李艷軍,楊娟娟

(榆林職業(yè)技術(shù)學(xué)院礦業(yè)工程系,陜西 榆林 719000)

近年來(lái),煤礦安全事故頻發(fā)給人們的生命和財(cái)產(chǎn)帶來(lái)不可估量的損失和傷害,為避免或減少煤礦安全事故的發(fā)生,對(duì)煤礦安全運(yùn)行狀態(tài)進(jìn)行正確及時(shí)有效的評(píng)價(jià),有助于及時(shí)掌握煤礦安全運(yùn)行狀態(tài),為事故預(yù)防和預(yù)警提供有針對(duì)性的措施,從而對(duì)提高煤礦安全管理水平具有重要的理論價(jià)值和現(xiàn)實(shí)意義[1]。煤礦生產(chǎn)屬于特殊行業(yè),是一個(gè)復(fù)雜的系統(tǒng)工程,涉及機(jī)械操作、人員管理、采礦技術(shù)、自然環(huán)境和地質(zhì)條件等,各個(gè)因素權(quán)重難以界定且存在較為模糊的界限。傳統(tǒng)的煤礦安全評(píng)價(jià)方法有:神經(jīng)網(wǎng)絡(luò)法、模糊綜合評(píng)價(jià)法、支持向量機(jī)、專家系統(tǒng)以及數(shù)據(jù)包絡(luò)分析法等[2-6]。神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)只能進(jìn)行定量分析,評(píng)價(jià)結(jié)果解釋性較差;專家系統(tǒng)過(guò)度依賴專家的水平和經(jīng)驗(yàn),評(píng)價(jià)結(jié)果具有很強(qiáng)的人為主觀性,其準(zhǔn)確性受專家經(jīng)驗(yàn)水平影響大;數(shù)據(jù)包絡(luò)分析法和模糊綜合評(píng)價(jià)法在煤礦安全評(píng)價(jià)中的應(yīng)用尚不成熟,評(píng)價(jià)準(zhǔn)確率很低,難以反映煤礦安全狀況和評(píng)價(jià)指標(biāo)之間的關(guān)系,并且數(shù)據(jù)包絡(luò)分析法需要收集很多評(píng)價(jià)指標(biāo)數(shù)據(jù),指標(biāo)的好壞直接影響評(píng)價(jià)精度,工作量大。

為提高煤礦安全評(píng)價(jià)的精度和可靠性,提出一種基于多層次模糊綜合評(píng)價(jià)法和狼群算法(WPA,wolf pack algorithm)改進(jìn)極限學(xué)習(xí)機(jī)(ELM,extreme learning machine)的WPA-ELM煤礦安全評(píng)價(jià)模型。首先,根據(jù)煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)指標(biāo)體系建立多層次模糊綜合評(píng)價(jià)模型;然后,根據(jù)不同指標(biāo)的權(quán)重系數(shù)和評(píng)價(jià)基準(zhǔn)值,計(jì)算出煤礦安全最終的狀態(tài)評(píng)價(jià)得分;最后,根據(jù)煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn),計(jì)算每次評(píng)價(jià)對(duì)應(yīng)的狀態(tài)。研究結(jié)果表明,提出的WPA-ELM模型具有更高的預(yù)警準(zhǔn)確率和更優(yōu)的模型性能,為煤礦安全運(yùn)行狀態(tài)預(yù)警提供了新的方法和途徑。

1 煤礦安全評(píng)價(jià)

1.1 綜合評(píng)價(jià)指標(biāo)體系

煤礦安全狀態(tài)評(píng)價(jià)通過(guò)在線實(shí)時(shí)信息和離線錄入信息二者相結(jié)合方式進(jìn)行。在線收集煤礦安全監(jiān)測(cè)對(duì)象的實(shí)時(shí)信息,能夠及時(shí)掌握煤礦安全監(jiān)測(cè)對(duì)象的運(yùn)行狀況和工況環(huán)境;離線信息主要包括煤礦安全監(jiān)測(cè)對(duì)象的歷史數(shù)據(jù),通過(guò)離線信息能夠掌握煤礦安全監(jiān)測(cè)對(duì)象的歷史健康狀態(tài),通過(guò)在線實(shí)時(shí)信息和離線錄入信息二者相結(jié)合方式可以更準(zhǔn)確地評(píng)價(jià)煤礦安全監(jiān)測(cè)對(duì)象的運(yùn)行狀態(tài)。煤礦安全監(jiān)測(cè)對(duì)象綜合狀態(tài)評(píng)價(jià)指標(biāo)體系如圖1所示。

