李紅霞， 黃已芯，田水承，侯媛彬

(1.西安科技大學(xué) 管理學(xué)院，陜西 西安 710054；2.西安科技大學(xué) 能源學(xué)院，陜西 西安 710054；3.西安科技大學(xué) 安全科學(xué)與工程學(xué)院，陜西 西安 710054；4.西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054)

0 引 言

監(jiān)測(cè)礦工疲勞水平是一種將多個(gè)隨機(jī)非線性監(jiān)測(cè)信號(hào)進(jìn)行多元信息融合的過(guò)程，其中，多個(gè)信號(hào)的監(jiān)測(cè)精度與自學(xué)習(xí)程度是準(zhǔn)確把握礦工疲勞水平最重要的環(huán)節(jié)[1-4]。已有的礦工疲勞水平監(jiān)測(cè)的相關(guān)研究成果多聚焦于對(duì)礦工疲勞水平的單一信號(hào)或多生理與心理監(jiān)測(cè)信號(hào)的描述性統(tǒng)計(jì)分析。在理論研究領(lǐng)域方面，Lal SKL，Ji Q，Karthaus Melanie和Kang Jiajie等利用EGG分析技術(shù)，監(jiān)測(cè)出了人體疲勞程度，為后續(xù)研究人員對(duì)駕駛疲勞程度的研究提出了新的研究思路[5-6]。田水承、李乃文、邢娟娟、成波等運(yùn)用Captiv行為生理測(cè)試儀、雙臂調(diào)節(jié)能力測(cè)定儀、Tobbi眼動(dòng)儀等方法收集生理指標(biāo)，分析了疲勞與不安全行為的影響關(guān)系，為提出智能化管控和智能化監(jiān)測(cè)礦工疲勞程度提供了參考價(jià)值[7-11]。而對(duì)于實(shí)踐過(guò)程中，疲勞水平監(jiān)測(cè)設(shè)備多為單一信號(hào)的監(jiān)測(cè)與描述性分析(諸如疲勞檢測(cè)手環(huán)、檢測(cè)帽等)，此類(lèi)設(shè)備的檢測(cè)原理是用皮電和腦電信號(hào)進(jìn)行簡(jiǎn)單描述性分析，最終通過(guò)統(tǒng)計(jì)形成的可視化界面反映人員的疲勞狀況，這在一定程度上豐富了智能化管控礦工疲勞的理論體系。但實(shí)際應(yīng)用過(guò)程中，由于內(nèi)在關(guān)系分析能力較弱、抗干擾能力差、環(huán)境適應(yīng)力不強(qiáng)、監(jiān)測(cè)數(shù)據(jù)與實(shí)際疲勞程度偏離度較大等缺點(diǎn)，至今仍未得到廣泛應(yīng)用。

多元信息融合技術(shù)中的小腦神經(jīng)網(wǎng)絡(luò)理論是1957年由Albus模仿人類(lèi)小腦的學(xué)習(xí)結(jié)構(gòu)對(duì)多維連續(xù)系統(tǒng)的自適應(yīng)學(xué)習(xí)理論[12-14]。CMAC(Cerebella Model Articulation Controller)模型引進(jìn)了許多算法，其中最具有代表性的是Kotani K，Juang Jih Gau和Lin Faa Jeng等將不同算法引入CMAC小腦模型，用于機(jī)器人關(guān)節(jié)控制、遙感技術(shù)、反情報(bào)竊取系統(tǒng)等方面[15-17]；徐德、朱家群等基于PID并行算法控制基礎(chǔ)和模糊理論，將神經(jīng)網(wǎng)絡(luò)理論CMAC模型與模糊PID控制結(jié)合，提高了控制精度并且具有了良好的自適應(yīng)能力[18]。在模式識(shí)別方面，火力安全發(fā)電關(guān)鍵設(shè)備故障診斷的CMAC算法被作為拓展應(yīng)用范圍的奠基石；侯媛彬等利用改進(jìn)CMAC神經(jīng)網(wǎng)絡(luò)與設(shè)備故障診斷檢驗(yàn)相結(jié)合，描述了CMAC算法診斷出關(guān)鍵設(shè)備故障的原理[20]。鑒于CMAC神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)非線性映射，某種程度上可解決單一信號(hào)監(jiān)測(cè)對(duì)礦工疲勞程度監(jiān)測(cè)的缺陷，但對(duì)信號(hào)內(nèi)在結(jié)構(gòu)還未開(kāi)展深入討論。筆者采用多元信息融合方法，基于神經(jīng)網(wǎng)絡(luò)理論，通過(guò)多傳感器獲取礦工疲憊狀態(tài)的多元異類(lèi)信號(hào)與疲勞特征，依據(jù)人因安全理論的2個(gè)維度，將礦工生理與心理行為進(jìn)行多級(jí)別、多方面和多層次的監(jiān)測(cè)，使得礦工出現(xiàn)疲勞跡象時(shí)就發(fā)出警報(bào)，當(dāng)疲勞狀況超出礦工的生理負(fù)荷范圍時(shí)，操作機(jī)械系統(tǒng)強(qiáng)迫停止，實(shí)現(xiàn)自動(dòng)化管控的水平。這對(duì)后續(xù)礦工疲勞監(jiān)測(cè)與控制系統(tǒng)的開(kāi)發(fā)與設(shè)計(jì)，為降低礦工疲勞生產(chǎn)具有非常重要的意義。

