季嘉琪 呂月穎 苗德俊

（1.山東科技大學(xué)安全與環(huán)境工程學(xué)院，山東 青島 266590；

（2.山東科技大學(xué)礦山巖層智能控制與綠色開采國家重點實驗室培育基地，山東 青島 266590）

人工智能在煤礦安全預(yù)測的應(yīng)用逐漸興起[1]。眾多預(yù)測模型均無法考慮人的因素，具有一定的局限性，人為因素作為風(fēng)險預(yù)測關(guān)鍵因素常被忽略[2]。且多數(shù)研究者以預(yù)測模型為重點，在應(yīng)用時沒有考慮數(shù)據(jù)的可視化。安全態(tài)勢主要應(yīng)用在計算機(jī)網(wǎng)絡(luò)、軍事、交通等領(lǐng)域[3]，在煤礦領(lǐng)域還未得到廣泛應(yīng)用。

因此，以瓦斯事故為著眼點，從引發(fā)事故的各類因素的角度進(jìn)行分析，并對井下瓦斯風(fēng)險進(jìn)行預(yù)測，最后將瓦斯風(fēng)險的預(yù)測結(jié)果以可視化的形式展示，為決策者提供數(shù)據(jù)基礎(chǔ)和便利。

1 BN—ELM 模型的建立

1.1 煤礦安全態(tài)勢感知體系

在煤礦安全領(lǐng)域，一般用安全態(tài)勢表示目前的煤礦安全狀態(tài)和風(fēng)險走向[4]。若分析安全態(tài)勢，需要結(jié)合各類因素。首先分析并收集影響煤礦安全系統(tǒng)和子系統(tǒng)的因素，并將其進(jìn)行分類、歸納，根據(jù)整合的結(jié)果建立模型，在該模型的基礎(chǔ)上預(yù)測安全態(tài)勢，最終結(jié)合每個子系統(tǒng)的安全態(tài)勢結(jié)果，分析煤礦整體的安全態(tài)勢，并對其進(jìn)行評估。此評估結(jié)果對決策者有直接幫助。其結(jié)構(gòu)圖如圖1。

1.2 煤礦安全態(tài)勢感知方案

根據(jù)圖1 中安全態(tài)勢感知思路，本文選取貝葉斯網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)兩種方法完成煤礦安全態(tài)勢分析的工作。首先，利用貝葉斯網(wǎng)絡(luò)構(gòu)建事故致因網(wǎng)絡(luò)，分析瓦斯爆炸事故的原因和層次關(guān)系；其次，利用極限學(xué)習(xí)機(jī)對致因網(wǎng)絡(luò)中的直接影響因素的指標(biāo)值進(jìn)行預(yù)測；在此基礎(chǔ)上，使用貝葉斯網(wǎng)絡(luò)對瓦斯爆炸風(fēng)險進(jìn)行預(yù)測。預(yù)測工作完成后，以事故發(fā)生可能性、風(fēng)險等級、預(yù)警時間等預(yù)測數(shù)據(jù)為依據(jù)，在實時數(shù)據(jù)的基礎(chǔ)上，分析煤礦的整體安全態(tài)勢。若預(yù)測結(jié)果中有高風(fēng)險的情況，應(yīng)立即預(yù)警，為工作人員提供較多的反應(yīng)時間。

圖1 煤礦安全態(tài)勢感知系統(tǒng)體系結(jié)構(gòu)圖

1.2.1 預(yù)處理階段

該階段為后續(xù)預(yù)測工作打下基礎(chǔ)，提供預(yù)測所需要的數(shù)據(jù)，構(gòu)建瓦斯爆炸事故的貝葉斯網(wǎng)絡(luò)模型。

找出導(dǎo)致事故發(fā)生的致因因素，并計算出各節(jié)點的概率，因此，可以利用貝葉斯網(wǎng)絡(luò)將各因素劃分為直接因素和間接因素，即一級指標(biāo)和多級指標(biāo)。

1.2.2 基于貝葉斯網(wǎng)絡(luò)的指標(biāo)體系構(gòu)建

貝葉斯鏈?zhǔn)椒▌t如式（1）所示：

式中，Xi表示第i個節(jié)點。

在計算過程中，并不是所有數(shù)據(jù)都可以直接監(jiān)測或計算得到，因此這類數(shù)據(jù)需要通過專家的討論和判斷對貝葉斯網(wǎng)絡(luò)中的節(jié)點和結(jié)構(gòu)進(jìn)行修改。

