illustra ted w ith an exa m ple .It is found that the ne w m ethod is effective . K ey w ords coa lm i n es ;artificia l neural net w orks ;safety grade eva l u ation 对煤矿安全程度进行评估是一项基础而重要的工作,但同时也是一项复杂而困难的工作。随着各种理论和技术手段的发展、完善和应用,新的评估方法也不断出现,如指数评估方法、概率风险评估法、综合评估方法、人工智能法等 [1] 。其趋势是由传统 的定性分析发展为定性与定量相结合并使整个评估过程定量化。不过这些方法都想利用一个数学模型或者一个或几个公式,根据对各安全因素的评分,计算出煤矿安全的总体评分,从而确定煤矿安全状况等级。这就存在如下问题1该数学模型与实际问题之间存在误差问题,也就是说该模型能够以多大的精度反应各安全因素状况与煤矿安全总体状况之间的复杂关系2这些模型中的参数是在对某一地区煤矿安全统计的基础上得到的,由于不同地区的实际条件气候条件、地质条件、设备情况、员工素质等不同,用适合某一地区的参数去评估另一地区 不见得一定合适;3不同规模不同年代不同所有制形式的煤矿有其自身的特点,使用相同的模型带来的误差会比较大。总之,煤矿安全受到人、机、物、环 境等诸多因素影响,常常表现为各种各样确定或不确定的、非线性的、已知或未知的信息。如何在煤矿安全程度评估中准确地表达这些信息一直是人们探索和讨论的问题。 近年来,人工神经网络A rtificial N eural Net works ,ANN 在很多领域得到了广泛的应用,且取得了显著的成果。本文将建立一个基于人工神经网络的煤矿安全程度评估模型,并结合实例说明其应用。 1 煤矿安全程度评估的人工神经网络 方法 人工神经网络对非线性问题有强大且准确的映射能力。1987年,Robert H echt N ie lsen 提出了K ol 第1期黄辉宇,李从东基于人工神经网络的煤矿安全评估模型研究 m gorov多层人工神经网络映射存在定理,从理论上证明了,包含一个隐层的三层人工神经网络可对任何连续的非线性函数进行任意精度的逼近。人工神经网络的这个特性,使其被广泛应用到各个领域中[2]。另外,人工神经网络不需要复杂的建模分析过程,它能对样本进行学习,学习样本数据中隐含的规律,精确地确定输入数据和目标之间存在的映射关系;人工神经网络还具有较好的鲁棒性容错性、过滤噪声和在线应用等特性[3]。 利用人工神经网络进行煤矿安全程度评估有以下优点1由于它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,提高煤矿安全程度评估的精度。2利用它 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安全因素等级评分与煤矿安全总体评分之间的关系。3不同地区可以根据本地不同的情况,使用适合本地情况的样本数据对人工神经网络进行训练,从而得到适合本地情况的规律,使得煤矿安全程度评估结果与本地实际情况相符合。4可以方便地对不同性质的煤矿安全进行分类评估,使得评估的结果更准确。因为不同煤矿安全要素对不同性质的煤矿企业的总体安全状况的影响是不相同,有必要对不同类型的煤矿进行分类评估。5可以从多个角度对煤矿安全进行评估。 总之,使用人工神经网络进行煤矿安全程度评估,能够克服传统方法固有的局限,它的一些优点是传统方法不能做到的。 2 基于人工神经网络的煤矿安全程度 评估模型 2.1 煤矿安全程度评估指标的确定 煤矿生产是由众多相互依存、相互制约的不同种类的生产作业综合组成的整体,每种生产作业又包含人员、设备、物资、作业环境等要素,因此现代煤矿生产安全系统是一个十分复杂的研究对象,这就决定了煤矿安全评估指标确定的复杂性。现阶段,我国煤矿安全程度评估标准一般由各地区煤矿安全监察机构根据有关法律、法规、规章、标准和相关指导意见,结合各地区煤矿实际情况制定,因此各地标准都不一样。经过汇总分析,并参照煤安监的有关文件[4],本文选取以下两类具有代表性的指标。 1煤矿安全生产保障方面包括各级管理人员和各岗位的安全生产责任制;∀安全生产规章制度;安全投入;∃安全生产管理机构设置和专职安全管理人员配备;主要负责人和安全生产管理人员资质;∋特种作业人员的资质;井下设备、仪器仪表的煤矿安全标志。 