劉 璐 季嘉琪 苗德俊

（山東科技大學安全與環(huán)境工程學院，山東 青島 266590）

近年來煤礦安全形勢有很大改善，百萬噸死亡率逐年下降，但煤礦事故仍時有發(fā)生，整體安全形勢依舊嚴峻。頂板事故是煤礦事故的主要類型之一[1]，此類事故不僅會造成重大生命財產(chǎn)損失，還會引起其他事故的發(fā)生。若不能及時發(fā)現(xiàn)并排除隱患，將會威脅安全生產(chǎn)，造成經(jīng)濟損失。因此，應加強 “關口前移”管理，進行積極預防。

在頂板事故預測管理方面，越來越多的學者將數(shù)學算法與頂板事故預測相結合，程海星等[2]通過監(jiān)測的礦壓數(shù)據(jù)，利用逆向傳播神經(jīng)網(wǎng)絡預測工作面頂板礦壓；Lei 等[3]利用ELM 對風速進行預測，證明了所提模型在短期風速預測方面的優(yōu)越性；閻馨等[4-5]將PCA 與CBR 方法結合對煤與瓦斯事故進行危險性預測，提高了預測結果的準確性和穩(wěn)定性。

在煤礦安全預測中，大多數(shù)學者對煤礦安全進行綜合性預警研究，其中也不乏對煤礦風險管理上的研究。但是，傳統(tǒng)的風險預測管理已經(jīng)不適合當前煤礦這個復雜的環(huán)境了，且CBR 方法在煤礦安全管理的研究未得到廣泛的應用。因此，本文提出一種基于ELM-CBR 的頂板事故冒落危險性預測與管理的方法，以頂板事故為例進行研究，分析導致煤礦頂板事故的危險源，并對頂板冒落風險進行預測，并利用CBR 對預測結果進行管理，提出相應的措施建議，為決策者提供管理依據(jù)。

1 預測指標體系建立

本研究以頂板事故為例進行研究，分析導致煤礦頂板事故的危險源。頂板冒落受多種因素的影響，在選擇頂板冒落指標時應考慮以下因素：1）選擇的指標應該具有代表性；2）指標應具有敏感性；3）指標便于測量、記錄，且準確性不受其他外力的影響；4）指標應具有通用性。收集近十年間我國煤礦頂板事故報告，其中數(shù)據(jù)不完整或缺失的頂板事故報告無法適用于煤礦頂板冒落風險危險性的分析，因此本文剔除不完整的事故案例，最終整理出156 份事故案例。

依據(jù)近十年的煤礦事故案例，對煤礦頂板事故案例進行整理分析，運用事故致因理論，從人、物、環(huán)、管四個方面分析頂板事故發(fā)生的原因，并利用貝葉斯模型建立風險預測指標體系，如圖1 所示。

圖1 頂板事故貝葉斯網(wǎng)絡結構

由圖1 可知，頂板事故發(fā)生的原因分為直接原因和間接原因，分別將其劃分為一級指標和多級指標。直接原因有支護問題、頂板冒落和人員進入冒落區(qū)，其相應的指標為一級指標。致使直接原因發(fā)生的因素為間接原因，其影響一級指標數(shù)值的變化，將其確定為多級指標。預測指標見表1。

表1 頂板冒落風險預測指標

2 ELM-CBR 模型的建立

本文針對頂板冒落危險性預測工作，提出了一種基于案例推理（CBR）和極限學習機（ELM）頂板冒落風險預測管理模型，可針對當前事件的安全狀況進行預測管理，并給出措施建議及解決方案。

進行頂板冒落風險預測時，首先利用ELM 對數(shù)據(jù)進行訓練和測試，預測指標值輸入后，經(jīng)過機器學習得出風險預測值及超出臨界值的單項危險指標；其次，根據(jù)頂板冒落風險預測值和風險指標，從數(shù)據(jù)庫中檢索和匹配與目前狀況描述相似的案例，依據(jù)相似度閾值對案例進行重用，并參考歷史案例中的頂板冒頂危險等級；最后，通過當前情況與案例庫中的案例相似度比較，對當前案例進行存儲或修正，并輸出最終解決方案，為當前情況提供應急處置措施和有效的管理措施。流程如圖2。

圖2 基于ELM-CBR 的頂板冒落風險預測管理流程

2.1 基于ELM 的風險預測

ELM 利用隨機的輸入層權值和偏置值，輸出層權重利用廣義逆矩陣理論計算得出，其預測的步驟：1）隨機初始化ELM 網(wǎng)絡的初始權重和閾值，并設置激活功能；2）計算隱藏層輸出矩陣和廣義矩陣；3）計算輸出矩陣。

