潘 燕

(福建農(nóng)業(yè)職業(yè)技術(shù)學(xué)院，福建 福州 350007)

煤礦開采是我國(guó)一項(xiàng)基本工業(yè)生產(chǎn)活動(dòng)，但由于工作環(huán)境惡劣，被劃分為高危行業(yè)。近年來，國(guó)內(nèi)外礦難事故頻發(fā)，不僅造成巨大經(jīng)濟(jì)損失，也為工作人員的生命安全帶來威脅。因此，煤礦能源安全問題引起社會(huì)關(guān)注，政府等相關(guān)部門對(duì)該行業(yè)進(jìn)行大力整頓與規(guī)范，通過制定嚴(yán)格的管理措施將礦難風(fēng)險(xiǎn)降到最低。但針對(duì)煤礦能源而言，除了加大管理力度外，還需利用先進(jìn)技術(shù)和設(shè)備做好礦難預(yù)防和及時(shí)救援等工作。國(guó)外的煤礦監(jiān)測(cè)技術(shù)起步較早，在開采過程中布置大量監(jiān)測(cè)點(diǎn)，采集海量相關(guān)信息，將這些信息作為監(jiān)測(cè)依據(jù)[1]，但是方法沒有深層次挖掘信息，無法發(fā)現(xiàn)隱藏的危險(xiǎn)因子。目前，國(guó)內(nèi)一些學(xué)者也紛紛投入到此項(xiàng)研究中。借鑒了國(guó)外的監(jiān)測(cè)經(jīng)驗(yàn)，再利用數(shù)據(jù)挖掘算法預(yù)測(cè)可能發(fā)生的事故。有關(guān)學(xué)者將互聯(lián)網(wǎng)和云計(jì)算技術(shù)相結(jié)合，采集并儲(chǔ)存海量數(shù)據(jù)，利用數(shù)據(jù)挖掘和視頻分析技術(shù)發(fā)現(xiàn)現(xiàn)場(chǎng)生產(chǎn)規(guī)律，挖掘出潛在的安全風(fēng)險(xiǎn)和隱患[2]。還有相關(guān)學(xué)者設(shè)計(jì)一種數(shù)據(jù)分析模型。利用小波分析、偏離均值分析、軌跡相似性分析等多種模型，建立監(jiān)測(cè)大數(shù)據(jù)分析架構(gòu)；采用數(shù)據(jù)挖掘技術(shù)選取價(jià)值較高的數(shù)據(jù)，構(gòu)建遠(yuǎn)程監(jiān)管大數(shù)據(jù)分析系統(tǒng)，通過散點(diǎn)圖等多種可視化工具展示出挖掘分析結(jié)果[3]。

煤礦能源監(jiān)管數(shù)據(jù)主要包括有關(guān)空間定位等類型的地理數(shù)據(jù)，這些數(shù)據(jù)通常存在空間性、抽象性和非線性特征。通過數(shù)據(jù)挖掘算法在海量信息中找出隱含細(xì)節(jié)，其中關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的重要部分，能很好地滿足非線性數(shù)據(jù)處理要求[4]，通過實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)樣本，達(dá)到煤礦能源監(jiān)管目的。本文將粗糙集和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合構(gòu)建數(shù)據(jù)挖掘模型[5]，將該模型應(yīng)用在煤礦能源保護(hù)監(jiān)管中，根據(jù)關(guān)聯(lián)規(guī)則，獲得煤礦安全和瓦斯?jié)舛扰c日生產(chǎn)量有關(guān)的結(jié)論[6]。該方法能夠提供更加有效的措施確保煤礦安全生產(chǎn)，提高經(jīng)濟(jì)與社會(huì)效益。

1 煤礦能源保護(hù)監(jiān)管模型構(gòu)建

1.1 煤礦能源監(jiān)管保護(hù)系統(tǒng)組成

監(jiān)測(cè)系統(tǒng)主要監(jiān)測(cè)煤礦瓦斯?jié)舛?、溫度等信息[7]，需結(jié)合煤礦實(shí)際情況，布置各監(jiān)測(cè)點(diǎn)，每個(gè)監(jiān)測(cè)點(diǎn)之間距離應(yīng)適當(dāng)。由于監(jiān)測(cè)的數(shù)據(jù)需從井下發(fā)送到地面，易受環(huán)境干擾，所以監(jiān)測(cè)系統(tǒng)必須具備超強(qiáng)的抗干擾性能。監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)如圖1所示。