圖1 綜合狀態(tài)評(píng)價(jià)指標(biāo)體系Fig.1 Comprehensive status evaluation index system

1.2 綜合評(píng)價(jià)方法

由于煤礦安全監(jiān)測(cè)對(duì)象綜合狀態(tài)評(píng)價(jià)指標(biāo)體系中的部分評(píng)價(jià)指標(biāo)具有不確定性和模糊性[7],因此運(yùn)用多層次模糊綜合評(píng)價(jià)法對(duì)煤礦安全監(jiān)測(cè)對(duì)象的運(yùn)行狀態(tài)進(jìn)行評(píng)價(jià)。具體評(píng)價(jià)步驟為:

(1) 建立評(píng)價(jià)指標(biāo)體系U。建立煤礦安全監(jiān)測(cè)對(duì)象運(yùn)行狀態(tài)的評(píng)價(jià)指標(biāo)體系為因素集U:

U={U1,…,Ui,…,Un},

(1)

其中:U為一級(jí)因素集;Ui={Ui1,Ui2,…,Uim}(i=1,2,…,n)為二級(jí)因素集,并且存在Ui∩Uj=?(i≠j)的集合關(guān)系。

(2) 構(gòu)造判斷矩陣。運(yùn)用層次分析(AHP,analytic hierarchy process)法和標(biāo)度1～9法確定各項(xiàng)指標(biāo)的權(quán)重[8]。判斷矩陣為相對(duì)于上一層某元素本層有關(guān)元素的重要性。

(3) 一致性檢驗(yàn)和權(quán)重確定。一致性檢驗(yàn)公式為

(2)

ICR=IC/IR,

(3)

其中:IC為判斷矩陣的一致性指標(biāo);λmax為判斷矩陣的最大特征值;n為判斷矩陣的階數(shù);ICR為修正后的一致性比率;IR為平均隨機(jī)一致性指標(biāo)值。當(dāng)ICR<0.1時(shí),判斷矩陣通過(guò)一致性檢驗(yàn)。

(4)

(5)

(4) 建立評(píng)價(jià)集。假設(shè)評(píng)價(jià)等級(jí)集為V={V1,V2,…,Vp},將煤礦安全監(jiān)測(cè)對(duì)象各指標(biāo)狀態(tài)量分為4種狀態(tài),分別為正常、注意、異常和嚴(yán)重,這時(shí)p=4,其中V1=80,V2=60,V3=40,V4=20。

(6)

(7)

(8)

其中:bk(k=1,2,…,p)為評(píng)判對(duì)象對(duì)評(píng)價(jià)集中第k個(gè)元素的隸屬度。

2 基于WPA-ELM的煤礦安全狀態(tài)預(yù)警模型

2.1 狼群算法

狼群算法(WPA)[9-10]是一種受狼群捕食行為啟發(fā)而提出的群智能優(yōu)化算法,該算法中有3種人工狼,分別為頭狼、探狼和猛狼。WPA步驟可描述為:

(1) WPA初始化。狼群規(guī)模為N、探狼個(gè)數(shù)為Q、狼群更新個(gè)數(shù)為O、最大迭代次數(shù)為T(mén)max,搜索空間維數(shù)為D、游走次數(shù)為Kmax,每只人工狼的初始位置Xi為

Xid=Xmin+rand×(Xmax-Xmin),

Xi=(Xi1,…,Xid,…,XiD),i=1,2,…,N

(9)

