礦山安全態勢預測預警研究

李賢功， 宋學鋒, 張明慧， 唐潤， 劉鋒

(1.中國礦業大學 礦業工程學院， 江蘇 徐州 221116；2.中國礦業大學 經濟管理學院， 江蘇 徐州 221116；3.南京財經大學 管理科學與工程學院， 江蘇 南京 210023)

0 引言

礦山安全受復雜生產環境、技術裝備、人員素質、管理水平等因素的綜合影響，整體仍面臨嚴峻挑戰。隨著物聯網技術的發展及其在礦山企業的推廣和應用，礦山安全生產監測手段和信息采集、傳輸方式發生了巨大變化，安全監測數據得以及時、全面采集，形成了基于物聯網的礦山安全大數據。充分挖掘礦山安全大數據所蘊含的規律并加以利用，對于實現礦山安全態勢預測預警有重要意義。

目前，許多專家學者針對礦山安全預測預警展開研究，并取得了一定成果。Tong Xing等[1]采用貝葉斯網絡對煤礦瓦斯事故風險進行預測；溫廷新等[2]融合遺傳算法與極限學習機，構建了一種露天煤礦拋擲爆破預測模型；李成武等[3]建立了煤與瓦斯突出能量預測非線性回歸模型；孫繼平等[4]提出采用多參數融合方法對煤礦火災事故進行預測；張慶華等[5]研究了瓦斯災害區域預警，劃分出4級預警區域層級和風險等級，并構建了基于層次分析法的預警模型，實現了基于多指標融合的分析決策；楊玉中等[6]將可拓理論應用于煤礦安全預警，通過層次分析法和綜合關聯度確定權重和評價準則，確保了評價的客觀真實性；丁寶成[7]采用補償模糊神經網絡和模糊層次分析法構建了煤礦安全預警模型；劉年平[8]結合復雜性理論和數據分析方法，構建了煤礦安全生產預警知識庫，并采用集對分析法建立風險預警模型，對顯性和隱性風險進行了有效預警；付貴祥等[9]分析了各類礦山災害預警模型，給出了智能決策業務流程；蘭國輝等[10]采用因子分析-邏輯回歸方法實現了瓦斯突出事故綜合預警；丁日佳等[11]基于層次分析法-信息熵-物元可拓方法建立了礦山生態安全風險預警模型。

本文基于獲取的礦山安全大數據，以瓦斯爆炸事故為例，建立了礦山安全態勢評價指標，采用長短期記憶(Long Short-Term Memory，LSTM)網絡和貝葉斯網絡構建了礦山安全態勢預測模型，并建立了4級預警機制，提高了礦山安全態勢預測預警的系統性、準確性和及時性。

1 礦山安全態勢評價指標體系

礦山安全態勢評價是指對礦山系統產生的安全數據和事件進行提取，通過一定的模型和方法進行計算和評價，動態反映礦山安全實際運行狀況。通過礦山安全態勢評價，可了解礦山過去和目前的安全狀態，并通過其發展趨勢分析，為礦山安全管理提供一定指導。評價指標體系是實現科學、合理、有效評價的基礎，其構建須遵循系統、全面、定性定量結合和可操作性的原則。礦山安全態勢評價指標體系的構建流程如下。

(1) 風險因素分析。風險因素是評價指標的基礎，包括所有影響系統安全的因素。而評價指標是對風險因素的提取、歸納，找出其中最具代表性的因素。

(2) 理論驗證。初步選取的評價指標需經過科學驗證，以確保其可靠性。

(3) 指標體系確定。確定的評價指標需具有實用性和普適性，因此確定指標體系時要將難以衡量或存在交疊的指標刪除或修改，以確保指標體系合理、精練。

(4) 修訂。指標體系的構建是一個不斷趨于完善的過程，因此在應用過程中要根據反饋不斷進行修訂，使指標體系更加完善[12]。

按照上述流程構建瓦斯爆炸事故評價指標體系。結合瓦斯爆炸事故的成因和歷史事故案例發現，瓦斯爆炸是在瓦斯積聚、氧氣及火源3個因素的共同作用下導致的[13]。由于井下氧氣濃度天然滿足瓦斯爆炸災害發生的條件，所以可忽略氧氣這一因素。按照系統性、典型性、動態性、直接性和可操作性原則，構建瓦斯爆炸事故評價指標體系，如圖1所示。

