大數(shù)據(jù)在煤礦安全領(lǐng)域應(yīng)用方法研究

李 東 周 勇

(中國神華能源股份有限公司，北京市東城區(qū)，100011)

在全球信息化水平飛速提升的進(jìn)程中，國家對煤炭企業(yè)信息化與安全生產(chǎn)的重視程度與日俱增，煤炭行業(yè)各級領(lǐng)導(dǎo)和工作人員的信息化意識普遍增強(qiáng)，煤炭企業(yè)對煤礦信息化建設(shè)投入大大增加，煤礦機(jī)械化、自動化和信息化建設(shè)不斷加強(qiáng)，智能傳感器、數(shù)字傳輸系統(tǒng)與信息系統(tǒng)的廣泛應(yīng)用使得煤礦企業(yè)積累了海量數(shù)據(jù)。與此同時，為規(guī)范煤礦生產(chǎn)安全事故調(diào)查處理，原國家安全生產(chǎn)監(jiān)督管理總局、國家煤礦安監(jiān)局要求各地安監(jiān)機(jī)構(gòu)在煤礦發(fā)生事故之后，必須由專家團(tuán)隊對事故進(jìn)行調(diào)查，進(jìn)行嚴(yán)密的事后分析，并形成完整的事故分析報告。綜合來看，大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的積累為大數(shù)據(jù)方法在煤礦安全領(lǐng)域的應(yīng)用研究奠定了基礎(chǔ)。

當(dāng)前，隨著云計算、物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，大數(shù)據(jù)已逐步滲透到絕大多數(shù)行業(yè)和領(lǐng)域，成為重要的生產(chǎn)要素，企業(yè)對于海量數(shù)據(jù)的挖掘和應(yīng)用，成為企業(yè)核心競爭力的重要組成部分。如零售領(lǐng)域通過大數(shù)據(jù)應(yīng)用實現(xiàn)客戶360°畫像，幫助企業(yè)分析客戶購買行為，針對客戶個性化產(chǎn)品推薦，并進(jìn)行客戶群體分析，對下一步銷售策略做好預(yù)測工作；電信企業(yè)利用大數(shù)據(jù)技術(shù)加大對歷史數(shù)據(jù)的分析，動態(tài)優(yōu)化調(diào)整網(wǎng)絡(luò)資源配置，大幅提高無線網(wǎng)絡(luò)的運行效率；金融行業(yè)依靠真實、可靠、穩(wěn)定、連續(xù)、海量的數(shù)據(jù)渠道，通過海量數(shù)據(jù)的分析建模，有效提升金融風(fēng)險的控制能力和控制效率；交通領(lǐng)域在大數(shù)據(jù)和人工智能的支持下，車輛可以自動駕駛，并可以對線路自學(xué)習(xí)自優(yōu)化。然而目前國內(nèi)外學(xué)者對煤礦大數(shù)據(jù)應(yīng)用的研究大多還集中在理論層面的應(yīng)用指導(dǎo)，并未在煤礦實際生產(chǎn)過程中對煤礦數(shù)據(jù)進(jìn)行采集和研究，大數(shù)據(jù)應(yīng)用水平受到限制。從煤礦企業(yè)角度來講，煤礦企業(yè)并未對煤礦生產(chǎn)過程中產(chǎn)生的海量數(shù)據(jù)進(jìn)行充分挖掘和利用，煤礦對于信息系統(tǒng)數(shù)據(jù)的管理還是停留在垂直型單系統(tǒng)層面，數(shù)據(jù)信息獨立保存或簡單物理集中，對數(shù)據(jù)內(nèi)在關(guān)聯(lián)和規(guī)律的研究幾乎為零，大量數(shù)據(jù)的價值未得以充分體現(xiàn)。對事故發(fā)生規(guī)律的認(rèn)知，往往是在事故發(fā)生后，將事故報告作為事故調(diào)研的最后環(huán)節(jié)，并沒有對其進(jìn)行后續(xù)的挖掘和利用，沒有對類似事故的相關(guān)規(guī)律進(jìn)行研究，無法有效避免類似事故的重復(fù)發(fā)生。

