基于模糊神經網絡的煤礦安全管理績效評價

崔濟麟

（煤科集團沈陽研究院有限公司 遼寧 撫順　113122）

基于模糊神經網絡的煤礦安全管理績效評價

崔濟麟

（煤科集團沈陽研究院有限公司 遼寧 撫順113122）

為了評價煤礦在實際生產中的安全管理，避免在煤礦安全管理方面的人為主觀判斷，基于煤礦安全評價指標體系，采用模糊神經網絡人工智能算法構建煤礦安全評價模型，對煤礦安全管理進行綜合評價。建立了煤礦安全評價的模糊神經網絡模型，并計算出均方差以及煤礦安全總體滿意度，對煤礦安全管理進行客觀的評價，得到煤礦安全管理現有優勢以及不足，此模型與傳統評價方法相比較為簡單，并且能夠較為客觀的對煤礦安全進行評價。

煤礦安全；滿意度評價；評價指標體系；模糊神經網絡評價

我國煤炭開采行業的安全性，由于人為因素造成不安全隱患的不可避免性，煤礦事故中人為因素占到80%［1-2］，合理客觀的對煤礦安全管理進行評價，顯得尤為重要。

面對人為因素造成煤礦安全事故居高不下的現狀，傳統的評價方法已經不能客觀的對煤礦安全管理作出評價，近年來，越來越多的研究者應用更為客觀的評價方法對煤礦安全管理進行評價。

文獻［3］運用模糊綜合評價法對煤礦安全進行評價，較為客觀的評價，對煤礦安全管理具有一定的指導作用；文獻［4］運用BP神經網絡的方法對煤礦安全績效管理進行了較為客觀全面的評價，得到了較為真實的結果；

目前應用FNNs模型進行評價的算法主要有合作型以及混合型［5］。在合作型FNNs模型中，神經網絡被用于預處理模糊化參數并使其達到最優值，學習過程可以用于學習模糊集以及模糊規則，可以達到自適應的模糊集合或是模糊規則的自適應［6］。

文中模型采用模糊神經網絡算法對煤礦安全管理進行評價，避免了傳統的專家評價的人為因素影響，根據評價模型的均方差以及煤礦安全管理整體滿意度進行分析，得到較為準確客觀的煤礦安全管理評價。

1　理論和方法

1.1評價指標體系的構建

煤礦安全管理評價指標指的是首先在充分利用資源和正確操作的前提下，根據煤礦實際開采過程的特點，按照科學性、系統性、重點性、代表性、可操作性等原則構建了煤礦安全管理指標體系，如圖1所示。

圖1　煤礦安全管理評價指標體系

1.2FNNs模型構建

因為煤礦安全管理涉及很多的人為因素是不容易被量化描述的，所以我們采用FNNs模型來進行研究，此種網絡結合了模糊算法和BP神經網絡算法，因此具備了模糊處理不確定信息和優秀的學習能力的優點。它包括兩部分：模糊模式和BP神經網絡，模糊模式的功能是運用模糊算法處理輸入變量，然后開始神經網絡算法，FNNs的結構如圖2［7］。

圖2　模糊神經網絡結構

1.2.1數據模糊化處理

模糊理論首先由Zadeh［8］使用數學模型描述此模型，由于現在比較流行的統計時間序列方法不能有效的對少量數據進行預測，模糊時間序列可以很好地對小數據量的矩陣進行預測。構造模糊時間序列如下：

1）對問卷調查數據進行變換；

2）將調查問卷數據分成幾個相等的區間，并且要定義出區間的范圍，也就是定義每個區間的上下限；

3）定義時間函數F（t），時間序列函數為

4）對采樣數據進行模糊化處理，確定模糊化數據集合。如果數據屬于UI，那么每一個調查數據都屬于AI；

5）計算矩陣關系，包括運算矩陣和評判矩陣。

運算矩陣如下：

評判矩陣如下：

6）將模糊化的數據輸入到BP神經網絡中。

1.2.2神經網絡模塊設計

BP神經網絡是應用比較廣泛的人工智能算法，具有多層的網絡結構，包括兩種不同的算法：一個向前傳播，一個向后傳播，逐步的處理輸入信號，最后轉移到輸出層。由于每一個神經節點只影響下一層的節點。所以如果不能獲得預期目標，他開始向后傳播，傳輸出來的錯誤信號經過調整每一個神經節點的權值使其誤差信號達到最小。

