王道元，王 俊，孟志斌，張雪峰，李敬兆

(1.安徽理工大學(xué) 計算機(jī)科學(xué)與工程學(xué)院，安徽 淮南 232001；2.晉能控股集團(tuán)有限公司，山西 大同 037003)

0 引 言

目前我國煤礦開采正逐步向深部發(fā)展，隨之而來的是地質(zhì)條件越來越復(fù)雜，開采過程中面臨的安全隱患也逐漸增多[1]。采煤過程中安全事故頻發(fā)，與煤礦相關(guān)企業(yè)對煤礦安全[2]風(fēng)險等級評估能力較弱從而未及時處理安全隱患問題有很大關(guān)系。目前，煤礦企業(yè)急需一種能及時評估出煤礦安全隱患風(fēng)險等級并將對應(yīng)的風(fēng)險等級應(yīng)對措施及時反饋給監(jiān)督人員的信息預(yù)警系統(tǒng)[3]。

目前，在煤礦安全風(fēng)險分級管控方面，煤礦企業(yè)將記錄的安全隱患數(shù)據(jù)存入到相關(guān)數(shù)據(jù)庫中，綜合分析在哪一方面容易出現(xiàn)問題，劃分安全風(fēng)險等級，進(jìn)而尋找煤礦安全隱患管理工作重點，以此來提高煤礦開采過程中的安全性。以上雖然在安全風(fēng)險上做了分級，但是在分級的數(shù)值方面劃分不夠精確，如果取到一個處于2個等級的中間值，很容易造成模棱兩可的情況。研發(fā)一種可以精確計算煤礦安全風(fēng)險等級的系統(tǒng)[4]，并將對應(yīng)的處理安全隱患的條例提供給相關(guān)人員，是亟待解決的關(guān)鍵問題。

隨著國家對煤礦開采安全方面的重視，開采流程和安全隱患管控越來越規(guī)范[5]。針對安全隱患，許多企業(yè)提出了安全風(fēng)險分級這一概念，使安全隱患問題更加直觀地體現(xiàn)，并在分級的基礎(chǔ)上，提供了應(yīng)對每一級安全隱患的措施。王小林等[6]提出“四環(huán)五級”的管理模式，使安全隱患從被發(fā)現(xiàn)到解決這一過程更加規(guī)范化、流程化，將安全隱患納入到實時監(jiān)控范圍之內(nèi)。該方案實現(xiàn)了向現(xiàn)代化、科技化、數(shù)字化的過渡，但只是將隱患問題進(jìn)行簡單地疊加處理，對于更深入地劃分安全風(fēng)險等級的方案并沒有做出更具體的闡述。何橋等[7]提出一種分析煤礦安全風(fēng)險的方案，該方案對隱患生命周期、隱患風(fēng)險因素、區(qū)域隱患風(fēng)險綜合分析，以此實現(xiàn)隱患的綜合預(yù)警，并將排查治理能力考慮在內(nèi)，使得對隱患程度的評估更加精確，采取的治理措施更加高效。但當(dāng)評估的風(fēng)險數(shù)值處于2個安全風(fēng)險等級中間值或該中間值的近似區(qū)域范圍時，上述方案容易造成預(yù)警不準(zhǔn)確，且預(yù)警之后不能自動提供應(yīng)對的條例，達(dá)不到預(yù)警信息及時反饋的效果。

針對上述研究中評估安全風(fēng)險數(shù)值精確度低且信息分析預(yù)警能力較弱等問題，筆者通過構(gòu)建數(shù)據(jù)篩選和安全風(fēng)險精確分級的智能模型，設(shè)計了一種基于改進(jìn)粒子群算法(Particle Swarm Optimization,PSO)和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)。該系統(tǒng)具有安全風(fēng)險精確評估、以各種統(tǒng)計圖顯示隱患數(shù)據(jù)、根據(jù)安全風(fēng)險等級顯示預(yù)警并提供合適的應(yīng)對條例等功能，解決了因煤礦安全風(fēng)險等級評估不精確而導(dǎo)致的應(yīng)對措施不到位的問題，同時智能化顯示數(shù)據(jù)和安全條例，為工作人員提供了很大方便，在解決煤礦安全隱患方面起到了重要作用。

