基于BP神经网络的非煤地下矿山安全评价模型

基于BP神经网络的非煤地下矿山安全评价模型

茅海荣

山东微山湖稀土有限公司山东济宁277603

摘要：针对非煤地下矿山安全评价的非线性和复杂性特点，提出了基于BP神经网络的动态系统较强的BP神经网络系统，并建立了非煤地下矿山安全评价模型。为了提高非煤地下矿山生产过程的可靠性并结合生产过程的特点，提出了一套安全评价指标体系，确定了BP神经网络的结构及其评价方法。为了提高BP神经网络算法的收敛速度和稳定性，以标准BP算法是最有效的。

关键词：BP神经网络；非煤地下矿山

1前言

在过去的20年中，安全评估体系在确保我国安全生产方面发挥了重要作用。随着现代科学技术和理论的快速发展，安全评价方法已从单一的安全核对表方法发展到更复杂的评价方法，如指数法和人工智能。但是，非煤地下矿山生产过程是十分复杂的，有许多不同种类的风险因素，以及监测数据是不完整的和不断变化的，很难找到一个线性之间风险的影响因素和风险表征方法，因此，非煤地下矿山系统安全评估可以被认为是一个复杂的非线性问题。因为人工神经网络的自我适应，自学习习惯和大规模并行性的特点，可以不受矿山安全评估信息不完整的可知性的限制，可以吸收专家的经验和较强的抗干扰能力，因此近年来被引入非煤矿山安全领域的评估。

2.BP神经网络基本原理

人工神经网络，被称为“神经网络（NN）”“作为人类大脑的一种抽象，是最简单也是最仿真的，是人们模仿人脑神经信息处理功能设计的智能系统。人工神经网络由一个简单的基本组成部分组成：神经元相互连接，成为自适应非线性动态系统，它反映了人类大脑功能的几个基本特征，而不是对生物系统的生动描述，只是一些模仿，简化和抽象。BP神经网络是最广泛使用和最有效的神经网络模型。与其他传统的模型相比，它具有更好的耐久性和及时的预测。BP神经网络算法是最小二乘算法的基本思想，它的学习规则是使用最陡的下降法，通过反向传播来不断地调整网络的权重和阈值，最大限度地减小网络的误差和。BP神经网络模型拓扑结构包括输入层（input）、隐层（hidelayer）和输出层（outputlayer）。

3基于BP神经网络的非煤地下矿山安全评价模型

3.1确定非煤地下矿山安全评价的指标体系

综合非煤地下矿山的安全状况评估是一项复杂的系统工程，涉及到非常多的内容，需要考虑的因素也更广泛，需要确定分类指标体系的原则，分析内部因素和结构之间的关系，然后确定评价指标体系，为每个指标来确定任务和量化标准，评估结果描述和分类标准的确定方法。邓红卫等人根据非煤矿山矿事故的统计特点，将矿井系统的安全评价指标分为3个层次系统和5个指标。周荣义等人根据矿山安全管理的内容，划分煤矿矿山指标体系。

3.2确定BP神经网络的拓扑结构

BP神经网络的拓扑结构包括中间隐藏层的层数和神经网络每层的节点数。根据评价指标的数量，确定输入层的神经元数目，并根据评价结果的评价等级确定输出层中的神经元数目。根据经验公式和学习训练的结果，可以确定隐藏层中的神经元数目。一般认为，增加隐藏层可以减少网络误差，提高精度，但隐层层越多，计算过程越复杂，训练时间也会急剧增加。同时，当隐藏层增加时，网络在训练过程中很容易陷入局部最小误差，网络的权值不能被调整到最小误差。

通过Matlab软件编程对比3层和4层神经网络的训练效果，决定选取含两个隐含层的4层神经网络结构。同时根据以下经验公式来推导各隐含层的神经元数：第一隐含层神经元²，第二隐含层神经元：式中，n为输入节点数；m为输出节点数；S1，S2为隐层节点。

