基于粗糙集和改進(jìn)膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)管理方法

蘇淑嫻，歐陽(yáng)名三

(1.安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232001；2.安徽理工大學(xué) 深部煤礦采動(dòng)響應(yīng)與災(zāi)害防控國(guó)家重點(diǎn)實(shí)驗(yàn)室，安徽 淮南 232001)

0 引 言

礦井通風(fēng)過(guò)程中存在漏風(fēng)、風(fēng)流短路、無(wú)風(fēng)死角等眾多通風(fēng)安全隱患，嚴(yán)重影響礦井通風(fēng)系統(tǒng)的穩(wěn)定性，礦井智能通風(fēng)管理系統(tǒng)是保障礦井安全生產(chǎn)、保護(hù)井下作業(yè)人員生命安全的重要舉措[1]。通風(fēng)系統(tǒng)的穩(wěn)定與否關(guān)系到整個(gè)礦井的安危，對(duì)通風(fēng)系統(tǒng)的嚴(yán)格管理是完善、優(yōu)化通風(fēng)系統(tǒng)的有效方法，因此，礦井通風(fēng)系統(tǒng)的管理工作顯得尤為重要[2]。

文獻(xiàn)[3-4]提出在系統(tǒng)硬件層次進(jìn)行改進(jìn)，以提升煤礦通風(fēng)系統(tǒng)的穩(wěn)定性。這些方法通過(guò)數(shù)值的偏差進(jìn)行參數(shù)整定，智能化水平偏低。林琳等[5]提出基于粗糙集神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷模型，通過(guò)粗糙集算法生成決策表，進(jìn)而根據(jù)決策表構(gòu)建徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的故障模型。李建等[6]提出粗糙集和神經(jīng)網(wǎng)絡(luò)相結(jié)合的鉆井安全評(píng)價(jià)模型。董春游等[7]將G-K評(píng)價(jià)策略與粗糙集結(jié)合使用，建立煤與瓦斯突出分類(lèi)知識(shí)表達(dá)系統(tǒng)。以上系統(tǒng)通過(guò)粗糙集與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)合使用，取得了一定的效果，但井下通風(fēng)環(huán)境復(fù)雜，其動(dòng)態(tài)性、復(fù)雜性和不確定性逐漸增加，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)架構(gòu)在數(shù)據(jù)融合方面忽略了時(shí)間、空間上的煤礦通風(fēng)環(huán)境特征[8]，在礦井通風(fēng)災(zāi)害事故預(yù)測(cè)方面還存在不足。

基于動(dòng)態(tài)路由的膠囊網(wǎng)絡(luò)是近年來(lái)新提出的神經(jīng)網(wǎng)絡(luò)模型，被認(rèn)為是可能成為下一代重要的神經(jīng)網(wǎng)絡(luò)模型[9]。膠囊網(wǎng)絡(luò)中膠囊是一組用于表現(xiàn)實(shí)物不同特征的神經(jīng)元集合，可以很好地表現(xiàn)不同特征的位置關(guān)系[10]，因此，采用膠囊網(wǎng)絡(luò)用于井下通風(fēng)環(huán)境異常特征提取。煤礦信息冗余和繁瑣[11]，粗糙集理論具有無(wú)需先驗(yàn)知識(shí)，可以有效降低系統(tǒng)信息復(fù)雜程度[12]，能夠很好地去除數(shù)據(jù)的冗余和噪聲因素[13]。但是粗糙集自身容錯(cuò)能力不強(qiáng)，在某些條件下精度難以滿(mǎn)足系統(tǒng)需求，同膠囊網(wǎng)絡(luò)的組合使用，可以有效彌補(bǔ)非線(xiàn)性映射關(guān)系中精度差的問(wèn)題[14-15]。因此，集成粗糙集和膠囊網(wǎng)絡(luò)2種方法，可以構(gòu)建收斂速度快、可靠性高、結(jié)構(gòu)穩(wěn)定的煤礦通風(fēng)管理系統(tǒng)。

