深部矿井巷道围岩多源灾变信息智能诊断与决策方法技术

本发明专利技术公开了一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，具体步骤如下：步骤S1：通过已有的数据进行分析确定预测指标，建立关系模型，通过关系模型将采集的数据传入到数据库表中，构建出影响巷道围岩稳定性的多源信息数据库；步骤S2：建立多维高斯贝叶斯决策模型和基于最小二乘支持向量机的诊断模型，得到两组决策输出；步骤S3：通过基于加权修正的DS证据理论模型对步骤S2中的两组决策进行融合。采用上述一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，对围岩安全状态的判断更加准确，可增加信息处理的容错性，再出现某一传感器故障时，对整体的诊断结果影响较小。较小。较小。

【技术实现步骤摘要】
深部矿井巷道围岩多源灾变信息智能诊断与决策方法


[0001]本专利技术涉及智能诊断与决策
，尤其是涉及一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法。

技术介绍

[0002]近年来我国矿业发展迅速，矿业在国民经济中占有重要地位，矿业资源的开发和利用已成为我国社会经济发展的重要支柱，而深部矿井巷道的监测至关重要，若发生事故可造成经济损失甚至人员伤亡，目前对于矿井巷道围岩的安全监测还存在准确率低、容错性差以及实时性差等缺点。

