基于BN-ELM 的煤礦瓦斯風險預測與可視化研究

季嘉琪 呂月穎 苗德俊

（1.山東科技大學安全與環境工程學院，山東 青島 266590；

（2.山東科技大學礦山巖層智能控制與綠色開采國家重點實驗室培育基地，山東 青島 266590）

人工智能在煤礦安全預測的應用逐漸興起[1]。眾多預測模型均無法考慮人的因素，具有一定的局限性，人為因素作為風險預測關鍵因素常被忽略[2]。且多數研究者以預測模型為重點，在應用時沒有考慮數據的可視化。安全態勢主要應用在計算機網絡、軍事、交通等領域[3]，在煤礦領域還未得到廣泛應用。

因此，以瓦斯事故為著眼點，從引發事故的各類因素的角度進行分析，并對井下瓦斯風險進行預測，最后將瓦斯風險的預測結果以可視化的形式展示，為決策者提供數據基礎和便利。

1 BN—ELM 模型的建立

1.1 煤礦安全態勢感知體系

在煤礦安全領域，一般用安全態勢表示目前的煤礦安全狀態和風險走向[4]。若分析安全態勢，需要結合各類因素。首先分析并收集影響煤礦安全系統和子系統的因素，并將其進行分類、歸納，根據整合的結果建立模型，在該模型的基礎上預測安全態勢，最終結合每個子系統的安全態勢結果，分析煤礦整體的安全態勢，并對其進行評估。此評估結果對決策者有直接幫助。其結構圖如圖1。

1.2 煤礦安全態勢感知方案

根據圖1 中安全態勢感知思路，本文選取貝葉斯網絡和極限學習機兩種方法完成煤礦安全態勢分析的工作。首先，利用貝葉斯網絡構建事故致因網絡，分析瓦斯爆炸事故的原因和層次關系；其次，利用極限學習機對致因網絡中的直接影響因素的指標值進行預測；在此基礎上，使用貝葉斯網絡對瓦斯爆炸風險進行預測。預測工作完成后，以事故發生可能性、風險等級、預警時間等預測數據為依據，在實時數據的基礎上，分析煤礦的整體安全態勢。若預測結果中有高風險的情況，應立即預警，為工作人員提供較多的反應時間。

圖1 煤礦安全態勢感知系統體系結構圖

1.2.1 預處理階段

該階段為后續預測工作打下基礎，提供預測所需要的數據，構建瓦斯爆炸事故的貝葉斯網絡模型。

找出導致事故發生的致因因素，并計算出各節點的概率，因此，可以利用貝葉斯網絡將各因素劃分為直接因素和間接因素，即一級指標和多級指標。

1.2.2 基于貝葉斯網絡的指標體系構建

貝葉斯鏈式法則如式（1）所示：

式中，Xi表示第i個節點。

在計算過程中，并不是所有數據都可以直接監測或計算得到，因此這類數據需要通過專家的討論和判斷對貝葉斯網絡中的節點和結構進行修改。

本文通過分析近十年的瓦斯爆炸事故報告，并采納煤礦專家的意見，構建出瓦斯爆炸風險貝葉斯網絡模型，如圖2 所示。

在貝葉斯模型中，將影響因素分為一級指標和多級指標。由圖2 可知，瓦斯爆炸事故發生的原因分為直接原因和間接原因，將直接原因指定為一級指標，間接原因指定為多級指標，并用表達式表示。

圖2 瓦斯爆炸事故貝葉斯網絡結構

1.2.3 基于極限學習機的風險預測

（1）基于極限學習機的一級指標預測模型

極限學習機具有強大的功能，能夠處理一級指標和多級指標之間的非線性關系。因此本文選取極限學習機方法，利用多級指標和一級指標分別作為輸入和輸出變量，對一級指標進行預測。

為了其訓練的最終效果不受輸入權重和閾值的影響，本文采用粒子群算法對極限學習機進行優化。

粒子群算法優化步驟：① 參數初始化處理；②將初始的輸入權重與閾值帶入極限學習機中；③ 粒子群的適應度；④ 比較適應度。

（2）風險概率預測

根據式（1），可以得到瓦斯爆炸風險概率預測模型。假設U={F1，F2，F3，…，Fn，G｝為一個離散變量集合，其中Fi為風險一級指標，G為瓦斯風險，F={F1=f1，F2=f2，Fn=fn｝是Fi的取值集合，G=Y表示風險出現。當一級指標取值為F時，概率表達式如下：

