基于BP 神经网络的矿井通风系统安全评价研究

　　摘　要：针对矿井通风系统安全评价，提出利用人工神经网络的非线性、容错性、自学习及实时处理等特点，建立了基于BP 神经网络的矿井通风系统安全评价的数学模型，并对某矿通风系统进行了实例评价。

　　关键词：神经网络；矿井；通风系统；安全评价

　　要改变我国煤矿目前的安全局势，就必须坚持对矿井通风系统进行安全评价，即按照科学的程序和方法，对矿井通风系统中的危险因素、发生事故的可能性及损失与伤害程度进行调查与分析论证，从而来评估系统总体的安全性以及针对存在的问题，提出有效的安全措施。

　　1 　BP 神经网络在矿井通风系统安全评价的适用性分析

　　1. 1 　矿井通风系统安全评价特点

　　矿井通风系统的安全状态与矿井其它系统的运行状态及变化密切相关，是整个矿井中决定矿井生产状态安全的一个重要生产辅助系统。矿井通风系统的运行特性和状态直接关系到整个矿井的运行和安全状态。虽然可以通过各种手段获取矿井通风系统的各种信息，但这些有限的时空监测数据所能提供的信息是不完全的和非确知的，且受多方面因素的影响。因此，矿井通风系统是个复杂的非结构性问题，对其进行安全评价是一个涉及面广、综合性强的工作，需选取一种非常理想的评价模型和评价方法，才能提高评价精度。

　　1. 2 　BP 神经网络简介

　　人工神经网络，是指利用工程技术手段模拟人脑神经网络的结构与功能的一种技术系统，是一种大规模并行的非线性动力学系统。它并不是人脑神经系统的真实写照，而只是对其结构进行了大量简化后保留其主要特性的某种抽象与模拟。目前，在人工神经网络的实际应用中，使用最广泛的网络是反传神经网络模型(BP)，它是多层映射网络，采用最小均方差的学习方式。

　　1. 3 　BP 神经网络在矿井通风系统安全评价的适用性分析

　　由于人工神经网络试图以模仿人脑神经系统的组织方式来构成新型的信息处理系统，具有因此自适应性、自学习性、巨量并行性、非线性、容错性和知识处理集约性的特点，为解决非结构性问题提供了一条潜力无限的新途径。因此，基于BP 人工神经网络模型的评价方法可避免常用方法的局限性和专家的主观性，解决了矿井通风系统的不完全可知性之间的矛盾，提高了评价精度，是一种非常理想的评价模型和评价方法。

　　2 　BP 神经网络在矿井通风系统安全评价中的应用

　　2. 1 　矿井通风系统安全评价指标体系的建立

　　评价指标的建立是评价研究内容的基础和关键，直接影响到评价结果的正确性。评价指标应能够反映矿井通风系统的主要特征和基本状况，以及

　　系统存在的危险状态为目标。根据矿井通风系统中可能存在的各种危险危害因素，应用层次分析法把矿井通风安全评价指标划分为1 个总体目标(即矿井通风安全评价指标体系) 、4 个一级指标(即通风系统、通风设施、通风质量和通风管理) 和19 个二级指标(矿井通风系统合理性I1 、局部通风系统合理性I2 、矿井通风等积孔大小I3 、密闭墙合格率I4 、风门合格率I5 、风桥合格率I6 、测风站合格率I7 、防爆门合理性I8 、巷道配风合格率I9 、巷道风速合格率I10 、巷道风质合格率I11 、主要通风机管理I12 、局部通风机管理I13 、矿井有效风量率I14 、通风系统图绘制I15 、反风演习管理I16 、通风阻力测定I17 、矿井巷道失修率I18 、巷道测风管理I19 ) 。由于在矿井通风安全评价过程中，定性指标不直接参与评价，本文采用分级标准量化法将定性指标转化为定量指标。即将每个指标分为5 级(即Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级，分别表示安全、较安全、一般安全、不安全、很不安全)，每级都规定一个取值标准和数值，在进行评价时，通过评价对象的实际情况得到相应指标的评价值。

　　2. 2 　BP 神经网络模型的建立

　　神经元模型主要是基于模拟生物神经元信息的传递特性，即输入、输出关系。BP 神经网络模型是采用误差反向传播算法的前馈多层神经网络，其结构是多层网络结构。多层BP 神经网络不仅有输入节点、输出节点、而且有一层或多层隐节点。各个层次的神经元之间是完全互联的，而同一层次的神经元是没有连接的。