BP網絡主要應用于函數逼近、模式識別、分類、數據壓縮等方面，BP神經網絡算法原理是其沿著誤差函數梯度下降的反方向傳播，改變權值和偏差。有關BP神經網絡學習算法及具體推導過程請見相關文獻［9］，這里不再贅述。

2　實證分析

2.1研究數據的來源

該調查問卷是從2012年3月至10月，從不同角度設計了兩份問卷，分別針對煤礦工人以及煤礦管理人員進行問卷調查，調查問卷共發放800份，回收740份，其中無效問卷5份，有效率92%（不分男女、年齡）。

將模糊理論融入到BP神經網絡結構中，并且將模糊理論中的相對隸屬度和BP神經網絡相結合，構成了基于模糊BP神經網絡的煤礦安全管理評價模型，限于篇幅，實際的模糊化處理方法見文獻［9］。模糊BP神經網絡煤礦安全管理評價過程見圖3。

圖3　FNNs模型評價煤礦安全管理流程圖

圖3中的煤礦安全管理評價標準見表1。

2.2FNNs網絡結構設計

結合煤礦安全管理評價體系的特點，采用3層BP神經網絡結構，多輸入單輸出的模糊神經網絡結構，如圖2所示。在圖2中，模糊神經網絡是一種復雜的智能系統，具有自適應處理復雜非線性的問題的優點，應用模糊神經網絡評價煤礦安全管理的結構圖如圖2所示。圖2表明本文的模糊神經網絡模型具有六個層。第一層為輸入變量層，并且每個節點的值僅輸出給下一層。第2層為每個輸入變量以及隸屬函數的模糊集。第3層中的節點表示一個模糊規則以及隸屬度，第4層代表連續的乘法運算。第5層代表求和運算。第6層為FNNs神經網絡模型的輸出層。x1…..x2為輸入值，Y為輸出值。wi為權值系數，∏和N分別代表求和以及乘法運算。yi為中間層的輸出值。本文采用的評語集為:V=｛優，良，中，差｝，則隸屬度向量為4維形式，記作:Aim=（A1m，A2m，Akm，Aim）。假設輸出值為（≥0.8，0，0，0），則說明煤礦安全管理屬于“優”的等級；假設輸出值為（0，0，0，0.1），則說明煤礦安全屬于“差”的等級。

表1　煤礦安全管理評價標準

2.3FNNs網絡結構訓練

對經過模糊化的數據在MATLAB中用BP神經網絡訓練，FNNs評價模型的計算參數如下：

根據上一層的結果進行迭代求得下一層的結果，訓練過程如圖4所示。

圖4　訓練過程中的網絡誤差性能變化圖

圖5　真實值與目標值校正誤差曲線

由圖4可以看出，FNNs模型可以快速的達到精度要求，圖5表明此種方法在達到要求誤差之后，誤差變化較為平穩，圖5表明應用模糊神經網絡模型對煤礦安全管理進行評價是較為可行的。

文中模型不需要相關專家進行權重打分，直接應用模糊神經網絡評價煤礦安全管理評價，與理想數據進行對比，輸出均方值以評價煤礦安全管理的整體情況。根據文獻［10］對煤礦安全管理的總體滿意度指數CSI進行分析：

由模糊神經網絡評價模型求得的均方值E求得煤礦安全管理總體滿意度指數CSI：

表2　安全評價分析結果表

表2為經過FNNs評價模型訓練以后輸出的評語集V=｛優，良，中，差｝的4個評語等級出現的概率，由表2可知調查問卷的數據經過模糊神經網絡訓練后的數值與評價標準的均方差很小。