本研究從煤礦歷年的事故分析報告、事故案例等與煤礦安全生產(chǎn)事故相關(guān)的文檔資料出發(fā)，應(yīng)用大數(shù)據(jù)技術(shù)對大量事故案例進(jìn)行深入挖掘，多維度、多角度分析事故發(fā)生的內(nèi)在關(guān)聯(lián)和規(guī)律性，并通過BP神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)事故的預(yù)測預(yù)判，使煤礦安全生產(chǎn)管理模式由“事后管理”向“事前預(yù)防”轉(zhuǎn)變，有效提升煤礦安全管理能力。

1 煤礦安全大數(shù)據(jù)分析

如同其他領(lǐng)域，大數(shù)據(jù)分析技術(shù)給煤礦安全領(lǐng)域帶來了全新的解決方案。按照在其他領(lǐng)域大數(shù)據(jù)應(yīng)用方法、經(jīng)驗，通常的思路是通過事故與事故發(fā)生相應(yīng)時間段歷史數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，找出事故發(fā)生時歷史數(shù)據(jù)或歷史數(shù)據(jù)之間變化的規(guī)律性，從而找到事故與數(shù)據(jù)的關(guān)聯(lián)關(guān)系，并通過實時監(jiān)控事故關(guān)聯(lián)數(shù)據(jù)預(yù)防安全生產(chǎn)事故的發(fā)生。雖然歷史上也有大量記載的煤礦安全生產(chǎn)事故，也有現(xiàn)存與事故相關(guān)的海量歷史數(shù)據(jù)，如安全監(jiān)測監(jiān)控系統(tǒng)、人員定位系統(tǒng)等，但這些數(shù)據(jù)在煤礦安全領(lǐng)域是無法實現(xiàn)大數(shù)據(jù)分析。因為煤礦歷史數(shù)據(jù)保存時限短(按照有關(guān)規(guī)定，煤礦安全監(jiān)測監(jiān)控系統(tǒng)、人員定位系統(tǒng)等數(shù)據(jù)只保存2年時間)，歷史上發(fā)生的超過歷史數(shù)據(jù)保存時限的事故找不到對應(yīng)的數(shù)據(jù)，而現(xiàn)存的歷史數(shù)據(jù)相應(yīng)時間段的事故數(shù)量又有限，不具備大數(shù)據(jù)分析規(guī)模，也無法形成統(tǒng)計規(guī)律。

圖1 技術(shù)實現(xiàn)流程圖

經(jīng)過大量的深入調(diào)研，不斷的實踐，找到了適用于煤礦安全領(lǐng)域的大數(shù)據(jù)分析思路和方法。技術(shù)實現(xiàn)流程如圖1所示。本研究的技術(shù)實現(xiàn)流程主要分為4個部分：

(1)收集大量煤礦事故分析報告、事故案例等與煤礦事故相關(guān)的資料，運用文本挖掘方法和Delphi專家調(diào)查法識別事故關(guān)鍵要素；

(2)根據(jù)事故關(guān)鍵要素，利用Apriori關(guān)聯(lián)算法分析關(guān)鍵要素之間的關(guān)聯(lián)關(guān)系，生成關(guān)鍵要素頻繁項集；

(3)采集煤礦各信息化系統(tǒng)、自動化控制系統(tǒng)數(shù)據(jù)，建立與事故關(guān)鍵要素對應(yīng)的數(shù)據(jù)指標(biāo)，并對數(shù)據(jù)指標(biāo)監(jiān)控、預(yù)測，從源頭上杜絕煤礦安全事故發(fā)生的可能性；

(4)在關(guān)鍵要素頻繁項集的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行建模，通過大數(shù)據(jù)流計算框架實時預(yù)測事故發(fā)生的可能性，提出事故預(yù)警，有效提升煤礦安全管理水平。

2 研究方法

2.1 事故關(guān)鍵要素識別

本研究通過實地調(diào)研和互聯(lián)網(wǎng)渠道收集3000多例事故報告，從中篩選出較為完整的包括瓦斯事故、火災(zāi)事故、水災(zāi)事故、其他類事故案例共1056例作為事故信息分析的主要數(shù)據(jù)源。其中瓦斯事故551例，占收集事故案例總數(shù)的52.2%；水災(zāi)事故183例，占17.3%；火災(zāi)事故62例，占5.9%；頂板事故57例，占5.4%；其他類事故134例，占19.2%。事故關(guān)鍵要素識別通過以下5個步驟實現(xiàn)：

