專利名稱：基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法
技術領域：
本發(fā)明涉及礦山通風系統(tǒng)故障判斷技術領域，特別是一種基于遺傳神經網絡的礦 山通風系統(tǒng)故障判斷方法。
背景技術：
礦山通風系統(tǒng)的安全狀態(tài)與礦山其它系統(tǒng)的運行狀態(tài)及變化密切相關，是整個礦 山中決定礦山生產安全的一個重要生產輔助系統(tǒng)。礦山通風系統(tǒng)的運行特性和狀態(tài)直接關 系到整個礦山的運行和安全狀態(tài)。雖然可以通過各種手段獲取礦山通風系統(tǒng)的各種信息， 但這些有限的時時監(jiān)測數據所能提供的信息是不完全的，且受多方面因素的影響。因此，礦 山通風系統(tǒng)是個復雜的非給夠性的問題，對其進行故障判斷是一個涉及面廣、綜合性強的 工作，需選取一種非常理想的評價模型和評價方法，才能提高評價精度。人工神經網絡，是 指利用工程技術手段模擬人腦神經網絡的結構與功能的一種技術系統(tǒng)，是一種大規(guī)模并行 的非線性動力學系統(tǒng)。它并不是人腦神經系統(tǒng)的真實寫照，而只是對其結構進行了大量簡 化后保留其主要特性的某種抽象和模擬。目前，在人工神經網絡的實際應用中，使用最廣泛 的網絡是反傳神經網絡模型(BP)，它是多層映射網絡，采用最小均方差的學習方式。由于人工神經網絡試圖以模仿人腦神經系統(tǒng)的組織方式來構成新型的信息處理 系統(tǒng)，因此具有自適應性、自學習性、并行性、非線性、容錯性和知識處理集約性的特點，為 解決非結構性問題提供了一條潛力無限的新途徑。我國礦山目前的安全局勢，需要對礦山 的通風系統(tǒng)進行故障判斷，按照科學的程序和方法，對礦山通風系統(tǒng)中的危險因素、發(fā)生事 故的可能性及損失與傷害程度進行調查與分析論證，從而來評估系統(tǒng)總體的安全性以及針 對存在的問題，提出有效的安全措施。

發(fā)明內容
本發(fā)明的目的是提供一種基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法，對礦 山通風系統(tǒng)中的危險因素、發(fā)生事故的可能性及損失與傷害程度進行調查與分析論證，從 而來評估系統(tǒng)總體的安全性以及針對存在的問題，提出有效的安全措施。本發(fā)明的目的是通過下述技術方案實現的。本發(fā)明的基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法，其特征在于1)根據對礦山通風系統(tǒng)原始數據分析和整理并結合礦山通風系統(tǒng)的指標體系建 立由輸入層、隱含層和輸出層所組成的三層反傳神經網絡故障判斷模型(BP)，2)將神經網絡初始化，3)用100個實例樣本對神經網絡進行訓練，并用另外3個樣本進行實例校驗，4)樣本作用于輸入層并由輸入層輸入到隱含層，隱含層各單元的輸出輸入到輸出 層，5)檢查輸出層各單元的輸出的各單元的誤差，按此誤差進行權值修正，6)判斷誤差是否小于規(guī)定值，
7)誤差小于規(guī)定值，則輸出結果，誤差不小于規(guī)定值，則進入下一循環(huán)。校驗樣本 的安全級別與實際相符，說明網絡訓練成功。所述的輸入層的每一個輸入節(jié)點對應樣本的一個特征，輸入層的19個特征分別 是X1礦山通風系統(tǒng)合理性，X2局部通風系統(tǒng)合理性，X3礦山通風等積空大小，X4密閉墻 合格率，X5風門合格率，X6風橋合格率，X7測風站合格率，X8防暴門合格率，X9巷道合格 率，X10巷道風速合格率，XII巷道風質合格率，X12主要通風機管理，X13局部通風機管理， X14礦山有效風量率，X15)通風系統(tǒng)圖繪制，X16反風演習管理，X17通風阻力測定，X18礦 山巷道失修率，X19巷道側風管理。所述的隱含層的隱含層節(jié)點數目為2*19+1 = 39個。所述的輸出層的輸出節(jié)點數等于評價數，一個輸出節(jié)點對應一個安全級別，輸出 層的 5 個節(jié)點為:Y1 (10000)、Y2 (01000)、Y3 (00100)、Y4 (00010)、Y5 (00001)，分別對應于安
