• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多源信息融合的煤與瓦斯突出動態(tài)預警模型

    2020-07-18 09:19:56寧小亮
    礦業(yè)安全與環(huán)保 2020年3期
    關鍵詞:置信度關聯(lián)分配

    寧小亮

    (1.瓦斯災害監(jiān)控與應急技術國家重點實驗室,重慶 400037; 2.中煤科工集團重慶研究院有限公司,重慶 400037)

    煤與瓦斯突出(以下簡稱“突出”)是發(fā)生在煤礦井下采掘過程中的一種極其復雜的瓦斯動力現(xiàn)象,是嚴重的煤礦災害之一,而且隨著開采深度和強度的增加,部分高瓦斯礦井將逐步過渡轉化為突出礦井,開采條件不斷惡化,突出災害防治更加困難[1-2]。對采掘過程中各種突出前兆信息和隱患進行動態(tài)監(jiān)測、采集與分析,并及時預警是有效防突的前提[3-5]。

    突出預警技術目前在煤礦現(xiàn)場已得到一定規(guī)模的應用,其對突出事故的防范起到了積極作用。預警模型是預警技術的核心,科學的模型是準確預警的關鍵所在。目前的突出預警模型主要分為單因素模型和多因素綜合模型,其中單因素模型多采用臨界值比較法進行分析,這類模型僅能反映突出主控的某一方面;而多因素綜合模型考慮了突出致因的多個方面,采用的數(shù)學算法較多,如層次分析、模糊評價、專家系統(tǒng)、神經網絡、可拓理論、粗糙集理論、模式識別等[6-12],這些方法取得了一定的效果,但受主觀因素影響大、預警原因難以追溯,如層次分析法在指標過多時,數(shù)據統(tǒng)計量大,且權重難以確定??傮w而言,現(xiàn)有預警模型融合度不高、相對固化,自分析與優(yōu)化能力不足,預警的智能化水平還有待提高。

    證據理論作為一種不確定性推理方法,具有處理多源不確定信息、表達“不確定”和“不知道”的能力[13-15],允許將信度分配給單個元素及其子集,類似人類的證據收集過程,而突出預警涉及到瓦斯、應力、煤體等相關不同來源的多種信息,具有多源、不確定的特征,可以應用證據理論進行突出多源信息融合、決策。關聯(lián)規(guī)則算法是分析事物之間的關聯(lián)關系的重要方法[16-19],可以較好地解決證據理論分析過程中基本置信度分配問題,避免人工確定的主觀性。

    1 動態(tài)預警模型總體設計思路

    采用關聯(lián)規(guī)則算法和證據理論算法相結合的方法建立突出多源信息融合動態(tài)預警模型,實現(xiàn)多指標自動融合分析與決策,同時達到預警模型自修正和預警原因可追溯的目的,其總體設計思路如圖1所示。主要步驟如下:①收集整理突出相關的歷史數(shù)據,得到同一時空范圍內各預警指標值及實際突出危險情況,并進行數(shù)據歸一化處理;②利用關聯(lián)規(guī)則算法對各預警指標進行關聯(lián)分析,計算出各指標的支持度和置信度,并進行指標優(yōu)選;③建立證據理論識別框架,并以關聯(lián)規(guī)則分析優(yōu)選得到的指標及其置信度為基礎,建立證據理論算法所需要的基本置信度分配規(guī)則;④預警過程中,以基本置信度分配規(guī)則為依據,根據新獲取的指標值,確定各指標(證據)基本置信度,形成基本置信度分配表,并進行證據合成,得到融合決策結果,發(fā)布預警結果;⑤采用專家判定的方式,定期對預警結果進行準確性考察和確認,并根據考察結果重新利用關聯(lián)規(guī)則算法計算各指標置信度,形成新的基本置信度分配規(guī)則,實現(xiàn)模型動態(tài)調優(yōu)。