1 CMAC神經(jīng)網(wǎng)絡(luò)模型

CMAC神經(jīng)網(wǎng)絡(luò)模型實(shí)質(zhì)為只能式自適應(yīng)查表系統(tǒng)，利用多監(jiān)測(cè)數(shù)據(jù)信號(hào)形成特征向量，將多指標(biāo)的數(shù)據(jù)通過(guò)隱含層運(yùn)算轉(zhuǎn)化為小物理量的儲(chǔ)存單元，發(fā)掘數(shù)據(jù)之間的內(nèi)在結(jié)構(gòu)與特征[21]。人體雖然受到不同的運(yùn)動(dòng)與時(shí)段影響，導(dǎo)致其疲勞程度復(fù)雜多變，但人體疲勞程度在時(shí)間序列上表現(xiàn)具有上升和周期性震蕩特點(diǎn)，這與小腦受到外界刺激所產(chǎn)生的反映模式具有相似之處。因此可發(fā)掘疲勞程度與多信號(hào)之間的關(guān)聯(lián)。

圖1所示為標(biāo)準(zhǔn)狀態(tài)下CMAC模型的網(wǎng)絡(luò)結(jié)構(gòu)[21]。該模型由網(wǎng)絡(luò)輸入、概念映射、物理映射和網(wǎng)絡(luò)輸出4個(gè)部分組成，輸入狀態(tài)空間X為多維空間，對(duì)每一個(gè)輸出只有小部分的神經(jīng)元(由輸入決定)與之相關(guān)，他的聯(lián)想具有局部泛化能力，即相似的輸入將產(chǎn)生相似的神經(jīng)元構(gòu)成線性或非線性關(guān)系并構(gòu)成相對(duì)應(yīng)的映射關(guān)系。因此，在構(gòu)建模型過(guò)程要經(jīng)過(guò)從X到輸入量化器M的映射、從M到空間存儲(chǔ)器A的映射、從A應(yīng)用雜散技術(shù)到實(shí)際空間Ap的映射以及A p經(jīng)過(guò)權(quán)值疊加到F映射這4個(gè)步驟。

圖1 標(biāo)準(zhǔn)狀態(tài)下的CMAC網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Standard state of CMAC network structure

2 CMAC疲勞監(jiān)測(cè)控制系統(tǒng)的構(gòu)建

將不同的探測(cè)器材及其平臺(tái)、測(cè)量設(shè)備、傳感器以及終端設(shè)備，對(duì)互補(bǔ)或冗余的疲勞特征信息進(jìn)行有機(jī)融合，進(jìn)而建立疲勞生產(chǎn)的智能決策模型，對(duì)礦工是否疲勞生產(chǎn)進(jìn)行監(jiān)測(cè)，并準(zhǔn)確可靠判斷，最后輸出報(bào)警信息或強(qiáng)制將所使用的機(jī)械進(jìn)行被迫停止的要求，并將檢測(cè)結(jié)果實(shí)時(shí)顯示，具體系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 多元信息融合的礦工疲勞檢測(cè)控制系統(tǒng)Fig.2 Miners fatigue monitoring and control system based on multivariate information fusion

礦工疲勞檢測(cè)控制系統(tǒng)的主要分為信息感知、疲勞特征識(shí)別、判斷決策和決策輸出4個(gè)階段。這4個(gè)階段，主要通過(guò)收集礦工務(wù)工期間不同時(shí)段人的眼皮閉合頻率、瞳孔渙散程度、心率、腦電信號(hào)、皮電信號(hào)及操作機(jī)械時(shí)長(zhǎng)等方面信息完成對(duì)礦工的檢測(cè)與控制。

2.1 信息感知

雖然礦工所需要操作的工作程序較為簡(jiǎn)單，但是，由于礦工容易受到外界的干擾和生理與心理?xiàng)l件的束縛，很難保證礦工會(huì)做出正確的選擇和行為來(lái)維護(hù)自身和生產(chǎn)的安全。因此，需要把抽象、信息感知階段的狀態(tài)定量化，對(duì)測(cè)試信號(hào)進(jìn)行集中采樣，測(cè)試礦工疲勞感知瞬間的所有信息水平。

信息感知是系統(tǒng)監(jiān)測(cè)的第一階段，由感受水平、知覺(jué)水平和注意力程度3個(gè)子模塊組成。通過(guò)感覺(jué)的瞬時(shí)記憶、接受信息瞬間情緒(知覺(jué))和注意力的綜合反映。已有研究發(fā)現(xiàn)，信息感知部分的基本數(shù)據(jù)來(lái)自于大腦的alpha頻段的右枕葉和頂葉部位、beta頻段的中間區(qū)域、gamma頻段的左額葉和右顳葉、呼吸頻率和脈搏次數(shù)。

