CN112668749B - 一种基于类标加权极限学习机的煤矿瓦斯预警方法 - Google Patents

Abstract

本发明公开了一种基于类标加权极限学习机的煤矿瓦斯预警方法，包括获取其历史瓦斯浓度监测数据，数据预处理与缺失数据填充，样本集生成，设定瓦斯浓度预警阈值，采用预警阈值μ确定样本不平衡比率，并根据不平衡比率的反馈值对样本的类标矩阵进行加权操作，利用五折交叉验证确定极限学习机的最优隐层节点个数，以Sigmoid函数作为激活函数，以加权的类标矩阵作为模型的期望输出矩阵，训练并生成极限学习机模型。本发明实现了对某个单一监测点未来3小时的瓦斯浓度是否超警戒线进行预测，并对潜在生产安全风险进行预警，考虑了类别不平衡的影响，实现简单，检测率高，虚警率低。

Description

一种基于类标加权极限学习机的煤矿瓦斯预警方法

技术领域

本发明涉及一种煤矿瓦斯瓦斯预警方法，属于瓦斯浓度预测技术领域。

背景技术

在我国的能源工业中，煤炭占我国一次性能源生产和消费结构中的70％左右，在未来相 当长的时期内，煤炭仍将是我国的主要能源，但目前来看，煤矿生产安全形势十分严峻，安 全事故仍时有发生，我国很多煤矿的监测系统缺乏灾难预测功能。矿井瓦斯是影响煤矿安全 的主要因素之一，瓦斯浓度过高就会有可能引起一系列的安全事故。因此，准确预测未来几 小时的瓦斯浓度是否会超过预警线，并及时发现安全隐患，对与煤矿的安全生产有着重大意义。然而，在煤矿瓦斯监控数据中，预警数据往往远远少于非预警数据，这就导致了类别不 平衡问题，会大幅降低传统预测模型的检出率，并增加虚警率，从而影响到实际的使用效果。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于类标加权极限学习机 的煤矿瓦斯预警方法，本方法能够有效解决类别不平衡问题，并根据瓦斯的历史数据准确预 测瓦斯浓度是否会在未来几小时内超过预警线，主要运用到煤矿安全预警，可提升煤矿对于瓦斯爆炸事故的预控能力。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于类标加权极限学习机的煤矿瓦斯预警方法，包括以下步骤：

步骤1，针对矿井下某个监测点，获取其历史瓦斯浓度监测数据。通常在矿井下设置一 个监测点，实时提取并传输瓦斯浓度数据。

步骤2，数据预处理与缺失数据填充：对于一个监测点每间隔十分钟计算一次瓦斯浓度 均值，得到规整的瓦斯浓度监测数据，利用前后计算的均值对空值进行线性填充处理，若数 据连续缺失超过两小时，则不做填充，舍弃对应时间数据点，在新检测数据出现处继续计算新的数据点，得到规整的瓦斯浓度监测时间序列。

步骤3，样本集生成：取连续24小时的瓦斯浓度数据作为特征X，其后3小时的瓦斯浓 度数据作为预测目标Y，并按照单点顺序移动的方式逐一生成训练样本集Φ。

步骤4，设定瓦斯浓度预警阈值μ，根据具体需要设定瓦斯浓度预警阈值μ，当瓦斯浓度 超过预警阈值μ时，认定出现安全生产风险。

步骤5，类标加权，采用预警阈值μ确定样本不平衡比率，并根据不平衡比率的反馈值 对样本的类标矩阵进行加权操作。

步骤51，逐一扫描样本集Φ中预测目标Y₁,Y₂,...,Y_N中大于等于预警阈值μ的个数以及 小于预警阈值μ的个数，分别记为N^-与N⁺，并计算其比例λ＝N^-/N⁺。

步骤52，根据步骤51扫描的结果，对目标输出矩阵T进行初步赋值。

其中，若Y_ij≥μ，t_ij＝1，反之，t_ij＝-1，i表示训练样本的位置，j表示预测的时间点，ti j 表示标签；。

步骤53，扫描初始的目标输出矩阵T，并对其进行加权操作，若t_ij＝1，则将其改写为

若t_ij＝-1，则不进行操作，进而得到类标加权矩阵T_W，λ表示不平衡比率。

步骤6，模型训练，利用五折交叉验证确定极限学习机的最优隐层节点个数，以Sigmoid 函数作为激活函数，以加权的类标矩阵作为模型的期望输出矩阵，训练并生成极限学习机模 型。

步骤61，设定极限学习机中的隐层节点个数L，随机生成输入层到隐层之间的权重与偏 置序列，a＝[a₁,a₂,...,a_i2,...,a_L]和b＝[b₁,b₂,...,b_i2,...,b_L]，其中，a_i2∈[-1,1]，b_i2∈[-1,1]，利用 Sigmoid激活函数将训练样本集Φ转化为隐层输出矩阵：

