基于柔性神經(jīng)元的煤礦安全風(fēng)險(xiǎn)預(yù)警模型研究

陳佳林，付恩三

(應(yīng)急管理部信息研究院，北京 100029)

為進(jìn)一步強(qiáng)化煤礦企業(yè)本質(zhì)安全水平，提升企業(yè)對(duì)煤礦企業(yè)安全風(fēng)險(xiǎn)的預(yù)測(cè)預(yù)警能力，提高安全生產(chǎn)監(jiān)管監(jiān)察水平，本文以人工智能技術(shù)為基礎(chǔ)，基于連續(xù)值邏輯的健全性，連續(xù)值邏輯把M-P神經(jīng)元模型擴(kuò)張為連續(xù)值神經(jīng)元，通過多源柔性神經(jīng)網(wǎng)絡(luò)[1，2]多維度、多視角、全方位對(duì)煤礦各類主要在線監(jiān)控?cái)?shù)據(jù)，安全生產(chǎn)規(guī)章制度、技術(shù)管理制度，安全風(fēng)險(xiǎn)管控、隱患管理治理等過程數(shù)據(jù)進(jìn)行訓(xùn)練，建立煤礦風(fēng)險(xiǎn)預(yù)警指標(biāo)體系指標(biāo)因子的屬性關(guān)系網(wǎng)絡(luò)和連續(xù)值邏輯柔性算子庫(kù)，提取隱含的規(guī)律和有用信息，構(gòu)建基于柔性神經(jīng)元決策樹算子模型，實(shí)現(xiàn)煤礦風(fēng)險(xiǎn)的分析研判和實(shí)時(shí)預(yù)警，為日常監(jiān)察、遠(yuǎn)程聯(lián)網(wǎng)分析、執(zhí)法檢查和應(yīng)急救援等工作提供數(shù)據(jù)支撐和技術(shù)手段[3-5]。

1 連續(xù)值邏輯譜與健全性

隨著人工智能領(lǐng)域的不斷發(fā)展，人們?cè)趯?shí)際的應(yīng)用中發(fā)現(xiàn)，很多的非標(biāo)準(zhǔn)邏輯中，標(biāo)準(zhǔn)邏輯的一些重要性質(zhì)發(fā)生了變化。很多專家通過驗(yàn)證，信息傳輸和使用中，信息在處理過程中發(fā)生了畸變，因此，很多非標(biāo)準(zhǔn)邏輯雖然具有“可靠性”和“完備性”，它們的邏輯推理失去了“可信性”，專家通過引入不確定性因素，形成了多組邏輯組成一個(gè)邏輯系統(tǒng)，不同應(yīng)用條件對(duì)應(yīng)不同邏輯算子，連續(xù)值邏輯演變成邏輯譜，從邏輯譜的角度利用連續(xù)值邏輯代數(shù)完善現(xiàn)有的各種柔性邏輯命題邏輯系統(tǒng)[4]。

1.1 健全邏輯的基本性質(zhì)

在信息處理的過程中，要遵循相應(yīng)的邏輯規(guī)律，其中，邏輯規(guī)律包含一些數(shù)學(xué)規(guī)律?？梢栽O(shè)定，邏輯中的命題P是信息的一種抽象表示，通過多種多樣的邏輯表達(dá)式描述不同信息的復(fù)雜構(gòu)成，邏輯的推理過程可以表述信息的變化過程。通常使用的標(biāo)準(zhǔn)邏輯的基本性質(zhì)反映了信息結(jié)構(gòu)和信息運(yùn)動(dòng)的基本規(guī)律，它滿足了健全的邏輯系統(tǒng)必須具有的基本性質(zhì)[5，6]：