(1)以通用詞典為匹配詞典，針對每一類事故采用ansj分詞器的NLPAnalysis算法對文本采用流讀取的方式進(jìn)行處理，將事故案例進(jìn)行分詞切分，并對分詞結(jié)果進(jìn)行清洗，去除無效詞(無文本表征意義的詞)和非關(guān)鍵詞(無事故表征意義的詞)，形成分類事故分詞數(shù)據(jù)庫。

(2)針對分詞數(shù)據(jù)庫進(jìn)行分詞共現(xiàn)分析，在事故案例中，多個分詞同時出現(xiàn)可表征一個主題，同時出現(xiàn)的頻率越高，表明所表征的主題越重要，針對分詞進(jìn)行二次和三次共現(xiàn)分析，對共現(xiàn)分詞進(jìn)行統(tǒng)計排序，并刪除共現(xiàn)頻率較低的分詞，得到共現(xiàn)分詞數(shù)據(jù)庫。

(3)在事故案例的編寫過程中，雖然有相對固定的格式和規(guī)范的專業(yè)術(shù)語，但畢竟由不同的人來編寫，不同的人對同一事物或現(xiàn)象的描述可能會因為個人語言習(xí)慣的不同而不盡相同，描寫瓦斯積聚會有“瓦斯…積聚”、“瓦斯…聚集”、“瓦斯…聚積”、“瓦斯積聚”、“瓦斯聚集”、“瓦斯聚積”等多種描述方式，因此，對同一特征的不同表述進(jìn)行合并，頻率累加，得到有效特征數(shù)據(jù)庫。

(4)針對有效特征數(shù)據(jù)庫，構(gòu)建VSM向量空間模型，運用TFIDF算法計算各個特征的權(quán)值，并根據(jù)TFIDF值進(jìn)行排序，去除權(quán)值低于設(shè)定值的特征，得到事故特征詞典。

TFIDF算法可表述為：

式中：ti——事故特征詞典中的基本特征；

dj——ti所在事故案例文本；

TF(ti,dj)——ti在事故案例集合中出現(xiàn)的頻率；

|D|——全部事故案例的總數(shù)；

|DF(ti)|——包含特征ti的文本數(shù)；

TFIDF(ti,dj) ——事故特征的權(quán)值。

(5)在事故特征詞典的基礎(chǔ)上，運用Delphi法(專家調(diào)查法)，將關(guān)鍵要素的關(guān)鍵程度分為特別關(guān)鍵(取值1)、極其關(guān)鍵(取值0.9)、比較關(guān)鍵(取值0.8)、稍微關(guān)鍵(取值0.7)、一般關(guān)鍵(取值0.6)、不太關(guān)鍵(取值0.5)、不關(guān)鍵(取值0.4～0)7個等級，并且經(jīng)過專家討論約定，經(jīng)過多輪次專家問卷調(diào)查、歸納、統(tǒng)計之后，取平均權(quán)值大于0.6的作為關(guān)鍵要素，最終生成事故關(guān)鍵要素表。以瓦斯事故為例，通過如上分析得到的事故關(guān)鍵要素如表1。

表1 瓦斯事故關(guān)鍵要素

2.2 事故關(guān)鍵要素指標(biāo)監(jiān)控

在事故關(guān)鍵要素識別基礎(chǔ)上，針對煤礦現(xiàn)有信息化、自動化系統(tǒng)數(shù)據(jù)，構(gòu)建事故關(guān)鍵要素指標(biāo)，進(jìn)而通過對事故關(guān)鍵要素指標(biāo)的監(jiān)控和預(yù)測實現(xiàn)事故關(guān)鍵要素的監(jiān)控和預(yù)測。

以瓦斯事故為例，在煤礦現(xiàn)有信息化、自動化系統(tǒng)數(shù)據(jù)基礎(chǔ)上建立瓦斯積聚、瓦斯?jié)舛?、地質(zhì)構(gòu)造、超能力生產(chǎn)、跑漏風(fēng)、掘進(jìn)停風(fēng)、風(fēng)量不足、生產(chǎn)能力、通風(fēng)短路、微風(fēng)作業(yè)、無風(fēng)作業(yè)等事故關(guān)鍵要素與現(xiàn)有數(shù)據(jù)之間的對應(yīng)關(guān)系，構(gòu)建事故關(guān)鍵要素監(jiān)控指標(biāo)。采用Flume框架采集煤礦監(jiān)測監(jiān)控系統(tǒng)、人員定位系統(tǒng)、瓦斯抽放系統(tǒng)、井下自動化控制系統(tǒng)、束管監(jiān)測系統(tǒng)、礦壓監(jiān)測系統(tǒng)等信息化、自動化系統(tǒng)的數(shù)據(jù)，通過Storm+Kafka流計算框架實現(xiàn)事故關(guān)鍵要素指標(biāo)的計算、監(jiān)控、預(yù)測。事故關(guān)鍵要素監(jiān)控主要包括以下幾個方面：