其中:rand∈[0,1]為均分分布的隨機(jī)數(shù);Xmax、Xmin分別為搜索空間的上限和下限。

(2) 頭狼選擇。將適應(yīng)度最優(yōu)的人工狼當(dāng)作頭狼,探狼在其周圍H個(gè)方向上搜索并與頭狼競(jìng)爭(zhēng),直到某一探狼的適應(yīng)度優(yōu)于頭狼或者達(dá)到最大游走次數(shù)Kmax,計(jì)算公式為

(10)

(3) 頭狼召喚猛狼。頭狼結(jié)合自身的位置(當(dāng)前狼群最優(yōu)位置)召喚猛狼,猛狼朝著頭狼位置聚集,公式為

(11)

(12)

(5) 分配食物更新狼群。根據(jù)“由強(qiáng)到弱”的原則分配食物,部分適應(yīng)度較差的O個(gè)人工狼將會(huì)餓死,之后隨機(jī)生成O個(gè)新的人工狼,從而提高狼群的多樣性,避免WPA陷入局部最優(yōu)。

(6) 判斷算法終止條件。滿足算法終止條件,則輸出頭狼位置即為優(yōu)化問(wèn)題的解;否則重復(fù)步驟(2)～(5)。

2.2 極限學(xué)習(xí)機(jī)

ELM是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)[11],具有計(jì)算簡(jiǎn)單和訓(xùn)練速度快的優(yōu)點(diǎn),其模型結(jié)構(gòu)如圖2所示。

圖2 ELM模型結(jié)構(gòu)Fig.2 ELM model structure diagram

對(duì)于N個(gè)訓(xùn)練樣本(Xi,Yi),輸出向量Xi=[xi1,xi2,…,xin]T∈Rn和目標(biāo)向量Ti=[ti1,ti2,…,tin]T∈Rm,其中:X為n×Q維矩陣;T為m×Q維矩陣,Q為ELM模型的訓(xùn)練集樣本個(gè)數(shù)。因此,對(duì)于一個(gè)隱含層節(jié)點(diǎn)數(shù)為L(zhǎng)的ELM輸出為[12]

(13)

其中:βi為輸出權(quán)重;g(x)為激勵(lì)函數(shù);Wi=[wi1,wi2,…,win]T為輸入權(quán)重;Wi·Xj為Wi和Xj的內(nèi)積;bi為第i個(gè)隱含層單元的偏置。

ELM學(xué)習(xí)的目標(biāo)是使得輸出的誤差最小,也就是使得式(14)誤差最小:

(14)

綜合式(13)和式(14),也就是存在βi、Wi和bi,使得

(15)

成立。其矩陣形式為

Hβ=T,

(16)

其中:β為輸出權(quán)重矩陣;H為隱含層節(jié)點(diǎn)的輸出。有

H(W1,…,WL,b1,…,bL,X1,…,XL)=

(17)

ELM在訓(xùn)練過(guò)程中,保持Wi與bi不變,輸出層權(quán)值矩陣β通過(guò)求解

(18)

的最小二乘解可獲得最優(yōu)解。式(18)的最小二乘解為

(19)

2.3 WPA-ELM學(xué)習(xí)算法

基于WPA-ELM的煤礦安全評(píng)價(jià)算法流程具體描述為:

Step1讀取煤礦安全評(píng)價(jià)指標(biāo)數(shù)據(jù),并對(duì)評(píng)價(jià)指標(biāo)進(jìn)行歸一化處理;

Step2確定目標(biāo)函數(shù)。為實(shí)現(xiàn)WPA及ELM參數(shù)的最優(yōu)化選擇,選擇均方差作為適應(yīng)度目標(biāo)函數(shù):

(20)

Step3WPA參數(shù)初始化。狼群規(guī)模為N、探狼個(gè)數(shù)為Q、狼群更新個(gè)數(shù)為O、最大迭代次數(shù)為T(mén)max、搜索空間維數(shù)為D、游走次數(shù)為Kmax,并隨機(jī)初始化每只人工狼的位置Xi;

Step4根據(jù)式(20)計(jì)算每個(gè)狼群個(gè)體的適應(yīng)度;