(L1)P∨P=P信息(命題)不會(huì)因?yàn)楸粺o(wú)限多的分享而發(fā)生改變。

(L2)P∧P=P信息(命題)不會(huì)因?yàn)槎啻蔚刂貜?fù)而改變。

L1和L2統(tǒng)稱為吸收律或冪等律。

(L3)～P∧P=0矛盾律。

(L4)～P∨P=1排中律。

(L5)～～P=P對(duì)合律。

(L6)P，P→Q|=QMP規(guī)則。

邏輯是信息世界的基本法則。具有基本性質(zhì)L6的系統(tǒng)為邏輯系統(tǒng)。如果一個(gè)邏輯系統(tǒng)具有全部的基本性質(zhì)L1、L2、L3、L4和L5，則稱為健全的邏輯系統(tǒng)；否則稱為非健全的邏輯系統(tǒng)。

1.2 連續(xù)值邏輯的健全性

連續(xù)值邏輯中存在5種不確定性[7-9]：①基于命題真度的不確定性x，y，z∈[0，1]；②基于命題之間廣義相關(guān)關(guān)系的不確定性h∈[0，1]；③基于命題真度誤差的不確定性k∈[0，1]；④基于不同權(quán)重的不確定性β∈[0，1]；⑤基于組合閾值的不確定性e∈[0，1]。

連續(xù)值邏輯非運(yùn)算的基模型是N(x，k)=N(x，0.5)=N(x)，組合運(yùn)算的基模型是Ce(x，y，k，h，β)=C0.5(x，y，0.5，0.5，0.5)=C0.5(x，y)，其它各種柔性二元運(yùn)算的基模型是L(x，y，k，h，β)=L(x，y，0.5，0.5，0.5)=L(x，y)。常用的基模型有：

非運(yùn)算基模型N(x)=1-x

與運(yùn)算基模型T(x，y)=max(0，x+y-1)

或運(yùn)算基模型S(x，y)=N(T(N(x)，N(y)))=min(1，x+y)

蘊(yùn)涵運(yùn)算基模型I(x，y)=max(z|y≥T(x，z))=min(1，1-x+y)

等價(jià)運(yùn)算基模型Q(x，y)=T(I(x，y)，I(y，x))=1-|x-y|

平均運(yùn)算基模型M(x，y)=N(S(N(x)/2，N(y)/2))=(x+y)/2

組合運(yùn)算基模型C0.5(x，y)=ite{min(0.5，max(0，x+y-0.5))|x+y<1；

N(min(N(0.5)，max(0，N(x)+N(y)-N(0.5))))|x+y>1；0.5}

=min(1，max(0，x+y-0.5))

其中e∈[0，1]是表示棄權(quán)的幺元(決策閾值)，ite{y|x；z}是條件表達(dá)式，意思是“如果x，則y；否則z”。

1)通過對(duì)N性生成元完整簇Φ(x，k) =xn，n∈(0，∞)，n=-1/log2k完成對(duì)誤差系數(shù)k連續(xù)變化對(duì)連續(xù)值邏輯基礎(chǔ)運(yùn)算模型的調(diào)整，Φ(x，k)對(duì)一元運(yùn)算基模型N(x)調(diào)整公式為N(x，k) =Φ-1(1-Φ(x，k)，k) = (1-xn)1/n，Φ(x，k)對(duì)二元運(yùn)算基模型L(x，y，k) 調(diào)整公式為L(zhǎng)(x，y，k)=Φ-1(L(Φ(x，k)，Φ(y，k))，k)。

2)通過對(duì)T性生成元完整簇F(x，h)=xm，m∈(-∞，∞)上，m=(3-4h)/(4h(1-h))完成命題的廣義相關(guān)系數(shù)h的連續(xù)變化對(duì)邏輯運(yùn)算模型的調(diào)整。F(x，h)對(duì)各種二元運(yùn)算基模型L(x，y)的運(yùn)算公式是L(x，y，h)=F-1(L(F(x，h)，F(xiàn)(y，h))，h)，k，h二者對(duì)二元運(yùn)算基模型L(x，y)雙參數(shù)運(yùn)算公式是L(x，y，k，h)=Φ-1(F-1(L(F(Φ(x，k)，h)，F(xiàn)(Φ(y，k)，h)，h)，k)。