1 智能分級管控與信息預(yù)警系統(tǒng)設(shè)計

煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)分為數(shù)據(jù)采集層、智能模型層、數(shù)據(jù)處理層、風(fēng)險預(yù)警層，如圖1所示。

圖1 煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)體系結(jié)構(gòu)Fig.1 Structure of intelligent hierarchical control and information early warning system of coal mine safety risk

1.1 數(shù)據(jù)采集層

數(shù)據(jù)采集層由人工匯總記錄安全隱患信息，之后經(jīng)過何橋等[7]提出的安全風(fēng)險評估方案處理得到最初的數(shù)據(jù)，然后將這些初始數(shù)據(jù)導(dǎo)入到煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)的數(shù)據(jù)庫里面。數(shù)據(jù)采集層結(jié)構(gòu)如圖2所示。

圖2 數(shù)據(jù)采集層結(jié)構(gòu)Fig.2 Structure of data acquisition layer

1.2 智能模型層

智能模型層主要由概念模型、物理模型和邏輯模型組成。應(yīng)用設(shè)計模塊將概念模型實例化，并將物理模型和邏輯模型結(jié)合起來，通過構(gòu)建智能數(shù)據(jù)篩選模型和智能風(fēng)險分級模型，來解決煤礦安全風(fēng)險分級不精確問題，如圖3所示。

圖3 智能模型層結(jié)構(gòu)Fig.3 Structure of intelligent model layer

概念模型是指對現(xiàn)實中用到的數(shù)據(jù)進(jìn)行抽象化，在設(shè)計階段了解和描述數(shù)據(jù)。該模型具有較強(qiáng)的語義表達(dá)能力，能夠方便直接表達(dá)應(yīng)用中的各種語義知識，易于用戶理解，使應(yīng)用設(shè)計模塊更加符合要求。物理模型是包含初始的隱患評估值和安全條例的數(shù)據(jù)庫。邏輯模型是煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)的核心模型，通過改進(jìn)的粒子群算法和CNN算法來實現(xiàn)安全風(fēng)險智能分級的功能。應(yīng)用設(shè)計模塊將3個模型連接起來，建立了一個具有定義數(shù)據(jù)、算法設(shè)計、計算數(shù)據(jù)等的數(shù)據(jù)運(yùn)行環(huán)境。

1.3 數(shù)據(jù)處理層

數(shù)據(jù)處理層是將智能模型層中構(gòu)建的模型加以運(yùn)用，由人工錄入礦區(qū)、日期、檢查人員等相關(guān)的隱患信息，采用何橋等[7]提出的分析煤礦安全風(fēng)險的方案來計算出風(fēng)險評估值，將這些評估值記為初始數(shù)據(jù)導(dǎo)入到數(shù)據(jù)庫。初始數(shù)據(jù)通過上一層的基于改進(jìn)PSO的智能數(shù)據(jù)篩選模型，剔除掉不合理的數(shù)據(jù)。調(diào)用基于改進(jìn)CNN算法的智能風(fēng)險分級模型，經(jīng)過計算數(shù)據(jù)得到高精確度的風(fēng)險評估值。同時將計算后對應(yīng)的風(fēng)險等級、該風(fēng)險等級對應(yīng)的安全條例和隱患信息的統(tǒng)計圖等顯示出來，供工作人員查看，為接下來安全隱患的處理提供方便。數(shù)據(jù)處理層結(jié)構(gòu)如圖4所示。