    圖1 煤與瓦斯突出動態(tài)預警模型總體設計思路

    2 預警模型建立

    2.1 關聯(lián)規(guī)則算法參數(shù)的確定

    設項目為im(m=1,2,…,k),則項集I={i1,i2,…,ik},項目由預警指標Zn或其演化事件,以及“實際具有突出危險”構成,其中預警指標既有定量指標又有定性指標,而“實際具有突出危險”是一種定性描述。根據規(guī)則中處理的變量類別,關聯(lián)規(guī)則可以分為布爾型和數(shù)值型,其中布爾型關聯(lián)規(guī)則處理的值都是離散的、種類化的,即定性指標或項目;而數(shù)值型關聯(lián)規(guī)則主要是處理數(shù)值型字段,即定量指標,需要將其進行動態(tài)的分割,或者直接對原始數(shù)據進行處理,數(shù)值型關聯(lián)規(guī)則中也可以包含種類變量。具體確定方法為:①若預警指標Zn為定性指標,則將該指標定義為一個項目,例如:預警指標“發(fā)生動力現(xiàn)象”即為一個項目;若預警指標為定量指標,假設突出危險程度與指標值正相關或負相關,沒有突變情況,則定義Zn≥Zn0+Lj或Zn≤Zn0+Lj(j=1,2,…,k)為一個項目,一個定量指標可以演化成k+1個項目,其中Zn0為分析初始值,L為分析步長,j為步長個數(shù)。上述參數(shù)可根據各指標測量或計算的精度、量程及現(xiàn)場實際考察綜合確定。

    設數(shù)據集T是事務的集合,對一組同一時空下歷史數(shù)據的分析處理即為一項事務,其集合用T={t1,t2,…,tn}表示,是一個非空項集,且T是I的非空子集;|T|為分析數(shù)據的次數(shù),即項集的事務數(shù),稱為項集的頻數(shù)。

    2.2 關聯(lián)規(guī)則分析

    關聯(lián)分析的目的就是通過分析預警指標與實際突出危險的關聯(lián)關系,從而確定各預警指標反映突出危險的敏感性,為證據理論算法中證據及其基本置信度的確定提供支撐。定義關聯(lián)規(guī)則如下:

    A?B

    (1)

    式(1)中項目A為預警指標或其演化事件,項目B為實際具有突出危險,A、B均是I的真子集,并且A∩B=?。A稱為規(guī)則的前提,B稱為規(guī)則的結果,反映當A項目出現(xiàn)時,B項目也隨之出現(xiàn)的規(guī)律。

    支持度S是指數(shù)據集D中同時包含A和B的事務所占的百分比,其物理意義是反映指標預測突出危險的漏報情況,支持度越高,漏報率則越低。支持度S計算公式如下:

    (2)

    置信度C是指包含A的事務中包含B的事務的百分比,其物理意義是反映指標預測突出危險的虛報情況,在合理的支持度情況下,置信度越高,虛報率則越低,說明指標的可信度越高。置信度C計算公式如下:

    (3)

    2.3 預警指標優(yōu)選

    根據關聯(lián)分析計算得到的支持度和置信度,可將關聯(lián)規(guī)則劃分為4類:①高支持度、高置信度規(guī)則,認為該規(guī)則為強關聯(lián)規(guī)則,表示相關項目對應的預警指標為關鍵指標,且設置的臨界值合理,能較準確地預測突出危險。②低支持度、高置信度規(guī)則,若為定性指標則認為該規(guī)則為強關聯(lián)規(guī)則,若為定量指標則認為該規(guī)則為弱關聯(lián)規(guī)則。該規(guī)則表示預警定性指標所描述現(xiàn)象的發(fā)生為小概率事件或定量指標的臨界值設置過于嚴格,指標異常時能較準確地預測突出危險性,但指標正常時,不能確定是否有危險,漏報率較高。③高支持度、低置信度規(guī)則,認為該規(guī)則為弱關聯(lián)規(guī)則,表示相關項目對應的預警指標是關鍵指標,但指標臨界值設置過于寬松。④低支持度、低置信度規(guī)則,認為該規(guī)則為弱關聯(lián)規(guī)則,表示相關項目對應的預警指標不能較好地預測突出危險性。

    最小支持度Smin的計算方法如下:

    (4)

    式(4)中α為最小支持度系數(shù),根據現(xiàn)場實際情況確定。若S≥Smin,則認為該規(guī)則支持度高,否則支持度低。

    最小置信度Cmin的計算方法如下:

    Cmin=β

    (5)