3)通過完成相對(duì)權(quán)系數(shù)β的連續(xù)變化對(duì)二元運(yùn)算基模型L(x，y)的運(yùn)算公式是L(x，y，β)=L(βx，(1-β)y)，k，h，β三者對(duì)二元運(yùn)算模型L(x，y)多參數(shù)運(yùn)算公式是L(x，y，k，h，β)=Φ-1(F-1(L(βF(Φ(x，k)，h)，(1-β)F(Φ(y，k)，h)，h)，k)。

誤差系數(shù)是不確定性推理密碼串中的第1位密碼，確定k數(shù)值的公式是：k=N(k，k)。

偏袒系數(shù)是不確定性推理密碼串中的第3位密碼，確定β數(shù)值的公式是：β=T(1，0，0.5，0.5，β)。

組合運(yùn)算模型中的決策閾值e是不確定性推理密碼串中的第4位密碼，確定e數(shù)值的公式是：e=Ce(x，2e-x)。

2 柔性神經(jīng)元的

2.1 柔性神經(jīng)元模型

通過理論證明，基于連續(xù)值邏輯的健全型基模型，可以驗(yàn)證神經(jīng)元信息變換模式與邏輯推理模式有一一對(duì)應(yīng)的關(guān)系[8，9]，連續(xù)值邏輯把M-P神經(jīng)元模型擴(kuò)張為連續(xù)值神經(jīng)元(相當(dāng)于基模型狀態(tài))，然后再引入基于命題真度的不確定性、基于命題之間廣義相關(guān)關(guān)系的不確定性、基于命題真度誤差的不確定性、基于不同權(quán)重的不確定性和基于組合閾值的不確定性等多種不確定性，擴(kuò)張為柔性神經(jīng)元模型(詳細(xì)如圖1所示)。

圖1 柔性神經(jīng)元模型

已知待識(shí)別對(duì)象的實(shí)測(cè)數(shù)據(jù)集合S’={s’i|i=0，1，2，3，…，n}，對(duì)這些數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和知識(shí)挖掘，可獲得對(duì)象可能具有的因素空間關(guān)系網(wǎng)絡(luò)W’={w’i|i=0，1，2，3，…，n}，其中每一個(gè)w’i都是一個(gè)柔性邏輯推理結(jié)點(diǎn)或者柔性信息變換的神經(jīng)元，具有相應(yīng)的類型參數(shù)和不確定性程度參數(shù)來，利用這些可能具有的特性參數(shù)可從算子庫(kù)中獲得精確的計(jì)算結(jié)果S={si|i=0，1，2，3，…，n}。一般情況下S和S’之間一定存在偏差，利用某種算法不斷消除兩者之間的偏差，讓S不斷逼近S’，也就是讓兩個(gè)和 不斷逼近，兩個(gè)和不斷逼近，最后達(dá)到準(zhǔn)確識(shí)別對(duì)象客觀屬性的目的。

