中圖分類號：TD79 文獻標志碼：A

Abstract：Addressing the challenges of multi-source data fusion and poor real-time early warning capabilities in traditional coal mine safety risk monitoring methods，which result inunsatisfactory performance in real-time risk warning and dynamic response，this paper proposes a coal mine safety risk management method based on knowledge graph.The construction of the coal minesafety risk management knowledge graph included key processs suchas riskknowledge acquisition，dynamic hazard extraction，anddynamic risk management.Risk knowledge acquisition：Potential risks were identified through various standardized methods.A structured ontology model was built using languages such as OWL，and risk point instances and their atributes were entered into theenterprise risk knowledge graph to form asemantic network，laying a foundation for inteligent risk assessment and precise management.Dynamic hazard extraction：Multimodal data collected from different data sources were associated inreal time with risk pointinstances inthe knowledge graph，andthe statusofrisk points wasupdatedaccording topresetalgorithmsandrules.Dynamicrisk management：Foridentified hazards，instant inferencewasrealized through reasoning rules writen in Semantic Web Rule Language （SWRL）.Practical application results showed that thismethodcould accuratelyand rapidlyidentify potential hazardsin the production environment，effectively enhancing risk identificationand early warning capabilities，and providing

systematic support for coal mine safety management.

Key words： coal mine safety risk management; knowledge graph; multi-source data fusion; risk knowledge acquisition; dynamic hazard extraction; dynamic risk management

0引言

煤礦安全領域的數據來源廣泛，包括規(guī)程文本、設備日志、傳感器監(jiān)測數據、歷史事故案例、實時視頻監(jiān)控及專家報告等類型，構成了極為復雜的多源異構數據環(huán)境。如何高效整合與利用這些海量且繁雜的數據，成為提升煤礦安全管理水平的關鍵挑戰(zhàn)[1]。知識圖譜能夠對多源數據進行深度語義整合，并通過深度挖掘數據間潛藏的聯系，為智能決策提供支撐。因此，將知識圖譜應用于煤礦安全風險管控具有重要意義。

王道元等2提出了一種基于粒子群算法和卷積神經網絡的煤礦安全風險智能分級管控與信息預警系統(tǒng)，實現了對安全隱患的及時預警。陳小林等[3]提出了基于風險管控的煤礦安全綜合防控體系，通過風險辨識、動態(tài)監(jiān)測、隱患閉環(huán)管理及多系統(tǒng)協(xié)同聯動，一定程度上實現了對煤礦生產全過程的風險管控。李爽等[4提出了通過煤礦智能雙重預防機制管控安全風險的方法，實現了對風險的動態(tài)評估、預測預警。然而，上述方法難以充分挖掘多源異構數據中的隱含關系和深層次語義信息，無法有效整合這些數據，在實時風險預警和動態(tài)響應方面表現欠佳。針對上述問題，提出一種基于知識圖譜的煤礦安全風險管控方法。構建煤礦安全知識圖譜的本體模型，借助知識圖譜強大的語義分析與關聯推理能力，實時識別潛在風險隱患，并依據風險等級及時發(fā)出預警。

1煤礦安全風險管控知識圖譜構建

知識圖譜本質上是一種語義網絡，其以結構化的方式表示知識，通過節(jié)點和邊表示實體及其之間的關系[5]。知識圖譜的構建通過整合多源數據，利用知識抽取手段提取實體、關系和屬性等知識要素，并以圖結構的形式進行存儲和展示，實現對知識的高效管理和應用[]

煤礦安全風險管控知識圖譜構建框架如圖1所示，包含風險知識獲取、動態(tài)隱患提取、風險動態(tài)管控等關鍵環(huán)節(jié)，旨在通過多源異構數據的動態(tài)監(jiān)測與精準風險評估，提升煤礦安全管理的效率與精確度。該框架的主要目標： ① 全要素感知。覆蓋人、設備、環(huán)境、管理4類風險源，滿足《煤礦安全規(guī)程》對隱患辨識的強制性要求。 ② 多粒度映射。通過本體模型將非結構化數據（視頻、文本）與傳感器流數據統(tǒng)一映射為標準化知識實體。 ③ 閉環(huán)化治理。構建“風險辨識一知識錄入一處置反饋”的動態(tài)更新鏈路。