3.3改进的BP算法

尽管BP算法具有可靠性、严格的推导过程、较高的精度、通用性好等优点，但标准BP算法有以下缺点：收敛速度太慢、很容易进入到局部最小值。采用两种改进的算法进行网络训练：

3.3.1加入动量梯度的BP算法

将上一次权值调整量的一部分迭加到按此次误差计算所得的权值调整量上，作为此次的实际权值调整量，即：ΔW（n）=-ηE（n）+αΔW（n-1）中，α是动量系数，取值范围通常是0<α<0.9；η为学习率，范围在0.001～10之间。该方法的动量因子实际上是阻尼系数，降低了学习过程中的振荡趋势，从而提高了收敛性。

3.2.2.L-M（Levenberg-Marquardt）算法

该算法的权值调整率选为Δw=式中，e—误差向量—网络误差对权值导数的雅可比（Jacobian）矩阵。

采用改进的BP算法，去建立非煤地下矿井的安全评价模型，并通过实际操作进行了可行性验证。通过建立安全评价指标体系和改进的BP神经网络操作方法，实现评价模型的运行精度和稳定性的提高，确保了实际操作的可靠性。

3.4选择学习样本，建立安全评价知识库

选择多组非煤地下矿的特征参数值作为网络系统学习的学习样本。这些样本应该反映尽可能多的安全状态的种类。学习训练成功后通过输入、输出、隐藏节点数以及反映其间关联度的网络权值的组合等因素，建立了有推理机制的地下非煤矿山安全评价知识库。

3.5实施非煤地下矿山安全评价

用户对非煤地下矿山开采指标进行评价后，将指标输入训练过算是成功的的网络评价模型中进行运算，输出的结果就是地下非煤矿山风险水平。评估得结果可以进一步更新原有的知识库。

4两种网络算法比较

使用加入过梯度动量的BP算法，从训练过程可以看出，添加动量BP算法的收敛速度梯度普通、操作频率低，耗费大量的系统资源和时间，但预测结果表明，该网络收敛性能足以满足我们的需要，并且许多的预测的结果都是相对稳定的，评价精度较高，可以完成地下采矿系统的安全性评价工作。使用L-M算法可以看出，在训练过程中，误差出现频率会急剧下降，这可以节省大量的训练时间。实验结果表明，该网络的收敛性较好，评价精度较高，但收敛稳定性比BP算法增加动量梯度的结果更差。

利用BP神经网络对非煤地下矿山进行安全评价，理论和实践证明皆是可行的。基于BP神经网络的地下非煤矿山安全评价模型具有综合性、适应性（学习样本结合最近的信息丰满度和综合考虑了历史经验），具有容错性特征（处理各种数值指标）和变重、显著特征。采用改进的BP算法，克服了标准BP算法的收敛速度慢和容易陷入局部最小点的缺点，使该模型具有理想的预测精度和稳定性。

5结束语

根据非煤地下矿山生产过程的特点，建立了简单高效的安全评价指标体系，以方便统计和分配。使用神经网络不是完全可知性的优点，评价指标体系可以反映非煤地下矿山的实际风险水平，克服复杂的矿山生产过程，有许多不同种类的风险因素和难以确定评价指标体系的安全问题。以BP神经网络为基础的安全评价模型，对非煤地下矿山安全管理现状进行了评价，提出了一种可行的方法，为矿山安全科学的管理提供了依据。

参考文献：

[1]王志，郭勇.基于BP神经网络的非煤地下矿山安全评价模型[J]中国安全科学学报，2009

[2]齐朔风.矿山生态安全的BP神经网络评价方法与应用研究[D].太原理工大学，2013

[3]王祥尧.非煤矿山安全生产保障管理体系的研究[D]西安建筑科技大学，2007

[4]周荣义等.小波神经网络在矿井安全管理评价中的应用[J]煤炭科学技术，2005

[5]邓红卫，周爱民，黄筱军.浅析金属非金属矿山安全评价指标体系与评价方法[J]矿业研究与开发，2004