圖4 數(shù)據(jù)處理層結(jié)構(gòu)Fig.4 Structure of data processing layer

1.4 風(fēng)險預(yù)警層

風(fēng)險預(yù)警層是將經(jīng)過上面智能模型層處理后的相關(guān)數(shù)據(jù)進(jìn)行分類、統(tǒng)計，以可視化的形式呈現(xiàn)，方便分析得到的安全隱患信息。工作人員在前臺系統(tǒng)輸入日期、礦區(qū)等關(guān)鍵詞，檢索存儲安全隱患數(shù)據(jù)的數(shù)據(jù)庫，可以查詢得到相關(guān)數(shù)據(jù)信息。該系統(tǒng)的前臺功能如下：首先，通過設(shè)定的風(fēng)險閾值來判斷處理后的數(shù)據(jù)所處的風(fēng)險等級(本系統(tǒng)劃分了4個等級：紅、橙、黃、藍(lán))，如果是紅色和橙色風(fēng)險級別，指示燈則一直快速閃爍，來提醒工作人員及早處理該安全隱患事件；黃色風(fēng)險級別，指示燈慢速閃爍；藍(lán)色風(fēng)險級別，指示燈正常顯示；以此增大預(yù)警信息的區(qū)分梯度和傳遞速度。其次，通過智能模型決策之后的整體安全風(fēng)險數(shù)據(jù)信息采用扇形圖、折線圖等等各種圖表格式展示出來，將大量的描述數(shù)據(jù)化繁為簡，可以清晰地看出煤礦安全隱患問題的變化趨勢。最后，根據(jù)相關(guān)的安全風(fēng)險分級反饋，給出應(yīng)對各級安全隱患的條例。工作人員依據(jù)煤礦安全隱患信息的情況和安全條例的建議做出整改措施，以此達(dá)到迅速整改安全隱患的目的，并極大改善煤礦井下工作人員的安全環(huán)境。風(fēng)險預(yù)警層結(jié)構(gòu)如圖5所示。

圖5 風(fēng)險預(yù)警層結(jié)構(gòu)Fig.5 Structure of risk warning layer

2 智能數(shù)據(jù)篩選模型構(gòu)建

2.1 模型結(jié)構(gòu)

基于改進(jìn)PSO的智能數(shù)據(jù)篩選模型如圖6所示，構(gòu)建過程如圖7所示。

圖6 基于改進(jìn)PSO的智能數(shù)據(jù)篩選模型結(jié)構(gòu)Fig.6 Structure of intelligent filtered data model based on improved PSO

圖7 基于改進(jìn)PSO的智能數(shù)據(jù)篩選模型構(gòu)建過程Fig.7 Building process of intelligent filtered data model based on improved PSO

將最初錄入的安全風(fēng)險評估值當(dāng)作一個個粒子，要解決的剔除異常值的問題轉(zhuǎn)化為搜索空間中的粒子最值問題，在系統(tǒng)開始運(yùn)行之初，為所有粒子賦予1個適應(yīng)度函數(shù)(Fitness Function)，每個粒子還各自有1個可以決定他們移動距離和方向的速度。以初始粒子作為起始點，對該粒子周圍的粒子探查，以此遍歷完所有的粒子。粒子上包含有關(guān)速度和位置信息的粒子信息表，在探查具有安全風(fēng)險評估值的粒子時，粒子和粒子之間經(jīng)過信息共享，找到相對最優(yōu)值，將數(shù)據(jù)記錄下來。在迭代運(yùn)算中，粒子會探查個體最優(yōu)解和全局最優(yōu)解，2個最優(yōu)解分別指代粒子在其周圍找到的個體極值pbest、在整體中找到的極值gbest，通過比較2個最優(yōu)解來不斷地更新自己。經(jīng)過不斷地迭代，當(dāng)gbest滿足設(shè)定條件時，將該值存儲，作為首位最優(yōu)解。再進(jìn)行下一次查找最優(yōu)解，得到次首位最優(yōu)解。如果首位最優(yōu)解和次首位最優(yōu)解求得的是2個最大值，則再用同樣的方式求得2個最小值，分別稱為末位最優(yōu)解和次末位最優(yōu)解，反之亦然。將首位最優(yōu)解與次首位最優(yōu)解為1組比較，末位最優(yōu)解和次末位最優(yōu)解為1組比較，如果都沒有超過設(shè)定的誤差值，則都保留。如果其中有1組超過設(shè)定的誤差值，則剔除掉首位/末位最優(yōu)解，如果2組都超過設(shè)定的誤差值，則將首位和末位最優(yōu)解都剔除掉，再按照上述對比計算其余的值，直到保留首位和末位所有對比數(shù)據(jù)。

