-
作者
邓军王志强王伟峰张宝宝杨博任浩
-
单位
西安科技大学安全科学与工程学院西安科技大学计算机科学与技术学院西安科技大学电气与控制工程学院
-
摘要
针对传统带式输送机火灾隐患识别方法的漏报率和误报率高的问题，通过挖掘带式输送机火灾监测中多元时间序列（MTS）数据，提出了一种长短时记忆-自编码的一类支持向量机神经网络（LSTM-AE-OCSVM）火灾隐患识别算法。首先，改进自动编码器（AE）将隐藏层中的神经元替换为LSTM神经元；然后，提取带式输送机火灾无异常监测数据的时序特征并重构输入数据；其次，改进LSTM-AE将重构值与实际值的差值序列经OCSVM训练得到包含无隐患异常样本的超平面；最后，通过计算测试集与超平面距离函数值来划分隐患异常。仿真结果表明，实验中所提出的改进方法与传统的LSTM和OCSVM等隐患异常检测方法相比准确率更高，达到了90.1%。该方法在识别矿井带式输送机火灾隐患上具有重要的应用价值。
-
关键词
矿井火灾一类支持向量机长短时记忆神经网络自编码器隐患识别
-
基金项目(Foundation)
国家重点研发计划（2019YFE0131400）；国家自然科学基金（52074213）；陕西省重点研发计划（2021SF-472）；榆林市科技计划（CXY-2020-036）；
-
文章目录
0 引言
1 相关理论
1.1 LSTM-AE神经网络
1.2 OCSVM自适应阈值
2 带式输送机火灾监测隐患识别模型
3 实验结果及分析
3.1 数据集
3.2 数据预处理
3.3 带式输送机火灾隐患识别实验过程
3.4 实验结果评估
(1)LSTM-AE模型准确度评估
(2）带式输送机隐患识别模型性能指标
4 结语
-
引用格式
邓军,王志强,王伟峰,张宝宝,杨博,任浩.基于LSTM-AE-OCSVM的带式输送机火灾监测隐患识别技术[J].煤炭技术,2023,42(01):225-229.DOI:10.13301/j.cnki.ct.2023.01.048.
煤炭技术 
2023年第01期 