    式(5)中β為最小置信度閾值,根據現(xiàn)場實際情況確定。若C≥Cmin,則認為該規(guī)則置信度高,否則置信度低。

    根據上述方法可以篩選出強關聯(lián)規(guī)則,相應規(guī)則中項目對應的指標即為優(yōu)選后的指標,也就是證據理論中的證據。若預警指標為定量指標,則會出現(xiàn)同一指標對應多個規(guī)則的情況,此時選擇高支持度條件下,置信度最高的規(guī)則為最終優(yōu)選規(guī)則,該規(guī)則中項目對應的指標臨界值即為最終確定的臨界值,其值為Z0=Zn0+Lj。

    2.4 證據理論識別框架及基本置信度分配規(guī)則建立

    將預警結果劃分為綠色、橙色、紅色3個等級,預警等級依次升高,因此定義證據理論識別框架如下:

    Θ={紅色,橙色,綠色}

    (6)

    (7)

    (8)

    當預警指標為定性指標,且當指標所描述的現(xiàn)象出現(xiàn)時,則將通過關聯(lián)規(guī)則計算得到的置信度C分配給焦元{紅色}或{橙色},將剩余概率C′=1-C分配給焦元Θ;當所描述的現(xiàn)象未出現(xiàn)時,則將所有概率全部分配給焦元Θ。

    當預警指標為定量指標時,以關聯(lián)算法分析得到的指標臨界值為基礎,將指標劃分為3個區(qū)間(以指標值為正值,且與突出危險程度正相關的預警指標為例),即Zn∈[Z0,+∞)、Zn∈[λZ0,Z0)、Zn∈(-∞,λZ0),其中λ為區(qū)間劃分系數(shù),可根據現(xiàn)場實際確定,建議取值為90%。基本置信度分配規(guī)則如表1所示,其中ε1、ε2、ε3、ε4為基本置信度分配系數(shù),其取值視現(xiàn)場實際情況確定,可參考表2選取。基本置信度分配的規(guī)則是:首先將通過關聯(lián)算法計算得到的置信度C分配給動態(tài)采集的指標值所屬區(qū)間所對應的焦元;然后再將C′分配給其他焦元。

    表1 基本置信度分配規(guī)則

    表2 基本置信度分配系數(shù) 單位:%

    2.5 證據合成及融合決策

    設m1,m2,…,mn是同一證據理論識別框架下的基本置信度指派值,對應的焦元分別為X1,X2,…,Xn,則這n條證據的合成計算方法如下:

    m(X)合=(m1⊕m2⊕…⊕mn)(X)

    m2(X2)…mn(Xn)

    (9)

    采用類概率函數(shù)的方法進行決策:

    (10)

    式中|X|、|Θ|為焦元的基,即焦元中所包含元素的個數(shù),分別為1和3。

    若g(Xi)=max{g({紅色}),g({橙色}),g({綠色})},則Xi即為融合決策結果。

    2.6 預警結果分析

    不同的指標反映了不同的突出危險致因,預警結果發(fā)布后需要追溯預警的原因,以便采取有效的針對性措施。證據合成后追溯預警原因就是要確定導致預警結果的主要證據,即預警指標。具體方法為:首先找出預警結果對應焦元最大的基本置信度指派值mn,若mn-mn′≤δ(式中n≠n′,δ為預先設定的門限值),則證據n和證據n′對應的指標即為預警原因;若mn-mn′>δ,則僅有證據n對應的指標為預警原因。

    預警結果發(fā)布后,需要根據現(xiàn)場實際情況,采用專家判定的方式,定期評估預警的準確性,并根據評估結果及新增歷史數(shù)據對模型參數(shù)進行自動調整,以實現(xiàn)模型的動態(tài)調優(yōu)。其關鍵在于確定更加合理的基本置信度分配規(guī)則,隨著準確的歷史數(shù)據的累加,基本置信度的分配將會變得更加科學。

    3 模型驗證

    新景礦采用鉆屑瓦斯解吸指標K1、最大鉆屑量Smax、瓦斯涌出指標V、煤厚變化率M、是否發(fā)生動力現(xiàn)象D、是否處于構造影響區(qū)G等6個指標進行預警。選取新景礦11組典型數(shù)據(見表3)進行模型測試驗證,其中前10組用于確定基本置信度分配規(guī)則,第11組用于預警分析驗證。指標D和G為定性指標,其他均為定量指標,且與突出危險程度正相關,其關聯(lián)規(guī)則項目設置方法如表4所示。

