[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

说明书

本发明属于计算机/煤矿安全领域，具体涉及一种基于增量式极限学习机的煤矿安全风险预警方法，该方法包括：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；本发明的模型预测输出和实际事故发生状况拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对煤矿风险预测结果更可靠，更有优势。

技术领域

本发明属于计算机/煤矿安全领域，具体涉及一种基于增量式极限学习机的煤矿安全风险预警方法。

背景技术

随着我国对煤矿监管监察力度的加强,综合利用云计算，人工智能，机器学习等技术进行检测预警越来越成为保障煤矿安全生产的重要解决方案。

在煤矿生产的信息化建设过程中,虽然积累了海量的煤矿安全生产数据,但基于安全生产方面相应的方法或模型较少,对事故安全隐患也没有一个统一的定义，很多丰富的煤矿生产数据无法为煤矿安全管理提供可靠的决策信息支撑。如何对这些海量的煤矿风险大数据进行分析和计算,发现煤矿生产中存在的潜在的隐患规律,如何在复杂多变的煤矿生产环境中对煤矿安全风险进行有效的建模，是当前急需解决的问题。

发明内容

为解决以上现有存在的问题，本发明提出了一种基于增量式极限学习机的煤矿安全风险预警方法，该方法包括：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。

优选的，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。

优选的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。

优选的，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||