基于知識(shí)圖譜的煤礦安全風(fēng)險(xiǎn)管控方法

中圖分類號(hào)：TD79 文獻(xiàn)標(biāo)志碼：A

Abstract：Addressing the challenges of multi-source data fusion and poor real-time early warning capabilities in traditional coal mine safety risk monitoring methods，which result inunsatisfactory performance in real-time risk warning and dynamic response，this paper proposes a coal mine safety risk management method based on knowledge graph.The construction of the coal minesafety risk management knowledge graph included key processs suchas riskknowledge acquisition，dynamic hazard extraction，anddynamic risk management.Risk knowledge acquisition：Potential risks were identified through various standardized methods.A structured ontology model was built using languages such as OWL，and risk point instances and their atributes were entered into theenterprise risk knowledge graph to form asemantic network，laying a foundation for inteligent risk assessment and precise management.Dynamic hazard extraction：Multimodal data collected from different data sources were associated inreal time with risk pointinstances inthe knowledge graph，andthe statusofrisk points wasupdatedaccording topresetalgorithmsandrules.Dynamicrisk management：Foridentified hazards，instant inferencewasrealized through reasoning rules writen in Semantic Web Rule Language （SWRL）.Practical application results showed that thismethodcould accuratelyand rapidlyidentify potential hazardsin the production environment，effectively enhancing risk identificationand early warning capabilities，and providing

systematic support for coal mine safety management.

Key words： coal mine safety risk management; knowledge graph; multi-source data fusion; risk knowledge acquisition; dynamic hazard extraction; dynamic risk management

0引言

煤礦安全領(lǐng)域的數(shù)據(jù)來(lái)源廣泛，包括規(guī)程文本、設(shè)備日志、傳感器監(jiān)測(cè)數(shù)據(jù)、歷史事故案例、實(shí)時(shí)視頻監(jiān)控及專家報(bào)告等類型，構(gòu)成了極為復(fù)雜的多源異構(gòu)數(shù)據(jù)環(huán)境。如何高效整合與利用這些海量且繁雜的數(shù)據(jù)，成為提升煤礦安全管理水平的關(guān)鍵挑戰(zhàn)[1]。知識(shí)圖譜能夠?qū)Χ嘣磾?shù)據(jù)進(jìn)行深度語(yǔ)義整合，并通過深度挖掘數(shù)據(jù)間潛藏的聯(lián)系，為智能決策提供支撐。因此，將知識(shí)圖譜應(yīng)用于煤礦安全風(fēng)險(xiǎn)管控具有重要意義。

王道元等2提出了一種基于粒子群算法和卷積神經(jīng)網(wǎng)絡(luò)的煤礦安全風(fēng)險(xiǎn)智能分級(jí)管控與信息預(yù)警系統(tǒng)，實(shí)現(xiàn)了對(duì)安全隱患的及時(shí)預(yù)警。陳小林等[3]提出了基于風(fēng)險(xiǎn)管控的煤礦安全綜合防控體系，通過風(fēng)險(xiǎn)辨識(shí)、動(dòng)態(tài)監(jiān)測(cè)、隱患閉環(huán)管理及多系統(tǒng)協(xié)同聯(lián)動(dòng)，一定程度上實(shí)現(xiàn)了對(duì)煤礦生產(chǎn)全過程的風(fēng)險(xiǎn)管控。李爽等[4提出了通過煤礦智能雙重預(yù)防機(jī)制管控安全風(fēng)險(xiǎn)的方法，實(shí)現(xiàn)了對(duì)風(fēng)險(xiǎn)的動(dòng)態(tài)評(píng)估、預(yù)測(cè)預(yù)警。然而，上述方法難以充分挖掘多源異構(gòu)數(shù)據(jù)中的隱含關(guān)系和深層次語(yǔ)義信息，無(wú)法有效整合這些數(shù)據(jù)，在實(shí)時(shí)風(fēng)險(xiǎn)預(yù)警和動(dòng)態(tài)響應(yīng)方面表現(xiàn)欠佳。針對(duì)上述問題，提出一種基于知識(shí)圖譜的煤礦安全風(fēng)險(xiǎn)管控方法。構(gòu)建煤礦安全知識(shí)圖譜的本體模型，借助知識(shí)圖譜強(qiáng)大的語(yǔ)義分析與關(guān)聯(lián)推理能力，實(shí)時(shí)識(shí)別潛在風(fēng)險(xiǎn)隱患，并依據(jù)風(fēng)險(xiǎn)等級(jí)及時(shí)發(fā)出預(yù)警。

1煤礦安全風(fēng)險(xiǎn)管控知識(shí)圖譜構(gòu)建

知識(shí)圖譜本質(zhì)上是一種語(yǔ)義網(wǎng)絡(luò)，其以結(jié)構(gòu)化的方式表示知識(shí)，通過節(jié)點(diǎn)和邊表示實(shí)體及其之間的關(guān)系[5]。知識(shí)圖譜的構(gòu)建通過整合多源數(shù)據(jù)，利用知識(shí)抽取手段提取實(shí)體、關(guān)系和屬性等知識(shí)要素，并以圖結(jié)構(gòu)的形式進(jìn)行存儲(chǔ)和展示，實(shí)現(xiàn)對(duì)知識(shí)的高效管理和應(yīng)用[]