2.2 疲勞特征識(shí)別

在經(jīng)過(guò)信息感知階段后，即可進(jìn)入對(duì)礦工的疲勞特征識(shí)別階段，包括生理疲憊探測(cè)系統(tǒng)、心理情緒探測(cè)儀、操作時(shí)長(zhǎng)信息面板3個(gè)子模塊。其中，生理疲憊探測(cè)系統(tǒng)的使用目的在于收集礦工務(wù)工期間的眼動(dòng)水平、心率和腦信號(hào)等，而心理疲勞則通過(guò)腦電、皮電可以收集到礦工務(wù)工期間的心理活動(dòng)狀態(tài)波動(dòng)數(shù)據(jù)。最后為操作時(shí)長(zhǎng)信息面板，它可以顯示礦工在務(wù)工期間的工作時(shí)長(zhǎng)，以便收集該礦工在務(wù)工期間的疲勞時(shí)段的相關(guān)數(shù)據(jù)。

疲勞檢測(cè)控制系統(tǒng)所需儀器包括Neur One腦電測(cè)試儀、Bio Lab多導(dǎo)生理儀、Tobii Studio 眼動(dòng)測(cè)試儀和計(jì)時(shí)器。根據(jù)每個(gè)儀器輸出的信號(hào)的不同測(cè)試部位進(jìn)行梳理與分類(lèi)，具體參數(shù)見(jiàn)表1.

表1 測(cè)試儀器系統(tǒng)相關(guān)信號(hào)的分類(lèi)與整理Tab.1 Signal classification of test-instruments

2.3 判斷與決策輸出模型構(gòu)建

礦工隨著工作時(shí)長(zhǎng)的影響，自身的感覺(jué)器和生理記憶信息會(huì)傳輸?shù)酱竽X，經(jīng)過(guò)判斷如何行動(dòng)和反應(yīng)的過(guò)程。在礦工疲勞檢測(cè)控制系統(tǒng)第三階段，將判斷決策階段分為了預(yù)判層、模板層和決策層3個(gè)模塊，將比較器傳來(lái)的礦工生產(chǎn)行為和狀態(tài)進(jìn)行識(shí)別，結(jié)合小腦神經(jīng)網(wǎng)絡(luò)理論進(jìn)行判斷與決策輸出。

該模型可對(duì)礦工監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，利用礦工疲勞過(guò)程中的違章?tīng)顟B(tài)和行為發(fā)出報(bào)警和聲控信號(hào)來(lái)操縱控制所操作的機(jī)械，從而提醒礦工注意休息或謹(jǐn)慎工作，必要將報(bào)警信號(hào)傳輸至管理層安排輪班換崗，若信號(hào)未消除，則報(bào)警信號(hào)傳輸至該礦工所操作的機(jī)械或設(shè)備上，強(qiáng)制停工，避免因過(guò)度疲勞超負(fù)荷生產(chǎn)而導(dǎo)致事故的發(fā)生。

在礦工疲勞檢測(cè)控制系統(tǒng)中，主要通過(guò)各傳感器、信號(hào)接收器、探測(cè)儀等收集到礦工的感受信號(hào)、知覺(jué)信號(hào)、注意力信號(hào)、眼動(dòng)狀況、心跳頻率及腦電信號(hào)、皮電信號(hào)以和操作時(shí)長(zhǎng)等信息。因此，對(duì)礦工多生理信號(hào)進(jìn)行如下的信息融合處理。

2.3.1 標(biāo)準(zhǔn)的界定與數(shù)據(jù)預(yù)處理

信號(hào)體系是統(tǒng)一整體，包含了信號(hào)的縱向?qū)哟侮P(guān)系和平行關(guān)系。其中，不同的指標(biāo)反映著人體不同部位和不同程度的疲勞分屬的階段?？梢詫⑿盘?hào)體系定為基礎(chǔ)層、信號(hào)層、系統(tǒng)層和目標(biāo)層4個(gè)層次。將所監(jiān)測(cè)的2個(gè)階段定為信息感知、疲勞特征識(shí)別連個(gè)層次。依據(jù)人體疲勞標(biāo)準(zhǔn)，形成生理監(jiān)測(cè)信號(hào)對(duì)應(yīng)人疲勞程度的評(píng)價(jià)標(biāo)準(zhǔn)，見(jiàn)表2.

表2 分類(lèi)信號(hào)的疲勞水平標(biāo)準(zhǔn)劃分Tab.2 Classification signal of fatigue horizontal standard

為解決異類(lèi)信號(hào)不兼容無(wú)法統(tǒng)一分析的問(wèn)題，將粗大誤差樣本信號(hào)與缺失信號(hào)利用信號(hào)分布規(guī)律進(jìn)行填補(bǔ)，將不同的信號(hào)進(jìn)行異類(lèi)信號(hào)的歸一化處理(標(biāo)么化)。設(shè)原始連續(xù)信號(hào)f(t)在時(shí)間軸和頻率軸上都是緊支撐的，那么時(shí)域表示固定的區(qū)間[-tb/2，tb/2]上，頻域表示在區(qū)間[-fb/2，fb/2]上，tb和fb分別為信號(hào)的時(shí)寬和帶寬，信號(hào)時(shí)寬的帶寬積為N=tbfb，由于時(shí)域和頻域具有不同的量綱，則需將時(shí)域和頻域分別轉(zhuǎn)換成量綱為一的空間域上。因此引入時(shí)間量綱的尺度因子S，并定義新的尺度化坐標(biāo)為

(1)