如圖3 所示為極限學習機網(wǎng)絡結構圖。一個具有L個隱含層節(jié)點的神經(jīng)網(wǎng)絡的輸出可以用式（1）來表示：

圖3 極限學習機網(wǎng)絡結構圖

式中：g（x）是激活函數(shù)；x為輸入層；wi為輸入層權值；β為輸出層權值；bi為偏置值。

由式（1）得出頂板發(fā)生事故的危險預測模型。假設U={F1，F(xiàn)2，F(xiàn)3，…，F(xiàn)n，G}是一個離散變量集合，其中Fi為風險一級指標，G為頂板事故風險。Fi的取值集合為F={F1=f1，F(xiàn)2=f2，…，F(xiàn)n=fn}，G=Y代表的是風險存在[6]。F設為一級指標的值，其概率表示：

在對各種風險進行評估時，為了對不同程度的風險采取相應的措施，需要按照危險發(fā)生的可能性對其進行分級，以便提出相應的對策。將風險劃分無風險、低風險、中風險、高風險四個等級，表2為頂板冒落危險性風險等級。

表2 頂板冒落危險性風險等級

依據(jù)頂板冒落危險性風險等級，當計算區(qū)域的頂板事故風險概率值大于0.6，則為中高風險，需先對當前的安全狀況進行危險預警，并對當前安全狀況進行評估。

2.2 基于CBR 的風險管理

1）案例表示

案例表示是通過某種方式將案例的相關指標和內(nèi)容的非結構化數(shù)據(jù)用結構化數(shù)據(jù)來表示，以便計算機識別。在預測頂板冒落危險性時，用Ai表示第i個案例，用Xi表示第i個案例特征，Ti表示第i個案例的頂板冒落危險等級。

2）案例檢索與匹配

本文運用ELM方法對案例進行綜合指標預測，即頂板冒落危險值預測，并根據(jù)預測值與案例庫中的案例進行相似度匹配，輸出當前頂板冒落危險等級，同時輸出超臨界值的單項危險指標。如圖4。

圖4 檢索與匹配流程圖

對于頂板冒落風險值相似度，假設案例庫中的頂板事故冒落案例Ai的頂板冒落風險值為Ri，當前頂板冒落狀況為A，頂板冒落風險預測值為R，則兩個案例之間的相似度S：

在案例庫中檢索出與當前頂板安全狀況相似度最高的案例，最終依據(jù)相似度閾值確定是否作為相似案例。相似度閾值公式：

其中：a為給定的常數(shù)，a∈[0，1]；Sy為相似度閾值。

3）案例重用

案例重用是指將案例庫中的相似度較高的案例解應用在當前狀況中。在案例庫中，若存在一個或者多個和當前狀況相匹配的案例時，則會輸出相似度較高的案例，并可以直接應用到當前狀況。但對于頂板冒落突出狀況，一般不存在完全匹配的案例，需要對相似案例進行案例重用。

4）案例存儲與維護

案例存儲與維護分為以下幾種情況。① 在案例庫中進行案例檢索，計算出相似度值。如果該值為1，則不需要存儲；如果該值未達到預期閾值，則需要將其存儲；如果該值達到了閾值，但仍不完全相似，則需要對數(shù)據(jù)庫中較早的舊案例進行更新。② 對于長時間沒有匹配的舊案例，進行適當篩減。③ 對于案例描述相似但結果相差較大的案例進行修改。

3 頂板冒落危險等級預測分析

3.1 數(shù)據(jù)來源與處理

本文將選取156組數(shù)據(jù)中的30%作為測試數(shù)據(jù)，70%作為訓練數(shù)據(jù)。在選取的預測指標體系中的定量指標選取魯西煤礦支架初撐力監(jiān)測數(shù)據(jù)，對其中的定性指標進行定量處理。具體的指標量化見表3。

表3 指標量化規(guī)則

在表3 中，安全培訓不到位、技術管理不到位、內(nèi)部管理機制不健全、監(jiān)督管理制度不健全等指標，其量化規(guī)則需要由專家根據(jù)相關管理制度的完成度以及可能導致后果的嚴重程度等來評判，并設置相應的權重。對于三違記錄，將根據(jù)三違等級和發(fā)生地點進行取值。如果在收集數(shù)據(jù)的工作面內(nèi)存在一般三違記錄，則三違行為記為1；若存在嚴重三違記錄，則三違行為記為2；沒有相關的三違記錄，則三違行為記為0。

原始數(shù)據(jù)的量級和單位有較大的差距，若直接使用原始數(shù)據(jù)進行訓練，運行結果可能收斂較慢或者不會收斂，并且對訓練結果的準確性有較大的影響。因此，在訓練之前，需對數(shù)據(jù)進行歸一化處理，以便將數(shù)據(jù)轉(zhuǎn)換為一定范圍內(nèi)更精確的實數(shù)。通過ELM 進行訓練的輸出結果也是歸一化后的結果，部分樣本數(shù)據(jù)見表4。

