郝秦霞 ，尚海濤

（1.西安科技大學(xué) 通信與信息工程學(xué)院，陜西 西安 710054；2.西安科技大學(xué) 安全科學(xué)與工程學(xué)院，陜西 西安 710054）

煤礦的安全生產(chǎn)是煤礦行業(yè)健康有序發(fā)展的重要保證，以人民至上，生命至上，防范化解重大風(fēng)險(xiǎn)隱患為根本，我國(guó)提出將煤礦瓦斯風(fēng)險(xiǎn)事故防控工作的重點(diǎn)從事后響應(yīng)向事前預(yù)防轉(zhuǎn)移的號(hào)召，通過(guò)對(duì)煤礦瓦斯風(fēng)險(xiǎn)隱患預(yù)測(cè)關(guān)口前移，防范瓦斯安全事故于未然，從而遏制煤礦瓦斯事故風(fēng)險(xiǎn)。已有大量學(xué)者對(duì)瓦斯爆炸風(fēng)險(xiǎn)預(yù)控進(jìn)行研究，主要包括事故風(fēng)險(xiǎn)預(yù)測(cè)與評(píng)估的研究[1]；事故致因指標(biāo)與機(jī)理的研究[2]；事故致災(zāi)影響的研究[3]等。袁亮[4]通過(guò)大數(shù)據(jù)分析和數(shù)據(jù)挖掘提出煤礦動(dòng)力災(zāi)害風(fēng)險(xiǎn)判識(shí)和監(jiān)控預(yù)警模型；李爽等[5]通過(guò)貝葉斯網(wǎng)絡(luò)提取多級(jí)預(yù)測(cè)指標(biāo)構(gòu)建煤礦風(fēng)險(xiǎn)變化趨勢(shì)多級(jí)預(yù)測(cè)模型；田水承等[6]對(duì)近年來(lái)煤礦瓦斯事故調(diào)查報(bào)告進(jìn)行分析，得到4 項(xiàng)關(guān)鍵致因和27 項(xiàng)一般致因；徐美玲等[7]從人為因素、生產(chǎn)設(shè)施、環(huán)境條件和管理組織多個(gè)角度分析煤礦瓦斯爆炸風(fēng)險(xiǎn)因素；魯錦濤等[8]通過(guò)以往瓦斯爆炸案例提取影響因素，構(gòu)建灰色-物元的瓦斯爆炸風(fēng)險(xiǎn)評(píng)估模型；DEY Prasanjit 等[9]構(gòu)建了混合CNN-LSTM 預(yù)測(cè)模型，從礦山物聯(lián)網(wǎng)傳感器監(jiān)測(cè)數(shù)據(jù)中提取空間和時(shí)間特征，有效預(yù)測(cè)不同的礦山災(zāi)害；DURSUN A E[10]對(duì)近年來(lái)土耳其煤礦發(fā)生的瓦斯爆炸事故進(jìn)行了統(tǒng)計(jì)分析，并針對(duì)瓦斯事故提出了相應(yīng)的防控措施；JUGANDA A 等[11]采用計(jì)算流體動(dòng)力學(xué)（CFD）模擬長(zhǎng)壁礦井大規(guī)模爆炸，評(píng)估瓦斯爆炸對(duì)礦井通風(fēng)的影響。

1 文獻(xiàn)分析

對(duì)于已有的瓦斯爆炸風(fēng)險(xiǎn)的研究發(fā)現(xiàn)，在瓦斯爆炸事故的風(fēng)險(xiǎn)預(yù)測(cè)研究中，存在以下問(wèn)題：

1）以往對(duì)于瓦斯爆炸事故致因的分析多以經(jīng)驗(yàn)分析法，如：客觀權(quán)重分配法、主觀層次分析法或二者結(jié)合。對(duì)實(shí)際情景、知識(shí)體系與經(jīng)驗(yàn)分析的綜合考慮不足。