2.2 PSO算法計算步驟

1)設(shè)定初步的評估值數(shù)據(jù)為1個粒子種群，設(shè)置迭代次數(shù)k，初始化m個粒子，每個粒子i代表一個安全風(fēng)險評估值，其包含一個d維的位置向量，表示為Xi=(xi1,xi2,…,xid),(i=1,2,…,m)，粒子i的速度表示為Vi=(vi1,vi2,…,vid),(i=1,2,…,m)。

2)設(shè)置適應(yīng)度函數(shù)，此處采用Griewank函數(shù)[8]，函數(shù)表達(dá)式為

(1)

其中：f(x)為粒子值；xi為每個粒子i在該適應(yīng)度函數(shù)中對應(yīng)的橫坐標(biāo)；m為粒子數(shù)量。每個粒子都有1個體極值pbest、速度向量Vi、位置向量Xi存儲在節(jié)點信息表。

3)在粒子迭代過程中，為防止粒子的盲目搜素，限定粒子的速度和位置在該區(qū)間[-vmax,vmax]、[-xmax,xmax]表示的范圍內(nèi)，-vmax為用戶設(shè)定的最小速度，vmax為用戶設(shè)定的最大速度，-xmax為用戶設(shè)定的最小位置，xmax為用戶設(shè)定的最大位置。針對粒子速度采用線性遞減的方法，在迭代的初始階段，給安全風(fēng)險評估值粒子一個最大速度vmax，以此易跳出局部最優(yōu)，增加全局的搜索能力；在迭代末期階段具有比較小的速度，用來縮小粒子的搜索范圍，增強(qiáng)局部收斂能力，提升尋優(yōu)能力[10]。

4)在迭代過程中，評估值粒子在搜尋到最優(yōu)解后，改變自己在d維空間中的搜索方式，按照式(2)來更新速度和位置。

(2)

其中：vid(t)為第i個粒子(有d個維度)在t時刻的速度向量；xid(t)為第i個粒子在t時刻所在的位置；px，best(t)為粒子個體截止在t時刻出現(xiàn)的最佳位置；gx，best(t)為粒子截止在t時刻出現(xiàn)的全局最優(yōu)解位置；w為慣性權(quán)重；c1和c2為學(xué)習(xí)因子；rand1( )、rand2( )為(0,1)間的隨機(jī)數(shù)。

5)學(xué)習(xí)因子使粒子具備更好的學(xué)習(xí)能力。采用異步學(xué)習(xí)因子[11]，即c1和c2。學(xué)習(xí)因子在運(yùn)算過程中變化不一樣，在前期設(shè)置c1較大的值，c2較小的值，可以增加計算的局部范圍內(nèi)評估值粒子數(shù)量，加強(qiáng)全局搜索能力，在末期設(shè)置c1較小的值，c2較大的值，有利于避免局部最優(yōu)，從而收斂到局部最優(yōu)解。學(xué)習(xí)因子數(shù)值變化表達(dá)式為

(3)

其中：c1,start、c2,start為學(xué)習(xí)因子c1和c2的初始值；c1,end、c2,end為c1和c2的末期值。為了達(dá)到較好的參數(shù)效果，一般設(shè)置如下：

(4)

適當(dāng)?shù)膽T性權(quán)重[12]w在迭代過程中，可以提高算法性能，避算法陷入局部最優(yōu)[13]。針對慣性權(quán)重，筆者采用線性微分遞減策略[14]，見式(5)。

(5)

其中：wmin和wmax分別為w的最小值和最大值，t、tmax分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)。w在(0，1)中取值，實驗室試驗結(jié)果表明將w設(shè)置為從0.8到0.3的線性下降時，目標(biāo)函數(shù)計算出數(shù)值更穩(wěn)定，提高了算法的性能，比典型線性遞減策略表達(dá)效果更好。

6)利用該改進(jìn)的PSO算法對數(shù)據(jù)進(jìn)行迭代，如果沒有超過迭代次數(shù)或者達(dá)到計算的最小閾值，繼續(xù)進(jìn)行第4步，更新計算評估值粒子的速度和位置，直到滿足條件得到最值。計算相鄰的2個最大值和最小值，比較之后得到篩選的煤礦安全風(fēng)險評估值數(shù)據(jù)。