在指標(biāo)體系的構(gòu)建方面，選取內(nèi)蒙古井工煤礦的指標(biāo)體系，人機(jī)環(huán)管的方面考慮較多，將煤礦靜態(tài)指標(biāo)、動(dòng)態(tài)指標(biāo)以及歷史事故指標(biāo)納入其中。包含人的因素(學(xué)歷占比、工齡占比、年齡占比、培訓(xùn)率、持證率、井下領(lǐng)導(dǎo)、超員次數(shù)、三違次數(shù)、超時(shí)次數(shù)等9項(xiàng))，環(huán)境因素(氣象風(fēng)險(xiǎn)指數(shù)、水害風(fēng)險(xiǎn)指數(shù)、頂板風(fēng)險(xiǎn)指數(shù)、瓦斯風(fēng)險(xiǎn)指數(shù)、火災(zāi)風(fēng)險(xiǎn)指數(shù)、煤塵風(fēng)險(xiǎn)指數(shù))，管理因素(安全經(jīng)費(fèi)、月產(chǎn)量、標(biāo)準(zhǔn)化等級(jí)、通風(fēng)隱患整改率、地質(zhì)災(zāi)害防治與測(cè)量隱患整改率、采煤隱患整改率、掘進(jìn)隱患整改率、機(jī)電隱患整改率、運(yùn)輸隱患整改率、職業(yè)衛(wèi)生隱患整改率、安全培訓(xùn)和應(yīng)急管理隱患整改率、調(diào)度和地面設(shè)施隱患整改率、月度重大風(fēng)險(xiǎn)檢查、月度標(biāo)準(zhǔn)化自查結(jié)果、井下重點(diǎn)部位隱患排查、行政處罰次數(shù)、是否存在重大違規(guī))，井工礦設(shè)備因素(大型在用設(shè)備檢驗(yàn)合格率、送檢設(shè)備合格率、人員定位系統(tǒng)運(yùn)行狀況、瓦斯監(jiān)控系統(tǒng)運(yùn)行狀況、視頻監(jiān)控系統(tǒng)運(yùn)行狀況、礦壓監(jiān)測(cè)系統(tǒng)運(yùn)行狀況、水文監(jiān)測(cè)系統(tǒng)運(yùn)行狀況、壓風(fēng)系統(tǒng)運(yùn)行狀況、無(wú)軌膠輪車監(jiān)控系統(tǒng)運(yùn)行狀況)，共4類一級(jí)指標(biāo)，40個(gè)二級(jí)指標(biāo)，93個(gè)三級(jí)指標(biāo)[10-15]。

選取內(nèi)蒙古煤礦小魚溝煤礦、呼和烏素煤礦等27家煤礦的20000條歷史數(shù)據(jù)構(gòu)成實(shí)測(cè)數(shù)據(jù)集合S’，指標(biāo)體系指標(biāo)因子關(guān)系網(wǎng)絡(luò)集合W’初始情況隨機(jī)賦值，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練不斷調(diào)整關(guān)系網(wǎng)絡(luò)集合W’，使實(shí)測(cè)數(shù)據(jù)集合S’無(wú)限接近真實(shí)集合S。經(jīng)過多次循環(huán)驗(yàn)證，獲取關(guān)系網(wǎng)絡(luò)集合W，從而獲得每一個(gè)wi，確定每一個(gè)神經(jīng)元的屬性和。

2.2 算法與實(shí)驗(yàn)分析

獲取到每個(gè)神經(jīng)元的屬性值，就可以根據(jù)屬性關(guān)系，利用柔性組合算子模型，選擇合適的算子，本文采用柔性神經(jīng)元算子模型算法。

設(shè)x1，x2，…xn表示輸入變量，β1，β2，…βn表示輸入變量的權(quán)值，h表示輸入變量的廣義相關(guān)系數(shù)，e仍然是組合運(yùn)算中的幺元，c表示運(yùn)算結(jié)果。

G(x1，x2，…xn，h，e，β1，β2，…βn)

{

ifh=1

{c=ite{min(x1，x2，…xn) |β1x1+β2x2+…+βnxnne；e}；}

else ifh=0.75

{c=ite{x1β1x2β2…xnβn/en-1|β1x1+β2x2+…+βnxnne；e}；}

else ifh=0.5

{c=min(1，max(0，β1x1+β2x2+…+βnxn-(n-1)e))；}

else ifh=0

{c=ite{0 |x1，x2，…xne；e}；}

else

{m=(3-4h)/(4h(1-h))；

c=ite{min(e，(max(0，β1x1m+β2x2m+…+βnxnm-(n-1)em))1/m) ite{min(x1，x2，…xn) |β1x1+β2x2+…+βnxn