全、較安全、一般安全、不安全和很不安全。所述的對神經網絡進行訓練的算法采用誤差反向傳播算法把學習過程分為兩個 階段第一階段，正向傳播過程，輸入信號從輸入層經隱層，傳向輸出層，在輸出端產生輸 出信號，這是信號的正向傳播，在信號的向前傳遞過程中，網絡的權值是固定不變的，每一 層神經元的狀態(tài)只影響下一層神經元的狀態(tài)，如果在輸出層不能得到期望的輸出，則轉入 誤差反向傳播，第二階段，誤差信號反向傳播，網絡的實際輸出與期望輸出之間的差值為誤 差，誤差信號由輸出端開始逐層向前傳播，這是誤差信號的反向傳播，在誤差信號反向傳播 過程中，網絡的權值由誤差反饋進行調節(jié)，通過權值的不斷修正使網絡的實際輸出更接近 期望輸出。由于人工神經網絡試圖以模仿人腦神經系統(tǒng)的組織方式來構成新型的信息處理 系統(tǒng)，因此具有自適應性、自學習性、并行性、非線性、容錯性和知識處理集約性的特點，為 解決非結構性問題提供了一條潛力無限的新途徑。因此，基于BP人工神經網絡模型的評 價方法可避免常用方法的局限性和主觀性，解決了礦山通風系統(tǒng)的不安全可知性之間的矛 盾，提高了評價精度，是一種非常理想的評價模型和評價方法。評價指標的建立是評價研究內容的基礎和關鍵，直接影響到評價結果的正確性。 評價指標應能夠反映礦山通風系統(tǒng)的主要特征和基本狀況，以及系統(tǒng)存在的危險狀態(tài)為目 標。根據礦山通風系統(tǒng)中可能存在的各種危險危害因素，應用層次分析把礦山通風安全系 統(tǒng)評價指標標化為1個總體目標(即礦山通風故障判斷指標體系)，4個一級指標(即通風 系統(tǒng)、通風設備、通風質量、通風管理)和19個二級指標。由于在礦山通風故障判斷過程中， 定性指標不直接參與評價。本發(fā)明采用分級標準量化法將定性指標轉化為定量指標。即將 每個指標分為5級(即I級、II級、III級、IV級、V級，分別表示安全、較安全、一般安全、不安 全、很不安全)。每級都規(guī)定一個取值標準和數值，在進行評價時，通過評價對象的實際情況 得到相應指標的評價值。神經元模型主要是基于模擬生物神經元信息的傳遞特性，即輸入、輸出關系。BP神 經網絡模型是采用誤差反向傳播算法的前饋多層神經網絡，其結構是多層網絡結構，多層 BP神經網絡不僅有輸入節(jié)點，輸出節(jié)點，而且有一層或多層隱節(jié)點。各個層次的神經元之間 是完全互聯(lián)的，而同一層次的神經元是沒有連接的。網絡的每一個輸入節(jié)點對應樣本的一個特征，而輸出節(jié)點數等于評價數。一個輸出節(jié)點對應一個安全級別。基于BP算法的神經網絡中各層節(jié)點數的選擇對網絡的性能影 響很大，層內節(jié)點數需要進行適當的選擇。礦山通風故障判斷的二級指標就是礦山通風系 統(tǒng)故障判斷的19個影響因素，基本上可體現礦山通風故障判斷的多種控制因素。因此，神 經網絡的輸入節(jié)點數定位19個。而礦山通風系統(tǒng)安全等級分為5級，由此確定神經網絡有 5個輸出節(jié)點。當各節(jié)點均采用S型函數時，一個隱層就是以實現任意判決分類問題。因此 采用單隱層的三層神經網絡結構。對于隱層節(jié)點數，根據HecheNiclscn的研究得出，單隱 層神經網絡的隱層節(jié)點數目為2*19+1，確定本文的隱層節(jié)點數為39個。所以，網絡結構為 19-39-5。一個神經網絡的模型確定之后，為了使它具有某種智能特性，還必須有相應的學 習方法與之配合。學習方法歸根結底就是網絡連接權的調整方法。BP神經網絡采用誤差反 向傳播算法，其網絡連接權值是通過學習，不斷調整得到的。