2.3 算法仿真與分析

實驗室中訓(xùn)練用到的數(shù)據(jù)集為煤礦實際數(shù)據(jù),該數(shù)據(jù)集由2 000個安全隱患評估值組成。采用MATLAB R2017a進(jìn)行仿真，平臺軟硬件配置如下：Window操作系統(tǒng)、Inter i7中央處理器、8核GPU、R2017a的Matlab、32GB內(nèi)存。

通過使用普通PSO算法和改進(jìn)后的PSO算法(IMP-PSO)2種不同數(shù)據(jù)處理方式比較，得出各算法數(shù)據(jù)處理性能的優(yōu)劣。從圖8可以看出，在相同的實驗室環(huán)境下篩選200個偏差過大的安全隱患評估值，采用普通PSO算法需要600 s，而IMP-PSO算法則需要450 s，這表示改進(jìn)后的PSO算法可以提升篩選目標(biāo)數(shù)據(jù)的效率。

圖8 各算法處理目標(biāo)數(shù)據(jù)過程對比Fig.8 Comparison of each algorithm’s processing of target data

3 基于改進(jìn)CNN的智能風(fēng)險分級模型構(gòu)建

3.1 模型結(jié)構(gòu)

基于CNN的智能風(fēng)險分級模型的構(gòu)建過程如圖9所示。首先構(gòu)建矩陣，實驗室對9個不同的礦區(qū)采集安全風(fēng)險評估值，每個礦區(qū)由4個經(jīng)過篩選后的評估值組成，對9個礦區(qū)進(jìn)行3×3的數(shù)據(jù)排列，每個礦區(qū)進(jìn)行2×2的數(shù)據(jù)排列，所有的礦區(qū)數(shù)據(jù)組成一個6×6的二維結(jié)構(gòu)，每個評估值在(0，1)之間取小數(shù)點后3位小數(shù)。之后進(jìn)行CNN建模，使用并行融合[15]的卷積神經(jīng)網(wǎng)絡(luò)設(shè)計，即將卷積核大小設(shè)計成不同的尺度，通過2個通道來提取特征[16]，用來增大相關(guān)特征的提取量，以增加特征的多樣性和魯棒性，提高網(wǎng)絡(luò)的分類精度。

圖9 基于改進(jìn)CNN的智能風(fēng)險分級模型構(gòu)建過程Fig.9 Building process of intelligent grading risk model based on improved CNN

首先在卷積層通過設(shè)計卷積核，將得到的評估值放大，然后通過池化層進(jìn)行降采樣，以此壓縮采集到的數(shù)據(jù)，這里采用Average Pooling的方式進(jìn)行降維。最后得到一個3×3的矩陣，即安全風(fēng)險評估值矩陣，將該矩陣的數(shù)值與安全分級做比對，得出這些礦區(qū)的安全風(fēng)險等級。

3.2 改進(jìn)的CNN算法步驟

1)記錄i次9個礦區(qū)的安全風(fēng)險評估值數(shù)據(jù)，每個礦區(qū)包括4個評估值，對每個礦區(qū)安全風(fēng)險進(jìn)行分析，評估值取小數(shù)點后3位，構(gòu)建最初的矩陣數(shù)據(jù)模型，如圖10所示。

圖10 評估值矩陣數(shù)據(jù)模型Fig.10 Data model of evaluation matrix

圖10每個點代表1個安全風(fēng)險評估值，設(shè)定，xi,j為矩陣中的第i行、第j列的節(jié)點值。在卷積層使用2個通道來處理數(shù)據(jù)，為了增強(qiáng)網(wǎng)絡(luò)的特征提取能力，首先對2個通道采用卷積核為1×1的卷積操作，之后對其中1個通道進(jìn)行卷積核為3×3的深度卷積提取特征，最后對輸出的特征圖進(jìn)行融合。融合輸出的卷積值可以表示為

(6)

2)將獲取的yi,j進(jìn)行平均池化[17]操作，以獲得更小的參數(shù)網(wǎng)格，減少計算維度[18]，見式(7)。

f(x)=average(yi,j,0)

(7)

