Вернуться к результатам поиска

Распознавание классов подземных аварий в угольных шахтах на основе нейросетевой технологии

Изучено принятие диспетчерским персоналом (ДП) оперативных решений по обеспечению безопасности в угольных шахтах при авариях. Рассмотрен комплекс вопросов, связанных с распознаванием подземных аварий на основе обучающей модели нечеткой нейронной сети (НС). Предложен алгоритм нечеткой нейросетевой классификации нештатных ситуаций (НшС) в угольных шахтах. Отнесение обучающего образа НшС к существующему или новому кластеру базируется на концепции максимального сходства. Мы определяем функцию, называемую степенью различия, для представления различия между обучающим образом НшС и кластером в нейронной сети, как Евклидово расстояние. Эта функция отображает два вектора (обучающий образ НшС и кластер) как действительное число. Образы каждого кластера (средние значения образов НшС в кластере) запоминаются в линиях связи (весах) нейронной сети в течение процесса классификации. Показана возможность применения алгоритма классификации в условиях, когда классы аварий частично перекрываются. Если классифицированные кластеры частично перекрываются, каждый образ НшС в обучающем множестве может принадлежать более чем одному кластеру. Бинарная матрица служит для записи каждого образа НшС кластера. Алгоритм, основанный на гипотезе, что существует модель для каждого кластера, определяемая как среднее значение моделей всех образов НшС в этом кластере, используется для оценки функции принадлежности. Степень принадлежности каждого образа НшС в кластере определяется исходя из того, насколько похож этот образ на модель кластера. Сходство может быть установлено как функция Евклидова расстояния между образом и моделью кластера. Используется треугольная функция принадлежности для выражения степени принадлежности в нечетком множестве. Эта функция является простой для математической манипуляции и адекватной предметной области. Было применено конкурирующее обучение. В этом случае процесс обучения корректирует весовой вектор, связанный с входными и выходными узлами нейронной сети. Обучающая модель была применена для области распознавания количества существующих классов типичных аварий, формирования моделей этих классов, классификации НшС в угольных шахтах. Качество функционирования этой модели было оценено ее применением на обучающем наборе с большим числом обучающих образов. Обучающая модель является основной, и может быть применена для решения крупномасштабных проблем распознавания взаимодействия НшС, причин и условий появления аварий. Сформулирована идея такого распознавания.

Ключевые слова: авария, угольная шахта, нештатная ситуация, нейронная сеть, кластер, алгоритм, нечеткая классификация, обучающая модель, функция принадлежности, раскрытие нечеткости.
Как процитировать:

Куприянов В. В. Распознавание классов подземных аварий в угольных шахтах на основе нейросетевой технологии // Горный информационно-аналитический бюллетень. – 2022. – № 8. – С. 148–157. DOI: 10.25018/0236_1493_2022_8_0_148.

Благодарности:
Номер: 8
Год: 2022
Номера страниц: 148-157
ISBN: 0236-1493
UDK: 622.8: 681.5
DOI: 10.25018/0236_1493_2022_8_0_148
Дата поступления: 18.06.2021
Дата получения рецензии: 05.10.2021
Дата вынесения редколлегией решения о публикации: 10.07.2022
Информация об авторах:

Куприянов Вячеслав Васильевич — д-р техн. наук, профессор, НИТУ «МИСиС», e-mail: Kupriyanov.VV@misis.ru, ORCID ID: 000-0003-3793-8361.

 

Контактное лицо:
Список литературы:

1. Куприянов В. В. Методология оперативного обнаружения нештатных газовых ситуаций на выемочных участках шахт // Вестник университета. — 2020. — № 3. — С. 76—83. DОI: 10.26425/1816-4277-2020-3-76-83.

2. Куприянов В. В. Автоматизация распознавания нештатных ситуаций в угольных шахтах на основе нейронной сети с изменяемыми топологией и весовыми коэффициентами / Труды XVIII-й Всероссийской научной конференции «Нейрокомпьютеры и их применение». — M.: МГППУ, 2020. — С. 59—60.