如表1 所示，根據概率值的大小分為不同等級，根據不同等級采取不同的措施。當風險概率值大于0.6 時，應當對對應的風險區域進行預警，并對瓦斯安全狀況進行分析。

表1 風險等級

1.2.4 安全態勢評估階段

評估在感知過程中起著重要作用。這一階段綜合了定性、定量分析，可以根據評估結果分析目前煤礦的安全狀況。在t時刻，煤礦整體安全評估值SN（t）表示為：

式中，P、L、T分別代表風險概率、風險等級、風險告警時間，告警時間默認值為1，若此區域預測到風險后的t時間內風險仍存在，則值逐漸增加；S、M分別為風險影響范圍及風險在區域內的數量。

煤礦整體安全狀態評估值為：

式中，N表示主要風險的數量；Si（t）表示i風險在t時刻對煤礦安全的影響；Wi表示各風險的權重，權重值由煤礦實際和專家的經驗共同決定。

當評估值的范圍在1～5 之間時，安全態勢的評估值越大，該區域越不安全，發生事故的風險越大，風險范圍越大。

2 安全態勢預測分析

2.1 數據來源與處理

本文的相關數據均來自山東省魯西煤礦，自2018年開始與魯西煤礦共同研發煤礦大數據平臺，收集管理系統中的三違數據等相關數據后利用爬蟲、自然語言處理等技術對數據清洗。瓦斯涌出量等數據由自動化系統、實時監測系統、傳感器來提供。

由于在安全態勢感知時需量化指標，例如，電器失爆用電器失爆等級來表示嚴重程度，瓦斯積聚的量化指標為瓦斯濃度。對于三違數據可以根據嚴重程度分別計分0 分、1 分、2 分。

2.2 風險預測

設備監測的數據每一小時上傳一次，收集樣本100組，將其中70%作為訓練集，30%作為測試數據，迭代100 次，10 個輸入節點、3 個輸出節點，預測完成之后與實際值進行對比，如圖3 所示。當某些多級指標無法實時監測時，規定時間t，并認定t時間內最近上傳的值為實時數據。

圖3 一級指標預測結果圖

利用數據進行瓦斯濃度預測后的結果的準確度為87.235%。在一級指標的預測中，只有火源預測發生失誤，電器失爆的預測結果與實際結果完全一致。通過此方式預測可以看出，一級指標和多級指標有非線性關系。極限學習機在識別這種關系的能力上較突出，在預測結果上能夠保證一定的準確性。

利用極限學習機算法，迭代次數調整到100 次，可以得到該煤礦的瓦斯風險概率，如圖4 所示。在圖中可以看出，風險小于0.2，因此該煤礦的瓦斯處于低風險狀態。

圖4 風險概率預測圖

2.3 安全態勢預測

結合風險預測的結果和公式（6），該煤礦瓦斯安全態勢曲線如圖5 所示。

圖5 瓦斯安全態勢圖

圖5 顯示，瓦斯爆炸的風險率較低。可以看出，魯西煤礦在整個階段可以較好地控制瓦斯風險。雖然在預測的最終結果中有突發情況，但整體狀態趨于平穩，說明該煤礦及時采取有力措施控制了風險。

3 煤礦安全態勢的可視化

數據顯示是將收集到的數據錄入數據庫，通過ECharts 對煤礦的分析結果進行可視化展示，以便安全管理人員及時了解生產過程中的實際情況。

通過瓦斯傳感器實時記錄瓦斯濃度，使用本文的預測方法了解煤礦瓦斯安全態勢，并結合風險概率、瓦斯濃度等數據，利用可視化的方式展示，如圖6。

圖6 瓦斯風險預測可視化

可以通過按鈕切換的方式進行查看不同的板塊，在切換的過程中可以對無關曲線進行隱藏。當鼠標移動到圖中時，會顯示出某一時間點的具體值，并且在折線圖中，數據可以進行縮放。數據實時顯示設置為每30 min 刷新一次，以便更新煤礦瓦斯安全狀況，進行實時觀察。

4 結論

將安全態勢運用在煤礦安全上，以瓦斯風險為例，通過實時監測煤礦的相關數據以及工作人員的安全行為，對煤礦安全態勢進行預測。在此模型中，將人的影響因素考慮在內，分析對瓦斯爆炸的影響，提高了準確性。同時利用ECharts 進行可視化分析，實現數據實時展示，為煤礦安全管理人員的決策和管理提供依據。