令池化后的數(shù)據(jù)為P，則每一層輸出數(shù)據(jù)P={P1,1,P1,2,…,P3,3}，可得到計算矩陣為

(8)

其中：矩陣f(x)為數(shù)據(jù)處理之后的每層安全風(fēng)險評估值的組合，在一次卷積[19]和池化操作之后如果得到的數(shù)據(jù)劃分不夠明顯，可增加多層卷積[20]，來達(dá)到數(shù)值界限分明的效果。

3)將經(jīng)過池化層后輸出的f(x)作為全連接層的輸入數(shù)據(jù)，對N層數(shù)據(jù)進(jìn)行處理，得到一個3×3的數(shù)據(jù)矩陣，即安全風(fēng)險評估值矩陣。

4)對照劃分安全風(fēng)險各級的數(shù)值范圍，得到各個礦區(qū)安全風(fēng)險處于何種等級，并提出相應(yīng)的整改意見，見表2。

表2 煤礦安全風(fēng)險等級劃分Table 2 Grading risk of coal mine safety

3.3 算法仿真與分析

模型中訓(xùn)練用到的數(shù)據(jù)集為煤礦實際數(shù)據(jù)。該數(shù)據(jù)集由1 000張樣本組成，每個樣本包含36個隱患評估值，圖10展示了一個樣本的數(shù)據(jù)組成。本實驗室的超參數(shù)設(shè)置如下：動量系數(shù)為0.8，初始學(xué)習(xí)率設(shè)置為0.01，學(xué)習(xí)率為0.1，權(quán)值衰減系數(shù)為0.001。

采用改進(jìn)的tiny-YOLO為深度學(xué)習(xí)框架，由此搭建實驗室運(yùn)行環(huán)境，本實驗室平臺軟硬件的配置如下：Darknet網(wǎng)絡(luò)框架；8核GPU；Linux操作系統(tǒng)；32G內(nèi)存；Inter i7中央處理器。通過未使用神經(jīng)網(wǎng)絡(luò)、使用普通的CNN網(wǎng)絡(luò)和改進(jìn)的并行神經(jīng)網(wǎng)絡(luò)3種不同數(shù)據(jù)處理方式試驗比較，得出各網(wǎng)絡(luò)模型數(shù)據(jù)處理性能的優(yōu)劣，對比結(jié)果見表3。其中，準(zhǔn)確率為準(zhǔn)確判斷風(fēng)險級別的數(shù)據(jù)條數(shù)與處理數(shù)據(jù)條數(shù)的比值；訓(xùn)練時間為處理全部測試數(shù)據(jù)用時。

表3 各網(wǎng)絡(luò)模型數(shù)據(jù)處理性能對比Table 3 Data performance comparison of each network model

從表3可以看出，由這3種處理數(shù)據(jù)的方式得到的準(zhǔn)確率分別為73.5%、81.2%、90.7%，試驗結(jié)果說明數(shù)據(jù)經(jīng)過神經(jīng)網(wǎng)絡(luò)處理后，能夠提升最終的安全隱患評估值的精度，且提出的并行神經(jīng)網(wǎng)絡(luò)的效果優(yōu)于普通網(wǎng)絡(luò)。在處理相同數(shù)據(jù)量的情況下，由于并行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，會增加一定的計算量，因此最終的訓(xùn)練時間也有所增加。表5為各卷積核對并行網(wǎng)絡(luò)模型的影響，其中，準(zhǔn)確率為準(zhǔn)確判斷風(fēng)險級別的數(shù)據(jù)條數(shù)與處理數(shù)據(jù)條數(shù)的比值。從表4可以看出，并行網(wǎng)絡(luò)模型中卷積核大小選取1×1、3×3、5×5，得到的準(zhǔn)確率分別為81.2%、90.7%、83.5%，即選取卷積核為3×3可以達(dá)到更好的測試效果。

表4 各卷積核對并行網(wǎng)絡(luò)模型的影響對比Table 4 Comparison of effects of convolution kernels on parallel network models

表5 相同條件下2種系統(tǒng)查全率和查準(zhǔn)率的對比結(jié)果Table 5 Comparison of recall and precision of two systems under same conditions