(1)根據(jù)瓦斯積聚、瓦斯?jié)舛仁鹿赎P(guān)鍵要素，構(gòu)建掘進(jìn)工作面瓦斯涌出量和回采工作面瓦斯涌出量數(shù)據(jù)指標(biāo)。

掘進(jìn)工作面瓦斯涌出量指標(biāo)監(jiān)控。首先通過掘進(jìn)工作面回風(fēng)流瓦斯?jié)舛?、回風(fēng)流風(fēng)速等監(jiān)測數(shù)據(jù)，計算工作面以及暴露巷道瓦斯總排放量：

(2)

i=0,1,2,…n-1

式中：Q風(fēng)排——掘進(jìn)工作面瓦斯排放總量；

ti——時間；

S——巷道截面積；

Ci——回風(fēng)流ti時刻瓦斯?jié)舛龋?/p>

v——風(fēng)速。

然后根據(jù)掘進(jìn)暴露巷道瓦斯涌出量計算公式：

(3)

式中：Q巷道——暴露巷道瓦斯涌出量；

a、b——常數(shù)。

最后由掘進(jìn)工作面瓦斯涌出量Q工作面、掘進(jìn)工作面瓦斯排放總量Q風(fēng)排和暴露巷道瓦斯涌出量Q巷道之間的等量關(guān)系Q工作面=Q風(fēng)排-Q巷道反推出工作面瓦斯涌出量。

由此，通過實時計算、預(yù)測掘進(jìn)工作面瓦斯涌出量，實現(xiàn)掘進(jìn)工作面瓦斯涌出量指標(biāo)監(jiān)控。

回采工作面瓦斯涌出量指標(biāo)監(jiān)控。首先通過回采工作面回風(fēng)流瓦斯?jié)舛?、回風(fēng)流風(fēng)速等監(jiān)測數(shù)據(jù)，計算回采工作面瓦斯排放總量；通過瓦斯排放流量、濃度等數(shù)據(jù)計算工作面瓦斯抽放量；然后由工作面瓦斯涌出量Q涌、工作面瓦斯抽放量Q抽和瓦斯排放量Q排之間的等量關(guān)系Q涌=Q排+Q抽反推出工作面瓦斯涌出量。回采工作面Δt(如每天)時間內(nèi)瓦斯抽放量可由下式計算：

(4)

i=0,1,2,…，n-1

式中：Q抽——工作面瓦斯抽放量；

Li——瓦斯抽放流量。

回采工作面Δt時間內(nèi)瓦斯排放量可由下面公式計算：

(5)

i=0,1,2,…，n-1

式中：Q排——工作面瓦斯排放量；

S斷——工作面回風(fēng)巷道最小斷面面積；

v——工作面回風(fēng)流風(fēng)速。

由此，通過實時計算、預(yù)測回采工作面瓦斯涌出量Q涌，實現(xiàn)回采工作面瓦斯涌出量數(shù)據(jù)指標(biāo)監(jiān)控。

(2)根據(jù)跑漏風(fēng)、風(fēng)量不足、通風(fēng)短路、微風(fēng)作業(yè)、無風(fēng)作業(yè)等事故關(guān)鍵要素，構(gòu)建煤礦井下通風(fēng)網(wǎng)絡(luò)異常數(shù)據(jù)指標(biāo)，并通過煤礦井下通風(fēng)網(wǎng)絡(luò)異常分析實現(xiàn)跑漏風(fēng)、風(fēng)量不足等事故關(guān)鍵要素的監(jiān)控。根據(jù)監(jiān)測監(jiān)控系統(tǒng)中風(fēng)速傳感器的值，計算一定時間內(nèi)井下風(fēng)速傳感器監(jiān)測值的變化率：

