張炎亮,劉 陽,王金鳳

(鄭州大學管理工程學院,河南鄭州450001)

基于改進SVM的煤礦水災(zāi)害救援組織系統(tǒng)可靠性預(yù)測

張炎亮,劉 陽,王金鳳

(鄭州大學管理工程學院,河南鄭州450001)

為了評測煤礦水災(zāi)害救援組織系統(tǒng)可靠性，從事中控制、動態(tài)分析的角度，建立了衡量其可靠性的評價指標體系.同時，由于煤礦水災(zāi)害救援組織系統(tǒng)復(fù)雜多變、數(shù)據(jù)獲取困難的特氛，提出了一種基于粒子群優(yōu)化支持向量機的煤礦水災(zāi)害救援組織系統(tǒng)可靠性預(yù)測模型，并通過改進粒子群算法優(yōu)化支持向量機的參數(shù)，使預(yù)測結(jié)果更加精確;最后，通過案例實驗證明了該模型的有效性.

救援系統(tǒng);可靠性;支持向量機;粒子群;預(yù)測

0 引言

煤礦水災(zāi)害是制約煤炭資源安全高效開發(fā)的主要災(zāi)害之一.從宏觀上看,我國煤礦水災(zāi)害呈上升趨勢;對煤礦企業(yè)來說,一旦發(fā)生突水淹沒礦井事件,礦方對于水災(zāi)害總是束手無策,往往耽誤救援的最佳時間,給煤礦造成極其嚴重的經(jīng)濟損失,更給廣大礦工及家屬造成了巨大的災(zāi)難和痛苦.因此,對煤礦水災(zāi)害的救援系統(tǒng)的研究顯得尤為重要［1］.目前,對于煤礦水災(zāi)害救援的研究主要集中在救援系統(tǒng)應(yīng)急能力的評價［2-3］和救援物流的管理［4］,側(cè)重于理念的引進和方法的改進等理論方面的研究,對救援系統(tǒng)流程有一定程度的改進,但對煤礦水災(zāi)害救援組織系統(tǒng)可靠性方面的研究較少.筆者從危機響應(yīng)層面整合政府和企業(yè)以及社會的資源對煤礦水災(zāi)害救援進行系統(tǒng)的管理,并結(jié)合救援系統(tǒng)的實時性和動態(tài)性的特點進行可靠性的預(yù)測,為煤礦企業(yè)的應(yīng)急救援提供有力的依據(jù).

1 煤礦水災(zāi)害救援組織系統(tǒng)可靠指標體系

煤礦水災(zāi)害救援是一項涉及人-機-環(huán)、工程技術(shù)水平等多種要素的復(fù)雜的動態(tài)系統(tǒng),為提高煤礦應(yīng)對突發(fā)水災(zāi)害的反應(yīng)效率和危機處理質(zhì)量,對煤礦水災(zāi)害救援組織系統(tǒng)的可靠性進行管理,依據(jù)系統(tǒng)性、可行性、突出性等原則［5］謹慎地選擇指標,結(jié)合煤礦水災(zāi)害救援的復(fù)雜性、高效性、動態(tài)性等特征,提出從人員因素、排水因素、信息因素、資金因素、設(shè)備因素、管理因素的六個方面人手,全面地對煤礦水災(zāi)害應(yīng)急救援系統(tǒng)可靠性進行研究分析,并找出各影響因素與煤礦水災(zāi)害應(yīng)急救援系統(tǒng)可靠性之間的相互作用機制,建立了煤礦水災(zāi)害救援組織系統(tǒng)可靠性指標體系,見圖1.