4 實驗室分析與應(yīng)用

為驗證基于改進(jìn)PSO和CNN的煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)的實用性、可靠性，在某煤礦集團(tuán)的9個礦區(qū)進(jìn)行了試驗。每個礦區(qū)在每一時間點提取 9 條數(shù)據(jù)，多個時間點采集，共81 000條實時記錄數(shù)據(jù)，平均分為10組進(jìn)行數(shù)據(jù)處理。實驗室中將每組數(shù)據(jù)輸入到基于改進(jìn)PSO的智能數(shù)據(jù)篩選模型中，進(jìn)行數(shù)據(jù)的初步篩選。然后從每個礦區(qū)篩選后的數(shù)據(jù)中隨機(jī)選出4條數(shù)據(jù)，作為基于改進(jìn)CNN的智能風(fēng)險分級模型的輸入數(shù)據(jù)，經(jīng)過該算法后，計算出各礦區(qū)的安全風(fēng)險精確評估值，并對比安全風(fēng)險范圍劃分得出安全風(fēng)險的等級。計算在使用該系統(tǒng)和何橋提出的方法評估數(shù)據(jù)的查全率和查準(zhǔn)率。查全率為準(zhǔn)確判斷風(fēng)險級別數(shù)據(jù)條數(shù)與全部初始數(shù)據(jù)條數(shù)的比值；查準(zhǔn)率為準(zhǔn)確判斷風(fēng)險級別數(shù)據(jù)條數(shù)與實際查找到的數(shù)據(jù)條數(shù)的比值。

通過表5的對比可以得出，筆者提出的安全風(fēng)險智能分級管控系統(tǒng)在查全率和查準(zhǔn)率上取得了較大幅度的提升，本系統(tǒng)解決了安全風(fēng)險分級精確度不高的問題，適合煤礦企業(yè)用于安全隱患預(yù)警。

在此之前，有關(guān)安全隱患預(yù)警方面的信息只是簡單記錄下來，并未對數(shù)據(jù)進(jìn)行分析、展示、提出相應(yīng)的排查安全隱患的措施，使得工作人員不能以一種高效的方式處理安全隱患，導(dǎo)致安全事故頻發(fā)。本系統(tǒng)的應(yīng)用實現(xiàn)了隱患數(shù)據(jù)直觀展示，并針對精確的安全風(fēng)險分級情況，給出相應(yīng)的整改意見，大幅提升了煤礦作業(yè)的安全性、可靠性。

煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)已于2018年1月份投入到某煤礦企業(yè)中使用，該企業(yè)某礦區(qū)某一時間段的礦井隱患級別分類統(tǒng)計圖如圖11所示。制訂的《煤礦安全規(guī)程》部分條例截圖(圖12)對出現(xiàn)的安全風(fēng)險問題提供了整改建議，供工作人員參考。

圖11 礦井隱患級別分類統(tǒng)計Fig.11 Statistics of grading mine risk level

圖12 煤礦安全條例查詢Fig.12 Regulations of coal mine safety

5 結(jié) 論

1)煤礦安全風(fēng)險智能分級管控與信息預(yù)警系統(tǒng)使用改進(jìn)的PSO算法構(gòu)建智能數(shù)據(jù)篩選模型，從初始的數(shù)據(jù)中篩選掉不正常的數(shù)據(jù)，這部分?jǐn)?shù)據(jù)可能是人工計算不準(zhǔn)確或者采集礦區(qū)信息的過程中出現(xiàn)紕漏造成的，經(jīng)過這一模型處理之后，確保了下一步對安全風(fēng)險等級的正確計算判斷。

2)使用改進(jìn)的CNN算法構(gòu)建智能風(fēng)險分級模型，實現(xiàn)了對礦區(qū)安全風(fēng)險精確分級的功能。

3)該系統(tǒng)實現(xiàn)了對煤礦安全風(fēng)險分級、預(yù)警顯示、風(fēng)險問題統(tǒng)計圖查看、整改建議提示等功能，解決了煤礦安全風(fēng)險等級劃分不精確的問題，有效減少了安全隱患發(fā)生的頻度。實驗室結(jié)果與企業(yè)使用情況證明了該系統(tǒng)的可靠性與實用性。