筆者通過(guò)構(gòu)建基于粗糙集的屬性約簡(jiǎn)模型與基于改進(jìn)膠囊網(wǎng)絡(luò)礦井通風(fēng)環(huán)境決策模型，設(shè)計(jì)了一種基于粗糙集和改進(jìn)膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)系統(tǒng)。該系統(tǒng)具有多源信息感知、多網(wǎng)絡(luò)傳輸、智能監(jiān)控與決策等功能，解決了煤礦通風(fēng)環(huán)境信息采集困難，應(yīng)急決策水平低、智能調(diào)控水平低等問(wèn)題，對(duì)保障礦井通風(fēng)系統(tǒng)安全穩(wěn)定具有重要意義。

1 通風(fēng)管理系統(tǒng)建立

基于粗糙集和改進(jìn)膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)管理系統(tǒng)分為數(shù)據(jù)感知層、模型描述層、數(shù)據(jù)傳輸層、智慧決策層，如圖1所示。

1.1 信息采集網(wǎng)絡(luò)層

信息采集網(wǎng)絡(luò)層由分布在礦井各工作面的負(fù)責(zé)采集礦井通風(fēng)環(huán)境信息、通風(fēng)設(shè)施工作狀態(tài)信息的各傳感器感知節(jié)點(diǎn)組成。感知節(jié)點(diǎn)負(fù)責(zé)動(dòng)態(tài)感知礦井甲烷濃度、一氧化碳濃度、二氧化碳濃度、氧氣濃度、礦塵濃度、風(fēng)速、風(fēng)壓、溫度、濕度、風(fēng)門(mén)狀態(tài)、局部通風(fēng)機(jī)開(kāi)停、主通風(fēng)機(jī)開(kāi)停等環(huán)境參數(shù)，作為原始數(shù)據(jù)輸入到礦井通風(fēng)環(huán)境預(yù)測(cè)模型中。同時(shí)將數(shù)據(jù)分為2類(lèi)，一類(lèi)以礦井溫濕度等為代表的礦井通風(fēng)環(huán)境信息，一類(lèi)以風(fēng)門(mén)狀態(tài)為代表的礦井通風(fēng)設(shè)施。各參數(shù)采集并非獨(dú)立，各類(lèi)采集數(shù)據(jù)之間具有關(guān)聯(lián)、耦合關(guān)系。將各類(lèi)采集信息通過(guò)卷積算法處理，構(gòu)成向量膠囊神經(jīng)元組，通過(guò)動(dòng)態(tài)路由的算法，膠囊間進(jìn)行信息傳遞，構(gòu)建礦井區(qū)域膠囊神經(jīng)網(wǎng)絡(luò)，對(duì)此區(qū)域進(jìn)行信息采集，全面、高效的感知礦井通風(fēng)環(huán)境信息，為下一層礦井通風(fēng)安全預(yù)測(cè)提供數(shù)據(jù)支持。

1.2 數(shù)據(jù)傳輸層

網(wǎng)絡(luò)傳輸層采用無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(Wireless sensor network，WSN)配合現(xiàn)有有線(xiàn)感知網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)煤礦井下數(shù)據(jù)可靠傳輸。通過(guò)配置路由器，網(wǎng)關(guān)來(lái)實(shí)現(xiàn)煤礦井下通風(fēng)數(shù)據(jù)多種方式上傳至監(jiān)控平臺(tái)的目的，具體原理如圖2所示。

1.3 模型描述層

模型描述層是系統(tǒng)的核心，通過(guò)設(shè)計(jì)基于粗糙集與改進(jìn)膠囊神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)環(huán)境安全評(píng)價(jià)模型，提出解決礦井智能化調(diào)風(fēng)的新思路。

圖1 基于粗糙集和改進(jìn)膠囊網(wǎng)絡(luò)的礦井智能通風(fēng)管理系統(tǒng)體系結(jié)構(gòu)Fig.1 Mine intelligent ventilation management system architecture based on rough set and improved capsule network

1)將采集到的礦井通風(fēng)環(huán)境信息和專(zhuān)家系統(tǒng)進(jìn)行特征提取，形成決策表。

2)知識(shí)的獲?。豪么植诩碚搶?duì)原始信息進(jìn)行屬性約簡(jiǎn)，剔除冗余的屬性，并在生成的最小屬性中提取規(guī)則作為外部知識(shí)庫(kù)。