Step5WPA優(yōu)化ELM的權(quán)值和閾值,根據(jù)WPA算法的步驟(1)～(5)進(jìn)行優(yōu)化選擇;

Step6判斷WPA算法終止條件:若當(dāng)前迭代次數(shù)t>Tmax,則輸出最優(yōu)解,即頭狼所在位置;

Step7將頭狼所在位置的ELM最佳權(quán)值和閾值帶入ELM進(jìn)行煤礦安全評(píng)價(jià)。

3 實(shí)證分析

3.1 數(shù)據(jù)來(lái)源

為了驗(yàn)證WPA-ELM進(jìn)行煤礦安全運(yùn)行狀態(tài)預(yù)警的有效性和可靠性,選擇某煤礦2016年1月—2017年8月的歷史在線監(jiān)測(cè)數(shù)據(jù)和離線巡檢數(shù)據(jù)為研究對(duì)象,分別對(duì)比WPA-ELM、PSO-ELM和ELM 3種預(yù)警模型的效果。

煤礦安全運(yùn)行狀態(tài)預(yù)警分析之前,首先,根據(jù)煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)指標(biāo)體系建立多層次模糊綜合評(píng)價(jià)模型;然后,根據(jù)不同指標(biāo)的權(quán)重系數(shù)和評(píng)價(jià)基準(zhǔn)值,計(jì)算出煤礦安全最終的狀態(tài)評(píng)價(jià)得分;最后,根據(jù)煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn),計(jì)算每次評(píng)價(jià)對(duì)應(yīng)的狀態(tài)。煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)如表1所列。為了更加直觀地預(yù)報(bào)不同類型煤礦安全的警情,將煤礦安全分為優(yōu)良、正常、注意和異常4個(gè)運(yùn)行狀態(tài),并分別用橫線、豎線、右斜線和左斜線表示。

表1 煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)Table 1 Evaluation criteria for the coal mine safety operation status

根據(jù)煤礦安全運(yùn)行狀態(tài)數(shù)據(jù),每月評(píng)價(jià)1次,一共得到20個(gè)月的20次運(yùn)行狀態(tài)評(píng)價(jià)分值和狀態(tài),具體如圖3所示。以評(píng)價(jià)序號(hào)1為例,其評(píng)價(jià)分值為57.19,表示2016年1月煤礦安全運(yùn)行狀態(tài)綜合評(píng)價(jià)得分為57.19,根據(jù)表1煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)可知,煤礦安全所對(duì)應(yīng)的運(yùn)行狀態(tài)為注意狀態(tài)。

圖3 運(yùn)行狀態(tài)評(píng)價(jià)Fig.3 Running status evaluation chart

3.2 評(píng)價(jià)指標(biāo)

為了衡量不同煤礦安全運(yùn)行狀態(tài)預(yù)警模型的好壞,選擇希爾不等系數(shù)(TIC,theil inequality coefficient)和平均絕對(duì)百分比誤差(MAPE,mean absolute percent error)作為評(píng)價(jià)指標(biāo),二者公式[16-17]為

(16)

(17)

其中:i為數(shù)據(jù)序號(hào);N為數(shù)據(jù)總數(shù);Xr,Xf分別為實(shí)際狀態(tài)和預(yù)測(cè)狀態(tài)的評(píng)價(jià)分值。TIC主要用來(lái)衡量預(yù)警狀態(tài)的變化趨勢(shì)和實(shí)際狀態(tài)的一致性,而MAPE主要用來(lái)衡量狀態(tài)預(yù)警的準(zhǔn)確率。