根據對礦山通風系統(tǒng)原始數據分析和整理并結合一定的指標體系建立基于神經 網絡的故障判斷模型的100個實例樣本進行訓練，并用另外3個樣本進行實例校驗。校驗 樣本的安全級別與實際相符，說明網絡訓練成功。由于人工神經網絡的非線性、容錯性、自學習及實時處理等特點，可以用來解決礦 山通風系統(tǒng)故障判斷問題。建立了基于BP神經網絡的礦山通風系統(tǒng)故障判斷的數學模型， 在輸入神經元的數目上體現了礦山通風系統(tǒng)故障判斷的多種控制因素，在輸出神經元的數 目上體現了礦山通風系統(tǒng)故障判斷的安全級別，并通過建立的典型的訓練樣本對該網絡進 行訓練和校正，訓練成功。


圖1為本發(fā)明的多層網絡結構示意圖。圖2為本發(fā)明的程序流程圖。
具體實施例方式下面結合附圖進一步說明本發(fā)明的具體實施方式
。如圖1、2所示，本發(fā)明的基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法，其特 征在于1)根據對礦山通風系統(tǒng)原始數據分析和整理并結合礦山通風系統(tǒng)的指標體系建 立由輸入層、隱含層和輸出層所組成的三層反傳神經網絡故障判斷模型(BP)(見圖2)，2)將神經網絡初始化，3)用100個實例樣本對神經網絡進行訓練，并用另外3個樣本進行實例校驗，4)樣本作用于輸入層并由輸入層輸入到隱含層，隱含層各單元的輸出輸入到輸出 層，5)檢查輸出層各單元的輸出的各單元的誤差，按此誤差進行權值修正，6)判斷誤差是否小于規(guī)定值，7)誤差小于規(guī)定值，則輸出結果，誤差不小于規(guī)定值，則進入下一循環(huán)。校驗樣本 的安全級別與實際相符，說明網絡訓練成功。所述的輸入層的每一個輸入節(jié)點對應樣本的一個特征，19個特征分別是X1礦山通風系統(tǒng)合理性，X2局部通風系統(tǒng)合理性，X3礦山通風等積空大小，X4密閉墻合格率，X5 風門合格率，X6風橋合格率，X7測風站合格率，X8防暴門合格率，X9巷道合格率，XlO巷道 風速合格率，Xll巷道風質合格率，X12主要通風機管理，X13局部通風機管理，X14礦山有 效風量率，X15)通風系統(tǒng)圖繪制，X16反風演習管理，X17通風阻力測定，X18礦山巷道失修 率，X19巷道側風管理。所述的隱含層的隱含層節(jié)點數目為2*19+1 = 39個。所述的輸出層的輸出節(jié)點數等于評價數，一個輸出節(jié)點對應一個安全級別，輸出 層的 5 個節(jié)點為:Y1 (10000)、Y2 (01000)、Υ3 (00100)、Υ4 (00010)、Υ5 (00001)，分別對應于安
全、較安全、一般安全、不安全和很不安全。所述的對神經網絡進行訓練的算法采用誤差反向傳播算法把學習過程分為兩個 階段第一階段，正向傳播過程，輸入信號從輸入層經隱層，傳向輸出層，在輸出端產生輸 出信號，這是信號的正向傳播，在信號的向前傳遞過程中，網絡的權值是固定不變的，每一 層神經元的狀態(tài)只影響下一層神經元的狀態(tài)，如果在輸出層不能得到期望的輸出，則轉入 誤差反向傳播，第二階段，誤差信號反向傳播，網絡的實際輸出與期望輸出之間的差值為誤 差，誤差信號由輸出端開始逐層向前傳播，這是誤差信號的反向傳播，在誤差信號反向傳播 過程中，網絡的權值由誤差反饋進行調節(jié)，通過權值的不斷修正使網絡的實際輸出更接近 期望輸出。由于人工神經網絡的非線性、容錯性、自學習及實時處理等特點，可以用來解決礦 山通風系統(tǒng)故障判斷問題。建立了基于BP神經網絡的礦山通風系統(tǒng)故障判斷的數學模型， 在輸入神經元的數目上體現了礦山通風系統(tǒng)故障判斷的多種控制因素，在輸出神經元的數 目上體現了礦山通風系統(tǒng)故障判斷的安全級別，并通過建立的典型的訓練樣本對該網絡進 行訓練和校正，訓練成功。
權利要求