3)訓(xùn)練神經(jīng)網(wǎng)絡(luò)：設(shè)置合適的神經(jīng)網(wǎng)絡(luò)參數(shù)，然后對(duì)外部知識(shí)庫(kù)中的知識(shí)進(jìn)行訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。

4)礦井通風(fēng)安全評(píng)價(jià)：通過(guò)操作人員輸入狀態(tài)信息或者系統(tǒng)自動(dòng)獲取信號(hào)，傳給訓(xùn)練好的推理機(jī)(訓(xùn)練好的神經(jīng)網(wǎng)絡(luò))，將計(jì)算結(jié)果反饋給用戶(hù)或者通風(fēng)設(shè)備控制系統(tǒng)，如圖3所示。

1.4 決策層

決策層是通過(guò)基于粗糙集與膠囊網(wǎng)絡(luò)煤礦通風(fēng)環(huán)境智慧決策模型，對(duì)煤礦一段時(shí)間內(nèi)的各區(qū)域通風(fēng)狀態(tài)進(jìn)行決策，并將統(tǒng)計(jì)結(jié)果以圖表的形式進(jìn)行分析，方便安全管理人員進(jìn)行分析與判斷。設(shè)計(jì)通風(fēng)安全決策模型，通過(guò)膠囊網(wǎng)絡(luò)進(jìn)行井下通風(fēng)環(huán)境數(shù)據(jù)特征提取，由動(dòng)態(tài)路由算法得到高級(jí)膠囊，最終通過(guò)全連接層對(duì)礦井通風(fēng)安全狀態(tài)進(jìn)行分類(lèi)，決策。同時(shí)，服務(wù)器綜合一段時(shí)間內(nèi)的煤礦安全等級(jí)評(píng)價(jià)數(shù)據(jù)，采用數(shù)據(jù)決策統(tǒng)計(jì)圖的方式，簡(jiǎn)明動(dòng)態(tài)反映出礦井通風(fēng)安全狀態(tài)的變化趨勢(shì)與異常狀態(tài)。后臺(tái)通過(guò)統(tǒng)計(jì)整理，生成特定格式的決策分析簡(jiǎn)報(bào)，以供礦井安全人員查閱與參考。智慧決策層結(jié)構(gòu)如圖4所示。

2 基于粗糙集的信息約簡(jiǎn)模型

2.1 粗糙集基本理論

影響礦井通風(fēng)環(huán)境安全的指標(biāo)體系是復(fù)雜的灰色系統(tǒng)，冗余的指標(biāo)信息輸入不僅加重了預(yù)測(cè)模型的負(fù)擔(dān)，而且降低了模型的泛化能力。引入粗糙集理論，預(yù)先對(duì)復(fù)雜的指標(biāo)體系進(jìn)行約簡(jiǎn)，在不需要任何先驗(yàn)知識(shí)的前提下刪減一些無(wú)用因素，以實(shí)現(xiàn)對(duì)預(yù)測(cè)模型輸入變量的優(yōu)化。煤礦通風(fēng)環(huán)境指標(biāo)體系見(jiàn)表1，基于粗糙集理論預(yù)測(cè)指標(biāo)的優(yōu)化約簡(jiǎn)及其權(quán)重的確定分為以下4個(gè)步驟。

1)構(gòu)造決策表。

圖3 模型描述層結(jié)構(gòu)Fig.3 Structure of model description layer

圖4 智慧決策層結(jié)構(gòu)Fig.4 Structure of intelligent decision layer

T=(U,A,V,E)

(1)

其中：U為在煤礦收集的通風(fēng)環(huán)境樣本數(shù)據(jù)，稱(chēng)作論域；A=C∨D為通風(fēng)環(huán)境指標(biāo)屬性全集，它由甲烷濃度、一氧化碳濃度等條件屬性集與評(píng)判通風(fēng)安全等級(jí)的決策屬性集組成，并且C∨D=?；V為屬性值集合，V=Uq∈AVq；Vq為各通風(fēng)環(huán)境指標(biāo)屬性q的值集，也稱(chēng)為通風(fēng)環(huán)境指標(biāo)屬性q的值域；E為U×A→V的一個(gè)信息函數(shù)，它為每個(gè)對(duì)象的每個(gè)屬性q賦予一個(gè)屬性值。