2）以往對(duì)于瓦斯爆炸風(fēng)險(xiǎn)的預(yù)警大多基于時(shí)序、空間實(shí)時(shí)監(jiān)測(cè)信息的預(yù)警，但瓦斯爆炸的隱患來(lái)自“人-機(jī)-環(huán)-管”等多方面彼此獨(dú)立或相互影響的事故致因。

3）煤礦企業(yè)中對(duì)于風(fēng)險(xiǎn)的預(yù)警大多是基于算法模型的判斷，但因地質(zhì)環(huán)境、開(kāi)采情況、監(jiān)測(cè)條件等實(shí)際情景的差異，算法給出的預(yù)測(cè)值會(huì)出現(xiàn)虛警、誤判，造成煤礦企業(yè)安全監(jiān)管人員的懈怠思想。

綜合以上問(wèn)題，對(duì)于煤礦瓦斯爆炸事故致因的選取需結(jié)合煤礦實(shí)際情景、相關(guān)知識(shí)體系以及歷史經(jīng)驗(yàn)，從可能產(chǎn)生隱患的人員行為、監(jiān)測(cè)數(shù)據(jù)等多角度考慮事故致因。對(duì)于瓦斯爆炸風(fēng)險(xiǎn)的預(yù)警，需要符合煤礦實(shí)際情景做出風(fēng)險(xiǎn)等級(jí)的分類(lèi)評(píng)判，為了進(jìn)行準(zhǔn)確的風(fēng)險(xiǎn)類(lèi)別預(yù)警，需采用模式分類(lèi)性能較優(yōu)的神經(jīng)網(wǎng)絡(luò)，以便煤礦企業(yè)安全監(jiān)管人員針對(duì)風(fēng)險(xiǎn)的等級(jí)給出相應(yīng)的安全防范措施。

2 基于灰色關(guān)聯(lián)分析的事故致因選取

產(chǎn)生煤礦瓦斯爆炸的原因多樣，企業(yè)采取的防控措施多以專(zhuān)家經(jīng)驗(yàn)為主，但不同煤礦具有不同生產(chǎn)條件與特征，且在生產(chǎn)過(guò)程中積攢了大量具有可供參考的歷史紀(jì)錄。因而在分析煤礦瓦斯爆炸事故致因時(shí)，需多方面考慮并結(jié)合煤礦瓦斯安全防控的知識(shí)體系，形成多維度的事故致因。

根據(jù)以上對(duì)事故致因選擇的要求，采用陜西省彬縣某礦2012 年12 月至2021 年12 月間的監(jiān)測(cè)數(shù)據(jù)，結(jié)合煤礦安全生產(chǎn)網(wǎng)、國(guó)家礦山安全監(jiān)察局、國(guó)家礦山安全局、各省級(jí)局官方網(wǎng)站以及全國(guó)煤礦事故調(diào)查資料，收集近10 年來(lái)煤礦瓦斯爆炸事故案例調(diào)查報(bào)告并整理為文本集。事故致因提取的具體步驟如圖1。

圖1 煤礦瓦斯爆炸事故致因提取流程Fig.1 Extraction process of causes of coal mine gas accidents

首先對(duì)文本集數(shù)據(jù)進(jìn)行清洗，將未記錄事故致因的內(nèi)容刪除，保留事故發(fā)生時(shí)間、地點(diǎn)、影響結(jié)果以及原因等內(nèi)容。通過(guò)R 語(yǔ)言Jieba 程序包對(duì)文本集進(jìn)行分詞處理，采用自定義詞典和停用詞典提高分詞的準(zhǔn)確性，提取案例報(bào)告中的事故致因。自定義詞典內(nèi)容主要是百度輸入法詞庫(kù)中的煤礦術(shù)語(yǔ)、采礦專(zhuān)業(yè)領(lǐng)域詞匯和搜狗輸入法細(xì)胞詞庫(kù)中采礦工程、安全工程、煤礦災(zāi)害預(yù)防、煤礦工作、煤礦分析、煤炭能源、煤炭行業(yè)等領(lǐng)域?qū)I(yè)詞匯，停用詞典主要是去除分詞處理后數(shù)據(jù)中存在的一些沒(méi)有實(shí)際意義而詞頻較高的詞。