煤礦安全風(fēng)險(xiǎn)管控知識(shí)圖譜構(gòu)建框架如圖1所示，包含風(fēng)險(xiǎn)知識(shí)獲取、動(dòng)態(tài)隱患提取、風(fēng)險(xiǎn)動(dòng)態(tài)管控等關(guān)鍵環(huán)節(jié)，旨在通過多源異構(gòu)數(shù)據(jù)的動(dòng)態(tài)監(jiān)測(cè)與精準(zhǔn)風(fēng)險(xiǎn)評(píng)估，提升煤礦安全管理的效率與精確度。該框架的主要目標(biāo)： ① 全要素感知。覆蓋人、設(shè)備、環(huán)境、管理4類風(fēng)險(xiǎn)源，滿足《煤礦安全規(guī)程》對(duì)隱患辨識(shí)的強(qiáng)制性要求。 ② 多粒度映射。通過本體模型將非結(jié)構(gòu)化數(shù)據(jù)（視頻、文本）與傳感器流數(shù)據(jù)統(tǒng)一映射為標(biāo)準(zhǔn)化知識(shí)實(shí)體。 ③ 閉環(huán)化治理。構(gòu)建“風(fēng)險(xiǎn)辨識(shí)一知識(shí)錄入一處置反饋”的動(dòng)態(tài)更新鏈路。

1.1 風(fēng)險(xiǎn)知識(shí)獲取

風(fēng)險(xiǎn)知識(shí)獲取過程中，綜合考量人為因素、設(shè)備因素、環(huán)境因素及管理因素，并借助標(biāo)準(zhǔn)化的評(píng)估方法，生成風(fēng)險(xiǎn)點(diǎn)實(shí)例；依據(jù)煤礦安全領(lǐng)域的標(biāo)準(zhǔn)構(gòu)建煤礦安全風(fēng)險(xiǎn)管控知識(shí)圖譜本體；基于預(yù)先構(gòu)建完成的知識(shí)圖譜本體，將風(fēng)險(xiǎn)點(diǎn)實(shí)例錄人知識(shí)圖譜中，為煤礦安全風(fēng)險(xiǎn)的系統(tǒng)性管理與深入分析提供結(jié)構(gòu)化的知識(shí)基礎(chǔ)。

1.1.1 風(fēng)險(xiǎn)辨識(shí)

風(fēng)險(xiǎn)管控的起始環(huán)節(jié)為風(fēng)險(xiǎn)辨識(shí)。在煤礦安全風(fēng)險(xiǎn)管控知識(shí)圖譜本體模型中，風(fēng)險(xiǎn)點(diǎn)表示煤礦生產(chǎn)中的潛在危險(xiǎn)源，基于致因要素可細(xì)分為人為因素、設(shè)備因素、環(huán)境因素及管理因素等類別。各風(fēng)險(xiǎn)點(diǎn)具備風(fēng)險(xiǎn)等級(jí)、空間位置、活躍時(shí)段等屬性信息。

在實(shí)際的風(fēng)險(xiǎn)辨識(shí)過程中，通常采用標(biāo)準(zhǔn)化評(píng)估方法識(shí)別煤礦生產(chǎn)過程中的潛在風(fēng)險(xiǎn)。例如，HAZOP（危害與可操作性分析）方法通過對(duì)工藝流程中每個(gè)環(huán)節(jié)的系統(tǒng)性分析，識(shí)別可能的危害與操作失誤，進(jìn)而有效發(fā)現(xiàn)安全隱患;LEC（風(fēng)險(xiǎn)矩陣法）[8]通過量化評(píng)估事故發(fā)生的可能性與后果，根據(jù)事故影響的嚴(yán)重性和發(fā)生概率，為每個(gè)風(fēng)險(xiǎn)點(diǎn)賦予風(fēng)險(xiǎn)等級(jí)；JSA（工作安全分析）方法[9專注于作業(yè)環(huán)節(jié)的風(fēng)險(xiǎn)識(shí)別，評(píng)估操作過程中的潛在危險(xiǎn)，并制定相應(yīng)的控制措施，以確保安全作業(yè)。通過以上方法收集風(fēng)險(xiǎn)點(diǎn)實(shí)例，為后續(xù)構(gòu)建煤礦安全風(fēng)險(xiǎn)管控知識(shí)圖譜提供靜態(tài)數(shù)據(jù)支撐。

1.1.2 本體建模

在風(fēng)險(xiǎn)知識(shí)獲取中，知識(shí)建模[10]是知識(shí)圖譜構(gòu)建的重要前提，其核心在于對(duì)領(lǐng)域內(nèi)概念、屬性及關(guān)系的系統(tǒng)化設(shè)計(jì)，確保知識(shí)表達(dá)的結(jié)構(gòu)化與語(yǔ)義清晰。本體[11作為一種形式化的概念模型，定義了領(lǐng)域中的核心概念、特征及其相互關(guān)系，能夠?yàn)榻y(tǒng)一的知識(shí)表示和邏輯推理提供有力支撐。基于本體的知識(shí)建模一般采用統(tǒng)一的建模語(yǔ)言來(lái)描述本體，如OWL（Web OntologyLanguage）、 RDF（ResourceDescription Framework）等[12-13]

在煤礦安全生產(chǎn)領(lǐng)域，事故隱患通常涵蓋“人、機(jī)、環(huán)、管”四大要素。《煤礦安全生產(chǎn)事故隱患分類分級(jí)標(biāo)準(zhǔn)（試行）》將事故隱患根源劃分為4大類、26子類，覆蓋煤礦生產(chǎn)全流程的潛在風(fēng)險(xiǎn)點(diǎn)；并依據(jù)隱患可能導(dǎo)致的后果嚴(yán)重性、發(fā)生概率和影響范圍，將其風(fēng)險(xiǎn)等級(jí)劃分為4個(gè)等級(jí)。