3.3 結(jié)果分析

為了實(shí)現(xiàn)煤礦安全運(yùn)行狀態(tài)的預(yù)測(cè),選擇2016年1月—2017年2月共14個(gè)月的煤礦安全運(yùn)行狀態(tài)評(píng)分值作為訓(xùn)練樣本,對(duì)2017年3月—8月共6個(gè)月的煤礦安全運(yùn)行狀態(tài)評(píng)價(jià)分值進(jìn)行滾動(dòng)預(yù)測(cè)。選擇第N-6～N-1次共6個(gè)月的煤礦安全運(yùn)行狀態(tài)評(píng)分值作為ELM的輸入,第N月的煤礦安全運(yùn)行狀態(tài)評(píng)分值作為ELM的輸出。因此,ELM參數(shù)設(shè)置為:輸入層神經(jīng)元個(gè)數(shù)inputnum=6;隱含層神經(jīng)元個(gè)數(shù)hiddennum=7;輸出層神經(jīng)元個(gè)數(shù)outputnum=1。WPA和粒子群算法(PSO,particle swarm algorithm)參數(shù)設(shè)置為:種群規(guī)模N=30;進(jìn)化代數(shù)T=100;優(yōu)化變量維數(shù)dim=6×7+7×1+7+1=57;慣性權(quán)重w∈[0.3,0.7];學(xué)習(xí)因子c1=c2=2.0。WPA-ELM、PSO-ELM和ELM 3種預(yù)警模型對(duì)2017年3月—8月共6個(gè)月的煤礦安全運(yùn)行狀態(tài)的預(yù)警結(jié)果見(jiàn)圖4和表2。

圖4 運(yùn)行狀態(tài)預(yù)警Fig.4 Operation status early warning map

表2 不同模型的運(yùn)行狀態(tài)預(yù)警效果統(tǒng)計(jì)Table 2 Statistics on early warning effects on different models under operational status

由圖4可知,與PSO-ELM和ELM相比較,WPA-ELM的預(yù)警曲線與煤礦安全實(shí)際狀態(tài)曲線的一致性更高,PSO-ELM和ELM在2017年4月和7月均出現(xiàn)誤報(bào),而WPA-ELM僅在2017年4月發(fā)生誤報(bào),WPA-ELM模型的準(zhǔn)確率明顯優(yōu)于PSO-ELM和ELM。由表2不同模型的運(yùn)行狀態(tài)預(yù)警效果統(tǒng)計(jì)可知,TIC和MAPE評(píng)價(jià)指標(biāo)上,WPA-ELM模型的MAPE和TIC分別為4.596 1和0.023 5,均低于PSO-ELM模型的6.744 1和0.036 7以及ELM模型的8.537 2和0.045 4,從而說(shuō)明WPA-ELM具有更高的預(yù)警準(zhǔn)確率。綜上所述,研究提出的WPA-ELM模型具有更高的預(yù)警準(zhǔn)確率和更優(yōu)的模型性能,為煤礦安全運(yùn)行狀態(tài)預(yù)警提供了新的方法和途徑。

4 結(jié)論

煤礦行業(yè)是一項(xiàng)危險(xiǎn)系數(shù)很大的行業(yè),其安全運(yùn)行狀態(tài)直接影響人們的生命安全和財(cái)產(chǎn)安全。針對(duì)傳統(tǒng)煤礦安全評(píng)價(jià)方法評(píng)價(jià)精度低和可操作性差的缺點(diǎn),為提高煤礦安全運(yùn)行狀態(tài)預(yù)警的準(zhǔn)確率和評(píng)價(jià)效率,針對(duì)ELM模型的性能易受網(wǎng)絡(luò)的初始權(quán)值、閾值等參數(shù)選擇的影響,將狼群算法應(yīng)用于ELM的初始權(quán)值和閾值優(yōu)化,提出一種基于WPA-ELM的煤礦安全運(yùn)行狀態(tài)預(yù)警模型。選擇第N-6～N-1次共6個(gè)月的煤礦安全運(yùn)行狀態(tài)評(píng)分值作為ELM的輸入,第N月的煤礦安全運(yùn)行狀態(tài)評(píng)分值作為ELM的輸出,建立WPA-ELM煤礦安全評(píng)價(jià)模型。研究結(jié)果表明,與PSO-ELM和ELM相比較,WPA-ELM模型具有更高的預(yù)警準(zhǔn)確率和更優(yōu)的模型性能,為煤礦安全運(yùn)行狀態(tài)預(yù)警提供了新的方法和途徑。