以礦區(qū)的煤礦瓦斯爆炸事故案例為例，經(jīng)過(guò)分詞處理得到源于人、環(huán)境、機(jī)器以及管理等61項(xiàng)事故致因。煤礦瓦斯爆炸事故致因見(jiàn)表1，所提取事故致因符合《煤炭工業(yè)企業(yè)職工傷亡事故報(bào)告和統(tǒng)計(jì)規(guī)定》。

表1 煤礦瓦斯爆炸事故致因Table 1 Causes of gas explosion accidents in coal mines

鑒于事故致因條目過(guò)多，且不具備連續(xù)變量數(shù)值的特征，因而利用GRA 減少信息不對(duì)稱(chēng)性，降低維度，并通過(guò)量化關(guān)聯(lián)度大小選取更符合實(shí)際情景的事故致因。

由于歷史案例樣本報(bào)告來(lái)源的不唯一性，因而設(shè)置狀態(tài)標(biāo)志位“0”“1”，1 條案例數(shù)據(jù)樣本中對(duì)事故產(chǎn)生影響的事故致因設(shè)置為“1”，未產(chǎn)生影響的事故致因設(shè)置為“0”。煤礦瓦斯爆炸事故致因（F1～F6）狀態(tài)設(shè)置見(jiàn)表2。

表2 煤礦瓦斯爆炸事故致因狀態(tài)設(shè)置Table 2 Setting of the cause state of gas explosion accidents

對(duì)事故致因 Fi(i=1,2,···,61)與瓦斯爆炸事故等級(jí)的關(guān)聯(lián)關(guān)系采用GRA 進(jìn)行分析，分辨系數(shù)取值0.50，根據(jù)關(guān)聯(lián)系數(shù)公式計(jì)算出關(guān)聯(lián)系數(shù)值，關(guān)聯(lián)系數(shù)計(jì)算如下：

式中：Fi(k)為 第i條 案例報(bào)告中第k項(xiàng)事故致因狀態(tài)值；Y(k)為 第k條 案例報(bào)告中事故等級(jí)； ρ為分辨系數(shù)； ξi(k)為 在k條 記錄Fi對(duì)事故等級(jí)的關(guān)聯(lián)系數(shù)。

根據(jù)關(guān)聯(lián)系數(shù)值計(jì)算出關(guān)聯(lián)度值進(jìn)行評(píng)價(jià)參考, 關(guān)聯(lián)度計(jì)算如下：

式中：Ri為各事故致因與煤礦瓦斯事故之間的相似關(guān)聯(lián)程度，由關(guān)聯(lián)系數(shù)進(jìn)行計(jì)算平均值得出。

關(guān)聯(lián)度越大表示事故致因與煤礦瓦斯事故相關(guān)性越強(qiáng)。結(jié)合關(guān)聯(lián)度大小，對(duì)所有事故致因進(jìn)行排序，可以得到對(duì)煤礦瓦斯爆炸事故影響較大的事故致因，在此基礎(chǔ)上結(jié)合煤礦的實(shí)際情景選取輸入到PNN 網(wǎng)絡(luò)中的特征向量。

3 瓦斯爆炸風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)

3.1 預(yù)測(cè)模型設(shè)計(jì)

煤礦瓦斯風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)是分析事故致因狀態(tài)后預(yù)測(cè)風(fēng)險(xiǎn)存在的可能性，并將其按照風(fēng)險(xiǎn)等級(jí)的類(lèi)別劃分。PNN 總收斂于貝葉斯最優(yōu)解，分類(lèi)性能上與最優(yōu)貝葉斯分類(lèi)器等價(jià)，因而選用概率神經(jīng)網(wǎng)絡(luò)，將多種狀態(tài)特征的事故致因做為預(yù)測(cè)模型的輸入特征向量，進(jìn)行瓦斯爆炸風(fēng)險(xiǎn)等級(jí)的分類(lèi)預(yù)測(cè)。瓦斯爆炸風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)模型如圖2。