圖1 瓦斯爆炸事故評價指標體系Fig.1 Evaluation index system of gas explosion accident

瓦斯爆炸事故評價指標體系中既包括定量指標，也包括定性指標。為了更具體地反映各個指標的風險程度，需針對不同指標采用合理的量化方法進行量化，結果見表1，其中瓦斯監測有效性、通風機工作狀態、煙霧3個指標的量化值1，0分別表示正常、有風險，其他指標的量化值1,2,3,4分別表示正常、低風險、中風險、高風險。

表1 瓦斯爆炸事故評價指標量化結果Table 1 Quantized results of evaluation indexes of gas explosion accident

2 礦山安全態勢預測模型

礦山安全態勢預測模型是通過LSTM對評價指標進行建模，獲取評價指標預測值，之后采用貝葉斯網絡對事故風險進行評估，得到安全態勢預測值。

2.1 基于LSTM的安全態勢評價指標預測

LSTM具有特殊的門構造，能夠很好地對時間序列進行建模，克服傳統循環神經網絡存在的梯度消失和梯度爆炸問題[14]。其邏輯結構如圖2所示。其中Xt為t時刻LSTM的輸入；it，ot，ft分別為t時刻輸入門、輸出門和遺忘門輸出；ht為t時刻隱藏層輸出；Ct為t時刻細胞狀態；σ，tanh為LSTM激活函數。 LSTM通過遺忘門、輸入門、輸出門決定信息是否保留。

圖2 LSTM結構Fig.2 LSTM structure

以瓦斯爆炸事故主要影響因素——瓦斯濃度為例，說明基于LSTM的安全態勢評價指標預測效果。選取5 000條瓦斯濃度監測數據作為樣本，其中訓練樣本4 500條、測試樣本500條。通過LSTM預測的瓦斯濃度如圖3所示。

對于溫度、風流量等評價指標，可通過LSTM進行預測。對于非時間序列指標，如瓦斯抽放率、通風系統合理性、煤炭自然發火期、電氣設備防爆率等，可根據相應的數據統計頻率，認為其在一定周期內保持不變。

2.2 基于貝葉斯網絡的礦山安全態勢預測

從事故案例中搜集數據，通過機器學習方法構建事故推理模型[15-16]。將獲取的各評價指標預測值輸入貝葉斯網絡模型，通過貝葉斯網絡預測推理分析得出安全事故風險概率，最終獲得礦山安全態勢預測結果。采用GeNIe2.0軟件構建瓦斯爆炸事故的貝葉斯網絡模型，如圖4所示。模型參數學習是利用事故案例數據樣本計算網絡節點的先驗概率和節點之間的條件概率。在模型運行過程中，通過不斷擴充事故案例數據庫，定期對模型參數進行更新、優化，使預測推理結果更加貼近實際。

圖4 瓦斯爆炸事故的貝葉斯網絡模型Fig.4 Bayesian network model of gas explosion accident

將某時刻評價指標預測值輸入訓練后的貝葉斯網絡模型，經推理后得到瓦斯爆炸事故風險概率，如圖5所示。可看出此時瓦斯爆炸事故風險發生概率為0。

將多個時刻的評價指標預測值輸入貝葉斯網絡模型，得到未來一段時間段內瓦斯爆炸事故風險發生的概率曲線，即礦山安全態勢預測曲線，如圖6所示。可看出瓦斯爆炸事故風險概率在[0，0.03]區間波動，表明在預測時間段內，瓦斯爆炸事故發生的風險很小。