其中，H(a₁,...,a_L,b₁,...,b_L,X₁,...,X_S)表示表示隐藏输出矩阵，G为Sigmoid激活函数，其 计算方式如下：

其中，G(a_i2,b_i2,X_j2)表示激活函数。

步骤62，结合隐层输出矩阵H及类标加权矩阵T_W，求解下式：

Hβ＝T_w

其中，

利用最小二乘方法，计算结果如下：

其中，β表示理想状态下隐藏层权重矩阵，

表示计算得到的隐层权重矩阵，/>

表示第 L个隐层节点的权重值，，/>

为隐层输出矩阵的Moore-Penrose广义逆，其结果为β的最小范 数最小二乘解。

步骤7，数据预测：利用训练好的类标加权极限学习机模型对未来瓦斯浓度是否超警戒 线进行预测，并根据预测结果决定是否需要给出预警。

实时获取过去24小时的瓦斯浓度监测数据，做规范化处理后，记为XX，通过保存的a＝[a₁,a₂,...,a_L]和b＝[b₁,b₂,...,b_L]，将X转化为H，结合保存的隐层权重矩阵β，通过计算H×β 得到对应的未来三小时预警预测结果Y，逐一检查Y中是否有大于0的值，若是，则发出报 警信号。

优选的：步骤1中对于一个监测点，至少应包括30天的历史瓦斯浓度监测数据。

优选的：所述步骤2中得到规整的瓦斯浓度监测时间序列方法：

步骤21，读取历史瓦斯浓度监测数据，从第一个数据开始，提取10分钟内的所有数据， 并做均值计算，生成规整监测瓦斯浓度数据x₁，以此类推，每10分钟进行一次计算，最终得 到规整的瓦斯浓度监测时间序列数据x₁,x₂,...,x_K，其中，K为规整监测数据的总数。

步骤22，若瓦斯浓度监测时间序列数据x₁,x₂,...,x_K中x_t与x_t′点之间存在连续的缺失数据， 同时，t′-t≤12,则采用下式对缺失值进行填充。

其中,t，t’∈{1,2,...,K}，S为x_t与x_t′点之间连续缺失的数据个数，i表示当前缺失序列的 缺失值位置。若x_t与x_t′点之间连续缺失的数据个数大于12，则设置断点，不对缺失数据进行 补偿。

优选的：所述步骤3中得到样本集Φ的方法：针对规整的瓦斯浓度监测数据时间序列x₁, x₂,...,x_K，首先从起始位置取连续24小时的瓦斯浓度数据作为特征X₁＝[x₁,x₂,...,x₁₄₄]，其后3 小时的瓦斯浓度数据作为对应的预测目标Y₁＝[x₁₄₅,x₁₄₆,...,x₁₆₂]，生成第一个样本，然后通过单点移动的方式生成样本2，即X₂＝[x₂,x₃,...,x₁₄₅]，Y₂＝[x₁₄₆,x₁₄₇,...,x₁₆₃]，以此类推，不断生成样本，直至数据序列耗尽，得到样本集Φ：

其中，N表示生成的样本个数。

优选的：步骤3中若在规整的瓦斯浓度监测数据时间序列x₁,x₂,...,x_K中遇到断点，则新 样本的提取在断点后重新开始。

优选的：步骤4中的预警阈值μ采用迭代求解，其初值根据煤矿安全生产标准及煤矿安 全生产的实际需要设定。

优选的：所述步骤61中所设定的隐层节点个数L由五折交叉验证方法得到，即预设L＝{10,50,100,200},通过将样本集Φ随机平均分为五份，每次用其中的四份作为训练集逐一 对预设的各L值训练标记加权极限学习机模型，并在剩余的一份上进行验证，当每份样本均 作为一次测试集后，计算各L参数的均方根预测精度，选取精度最大的L值作为最优隐层节 点参数值，反馈给步骤61，方根误差能够保证收敛是稳态的。

优选的：所述步骤S7中训练好的模型要求在使用时实时读取同一监测点最新24小时的 瓦斯浓度监测数据。

本发明相比现有技术，具有以下有益效果：

1.本发明采用类标加权极限学习机，实现对某个单一监测点未来3小时的瓦斯浓度是否 超警戒线进行预测，并对潜在生产安全风险进行预警，考虑了类别不平衡的影响，实现简单， 检测率高，虚警率低。

2.叙述一下计算类标权重和加权类标权重输出矩阵的过程以及35中求解β的过程带来的 好处。

过程上面步骤52已经是过程了，好处是充分考虑了数据中类别不平衡问题，对高浓度瓦 斯值的类别标签赋予较大期望的输出值，能够放大误差范围，反之对低浓度瓦斯值的类别标 签赋予较小期望的输出值，达到预测效果，对二者的输出起到中和作用。