2)計(jì)算決策表中條件屬性等價(jià)類(lèi)關(guān)系集合ind(B)(B?A)。等價(jià)關(guān)系對(duì)U進(jìn)行劃分，用U/ind(B)={M1,M2,...,Mn}表示，其中Mi表示不同的等價(jià)類(lèi)，在ind(B)下與X不可分的所有對(duì)象構(gòu)成一個(gè)等價(jià)類(lèi)可記作[M]ind(B)。

表1 通風(fēng)環(huán)境指標(biāo)體系Table 1 Indicator system of ventilation environment

3)根據(jù)式(2)中求出的等價(jià)類(lèi)關(guān)系集合，計(jì)算通風(fēng)環(huán)境各項(xiàng)指標(biāo)的重要程度。在信息系統(tǒng)T=(U,A,V,f)中，以甲烷濃度x1為例，x1∈A的重要性定義為

SA(x1)=|H(A)-H(A-x1)|

(2)

其中:H(A)為所有通風(fēng)安全指標(biāo)屬性組成的集合X的信息熵；H(A-x1)為集合A除去甲烷濃度x1的信息熵。SA(x1)越大表示甲烷濃度x1的重要程度越高。

4)計(jì)算每個(gè)評(píng)價(jià)指標(biāo)的權(quán)重Wk，根據(jù)計(jì)算權(quán)重值來(lái)決定約簡(jiǎn)的通風(fēng)環(huán)境指標(biāo)，數(shù)值越大，表示該指標(biāo)對(duì)整個(gè)系統(tǒng)影響越大，約簡(jiǎn)后信息損失也越多。當(dāng)指標(biāo)權(quán)重為0時(shí)，該通風(fēng)環(huán)境指標(biāo)對(duì)整個(gè)系統(tǒng)幾乎沒(méi)有影響，應(yīng)該被約簡(jiǎn)掉。

2.2 連續(xù)屬性離散

粗糙集屬性約簡(jiǎn)的前提是對(duì)連續(xù)屬性的離散化，在此基礎(chǔ)上對(duì)系統(tǒng)進(jìn)行優(yōu)化約簡(jiǎn)，將屬性空間或值域空間劃分為盡可能少的空間，從而消除影響因素之間的共線(xiàn)性，提高預(yù)測(cè)屬性的高效性、簡(jiǎn)便性。

選取等距離散化的策略，對(duì)每組屬性進(jìn)行等距離劃分，具體步驟如下：①劃定每組屬性的取值范圍，確定最大值xmax和最小值xmin；②設(shè)定劃分區(qū)間數(shù)量n，取5；③計(jì)算區(qū)間步長(zhǎng)d=(xmax+xmin)/n；④計(jì)算區(qū)間劃分點(diǎn)的臨界值，即b0=xmin，b1=xmin+d,…,bn=xmax。

判斷每組屬性屬于哪個(gè)區(qū)間，確定離散化的信息表屬性值m，當(dāng)bk-1≤x≤bk，m=k，k=1,2,…,n，特殊地，當(dāng)x=bn，m=n。

2.3 煤礦通風(fēng)安全決策模型建立

首先通過(guò)上文提到的數(shù)據(jù)約簡(jiǎn)方法對(duì)收集原始數(shù)據(jù)樣本進(jìn)行質(zhì)量檢驗(yàn)與屬性約簡(jiǎn)，將約簡(jiǎn)的數(shù)據(jù)作為膠囊網(wǎng)絡(luò)的訓(xùn)練樣本進(jìn)行訓(xùn)練學(xué)習(xí)，最后得出煤礦通風(fēng)系統(tǒng)安全決策結(jié)果，其模型結(jié)構(gòu)如圖5所示。

圖5 粗糙集-膠囊網(wǎng)絡(luò)煤礦通風(fēng)安全決策模型Fig.5 Rough set-capsule network coal mine ventilation safety decision model

3 改進(jìn)膠囊網(wǎng)絡(luò)模型建立及算法

3.1 感知膠囊模型結(jié)構(gòu)