1.1 風險知識獲取

風險知識獲取過程中，綜合考量人為因素、設備因素、環(huán)境因素及管理因素，并借助標準化的評估方法，生成風險點實例；依據煤礦安全領域的標準構建煤礦安全風險管控知識圖譜本體；基于預先構建完成的知識圖譜本體，將風險點實例錄人知識圖譜中，為煤礦安全風險的系統(tǒng)性管理與深入分析提供結構化的知識基礎。

1.1.1 風險辨識

風險管控的起始環(huán)節(jié)為風險辨識。在煤礦安全風險管控知識圖譜本體模型中，風險點表示煤礦生產中的潛在危險源，基于致因要素可細分為人為因素、設備因素、環(huán)境因素及管理因素等類別。各風險點具備風險等級、空間位置、活躍時段等屬性信息。

在實際的風險辨識過程中，通常采用標準化評估方法識別煤礦生產過程中的潛在風險。例如，HAZOP（危害與可操作性分析）方法通過對工藝流程中每個環(huán)節(jié)的系統(tǒng)性分析，識別可能的危害與操作失誤，進而有效發(fā)現安全隱患;LEC（風險矩陣法）[8]通過量化評估事故發(fā)生的可能性與后果，根據事故影響的嚴重性和發(fā)生概率，為每個風險點賦予風險等級；JSA（工作安全分析）方法[9專注于作業(yè)環(huán)節(jié)的風險識別，評估操作過程中的潛在危險，并制定相應的控制措施，以確保安全作業(yè)。通過以上方法收集風險點實例，為后續(xù)構建煤礦安全風險管控知識圖譜提供靜態(tài)數據支撐。

1.1.2 本體建模

在風險知識獲取中，知識建模[10]是知識圖譜構建的重要前提，其核心在于對領域內概念、屬性及關系的系統(tǒng)化設計，確保知識表達的結構化與語義清晰。本體[11作為一種形式化的概念模型，定義了領域中的核心概念、特征及其相互關系，能夠為統(tǒng)一的知識表示和邏輯推理提供有力支撐。基于本體的知識建模一般采用統(tǒng)一的建模語言來描述本體，如OWL（Web OntologyLanguage）、 RDF（ResourceDescription Framework）等[12-13]

在煤礦安全生產領域，事故隱患通常涵蓋“人、機、環(huán)、管”四大要素?！睹旱V安全生產事故隱患分類分級標準（試行）》將事故隱患根源劃分為4大類、26子類，覆蓋煤礦生產全流程的潛在風險點；并依據隱患可能導致的后果嚴重性、發(fā)生概率和影響范圍，將其風險等級劃分為4個等級。

為構建一套完整且可擴展的煤礦安全風險管控本體模型，本文根據《煤礦安全生產事故隱患分類分級標準（試行）》等文件梳理核心概念與層次結構，明確各要素所對應的類和子類及類之間的關系，采用自頂向下的方法構建本體模型，如圖2所示。

瓦斯傳感器 振動傳感器 視頻攝像頭 文本報告 人員作業(yè)風險點 設備風險點 管理風險點 環(huán)境風險點

清晰定義每個類的數據屬性，并對每個類和類之間的關系作出語義描述，見表1與表2。每個風險點則通過相應的數據屬性（如地理位置、風險等級）進行刻畫。隨后，為實現動態(tài)監(jiān)測與推理，可結合SSN（Semantic Sensor Network） /SOSA（Sensor OpenSystemsArchitecture）[14]標準將傳感器（Sensor）和觀測（Observation）等對象納入本體模型，并設置與傳感器特性匹配的數據屬性。同時，依據從特別重大到一般的隱患等級標準，在本體中定義風險級別及其子類，以對應不同等級的判定標準與管控措施。

1.1.3 企業(yè)風險知識圖譜生成

在風險辨識完成后，首先根據辨識結果構建風險點實例，并為各實例界定相關的屬性，如風險等級、空間位置、活躍時段等。這些靜態(tài)數據將作為具體的風險點實例錄人風險知識圖譜，形成結構化的知識圖譜存儲。每個風險點實例不僅包括其本身的屬性信息，還與相關隱患、事故、傳感器數據及治理措施等其他實體進行關聯，構成一個完整的語義網絡。這種結構化存儲和語義化關聯方式，不僅為后續(xù)的動態(tài)監(jiān)控、風險預警和決策支持提供了數據基礎，也為智能化的風險評估和預測提供了堅實的知識框架，推動煤礦安全管理向更加智能、精準的方向發(fā)展。