2 煤礦水災(zāi)害救援組織系統(tǒng)可靠性預(yù)測模型的建立

2.1 支持向量機的基本學習法

關(guān)于支持向量機的非線性分類面的問題, Vapnik［6］提出了核函數(shù)的概念,其基本思想是:通過事先確定的非線性映射將輸人向量x映射到一個高維空間中,然后在此高維空間中構(gòu)造最優(yōu)分類面.設(shè)訓練數(shù)據(jù)集為{(xi,yi),i=1,2,…,n}大小為n,yi=1或yi=-1可轉(zhuǎn)化為二次優(yōu)化問題:

在約束條件

下,求的最小值.這個優(yōu)化問題的解是下列Lagrange函數(shù)的鞍點:

圖1 煤礦水災(zāi)害救援組織系統(tǒng)可靠性指標體系Fig.1 Index system of reliability of coalmine water disaster relief organization system

其中:ai為非負Lagrange乘子.式(2)是一個凸二次規(guī)劃問題,故存在全局唯一的最優(yōu)解.由于計算的復(fù)雜性,一般不直接求解,而是依據(jù)Lagrange對偶理論將公式(2)轉(zhuǎn)化為對偶問題,同時采用滿足Mercer條件的核函數(shù)K(xi,xj)來代替向量積點計算,即

從而最終的最優(yōu)分類函數(shù)為

可以根據(jù)f(x)的值1或者-1來確定x的分類.

核函數(shù)在支持向量機的數(shù)據(jù)處理中處在中樞位置,而RBF核函數(shù)不僅能夠適應(yīng)模型的復(fù)雜度,而且只需要一個方差σ的選取,且在高維空間具有很好的擬合度,所以選取RBF作為支持向量機的核函數(shù).

2.2 基于改進粒子群算法的參數(shù)優(yōu)化

2.2.1 PSO算法的改進

粒子群算法(PSO)最早是1995年由美國的Eberhart博士和Keenedy博士［7］提出的一種群智能化的優(yōu)化算法.雖然PSO［8］存在參數(shù)少、原理簡單、易實現(xiàn)等優(yōu)點,但也存在著局部搜索能力差、搜索精度不夠高等缺點.為了解決上述問題從慣性權(quán)重w和學習權(quán)重c出發(fā),慣性權(quán)重w對于PSO的收斂性具有重要作用,采用線性遞減慣性權(quán)重調(diào)節(jié),可以使w在迭代過程中逐步減小,有利于搜索強度增強,調(diào)節(jié)公式如公式(6)所示;學習權(quán)重和慣性權(quán)重所起的作用類似,通過調(diào)節(jié)學習權(quán)重來改善PSO的收斂性,調(diào)節(jié)公式如公式(7)所示.

式中:t為當前迭代次數(shù);T為最大迭代次數(shù).

2.2.2 基于IPSO參數(shù)優(yōu)化

所以模型的參數(shù)有兩個:支持向量機的懲罰因子C和RBF函數(shù)的方差σ.通過參數(shù)優(yōu)選機制CV［9］下的分類準確率來當作PSO算法的函數(shù),準確率越高,適應(yīng)性越強.具體的做法是:通過K-CV算法來計算K個模型的分類準確率的均值,并且將它作為粒子群算法的適應(yīng)度函數(shù),記為F(C, σ),計算并找出適應(yīng)度最大的粒子.利用IPSO對支持向量機的參數(shù)進行優(yōu)化流程如圖2所示.

2.3 基于IPSO-SVM的煤礦水災(zāi)害救援組織系統(tǒng)可靠性預(yù)測模型構(gòu)架

模型主要分為三部分:樣本處理、參數(shù)優(yōu)選和模型訓練.具體的預(yù)測流程如下:

圖2 IPSO對支持向量機的參數(shù)優(yōu)化流程圖Fig.2 The flow chart to optimize parameters of support vector machine(SVM)by using IPSO

(1)根據(jù)可靠狀態(tài)分類和數(shù)據(jù)的標準化對搜集到的數(shù)據(jù)進行處理.

(2)初始粒子位置和速度,選擇合理的參數(shù)初始值,定義適應(yīng)度函數(shù),并通過對慣性權(quán)重w和學習權(quán)重c的調(diào)節(jié),通過迭代運算直至找出最優(yōu)值.