2煤矿生产系统方面包括矿井 一通三防;∀防治水;安全投入;∃采煤安全;掘进安全;运输安全。 2.2 网络拓扑结构及训练算法的选取 煤矿安全程度评估结果划分为A、B、C、D四个类别A类为安全矿井、B类为基本安全矿井、C类为安全较差的矿井、D类为安全不合格的矿井。因此,在建造人工神经网络模型时,可把它们作为相应网络的输出,其对应的标准输出模式分别为1,0,0, 0,0,1,0,0,0,0,1,0及0,0,0,1,显然所建立的人工神经网络的输出层中的节点数为4。同时根据上节选取的煤矿安全程度评估指标,其输入层中的节点数为14。 至于隐含层的层数及其相应的节点数选取,是一个非常复杂的问题,因为采用不同的内部表象时所需要的内部单元数是不同的。一般可根据问题的复杂程度和实际需要来确定。另外误差反传Back pr opagation前馈网络简称BP网络作为一种非线性系统的辨识工具虽已得到了广泛的应用,但其自身的缺陷也是不可回避的,如容易陷入局部极小点、收敛速度慢、网络的隐含层节点数难以确定和网络的记忆回想能力差等缺陷。其中易陷入局部极小点是BP网络的致命弱点。考虑到这些因素,本文采用双隐含层结构,并采用BP算法的一种改进算法构造算法来训练网络。这一算法简单说就是它以非常少的网络开始训练,训练时可根据需要适当增加新节点以及新连接,具体算法实现可参见作者另一文献[5],可见隐含层节点的数目是动态决定的。因此煤矿安全程度评估算法流程图如图1所示。 2.3 数据预处理 人工神经网络方法是一种 数据驱动型方法,样本数据是它的基础。但由于人工神经网络对其输入数据取值有一定的限制范围,因此对于训练样本和检验样本,首先要进行正则化转换[6]。本文使用如下的转换方法。 设变换后输入为 I NiX∗1i,X∗2i,,X∗14i。1其中,i1,2,,PP为样本数目。又设 S1{X11,X12,,X1P}, S14{X141,X142,,X14P}, 113 工 业 工 程第10卷 则可根据式2进行归一化处理 X ∗1iX 1i-m i n S 1 m ax S 1-m in S 1 , X ∗14i X 14i-m in S 14 m ax S 14-m i n S 14。 2 通过上述处理就可将原始数据转换到[0,1]区 间之内。 图1 煤矿安全程度评估流程图 2.4 网络的训练和测试 经预处理的样本数据加载到所建立的人工神经网络后,即可选取一定的训练参数对其进行训练和学习。为进一步加快网络的速度,并使网络不致产生大的摆动,在BP 算法训练过程中加入了一动量项。其权值调节公式为 W t 1 E W W t。3 式中, W t为动量项,为动量系数, 为学习速率,根据参考文献[5]和[7]的经验,他们取值分别为0 9,0 25,误差精度取为1E -5,每增加一个节点最多循环判断次数为4000次。 为了检验训练后得到的人工神经网络的解决问题能力,通常需要随机抽取样本数据的10作为测试样本,对曾受过训练的网络进行测试和检验。通过训练和测试的人工神经网络即可对新的煤矿安全程度进行评估。 本文的神经网络算法采用面向对象的方法编写并在VC 6 0上实现。训练和测试环境为P4 2 4AGH z ,256M 内存,W i n 2000操作系统。 3 煤矿安全程度评估实例分析 3.1 样本数据的选择及预处理 样本的选取是模型建立的首先要解决的一个问题。对于煤矿安全程度评估而言,样本数据要尽可能反映其内在规律,同时又要考虑网络的自身特点。本文以我国某省省内68处国有重点煤矿矿井以及78处国有地方煤矿矿井安全状况评估数据为样本数据。经对样本分析,获得84份有效样本,随机抽取70份样本作为训练样本,剩余14份样本作为测试样本。每份样本数据中记录了该矿井安全程度的评估信息,包括煤矿安全基本信息、各种具体要素的评估信息和煤矿安全总体状况评估信息。每个煤矿的安全程度评估包括19项安全因素评分,评分取值范围为[0,50],根据前面的分析只取其中的14项数据,并按式2对其进行归一化处理。3.2 网络训练及结果分析 将训练样本输入到人工神经网络,8分多钟后训练完毕。然后将测试样本输入到已经训练好的网络中,得到表1的预测评估结果。 从表1可以看出针对14个测试样本所得结论与根据综合测评法所得结论完全相符,只不过个别数据测试结果精度不是很高,如第9、第14个数据。这可能与测试样本数量不足有关,不过不影响网络 的定性评估。 4 结论与展望 传统的煤矿安全程度评估方法,是利用一个数学模型,根据各安全要素的评分,计算出煤矿安全程度的总体评分,从而确定煤矿安全程度等级。