為構(gòu)建一套完整且可擴(kuò)展的煤礦安全風(fēng)險(xiǎn)管控本體模型，本文根據(jù)《煤礦安全生產(chǎn)事故隱患分類分級(jí)標(biāo)準(zhǔn)（試行）》等文件梳理核心概念與層次結(jié)構(gòu)，明確各要素所對(duì)應(yīng)的類和子類及類之間的關(guān)系，采用自頂向下的方法構(gòu)建本體模型，如圖2所示。

瓦斯傳感器 振動(dòng)傳感器 視頻攝像頭 文本報(bào)告 人員作業(yè)風(fēng)險(xiǎn)點(diǎn) 設(shè)備風(fēng)險(xiǎn)點(diǎn) 管理風(fēng)險(xiǎn)點(diǎn) 環(huán)境風(fēng)險(xiǎn)點(diǎn)

清晰定義每個(gè)類的數(shù)據(jù)屬性，并對(duì)每個(gè)類和類之間的關(guān)系作出語(yǔ)義描述，見表1與表2。每個(gè)風(fēng)險(xiǎn)點(diǎn)則通過相應(yīng)的數(shù)據(jù)屬性（如地理位置、風(fēng)險(xiǎn)等級(jí)）進(jìn)行刻畫。隨后，為實(shí)現(xiàn)動(dòng)態(tài)監(jiān)測(cè)與推理，可結(jié)合SSN（Semantic Sensor Network） /SOSA（Sensor OpenSystemsArchitecture）[14]標(biāo)準(zhǔn)將傳感器（Sensor）和觀測(cè)（Observation）等對(duì)象納入本體模型，并設(shè)置與傳感器特性匹配的數(shù)據(jù)屬性。同時(shí)，依據(jù)從特別重大到一般的隱患等級(jí)標(biāo)準(zhǔn)，在本體中定義風(fēng)險(xiǎn)級(jí)別及其子類，以對(duì)應(yīng)不同等級(jí)的判定標(biāo)準(zhǔn)與管控措施。

1.1.3 企業(yè)風(fēng)險(xiǎn)知識(shí)圖譜生成

在風(fēng)險(xiǎn)辨識(shí)完成后，首先根據(jù)辨識(shí)結(jié)果構(gòu)建風(fēng)險(xiǎn)點(diǎn)實(shí)例，并為各實(shí)例界定相關(guān)的屬性，如風(fēng)險(xiǎn)等級(jí)、空間位置、活躍時(shí)段等。這些靜態(tài)數(shù)據(jù)將作為具體的風(fēng)險(xiǎn)點(diǎn)實(shí)例錄人風(fēng)險(xiǎn)知識(shí)圖譜，形成結(jié)構(gòu)化的知識(shí)圖譜存儲(chǔ)。每個(gè)風(fēng)險(xiǎn)點(diǎn)實(shí)例不僅包括其本身的屬性信息，還與相關(guān)隱患、事故、傳感器數(shù)據(jù)及治理措施等其他實(shí)體進(jìn)行關(guān)聯(lián)，構(gòu)成一個(gè)完整的語(yǔ)義網(wǎng)絡(luò)。這種結(jié)構(gòu)化存儲(chǔ)和語(yǔ)義化關(guān)聯(lián)方式，不僅為后續(xù)的動(dòng)態(tài)監(jiān)控、風(fēng)險(xiǎn)預(yù)警和決策支持提供了數(shù)據(jù)基礎(chǔ)，也為智能化的風(fēng)險(xiǎn)評(píng)估和預(yù)測(cè)提供了堅(jiān)實(shí)的知識(shí)框架，推動(dòng)煤礦安全管理向更加智能、精準(zhǔn)的方向發(fā)展。

1.2動(dòng)態(tài)隱患提取

在構(gòu)建完靜態(tài)風(fēng)險(xiǎn)點(diǎn)實(shí)例并將其存儲(chǔ)到知識(shí)圖譜后，動(dòng)態(tài)風(fēng)險(xiǎn)監(jiān)控的知識(shí)獲取和表示成為下一步關(guān)鍵任務(wù)。引入基于傳感器數(shù)據(jù)的動(dòng)態(tài)監(jiān)控規(guī)則，是推動(dòng)知識(shí)圖譜智能化應(yīng)用的核心驅(qū)動(dòng)力。

將從不同數(shù)據(jù)源采集的多模態(tài)數(shù)據(jù)與知識(shí)圖譜中的風(fēng)險(xiǎn)點(diǎn)實(shí)例進(jìn)行實(shí)時(shí)關(guān)聯(lián)。一旦數(shù)據(jù)變化，系統(tǒng)將根據(jù)預(yù)設(shè)的算法和規(guī)則更新風(fēng)險(xiǎn)點(diǎn)的狀態(tài)。例如，當(dāng)設(shè)備的運(yùn)行參數(shù)超出設(shè)定范圍時(shí)，系統(tǒng)會(huì)自動(dòng)將該設(shè)備對(duì)應(yīng)的風(fēng)險(xiǎn)點(diǎn)狀態(tài)標(biāo)記為“高風(fēng)險(xiǎn)”，并借助知識(shí)圖譜中已定義的關(guān)聯(lián)關(guān)系，將信息推送至相關(guān)人員或系統(tǒng)，以便及時(shí)處理。

動(dòng)態(tài)風(fēng)險(xiǎn)監(jiān)控還可以結(jié)合歷史數(shù)據(jù)進(jìn)行分析，通過建立與歷史風(fēng)險(xiǎn)事件的關(guān)聯(lián)，預(yù)測(cè)潛在的風(fēng)險(xiǎn)趨勢(shì)?；跈C(jī)器學(xué)習(xí)或統(tǒng)計(jì)分析模型，可以自動(dòng)從知識(shí)圖譜中提取潛在的風(fēng)險(xiǎn)模式，進(jìn)一步支持智能化決策和預(yù)警機(jī)制。