    表3 測試數(shù)據

    表4 定量指標關聯(lián)規(guī)則項目設置參數(shù)

    根據設置好的項目,對預警指標進行關聯(lián)分析,可得到各指標對應關聯(lián)規(guī)則的支持度和置信度,取α=0.8,β=0.7,則Smin=0.48,Cmin=0.7,其中除最大鉆屑量指標對應的規(guī)則為弱關聯(lián)規(guī)則外,其余均為強關聯(lián)規(guī)則。各指標對應的置信度及臨界值見表5。

    表5 基于關聯(lián)規(guī)則的預警指標置信度及臨界值

    對表3中第11組數(shù)據進行融合預警分析,首先根據基本置信度分配規(guī)則,確定各焦元基本概率分配(見表6);然后通過證據合成計算,可得到各焦元的合成概率分布、信任度、似真度及最終決策結果,如表7所示。

    表6 第11組數(shù)據的基本概率分配

    表7 證據合成結果

    由表7可知,“紅色”即為最終預警結果,表示工作面具有突出危險,與實際情況一致。令δ=0.2,再根據表6所示基本概率分配可知,鉆屑瓦斯解吸指標K1及瓦斯涌出指標V均超標,是此次“紅色”預警的主要原因。

    4 結論

    1)研究得到了關聯(lián)規(guī)則項目的方法,對于定性指標可直接將其定義為一個項目,對于定量指標需要將其動態(tài)分割為若干個項目;定義了用于突出預警分析的關聯(lián)規(guī)則,規(guī)則的前提為預警指標或其演化事件,規(guī)則的結果為實際危險情況;基于支持度和置信度的高低程度,將關聯(lián)規(guī)則劃分為4類,得到了強關聯(lián)規(guī)則確定方法和預警指標優(yōu)選方法。

    2)建立了用于突出預警分析的證據理論識別框架,并確定了基于關聯(lián)分析結果的基本置信度分配規(guī)則;給出證據合成方法和基于類概率函數(shù)的融合決策方法;研究得到采用基本置信度分配函數(shù)進行預警原因追溯的方法,以及采用專家定期對預警結果評估的方式進行模型動態(tài)更新。

    3)對建立的基于關聯(lián)規(guī)則和證據理論算法的動態(tài)預警模型進行了測試驗證,結果表明:采用該模型進行突出預警分析,可實現(xiàn)預警指標自動篩選、多指標自動融合分析與決策、預警原因自動追溯,以及模型的動態(tài)更新優(yōu)化。利用該方法進行預警是合理可行的,能有效提高突出預警的智能化水平。

    猜你喜歡
    置信度關聯(lián)分配
    硼鋁復合材料硼含量置信度臨界安全分析研究
    應答器THR和TFFR分配及SIL等級探討
    “一帶一路”遞進,關聯(lián)民生更緊
    當代陜西(2019年15期)2019-09-02 01:52:00
    遺產的分配
    一種分配十分不均的財富
    績效考核分配的實踐與思考
    正負關聯(lián)規(guī)則兩級置信度閾值設置方法
    計算機應用(2018年5期)2018-07-25 07:41:26
    奇趣搭配
    智趣
    讀者(2017年5期)2017-02-15 18:04:18
    置信度條件下軸承壽命的可靠度分析
    軸承(2015年2期)2015-07-25 03:51:04
    定兴县| 临江市| 东乡族自治县| 南投市| 庆云县| 定西市| 黎平县| 克山县| 靖西县| 江津市| 淮滨县| 东明县| 即墨市| 宝鸡市| 陇川县| 南部县| 朔州市| 壤塘县| 许昌县| 土默特右旗| 荣昌县| 大姚县| 政和县| 双辽市| 贞丰县| 晴隆县| 乌兰浩特市| 壤塘县| 陵川县| 商都县| 新龙县| 镇宁| 景洪市| 凌云县| 海淀区| 江华| 嘉峪关市| 博野县| 吴川市| 宁陵县| 岑巩县|