1.2動態(tài)隱患提取

在構建完靜態(tài)風險點實例并將其存儲到知識圖譜后，動態(tài)風險監(jiān)控的知識獲取和表示成為下一步關鍵任務。引入基于傳感器數據的動態(tài)監(jiān)控規(guī)則，是推動知識圖譜智能化應用的核心驅動力。

將從不同數據源采集的多模態(tài)數據與知識圖譜中的風險點實例進行實時關聯。一旦數據變化，系統(tǒng)將根據預設的算法和規(guī)則更新風險點的狀態(tài)。例如，當設備的運行參數超出設定范圍時，系統(tǒng)會自動將該設備對應的風險點狀態(tài)標記為“高風險”，并借助知識圖譜中已定義的關聯關系，將信息推送至相關人員或系統(tǒng)，以便及時處理。

動態(tài)風險監(jiān)控還可以結合歷史數據進行分析，通過建立與歷史風險事件的關聯，預測潛在的風險趨勢?；跈C器學習或統(tǒng)計分析模型，可以自動從知識圖譜中提取潛在的風險模式，進一步支持智能化決策和預警機制。

隨著傳感器數據的持續(xù)流人，知識圖譜不僅提供靜態(tài)的風險點實例數據，還通過動態(tài)更新形成實時的風險態(tài)勢圖，支持對煤礦生產過程的全程監(jiān)控，提升安全管理的智能化和自動化水平。各類風險數據的來源及隱患提取方法見表3。

人為因素：通過智能攝像頭獲取現場視頻，利用YOLOv8算法[16進行人員行為識別，檢測違章操作、未佩戴安全裝備等不安全行為。同時，結合UWB[17]定位技術，實現對人員位置和移動軌跡的實時追蹤，識別人員進人禁區(qū)或長時間停留等異常行為。將識別出的不安全行為和異?；顒佑成錇橹R圖譜中的人為隱患實體，記錄行為類型、發(fā)生時間、位置等屬性，并關聯相關人員信息。

設備因素：在關鍵設備上安裝振動傳感器，采集設備運行時的振動數據，通過邊緣計算進行FFT頻譜分析，檢測異常振動特征，預判設備故障。紅外測溫儀實時監(jiān)測設備表面溫度，識別過熱現象，預防因溫度異常引發(fā)的設備故障。將檢測到的設備異常狀態(tài)映射為設備隱患實體，包含設備類型、異常類型、檢測時間等信息，并與具體設備實例關聯。

環(huán)境因素：利用無線傳輸技術[18]，實時采集井下環(huán)境中的瓦斯?jié)舛群退臄祿?。通過設定閾值，及時發(fā)現瓦斯超限、積水等環(huán)境隱患。將環(huán)境監(jiān)測中發(fā)現的異常情況映射為環(huán)境隱患實體，記錄隱患類型、數值、位置和時間等屬性，并關聯相應的監(jiān)測設備信息。

管理因素：對電子巡檢記錄和規(guī)章制度文檔進行自然語言處理，采用BERT-BiLSTM-CRF模型[19]或大語言模型[20-21]進行信息抽取，識別管理制度中的漏洞、巡檢過程中發(fā)現的隱患，以及未按規(guī)定執(zhí)行的情況。將提取的管理缺陷和違規(guī)情況映射為管理隱患實體，包含問題描述、發(fā)現時間、責任部門等信息，并與相關規(guī)章制度或巡檢記錄關聯。

本文共構建了139條人為因素預警規(guī)則、78條設備因素預警規(guī)則、86條環(huán)境因素預警規(guī)則和102條管理因素預警規(guī)則，構建了煤礦安全風險管控規(guī)則庫。但隨著預警規(guī)則數量的增加，可能會引起多個規(guī)則觸發(fā)同一個隱患的問題。為應對規(guī)則數量增多帶來的沖突問題，在規(guī)則庫中內置的推理機可以自動推導出新的結論或觸發(fā)相應操作，很大程度上解決規(guī)則沖突問題。

1.3 風險動態(tài)管控

在動態(tài)提取隱患知識并存儲到知識圖譜后，便進人風險動態(tài)管控階段。依據知識圖譜進行風險隱患推理。具體而言，當某項監(jiān)測指標超出設定閾值，或識別到“未佩戴安全帽”等不安全行為時，對應的風險點或隱患實體在圖譜中被標記為“高風險”或“待處理”。針對已識別的隱患，系統(tǒng)可通過語義網絡規(guī)則語言（Semantic Web Rule Language，SWRL）[22]撰寫的推理規(guī)則實現即時推理。