一種基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法，其特征在于1)根據對礦山通風系統(tǒng)原始數據分析和整理并結合礦山通風系統(tǒng)的指標體系建立由輸入層、隱含層和輸出層所組成的三層反傳神經網絡故障判斷模型即BP，2)將反傳神經網絡初始化，3)用100個實例樣本對反傳神經網絡進行訓練，并用另外3個樣本進行實例校驗，4)樣本作用于輸入層并由輸入層輸入到隱含層，隱含層各單元的輸出輸入到輸出層，5)檢查輸出層各單元的輸出的各單元的誤差，按此誤差進行權值修正，6)判斷誤差是否小于規(guī)定值，7)誤差小于規(guī)定值，則輸出結果，誤差不小于規(guī)定值，則進入下一循環(huán)，校驗樣本的安全級別與實際相符，說明網絡訓練成功。
2.根據權利要求1所述的基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法，其特征在于所述的輸入層的每一個輸入節(jié)點對應樣本的一個特征，輸入層的19個特征分別是X1 礦山通風系統(tǒng)合理性，X2局部通風系統(tǒng)合理性，X3礦山通風等積空大小，X4密閉墻合格率， X5風門合格率，X6風橋合格率，X7測風站合格率，X8防暴門合格率，X9巷道合格率，X10巷 道風速合格率，XII巷道風質合格率，X12主要通風機管理，X13局部通風機管理，X14礦山 有效風量率，X15)通風系統(tǒng)圖繪制，X16反風演習管理，X17通風阻力測定，X18礦山巷道失 修率，X19巷道側風管理，所述的隱含層的隱含層節(jié)點數目為2*19+1 = 39個，所述的輸出層的輸出節(jié)點數等于評價數，一個輸出節(jié)點對應一個安全級別，輸出層的5 個節(jié)點為:Y1 (10000)、Y2 (01000)、Y3 (00100)、Y4 (00010)、Y5 (00001)，分別對應于安全、較安全、一般安全、不安全和很不安全。
3.根據權利要求1所述的基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法，其特征 在于所述的對神經網絡進行訓練的算法采用誤差反向傳播算法把學習過程分為兩個階 段第一階段，正向傳播過程，輸入信號從輸入層經隱層，傳向輸出層，在輸出端產生輸出信 號，這是信號的正向傳播，在信號的向前傳遞過程中，網絡的權值是固定不變的，每一層神 經元的狀態(tài)只影響下一層神經元的狀態(tài)，如果在輸出層不能得到期望的輸出，則轉入誤差 反向傳播，第二階段，誤差信號反向傳播，網絡的實際輸出與期望輸出之間的差值為誤差， 誤差信號由輸出端開始逐層向前傳播，這是誤差信號的反向傳播，在誤差信號反向傳播過 程中，網絡的權值由誤差反饋進行調節(jié)，通過權值的不斷修正使網絡的實際輸出更接近期 望輸出。
全文摘要
本發(fā)明涉及礦山通風系統(tǒng)故障判斷技術領域，特別是一種基于遺傳神經網絡的礦山通風系統(tǒng)故障判斷方法，根據對礦山通風系統(tǒng)原始數據分析和整理并結合礦山通風系統(tǒng)的指標體系建立由輸入層、隱含層和輸出層所組成的三層反傳神經網絡故障判斷模型(BP)，神經網絡初始化，實例樣本對神經網絡進行訓練，樣本作用于輸入層、輸入到隱含層、輸出層，檢查輸出層各單元的輸出的各單元的誤差，按此誤差進行權值修正，判斷誤差是否小于規(guī)定值，誤差小于規(guī)定值，則輸出結果，誤差不小于規(guī)定值，則進入下一循環(huán)。校驗樣本的安全級別與實際相符，說明網絡訓練成功。本發(fā)明的絡的權值由誤差反饋進行調節(jié)，通過權值的不斷修正使網絡的實際輸出更接近期望輸出。
文檔編號G06N3/10GK101894214SQ201010221649
公開日2010年11月24日 申請日期2010年7月9日 優(yōu)先權日2010年7月9日
發(fā)明者孫海濤, 張斌, 梁瓊 申請人:中冶北方工程技術有限公司