附图说明

图1是本发明的流程图。

图2是本发明方法详细的流程图。

图3是本发明方法上线运行的流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而 不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式 的修改均落于本申请所附权利要求所限定的范围。

一种基于类标加权极限学习机的煤矿瓦斯预警方法，如图1-3所示，包括以下步骤：

A、提取传感器采集的某煤矿监测点瓦斯浓度监测历史数据，按10分钟等间隔计算均值， 得到规范化的瓦斯浓度监测数据，并分析监测数据是否存在缺失，如果存在缺失数据则进入 步骤B。

B、利用线性填充补偿法对缺失数据进行填充，若连续缺失数据小于等于12个，则填充， 若超过12个连续缺失值，则不填充，并设置断点，然后进入步骤C。

C、从规范化数据时间序列头开始取连续24小时的瓦斯浓度数据作为特征X，其后3小 时的瓦斯浓度数据作为预测目标Y，并按照单点顺序移动逐一生成训练样本，若在规泛化的 瓦斯浓度监测数据时间序列中遇到断点，则新样本的提取在断点后重新开始，最终得到数据集：

其中，N表示生成的样本个数。

D、设置瓦斯浓度预警阈值μ，统计所有样本预测目标Y中小于与大于μ的预测浓度值个 数，分别记为N^-与N⁺，并计算其比例λ＝N^-/N⁺。

E、根据所有样本的预测目标Y生成极限学习机对应的初始目标输出矩阵T，若Y中对应 值大于阈值μ，T中对应位置赋值为1，否则赋值-1。

F、扫描初始的目标输出矩阵T，并对其进行加权操作，若值1，则将其改写为

若值-1，则不进行操作，进而得到类标加权矩阵T_W。

G、训练类标加权极限学习机模型。

步骤G的具体步骤如下：

通过五折交叉验证法设定极限学习机中最优的隐层节点个数L。

随机生成输入层到隐层之间的权重与偏置序列，a＝[a₁,a₂,...,a_i2,...,a_L]和b＝[b₁,b₂,...,b_i2,..., b_L]，其中，a_i2∈[-1,1]，b_i2∈[-1,1]，利用Sigmoid激活函数将训练样本集Φ转化为隐层输出 矩阵：

其中，H(a₁,...,a_L,b₁,...,b_L,X₁,...,X_S)表示隐藏层输出矩阵，G为Sigmoid激活函数，其 计算方式如下：

其中，G(a_i2,b_i2,X_j2)表示激活函数。

结合隐层输出矩阵H及类标加权矩阵T_W，求解下式：

Hβ＝T_w (4)

其中，

利用最小二乘方法，计算结果如下：

其中，β表示理想状态下隐藏层权重矩阵，

表示计算得到的隐层权重矩阵，/>

表示第 L个隐层节点的权重值，/>

为隐层输出矩阵的Moore-Penrose广义逆。根据其定义，可推知 结果为β的最小范数最小二乘解。

H、将模型布置到系统中，实时获取最近过去24小时的瓦斯浓度监测数据，做规范化处 理后，记为X'，通过保存的a＝[a₁,a₂,...,a_L]和b＝[b₁,b₂,...,b_L]，将X'转化为H'，结合保存的 隐层权重矩阵β，通过计算H'×β得到对应的未来三小时预警预测结果Y'，逐一检查Y'中是 否有大于0的值，若是，则发出报警信号，若否则在10分钟后返回H'再次运行。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说， 在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发 明的保护范围。

Claims (7)

1.一种基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于，包括以下步骤：

步骤1，针对矿井下某个监测点，获取其历史瓦斯浓度监测数据；

步骤2，数据预处理与缺失数据填充：对于一个监测点每间隔十分钟计算一次瓦斯浓度均值，得到规整的瓦斯浓度监测数据，利用前后计算的均值对空值进行线性填充处理，若数据连续缺失超过两小时，则不做填充，舍弃对应时间数据点，在新检测数据出现处继续计算新的数据点，得到规整的瓦斯浓度监测时间序列；

步骤3，样本集生成：取连续24小时的瓦斯浓度数据作为特征X，其后3小时的瓦斯浓度数据作为预测目标Y，并按照单点顺序移动的方式逐一生成训练样本集Φ；

步骤4，设定瓦斯浓度预警阈值μ，根据具体需要设定瓦斯浓度预警阈值μ，当瓦斯浓度超过预警阈值μ时，认定出现安全生产风险；

步骤5，类标加权，采用预警阈值μ确定样本不平衡比率，并根据不平衡比率的反馈值对样本的类标矩阵进行加权操作；

步骤51，逐一扫描样本集Φ中预测目标Y₁,Y₂,...,Y_N中大于等于预警阈值μ的个数以及小于预警阈值μ的个数，分别记为N^-与N⁺，并计算其比例λ＝N^-/N⁺，N表示生成的样本个数；

