黑龙江龙煤七台河矿业有限责任公司新建煤矿 黑龙江省七台河市 154600
摘要：众所周知，煤矿是十分重要的能源之一，与经济发展、人们生活都有直接关系。近年来，尽管煤矿企业在煤矿安全方面加大重视和投入，但煤矿安全事故仍时有发生。经过调研分析发现，大量煤矿事故是由于安全隐患没有及时得到排查和解决导致的。煤矿企业迫切需要能自动提取语义特征信息、智能地进行安全隐患决策分析的煤矿安全隐患智能处理系统。目前，煤矿企业通过实时采集隐患排查数据，并将数据录入后台系统数据库，实现对安全隐患数据的处理。如何高效、快捷提取到语义特征，准确提取到关键性语义，智能地从海量的数据库中分析出煤矿安全隐患问题，这对于煤矿安全生产有着重要意义。
关键词：煤矿；信息全面感知；智慧决策系统
引言
2017年7月实施的《煤矿安全生产标准化基本要求及评分方法》，新增了风险分级管控、事故隐患排查治理两部分内容，用以指导煤矿建设双重预防性工作机制，构建风险分级管控和安全质量达标的“三位一体”安全生产标准化体系，并提出风险分级管控及隐患排查治理应采用信息化管理手段实现全过程信息化管理，国家总局发布的《安全生产“十三五”规划》中也提出推进信息技术与安全生产的深度融合的要求。因此以信息化、智能化技术推进煤矿安全生产标准化建设，强化安全生产标准化信息化管理，实现事前风险分级管控、事中隐患排查治理闭环管理、事后安全生产标准化动态达标及持续改进，对夯实煤矿安全生产基础，保障煤矿安全生产具有重大意义。
1煤矿事故隐患分类
《安全生产事故隐患排查治理暂行规定》对“隐患”的定义为“生产经营单位违反安全生产法律、法规、规章、标准、规程和安全生产管理制度的规定，或者因其他因素在生产经营活动中存在可能导致事故发生的物的危险状态、人的不安全行为和管理上的缺陷”。对隐患进行合理的分类可提高隐患排查效率且更有针对性。中国平煤神马集团根据《国务院关于预防煤矿生产安全事故的特别规定》和《煤矿重大安全生产隐患判定标准》等，将隐患按照整改难易程度分为A—E 5个等级，将隐患种类分为11类。以LEC法为例，结合对隐患风险大小及其后果的分析，将隐患分为重大隐患风险、较大隐患风险、一般隐患风险、低隐患风险4个等级。通过计算隐患的概率指数，用取值范围的方式将隐患分为一般、较大、重大和特别重大4个等级。
.png)
图1煤矿信息全面感知与智慧决策系统架构
2系统架构
煤矿信息全面感知与智慧决策系统由胶囊网络层、数据传输层和云服务层构成，如图1所示。人员位置与行为感知胶囊感知人体血氧浓度、心率、体温等生理特征信息及人员位置、姿态变化等运动状态信息；设备状态感知胶囊感知设备运行电气参数、温度与振动、工况等信息；环境感知胶囊感知煤矿基本地质条件、瓦斯浓度、温湿度等信息。各感知胶囊间通过动态路由算法进行信息传递，形成煤矿区域胶囊网络。数据传输层采用无线传感器网络与有线网络结合的方法来实现煤矿井下数据可靠传输。其中，无线传感器网络采用低功耗广域网传输机制来进行部署。云服务层主要实现系统的感知信息整合，通过基于随机森林的智慧决策机制为煤矿生产提供高效、可靠的决策。
3胶囊网络
在输入层建立数据输入矩阵，将煤矿感知信息按照时间顺序录入，构建成一个二维结构，类似于一个平面图像。隐含层包括卷积层和初始胶囊层；卷积层利用卷积核进行特征提取与自抽样，将输入层信息转化成局部特征；初始胶囊层进一步抽取数据特征，将卷积特征图转化为胶囊；输出层中每个胶囊的输出向量长度表示各种煤矿安全状况出现的概率。
胶囊网络算法步骤如下。
（1）由于卷积层输入为二维数据，以n类感知信息矩阵X1，X2，...Xn（tXm维，t为采样时刻，m为采样点数）作为输入变量，按照时间顺序录入，得到能够表征矿井运行状态的矩阵：
.png)
（2）对矩阵进行卷积操作，在卷积层使用T个过滤器
.png)
重复卷积操作，产生T个特征图
.png)
，构成特征图矩阵
.png)
。
.png)
式中：
.png)
为非线性激活函数；
.png)
为点乘操作；b为偏置项，