以進(jìn)風(fēng)巷、回風(fēng)巷、采區(qū)工作面為例，構(gòu)建設(shè)備狀態(tài)膠囊和通風(fēng)環(huán)境感知膠囊模型，組成礦井通風(fēng)區(qū)域膠囊網(wǎng)絡(luò)，實(shí)現(xiàn)通風(fēng)環(huán)境、設(shè)備、信息等要素相互映射、適當(dāng)交互、高效協(xié)同的目標(biāo)。其中環(huán)境與設(shè)備感知膠囊模型結(jié)構(gòu)如圖6所示。設(shè)備狀態(tài)感知膠囊感知設(shè)備運(yùn)行電氣參數(shù)、設(shè)備運(yùn)行溫度與振動(dòng)、設(shè)備運(yùn)行工況等信息；通風(fēng)環(huán)境感知膠囊感知通風(fēng)巷道風(fēng)速、風(fēng)壓、煙霧、礦塵、瓦斯、溫度等信息。

針對(duì)通風(fēng)管理系統(tǒng)特性，首先，采用深度特征提取的方式，繼續(xù)使用池化操作，有選擇地保留主要特征，提高模型的性能，在主膠囊層實(shí)現(xiàn)標(biāo)量神經(jīng)元到向量神經(jīng)元的轉(zhuǎn)換，最后通過(guò)動(dòng)態(tài)路由算法實(shí)現(xiàn)膠囊間的參數(shù)更新，由數(shù)字膠囊得到最終的識(shí)別結(jié)果。由此得到膠囊網(wǎng)絡(luò)模型結(jié)構(gòu)如圖7所示，其中，Conv3-128表示128個(gè)3×3的卷積核。

圖6 感知膠囊元模型Fig.6 Perception capsule metamodel

圖7 膠囊網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Structure diagram of capsule network

為減少網(wǎng)絡(luò)參數(shù)的數(shù)量，提高訓(xùn)練速度，采用大量3×3的小卷積核進(jìn)行堆疊，穩(wěn)步增加網(wǎng)絡(luò)深度，用更少的參數(shù)實(shí)現(xiàn)與大卷積核相同的感受野。同時(shí)，訓(xùn)練時(shí)，輸入數(shù)據(jù)調(diào)整為28×28的灰度圖，激活函數(shù)選取ReLU函數(shù)，采用平均池化方法對(duì)數(shù)據(jù)進(jìn)行降維，得到14×14×256的特征圖。引入池化層對(duì)數(shù)據(jù)進(jìn)行降維處理，有選擇地保留主要特征，來(lái)提升模型快速收斂的性能。

3.2 改進(jìn)膠囊網(wǎng)絡(luò)算法步驟

1)由于Conv1層的輸入為二維數(shù)據(jù)，將離散化屬性值作為輸入變量，構(gòu)建能夠表示煤礦通風(fēng)狀態(tài)的矩陣P。

(3)

其中每個(gè)元素代表一個(gè)評(píng)價(jià)煤礦通風(fēng)環(huán)境的屬性值，對(duì)他們進(jìn)行編號(hào)，xα,β為矩陣中第α行、第β列的屬性值。采用3×3卷積核對(duì)數(shù)據(jù)進(jìn)行特征提取，輸出卷積值yα,β可以表示為

(4)

式中：f為線(xiàn)性激活函數(shù);ωα,β為處理第α行、第β列數(shù)據(jù)的權(quán)重，所有的ωα,β構(gòu)成了3×3的卷積核；bm為偏移量。

2)將獲取的yi,j進(jìn)行最大池化操作,步長(zhǎng)為2，以獲得更小的參數(shù)網(wǎng)格，減少計(jì)算維度。

3)進(jìn)行數(shù)據(jù)深度特征的提取，重復(fù)步驟1三次，獲得14×14×256的特征圖。

4)使用卷積得到的T個(gè)特征圖重構(gòu)成N(N

5)低層的膠囊通過(guò)動(dòng)態(tài)路由，連接到高一層的膠囊如圖8所示。

圖8 膠囊神經(jīng)元向量示意Fig.8 Vector diagram of capsule neurons

(5)

(6)

(7)