風險動態(tài)管控實現以下功能：

自動限制作業(yè)區(qū)：如果識別到多個不安全行為，并且位于同一區(qū)域，可執(zhí)行聯動措施“限制該區(qū)域作業(yè)”或“提醒監(jiān)管人員現場檢查”。

關閉相關設備：當振動傳感器連續(xù)監(jiān)測到異常振動并經規(guī)則確認后，可發(fā)出設備停機指令，避免故障擴大或引發(fā)事故。

通知應急人員：針對重大隱患或I級風險，可通過短信、語音或企業(yè)內即時通信工具快速通知各級管理人員或應急救援隊，并在圖譜中記錄響應過程與處置結果，便于事后追溯和統(tǒng)計。

2現場應用

2.1 礦井概況

陜西省某礦位于黃隴侏羅紀煤田彬長礦區(qū)東部，井田東西長約 6.4km ，南北寬約 5.5km ，面積為35.064km² ，開采標高為 +760～+410m 。區(qū)內可采煤層為4-2煤層，煤層厚度為 0.96～12.57m ，平均厚度為 7.54m ，經鑒定為低瓦斯礦井，弱沖擊地壓，無地熱危害，開采的4-2煤層為 I 類自燃煤層，煤塵具有爆炸危險性。

2.2煤礦人員安全風險識別與管控

結合本礦井已布置在巷道和主要作業(yè)區(qū)的30個高清攝像頭及視頻存儲模塊，利用YOLOv8模型對視頻中的人員是否在煤礦井下軌道上、是否在禁入區(qū)作業(yè)等行為進行實時檢測；根據UWB定位系統(tǒng)獲取煤礦工人實時位置，最后將監(jiān)測到的信息添加到知識圖譜中，實現煤礦人員安全風險識別與管控。

2.2.1 安全隱患識別

依據煤礦安全綜合防控知識圖譜定義的“人員作業(yè)風險點”和“人為隱患”兩大核心類別，將煤礦生產過程中涉及人員行為的潛在風險進行系統(tǒng)化表達。通過知識圖譜的語義關聯，識別出與不安全行為相關的隱患，為風險評估與管控提供支持。

YOLOv8模型通過視頻監(jiān)控設備實時識別出工作人員不安全行為。當監(jiān)測到工作人員未佩戴安全帽時，系統(tǒng)會自動記錄行為發(fā)生的具體位置、時間及涉及的工作人員信息。在作業(yè)區(qū)域內合理部署UWB定位基站，UWB定位系統(tǒng)根據工作人員佩戴的定位標簽，提供工作人員的實時位置信息。將YOLOv8模型識別出的不安全行為和UWB人員定位信息結合起來，實現對工作人員不安全行為和其發(fā)生地的精準記錄。例如，系統(tǒng)能夠識別出工作人員進人高風險作業(yè)區(qū)域并及時進行預警。最終，系統(tǒng)會將識別到的不安全行為和高風險作業(yè)區(qū)域轉換為“人為隱患”和“人員作業(yè)風險點”實例，并存儲在知識圖譜中。

2.2.2 安全隱患處理

依據知識圖譜中存儲的實例，通過SWRL規(guī)則引擎進行實時預警與管控措施的聯動響應，確保及時采取措施，減少安全隱患。

實時預警規(guī)則：系統(tǒng)根據知識圖譜中的隱患實體判斷其風險等級并采取相應的預警措施。當檢測到行為類型為“未佩戴安全帽”的隱患且該隱患涉及的工作人員為某個特定人員時，系統(tǒng)將向該工作人員發(fā)送一個高優(yōu)先級的警報，提醒其“立即佩戴安全帽”。

管控措施聯動規(guī)則：在多人作業(yè)區(qū)域，一旦出現同一區(qū)域內多名工作人員“未佩戴安全帽”的情況，系統(tǒng)將自動執(zhí)行一系列管控措施。當檢測到某特定區(qū)域內存在隱患且持續(xù)時間超過 10min 時，系統(tǒng)將在該區(qū)域執(zhí)行動作，啟動聲光報警。