隨著傳感器數(shù)據(jù)的持續(xù)流人，知識(shí)圖譜不僅提供靜態(tài)的風(fēng)險(xiǎn)點(diǎn)實(shí)例數(shù)據(jù)，還通過動(dòng)態(tài)更新形成實(shí)時(shí)的風(fēng)險(xiǎn)態(tài)勢(shì)圖，支持對(duì)煤礦生產(chǎn)過程的全程監(jiān)控，提升安全管理的智能化和自動(dòng)化水平。各類風(fēng)險(xiǎn)數(shù)據(jù)的來(lái)源及隱患提取方法見表3。

人為因素：通過智能攝像頭獲取現(xiàn)場(chǎng)視頻，利用YOLOv8算法[16進(jìn)行人員行為識(shí)別，檢測(cè)違章操作、未佩戴安全裝備等不安全行為。同時(shí)，結(jié)合UWB[17]定位技術(shù)，實(shí)現(xiàn)對(duì)人員位置和移動(dòng)軌跡的實(shí)時(shí)追蹤，識(shí)別人員進(jìn)人禁區(qū)或長(zhǎng)時(shí)間停留等異常行為。將識(shí)別出的不安全行為和異?；顒?dòng)映射為知識(shí)圖譜中的人為隱患實(shí)體，記錄行為類型、發(fā)生時(shí)間、位置等屬性，并關(guān)聯(lián)相關(guān)人員信息。

設(shè)備因素：在關(guān)鍵設(shè)備上安裝振動(dòng)傳感器，采集設(shè)備運(yùn)行時(shí)的振動(dòng)數(shù)據(jù)，通過邊緣計(jì)算進(jìn)行FFT頻譜分析，檢測(cè)異常振動(dòng)特征，預(yù)判設(shè)備故障。紅外測(cè)溫儀實(shí)時(shí)監(jiān)測(cè)設(shè)備表面溫度，識(shí)別過熱現(xiàn)象，預(yù)防因溫度異常引發(fā)的設(shè)備故障。將檢測(cè)到的設(shè)備異常狀態(tài)映射為設(shè)備隱患實(shí)體，包含設(shè)備類型、異常類型、檢測(cè)時(shí)間等信息，并與具體設(shè)備實(shí)例關(guān)聯(lián)。

環(huán)境因素：利用無(wú)線傳輸技術(shù)[18]，實(shí)時(shí)采集井下環(huán)境中的瓦斯?jié)舛群退臄?shù)據(jù)。通過設(shè)定閾值，及時(shí)發(fā)現(xiàn)瓦斯超限、積水等環(huán)境隱患。將環(huán)境監(jiān)測(cè)中發(fā)現(xiàn)的異常情況映射為環(huán)境隱患實(shí)體，記錄隱患類型、數(shù)值、位置和時(shí)間等屬性，并關(guān)聯(lián)相應(yīng)的監(jiān)測(cè)設(shè)備信息。

管理因素：對(duì)電子巡檢記錄和規(guī)章制度文檔進(jìn)行自然語(yǔ)言處理，采用BERT-BiLSTM-CRF模型[19]或大語(yǔ)言模型[20-21]進(jìn)行信息抽取，識(shí)別管理制度中的漏洞、巡檢過程中發(fā)現(xiàn)的隱患，以及未按規(guī)定執(zhí)行的情況。將提取的管理缺陷和違規(guī)情況映射為管理隱患實(shí)體，包含問題描述、發(fā)現(xiàn)時(shí)間、責(zé)任部門等信息，并與相關(guān)規(guī)章制度或巡檢記錄關(guān)聯(lián)。

本文共構(gòu)建了139條人為因素預(yù)警規(guī)則、78條設(shè)備因素預(yù)警規(guī)則、86條環(huán)境因素預(yù)警規(guī)則和102條管理因素預(yù)警規(guī)則，構(gòu)建了煤礦安全風(fēng)險(xiǎn)管控規(guī)則庫(kù)。但隨著預(yù)警規(guī)則數(shù)量的增加，可能會(huì)引起多個(gè)規(guī)則觸發(fā)同一個(gè)隱患的問題。為應(yīng)對(duì)規(guī)則數(shù)量增多帶來(lái)的沖突問題，在規(guī)則庫(kù)中內(nèi)置的推理機(jī)可以自動(dòng)推導(dǎo)出新的結(jié)論或觸發(fā)相應(yīng)操作，很大程度上解決規(guī)則沖突問題。

1.3 風(fēng)險(xiǎn)動(dòng)態(tài)管控

在動(dòng)態(tài)提取隱患知識(shí)并存儲(chǔ)到知識(shí)圖譜后，便進(jìn)人風(fēng)險(xiǎn)動(dòng)態(tài)管控階段。依據(jù)知識(shí)圖譜進(jìn)行風(fēng)險(xiǎn)隱患推理。具體而言，當(dāng)某項(xiàng)監(jiān)測(cè)指標(biāo)超出設(shè)定閾值，或識(shí)別到“未佩戴安全帽”等不安全行為時(shí)，對(duì)應(yīng)的風(fēng)險(xiǎn)點(diǎn)或隱患實(shí)體在圖譜中被標(biāo)記為“高風(fēng)險(xiǎn)”或“待處理”。針對(duì)已識(shí)別的隱患，系統(tǒng)可通過語(yǔ)義網(wǎng)絡(luò)規(guī)則語(yǔ)言（Semantic Web Rule Language，SWRL）[22]撰寫的推理規(guī)則實(shí)現(xiàn)即時(shí)推理。