步骤52，根据步骤51扫描的结果，对目标输出矩阵T进行初步赋值；

其中，若Y_i≥μ，t_ij＝1，反之，t_ij＝-1，i表示训练样本的位置，j表示预测的时间点，t_ij表示标签；

步骤53，扫描初始的目标输出矩阵T，并对其进行加权操作，若t_ij＝1，则将其改写为

若t_ij＝-1，则不进行操作，进而得到类标加权矩阵T_W，λ表示不平衡比率；

步骤6，模型训练，利用五折交叉验证确定极限学习机的最优隐层节点个数，以Sigmoid函数作为激活函数，以类标加权矩阵作为模型的期望输出矩阵，训练并生成类标加权极限学习机模型；

步骤61，设定类标加权极限学习机模型中的隐层节点个数L，随机生成输入层到隐层之间的权重与偏置序列，a＝[a₁,a₂,...,a_i2,...,a_L]和b＝[b₁,b₂,...,b_i2,...,b_L]，其中，a_i2∈[-1,1]，b_i2∈[-1,1]，利用Sigmoid激活函数将训练样本集Φ转化为隐藏层输出矩阵：

其中，H(a₁,...,a_L,b₁,...,b_L,X₁,...,X_N)表示隐藏层输出矩阵，G为Sigmoid激活函数，其计算方式如下：

其中，G(a_i2,b_i2,X_j2)表示激活函数；

步骤62，结合隐藏层输出矩阵及类标加权矩阵T_W，求解下式：

Hβ＝T_w

其中，

利用最小二乘方法，计算结果如下：

其中，β表示理想状态下隐藏层权重矩阵，

表示计算得到的隐藏层权重矩阵，/>

表示第L个隐层节点的权重值，/>

为隐藏层输出矩阵的Moore-Penrose广义逆，其结果为β的最小范数最小二乘解；

步骤7，数据预测：利用训练好的类标加权极限学习机模型对未来瓦斯浓度是否超警戒线进行预测，并根据预测结果决定是否需要给出预警。

2.根据权利要求1所述基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于：步骤1中对于一个监测点，至少应包括30天的历史瓦斯浓度监测数据。

3.根据权利要求2所述基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于：所述步骤2中得到规整的瓦斯浓度监测时间序列方法：

步骤21，读取历史瓦斯浓度监测数据，从第一个数据开始，提取10分钟内的所有数据，并做均值计算，生成规整监测瓦斯浓度数据x₁，以此类推，每10分钟进行一次计算，最终得到规整的瓦斯浓度监测时间序列数据x₁,x₂,...,x_K，其中，K为规整监测数据的总数；

步骤22，若瓦斯浓度监测时间序列数据x₁,x₂,...,x_K中x_t与x_t'点之间存在连续的缺失数据，同时，t'-t≤12，则采用下式对缺失值进行填充；

其中，t，t’∈{1,2,...,K}，S为x_t与x_t'点之间连续缺失的数据个数，i表示当前缺失序列的缺失值位置；若x_t与x_t'点之间连续缺失的数据个数大于12，则设置断点，不对缺失数据进行补偿。

4.根据权利要求3所述基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于：所述步骤3中得到样本集Φ的方法：针对规整的瓦斯浓度监测数据时间序列x₁,x₂,...,x_K，首先从起始位置取连续24小时的瓦斯浓度数据作为特征X₁＝[x₁,x₂,...,x₁₄₄]，其后3小时的瓦斯浓度数据作为对应的预测目标Y₁＝[x₁₄₅,x₁₄₆,...,x₁₆₂]，生成第一个样本，然后通过单点移动的方式生成样本2，即X₂＝[x₂,x₃,...,x₁₄₅]，Y₂＝[x₁₄₆,x₁₄₇,...,x₁₆₃]，以此类推，不断生成样本，直至数据序列耗尽，得到样本集Φ：

其中，N表示生成的样本个数。

5.根据权利要求4所述基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于：步骤3中若在规整的瓦斯浓度监测数据时间序列x₁,x₂,...,x_K中遇到断点，则新样本的提取在断点后重新开始。

6.根据权利要求5所述基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于：所述步骤61中所设定的隐层节点个数L由五折交叉验证方法得到，即预设L＝{10,50,100,200}，通过将样本集Φ随机平均分为五份，每次用其中的四份作为训练集逐一对预设的各L值训练类标加权极限学习机模型，并在剩余的一份上进行验证，当每份样本均作为一次测试集后，计算各L参数的均方根预测精度，选取精度最大的L值作为最优隐层节点参数值。

7.根据权利要求6所述基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于：所述步骤7中训练好的模型要求在使用时实时读取同一监测点最新24小时的瓦斯浓度监测数据。

Images