[发明专利]一种基于增量式极限学习机的煤矿安全风险预警方法

权利要求书

1.一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，包括：构建基于增量式极限学习机的煤矿安全风险预测模型；实时获取煤矿数据，对该数据进行预处理，将预处理后的数据输入到训练好的基于增量式极限学习机的煤矿安全风险预测模型中，得到该煤矿安全风险预测结果；根据煤矿安全风险预测结果对该煤矿进行预警；

对基于增量式极限学习机的煤矿安全风险预测模型进行训练的过程包括：

S1：获取历史煤矿数据，对获取的数据进行预处理，得到规整的隐患时间序列数据；煤矿数据包括煤矿每日隐患数量、隐患类型、隐患级别、矿井历史事故记录以及矿井基础数据；

S2：设置时间粒度t，根据设置的时间粒度对历史煤矿数据进行划分，得到训练样本；

S3：基于极限学习机构建非线性的煤矿生产安全风险模型，设置模型训练时的MSE阈值；

S4：初始化模型的超参数，并采用遗传算法筛选出最优的模型超参数；

S5：将数据集放入煤矿生产安全风险模型，根据筛选出的超参数对模型进行初训练，并通过广义逆矩阵获取模型输出层权重，并根据初训练结果选取最低MSE下的时间粒度t；

S6：根据最低MSE下的时间粒度t对模型进行增量训练，当预测MSE高于步骤S3中设置的MSE阈值时，对模型参数进行增量更新；

S7：对模型隐藏层数量进行更新，完成模型的训练过程。

2.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，对数据进行预处理的过程包括：对于一个矿区每天的隐患检查记录，按照隐患类型，隐患级别，检查单位提取同一时间段非缺失隐患数据，计算得到均值与方差，并利用计算得到的均值与方差对所有缺失值进行填充，得到规整的多粒度隐患度监测时间序列。

3.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，煤矿安全风险预测模型超参数包括：模型隐藏层数L，最优时间粒度t、模型权重W、隐藏层偏置bias以及模型输出层权重β_i。

4.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，采用遗传算法筛选出最优的模型超参数的过程包括：

S41：初始化种群数、种群大小以及迭代次数；并对权重W与偏置bias进行随机取值；

S42：计算种群的适应度，计算适应度函数的表达为：

F＝min‖MSE_Trainingset,MSE_Testingset‖

其中MSE_Trainingset为训练集的均方误差，MSE_Testingset为测试集的均方误差；

S43：对种群进行选择、交叉以及变异操作，产生新的子种群；

S44：计算新的子种群的适应度，若适应度函数值小于上一次适应度值，则更新模型权重W和隐藏层偏置bias；

S45：当达到最大迭代次数时，得到最优的W和bias。

5.根据权利要求1所述的一种基于增量式极限学习机的煤矿安全风险预警方法，其特征在于，根据筛选出的超参数对模型进行初训练的过程包括：

S51：定义训练损失函数Function(H,T)＝min‖Hβ-T‖²,其中

H为输出矩阵，β为输出层权重，T为实际值，g表示激活函数，表示第个输入权重，x_N表示第N个变量，表示第个偏置，表示第个输出权重，表示第N个标签值，N表示训练集的个数，表示隐藏层的数量；

S52：模型训练的过程即求解使得损失函数达到最小值时的输出层权重β，通过矩阵形式的最小二乘法计算模型的输出权重，其表达式为：

β＝(H^TH)^-1H^TT

S53：通过T＝Hβ对测试集进行预测，并根据均方误差MSE选取最优时间粒度t。