本文通過分析近十年的瓦斯爆炸事故報告，并采納煤礦專家的意見，構(gòu)建出瓦斯爆炸風(fēng)險貝葉斯網(wǎng)絡(luò)模型，如圖2 所示。

在貝葉斯模型中，將影響因素分為一級指標(biāo)和多級指標(biāo)。由圖2 可知，瓦斯爆炸事故發(fā)生的原因分為直接原因和間接原因，將直接原因指定為一級指標(biāo)，間接原因指定為多級指標(biāo)，并用表達(dá)式表示。

圖2 瓦斯爆炸事故貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

1.2.3 基于極限學(xué)習(xí)機(jī)的風(fēng)險預(yù)測

（1）基于極限學(xué)習(xí)機(jī)的一級指標(biāo)預(yù)測模型

極限學(xué)習(xí)機(jī)具有強(qiáng)大的功能，能夠處理一級指標(biāo)和多級指標(biāo)之間的非線性關(guān)系。因此本文選取極限學(xué)習(xí)機(jī)方法，利用多級指標(biāo)和一級指標(biāo)分別作為輸入和輸出變量，對一級指標(biāo)進(jìn)行預(yù)測。

為了其訓(xùn)練的最終效果不受輸入權(quán)重和閾值的影響，本文采用粒子群算法對極限學(xué)習(xí)機(jī)進(jìn)行優(yōu)化。

粒子群算法優(yōu)化步驟：① 參數(shù)初始化處理；②將初始的輸入權(quán)重與閾值帶入極限學(xué)習(xí)機(jī)中；③ 粒子群的適應(yīng)度；④ 比較適應(yīng)度。

（2）風(fēng)險概率預(yù)測

根據(jù)式（1），可以得到瓦斯爆炸風(fēng)險概率預(yù)測模型。假設(shè)U={F1，F(xiàn)2，F(xiàn)3，…，F(xiàn)n，G｝為一個離散變量集合，其中Fi為風(fēng)險一級指標(biāo)，G為瓦斯風(fēng)險，F(xiàn)={F1=f1，F(xiàn)2=f2，F(xiàn)n=fn｝是Fi的取值集合，G=Y表示風(fēng)險出現(xiàn)。當(dāng)一級指標(biāo)取值為F時，概率表達(dá)式如下：

如表1 所示，根據(jù)概率值的大小分為不同等級，根據(jù)不同等級采取不同的措施。當(dāng)風(fēng)險概率值大于0.6 時，應(yīng)當(dāng)對對應(yīng)的風(fēng)險區(qū)域進(jìn)行預(yù)警，并對瓦斯安全狀況進(jìn)行分析。

表1 風(fēng)險等級

1.2.4 安全態(tài)勢評估階段

評估在感知過程中起著重要作用。這一階段綜合了定性、定量分析，可以根據(jù)評估結(jié)果分析目前煤礦的安全狀況。在t時刻，煤礦整體安全評估值SN（t）表示為：

式中，P、L、T分別代表風(fēng)險概率、風(fēng)險等級、風(fēng)險告警時間，告警時間默認(rèn)值為1，若此區(qū)域預(yù)測到風(fēng)險后的t時間內(nèi)風(fēng)險仍存在，則值逐漸增加；S、M分別為風(fēng)險影響范圍及風(fēng)險在區(qū)域內(nèi)的數(shù)量。

煤礦整體安全狀態(tài)評估值為：

式中，N表示主要風(fēng)險的數(shù)量；Si（t）表示i風(fēng)險在t時刻對煤礦安全的影響；Wi表示各風(fēng)險的權(quán)重，權(quán)重值由煤礦實際和專家的經(jīng)驗共同決定。

當(dāng)評估值的范圍在1～5 之間時，安全態(tài)勢的評估值越大，該區(qū)域越不安全，發(fā)生事故的風(fēng)險越大，風(fēng)險范圍越大。

2 安全態(tài)勢預(yù)測分析

2.1 數(shù)據(jù)來源與處理

本文的相關(guān)數(shù)據(jù)均來自山東省魯西煤礦，自2018年開始與魯西煤礦共同研發(fā)煤礦大數(shù)據(jù)平臺，收集管理系統(tǒng)中的三違數(shù)據(jù)等相關(guān)數(shù)據(jù)后利用爬蟲、自然語言處理等技術(shù)對數(shù)據(jù)清洗。瓦斯涌出量等數(shù)據(jù)由自動化系統(tǒng)、實時監(jiān)測系統(tǒng)、傳感器來提供。