6)全連接層DigitCaps層進(jìn)行處理，將最后一層膠囊輸出向量進(jìn)行匹配，DigitCaps層中每個(gè)膠囊的輸出向量長(zhǎng)度，表示該實(shí)體出現(xiàn)的概率。

3.3 算法仿真與分析

模型中訓(xùn)練用到的數(shù)據(jù)集為煤礦實(shí)際數(shù)據(jù)。該數(shù)據(jù)集由10 000張樣本組成，每個(gè)樣本包含30個(gè)通風(fēng)環(huán)境異常數(shù)據(jù)。本次模型訓(xùn)練測(cè)試采用樣本數(shù)據(jù)集，網(wǎng)絡(luò)訓(xùn)練參數(shù)定義，每批128個(gè)，路由更新迭代次數(shù)4次，一階矩修正指數(shù)為0.9，二階矩修正指數(shù)為0.98，穩(wěn)定常數(shù)為10-8，迭代50次。

硬件環(huán)境：Inter i7,GTX 1060 6G,32G內(nèi)存。軟件環(huán)境：Win10,Python3.6.5,CUDA-9.2，Tensor Flow-GPU 1.11.0。

通過(guò)未使用神經(jīng)網(wǎng)絡(luò)、使用普通的膠囊網(wǎng)絡(luò)和改進(jìn)的膠囊網(wǎng)絡(luò)3種不同數(shù)據(jù)處理方式比較，得出各網(wǎng)絡(luò)模型數(shù)據(jù)處理性能的優(yōu)劣，對(duì)比結(jié)果見(jiàn)表2。其中：準(zhǔn)確率=準(zhǔn)確煤礦通風(fēng)安全決策數(shù)據(jù)條數(shù)/實(shí)際處理的數(shù)據(jù)條數(shù)。訓(xùn)練時(shí)間為處理全部測(cè)試數(shù)據(jù)用時(shí)。從表2可以看出，由這3種處理數(shù)據(jù)的方式得到的準(zhǔn)確率分別為75.3%、85.6%、90.1%。盡管改進(jìn)膠囊網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，會(huì)增加一定的計(jì)算量，但礦井通風(fēng)決策準(zhǔn)確率得到了明顯的提升。

表2 各網(wǎng)絡(luò)模型數(shù)據(jù)處理性能對(duì)比Table 2 Comparison of data processing performance of each network model

4 試驗(yàn)仿真及分析

樣本數(shù)據(jù)來(lái)源于某煤礦井下通風(fēng)環(huán)境數(shù)據(jù)統(tǒng)計(jì)的信息。將統(tǒng)計(jì)數(shù)據(jù)輸入到系統(tǒng)中，觀察試驗(yàn)效果，來(lái)驗(yàn)證文中提出的基于粗糙集和膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)管理系統(tǒng)的實(shí)時(shí)性與可靠性。部分采集樣本數(shù)據(jù)見(jiàn)表3。

表3中列舉有關(guān)10種通風(fēng)環(huán)境指標(biāo)因素，然而這些因素并不一定對(duì)煤礦通風(fēng)安全有直接影響，因此通過(guò)粗糙集約簡(jiǎn)來(lái)對(duì)這些通風(fēng)環(huán)境影響指標(biāo)進(jìn)行約簡(jiǎn)，得到對(duì)通風(fēng)安全有直接影響的數(shù)據(jù)，然后根據(jù)這些數(shù)據(jù)對(duì)煤礦通風(fēng)安全進(jìn)行預(yù)測(cè)。

1)粗糙集約簡(jiǎn)。首先，采用等距離散化的方法對(duì)數(shù)據(jù)進(jìn)行離散化處理，獲取離散化之后的信息表；通過(guò)計(jì)算影響通風(fēng)安全指標(biāo)的重要程度來(lái)進(jìn)行條件屬性約簡(jiǎn)，得到的約簡(jiǎn)屬性結(jié)果是{x1，x5，x6，x8，x9，x10}，即影響煤礦通風(fēng)安全的主要因素是甲烷濃度、風(fēng)速、風(fēng)壓、通風(fēng)機(jī)穩(wěn)定性和通風(fēng)機(jī)綜合效率。粗糙集理論的約簡(jiǎn)結(jié)果見(jiàn)表4。