風(fēng)險(xiǎn)動(dòng)態(tài)管控實(shí)現(xiàn)以下功能：

自動(dòng)限制作業(yè)區(qū)：如果識(shí)別到多個(gè)不安全行為，并且位于同一區(qū)域，可執(zhí)行聯(lián)動(dòng)措施“限制該區(qū)域作業(yè)”或“提醒監(jiān)管人員現(xiàn)場(chǎng)檢查”。

關(guān)閉相關(guān)設(shè)備：當(dāng)振動(dòng)傳感器連續(xù)監(jiān)測(cè)到異常振動(dòng)并經(jīng)規(guī)則確認(rèn)后，可發(fā)出設(shè)備停機(jī)指令，避免故障擴(kuò)大或引發(fā)事故。

通知應(yīng)急人員：針對(duì)重大隱患或I級(jí)風(fēng)險(xiǎn)，可通過短信、語(yǔ)音或企業(yè)內(nèi)即時(shí)通信工具快速通知各級(jí)管理人員或應(yīng)急救援隊(duì)，并在圖譜中記錄響應(yīng)過程與處置結(jié)果，便于事后追溯和統(tǒng)計(jì)。

2現(xiàn)場(chǎng)應(yīng)用

2.1 礦井概況

陜西省某礦位于黃隴侏羅紀(jì)煤田彬長(zhǎng)礦區(qū)東部，井田東西長(zhǎng)約 6.4km ，南北寬約 5.5km ，面積為35.064km² ，開采標(biāo)高為 +760～+410m 。區(qū)內(nèi)可采煤層為4-2煤層，煤層厚度為 0.96～12.57m ，平均厚度為 7.54m ，經(jīng)鑒定為低瓦斯礦井，弱沖擊地壓，無(wú)地?zé)嵛：Γ_采的4-2煤層為 I 類自燃煤層，煤塵具有爆炸危險(xiǎn)性。

2.2煤礦人員安全風(fēng)險(xiǎn)識(shí)別與管控

結(jié)合本礦井已布置在巷道和主要作業(yè)區(qū)的30個(gè)高清攝像頭及視頻存儲(chǔ)模塊，利用YOLOv8模型對(duì)視頻中的人員是否在煤礦井下軌道上、是否在禁入?yún)^(qū)作業(yè)等行為進(jìn)行實(shí)時(shí)檢測(cè)；根據(jù)UWB定位系統(tǒng)獲取煤礦工人實(shí)時(shí)位置，最后將監(jiān)測(cè)到的信息添加到知識(shí)圖譜中，實(shí)現(xiàn)煤礦人員安全風(fēng)險(xiǎn)識(shí)別與管控。

2.2.1 安全隱患識(shí)別

依據(jù)煤礦安全綜合防控知識(shí)圖譜定義的“人員作業(yè)風(fēng)險(xiǎn)點(diǎn)”和“人為隱患”兩大核心類別，將煤礦生產(chǎn)過程中涉及人員行為的潛在風(fēng)險(xiǎn)進(jìn)行系統(tǒng)化表達(dá)。通過知識(shí)圖譜的語(yǔ)義關(guān)聯(lián)，識(shí)別出與不安全行為相關(guān)的隱患，為風(fēng)險(xiǎn)評(píng)估與管控提供支持。

YOLOv8模型通過視頻監(jiān)控設(shè)備實(shí)時(shí)識(shí)別出工作人員不安全行為。當(dāng)監(jiān)測(cè)到工作人員未佩戴安全帽時(shí)，系統(tǒng)會(huì)自動(dòng)記錄行為發(fā)生的具體位置、時(shí)間及涉及的工作人員信息。在作業(yè)區(qū)域內(nèi)合理部署UWB定位基站，UWB定位系統(tǒng)根據(jù)工作人員佩戴的定位標(biāo)簽，提供工作人員的實(shí)時(shí)位置信息。將YOLOv8模型識(shí)別出的不安全行為和UWB人員定位信息結(jié)合起來(lái)，實(shí)現(xiàn)對(duì)工作人員不安全行為和其發(fā)生地的精準(zhǔn)記錄。例如，系統(tǒng)能夠識(shí)別出工作人員進(jìn)人高風(fēng)險(xiǎn)作業(yè)區(qū)域并及時(shí)進(jìn)行預(yù)警。最終，系統(tǒng)會(huì)將識(shí)別到的不安全行為和高風(fēng)險(xiǎn)作業(yè)區(qū)域轉(zhuǎn)換為“人為隱患”和“人員作業(yè)風(fēng)險(xiǎn)點(diǎn)”實(shí)例，并存儲(chǔ)在知識(shí)圖譜中。

2.2.2 安全隱患處理

依據(jù)知識(shí)圖譜中存儲(chǔ)的實(shí)例，通過SWRL規(guī)則引擎進(jìn)行實(shí)時(shí)預(yù)警與管控措施的聯(lián)動(dòng)響應(yīng)，確保及時(shí)采取措施，減少安全隱患。

實(shí)時(shí)預(yù)警規(guī)則：系統(tǒng)根據(jù)知識(shí)圖譜中的隱患實(shí)體判斷其風(fēng)險(xiǎn)等級(jí)并采取相應(yīng)的預(yù)警措施。當(dāng)檢測(cè)到行為類型為“未佩戴安全帽”的隱患且該隱患涉及的工作人員為某個(gè)特定人員時(shí)，系統(tǒng)將向該工作人員發(fā)送一個(gè)高優(yōu)先級(jí)的警報(bào)，提醒其“立即佩戴安全帽”。