(6)

i=0,1,2,…，n-1

式中：R——一定時間內(nèi)井下風(fēng)速傳感器監(jiān)測值的變化率；

vi——風(fēng)速監(jiān)測值；

v0——風(fēng)速基準(zhǔn)值，取上一天該測點平均值。

若一次計算變化率R的值趨于零，說明風(fēng)速正常波動，如果大于某一設(shè)定閥值則認(rèn)定為異常，并根據(jù)所定義的線路進(jìn)行分析，提供可能的故障位置建議。

(3)根據(jù)掘進(jìn)停風(fēng)事故關(guān)鍵要素，構(gòu)建掘進(jìn)工作面停風(fēng)后瓦斯?jié)舛阮A(yù)測數(shù)據(jù)指標(biāo)，實時監(jiān)測掘進(jìn)工作面對應(yīng)局部通風(fēng)機(jī)工作狀態(tài)，當(dāng)監(jiān)測點局部通風(fēng)機(jī)狀態(tài)變?yōu)椤巴ｏL(fēng)”后，通過掘進(jìn)暴露巷道瓦斯涌出量計算公式實時預(yù)測掘進(jìn)工作面瓦斯涌出量，并根據(jù)巷道基本參數(shù)預(yù)測掘進(jìn)工作面瓦斯?jié)舛茸兓厔?，提供掘進(jìn)工作面積聚高濃度瓦斯排放時間和排放風(fēng)量建議，避免因掘進(jìn)工作面瓦斯積聚或高濃度瓦斯排放造成瓦斯事故發(fā)生。

(4)根據(jù)生產(chǎn)能力事故關(guān)鍵要素，構(gòu)建產(chǎn)量與瓦斯涌出量安全關(guān)系數(shù)據(jù)指標(biāo)，通過實時計算最大容許涌出量、最大安全涌出量、工作面實時產(chǎn)量、工作面實時瓦斯涌出量，實時顯示工作面產(chǎn)量與瓦斯涌出量以及最大容許涌出量、最大安全涌出量之間的關(guān)系，為生產(chǎn)調(diào)度提供決策依據(jù)，即保持合理生產(chǎn)進(jìn)度和生產(chǎn)強(qiáng)度，避免安全生產(chǎn)事故發(fā)生。最大容許涌出量是以工作面當(dāng)前涌出量為基礎(chǔ)，計算當(dāng)工作面瓦斯涌出量增加時，該工作面瓦斯排放線路所有瓦斯監(jiān)測點濃度變化，直至工作面瓦斯涌出量增加Q時各監(jiān)測點中至少有一個監(jiān)測點的濃度接近最大允許濃度(系統(tǒng)定義)，則工作面當(dāng)前涌出量加上涌出量增加值Q即最大容許涌出量。工作面實時瓦斯涌出量參見“回采工作面瓦斯涌出量指標(biāo)監(jiān)控”部分計算方法。工作面實時瓦斯涌出量是通過采煤機(jī)電流、電壓等參數(shù)以及煤層基本參數(shù)來計算，計算公式如下：

(7)

×Ii×k×h×ρ

式中：Q——工作面實時瓦斯涌出量；

I——采煤機(jī)電流；

k——割煤系數(shù)；

h——煤層高度；

ρ——煤比重。

2.3 事故關(guān)鍵要素關(guān)聯(lián)分析

在關(guān)鍵要素的基礎(chǔ)上，研究關(guān)鍵要素之間的相互關(guān)聯(lián)關(guān)系，識別事故要素的內(nèi)在規(guī)律。本研究采用Apriori關(guān)聯(lián)分析法 ，以所有事故關(guān)鍵要素作為“所有項集”，針對每一個事故案例文本，進(jìn)行事故關(guān)鍵要素關(guān)聯(lián)分析。以瓦斯事故為例，通過關(guān)聯(lián)分析形成以下事故關(guān)鍵要素關(guān)聯(lián)頻繁項集：I1={掘進(jìn)工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,掘進(jìn)停風(fēng),瓦斯積聚}；I2={掘進(jìn)工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,串聯(lián)通風(fēng),瓦斯積聚}；I3={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,地質(zhì)構(gòu)造,煤層頂板,瓦斯積聚}；I4={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,超能力生產(chǎn),生產(chǎn)能力,瓦斯積聚}；I5={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,主通風(fēng)機(jī)停風(fēng),瓦斯積聚}；I6={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,微風(fēng)作業(yè),無風(fēng)作業(yè),瓦斯積聚}；I7={采空區(qū),瓦斯鑒定,相對瓦斯涌出量,風(fēng)流短路,跑漏風(fēng),風(fēng)量不足,瓦斯積聚}；I8={巷道,瓦斯鑒定, 跑漏風(fēng),風(fēng)量不足,絕對瓦斯涌出量,瓦斯積聚}。