新坐標(biāo)系(x，v)實(shí)現(xiàn)了量綱歸一化(量綱為1)，信號(hào)在新坐標(biāo)系中被限定在區(qū)間[-tb/(2)，tb/(2S)]和[-fbS/2，fbS/2]內(nèi)，使得2個(gè)區(qū)間長(zhǎng)度相等，選擇時(shí)間量綱S為(tb/fb)1/2，則有區(qū)間長(zhǎng)度為xb=(tbfb)1/2，即區(qū)間的歸一化為[-xb/2，xb/2].那么歸一化后的尺度因子S和歸一化寬度xb分別為

(2)

(3)

2.3.2CMAC信號(hào)分類(lèi)結(jié)構(gòu)與算法

如圖3所示為礦工疲勞監(jiān)測(cè)控制系統(tǒng)的二維輸入/一維輸出的CMAC模型結(jié)構(gòu)，具體測(cè)試信號(hào)見(jiàn)表1.20個(gè)信號(hào)從不同的時(shí)段輸出，把時(shí)段作為不同信號(hào)空間，稱(chēng)為“段”；總共輸出的20個(gè)信號(hào)Y={y1，y2，…，y20}，稱(chēng)為“因素”；由每個(gè)“因素”特征向量的維度，由每個(gè)“因素”組成的集合空間稱(chēng)為“元素”，即每個(gè)部位的信號(hào)集合；而輸入變量被量化為n個(gè)離散的區(qū)域，即每個(gè)測(cè)量信號(hào)的信號(hào)組合為一個(gè)維度空間，把這個(gè)維度空間稱(chēng)為“塊”，如本例中塊M=2，區(qū)的寬度影響CMAC的泛化能力。

圖3 礦工疲勞監(jiān)測(cè)控制系統(tǒng)CMAC網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Neural network contracture of miner fatigue monitoring and control system

那么，該系統(tǒng)的具體分層計(jì)算公式如下：

該系統(tǒng)總共分為3層，輸入層，融合層，輸出層。第一層即輸入層，分為2個(gè)階段，分別為設(shè)備輸入層和信號(hào)輸入層。

輸出層第一階段：實(shí)現(xiàn)將不同測(cè)試儀器的特征向量{a1，a2，…，a5}引入網(wǎng)絡(luò)。則有

(4)

輸出層第二階段：將設(shè)備輸入的信號(hào)特征向量{y1，y2，…，y20}引入網(wǎng)絡(luò)，為使對(duì)于A空間的每一個(gè)測(cè)試信號(hào)，在Y空間均存在唯一的映射。A存儲(chǔ)區(qū)中單元的個(gè)數(shù)至少等于Y空間的信號(hào)個(gè)數(shù)，則有輸出信號(hào)個(gè)數(shù)為

(5)

式中Yi(I2)為測(cè)試信號(hào)狀態(tài)點(diǎn)個(gè)數(shù)；yi為第n個(gè)測(cè)試信號(hào)；m為為信號(hào)輸入特征向量的維度。

第二層-融合層(中間層)。由于部分信號(hào)在不同時(shí)間段均有檢測(cè)功能，則有完成輸入信號(hào)特征向量的交叉融合的融合層(中間層)。滿(mǎn)足分割最優(yōu)化，采用聚類(lèi)分析中的最優(yōu)分割法對(duì)交叉信號(hào)的前后時(shí)間進(jìn)行分割。確保相同的監(jiān)測(cè)信號(hào)在不同時(shí)段相互交錯(cuò)影響而產(chǎn)生信號(hào)沖突。那么，則有

(6)

(7)

那么，融合層(中間層)輸出關(guān)系為

(8)

(9)

第三層輸出層。該層分為2個(gè)階段，第一階段用于實(shí)現(xiàn)以第二層求出的激活強(qiáng)度激活聯(lián)想單元中的聯(lián)想強(qiáng)度輸入，第二階段則進(jìn)行輸出。其輸入輸出關(guān)系為

輸入關(guān)系Mij={x1ω1*x1ω2*…*xnωn}

(10)

(11)

式中ωn=1，2，…，n；*為乘機(jī)取小運(yùn)算。

2.3.3CMAC的δ學(xué)習(xí)算法

CMAC的訓(xùn)練學(xué)習(xí)主要是調(diào)整2組參數(shù)(xij，yij)，這2組參數(shù)的修正結(jié)合δ學(xué)習(xí)算法采用迭代法進(jìn)行訓(xùn)練。定義用F0標(biāo)識(shí)對(duì)應(yīng)輸入的D的期望輸出權(quán)值，F(xiàn)0=(F01，F(xiàn)01，F(xiàn)03，…，F(xiàn)0n)，權(quán)值調(diào)整公式為

ζ=F0j-F(X)

(12)

(13)

式中 |X*|為某一輸入元素中同時(shí)激活為1的信號(hào)集合X*中包含的興奮因素的個(gè)數(shù)；η為學(xué)習(xí)率。

通過(guò)上述對(duì)信號(hào)空間的分類(lèi)，調(diào)整隸屬函數(shù)的中心值和寬度就類(lèi)似調(diào)整了如圖2中“塊”的劃分方式和概括程度，從而達(dá)到調(diào)整模型內(nèi)部的空間位置和對(duì)輸入的覆蓋程度的目的。由于在CMAC礦工疲勞監(jiān)測(cè)控制系統(tǒng)中“塊”的劃分方式和概括程度可以實(shí)時(shí)調(diào)整，空間維數(shù)和存儲(chǔ)空間也將大幅減少。