技术实现思路

[0003]本专利技术的目的是解决上述存在的问题。
[0004]为实现上述目的，本专利技术提供了一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，具体步骤如下：步骤S1：通过已有的数据进行分析确定预测指标，建立关系模型，通过关系模型将采集的数据传入到数据库表中，构建出影响巷道围岩稳定性的多源信息数据库；步骤S2：建立多维高斯贝叶斯决策模型和基于最小二乘支持向量机的诊断模型，得到两组决策输出；步骤S3：通过基于加权修正的DS证据理论模型对步骤S2中的两组决策进行融合。
[0005]优选的，步骤S1具体为：步骤S11：通过多种工况下的动静态物理模拟试验；步骤S12：基于现场数据、试验数据进行数值模拟分析，确定预测指标，建立围岩变形与应力场特征、开挖特征以及围岩力学特性劣化的关系模型；步骤S13：将步骤S12中的关系模型转化为数据库表，采集相应特征的数据插入到对应的表中，构建出影响巷道围岩稳定性的多源信息数据库。
[0006]优选的，步骤S2中，建立多维高斯贝叶斯决策模型具体步骤为：步骤S21a：对多源信息数据库中的数据进行处理，处理后的数据基于主成分分析进行数据降维，当数据数量达不到设定数量，采用补充数据对降维深度进行调整修正模型；步骤S22a：并以多维高斯贝叶斯算法为基础，得到基于多维高斯贝叶斯算法模型；步骤S23a：通过降维数据对基于多维高斯贝叶斯算法模型进行训练和校验，得到基于多维高斯贝叶斯算法模型。
[0007]优选的，步骤S2中，建立基于最小二乘支持向量机的诊断模型具体步骤为：步骤S21b：构建基础最小二乘支持向量机模型；步骤S22b：对多源信息数据库中的数据进行处理，通过处理后的数据对基础最小二乘支持向量机模型进行训练，同时基于粒子群算法对模型参数进行自动调整得到基于最小二乘支持向量机的诊断模型。
[0008]优选的，步骤S2中，采用同一组数据分别输入到多维高斯贝叶斯决策模型和基于最小二乘支持向量机的诊断模型得到两组决策输出。
[0009]优选的，在步骤S3中，步骤S31：对两组决策输出的证据体进行零值处理；步骤S32：计算皮尔逊相关矩阵，进行权重分配和加权修正；步骤S33：通过修正后的权重对零值处理后的证据体进行更新。
[0010]优选的，步骤S31具体为：证据体表示为，其中、和为证据体的证据指标元素；若，零处理后的证据体表示为，其中为修正因子。
[0011]优选的，步骤S32具体为：皮尔逊相关性矩阵，计算公式如下：，式中，为相关性矩阵；n为证据体的总数；为相关性矩阵中第行第列的元素，表示证据体之间的相关性；分别表示第个和第个证据体的标准差，分别表示第个和第个证据体的均值，表示期望；的计算公式如下然后通过相关性矩阵确定权重，计算公式如下：。
[0012]优选的，步骤S33具体为：更新公式如下：更新公式如下：为更新后的证据体。
[0013]因此，本专利技术采用上述一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，具有以下有益效果：增加了信息处理的容错性，避免某一监测传感器数据作物影响诊断结果，提高了对围岩安全状态的判定准确性。
[0014]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0015]图1为本专利技术一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法流程图；图2为本专利技术多源信息数据库构建原理图；图3为本专利技术两组决策进行融合原理图；图4为本专利技术建立基于最小二乘支持向量机的诊断模型流程图；图5为本专利技术建立多维高斯贝叶斯决策模型流程图；图6为本专利技术两组决策进行融合流程图。
具体实施方式
[0016]实施例在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0017]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0018]下面结合附图，对本专利技术的实施方式作详细说明。
[0019]参考图1，一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，具体步骤如下：步骤S1：通过已有的数据进行分析确定预测指标，建立关系模型，通过关系模型将采集的数据传入到数据库表中，构建出影响巷道围岩稳定性的多源信息数据库。
[0020]步骤S11：通过多种工况下的动静态物理模拟试验。
[0021]步骤S12：基于现场数据、试验数据进行数值模拟分析，确定预测指标，建立围岩变形与应力场特征、开挖特征以及围岩力学特性劣化的关系模型。
[0022]步骤S13：将步骤S12中的关系模型转化为数据库表，采集相应特征的数据插入到对应的表中，构建出影响巷道围岩稳定性的多源信息数据库。
[0023]步骤S2：建立多维高斯贝叶斯决策模型和基于最小二乘支持向量机的诊断模型，得到两组决策输出。
[0024]需要对数据进行完整性检查及结构化处理，数据完整性检查及结构化处理的具体步骤为：对数据库中取得的数据进行判断（设备故障等因素会导致数据为空，需要进行完整性校验），看是否有空值，对于特征数据为空的记录进行舍弃，以及对数据进行归一化处理，方便数据训练。归一化过程为首先取得训练数据的最大值和最小值，对每一个指标的数据进行归一化处理，即。
[0025]建立多维高斯贝叶斯决策模型具体步骤为：步骤S21a：对多源信息数据库中的数据进行处理，处理后的数据基于主成分分析进行数据降维，当数据数量达不到设定数量，采用补充数据对降维深度进行调整修正模型。
[0026]数据降维的目的是通过一定的变换矩阵对高维特征进行降维，若有N个样本，用矩阵表示为，每个样本有k个特征,如第i个样本特征为，则对他进行数据降维的步骤如下计算各个特征之间的协方差矩阵如下：其中 为全部特征的均值。
[0027]计算变换矩阵：若存在使得 并且满足 其中为的协方差矩阵，为对角矩阵，则通过变换可以将特征降维为。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，其特征在于，具体步骤如下：步骤S1：通过已有的数据进行分析确定预测指标，建立关系模型，通过关系模型将采集的数据传入到数据库表中，构建出影响巷道围岩稳定性的多源信息数据库；步骤S2：建立多维高斯贝叶斯决策模型和基于最小二乘支持向量机的诊断模型，得到两组决策输出；步骤S3：通过基于加权修正的DS证据理论模型对步骤S2中的两组决策进行融合。2.根据权利要求1所述的一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，其特征在于，步骤S1具体为：步骤S11：通过多种工况下的动静态物理模拟试验；步骤S12：基于现场数据、试验数据进行数值模拟分析，确定预测指标，建立围岩变形与应力场特征、开挖特征以及围岩力学特性劣化的关系模型；步骤S13：将步骤S12中的关系模型转化为数据库表，采集相应特征的数据插入到对应的表中，构建出影响巷道围岩稳定性的多源信息数据库。3.根据权利要求2所述的一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，其特征在于：步骤S2中，建立多维高斯贝叶斯决策模型具体步骤为：步骤S21a：对多源信息数据库中的数据进行处理，处理后的数据基于主成分分析进行数据降维，当数据数量达不到设定数量，采用补充数据对降维深度进行调整修正模型；步骤S22a：并以多维高斯贝叶斯算法为基础，得到基于多维高斯贝叶斯算法模型；步骤S23a：通过降维数据对基于多维高斯贝叶斯算法模型进行训练和校验，得到基于多维高斯贝叶斯算法模型。4.根据权利要求3所述的一种深部矿井巷道围岩多源灾变信息智能诊断与决策方法，其特征在于：步骤S2中，建立基于最小二乘支持向量机的诊断模型具体步骤为：步骤...

【专利技术属性】
技术研发人员：李鹏，孙亮，王金伟，王宇，任奋华，高学鸿，吴迪，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：