將“人為隱患”和“作業(yè)風險點”等實體信息添加到知識圖譜中，構建煤礦人員安全風險識別與管控流程，如圖3所示。通過動態(tài)識別機制確保隱患信息實時更新，使得管理人員能夠及時掌握煤礦作業(yè)現場的安全狀況。借助SWRL規(guī)則引擎構建實時預警與管控機制，可對安全隱患告警做出及時響應。當系統(tǒng)依據預設規(guī)則檢測到安全隱患時，SWRL規(guī)則引擎迅速觸發(fā)告警流程，確保相關人員能夠即時獲取信息，并立即采取針對性措施，有效降低安全隱患實際發(fā)生概率，從而切實保障生產作業(yè)環(huán)境的安全性與穩(wěn)定性。

2.3 應用效果

為了驗證本文方法在實際煤礦場景中的有效性，對所構建的知識圖譜系統(tǒng)進行了小規(guī)模部署測試。收集煤礦工人操作記錄、傳感器參數、煤礦環(huán)境參數和煤礦管理制度等圖片和文本數據，制作了數據集。針對不同因素構建SWRL規(guī)則，測評SWRL規(guī)則的隱患識別率、誤報率和報警響應時間。隱患識別率通過準確率、召回率和 F₁ 指標綜合反映模型識別效果。具體而言，需通過統(tǒng)計系統(tǒng)識別出的隱患數量及未識別的隱患數量，進一步區(qū)分識別結果中的真正隱患和誤判隱患，結果見表4。可看出依據人為因素實現的分類效果最好， F₁ 值達 0.919 。

測試中共出現30起誤報，主要原因是工人對安全帽等安全裝備的佩戴不合規(guī)。系統(tǒng)平均響應時間約為 2.5s. ，較人工監(jiān)控方式顯著縮短。對于井下生產場景，實時性提升可有效減少事故發(fā)生概率。

3結語

圍繞煤礦安全風險管控知識圖譜，重點介紹了如何通過本體模型與多源數據整合實現對“人、機、環(huán)、管”的統(tǒng)一描述，并結合傳感器監(jiān)測和隱患治理措施，構建了動態(tài)風險評估與預警機制。實際應用結果表明，基于知識圖譜的管控模式能夠更好地識別潛在風險、縮短預警響應時間，從而提升煤礦安全管理的整體效能和智能化水平。但是，在隱患識別過程中，仍存在無法完全識別所有隱患的問題。經分析，主要有2個方面：一方面，基于視覺模型的圖像分析方法由于模型自身的局限性，無法對所有不安全行為進行精準識別；另一方面，SWRL規(guī)則的閥值設定不夠合理，未能在部分隱患場景下有效觸發(fā)，導致漏報現象發(fā)生。鑒于此，后續(xù)將針對SWRL規(guī)則展開深人研究與優(yōu)化，通過合理調整規(guī)則閾值、豐富規(guī)則邏輯等手段，進一步完善規(guī)則體系，以期實現更高的隱患識別率，提升整個煤礦風險識別系統(tǒng)的可靠性與準確性。

參考文獻（References）：

[1]袁亮，姜耀東，何學秋，等.煤礦典型動力災害風險精 準判識及監(jiān)控預警關鍵技術研究進展[J].煤炭學報， 2018，43（2）：306-318. YUAN Liang，JIANG Yaodong，HE Xueqiu，et al. Research progress of precise risk accurate identification and monitoring early warning on typical dynamic disasters in coal mine[J].Journal of China Coal

Society， 2018，43（2）：306-318.

[2]王道元，王俊，孟志斌，等.煤礦安全風險智能分級管控與信息預警系統(tǒng)[J].煤炭科學技術，2021，49（10）：136-144.WANG Daoyuan，WANG Jun，MENG Zhibin，et al.Intelligent hierarchical management amp; control andinformation pre-warning system of coal mine safetyrisk[J]. Coal Science and Technology，2021，49（10）：136-144.

[3］陳小林，屈世甲，佘九華，等.基于風險管控的煤礦安全綜合防控體系[J].工礦自動化，2021，47（8）：15-19.CHEN Xiaolin，QU Shijia， SHE Jiuhua，et al.Comprehensive prevention and control system of coalminesafety based on risk management and control[J].Industry and Mine Automation， 2021， 47（8）： 15-19.