表4 部分數(shù)據(jù)

3.2 結果分析與對比

采用ELM 對頂板冒落危險性進行預測，其中，隱藏層函數(shù)為Sigmoid 函數(shù)，隱藏層節(jié)點數(shù)為7，用70%數(shù)據(jù)進行學習訓練，30%數(shù)據(jù)作為測試，同時將本方法與BP 神經(jīng)網(wǎng)絡方法從預測結果的角度進行對比，對比結果如圖5 和表5。

表5 結果分析

圖5 部分測試案例結果對比

從圖5 中可以看出，ELM 的預測結果比BP 預測結果與實際值的距離大。如表5 對最終結果進行總結，ELM 預測的最大相對誤差為0.5%，平均相對誤差為0.15%，BP 預測的最大相對誤差為10%，平均相對誤差為5%；ELM 預測的最大絕對誤差為0.52，平均絕對誤差為0.4，BP 預測的最大絕對誤差為0.95，平均絕對誤差為0.63。由此可見，無論是相對誤差還是絕對誤差，ELM 預測最接近實際值，在準確性和穩(wěn)定性上優(yōu)于BP 預測。

3.3 案例匹配分析

利用一條數(shù)據(jù)進行案例匹配分析，數(shù)據(jù)見表6。

表6 案例匹配分析數(shù)據(jù)（157 號案例）

根據(jù)公式4，計算當前頂板冒落風險狀況與案例庫中所有案例的相似度情況，并設相似閾值為0.8，檢索出與以上數(shù)據(jù)相似度達到閾值的有多個案例，其中相似度最高的一個案例見表7。

表7 相似案例（23 號案例）

經(jīng)過檢索，與“157”號案例相似度最高的案例為“23”號案例，相似度為0.910 6，風險等級為2。根據(jù)相似案例的狀況，對當前頂板冒落風險提出相應的措施建議：首先，需要關注煤的特性和支架實際初撐力監(jiān)測數(shù)據(jù)，加強工作面的風險預測，并建立完善的監(jiān)督管理體系。其次，要落實工作面的監(jiān)督管理措施和防范措施，嚴格按照安全規(guī)章制度進行作業(yè)，確保操作人員的安全。通過這些措施，可以有效地減少頂板冒落風險，提高安全管理水平。

在本次實際案例中，通過在案例庫進行案例檢索來驗證ELM-CBR 的頂板冒落風險預測管理模型的準確性，并取得了良好的效果。該模型為煤礦的安全管理提供了新的思路，提高了煤礦的安全管理水平，為煤礦的安全生產(chǎn)提供有力的保障。

4 結論

本文針對頂板冒落危險性預測工作，提出了一種基于案例推理（CBR）和極限學習機（ELM）頂板冒落風險預測管理模型，可以針對當前事件的安全狀況給出定性的措施建議及解決方案，在具有較高精度的同時具有良好的可解釋性。

本文依據(jù)頂板事故報告，以3 個一級指標、10個二級指標以及支架實際初撐力監(jiān)測數(shù)據(jù)建立頂板冒落風險危險性的預測指標，在利用ELM 對頂板冒落危險性進行預測的同時，也對單項預測指標進行預測。從預測結果上，將ELM 與BP 神經(jīng)網(wǎng)絡算法進行對比，在二者的對比結果中發(fā)現(xiàn)，ELM 預測的相對誤差和絕對誤差比BP 預測的相對誤差和絕對誤差要小。由此可見，ELM 預測的準確性更高。預測出頂板冒落危險性等級后，通過CBR 方法對頂板冒落預測結果進一步管理，檢索出相似度超過80%的歷史案例，利用已有的解決方案為當前煤礦發(fā)生情況提供應急處置措施和有效的管理措施，為煤礦安全管理者提供決策依據(jù)。

最后，本文利用一個實際案例來基于ELMCBR 模型進行驗證，檢索并重新使用與當前目標案例有關的最相似的案例的解決方案。通過這一過程，進一步驗證了所提出的方法的適用性和準確度，并在實際應用中取得了良好的效果，為煤礦安全管理提供更加有效、可靠的解決方案。

在后續(xù)的研究中，將進一步擴充頂板冒落事故案例，并將更加豐富的信息納入到案例庫中，以提高案例檢索的精度，對管理模型進行深入的研究，以進一步完善和優(yōu)化其功能。此外，還需進一步思考并計劃進行更多實地應用，在實際煤礦環(huán)境中驗證所提出的方法的適用性和準確度，這將成為后續(xù)研究的重點方向。