由圖1可以看出，監(jiān)測(cè)系統(tǒng)包括信息層、控制層、設(shè)備層。①信息層[8]：負(fù)責(zé)煤礦所有職能部門的數(shù)據(jù)共享，利用資源管理平臺(tái)，充分調(diào)用各方面資源，實(shí)時(shí)全面地掌握作業(yè)過程。②控制層[9]：處理煤礦開采過程中系統(tǒng)和站點(diǎn)間的全部數(shù)據(jù)，是連接信息層與設(shè)備層的橋梁?？刂茖佑挚煞譃橹鞲删W(wǎng)與子網(wǎng)[10]，為提高通信效果，在總線中安裝中繼器提高信號(hào)質(zhì)量。③設(shè)備層：是監(jiān)測(cè)系統(tǒng)最底層的處理單元，包括傳感器和執(zhí)行器等設(shè)備[11]，這些設(shè)備安裝成本低，工作效率高，可達(dá)到減少開支的目的。

圖1 監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)Fig.1 Structure of monitoring system

1.2 煤礦能源保護(hù)監(jiān)管數(shù)據(jù)挖掘模型構(gòu)建

1.2.1 模型整體結(jié)構(gòu)

根據(jù)煤礦監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)和特點(diǎn)，利用空間數(shù)據(jù)挖掘技術(shù)設(shè)計(jì)一種適用于該系統(tǒng)的保護(hù)監(jiān)管模型。

為快速、準(zhǔn)確地處理煤礦能源相關(guān)信息，采用粗糙集和神經(jīng)網(wǎng)絡(luò)相結(jié)合的關(guān)聯(lián)規(guī)則挖掘算法深度挖掘信息，發(fā)現(xiàn)不同因素之間的關(guān)聯(lián)[12]，確定保護(hù)監(jiān)管方案。結(jié)合數(shù)據(jù)挖掘結(jié)構(gòu)，該模型由數(shù)據(jù)采集、處理、挖掘等模塊構(gòu)成，模型整體結(jié)構(gòu)如圖2所示。

圖2 數(shù)據(jù)挖掘模型整體結(jié)構(gòu)設(shè)計(jì)Fig.2 Overall structure design diagram of data mining model

1.2.2 粗糙集和神經(jīng)網(wǎng)絡(luò)算法的融合

龐大的數(shù)據(jù)量會(huì)給數(shù)據(jù)庫帶來很多問題，例如數(shù)據(jù)冗余、失真等現(xiàn)象，嚴(yán)重影響數(shù)據(jù)挖掘的精準(zhǔn)度。而粗糙集理論比較擅長(zhǎng)處理這些冗余數(shù)據(jù)，將處理后的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間大大縮短，提高網(wǎng)絡(luò)泛化能力[13]。

粗糙集和神經(jīng)網(wǎng)絡(luò)相結(jié)合的數(shù)據(jù)挖掘核心是屬性約簡(jiǎn)，主要難點(diǎn)是確定粗糙集約簡(jiǎn)的停止條件，也可以說成是神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)量的確定問題。

訓(xùn)練樣本數(shù)量影響著神經(jīng)網(wǎng)絡(luò)精度，通常利用均方根誤差表示學(xué)習(xí)能力[14]，表達(dá)式如下：

(1)

式中，m、n分別為訓(xùn)練樣本和神經(jīng)網(wǎng)絡(luò)輸出單元數(shù)量；i為第i個(gè)樣本；j為第j個(gè)輸出單元；x為系數(shù)；y為代價(jià)指標(biāo)。

通過公式可知，若樣本數(shù)量增加，則誤差減少，但如果樣本數(shù)量過大，網(wǎng)絡(luò)訓(xùn)練時(shí)間也會(huì)增多?；谶@一矛盾，引入代價(jià)函數(shù)概念[15]，則誤差函數(shù)改寫為：