圖2 瓦斯爆炸風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)模型Fig.2 Prediction model of gas explosion risk grade

在PNN 中預(yù)設(shè)平滑因子 σ易造成模型識(shí)別率低、誤分類(lèi)等問(wèn)題， σ取值需符合實(shí)際樣本數(shù)據(jù)特征。RWPSO 能有效改善 σ僅憑經(jīng)驗(yàn)取值所帶來(lái)的缺陷，因而用其對(duì)PNN 的 σ取值進(jìn)行迭代尋優(yōu)，提高網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率。

預(yù)測(cè)過(guò)程如下：

1）在瓦斯爆炸文本數(shù)據(jù)源中提取事故致因并采用GRA 選取模型輸入特征向量。

2）采用RWPSO 對(duì)PNN 中的 σ進(jìn)行迭代尋優(yōu)，實(shí)現(xiàn) σ的自適應(yīng)調(diào)整。

3）結(jié)合最優(yōu) σ對(duì)瓦斯爆炸風(fēng)險(xiǎn)等級(jí)進(jìn)行分類(lèi)預(yù)測(cè)，得到最優(yōu)的預(yù)測(cè)準(zhǔn)確率。

選取網(wǎng)絡(luò)實(shí)際輸出與理論輸出的總數(shù)比值作為模型的評(píng)價(jià)指標(biāo)f，計(jì)算公式為：

式中：Y?為網(wǎng)絡(luò)實(shí)際輸出與期望輸出相同的樣本個(gè)數(shù)；Y為網(wǎng)絡(luò)實(shí)際輸出的樣本總數(shù)。

由于煤礦瓦斯風(fēng)險(xiǎn)事故致因特征包括數(shù)據(jù)類(lèi)型多樣，但數(shù)據(jù)表現(xiàn)形式僅為“0”“1”，因而模型可以拓展運(yùn)用到數(shù)據(jù)樣本具有連續(xù)數(shù)值特征的預(yù)測(cè)中，如：電動(dòng)汽車(chē)故障診斷[12]、電網(wǎng)分區(qū)故障診斷[13]等領(lǐng)域中 。

3.2 基于隨機(jī)權(quán)重策略的粒子群算法

RWPSO 隨機(jī)選取慣性權(quán)重 ω，隨機(jī)產(chǎn)生粒子歷史速度對(duì)當(dāng)前速度的影響。

若S維搜索空間內(nèi)存在由n個(gè)粒子組成的群體X，X=[x1,···,xn]。群體中粒子速度和位置更新方式：

式中：c1、c2為學(xué)習(xí)因子；vis為當(dāng)前粒子的變化速度；xis為當(dāng)前粒子的變化位置；pis為當(dāng)前粒子搜尋的最優(yōu)位置；pgs為當(dāng)前種群搜尋的最優(yōu)位置； ω為隨機(jī)選取慣性權(quán)重因子；r1、r2分別為0～1 之間的隨機(jī)數(shù)。

ω更新公式如下：

式中： μ為權(quán)重因子； μmax、 μmin為權(quán)重因子的變化范圍； θ為權(quán)重隨機(jī)變化的大??；N(0,1)為標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)； rand(0,1)為0～1 范圍內(nèi)的隨機(jī)數(shù)。

通過(guò)引入 ω改善了種群在迭代初期局部搜索能力不足和后期全局搜索能力不足問(wèn)題，提高了算法的收斂速度[14]。能有效應(yīng)對(duì)PNN 中 σ的自適應(yīng)調(diào)整。