管控措施聯(lián)動(dòng)規(guī)則：在多人作業(yè)區(qū)域，一旦出現(xiàn)同一區(qū)域內(nèi)多名工作人員“未佩戴安全帽”的情況，系統(tǒng)將自動(dòng)執(zhí)行一系列管控措施。當(dāng)檢測(cè)到某特定區(qū)域內(nèi)存在隱患且持續(xù)時(shí)間超過 10min 時(shí)，系統(tǒng)將在該區(qū)域執(zhí)行動(dòng)作，啟動(dòng)聲光報(bào)警。

將“人為隱患”和“作業(yè)風(fēng)險(xiǎn)點(diǎn)”等實(shí)體信息添加到知識(shí)圖譜中，構(gòu)建煤礦人員安全風(fēng)險(xiǎn)識(shí)別與管控流程，如圖3所示。通過動(dòng)態(tài)識(shí)別機(jī)制確保隱患信息實(shí)時(shí)更新，使得管理人員能夠及時(shí)掌握煤礦作業(yè)現(xiàn)場(chǎng)的安全狀況。借助SWRL規(guī)則引擎構(gòu)建實(shí)時(shí)預(yù)警與管控機(jī)制，可對(duì)安全隱患告警做出及時(shí)響應(yīng)。當(dāng)系統(tǒng)依據(jù)預(yù)設(shè)規(guī)則檢測(cè)到安全隱患時(shí)，SWRL規(guī)則引擎迅速觸發(fā)告警流程，確保相關(guān)人員能夠即時(shí)獲取信息，并立即采取針對(duì)性措施，有效降低安全隱患實(shí)際發(fā)生概率，從而切實(shí)保障生產(chǎn)作業(yè)環(huán)境的安全性與穩(wěn)定性。

2.3 應(yīng)用效果

為了驗(yàn)證本文方法在實(shí)際煤礦場(chǎng)景中的有效性，對(duì)所構(gòu)建的知識(shí)圖譜系統(tǒng)進(jìn)行了小規(guī)模部署測(cè)試。收集煤礦工人操作記錄、傳感器參數(shù)、煤礦環(huán)境參數(shù)和煤礦管理制度等圖片和文本數(shù)據(jù)，制作了數(shù)據(jù)集。針對(duì)不同因素構(gòu)建SWRL規(guī)則，測(cè)評(píng)SWRL規(guī)則的隱患識(shí)別率、誤報(bào)率和報(bào)警響應(yīng)時(shí)間。隱患識(shí)別率通過準(zhǔn)確率、召回率和 F₁ 指標(biāo)綜合反映模型識(shí)別效果。具體而言，需通過統(tǒng)計(jì)系統(tǒng)識(shí)別出的隱患數(shù)量及未識(shí)別的隱患數(shù)量，進(jìn)一步區(qū)分識(shí)別結(jié)果中的真正隱患和誤判隱患，結(jié)果見表4?？煽闯鲆罁?jù)人為因素實(shí)現(xiàn)的分類效果最好， F₁ 值達(dá) 0.919 。

測(cè)試中共出現(xiàn)30起誤報(bào)，主要原因是工人對(duì)安全帽等安全裝備的佩戴不合規(guī)。系統(tǒng)平均響應(yīng)時(shí)間約為 2.5s. ，較人工監(jiān)控方式顯著縮短。對(duì)于井下生產(chǎn)場(chǎng)景，實(shí)時(shí)性提升可有效減少事故發(fā)生概率。

3結(jié)語(yǔ)

圍繞煤礦安全風(fēng)險(xiǎn)管控知識(shí)圖譜，重點(diǎn)介紹了如何通過本體模型與多源數(shù)據(jù)整合實(shí)現(xiàn)對(duì)“人、機(jī)、環(huán)、管”的統(tǒng)一描述，并結(jié)合傳感器監(jiān)測(cè)和隱患治理措施，構(gòu)建了動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估與預(yù)警機(jī)制。實(shí)際應(yīng)用結(jié)果表明，基于知識(shí)圖譜的管控模式能夠更好地識(shí)別潛在風(fēng)險(xiǎn)、縮短預(yù)警響應(yīng)時(shí)間，從而提升煤礦安全管理的整體效能和智能化水平。但是，在隱患識(shí)別過程中，仍存在無(wú)法完全識(shí)別所有隱患的問題。經(jīng)分析，主要有2個(gè)方面：一方面，基于視覺模型的圖像分析方法由于模型自身的局限性，無(wú)法對(duì)所有不安全行為進(jìn)行精準(zhǔn)識(shí)別；另一方面，SWRL規(guī)則的閥值設(shè)定不夠合理，未能在部分隱患場(chǎng)景下有效觸發(fā)，導(dǎo)致漏報(bào)現(xiàn)象發(fā)生。鑒于此，后續(xù)將針對(duì)SWRL規(guī)則展開深人研究與優(yōu)化，通過合理調(diào)整規(guī)則閾值、豐富規(guī)則邏輯等手段，進(jìn)一步完善規(guī)則體系，以期實(shí)現(xiàn)更高的隱患識(shí)別率，提升整個(gè)煤礦風(fēng)險(xiǎn)識(shí)別系統(tǒng)的可靠性與準(zhǔn)確性。

參考文獻(xiàn)（References）：

[1]袁亮，姜耀東，何學(xué)秋，等.煤礦典型動(dòng)力災(zāi)害風(fēng)險(xiǎn)精 準(zhǔn)判識(shí)及監(jiān)控預(yù)警關(guān)鍵技術(shù)研究進(jìn)展[J].煤炭學(xué)報(bào)， 2018，43（2）：306-318. YUAN Liang，JIANG Yaodong，HE Xueqiu，et al. Research progress of precise risk accurate identification and monitoring early warning on typical dynamic disasters in coal mine[J].Journal of China Coal

Society， 2018，43（2）：306-318.