(2)

能夠看出公式中增加了自變量U，若U=1則函數(shù)為原來形式。通過代價(jià)函數(shù)形式為：

(3)

利用上述方法，設(shè)定理想誤差閾值，當(dāng)滿足粗糙集約簡(jiǎn)條件時(shí)，停止迭代，確定了神經(jīng)網(wǎng)絡(luò)輸入樣本數(shù)量。

1.2.3 挖掘過程分析

計(jì)算出代價(jià)函數(shù)，就確定了訓(xùn)練樣本的選取依據(jù)，基于粗糙集和神經(jīng)網(wǎng)絡(luò)的空間數(shù)據(jù)挖掘算法在煤礦能源監(jiān)管中的應(yīng)用過程如下。

第一步：采集數(shù)據(jù)，確定挖掘條件和目標(biāo)[16]。

第二步：結(jié)合粗糙集相關(guān)理論，去除冗余屬性，完成數(shù)據(jù)的離散、約簡(jiǎn)處理。

第三步：若當(dāng)前約簡(jiǎn)表為屬性最少，選擇訓(xùn)練樣本集合，反之結(jié)合代價(jià)函數(shù)與約簡(jiǎn)屬性計(jì)算全部樣本，如果結(jié)果遠(yuǎn)低于約簡(jiǎn)后的數(shù)量，則返回步驟二繼續(xù)處理，反之根據(jù)推薦代價(jià)范圍選擇訓(xùn)練樣本集合。

第四步：按照訓(xùn)練樣本數(shù)量設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)。本文建立BP形式的神經(jīng)網(wǎng)絡(luò)，在數(shù)據(jù)挖掘過程中，輸入神經(jīng)元數(shù)量必須低于數(shù)據(jù)表中的屬性數(shù)量。使用粗糙集預(yù)處理采集到的瓦斯?jié)舛?、溫度等?shù)據(jù)，數(shù)據(jù)種類決定了輸入層神經(jīng)元數(shù)量；結(jié)合煤礦能源監(jiān)管要求，將輸出神經(jīng)元數(shù)量設(shè)置為3個(gè)，包括低安全、中安全和高安全。

隱含層設(shè)計(jì)包括隱含層數(shù)量與神經(jīng)元數(shù)量確定，確定過程一般依賴專家經(jīng)驗(yàn)[17]，神經(jīng)元數(shù)量確定方式如下：

(4)

(5)

式中，k為訓(xùn)練樣本數(shù)量；u和u′分別為輸入神經(jīng)元和隱含層神經(jīng)元數(shù)量[18-20]；h為輸出神經(jīng)元神經(jīng)元數(shù)量；a為一個(gè)常數(shù)取值范圍，[1，10]。

第五步：通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到空間數(shù)據(jù)挖掘規(guī)則。算法整體流程如圖3所示。

圖3 挖掘過程Fig.3 Mining process

2 數(shù)據(jù)挖掘在煤礦能源保護(hù)監(jiān)管中的應(yīng)用

本文將某地區(qū)監(jiān)控分站和所有傳感器采集的信息作為初始數(shù)據(jù)。選用Tip DM數(shù)據(jù)挖掘平臺(tái)，將Java作為開發(fā)語言，支持上述挖掘模型的實(shí)現(xiàn)。該平臺(tái)能夠完成數(shù)據(jù)挖掘的所有流程，同時(shí)可提供應(yīng)用接口，滿足不同類型應(yīng)用需求。平臺(tái)在煤礦井內(nèi)的具體應(yīng)用現(xiàn)場(chǎng)如圖4和圖5所示。

圖4 安裝在煤礦井內(nèi)安全監(jiān)管系統(tǒng)Fig.4 Safety supervision system installed in coal mine well

圖5 煤礦內(nèi)基于空間數(shù)據(jù)的無線監(jiān)控傳輸設(shè)備Fig.5 Wireless monitoring and transmission equipment based on space data in a coal mine