(3)通過以上兩個步驟得出參數(shù)C和σ的最優(yōu)組合,帶人支持向量機中進行訓練,最終得出比較理想的可靠性預(yù)測模型.

3 實證分析

3.1 穩(wěn)定狀態(tài)分類

根據(jù)常用的工業(yè)救援可靠性狀態(tài)分級標準,設(shè)定煤礦水災(zāi)害救援組織系統(tǒng)的可靠性狀態(tài)指標集合為P={很不可靠,不可靠,可靠,很可靠},對應(yīng)的量化向量為U=［1,2,3,4］T,同時,設(shè)定可靠性的結(jié)果集合為P={不可靠,可靠},對應(yīng)的量化向量為U=［0,1］T.根據(jù)《礦山救護規(guī)程》、現(xiàn)場調(diào)研以及專家意見,將各子系統(tǒng)的可靠性指標進行分類劃分,如表1所示.

表1 煤礦救援系統(tǒng)指標可靠狀態(tài)分類Tab.1 The reliability state classification of coalmine rescue system

3.2 樣本數(shù)據(jù)的獲得及處理

通過原始數(shù)據(jù)的記錄,選取了該煤礦在一段時間內(nèi)的14組救援系統(tǒng)相關(guān)數(shù)據(jù),為了提高可靠狀態(tài)的分類精確度,根據(jù)表1可靠狀態(tài)類別的劃分,對原始數(shù)據(jù)進行去噪和簡化處理,見表2.

表2 處理后的樣本數(shù)據(jù)Tab.2 The sample data after processing

續(xù)表2

3.3 實驗運行

為驗證預(yù)測模型有效性,在Matlab 7.0［10］的仿真環(huán)境下,利用Libsvm-3.1工具箱,以F(C,σ) =aK-CV作為粒子群算法的適應(yīng)度函數(shù)進行仿真實驗.選取表2中的1～11號樣本為訓練集,12～14號樣本為測試集.實驗的初始參數(shù)設(shè)置粒子維度D為2,最大學習權(quán)重為1.7,最小學習權(quán)重0.9,最大慣性權(quán)重為0.9,最小慣性權(quán)重為0.4,最大迭代次數(shù)為200,粒子最大速度為1.2 m/s,懲罰因子［0.1,100］,核函數(shù)參數(shù)［0.1,50］.

經(jīng)過慣性權(quán)重和學習權(quán)重的調(diào)節(jié),IPSO的精度和收斂速度有明顯提高,將參數(shù)優(yōu)化結(jié)果進行匯總,可以得出IPSO在報錯率和運行時間方面有很大的優(yōu)勢,能夠避免過早陷人局部最優(yōu),由于PSO是隨機初始化的,所以進行了20次實驗, IPSO的平均報錯率5.4%,PSO的平均報錯率18%,選取報錯率最大的參數(shù)組合,如表3所示.

表3 參數(shù)優(yōu)化結(jié)果比較Tab.3 The results of parameter optimization

3.4 模型測試結(jié)果

經(jīng)過12個訓練樣本集的學習擬合,將IPSOSVM、PSO-SVM和SVM模型分別對3個測試樣本集進行預(yù)測實驗,預(yù)測結(jié)果如表4所示.

表4 IPSO-SVM和PSO-SVM模型的測試結(jié)果Tab.4 The test results of IPSO-SVM and PSO-SVM mode

從表4可以看出,SVM預(yù)測結(jié)果有兩個樣本分類出現(xiàn)了錯誤,準確率只有33.3%,PSO-SVM模型的準確率達到了66.7%,IPSO-SVM的預(yù)測準確率達到了100%,從而證明了基于IPSO-SVM的煤礦水災(zāi)害救援系統(tǒng)可靠性預(yù)測模型的有效性.