β1x1+β2x2+…+βnxn>ne；e}|β1x1+β2x2+…+βnxnne；e}；}

Return(c)；

}

構(gòu)建決策樹的匹配過程，其匹配結(jié)果依賴于基于柔性神經(jīng)元所選的推理算子。對(duì)已產(chǎn)生的柔性神經(jīng)元算子模型進(jìn)行匹配的算法如下圖所示。首先對(duì)測(cè)試數(shù)據(jù)進(jìn)行模糊化，得到的模糊數(shù)據(jù)進(jìn)行匹配，匹配過程如圖2所示，最后對(duì)得到的測(cè)試精度進(jìn)行比較研究。

圖2 算法流程圖

通過利用基于20000條歷史數(shù)據(jù)訓(xùn)練獲取的指標(biāo)體系指標(biāo)因子關(guān)系網(wǎng)絡(luò)，利用柔性神經(jīng)元算子模型進(jìn)行測(cè)試分類，并與傳統(tǒng)的分類算法SVM(基于內(nèi)核函數(shù)的無(wú)監(jiān)督學(xué)習(xí)算法)，KNN(最近鄰分類算法)，ANN(人工神經(jīng)網(wǎng)絡(luò)算法)和貝葉斯算法(概率統(tǒng)計(jì)知識(shí)分類算法)比較，如圖3所示。

圖3 各類算法分類比較圖

通過上述數(shù)據(jù)模擬訓(xùn)練可知，根據(jù)小魚溝煤礦、呼和烏素煤礦等27家煤礦的實(shí)際生產(chǎn)的指標(biāo)體系，進(jìn)行多次算法模型計(jì)算，得出煤礦風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果。柔性神經(jīng)元算子在風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率上具有較大的優(yōu)勢(shì)，柔性神經(jīng)元法準(zhǔn)確率高出其他算法將近20個(gè)百分點(diǎn)。結(jié)合專家對(duì)上述煤礦的風(fēng)險(xiǎn)信息解讀風(fēng)險(xiǎn)權(quán)重影響因子及本模型風(fēng)險(xiǎn)研判的極高風(fēng)險(xiǎn)因素占比，該模型算法得出結(jié)果與專家評(píng)價(jià)具有較好的一致性。

3 實(shí)例研究

為保證該模型的實(shí)用、好用、管用，實(shí)現(xiàn)對(duì)煤礦安全風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)預(yù)警。同步開發(fā)一套煤礦風(fēng)險(xiǎn)預(yù)警與防控系統(tǒng)，將上述訓(xùn)練優(yōu)化后的柔性算法模型，打包嵌入至該系統(tǒng)中。系統(tǒng)部署在煤礦端，每天定時(shí)調(diào)用柔性模型算法包，對(duì)煤礦進(jìn)行綜合風(fēng)險(xiǎn)實(shí)時(shí)巡查。通過該柔性算法模型的計(jì)算，可給出煤礦風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系中四個(gè)一級(jí)指標(biāo)的得分情況以及84個(gè)三級(jí)指標(biāo)的權(quán)重及得分情況。當(dāng)前煤礦實(shí)時(shí)風(fēng)險(xiǎn)分布及災(zāi)害信息?？擅迕旱V井下風(fēng)險(xiǎn)，知悉風(fēng)險(xiǎn)趨勢(shì)。以小魚溝煤礦風(fēng)險(xiǎn)預(yù)警系統(tǒng)為例：通過調(diào)用柔性指標(biāo)模型，實(shí)現(xiàn)對(duì)煤礦的風(fēng)險(xiǎn)研判。