根據(jù)各監(jiān)測(cè)信息類型，構(gòu)建的監(jiān)管數(shù)據(jù)庫如圖6所示。

圖6 某煤礦安全監(jiān)管數(shù)據(jù)庫Fig.6 A coal mine safety supervision database

(1)應(yīng)用步驟。將本文建立的數(shù)據(jù)挖掘模型應(yīng)用在煤礦能源保護(hù)監(jiān)管中的主要過程如圖7所示。

圖7 應(yīng)用過程Fig.7 Application process

(2)模型參數(shù)輸入。參數(shù)輸入包括原始采集數(shù)據(jù)和建模參數(shù)2部分。其中采集的數(shù)據(jù)是有關(guān)煤礦資源安全的預(yù)警數(shù)據(jù)，例如瓦斯?jié)舛?、一氧化碳濃度、溫度等，分析這些數(shù)據(jù)能夠?yàn)槊旱V安全監(jiān)管提供輔助信息。將2020年12月某日的監(jiān)測(cè)信息作為初始數(shù)據(jù)，每隔2 h監(jiān)測(cè)1次，構(gòu)建初始數(shù)據(jù)庫，初始監(jiān)測(cè)數(shù)據(jù)信息見表1。

表1 初始監(jiān)測(cè)數(shù)據(jù)信息Tab.1 Initial monitoring data information

建模參數(shù)見表2。

表2 建模參數(shù)Tab.2 Modeling parameters

(3)數(shù)據(jù)預(yù)處理。由輸入到模型中的初始數(shù)據(jù)可知，這些數(shù)據(jù)都是多維的、隨機(jī)的，來自不同監(jiān)測(cè)站和傳感器。因此，在數(shù)據(jù)挖掘前，需做預(yù)處理，處理結(jié)果見表3。

根據(jù)表3所示的數(shù)據(jù)預(yù)處理結(jié)果針對(duì)初始數(shù)據(jù)做事務(wù)轉(zhuǎn)換，將轉(zhuǎn)換后的數(shù)據(jù)輸入到本文建立的數(shù)據(jù)挖掘模型中，將初始支持度閾值和置信度閾值分別設(shè)置為50%和45%，獲得的關(guān)聯(lián)規(guī)則見表4。

表3 數(shù)據(jù)預(yù)處理結(jié)果Tab.3 Data preprocessing results

由表4可以看出，當(dāng)瓦斯?jié)舛群烷_采量二者同時(shí)較高時(shí)，關(guān)聯(lián)規(guī)則的支持度高達(dá)78.9%；當(dāng)瓦斯?jié)舛群烷_采量之間有一個(gè)指標(biāo)較高時(shí)，支持度較高；關(guān)聯(lián)規(guī)則中如果沒有出現(xiàn)這2個(gè)指標(biāo)，此時(shí)支持度普遍偏低。因此能夠得出，要想保證煤礦能源安全，必須掌握每日開采量和瓦斯?jié)舛?。管理人員應(yīng)結(jié)合挖掘結(jié)果，當(dāng)瓦斯?jié)舛然蜷_采量較高時(shí)及時(shí)對(duì)現(xiàn)場(chǎng)進(jìn)行控制，將安全隱患在源頭消滅。

表4 關(guān)聯(lián)規(guī)則生成Tab.4 Association rules generate

3 結(jié)論

安全生產(chǎn)是現(xiàn)代工業(yè)管理中尤為關(guān)鍵的內(nèi)容，為了減少經(jīng)濟(jì)損失，保障工人生命安全，本文將空間數(shù)據(jù)挖掘技術(shù)應(yīng)用在煤礦能源保護(hù)監(jiān)管中。將粗糙集和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，建立空間數(shù)據(jù)挖掘模型，確定挖掘過程，并將該模型應(yīng)用到實(shí)際場(chǎng)景中，通過數(shù)據(jù)采集、處理等過程生成關(guān)聯(lián)規(guī)則，通過關(guān)聯(lián)規(guī)則得出影響煤礦能源安全的主要因素。該方法滿足了現(xiàn)代工業(yè)管理需求，為煤炭企業(yè)決策提供可行依據(jù)，不僅提高了生產(chǎn)效率，也為工人安全提供了保障。