由于在安全態(tài)勢感知時需量化指標(biāo)，例如，電器失爆用電器失爆等級來表示嚴(yán)重程度，瓦斯積聚的量化指標(biāo)為瓦斯?jié)舛?。對于三違數(shù)據(jù)可以根據(jù)嚴(yán)重程度分別計分0 分、1 分、2 分。

2.2 風(fēng)險預(yù)測

設(shè)備監(jiān)測的數(shù)據(jù)每一小時上傳一次，收集樣本100組，將其中70%作為訓(xùn)練集，30%作為測試數(shù)據(jù)，迭代100 次，10 個輸入節(jié)點、3 個輸出節(jié)點，預(yù)測完成之后與實際值進(jìn)行對比，如圖3 所示。當(dāng)某些多級指標(biāo)無法實時監(jiān)測時，規(guī)定時間t，并認(rèn)定t時間內(nèi)最近上傳的值為實時數(shù)據(jù)。

圖3 一級指標(biāo)預(yù)測結(jié)果圖

利用數(shù)據(jù)進(jìn)行瓦斯?jié)舛阮A(yù)測后的結(jié)果的準(zhǔn)確度為87.235%。在一級指標(biāo)的預(yù)測中，只有火源預(yù)測發(fā)生失誤，電器失爆的預(yù)測結(jié)果與實際結(jié)果完全一致。通過此方式預(yù)測可以看出，一級指標(biāo)和多級指標(biāo)有非線性關(guān)系。極限學(xué)習(xí)機(jī)在識別這種關(guān)系的能力上較突出，在預(yù)測結(jié)果上能夠保證一定的準(zhǔn)確性。

利用極限學(xué)習(xí)機(jī)算法，迭代次數(shù)調(diào)整到100 次，可以得到該煤礦的瓦斯風(fēng)險概率，如圖4 所示。在圖中可以看出，風(fēng)險小于0.2，因此該煤礦的瓦斯處于低風(fēng)險狀態(tài)。

圖4 風(fēng)險概率預(yù)測圖

2.3 安全態(tài)勢預(yù)測

結(jié)合風(fēng)險預(yù)測的結(jié)果和公式（6），該煤礦瓦斯安全態(tài)勢曲線如圖5 所示。

圖5 瓦斯安全態(tài)勢圖

圖5 顯示，瓦斯爆炸的風(fēng)險率較低?？梢钥闯觯斘髅旱V在整個階段可以較好地控制瓦斯風(fēng)險。雖然在預(yù)測的最終結(jié)果中有突發(fā)情況，但整體狀態(tài)趨于平穩(wěn)，說明該煤礦及時采取有力措施控制了風(fēng)險。

3 煤礦安全態(tài)勢的可視化

數(shù)據(jù)顯示是將收集到的數(shù)據(jù)錄入數(shù)據(jù)庫，通過ECharts 對煤礦的分析結(jié)果進(jìn)行可視化展示，以便安全管理人員及時了解生產(chǎn)過程中的實際情況。

通過瓦斯傳感器實時記錄瓦斯?jié)舛龋褂帽疚牡念A(yù)測方法了解煤礦瓦斯安全態(tài)勢，并結(jié)合風(fēng)險概率、瓦斯?jié)舛鹊葦?shù)據(jù)，利用可視化的方式展示，如圖6。

圖6 瓦斯風(fēng)險預(yù)測可視化

可以通過按鈕切換的方式進(jìn)行查看不同的板塊，在切換的過程中可以對無關(guān)曲線進(jìn)行隱藏。當(dāng)鼠標(biāo)移動到圖中時，會顯示出某一時間點的具體值，并且在折線圖中，數(shù)據(jù)可以進(jìn)行縮放。數(shù)據(jù)實時顯示設(shè)置為每30 min 刷新一次，以便更新煤礦瓦斯安全狀況，進(jìn)行實時觀察。

4 結(jié)論

將安全態(tài)勢運用在煤礦安全上，以瓦斯風(fēng)險為例，通過實時監(jiān)測煤礦的相關(guān)數(shù)據(jù)以及工作人員的安全行為，對煤礦安全態(tài)勢進(jìn)行預(yù)測。在此模型中，將人的影響因素考慮在內(nèi)，分析對瓦斯爆炸的影響，提高了準(zhǔn)確性。同時利用ECharts 進(jìn)行可視化分析，實現(xiàn)數(shù)據(jù)實時展示，為煤礦安全管理人員的決策和管理提供依據(jù)。