CN119416141A 基于机器学习的矿井多参数传感数据融合与分析方法 （山西潞安环保能源开发股份有限公司）

司基于机器学习的矿井多参数传感数据融合基于机器学习的矿井多参数传感数据融合离散格式数据与时序格式数据的采集和人工标集到的时序格式的瓦斯浓度数据输入到基于星采用基于动态梯度裁剪的分数阶神经网络算法矿井安全评估模型进行数据分析与矿井安全评2数据采集的主要来源是矿井内部各监测点布置的传感器，所述数对采集到的数据通过无线传输方式实时上传至云平台，并将离散格式数据将采集到的离散格式的矿井多参数传感数据进行特征提取，具将采集到的时序格式的瓦斯浓度数据输入到基于星环原理优化的神经网络算法进行星体的速度和位置；(4)在参数更新过程中，检测任何可能导致优化过程不稳定的星体冲将第一神经网络的输出和第二神经网络的输出进行特征级联，将级联后的2.如权利要求1所述的基于机器学习的矿井多参数传感数据融合与分析方法，其特征p0pS202、矿井多参数传感数据通过第一神经网络进3式中，ΔW为第一神经网络权重参数的变化量，Δb为第一神经网络偏置参数的混沌映射函数通过利用正弦函数和当前损失值的依赖关系来引入周期性和非线性调S205、根据捕捉到的特征的变化情况动态调整4")=""+Adj(L,")式中，Adj()根据当前损失和蜜罐陷阱的当前位置动态调整蜜罐陷阱的位置；φp为蜜蜜罐陷阱位置的动态调整函数允许模型在训练过程中更好地捕捉和响应异常模式或式中，γp和δp分别为调整速率和反应敏感性，使得蜜罐位置的调整更加精细和敏感于并选取最后一次迭代的最优蜜罐陷阱位置所对应的第一神经网络的参数组作为训练完成3.如权利要求1所述的基于机器学习的矿井多参数传感数据融合与分析方法，其特征"=sigG(")·e,经网络的初始权重和初始偏置，Sig()是Sigmoid激活函数，∈r是符合正态分布的随机变r和mq是第r个星体和第q个星体的质量，5re是模型敏感性参数；Var(wr)是第二神经网S303、根据星体间的交互力更新每个星体的速r为星体冲突评估指标；止参数更新过快导致不稳定，Kr()是基于当前星体的速度和损失函数梯度的动能调节函6re是轨道修正学习率，VXLl是第二神经网络的损失函数相对于第r个星体的位S306、重复迭代步骤S301～S305，直至满足预设4.如权利要求1所述的基于机器学习的矿井多参数传感数据融合与分析方法，其特征式中，w"为分数阶神经网络的初始化权重矩阵，b"为分数阶神u和hu分别为分数阶神经网络的输入层和隐藏层的维度；S402、将级联的特征通过分数阶神经网络的各层A'=sig.(z")分数阶神经网络的权重采用自适应的动态正则化权重矩阵处理方式，7u为分数阶神经网络的损失函数，yik为第i个样其中，分数阶神经网络的损失函数的正则化参数采用自适应式中，γu为分数阶神经网络的初始正则化强度，δu为分数阶神经网络的调节参数，响阈值；S404、根据损失函数关于分数阶神经网络的权8u为梯度裁剪动态调节因子，分数阶神经网络的梯度的L2范数uvw"i用于反S406、重复迭代步骤S401～S405，直至满足预设5.如权利要求2所述的基于机器学习的矿井多参数传感数据融合与分析方法，其特征p式中，o是第一神经网络的输出经过预设的Softmax函数输出得到的样本标签，是p6.如权利要求3所述的基于机器学习的矿井多参数传感数据融合与分析方法，其特征rs是动能调节影响因子，VXLl是第二神经网络的损失函数相对于第r个星体的7.如权利要求4所述的基于机器学习的矿井多参数传感数据融合与分析方法，其特征98.