.png)
。
（3）使用卷积得到的T个特征图重构成N（N＜T）个胶囊，形成初始胶囊层。
（4）除初始胶囊层外，低层胶囊通过动态路由连接到高层胶囊，如图2所示。
.png)
图2胶囊动态路由连接
假设低层第i个胶囊的输出向量为ui，将ui和权重矩阵Wij相乘，生成“预测胶囊”向量
.png)
。对低层所有“预测胶囊”向量与其对应的耦合系数Cij的乘积求和，获得低层胶囊对高层第j个胶囊的输入向量Sj。Sj经squash激活函数压缩生成高层第j个胶囊的输出向量Vj。
.png)
4基于随机森林的智慧决策机制
对训练集中样本有放回抽样，生成多棵决策树，形成随机森林；再通过验证集进行多次试验，得到训练好的随机森林；最后使用测试集进行可靠性验证。胶囊网络处理结果与随机森林中决策树叶子节点形成映射，以便对到达决策树最后叶子节点信息作出决策。
.png)
式中：
.png)
为决策树叶子节点映射结果；X为胶囊网络处理结果；
.png)
为感知信息；
.png)
为sigmoid函数；
.png)
为实值函数。定义由胶囊网络提取到的第个煤矿
.png)
（
.png)
=1，2，…，Q，Q为煤矿信息特征向量总数）信息特征向量为
.png)
，
.png)
对应标签为
.png)
，样本
.png)
，样本集合
.png)
。采用随机在S取样本
.png)
的方法对决策树进行训练，决策树每个节点分裂时，从全部煤矿信息特征中随机抽取一部分，再从其中选择最优煤矿信息特征作为分裂属性。
5实验分析
为验证煤矿信息全面感知与智慧决策系统的可行性，在某矿进行了实验。在矿井不同区域布置感知节点，每个节点以一定的采样时长和50Hz的采样频率采样1000次，得到有效样本共50000条，其中40000条样本用于训练，10000条样本用于测试。胶囊网络训练参数：起始卷积层卷积核数量为128，卷积核大小为9×9，卷积核每次移动步数为2，采用Relu激活函数，路由更新迭代4次。硬件环境：IntelCorei7处理器，GTX10606GB显卡，32GB内存。软件环境：Windows10操作系统，Python3.6.5+CUDA-9.2编程环境，TensorFlow-GPU1.11.0深度学习框架。随机森林训练参数：决策树数量为160，每棵决策树分裂属性初始数量为3。硬件环境：IntelCorei7处理器，Intel(R)Core(TM)i5-4200M显卡，32GB内存。软件环境：Windows10操作系统，Python3.6.5编程环境，Sklearn学习框架。系统分别基于卷积神经网络与决策树、卷积神经网络与随机森林、胶囊网络与决策树、胶囊网络与随机森林的不同组合算法进行煤矿信息感知与决策，测试决策准确率、召回率与时间消耗。可看出基于胶囊网络与随机森林的煤矿信息全面感知与智慧决策系统在准确率、召回率、时间消耗方面占据优势。这是由于胶囊网络用胶囊输出向量代替卷积神经网络的输出标量，使得煤矿信息特征的表达更丰富，此外胶囊网络的动态路由将煤矿感知信息特征动态传递到煤矿信息特征所属分类中，有效提升了煤矿信息特征提取性能；随机森林集成多个决策树进行学习，能很好地适应煤矿信息的随机性与复杂性，决策精度与运算效率较高。
结语
煤矿信息全面感知与智慧决策系统基于人员位置与行为感知胶囊、设备状态感知胶囊、环境感知胶囊构建煤矿区域胶囊网络，深度挖掘煤矿潜在信息，全面感知煤矿安全状态，解决了煤矿信息感知能力差的问题；使用随机森林算法进行智慧决策，实现了煤矿安全准确决策，实验结果验证了该系统的可靠性。
参考文献
［1］国家煤矿安全监察局.煤矿安全生产标准化基本要求及评分方法［M］.北京：煤炭工业出版社，2017.
［2］李玉桃．神华准能公司安全风险预控体系信息系统建设和管理［J］.电脑编程技巧与维护，2015（16）：46-49.
［3］李贤功，宋学锋，孟现飞．煤矿安全风险预控与隐患闭环管理信息系统设计研究［J］．中国安全科学学报，2017（7）：89-95.