[2]王道元，王俊，孟志斌，等.煤礦安全風(fēng)險(xiǎn)智能分級(jí)管控與信息預(yù)警系統(tǒng)[J].煤炭科學(xué)技術(shù)，2021，49（10）：136-144.WANG Daoyuan，WANG Jun，MENG Zhibin，et al.Intelligent hierarchical management amp; control andinformation pre-warning system of coal mine safetyrisk[J]. Coal Science and Technology，2021，49（10）：136-144.

[3］陳小林，屈世甲，佘九華，等.基于風(fēng)險(xiǎn)管控的煤礦安全綜合防控體系[J].工礦自動(dòng)化，2021，47（8）：15-19.CHEN Xiaolin，QU Shijia， SHE Jiuhua，et al.Comprehensive prevention and control system of coalminesafety based on risk management and control[J].Industry and Mine Automation， 2021， 47（8）： 15-19.

[4]李爽，賀超，鹿乘，等.煤礦智能雙重預(yù)防機(jī)制與智能安全管控平臺(tái)研究[J].煤炭科學(xué)技術(shù)，2023，51（1）：464-473.LI Shuang，HE Chao，LU Cheng，et al. Research onintelligent dual prevention mechanism and intelligentsecurity control platform of coal mine[J]. Coal Scienceand Technology，2023，51（1）： 464-473.

[5］葉帥.基于Neo4j的煤礦領(lǐng)域知識(shí)圖譜構(gòu)建及查詢方法研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2019.YE Shuai. Research on the construction and querymethod of knowledge graph in coal mine based onNeo4j[D]. Xuzhou： China University of Mining andTechnology， 2019.

[6]許娜，梁燕翔，王亮，等.基于知識(shí)圖譜的煤礦建設(shè)安全領(lǐng)域知識(shí)管理研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2024，34（5）： 28-35.XU Na，LIANG Yanxiang，WANG Liang，et al.Research on knowledge management in coal mineconstruction safety field based on knowledge graph[J].China Safety Science Journal， 2024， 34（5）： 28-35.

[7]張景鋼，王清焱，趙淑楓.基于貝葉斯網(wǎng)絡(luò)的HAZOP-LOPA煤礦安全風(fēng)險(xiǎn)評(píng)價(jià)方法應(yīng)用研究［J].礦業(yè)安全與環(huán)保，2022，49（1）：114-120.ZHANG Jinggang， WANG Qingyan， ZHAO Shufeng.Application of HAZOP-LOPA coal mine safety riskassessment method based on Bayesian network[J].Mining Safety amp; Environmental Protection，2022，49（1）： 114-120.

[8］潘云華.LEC評(píng)價(jià)法在煤礦安全風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].低碳世界，2019，9（2）：62-63.PAN Yunhua. Application of LEC evaluation method incoal mine safety risk assessment[J]．Low CarbonWorld，2019，9（2）： 62-63.

[9]章博，劉悅，姚明，等.基于JSA方法的高風(fēng)險(xiǎn)作業(yè)在線實(shí)踐平臺(tái)[J].安全與環(huán)境學(xué)報(bào)，2019，19（2）：509-513.ZHANG Bo，LIU Yue，YAO Ming，et al. Practiceteaching platform for high risk operation based on theJSA method[J]. Journal of Safety and Environment，2019，19（2）：509-513.

[10]劉鵬，葉帥，舒雅，等.煤礦安全知識(shí)圖譜構(gòu)建及智能查詢方法研究[J].中文信息學(xué)報(bào)，2020，34（11）：49-59.LIU Peng，YE Shuai， SHU Ya，et al. Coalmine safety：knowledge graph construction and its QA approach[J].Journal of Chinese Information Processing，2020，34（11）：49-59.

[11]肖雙雙，馬亞潔，李衛(wèi)炎，等.基于CiteSpace 知識(shí)圖譜分析的露天礦粉塵濃度預(yù)測(cè)研究進(jìn)展與展望[J].西安科技大學(xué)學(xué)報(bào)，2023，43（4）：675-685.XIAO Shuangshuang，MA Yajie，LI Weiyan，et al.Prediction of dust concentration in open-pit mine basedon CiteSpace knowledge graph analysis[J]. Jourmal ofXi'an University of Science and Technology，2023，43（4）：675-685.

[12]郭梨，高元，吳昊，等.基于混合因果邏輯的尾礦壩事故知識(shí)圖譜構(gòu)建與應(yīng)用[J].金屬礦山，2025（1）：233-242.GUO Li， GAO Yuan，WU Hao， et al. Construction andapplication of tailings dam accident knowledge graphbased on hybrid causal logic[J].Metal Mine，2025（1）：233-242.

[13]劉鵬，曹新晨，耿念，等.煤礦標(biāo)準(zhǔn)文件知識(shí)圖譜構(gòu)建與應(yīng)用[J].情報(bào)工程，2023，9（5）：73-83.LIU Peng， CAO Xinchen， GENG Nian， et al.Construction and application of knowledge graph ofcoalmine standarddocuments[J]．TechnologyIntelligence Engineering，2023，9（5）： 73-83.