3 釋例應(yīng)用

實(shí)驗(yàn)選自有煤礦工作經(jīng)驗(yàn)的32名男性，受試者年齡為19～29歲之間，平均年齡在22.5歲。利用構(gòu)建疲勞監(jiān)測(cè)和控制系統(tǒng)對(duì)被試者務(wù)工期間進(jìn)行8 h的跟蹤式監(jiān)測(cè)，監(jiān)測(cè)時(shí)長(zhǎng)為7日。依據(jù)上述構(gòu)建的監(jiān)測(cè)信號(hào)體系與判斷決策模型，將監(jiān)測(cè)的數(shù)據(jù)作為釋例進(jìn)行說(shuō)明。設(shè)期望輸入的特征向量為{x1,x2}，每個(gè)論域上定義為2塊，則每個(gè)聯(lián)想單元占用的儲(chǔ)存單元數(shù)量為202=400個(gè)/min，那么，總共數(shù)據(jù)量為400×8×60×7=1 344 000個(gè)信號(hào)。在信息感知與疲憊特征識(shí)別這2個(gè)階段中，而從檢測(cè)角度來(lái)說(shuō)，分為個(gè)體信號(hào)與信號(hào)檢測(cè)部位2個(gè)部分。把人的測(cè)試區(qū)域共分為腦、心臟、皮膚、肌肉、眼睛及工作時(shí)長(zhǎng)，CMAC礦工疲勞監(jiān)測(cè)控制系統(tǒng)所監(jiān)測(cè)的每個(gè)元素由不同部位的信號(hào)點(diǎn)組合，對(duì)應(yīng)的輸出向量為X={y1,y2,…,yn}表示一個(gè)監(jiān)測(cè)部位信號(hào)點(diǎn)的個(gè)數(shù)。

3.1 信號(hào)預(yù)處理

本實(shí)驗(yàn)需監(jiān)測(cè)樣本信號(hào)1 344 000個(gè)，每一種信號(hào)監(jiān)測(cè)112 000個(gè)。實(shí)際監(jiān)測(cè)1 344 000個(gè)，所得有效信號(hào)樣本為1 343 974個(gè)，粗大誤差樣本10個(gè)，信號(hào)缺失16個(gè)，有效信號(hào)率為99.98%.利用不同信號(hào)的監(jiān)測(cè)過(guò)程中分布情況，修正粗大誤差樣本信號(hào)并填補(bǔ)缺失信號(hào)，結(jié)合公式(1)至公式(3)對(duì)信號(hào)對(duì)監(jiān)測(cè)信號(hào)進(jìn)行標(biāo)么化處理(歸一化)。部分分類(lèi)信號(hào)的標(biāo)么化(歸一化)處理結(jié)果見(jiàn)表3.

3.2 δ學(xué)習(xí)算法定權(quán)

為保證每個(gè)信號(hào)所占礦工疲勞水平的覆蓋比例自適應(yīng)不同礦工個(gè)體的特殊性，利用Matlab2016a輸入公式(12)至公式(13)的δ學(xué)習(xí)算法進(jìn)行編程并定權(quán)，權(quán)重計(jì)算結(jié)果見(jiàn)表4.

表3 礦工疲勞水平的多元異類(lèi)信號(hào)標(biāo)么化(歸一化)處理結(jié)果Tab.3 Miner’s fatigue level multivariate heterogeneous signal normalization(standardization)processing results

表4 δ學(xué)習(xí)算法的樣本信號(hào)定權(quán)Tab.4 δ Learning algorithm sample signal fixed weight

根據(jù)表5所列結(jié)果可知，檢測(cè)信號(hào)的重要度從高到低的排序依次皮溫>肌肉>瞳孔大小>腦電>眼皮閉合程度>瞳孔移動(dòng)距離>呼吸>心率>工作時(shí)長(zhǎng)>血壓，彌補(bǔ)了僅利用單一信號(hào)設(shè)備監(jiān)測(cè)礦工疲勞水平“以偏概全”的缺點(diǎn)。

3.3 分析與驗(yàn)證

在該系統(tǒng)中，假設(shè)信號(hào)體系有yij個(gè)，評(píng)價(jià)等級(jí)為nk，那么yij作為CMAC的網(wǎng)絡(luò)輸入，nk作為模型輸出。將網(wǎng)絡(luò)的輸入信號(hào)的每一“因素”依據(jù)人體疲勞水平標(biāo)準(zhǔn)界定劃分為4個(gè)等級(jí)，將選取的12個(gè)信號(hào)作為輸入，疲勞等級(jí)nk作為輸出。設(shè)定泛化參數(shù)C=6，取32名被試者的前6×105個(gè)信號(hào)樣本作為訓(xùn)練樣本，其余作為檢驗(yàn)樣本。運(yùn)用Matlab 2016a軟件對(duì)公式(4)至(11)進(jìn)行編程，具體結(jié)果如圖4所示。