2.4 事故預(yù)測模型

運用BP神經(jīng)網(wǎng)絡(luò)在事故關(guān)鍵要素頻繁項集基礎(chǔ)上進(jìn)行建模，并通過實時數(shù)據(jù)預(yù)測事故發(fā)生的可能性。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，符合事故關(guān)鍵要素與事故之間的關(guān)系。事故預(yù)測模型的建立主要包括以下步驟：

(1)事故關(guān)鍵要素值計算。有些關(guān)鍵要素?zé)o論是在事故案例中還是歷史數(shù)據(jù)中都可以找到對應(yīng)的值，如生產(chǎn)能力、瓦斯?jié)舛鹊取５行┦鹿赎P(guān)鍵要素，如微風(fēng)作業(yè)、無風(fēng)作業(yè)、風(fēng)流短路等，無論在事故案例中還是歷史數(shù)據(jù)中都沒有被量化，因此需要定義這些關(guān)鍵要素的取值方法，從而實現(xiàn)所有事故關(guān)鍵要素的“數(shù)據(jù)化”，進(jìn)一步建立事故關(guān)鍵要素與現(xiàn)有數(shù)據(jù)(如歷史數(shù)據(jù)、實時數(shù)據(jù))之間的對應(yīng)關(guān)系，運用數(shù)學(xué)工具對事故關(guān)鍵要素模型化。同時，由于各關(guān)鍵要素取值的物理含義不同，因此存在著量綱上的差異，這種異量綱性是影響對整體評價的主要因素，指標(biāo)的無量綱化處理是解決這一問題的主要手段，根據(jù)數(shù)據(jù)特點，對關(guān)鍵要素取值均選擇直線型無量綱化方法之標(biāo)準(zhǔn)化法來進(jìn)行無量綱化處理。

(2)BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計包括輸入層設(shè)計、輸出層設(shè)計、隱層設(shè)計、傳遞函數(shù)選取等。本文以I1頻繁項集為例說明BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計過程。根據(jù)I1事故關(guān)鍵要素頻繁項集，分別定義輸入層、輸出層和隱層，選擇S型正切函數(shù)tan-sigmod作為輸入、輸出神經(jīng)元的傳遞函數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

(3)樣本數(shù)據(jù)構(gòu)建。以瓦斯事故為例，將551例事故案例作為事故樣本數(shù)據(jù)，從采集到的歷史數(shù)據(jù)中選取10000條數(shù)據(jù)作為無事故樣本數(shù)據(jù)，構(gòu)建機(jī)器監(jiān)督學(xué)習(xí)樣本數(shù)據(jù)，并針對樣本數(shù)據(jù)做無序化處理，保證訓(xùn)練樣本和檢驗樣本選取的隨機(jī)性。

(4)模型訓(xùn)練。運用R語言進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，順序選取70%的樣本數(shù)據(jù)作為訓(xùn)練樣本，迭代次數(shù)為50000次，期望誤差小于0.0001。根據(jù)多次訓(xùn)練，得出輸入層到隱層和隱層到輸出層的權(quán)值矩陣：

W1=0.0876997100，-0.0066422071，0.0696998621，0.0078810304，0.0006207072，-0.0514464771，0.0544030602；-0.074629618，-0.103108712，-0.031073500，-0.050354069，-0.012048861，0.002357499，0.076872846；0.073716402，-0.053170112，0.080204996，-0.003348473，-0.010859949，-0.008989651，-0.005286401；0.022266238，0.001463615，-0.102531860，-0.079565374，0.033937125，-0.074391767，-0.068804029；-0.006522362，0.138096585，-0.045717480，-0.012498570，0.012444314，-0.070967471，-0.066790315；-0.041634302，0.166882523，0.212686445，0.005154012，0.082844196，-0.056083811，-0.001081871〗