　　网络的每一个输入节点对应样本的一个特征，而输出节点数等于评级数，一个输出节点对应一个安全级别。基于BP 算法的神经网络中各层节点数的选择对网络的性能影响很大，层内节点数需要进行适当的选择，矿井通风安全评价的二级指标就是矿井通风系统安全评价的19 个影响因素，基本上可体现煤矿矿井通风安全评价的多种控制因素，因此，神经网络的输入节点数定为19 个;而矿井通风系统安全等级分为:安全、较安全、一般安全、不安全和很不安全5 级，由此确定神经网络有5 个输出节点。根据Cybenko 的研究，当各节点均采用S 型函数时，一个隐层就足以实现任意判决分类问题，因此采用单隐层的三层神经网络结构。对于隐层节点数，根据Hecht2Niel sen 的研究得出，单隐层神经网络的隐层节点数目为2 N + 1，其中N 为输入节点数，确定本文的隐层节点数为39 个。所以，网络结构为19－39－5 。

　　2. 3 　BP 神经网络的学习

　　一个神经网络的模型确定之后，为了使它具有某种智能特性，还必须有相应的学习方法与之配合。学习方法归根结底就是网络连接权的调整方法，BP神经网络采用误差反向传播算法，其网络连接权值是通过学习，不断调整得到的。误差反向传播算法的主要思想是把学习过程分为两个阶段:第一阶段，正向传播过程，输入信号从输入层经隐层，传向输出层，在输出端产生输出信号，这是信号的正向传播。在信号的向前传递过程中，网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差反向传播;第二阶段，误差信号反向传播:网络的实际输出与期望输出之间的差值为误差，误差信号由输入端开始逐层向前传播，这是误差信号的反向传播。在误差信号反向传播过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网络的实际输出更接近期望输出。

　　在训练阶段，如果输入训练样本的安全级别标号是i，则训练时的期望输出设第i 个节点为1，而其余输出节点均为0 。因此， 输出的5 个节点有(1 0 0 0 0) 、(0 1 0 0 0) 、(0 0 1 0 0) 、(0 0 0 1 0) 、(00 0 0 1)，分别对应于安全、较安全、一般安全、不安全和很不安全。在识别阶段，当一个未知安全级别的样本作用于输入端时，考察各输出节点的输出，并将这个样本的安全级别判定为与输出值最大的那个节点对应的安全级别。

　　2. 4 　BP 神经网络的训练及结果分析

　　根据对矿井通风系统原是数据分析和整理并结合一定的指标体系建立基于神经网络的安全评价模型的100 个实例样本进行训练，并用另外3 个样本进行实例校验。校验样本的安全级别与实际相符，说明网络训练成功。

　　3 　实例分析

　　某矿各级领导对矿井通风安全比较重视，各项通风安全管理制度健全，矿长及相关管理人员均经过了有关单位的资格培训，特种工种能持证上岗，应用前面建立的BP 神经网络对该矿井通风系统进行安全评价。

　　首先根据实测或资料查阅以及因素分析和指标分级标准，确定各评价指标值，建立神经网络的样本如表1 所示。

 

　　应用训练成功的网络进行评价，确定输入网络

　　参数为:输入层神经元数目19，隐含层神经元数目39，输出层神经元数目5，学习样本数50，循环学习次数100 000 次，训练时间697s。

　　被评价样本的预测结果为: (0. 010 5，0. 929 7，- 0. 016 6， - 0. 008 9，0. 009 3)，为较安全。这与应用未确知测度的评价方法得到的安全级别是一样的，符合矿井实际情况。

　　4 　小结

　　由于人工神经网络的非线性、容错性、自学习及实时处理等特点，可以用来解决矿井通风系统安全评价问题。建立了基于BP 神经网络的矿井通风系统安全评价的数学模型，在输入神经元的数目上体现了矿井通风系统安全评价的多种控制因素，在输出神经元的数目上体现了矿井通风系统安全评价的安全级别，并通过建立的典型的训练样本对该网络进行训练和校正，训练成功。应用建立的BP 网络，对某矿通风系统进行了实例评价，得出的安全级别符合实际情况。