[发明专利]基于振动数据的井工煤矿灭火控制的神经网络的训练方法

说明书

本申请公开了一种基于振动数据的井工煤矿灭火控制的神经网络的训练方法，其包括：获取训练振动信号，所述训练用振动信号通过在实验环境下模拟井工煤矿爆炸获得；将所述训练振动信号转化为训练振动向量；以深度神经网络作为编码器对所述训练振动向量进行编码以获得训练振动特征向量；基于所述训练振动特征向量构造高斯分布并从所述高斯分布中随机提取多个随机特征向量；计算所述训练振动特征向量与所述多个随机特征向量之间的距离函数；通过最小化所述距离函数来通过梯度的反向传播获得多个构造振动向量；以及，以所述构造振动向量和所述训练振动向量作为增强训练数据集来训练所述深度神经网络。

技术领域

本发明涉及深度学习和神经网络技术领域，且更为具体地，涉及一种基于振动数据的井工煤矿灭火控制的神经网络的训练方法、基于深度神经网络的井工煤矿灭火控制方法、基于振动数据的井工煤矿灭火控制的神经网络的训练系统、基于深度神经网络的井工煤矿灭火控制系统和电子设备。

背景技术

当煤层离地表远时，一般选择向地下开掘巷道采掘煤炭，这一般被称为井工煤矿。在井工煤矿中的开采过程中，由于井下瓦斯气体难以完全抽取干净，气体聚集到一定量的时候，就会引起爆炸。而在发生小规模爆炸时，如果不能够对爆炸时产生的火焰进行有效的扑灭，火势的蔓延容易产生后续的安全事故。因此，在越来越多的井工煤矿中安装了自动灭火装置。

目前井工煤矿的自动灭火装置通常通过向外喷洒消焰粉末来达到灭火的目的，这些自动灭火装置可以在感应到火焰或者烟雾时启动。但是，在实际应用中，期望能够进一步提前自动灭火装置启动的时间，即使该提前量仅有很小幅度，也对于提升安全性有很大帮助。

因此，期待一种优化的用于井工煤矿灭火控制的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为井工煤矿的灭火控制提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于振动数据的井工煤矿灭火控制的神经网络的训练方法、基于深度神经网络的井工煤矿灭火控制方法、基于振动数据的井工煤矿灭火控制的神经网络的训练系统、基于深度神经网络的井工煤矿灭火控制系统和电子设备，其基于矿井壁的相应振动来进行井下瓦斯爆炸的检测。特别地，在对用于井工煤矿灭火控制的神经网络的训练过程中，采用在特征空间中对所获得的训练特征向量进行增强并通过深度神经网络的反向传播来获得增强后的样本数据，进而以增强后的样本数据和原始训练特征向量相结合的方式来训练模型，从而增强模型的鲁棒性。

根据本申请的一个方面，提供了一种基于振动数据的井工煤矿灭火控制的神经网络的训练方法，其包括：

获取训练振动信号，所述训练用振动信号通过在实验环境下模拟井工煤矿爆炸获得；

将所述训练振动信号转化为训练振动向量；

以深度神经网络作为编码器对所述训练振动向量进行编码以获得训练振动特征向量；

基于所述训练振动特征向量构造高斯分布并从所述高斯分布中随机提取多个随机特征向量；

计算所述训练振动特征向量与所述多个随机特征向量之间的距离函数；

通过最小化所述距离函数来通过梯度的反向传播获得多个构造振动向量；

以所述构造振动向量和所述训练振动向量作为增强训练数据集来训练所述深度神经网络。

在上述基于振动数据的井工煤矿灭火控制的神经网络的训练方法中，将所述训练振动信号转化为训练振动向量，包括：通过振动矢量化将所述训练振动信号转化为训练振动向量。