[4]李爽，賀超，鹿乘，等.煤礦智能雙重預防機制與智能安全管控平臺研究[J].煤炭科學技術，2023，51（1）：464-473.LI Shuang，HE Chao，LU Cheng，et al. Research onintelligent dual prevention mechanism and intelligentsecurity control platform of coal mine[J]. Coal Scienceand Technology，2023，51（1）： 464-473.

[5］葉帥.基于Neo4j的煤礦領域知識圖譜構建及查詢方法研究[D].徐州：中國礦業(yè)大學，2019.YE Shuai. Research on the construction and querymethod of knowledge graph in coal mine based onNeo4j[D]. Xuzhou： China University of Mining andTechnology， 2019.

[6]許娜，梁燕翔，王亮，等.基于知識圖譜的煤礦建設安全領域知識管理研究[J].中國安全科學學報，2024，34（5）： 28-35.XU Na，LIANG Yanxiang，WANG Liang，et al.Research on knowledge management in coal mineconstruction safety field based on knowledge graph[J].China Safety Science Journal， 2024， 34（5）： 28-35.

[7]張景鋼，王清焱，趙淑楓.基于貝葉斯網絡的HAZOP-LOPA煤礦安全風險評價方法應用研究［J].礦業(yè)安全與環(huán)保，2022，49（1）：114-120.ZHANG Jinggang， WANG Qingyan， ZHAO Shufeng.Application of HAZOP-LOPA coal mine safety riskassessment method based on Bayesian network[J].Mining Safety amp; Environmental Protection，2022，49（1）： 114-120.

[8］潘云華.LEC評價法在煤礦安全風險評估中的應用[J].低碳世界，2019，9（2）：62-63.PAN Yunhua. Application of LEC evaluation method incoal mine safety risk assessment[J]．Low CarbonWorld，2019，9（2）： 62-63.

[9]章博，劉悅，姚明，等.基于JSA方法的高風險作業(yè)在線實踐平臺[J].安全與環(huán)境學報，2019，19（2）：509-513.ZHANG Bo，LIU Yue，YAO Ming，et al. Practiceteaching platform for high risk operation based on theJSA method[J]. Journal of Safety and Environment，2019，19（2）：509-513.

[10]劉鵬，葉帥，舒雅，等.煤礦安全知識圖譜構建及智能查詢方法研究[J].中文信息學報，2020，34（11）：49-59.LIU Peng，YE Shuai， SHU Ya，et al. Coalmine safety：knowledge graph construction and its QA approach[J].Journal of Chinese Information Processing，2020，34（11）：49-59.

[11]肖雙雙，馬亞潔，李衛(wèi)炎，等.基于CiteSpace 知識圖譜分析的露天礦粉塵濃度預測研究進展與展望[J].西安科技大學學報，2023，43（4）：675-685.XIAO Shuangshuang，MA Yajie，LI Weiyan，et al.Prediction of dust concentration in open-pit mine basedon CiteSpace knowledge graph analysis[J]. Jourmal ofXi'an University of Science and Technology，2023，43（4）：675-685.

[12]郭梨，高元，吳昊，等.基于混合因果邏輯的尾礦壩事故知識圖譜構建與應用[J].金屬礦山，2025（1）：233-242.GUO Li， GAO Yuan，WU Hao， et al. Construction andapplication of tailings dam accident knowledge graphbased on hybrid causal logic[J].Metal Mine，2025（1）：233-242.

[13]劉鵬，曹新晨，耿念，等.煤礦標準文件知識圖譜構建與應用[J].情報工程，2023，9（5）：73-83.LIU Peng， CAO Xinchen， GENG Nian， et al.Construction and application of knowledge graph ofcoalmine standarddocuments[J]．TechnologyIntelligence Engineering，2023，9（5）： 73-83.

[14]李紅偉，高鴻斌.傳感器數據流實時語義注釋方法研究[J].河北科技大學學報，2018，39（6）：559-566.LI Hongwei，GAO Hongbin. Research on real-timesemantic annotation method for sensor data stream[J].Journal of Hebei University of Science and Technology，2018，39（6）：559-566.

[15]付燕，劉致豪，葉鷗.基于煤礦井下不安全行為知識圖譜構建方法[J].工礦自動化，2024，50（1）：88-95.FU Yan，LIU Zhihao，YE Ou. A method forconstructing a knowledge graph of unsafe behaviors incoal mines[J].Jourmal of Mine Automation，2024，50（1）：88-95.

