當今社會,礦山安全問題是國家關注的重點問題,防止安全生產(chǎn)過程中各種事故的發(fā)生是安全生產(chǎn)最重要的任務。本文利用國家安全部門網(wǎng)站發(fā)布的權威事故信息,利用現(xiàn)代科學手段,充分挖掘事故隱患信息,找出事故發(fā)生的關鍵隱患,以實現(xiàn)對安全事故的預防,減少事故的發(fā)生。本文來源于國家安全監(jiān)管總局“基于深度學習的大數(shù)據(jù)煤礦安全事故預警與應急管理平臺的研究”項目,主要進行了基于自然語言處理的事故隱患信息挖掘算法研究。本文的研究工作如下:（1）首先介紹了本文的研究背景和意義,分析了國內外在自語言處理領域信息處理、相似度計算方面的研究現(xiàn)狀以及煤礦事故預警的研究現(xiàn)狀,闡述了論文的研究內容和組織結構;其次介紹了論文用到的相關技術,包括數(shù)據(jù)預處理、神經(jīng)網(wǎng)絡模型和信息檢索等,為事故隱患分類算法和信息查詢算法奠定了理論基礎。（2）針對長短期記憶網(wǎng)絡模型詞語分配相同權重的問題,在長短期記憶網(wǎng)絡模型后加入了一層注意力機制,為事故隱患信息分配不同的權重,提出了基于注意力機制的長短期記憶網(wǎng)絡事故隱患分類模型算法。首先爬取了官方網(wǎng)站的事故隱患信息,對信息進行了數(shù)據(jù)預處理,根據(jù)事故隱患等級分類將數(shù)據(jù)分成了不同的語料庫;其次將數(shù)據(jù)輸入到改... 

【文章來源】：青島理工大學山東省

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

基于不同的詞向量訓練方法事故隱患分類結果圖

青島理工大學工程碩士學位論文39表3.7基于不同事故隱患分類模型的分類結果模型準確率召回率F1測度漢明損失W2V-SVM0.82350.82260.82300.1765W2V-LSTM0.86510.86390.86450.1349W2V-ATT-CNN0.87340.87170.87250.1266W2V-ATT-LSTM0.88430.88240.88330.1157圖3.6基于不同事故隱患分類模型的分類結果對表3.6和圖3.6和圖3.7實驗結果進行分析，將W2V-SVM模型和W2V-LSTM模型進行分類結果對比發(fā)現(xiàn)（如圖3.7（a）），長短期記憶網(wǎng)絡模型是深度學習模型，充分考慮了事故隱患信息的上下文關系，所以準確率相比于W2V-SVM模型提高了0.0416，W2V-LSTM模型效果更好；將W2V-LSTM模型和W2V-ATT-LSTM模型進行分類結果對比發(fā)現(xiàn)（如圖3.7（b）），加入注意力機制賦予了隱患信息相應的權重，所以準確率相比于W2V-LSTM模型提高了0.0192，W2V-ATT-LSTM模型效果更好；將W2V-ATT-CNN模型和W2V-ATT-LSTM模圖3.7（c）W2V-ATT-CNN模型和W2V-ATT-LSTM模型實驗對比圖圖3.7（a）W2V-SVM模型和W2V-LSTM模型實驗對比圖圖3.7（b）W2V-LSTM模型和W2V-ATT-LSTM模型實驗對比圖

青島理工大學工程碩士學位論文39表3.7基于不同事故隱患分類模型的分類結果模型準確率召回率F1測度漢明損失W2V-SVM0.82350.82260.82300.1765W2V-LSTM0.86510.86390.86450.1349W2V-ATT-CNN0.87340.87170.87250.1266W2V-ATT-LSTM0.88430.88240.88330.1157圖3.6基于不同事故隱患分類模型的分類結果對表3.6和圖3.6和圖3.7實驗結果進行分析，將W2V-SVM模型和W2V-LSTM模型進行分類結果對比發(fā)現(xiàn)（如圖3.7（a）），長短期記憶網(wǎng)絡模型是深度學習模型，充分考慮了事故隱患信息的上下文關系，所以準確率相比于W2V-SVM模型提高了0.0416，W2V-LSTM模型效果更好；將W2V-LSTM模型和W2V-ATT-LSTM模型進行分類結果對比發(fā)現(xiàn)（如圖3.7（b）），加入注意力機制賦予了隱患信息相應的權重，所以準確率相比于W2V-LSTM模型提高了0.0192，W2V-ATT-LSTM模型效果更好；將W2V-ATT-CNN模型和W2V-ATT-LSTM模圖3.7（c）W2V-ATT-CNN模型和W2V-ATT-LSTM模型實驗對比圖圖3.7（a）W2V-SVM模型和W2V-LSTM模型實驗對比圖圖3.7（b）W2V-LSTM模型和W2V-ATT-LSTM模型實驗對比圖

【參考文獻】：
期刊論文
[1]美國煤礦安全風險管控和隱患排查治理[J]. 孫洪靈.  勞動保護. 2019(07)
[2]一種基于本體與關聯(lián)規(guī)則的煤礦安全監(jiān)控預警模型[J]. 王向前,朱佳,孟祥瑞,何葉榮.  礦業(yè)安全與環(huán)保. 2019(03)
[3]基于全路徑相似度的大規(guī)模層次分類算法[J]. 朱建林,陳忠陽,張永俊,孫存一.  計算機工程與設計. 2019(05)
[4]A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. ZHANG Yangsen,ZHENG Jia,JIANG Yuru,HUANG Gaijuan,CHEN Ruoyu.  Chinese Journal of Electronics. 2019(01)
[5]主題網(wǎng)絡爬蟲關鍵技術的應用探討[J]. 楊凌云.  電腦編程技巧與維護. 2018(11)
[6]2017年我國煤礦死亡事故統(tǒng)計分析[J]. 張盈盈,郭巍,潘志棟.  內蒙古煤炭經(jīng)濟. 2018(20)
[7]煤礦安全監(jiān)控系統(tǒng)瓦斯預警結果分析方法[J]. 蔡崇.  工礦自動化. 2018(10)
[8]基于循環(huán)神經(jīng)網(wǎng)絡和注意力模型的文本情感分析[J]. 胡榮磊,芮璐,齊筱,張昕然.  計算機應用研究. 2019(11)
[9]國外煤礦安全技術規(guī)程研究與借鑒[J]. 劉毅.  煤炭科學技術. 2018(S1)
[10]自然語言數(shù)據(jù)驅動的智能化軟件安全評估方法[J]. 張一帆,湯恩義,蘇琰梓,楊開懋,匡宏宇,陳鑫.  軟件學報. 2018(08)

博士論文
[1]煤礦安全隱患層次分析與預警方法研究[D]. 王龍康.中國礦業(yè)大學(北京) 2015

碩士論文
[1]基于自然語言處理的法務服務系統(tǒng)的設計與實現(xiàn)[D]. 徐浩廣.中國科學院大學(中國科學院沈陽計算技術研究所) 2018
[2]基于LSTM神經(jīng)網(wǎng)絡的電商需求預測的研究[D]. 王淵明.山東大學 2018
[3]基于自然語言處理的智能識別和智能控制應用[D]. 張靜.南京郵電大學 2017
[4]基于多元特征融合和LSTM神經(jīng)網(wǎng)絡的中文評論情感分析[D]. 李科.太原理工大學 2017
[5]基于自然語言理解的安全事故信息處理系統(tǒng)的設計與實現(xiàn)[D]. 張振宇.華北電力大學(北京) 2017



本文編號：2972183