圖4 CMAC網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.4 Error parameter of CMAC network training

根據(jù)圖4曲線變化分析，前6×105個(gè)訓(xùn)練樣本在第82次學(xué)習(xí)后基本和期望輸入值得偏離值為0.99，說(shuō)明訓(xùn)練效果良好。同時(shí)，CMAC網(wǎng)絡(luò)的收斂速度快，經(jīng)過(guò)少量的輪訓(xùn)次數(shù)，即可達(dá)到預(yù)期監(jiān)控的水平。圖5為運(yùn)用CMAC疲勞監(jiān)控系統(tǒng)與傳統(tǒng)單一信號(hào)監(jiān)測(cè)系統(tǒng)同時(shí)進(jìn)行為期8小時(shí)監(jiān)測(cè)的某一礦工的疲勞水平數(shù)據(jù)比較結(jié)果。由圖可知，利用實(shí)時(shí)性。

圖5 多元信息監(jiān)測(cè)結(jié)果對(duì)比與分析Fig.5 Comparison of monitoring results and traditional single signal monitoring results

利用CMAC作為礦工疲勞監(jiān)測(cè)與控制系統(tǒng)過(guò)程中的判斷與輸出層分析模型，監(jiān)測(cè)值與礦工實(shí)際疲勞趨勢(shì)平均偏差不超過(guò)0.2，符合礦工疲勞監(jiān)測(cè)精度要求。偏差為0.1～0.3的約占51.7%，0.4～0.7的約占32.2%，0.8～1.0的約占16.1%，證明CMAC網(wǎng)絡(luò)的疲勞監(jiān)測(cè)與控制系統(tǒng)可靠，具有較強(qiáng)的泛化能力，在滿(mǎn)足精度監(jiān)測(cè)要求的前提下，表現(xiàn)較快的收斂速度，這說(shuō)明在監(jiān)測(cè)應(yīng)用方面明顯具有可適性和實(shí)時(shí)性。

利用剩余744 000個(gè)樣本對(duì)礦工進(jìn)行疲勞監(jiān)測(cè)，同樣采用Matlab 2014a的CMAC數(shù)據(jù)擬合代碼進(jìn)行樣本的數(shù)據(jù)擬合，計(jì)算結(jié)果如圖6所示，32名被試者每日8小時(shí)跟蹤監(jiān)測(cè)的一周疲勞水平，處于非常疲勞和輕微疲勞狀態(tài)的礦工人數(shù)較多，分別占總數(shù)41.2%和27.3%.其中，在無(wú)休息狀態(tài)下，礦工工作2～5 h內(nèi)疲勞狀況最為嚴(yán)重，有3.68%礦工因務(wù)工前期未合理安排時(shí)間、心里倦怠等原因，開(kāi)始工作時(shí)就處于非常疲憊的狀態(tài)。

圖6 被試礦工的疲勞水平數(shù)據(jù)擬合結(jié)果Fig.6 Comparison of fitting results between miner’s fatigue level

3.4 管控預(yù)案

在人體對(duì)聲波的敏感性研究基礎(chǔ)上，結(jié)合安全生產(chǎn)理論中的疲勞監(jiān)測(cè)控制原理，分析監(jiān)測(cè)結(jié)果，提出礦工疲勞水平管控預(yù)案

1)強(qiáng)制操作設(shè)備停車(chē)。依據(jù)金融風(fēng)險(xiǎn)規(guī)避理論，當(dāng)?shù)V工疲勞狀態(tài)已經(jīng)超過(guò)身體負(fù)荷狀態(tài)時(shí)，礦工極易出現(xiàn)由于生理與心理的倦怠，因而導(dǎo)致礦工在生產(chǎn)過(guò)程中出錯(cuò)率升高，該情形已成為高度危險(xiǎn)的狀態(tài)。一旦有礦工由于急于賺錢(qián)的心理不愿離崗，危險(xiǎn)發(fā)生，則后果無(wú)法承擔(dān)。因此，在高危狀態(tài)下，只有通過(guò)控制機(jī)械，強(qiáng)迫施工器械停車(chē)，迫使礦工停工休息，才能在生產(chǎn)過(guò)程中保護(hù)礦工不受到疲勞生產(chǎn)所帶來(lái)的危害；

2)強(qiáng)迫礦工換班/崗。依據(jù)金融風(fēng)險(xiǎn)對(duì)沖和風(fēng)險(xiǎn)轉(zhuǎn)移理論，當(dāng)?shù)V工處于較為疲憊狀態(tài)但還未超出身體負(fù)荷時(shí)。班組長(zhǎng)接收到某礦工身體疲勞的報(bào)警提示，此時(shí)，班組長(zhǎng)可采用礦工換班(崗)形式，將疲勞礦工調(diào)整到低危工作區(qū)，將無(wú)明顯疲勞狀態(tài)的礦工調(diào)整到高危工作區(qū)。以此將某些具有不同收益的崗位進(jìn)行組合，利用風(fēng)險(xiǎn)對(duì)沖和風(fēng)險(xiǎn)轉(zhuǎn)移的特性保證當(dāng)天的生產(chǎn)量；