[16]雷楊，何江，秦麗杰，等.基于SCI-YOLOv8 的井下無人電機車低照度目標檢測技術[J].金屬礦山，2025（2）： 172-179.LEI Yang， HE Jiang，QIN Lijie， et al. Low light targetdetection technology for underground unmanned electricvehiclesbased on SCI-YOLOv8[J]. Metal Mine，2025（2）： 172-179.

[17] 郭愛軍.UWB技術在煤礦井下的應用[J].陜西煤炭， 2021，40（3）：51-54. GUO Aijun. Application of UWB technologyin underground coal mines[J]. Shaanxi Coal， 2021， 40（3）：51-54.

[18] 孫繼平.煤礦井下人員位置監(jiān)測技術與系統(tǒng)[J].煤炭 科學技術，2010，38（11）：1-5. SUN Jiping. Personnel position monitoring technology andsystem in underground mine[J].Coal Science and Technology，2010，38（11）： 1-5.

[19] 曹現剛，吳可昕，張夢園，等.基于BERT的煤礦裝備 維護知識命名實體識別研究[J].機床與液壓，2023， 51（9）：103-108. CAOXiangang，WU Kexin， ZHANG Mengyuan，et al. Coal mine equipment maintenance knowledge named entityrecognitionmodel based onBERT[J].Machine Toolamp;Hydraulics，2023，51（9）：103-108.

[20] 江耀森，楊超宇，劉曉蕾.基于ChatGLM3-6B的煤礦 PENG Jiahui. Study on the mechanism of water reducer andretarder for building gypsum[D]. Chongqing： Chongqing University，2004.

[20]黃玉兵，江貝，姚良帝，等.裂隙巖體預應力錨注協(xié)同 控制機制試驗研究[J].采礦與安全工程學報，2025， 42（2）： 294-305. HUANG Yubing，JIANG Bei，YAO Liangdi，et al. Experimental studyon thecollaborativecontrol mechanism of prestressed anchor and grouting in fractured rock mass[J]. Journal of Mining amp; Safety Engineering，2025，42（2）： 294-305.

[21]崔宏瑞，孟祥瑞，程詳，等.水玻璃-膨脹劑-粉煤灰水泥基 復合注漿材料研發(fā)與試驗[J/OL].中國礦業(yè)：1-11 [2025-03-04] htp/kns.cnki.net/kcms/detail/11.3033.TD. 20250429.1549.006.html. CUIHongrui，MENGXiangrui，CHENG Xiang，et al.Research and test of sodium silicate-expansion agentfly ash cement-based composite grouting material[J/OL]. China Mining Magazine： 1-11[2025-03-04]. htp： /kns. cnki.net/kcms/detail/11.3033.TD.20250429.1549.006. html.

[22]沈玉旭，王成帥，郭俊慶，等.基于正交試驗的注漿材 料力學性能及最優(yōu)配比研究[J].礦業(yè)研究與開發(fā)， 2025，45（5）： 63-71. SHEN Yuxu， WANG Chengshuai， GUO Junqing， et al. Research on mechanical properties and optimal ratio of grouting materials based on orthogonal test[J]. Mining Research and Development， 2025，45（5）： 63-71. Seeeeeeee 事故知識圖譜構建及應用研究[J].中國安全生產科學 技術，2024，20（10）：12-21. JIANG Yaosen， YANG Chaoyu， LIU Xiaolei. Research on construction and application of knowledge graph for coal mine accidentsbased on ChatGLM3-6B[J]. Journal of Safety Science and Technology， 2024， 20（10）： 12-21.

[21]王海玲，劉興麗，邵宗曦，等.基于ChatGLM的煤礦安 全預警知識抽取及應用[J].煤炭技術，2024，43（8）： 219-221. WANG Hailing，LIU Xingli， SHAO Zongxi，et al. Knowledge extraction and application of coal mine safety early warning based on ChatGLM[J]. Coal Technology，2024，43（8）： 219-221.

[22]劉鵬，趙慧含，仰彥妍，等.基于OWL的瓦斯爆炸事 故語義本體構建及推理[J].煤炭科學技術，2018， 46（8）：16-23. LIU Peng， ZHAO Huihan， YANG Yanyan， et al. Construction and reasoning of semantic ontology for gas explosion accident based on OWL[J]. Coal Science and Technology，2018，46（8）：16-23.