3. Муращев С. И., Тимошенко А. М., Сухоруков В. А. К анализу техногенных аварий с катастрофическими последствиями, произошедшими на предприятиях угольной промышленности Росcии // Вестник НЦ по безопасности работ в угольной промышленности. — 2012. — № 1. — С. 55—60.

4. Смирняков В. В., Смирнякова В. В. Трудноуправляемые факторы в статистике причин аварийных пылегазовых взрывов в угольных шахтах России // Горный журнал. — 2016. — № 1. — С. 30—34. DОI: 10.17580/gzh.2016.01.07.

5. Темкин И. О., До Чи Тхань, Агабубаев А. Повышение безопасности ведения горных работ в метанообильных шахтах Вьетнама с использованием моделей прогнозной аналитики // Горный информационно-аналитический бюллетень. — 2017. — № 8. — С. 142— 151. DOI: 10.25018/0236-1493-2017-8-0-142-151.

6. Svetlov V. A., Persiantsev I. G., Shugay I. S. A new implementation of the algorithm of adaptive construction of hierarchical neural network classifiers // Optical Memory and Neural Networks (Information Optics). 2015, vol. 24, no. 4, pp. 288—294.

7. Adeli H., Yeh C. Neural network learning in engineering design / Proceedings of International Neural Network Conference, 2000, pp. 412—415.

8. Krizhevsky A., Sutskever I., Geoffrey H. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017, vol. 60, no. 6, pp. 84—90.

9. Kolenov D., Davidse D., Le Cam J., Pereira S. F. Convolutional neural network applied for nanoparticle classification using coherent scatterometry data // Applied Optics. 2020, vol. 59, no. 27, pp. 8426—8433. DOI: 10.1364/AO.399894.

10. Ahammed A. K., Azeem M. F. Robust stabilization and control of Takagi-Sugeno fuzzy systems with parameter uncertainties and disturbances via state feedback and output feedback // International Journal of Fuzzy Systems. 2019, vol. 21, no. 8, pp. 2556—2574.

11. Hung S. L., Adeli H. A model of perceptron learning with a hidden layer for engineering design // Neurocomputing. 1991, vol. 3, no. 1, pp. 3—14. DOI: 10.1016/0925-2312(91)90016-5.

12. Jafari M., Mobayen S. Second-order sliding set design for a class of uncertain nonlinear systems with disturbances: An LMI approach // Mathematics and Computers in Simulation. 2019, vol. 156, pp. 110—125. DOI: 10.1016/j.matcom.2018.06.015.

13. The Coalmining History Resource Centre: [official website]. URL: http://www.cmhrc. co.uk/site/disasters/ [accessed 30.01.2021].

14. Jong-Chih Chien, Ming-Tao Wu, Jiann-Der Lee Inspection and classification of semiconductor wafer surface defects using CNN deep learning networks // Applied Sciences. 2020, vol. 10, no. 15, pp. 13—21, article 5340. DOI: 10.3390/app10155340.

15. Aristov A. O. Quasi-cellular nets based on models of flow-systems // Journal of Physics: Conference Series. 2019, vol. 1392, no. 1, pp. 1—5, article 012064. DOI: 10.1088/17426596/1392/1/012064.

16. Montana D. J., Davis L. Training feedforward networks using genetic algorithms / Proceedings of the 11th International Joint Conference on Artificial Intelligence, vol. 1. Morgan Kaufman Publishers, San Mateo, California. 1989, pp. 762—767.

17. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man, and Cybernetics. 1985, vol. 15, no. 1, pp. 116—132. DOI: 10.1109/TSMC.1985.6313399.

18. Ramirez I. E., Minami Y. Design of neural network quantizers for networked control systems // Electronics. 2019, vol. 8, no. 3, pp. 318—326. DOI: 10.3390/electronics8030318.

Наши партнеры

Подписка на рассылку

Раз в месяц Вы будете получать информацию о новом номере журнала, новых книгах издательства, а также о конференциях, форумах и других профессиональных мероприятиях.