如权利要求4所述的基于机器学习的矿井多参数传感数据融合与分析方法，其特征申请号为CN202410222288.0的中国发明专利提出一种基于机器学习的矿井通风数据清洗并帮助矿井管理工作人员应对水害风险，减少损失和保障生产安全。申请号为CN201610086152.7的中国发明专利提出一种矿井预开采煤层的冲击危险性评价方法，包区域任意位置的冲击危险等级，生成并可视化矿井预开采煤层区域的冲击危险性等级云[0007]本发明的目的是提出一种基于机器学习的矿井多参数传通过训练得到的矿井安全评估模型进行数据分析与[0014]将采集到的离散格式的矿井多参数传感数据进行特征提取，本发明采用5层的全[0018]将采集到的时序格式的瓦斯浓度数据输入到基于星环原理优化的神经网络算法pp[0027]式中，W(0)为第一神经网络的初始权重，b(0)为第一神经网络的初始偏置，N(0,I)表示均值为0、方差为单位矩阵的正态分布，N()为正态分布表示服从于特定据误差的大小和复杂性调整学习率和蜜罐位置，所述蜜罐位置对应第一神经网络的参数[0034]混沌映射函数通过利用正弦函数和当前损失值的依赖关系来引入周期性和非线pp[0043]蜜罐陷阱位置的动态调整函数允许模型在训练过程中更好地捕捉和响应异常模"""和"[0059]式中，为第t+1次迭代的星体的位置，为第t次迭代的星体的位置；u和hu分别为分数阶神经网络的输入层和隐藏层的维度；神经网络的第l层的权重和偏置，为分数阶神经网络的激活函数处理后的输出，Sigfsu为分数阶神经网络的损失函数，yik为第i个样本在第k个类的真实标签，[0087]其中，分数阶神经网络的损失函数的正则化参数采用自ivw'i表示分数阶神经网络的第l层权重梯度的L2范数，θu为分数阶神经网络的权重影响阈值；u为当前迭代次数；p[0106]式中，o是第一神经网络的输出经过预设的Softmax函数输出得到的样本标签，pD:()表示阶数为qu的分数阶导数运算符；[0124]如图1所示，基于机器学习的矿井多参数传感数据融合与分析方法，包括以下步浓度是对连续多个时刻的瓦斯浓度进行数值采集；离散格式里的瓦斯浓度为离散格式数[0133]将采集到的离散格式的矿井多参数传感数据进行特征提取，本发明采用5层的全pp[0138]式中，W(0)为第一神经网络的初始权重，b(0)为第一神经网络的初始偏置，据误差的大小和复杂性调整学习率和蜜罐位置，所述蜜罐位置对应第一神经网络的参数p化量；L是第一神经网络的损失函数，和分别是第一神经网络的损失函数pp[0150]式中，o是第一神经网络的输出经过预设的Softmax函数输出得到的样本标签，p[0157]蜜罐陷阱位置的动态调整函数允许模型在训练过程中更好地捕捉和响应异常模[0162]将采集到的时序格式的瓦斯浓度数据输入到基于星环原理优化的神经网络算法别于wr的第二神经网络的权重，也即第q个星体的位置对应的第二神经网络的权重；优选re设置为2。[0175]式中，为第t+1次迭代的星体的位置，为第t次迭代的星体的位置；模拟环境阻力；Δt是星体更新步长，表征第二神经网络的迭代间隔；优选地，γr设置为max设置为0.9。[0186]基于当前星体的速度和损失函数梯度的动能调节函数考虑当前参数更新速度的u和hu分别为分数阶神经网络的输入层和隐藏层的维度；神经网络的第l层的权重和偏置，为分数阶神经网络的激活函数处理后的输出，Sigfsu为分数阶神经网络的损失函数，yik为第i个样本在第k个类的真实标签，为第i个样本在第k个类的预测概率；为分数阶神经网