4 結(jié)論

針對煤礦水災(zāi)害救援系統(tǒng)復(fù)雜多變、數(shù)據(jù)獲取困難等難題,提出了基于IPSO-SVM的煤礦水災(zāi)害救援組織系統(tǒng)可靠性預(yù)測模型.SVM在解決非線性二分類問題具獨特的優(yōu)勢;對粒子群算法的學習權(quán)重和慣性權(quán)重進行線性調(diào)節(jié),有效的改善了傳統(tǒng)粒子群算法的精度和收斂速度;最后將改進的粒子群算法與支持向量機進行融合,對模型參數(shù)進行了優(yōu)化.并且通過實例證明了該模型的有效性.

［1］ 王金鳳,楊利峰,馮立杰.基于粗糙集的煤礦水災(zāi)害事故響應(yīng)系統(tǒng)優(yōu)化［J］.工業(yè)工程,2013,16(5):1 -5.

［2］ 苗成林,孫麗艷,楊力等.煤礦企業(yè)突發(fā)事件應(yīng)急能力影響因素實證分析［J］.中國安全科學學報, 2014,24(1):113-118.

［3］ 賈增科.基于GO法的應(yīng)急管理系統(tǒng)可靠性分析［J］.系統(tǒng)工程,2011,29(10):123-126.

［4］ 王立兵.煤礦事故應(yīng)急救援保障評估體系構(gòu)建［J］.煤炭經(jīng)濟研究,2014,34(7):43-46.

［5］ 張軍波,郭德勇,王立兵.煤礦應(yīng)急救援組織結(jié)構(gòu)模式研究［J］.煤炭學報,2012,37(4):664-668.

［6］ CORTES C,VAPCIK V.Support vector networks［J］. Machine learning,1995,20(1):273-297.

［7］ EBERHART R,KENNEDY J.A new optim izer using particle swarm theory［C］//Proc of Sixth International Symposium on Micro Machine and Human Science, 1995:39-43.

［8］ 韓世軍,朱菊,毛吉貴,詹漢燕.基于粒子群優(yōu)化支持向量機的變壓器故障診斷［J］.電測與儀表, 2014,51(11):71-75.

［9］ 劉志雄,梁華.粒子群算法中隨機數(shù)參數(shù)的設(shè)置與實驗分析［J］.控制理論與應(yīng)用,2010,27(11):1489 -1496.

［10］耿俊豹,孫林凱,陳是學.支持向量機的混合核函數(shù)參數(shù)優(yōu)選方法［J］.計算機應(yīng)用,2013,33(5):1321 -1323.

Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM

ZHANG Yan-liang,LIU Yang,WANG Jin-feng
(School of Management and Engineering,Zhengzhou University,Zhengzhou 450001,China)

In order to predict the reliability of the coalm ine water disasters emergency rescue system effectively,this paper establishes the stability index system from the view ofmid-control and dynamic analysis.At the same time,as the coalmine water disasters emergency rescue system is comp lex and the related data is difficult to get,this paper puts forward a forecastingmodel of the stability of the coalminewater disastersemergency rescue system on the basis of improved particle swarm optimization and support vectormachine.The prediction results will bemore accurate through the optim ization of the parameters of SVM based on improved particle swarm algorithm.Finally,the model is proved to be effective through the case experiment.

rescue system;reliability;support vectormachine;particle swarm;predication

TD745

A

10.3969/j.issn.1671-6833.2015.03.025

1671-6833(2015)03-0115-05

2015-01-19;

2015-03-04

國家自然科學基金資助項目(71271194);鄭州市普通科技攻關(guān)計劃項目(141PPTGG343);教育部人文社會科學研究青年基金資助項目(11YJC630291)

張炎亮(1979-)女,安徽省渦陽人,鄭州大學副教授,博士,主要研究方向為工業(yè)工程、煤礦物流、煤礦水災(zāi)害,E-mail:yanliang@zzu.edu.cn.