煤礦安全管理總體滿意度的評價結果表明：環境因素的總體滿意度較低，對煤礦安全影響較大，在人員培訓方面很好，也非常符合現實情況，評價結果即煤礦安全管理的滿意度達到了80.12%。組織監管和人員自身條件的總體滿意度在78-79%之間，有待進一步的提高。煤礦安全管理在我國起步比較晚，又受技術的局限，發展較慢，整體的管理水平欠缺。

3　結　論

文中采用FNNs模型，對模糊算法和神經網絡進行了有機的組合，有效地避免了專家打分的偏好以及矛盾樣本的干擾，模糊人工神經網絡較一般的BP神經網絡具有更快、更優的收斂效果。利用了該模型具備的模糊處理不確定信息和優秀的學習能力的優點，克服了煤礦安全管理的多變量是不容易被量化描述等問題，并且通過實例驗證表明是完全可行的，而且評價結果切合實際情況，具有很好的操作性、實用性和適應性。

綜上，我國煤礦安全管理應加大對礦區作業環境的改善，在組織監管方面應進一步提升，雙管齊下，才能有效的保障我國的煤礦安全作業，避免安全事故發生。

［1］蘭建義，周英.基于層次分析-模糊綜合評價的煤礦人因失誤安全評價［J］.煤礦安全，2013，44（10）：222-225.

［2］劉業嬌，任玉輝，任靜靜，等.基于BP神經網絡的煤礦安全管理績效評價［J］.煤炭工程，2013（2）：135-140.

［3］Kulkarni AD，Cavanaugh CD.Fuzzy neural network models for classification［J］.Appl Intell，2000（12）:207-215.

［4］Lin S-F，Chang J-W，Hsu Y-C.A self-organization mining based hybrid evolution learning for TSK-type fuzzy model design［J］.Appl Intell，210，36（2）：454-471.

［5］陳振斌，張慶普.基于模糊神經網絡的企業知識管理風險評價［J］.科學學研究，2008，26（4）:773-778.

［6］Zadeh LA.Outline of a new approach to analysis of complex systems and decision processes［J］.IEEE Transactions on Systems，Man，and Cybernetics，1973（3）:28-44.

［7］孫景文，常鮮戎.基于高斯混沌粒子群優化動態前饋神經網絡的短期負荷預測［J］.陜西電力，2015（3）：67-69，75.

［8］辛禾，王齊龍，何璞玉，等.基于神經網絡模型的電網企業應急協同管控機制研究［J］.陜西電力，2015（8）：1-5，21.

［9］胥良，郭林，梁亞，等.基于模糊RBF神經網絡的智能PID控制［J］.工業儀表與自動化裝置，2016（6）：67-70.

［10］劉若涵，趙振民，趙杰.基于神經網絡與遺傳算法的懸臂式掘進機智能控制系統［J］.工業儀表與自動化裝置，2014 （6）:67-69.

Evaluation of mine safety management performance based on FNNs

CUI Ji-lin
（CCTEG Shenyang Research Institute Co.，LTD Measurement and Control Technology Branch，Fushun 113122，China）

In order to evaluate the coal mine safety management in actual production，Avoid artificial subjective judgment about coal mine safety management.Evaluation system based on coal mine safety，FNNs artificial intelligence algorithms is used to build mine safety evaluation model for comprehensive evaluation of coal mine safety management.Establish a FNNs model of coal mine safety assessment，and calculate the mean squared error and the overall satisfaction of coal mine safety. Evaluation mine safety management objectively，get mine safety management and lack of existing strengths.With the traditional evaluation method of this model is relatively simple，and it could objectively evaluate the safety in coal mine.

mine safety；competitiveness evaluation；evaluation index system；FNNs

TN082

A

1674-6236（2016）14-0063-04

2015-07-14稿件編號：201507095

崔濟麟（1989—），男，遼寧撫順人，碩士，助工。研究方向：煤礦安全類儀器儀表的設計與研發。