圖5 貝葉斯網絡模型推理結果Fig.5 Inference results of Bayesian network

圖6 礦山安全態勢預測曲線Fig.6 Forecast curve of mine safety situation

通過礦山安全態勢預測曲線，管理人員可清楚地了解未來一段時間內礦山安全整體態勢，為安全生產提供輔助決策支持。

3 礦山安全態勢預測預警機制

根據安全態勢預測結果，按照事故風險概率將警情緊急程度劃分為Ⅳ級、Ⅲ級、Ⅱ級和Ⅰ級。以瓦斯爆炸事故為例，其Ⅳ級、Ⅲ級、Ⅱ級和Ⅰ級警情分別對應風險概率[0,0.15]，(0.15,0.3]，(0.3,0.5]，(0.5,1]。

依據專家經驗[17]，將礦山安全態勢4級警情分別表示為藍色、黃色、橙色和紅色預警，不同級別的警情應采取不同的預警措施，如圖7所示。

圖7 礦山安全態勢預測預警機制Fig.7 Early warning mechanism of mine safety situation

(1) 藍色預警。處于Ⅳ級警情，為安全階段。該階段各班組正常生產，需做好監測預防工作，防止可能出現的危險。

(2) 黃色預警。處于Ⅲ級警情，為危險階段。該階段班組生產仍可繼續，但需對出現的危險源進行處理，明確整改方案，持續觀察，以防止危險升級。

(3) 橙色預警。處于Ⅱ級警情，為較危險階段。該階段班組可嚴格按照安全生產規程生產，但要隨時做好停產、撤人準備；成立現場指揮小組，對出現的危險源進行處理，對現場持續跟蹤觀察，防止危險進一步升級。

(4) 紅色預警。處于Ⅰ級警情，為嚴重危險階段。該階段必須立即停產、撤人，制定整改措施，消除危險源，待條件正常時才可恢復生產。

礦山安全態勢預警的目的是消除隱患、控制風險。依據煤礦企業組織結構和崗位職責現狀，出現警情后需向相關部門發送警情信息，明確處理預警事件的部門和人員。瓦斯爆炸事故警情涉及的責任響應部門如圖8所示。

圖8 瓦斯爆炸事故警情響應部門Fig.8 Warning response departments of gas explosion accident

當安全態勢出現異常時，礦山安全態勢預測模型基于貝葉斯網絡的敏感性分析得出導致異常的具體因素。根據警情響應部門設置，各部門按責任分工消除異常，保障礦山生產安全。

4 實例反演

以某煤礦某次瓦斯爆炸事故為例進行反演，以驗證礦山安全態勢預測模型的有效性。事故發生區域煤層瓦斯含量較高。事故發生前礦井工作人員未按規定進行瓦斯抽采。該礦通風管理混亂，-530 m采煤工作面處未形成全風壓通風系統，1臺局部通風機同時向2個作業地點供風，導致事故發生區域風流量不足。井下人員違章放炮產生火源，造成局部溫度升高，引起瓦斯爆炸。

分析瓦斯爆炸事故原因后，將其與瓦斯爆炸事故評價指標對應，并將指標輸入礦山安全態勢預測模型，預測結果如圖9所示。可看出當瓦斯濃度、風流量、溫度等指標均存在較高程度的異常時，瓦斯爆炸事故發生概率高達95%。該結果與實際情況吻合。根據設立的預警等級，此時煤礦安全態勢為Ⅰ級預警，須立即停產、撤人。

圖9 瓦斯爆炸事故預測結果Fig.9 Forecast results of gas explosion accident

5 結論

(1) 以瓦斯爆炸事故為例，基于礦山安全事故致因分析，構建了礦山安全態勢評價指標體系，針對各評價指標進行量化。

(2) 采用LSTM對礦山安全態勢評價指標進行預測，結合貝葉斯網絡構建了礦山安全態勢預測模型，對安全事故風險進行評估，實現礦山安全態勢預測。

(3) 基于礦山安全態勢預測結果建立了預警機制，根據警情劃分4級預警級別，制定了相應的預警措施。

(4) 以某煤礦某次瓦斯爆炸事故為例進行反演，結果表明基于LSTM和貝葉斯網絡的礦山安全態勢預測結果與實際情況吻合。