3)發(fā)出調(diào)整狀態(tài)的提示。依據(jù)人體對(duì)聲波敏感性的特點(diǎn)，當(dāng)?shù)V工處于輕微疲勞時(shí)，對(duì)礦工務(wù)工期間發(fā)出調(diào)整狀態(tài)的提示音。提醒礦工調(diào)整當(dāng)前疲勞務(wù)工的狀態(tài)，避免出現(xiàn)更嚴(yán)重的疲勞狀態(tài)。

依據(jù)提出的管控預(yù)案，結(jié)合CMAC自動(dòng)輸出的管控結(jié)果，采用管控預(yù)案對(duì)上述32名礦工的疲勞務(wù)工狀態(tài)進(jìn)行控制，具體CMAC自動(dòng)輸出的管控結(jié)果如圖7所示。

圖7 不同疲勞水平的礦工控制策略結(jié)果Fig.7 Miner control strategy for different levels of fatigue

從圖7可知，9名礦工被強(qiáng)迫停車(chē)休息，占監(jiān)控總?cè)藬?shù)的28.13%；6名礦工被調(diào)班(崗)，占監(jiān)控總?cè)藬?shù)的18.75%；8名礦工接到調(diào)整狀態(tài)的報(bào)警提示，占監(jiān)控總?cè)藬?shù)的25%；10名礦工務(wù)工期間未出現(xiàn)疲勞狀態(tài)，占總?cè)藬?shù)的31.25%.依據(jù)該分布狀態(tài)?？梢葬槍?duì)不同礦區(qū)生產(chǎn)狀態(tài)，調(diào)整管控方法，為礦區(qū)的安全生產(chǎn)提供有力的保障。

4 結(jié) 論

從人因安全理論的2個(gè)維度和心理倦怠的6個(gè)階段，結(jié)合礦工務(wù)工期間的實(shí)際情況，分別從人體6個(gè)部位進(jìn)行監(jiān)測(cè)，結(jié)合神經(jīng)網(wǎng)絡(luò)中小腦模型的理念與系統(tǒng)自篩選的特性，從多元信息融合的角度將監(jiān)測(cè)方法從單一信號(hào)的監(jiān)測(cè)上升到多元信號(hào)的監(jiān)測(cè)，確定了監(jiān)測(cè)礦工疲勞水平的12信號(hào)與指標(biāo)，設(shè)計(jì)了礦工疲勞水平監(jiān)測(cè)的信號(hào)體系。

在構(gòu)建的監(jiān)測(cè)信號(hào)體系的基礎(chǔ)上，依據(jù)CMAC模型結(jié)構(gòu)和分類(lèi)算法，構(gòu)建了礦工疲勞監(jiān)測(cè)控制系統(tǒng)模型，基于小腦神經(jīng)網(wǎng)絡(luò)理論的礦工疲勞監(jiān)測(cè)控制系統(tǒng)模型與單一信號(hào)監(jiān)測(cè)礦工疲勞的系統(tǒng)相比，從結(jié)構(gòu)上規(guī)避了從多對(duì)一的映射復(fù)雜性和耗時(shí)性，并解決了監(jiān)測(cè)過(guò)程中信號(hào)交叉問(wèn)題。提高了監(jiān)測(cè)礦工疲勞水平的精度。

在建立礦工疲勞監(jiān)測(cè)控制系統(tǒng)模型的基礎(chǔ)上，監(jiān)控了32名礦工7天8小時(shí)的疲勞水平，以此為數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證，結(jié)果表明：處于非常疲勞和輕微疲勞狀態(tài)的礦工占多數(shù)，分別占總數(shù)的47.3%和41.2%.其中，在無(wú)休狀態(tài)下，礦工工作2～6 h時(shí)疲勞狀況最為嚴(yán)重，有少數(shù)礦工由于務(wù)工前期未合理安排時(shí)間、心里倦怠等原因也處于非常疲憊的狀態(tài)。依據(jù)礦工不同的疲勞狀態(tài)，提出了強(qiáng)迫機(jī)械被迫停車(chē)、強(qiáng)迫換班或報(bào)警提醒等措施。為后續(xù)礦工在務(wù)工時(shí)期的電子監(jiān)測(cè)和仿真理論領(lǐng)域提供了一定的參考。

參考文獻(xiàn)(References)：

[1] 魏紹敏，田水承，陳勇剛.礦山人因事故的構(gòu)成要素及分類(lèi)初步研究[J].煤炭技術(shù)，2003，22(10)：1-2.

WEI Shao-min，TIAN Shui-cheng，Chen Yong-gang.Research on component factors and classification of mine personel accident[J].Coal Mine Technology，2003，22(10)：1-2.

[2] 孫繼平.煤礦井下人員位置監(jiān)測(cè)系統(tǒng)聯(lián)網(wǎng)[J].煤炭科學(xué)技術(shù)，2009，27(11)：77-80.

SUN Ji-ping.Networking of underground mine personnel position monitoring and measuring system[J].Coal Science and Technology，2009，27(11)：77-80.

[3] Karthaus Melanie，Wascher Edmund，Getzmann Stepha-n.Proactive vs.reactive car driving：EEG evidence for different driving strategies of older drivers[J].Plos One，2018，13(1)：10-22.