2)粗糙集膠囊神經(jīng)網(wǎng)絡(luò)的試驗(yàn)結(jié)果。用約簡(jiǎn)的煤礦通風(fēng)安全決策表作為膠囊網(wǎng)絡(luò)的學(xué)習(xí)樣本進(jìn)行訓(xùn)練。膠囊網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置：卷積核大小設(shè)計(jì)為9×9起始層卷積核數(shù)量設(shè)計(jì)為128個(gè)，步長(zhǎng)為1。

表3 煤礦通風(fēng)環(huán)境樣本數(shù)據(jù)Table 3 Sample data of ventilation environment in coal mine

表4 屬性約簡(jiǎn)后的煤礦通風(fēng)環(huán)境安全決策Table 4 Coal mine ventilation environment safety decision after attribute reduction

選取10組數(shù)據(jù)樣本經(jīng)過(guò)約簡(jiǎn)后作為測(cè)試樣本，輸入到已經(jīng)訓(xùn)練好的膠囊網(wǎng)絡(luò)中進(jìn)行測(cè)試，試驗(yàn)結(jié)果與期望輸出之間的誤差曲線(xiàn)如圖9所示。

圖9 粗糙集神經(jīng)網(wǎng)絡(luò)誤差曲線(xiàn)Fig.9 Error curve of neural network of rough set

利用未經(jīng)粗糙集理論約簡(jiǎn)過(guò)的樣本作為訓(xùn)練樣本與測(cè)試樣本，在膠囊網(wǎng)絡(luò)結(jié)構(gòu)相同的情況下，試驗(yàn)結(jié)果與期望輸出之間的誤差曲線(xiàn)如圖10所示。

圖10 膠囊神經(jīng)網(wǎng)絡(luò)誤差曲線(xiàn)Fig.10 Error curve of capsule neural network

3)與其他方法預(yù)測(cè)對(duì)比。試驗(yàn)中將數(shù)據(jù)輸入到基于粗糙集數(shù)據(jù)約簡(jiǎn)模型中，對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)，經(jīng)離散化輸出，作為模型的輸入，經(jīng)過(guò)該算法后，得出安全評(píng)估值。

為比較決策準(zhǔn)確率，采用文獻(xiàn)[5]提出的方法與筆者提出的方法相比較，在相同時(shí)間內(nèi)的精確率、召回率、F值見(jiàn)表5。召回率=準(zhǔn)確煤礦通風(fēng)安全決策數(shù)據(jù)條數(shù)/全部初始數(shù)據(jù)條數(shù)；F=(2×準(zhǔn)確率×召回率)/(準(zhǔn)確率+召回率)。

從表5的試驗(yàn)對(duì)比可以得出，提出的方法相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確率、召回率和F值上分別提高了4.4%、8%和6.4%，識(shí)別準(zhǔn)確率取得了較大的提升。

表5 相同條件下2種方法準(zhǔn)確率和召回率的對(duì)比結(jié)果Table 5 Comparison results of accuracy and recall rate of two methods under same conditions

5 結(jié) 論

1)提出基于粗糙集和改進(jìn)膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)管理方法，采用粗糙集算法構(gòu)建通風(fēng)環(huán)境數(shù)據(jù)約簡(jiǎn)模型，將約簡(jiǎn)后的數(shù)據(jù)作為膠囊網(wǎng)絡(luò)的輸入，應(yīng)用于煤礦通風(fēng)安全狀態(tài)的預(yù)測(cè)。

2)采用粗糙集理論進(jìn)行數(shù)據(jù)約簡(jiǎn)，徹底去除了冗余的屬性和數(shù)據(jù)，在簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)，也提高了預(yù)測(cè)精度。

3)相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，基于粗糙集和改進(jìn)膠囊網(wǎng)絡(luò)預(yù)測(cè)方法誤差更小，預(yù)測(cè)效果更好。通過(guò)仿真結(jié)果對(duì)比可知，該方法使其在決策的準(zhǔn)確率、召回率和F值上分別有較大提高，能有效地提高煤礦通風(fēng)安全決策水平，也為智能化決策提供依據(jù)。