本文的思路与传统方法不同,本文中利用人工神经网络方法对煤矿安全程度评估专家的知识进行学习,使机器具有煤矿安全程度评估专家的安全评估知识。利用某省84家国有重点及地方煤矿安全程度评估数据,对人工神经网络进行训练和测试,发现人工神经网络能对煤矿安全程度进行比较好的评估。人工神经网络对煤矿安全程度 等级 的评估,准确率100。 本文中采用的样本数据是某省现有的煤矿安全程度评估数据,这些数据是使用了现有的评估方法,存在本文第1节所提到的种种不足。最好的做法是,请煤矿安全程度评估专家独立地对煤矿安全程度进行评估,产生样本数据供人工神经网络训练和测试使用。 114 第1期黄辉宇,李从东基于人工神经网络的煤矿安全评估模型研究 表1 测试结果 序号煤矿安全程度实际评估结果人工神经网络测试结果测试结论是否相符1A10000.999120.000230.000110.00034A Y 2C00100.000130.00100.999810.00101C Y 3A10000.999540.002030.000190.00045A Y 4B01000.000560.999450.000150.00087B Y 5B01000.000320.999770.000850.00095B Y 6C00100.000130.000510.999030.00076C Y 7B01000.001390.999240.000980.00145B Y 8C00100.000430.001340.997970.00067C Y 9D00010.155970.125320.002680.89045D Y 10B01000.000800.999870.000580.00022B Y 11B01000.000540.998940.001530.00015B Y 12C00100.002850.000440.998450.00032C Y 13A10000.999160.002330.000650.00077A Y 14B01000.000730.912350.100520.01892B Y 如果所提供的煤矿安全程度样本数据,记录了煤矿安全的自身特征和煤矿安全程度状况的历史数据,则可以从煤矿本身特性对煤矿安全程度状况进行估计,建立煤矿安全程度的总体状况与煤矿自身特性之间的关系,还可以对煤矿未来的安全状况进行退化预测。此外笔者所提出的煤矿安全评估指标也不是唯一的,在实际应用中可根据实际情况进行增减,如增加顶板防治指标等。 一些新的改进了的人工神经网络模型应用在煤矿安全程度评估可能会取得更好的效果。例如,人工神经网络与遗传算法、模糊理论的结合使用可以克服人工神经网络的一些缺点[8 9],评估效果可能更好。这些都值得进一步研究。 参考文献 [1]陈武,魏振宽.对开展煤矿安全现状综合评价的思考[J]. 中国煤炭,2003,29557 58. [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,200267. [3]袁曾任.人工神经网络及其应用[M].北京清华大学出 版社,19995 14. [4]国家煤矿安全监察局.关于开展煤矿安全程度评估工作 的指导意见[J].煤矿安全,2003,3453 4. [5]REN Jia dong,HUANG H ui yu,B AO Jie.T he research on an a l go rith m for spec ial t wo h i dden layer a rtific i a l neura l ne t w orks[C],YEUNG D an iel S,W ANG X izhao.P roceed i ng s of IC M LC2003Con ference,v2.Am e ricanIEEE Inc., 20031127 1131. [6]魏一鸣,万庆,周成虎.基于神经网络的自然灾害灾情评 估模型研究[J].自然灾害学报,2002,621 6. [7]任家东,黄辉宇.基于人工神经网络的有害信息过滤智能 决策系统[J].计算机工程,2004,3016149 150,193. [8]谢洪波,于为,李小英,等.基于神经网络和模糊理论的心 功能辅助诊断专家系统[J].天津大学学报,2000,335 610 614. [9]石晓荣,张明廉.一种基于神经网络和遗传算法的拟人智能 控制方法[J].系统仿真学报,2004,1681835 1838,1844. 115