一种基于制造技术

一种基于

【技术实现步骤摘要】
一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法


[0001]本专利技术涉及基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法，属于煤矿采掘工程的安全性评估领域
。

技术介绍

[0002]煤炭是我国的基础能源和重要工业原料，当前我国的能源需求仍呈增长趋势，因此如何保障煤炭的安全采掘成为关键问题
。
煤炭开采分为露天开采和井工地下开采两种方式
。
目前，我国井工地下开采比例高达
85
％，是世界上地下采煤占比最高的国家
。
地下采煤过程中，为了满足煤炭开采
、
运输的需求，需要开掘大量的工作面
、
巷道和硐室，统称为采掘工程
。
在采掘工程作业过程中，会经常面临地下水
、
地质构造
、
高应力等复杂地质条件，一旦发生事故，将直接威胁地下作业人员的生命安全
。
因此，确保采掘工程的安全性十分重要
。
[0003]为了实时监控矿井中的实际情况，各煤矿在多个关键点布置有大量传感器来实时采集各类数据来研判分析当前采掘工程是否安全，包括隧道覆盖厚度
、
覆盖跨度比
、
土体内摩擦角
、
土壤压缩模量
、
土壤粘结力
、
土仓压力
、
灌浆体积等，这些数据称之为采掘数据
。
由于采掘工程的工作条件为地下高温高湿环境，多传感器的工作条件远低于理想工作条件，因此多传感器加速退化不可避免，这将导致实测数据严重失真，极易影响数据的真实性和有效性
。
当前大多数采掘工程并不对采掘数据进行处理，而是直接基于采掘数据进行安全性评估
。
例如基于阈值的采掘工程安全性评估方法：当采掘工作面中任一点位形变量超过安全阈值时，必须停工检查，通过调整采掘参数
(
如降低掘进速度
、
减小扭矩力等
)
，使超过阈值的安全指标回落至安全范围之内
。
这种基于阈值的采掘工程安全性评估方法易于理解，便于实践，具有较好的可操作性，但此过程由多传感器性能退化导致的采掘数据可信性降低现象客观存在，所以极有可能造成虚警率和漏报率提高，造成严重的经济损失
。
顶板事故在煤矿采掘工程中无论是发生次数，还是死亡人数，都严重危害了人民群众的生命财产安全，而顶板事故的根源在于工作面的顶板岩层发生断裂和冒落，也就是本专利技术所关注的“矿井沉降值”这一安全指标
。
大部分事故的发生都是由于在采掘过程中，矿井沉降值的月累计值超过了安全范围，长此以往造成岩层的断裂和塌方，继而演变为顶板事故，所以采掘数据中的输出指标“矿井沉降值”在采掘工程的安全性评估中举足轻重
。