[4] KANG Jia-jie，XU Bin-shi，WANG Hai-dou.Delamination failure monitoring of plasma sprayed composite ceramic coatings in rolling contact by acoustic emission[J].Engineering Failure Analysis，2018，86(3)：131-141.

[5] Lal Skl，Craig A.A critical review of the psychophysiology of driver fatigue[J].Biological Psychology，2001，55(3)：63-77.

[6] Ji Q，Zhu Z W，Lan P L.Real-time nonintrusive monitoring and prediction of driver fatigue[J].IEEE Transactions on Vehicular Technology，2004，53(4)：1052-1068.

[7] 田水承，烏力吉，寇 猛，等.基于生理實(shí)驗(yàn)的礦工不安全行為與疲勞關(guān)系研究[J].西安科技大學(xué)學(xué)報(bào)，2016，36(3)：324-330.

TIAN Shui-cheng，WU Li-ji，KOU Meng，et al.Relationship between miners’unsafe behavior and fatigue based on physiological experiment[J].Journal of Xi’an University of Science and Technology，2016，36(3)：324-330.

[8] YIN Wen-tao，F(xiàn)U Gui，YANG Chun，et al.Fatal gas explosion accidents on Chinese coal mines and the characteristics of unsafe behaviors：2000-2014[J].Safety Science，2017，92(6)：173-179.

[9] 李乃文，張 麗，牛莉霞.不同作業(yè)階段礦工安全注意力的事件相關(guān)電位研究[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2017，13(8)：96-101.

LI Nai-wen，ZHANG Li，NIU Li-xia.Research on event-related potentials for safety attention of miners in different operation stages[J].China Science and Technology Information，2017，13(8)：96-101.

[10] 邢娟娟.煤礦工人體能負(fù)荷與工傷事故關(guān)系研究[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2005，1(4)：19-21.

XING Juan-juan.Study in the relation between fatigue of coalminers and coal mine accidents in China[J].Journal of Safety Science and Technology，2005，1(4)：19-21.

[11] 成 波，馮睿嘉，張 偉，等.基于多源信息融合的駕駛?cè)似跔顟B(tài)監(jiān)測(cè)及預(yù)警方法研究[J].公路交通科技，2009，26(3)：13-18.

CHENG Bo，F(xiàn)ENG Rui-jia，ZHANG Wei，et al.Driver drowsiness detection and warning system based on multi-source information fusion[J].Journal of Highway and Transportation Research and Development，2009，26(3)：13-18.

[12] 周姝春.CMAC學(xué)習(xí)性能及泛化性能研究綜述[J].計(jì)算機(jī)仿真，2005，22(6)：5-7.

ZHOU Shu-chun.Reserarch on learning and generalization capability of CMAC：an overview[J].Computer Simulation，2005，22(6)：5-7.

[13] Albus J S.A new approach to manipulator control：the Cerebellar Model Articulation Controller(CMAC)[J].Journal of Electronic Control，1975，97(13)：220-227.

[14] Kotani K，Shibata T，Ohmi T.Impact of high-precision processing on the functional enhancement of neuron-MOS integrated circuits[J].IEEE Transform Electron，1996，79(3)：407-414.

[15] Juang Jih Gau，Lee Chia Lin.Applications of cerebellar model articulation controllers to intelligent landing system[J].Journal of Universal Computer Science，2009，15(13)：2586-2607.

[16] LIN Fa-jeng，LU Kuang-chin，YANG Bo-Hui.Recurrent fuzzy cerebellar model articulation neural network based power control of a single-stage three-phase grid-connected photovoltaic system during grid faults[J].IEEE Transactions on Industrial Electronics，2017，64(2)：1258-1268.

[17] 朱家群，鄒 凌，孫玉強(qiáng).CMAC神經(jīng)網(wǎng)絡(luò)與PID復(fù)合控制的應(yīng)用研究[J].微計(jì)算機(jī)信息，2006，13(7)：59-61.

ZHU Jia-qun，ZOU Ling，SUN Yu-qiang.Application of CMAC neural network and PID compound control[J].Microcomputer Information，2006，13(7)：59-61.

[18] 徐 德，譚 民.一種FCMAC及在Wiener模型辨識(shí)中的應(yīng)用研究[J].信息與控制，2002，31(2)：159-163.

XU De，TAN Min.A siso fuzzy FCMAC and its application in parameter identification of Wiener model[J].Information and Control，2002，31(2)：159-163.

[19] 侯媛彬，杜京義.改進(jìn)小腦模型網(wǎng)絡(luò)的干式變壓器卷線機(jī)跑偏信號(hào)諧波分析[J].西安交通大學(xué)學(xué)報(bào)，2005，39(10)：1092-1096.

HOU Yuan-bin，DU Jing-yi.Harmonic wave analysis method of improved cerebellar model articulation control for coil winder of dry-type transformer[J].Journal of Xi’an Jiaotong University，2005，39(10)：1092-1096.

[20] Miller T W，Hewes R P，Glanz F J，et al.Real-time dynamic control of an industrial manipulator using a neural-network-based learning controller[J].IEEE Transactions Robot Automatic，1990，6(1)：1-9.

[21] Lane S H，Handelman D A，Gelfand J J.Theory and development of higher-order CMAC neural networks[J].IEEE Control System Magazine，1992，12(2)：23-30.