W2=0.35177085，0.02448327，0.04679399，-0.73382014，-0.70519826，-0.75965318〗

(5)模型檢驗。順序選取30%的樣本數(shù)據(jù)作為檢驗樣本，共3100多條數(shù)據(jù)，其中事故數(shù)據(jù)161條，無事故數(shù)據(jù)3004條。通過模型計算并與實際結(jié)構(gòu)對比，無事故數(shù)據(jù)預(yù)測準(zhǔn)確率達(dá)100%，有事故數(shù)據(jù)預(yù)測準(zhǔn)確率達(dá)96.3%。

(6)模型自適應(yīng)、學(xué)習(xí)。在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，運用R語言與hadoop平臺的接口功能，自動通過實時數(shù)據(jù)采集進(jìn)行輸入層(事故關(guān)鍵要素)取值，模型訓(xùn)練，實現(xiàn)模型的自適應(yīng)、自學(xué)習(xí)功能。

3 結(jié)論

本研究通過對煤礦安全事故案例等非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行文本挖掘研究，發(fā)掘煤礦安全生產(chǎn)事故發(fā)生規(guī)律，識別煤礦事故關(guān)鍵要素以及事故關(guān)鍵要素之間的關(guān)聯(lián)關(guān)系，并通過構(gòu)建事故關(guān)鍵要素監(jiān)控指標(biāo)實現(xiàn)事故關(guān)鍵要素監(jiān)控、預(yù)測，通過事故關(guān)鍵要素之間的關(guān)聯(lián)關(guān)系建立了基于神經(jīng)網(wǎng)絡(luò)的事故預(yù)測模型，從而使煤礦安全事故管理模式由“事后管理”轉(zhuǎn)變?yōu)椤笆虑邦A(yù)判”，使煤礦安全事故管理技術(shù)更加科學(xué)化、精準(zhǔn)化，管理手段更具有前瞻性。在大數(shù)據(jù)分析基礎(chǔ)上，把機(jī)器學(xué)習(xí)算法引入到煤礦安全管理領(lǐng)域，將對全面提升煤礦安全生產(chǎn)管理整體水平具有重要意義。

掘進(jìn)工作面瓦斯涌出量指標(biāo)監(jiān)控可以為風(fēng)險預(yù)控、生產(chǎn)計劃調(diào)整、生產(chǎn)進(jìn)度控制等提供科學(xué)依據(jù)，如制定合理配風(fēng)方案及瓦斯預(yù)防措施、調(diào)整生產(chǎn)進(jìn)度和生產(chǎn)強(qiáng)度等，避免安全事故發(fā)生；回采工作面瓦斯涌出量指標(biāo)監(jiān)控可以為風(fēng)險預(yù)控、生產(chǎn)計劃制定等提供科學(xué)依據(jù)，如制定合理配風(fēng)方案及瓦斯預(yù)防措施、調(diào)整生產(chǎn)進(jìn)度和生產(chǎn)強(qiáng)度等，避免安全事故發(fā)生；掘進(jìn)工作面停風(fēng)后，通過對工作面濃度實時預(yù)測、預(yù)警，避免掘進(jìn)工作面瓦斯超限，甚至瓦斯事故發(fā)生，并通過實時計算給出瓦斯排放合理建議(如排放時間選擇、風(fēng)量選擇)，為瓦斯排放提供科學(xué)依據(jù)?；谏窠?jīng)網(wǎng)絡(luò)的事故預(yù)測模型通過系統(tǒng)試運行階段的測試，預(yù)測效果比較理想。

本研究亦存在不足之處，因采集到的事故案例有限，且文本挖掘方法本身具有一定的局限性，事故要素的挖掘可能不夠全面；另外，煤礦現(xiàn)有信息化系統(tǒng)的數(shù)據(jù)保存周期較短，采集到的數(shù)據(jù)有限，因此數(shù)據(jù)監(jiān)控指標(biāo)有限，模型應(yīng)用具有一定的局限性。隨著系統(tǒng)的不斷運行，數(shù)據(jù)采集范圍的逐漸擴(kuò)大，事故數(shù)據(jù)和歷史數(shù)據(jù)的不斷積累，樣本數(shù)據(jù)會更加全面，預(yù)測效果也會更加全面、準(zhǔn)確。