[14]李紅偉，高鴻斌.傳感器數(shù)據(jù)流實(shí)時(shí)語(yǔ)義注釋方法研究[J].河北科技大學(xué)學(xué)報(bào)，2018，39（6）：559-566.LI Hongwei，GAO Hongbin. Research on real-timesemantic annotation method for sensor data stream[J].Journal of Hebei University of Science and Technology，2018，39（6）：559-566.

[15]付燕，劉致豪，葉鷗.基于煤礦井下不安全行為知識(shí)圖譜構(gòu)建方法[J].工礦自動(dòng)化，2024，50（1）：88-95.FU Yan，LIU Zhihao，YE Ou. A method forconstructing a knowledge graph of unsafe behaviors incoal mines[J].Jourmal of Mine Automation，2024，50（1）：88-95.

[16]雷楊，何江，秦麗杰，等.基于SCI-YOLOv8 的井下無(wú)人電機(jī)車低照度目標(biāo)檢測(cè)技術(shù)[J].金屬礦山，2025（2）： 172-179.LEI Yang， HE Jiang，QIN Lijie， et al. Low light targetdetection technology for underground unmanned electricvehiclesbased on SCI-YOLOv8[J]. Metal Mine，2025（2）： 172-179.

[17] 郭愛軍.UWB技術(shù)在煤礦井下的應(yīng)用[J].陜西煤炭， 2021，40（3）：51-54. GUO Aijun. Application of UWB technologyin underground coal mines[J]. Shaanxi Coal， 2021， 40（3）：51-54.

[18] 孫繼平.煤礦井下人員位置監(jiān)測(cè)技術(shù)與系統(tǒng)[J].煤炭 科學(xué)技術(shù)，2010，38（11）：1-5. SUN Jiping. Personnel position monitoring technology andsystem in underground mine[J].Coal Science and Technology，2010，38（11）： 1-5.

[19] 曹現(xiàn)剛，吳可昕，張夢(mèng)園，等.基于BERT的煤礦裝備 維護(hù)知識(shí)命名實(shí)體識(shí)別研究[J].機(jī)床與液壓，2023， 51（9）：103-108. CAOXiangang，WU Kexin， ZHANG Mengyuan，et al. Coal mine equipment maintenance knowledge named entityrecognitionmodel based onBERT[J].Machine Toolamp;Hydraulics，2023，51（9）：103-108.

[20] 江耀森，楊超宇，劉曉蕾.基于ChatGLM3-6B的煤礦 PENG Jiahui. Study on the mechanism of water reducer andretarder for building gypsum[D]. Chongqing： Chongqing University，2004.

[20]黃玉兵，江貝，姚良帝，等.裂隙巖體預(yù)應(yīng)力錨注協(xié)同 控制機(jī)制試驗(yàn)研究[J].采礦與安全工程學(xué)報(bào)，2025， 42（2）： 294-305. HUANG Yubing，JIANG Bei，YAO Liangdi，et al. Experimental studyon thecollaborativecontrol mechanism of prestressed anchor and grouting in fractured rock mass[J]. Journal of Mining amp; Safety Engineering，2025，42（2）： 294-305.

[21]崔宏瑞，孟祥瑞，程詳，等.水玻璃-膨脹劑-粉煤灰水泥基 復(fù)合注漿材料研發(fā)與試驗(yàn)[J/OL].中國(guó)礦業(yè)：1-11 [2025-03-04] htp/kns.cnki.net/kcms/detail/11.3033.TD. 20250429.1549.006.html. CUIHongrui，MENGXiangrui，CHENG Xiang，et al.Research and test of sodium silicate-expansion agentfly ash cement-based composite grouting material[J/OL]. China Mining Magazine： 1-11[2025-03-04]. htp： /kns. cnki.net/kcms/detail/11.3033.TD.20250429.1549.006. html.

[22]沈玉旭，王成帥，郭俊慶，等.基于正交試驗(yàn)的注漿材 料力學(xué)性能及最優(yōu)配比研究[J].礦業(yè)研究與開發(fā)， 2025，45（5）： 63-71. SHEN Yuxu， WANG Chengshuai， GUO Junqing， et al. Research on mechanical properties and optimal ratio of grouting materials based on orthogonal test[J]. Mining Research and Development， 2025，45（5）： 63-71. Seeeeeeee 事故知識(shí)圖譜構(gòu)建及應(yīng)用研究[J].中國(guó)安全生產(chǎn)科學(xué) 技術(shù)，2024，20（10）：12-21. JIANG Yaosen， YANG Chaoyu， LIU Xiaolei. Research on construction and application of knowledge graph for coal mine accidentsbased on ChatGLM3-6B[J]. Journal of Safety Science and Technology， 2024， 20（10）： 12-21.

[21]王海玲，劉興麗，邵宗曦，等.基于ChatGLM的煤礦安 全預(yù)警知識(shí)抽取及應(yīng)用[J].煤炭技術(shù)，2024，43（8）： 219-221. WANG Hailing，LIU Xingli， SHAO Zongxi，et al. Knowledge extraction and application of coal mine safety early warning based on ChatGLM[J]. Coal Technology，2024，43（8）： 219-221.

[22]劉鵬，趙慧含，仰彥妍，等.基于OWL的瓦斯爆炸事 故語(yǔ)義本體構(gòu)建及推理[J].煤炭科學(xué)技術(shù)，2018， 46（8）：16-23. LIU Peng， ZHAO Huihan， YANG Yanyan， et al. Construction and reasoning of semantic ontology for gas explosion accident based on OWL[J]. Coal Science and Technology，2018，46（8）：16-23.