3.3 RWPSO 迭代尋優(yōu)平滑因子

PNN 網(wǎng)絡(luò)中的隱含層用于計(jì)算輸入數(shù)據(jù)與各模式的歐式距離， σ的取值直接影響瓦斯爆炸風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率。隱含層的輸入/輸出定義如式（7）。

式中： σ為平滑因子；d為樣本維數(shù)；xi j為 第i類(lèi)樣本中第j個(gè)樣本值。

PNN 中的 σ是Parzen 窗估計(jì)方法中高斯核帶寬控制的參數(shù)，控制徑向作用的范圍，不同 σ的高斯核函數(shù)對(duì)樣本數(shù)據(jù)映射范圍如圖3。

圖3 σ對(duì)高斯核函數(shù)的影響Fig.3 The influence of σ on Gaussian kernel function

由圖3 可以看出，高斯核函數(shù)的局部影響范圍隨著 σ取值的增大而增大。隨機(jī)選取的 σ會(huì)引起PNN 不能正確判斷遠(yuǎn)離輸入樣本的未知模式，容易引起網(wǎng)絡(luò)識(shí)別率低等問(wèn)題，從而影響瓦斯爆炸風(fēng)險(xiǎn)等級(jí)分類(lèi)預(yù)測(cè)的準(zhǔn)確率。因此實(shí)際樣本訓(xùn)練中，需采用優(yōu)化算法迭代選取適合當(dāng)前訓(xùn)練樣本數(shù)據(jù)的 σ。

RWPSO 優(yōu)化PNN 中的 σ步驟如下：①初始化種群中各個(gè)粒子的vi和xi；②將網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確率作為RWPSO 的適應(yīng)度函數(shù)，選取最優(yōu)適應(yīng)度粒子的xi作 為種群的位置；③更新粒子的vi和xi；④計(jì)算粒子更新后個(gè)體的適應(yīng)度，若更新后的適應(yīng)度優(yōu)于之前的個(gè)體適應(yīng)度，則將更新后的適應(yīng)度記為當(dāng)前粒子的個(gè)體最優(yōu)適應(yīng)度；⑤若更新后粒子的適應(yīng)度優(yōu)于之前時(shí)刻種群所有粒子的適應(yīng)度，則將更新后適應(yīng)度記為當(dāng)前種群的群體最優(yōu)適應(yīng)度；⑥判斷是否滿(mǎn)足終止條件，未滿(mǎn)足返回步驟3，滿(mǎn)足條件則輸出最優(yōu)解。

4 模型仿真

依據(jù)《煤礦生產(chǎn)安全事故報(bào)告和調(diào)查處理規(guī)定》將事故等級(jí)按照所造成的傷亡人數(shù)劃分為：一般事故（對(duì)應(yīng)輸出值2）、較大事故（對(duì)應(yīng)輸出值3）、重大事故（對(duì)應(yīng)輸出值4）和特別重大事故（對(duì)應(yīng)輸出值5）。實(shí)驗(yàn)選取100 組數(shù)據(jù)進(jìn)行驗(yàn)證，將70 組數(shù)據(jù)用作模型的訓(xùn)練樣本，30 組數(shù)據(jù)用作模型的測(cè)試樣本，取關(guān)聯(lián)度在0.416 及以上的共27項(xiàng)事故致因作為特征向量對(duì)PNN 進(jìn)行樣本訓(xùn)練和測(cè)試，進(jìn)行瓦斯爆炸風(fēng)險(xiǎn)等級(jí)的分類(lèi)預(yù)測(cè)。當(dāng) σ值為1 時(shí)，PNN 的預(yù)測(cè)效果如圖4。

圖4 PNN 預(yù)測(cè)效果Fig.4 PNN prediction effect

當(dāng)選取 σ為1 時(shí)，預(yù)測(cè)準(zhǔn)確率為83.3%，30 組測(cè)試樣本中錯(cuò)誤預(yù)測(cè)5 組，并且訓(xùn)練誤差中出現(xiàn)負(fù)值，表明 σ選取較大。采用RWPSO 對(duì)PNN 的 σ選取進(jìn)行優(yōu)化，迭代次數(shù)選擇為40，粒子個(gè)數(shù)為20，學(xué)習(xí)因子設(shè)置為2，優(yōu)化后的預(yù)測(cè)效果如圖5。