通過柔性模型研判結(jié)果可知，當(dāng)前煤礦綜合風(fēng)險(xiǎn)得分為74.86分，其中，煤塵風(fēng)險(xiǎn)、火災(zāi)風(fēng)險(xiǎn)、水害風(fēng)險(xiǎn)處于極高和較高風(fēng)險(xiǎn)的狀態(tài)。系統(tǒng)根據(jù)模型打分結(jié)果，結(jié)合煤礦安全監(jiān)控系統(tǒng)、束管監(jiān)測(cè)系統(tǒng)、水文地質(zhì)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)，發(fā)現(xiàn)當(dāng)前煤礦井下煤塵濃度較高、井下水位/水文異常以及井下上隅角CO濃度超標(biāo)。上述問題均是導(dǎo)致事故發(fā)生的異常風(fēng)險(xiǎn)點(diǎn)。柔性模型根據(jù)上述因子之間的風(fēng)險(xiǎn)程度關(guān)系和各類指標(biāo)之間的相關(guān)聯(lián)因素，給出不同風(fēng)險(xiǎn)因子的權(quán)重。上述各類風(fēng)險(xiǎn)信息等級(jí)，通過與煤礦總工程師、安全生產(chǎn)專員溝通后，認(rèn)為柔性風(fēng)險(xiǎn)分析模型結(jié)果與煤礦當(dāng)前面臨的風(fēng)險(xiǎn)結(jié)果一致，該模型可實(shí)現(xiàn)對(duì)煤礦風(fēng)險(xiǎn)的實(shí)時(shí)預(yù)警，研判結(jié)果可靠。

4 結(jié) 論

柔性神經(jīng)元網(wǎng)絡(luò)有效的規(guī)避了模糊邏輯運(yùn)算的最大最小剛性原則，通過考慮參數(shù)(屬性)之間客觀上存在的廣義相關(guān)性及交互信息等信息，提供了一個(gè)選擇匹配算子的準(zhǔn)則。通過建立的基于柔性神經(jīng)網(wǎng)絡(luò)模型，指標(biāo)體系相關(guān)數(shù)據(jù)的檢驗(yàn)分析表明，基于柔性神經(jīng)元網(wǎng)絡(luò)的決策樹風(fēng)險(xiǎn)預(yù)警模型算法，能夠較充分的反應(yīng)煤礦企業(yè)安全風(fēng)險(xiǎn)，分類效果顯著，有助于企業(yè)安全風(fēng)險(xiǎn)的預(yù)測(cè)預(yù)警能力率。對(duì)于煤礦安全風(fēng)險(xiǎn)預(yù)警分析模型需要說明幾點(diǎn)：

1)基于柔性神經(jīng)元的煤礦安全風(fēng)險(xiǎn)預(yù)警模型應(yīng)用到內(nèi)蒙古小魚溝煤礦，目前已經(jīng)運(yùn)行半年時(shí)間，系統(tǒng)模型研判結(jié)果與煤礦識(shí)別風(fēng)險(xiǎn)結(jié)果基本保持一致。該算法有一定的應(yīng)用價(jià)值，為煤礦安全生產(chǎn)預(yù)警和決策提供重要的理論依據(jù)。

2)煤礦安全風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建，是一個(gè)長(zhǎng)期的過程，需要充分結(jié)合煤礦安全生產(chǎn)業(yè)務(wù)系統(tǒng)中所涉及的關(guān)鍵指標(biāo)，同時(shí)需要充分考慮指標(biāo)體系的數(shù)據(jù)可獲得性，根據(jù)煤礦的特點(diǎn)，逐步優(yōu)化指標(biāo)體系、逐步訓(xùn)練優(yōu)化分析模型，充分與煤礦安全管理人員進(jìn)行模型風(fēng)險(xiǎn)辨識(shí)校對(duì)，最終實(shí)現(xiàn)模型的落地應(yīng)用。

3)在今后的研究中，將不斷的優(yōu)化指標(biāo)模型，通過獲取不同礦山數(shù)據(jù)，逐步完善風(fēng)險(xiǎn)預(yù)警模型，最終形成模型適用條件、適用場(chǎng)景以及適用煤礦，逐步積累，形成一礦一策的預(yù)警模型。