技术实现思路

[0004]本专利技术目的是为了解决复杂采掘工程中恶劣环境导致的多传感器加速退化进而引发采集数据不准确的问题，提出了一种基于
AdaBoost
算法的复杂采掘工程高韧性的安全评估方法
。
本专利技术中所提到的高韧性是指能够抵抗外界恶劣施工条件对传感器采集数据的干扰，也就是说在已知现场采掘的数据中部分数据存在准确性下降的情况下，此方法仍然能够支撑提升安全性评估的准确性，为事故的发生提供预警，为制定必要的防范措施提供决策支持
。
[0005]本专利技术的技术方案
[0006]一种基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法
。
在本专利技术中，根据施工现场的传感器采集到的数据，构建安全性评估模型，识别潜在的危险和风险源，并依据模型的输出值来为事故的发生提供预警，为下一步的控制措施提供决策支持
。
因此模型的输出值越吻合真实值，虚警率和漏报率才会大大减少，工程项目才能安全平稳运行
。
[0007]本专利技术首先将施工现场采集到的数据划分为训练数据集和测试数据集，其中每一个样本包含隧道设计参数
、
地质条件和施工参数三类影响因素共
11
个输入特征参数，并将矿井沉降值这一安全指标作为输出参数构建安全性评估模型，然后以神经网络作为基准模型将训练数据集划分为正常数据和异常数据并根据数据类型更新权重，最后提出了一种基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法
。
研究结果表明，基于正常数据和异常数据构建的
AdaBoost
高韧性安全评估方法比直接使用
AdaBoost
算法所得结果的准确率更高，这一优势也体现在训练集和测试集中添加额外噪声的实验结果中，充分验证了所提出方法的高韧性特征
。
[0008]本专利技术方法包括以下步骤：
[0009](1)
数据采集与划分数据集
。
将隧道设计参数
、
地质条件参数和施工参数作为模型的输入参数，从实际的煤矿采掘施工现场收集的时序数据中采集所述输入参数的数据，构建完整数据集
D。
在完整数据集
D
中按顺序将前
80
％划分为训练集
D
T
，剩余
20
％划分为测试集
D
V
。
[0010](2)
从训练集
D
T
中随机抽
S
个子数据集构建
S
个子模型
。
在
D
T
中按照相同比例随机抽取
S
个子数据集来构建
S
个子模型，这些子数据集应该占完整训练集的大多数数据并且子模型的数量至少
30
个以上，即
S≥30
，其目的是为了减少建模过程中的随机误差
。
本步骤中训练子数据集的抽取可以有重复的抽取，即任意两个训练子集的交集可以不为空，仅需要确保各子集大小相同
。
[0011](3)
计算子模型的误差和权重
。
对步骤
(2)
中构建的
S
个子模型生成的
S
个误差来计算每个子模型权重，再根据这些权重计算得到这
S
个子模型中每组数据的平均误差
。
[0012](4)
数据加权并构建预测模型
。
把步骤
(3)
计算得来的子模型中每组数据的平均误差按照从大到小顺序排列，将前
10
％的数据定义为本专利技术中的异常数据，其余
90
％的数据定义为正常数据
。
正常数据有助于建立精准的安全性评估模型，权重默认为1；而异常数据则会干扰安全性评估建模过程，应赋予更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法，其特征在于该方法包括以下步骤：
(1)
数据采集与划分数据集；将隧道设计参数
、
地质条件参数和施工参数作为模型的输入参数，从实际的煤矿采掘施工现场收集的时序数据中采集所述输入参数的数据，构建完整数据集
D
；在完整数据集
D
中按顺序将前
80
％划分为训练集
D
T
，剩余
20
％划分为测试集
D
V
；
(2)
从训练集
D
T
中随机抽
S
个子数据集构建
S
个子模型；在
D
T
中按照相同比例随机抽取
S
个子数据集来构建
S
个子模型，这些子数据集应该占完整训练集的大多数数据并且子模型的数量至少
30
个以上，即
S≥30
，其目的是为了减少建模过程中的随机误差；本步骤中训练子数据集的抽取可以有重复的抽取，即任意两个训练子集的交集可以不为空，仅需要确保各子集大小相同；
(3)
计算子模型的误差和权重；对步骤
(2)
中构建的
S
个子模型生成的
S
个误差来计算每个子模型权重，再根据这些权重计算得到这
S
个子模型中每组数据的平均误差；
(4)
数据加权并构建预测模型；把步骤
(3)
计算得来的子模型中每组数据的平均误差按照从大到小顺序排列，将前
10
％的数据定义为本发明中的异常数据，其余
90
％的数据定义为正常数据；正常数据有助于建立精准的安全性评估模型，权重默认为1；而异常数据则会干扰安全性评估建模过程，应赋予更小的权重，本发明默认为
0.01
；对训练集
D
T
中的每组数据进行加权后，返回新的加权数据集来构建最终的预测模型；
(5)
在测试集上进行验证；随着数据权重的更新，全部的加权训练集用来构建最终的预测模型，并用步骤
(4)
最终构建的预测模型在测试集上进行验证
。2.
根据权利要求1所述的基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法，其特征在于：步骤
(1)
中所述模型的输入参数包括，隧道设计参数：隧道覆盖厚度
x1，覆盖跨度比
x2；地质条件参数：土体内摩擦角
x3，土壤压缩模量
x4，土壤粘结力
x5；施工参数：掘进速度
x6，刀盘转矩
x7，盾构推力
x8，刀盘转速
x9，土仓压力
x
10
，灌浆体积
x
11
。3.
根据权利要求1所述的基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法，其特征在于：步骤
(2)
中抽取子数据集构建子模型具体方法是：每次从完整训练集
D
T
中随机抽取
90
％的数据构成子数据集此步骤重复
30
次得到
30
个子数据集其中每个子数据集都是
D
T
的子集，
S
＝
30。4.
根据权利要求1所述的基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法，其特征在于：步骤
(3)
所述计算子模型误差和权重的方法是：
(3.1)
计算子模型误差；首先对每个子模型中的每组数据计算输出误差如下所示：其中，
p
代表子模型中数据量的大小，
p∈[1,360]
且
p
为整数，
y
p
代表第
p
组数据的真实输出；代表第
p
组数据在子模型
s
中的输出；如果第
p
组数据没有出现在子模型中，则
然后利用
...

【专利技术属性】
技术研发人员：施凡，常雷雷，徐晓滨，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：