圖5 σ優(yōu)化后預(yù)測(cè)效果Fig.5 Prediction effect after σ optimization

此時(shí) σ值為0.814，RWPSO-PNN 預(yù)測(cè)準(zhǔn)確率為90.0%，30 組測(cè)試樣本中錯(cuò)誤預(yù)測(cè)3 組，有效實(shí)現(xiàn)分析事故致因狀態(tài)后對(duì)瓦斯爆炸風(fēng)險(xiǎn)等級(jí)的分類(lèi)預(yù)測(cè)，煤礦安全監(jiān)管人員可根據(jù)模型預(yù)測(cè)的風(fēng)險(xiǎn)等級(jí)做出相應(yīng)的安全防控措施。

PSO 算法的時(shí)間復(fù)雜度由迭代次數(shù)N和問(wèn)題規(guī)模M共同決定，因而在N與M給定情況下，RWPSO與PSO 算法的時(shí)間復(fù)雜度為O(M?N)，且RWPSO對(duì)隨機(jī)初始種群參數(shù)進(jìn)行了調(diào)節(jié)，提高了算法收斂速度，證明此算法滿(mǎn)足實(shí)際應(yīng)用需求。在實(shí)際應(yīng)用過(guò)程中可對(duì)N與M進(jìn)行調(diào)節(jié)，縮減算法運(yùn)行時(shí)間，增加模型實(shí)用性。選取瓦斯爆炸預(yù)測(cè)中較為常用的BP 神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)ELM、支持向量機(jī)SVM 算法作為對(duì)比算法，分別對(duì)煤礦瓦斯爆炸風(fēng)險(xiǎn)等級(jí)進(jìn)行分類(lèi)預(yù)測(cè)。RWPSO-PNN 與對(duì)比算法在煤礦瓦斯爆炸風(fēng)險(xiǎn)等級(jí)分類(lèi)預(yù)測(cè)的準(zhǔn)確率見(jiàn)表3。

表3 預(yù)測(cè)準(zhǔn)確率對(duì)比Table 3 Comparison of prediction accuracy

由表3 知：RWPSO-PNN 錯(cuò)誤預(yù)測(cè)為3 次，預(yù)測(cè)準(zhǔn)確率達(dá)到90%，平均絕對(duì)誤差（MAE）為0.133 明顯優(yōu)于對(duì)比算法。

5 結(jié) 語(yǔ)

根據(jù)煤礦瓦斯爆炸事故報(bào)告、案例以及知識(shí)體系選取多種狀態(tài)的特征數(shù)據(jù)，作為煤礦瓦斯爆炸風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)的事故致因，從多角度實(shí)現(xiàn)煤礦安全預(yù)警?；赗WPSO-PNN 建立風(fēng)險(xiǎn)等級(jí)的判定，使煤礦安全監(jiān)察人員可以根據(jù)風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)制定相應(yīng)的安全防控措施。預(yù)測(cè)模型中，利用隨機(jī)權(quán)重策略改進(jìn)粒子群算法后，迭代尋優(yōu)平滑因子，有效實(shí)現(xiàn)概率神經(jīng)網(wǎng)絡(luò)中平滑因子的自適應(yīng)調(diào)整。縱向?qū)Ρ瘸Ｓ玫腂P 神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)ELM、支持向量機(jī)SVM 算法，實(shí)驗(yàn)結(jié)果顯示RWPSO-PNN 在預(yù)測(cè)準(zhǔn)確率高于其他算法。實(shí)驗(yàn)證明RWPSO-PNN 在煤礦瓦斯爆炸風(fēng)險(xiǎn)等級(jí)分類(lèi)預(yù)測(cè)中的準(zhǔn)確率更優(yōu)。