大數(shù)據(jù)在煤礦安全領(lǐng)域應(yīng)用方法研究

李 東 周 勇

(中國神華能源股份有限公司，北京市東城區(qū)，100011)

在全球信息化水平飛速提升的進程中，國家對煤炭企業(yè)信息化與安全生產(chǎn)的重視程度與日俱增，煤炭行業(yè)各級領(lǐng)導(dǎo)和工作人員的信息化意識普遍增強，煤炭企業(yè)對煤礦信息化建設(shè)投入大大增加，煤礦機械化、自動化和信息化建設(shè)不斷加強，智能傳感器、數(shù)字傳輸系統(tǒng)與信息系統(tǒng)的廣泛應(yīng)用使得煤礦企業(yè)積累了海量數(shù)據(jù)。與此同時，為規(guī)范煤礦生產(chǎn)安全事故調(diào)查處理，原國家安全生產(chǎn)監(jiān)督管理總局、國家煤礦安監(jiān)局要求各地安監(jiān)機構(gòu)在煤礦發(fā)生事故之后，必須由專家團隊對事故進行調(diào)查，進行嚴密的事后分析，并形成完整的事故分析報告。綜合來看，大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的積累為大數(shù)據(jù)方法在煤礦安全領(lǐng)域的應(yīng)用研究奠定了基礎(chǔ)。

當前，隨著云計算、物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，大數(shù)據(jù)已逐步滲透到絕大多數(shù)行業(yè)和領(lǐng)域，成為重要的生產(chǎn)要素，企業(yè)對于海量數(shù)據(jù)的挖掘和應(yīng)用，成為企業(yè)核心競爭力的重要組成部分。如零售領(lǐng)域通過大數(shù)據(jù)應(yīng)用實現(xiàn)客戶360°畫像，幫助企業(yè)分析客戶購買行為，針對客戶個性化產(chǎn)品推薦，并進行客戶群體分析，對下一步銷售策略做好預(yù)測工作；電信企業(yè)利用大數(shù)據(jù)技術(shù)加大對歷史數(shù)據(jù)的分析，動態(tài)優(yōu)化調(diào)整網(wǎng)絡(luò)資源配置，大幅提高無線網(wǎng)絡(luò)的運行效率；金融行業(yè)依靠真實、可靠、穩(wěn)定、連續(xù)、海量的數(shù)據(jù)渠道，通過海量數(shù)據(jù)的分析建模，有效提升金融風(fēng)險的控制能力和控制效率；交通領(lǐng)域在大數(shù)據(jù)和人工智能的支持下，車輛可以自動駕駛，并可以對線路自學(xué)習(xí)自優(yōu)化。然而目前國內(nèi)外學(xué)者對煤礦大數(shù)據(jù)應(yīng)用的研究大多還集中在理論層面的應(yīng)用指導(dǎo)，并未在煤礦實際生產(chǎn)過程中對煤礦數(shù)據(jù)進行采集和研究，大數(shù)據(jù)應(yīng)用水平受到限制。從煤礦企業(yè)角度來講，煤礦企業(yè)并未對煤礦生產(chǎn)過程中產(chǎn)生的海量數(shù)據(jù)進行充分挖掘和利用，煤礦對于信息系統(tǒng)數(shù)據(jù)的管理還是停留在垂直型單系統(tǒng)層面，數(shù)據(jù)信息獨立保存或簡單物理集中，對數(shù)據(jù)內(nèi)在關(guān)聯(lián)和規(guī)律的研究幾乎為零，大量數(shù)據(jù)的價值未得以充分體現(xiàn)。對事故發(fā)生規(guī)律的認知，往往是在事故發(fā)生后，將事故報告作為事故調(diào)研的最后環(huán)節(jié)，并沒有對其進行后續(xù)的挖掘和利用，沒有對類似事故的相關(guān)規(guī)律進行研究，無法有效避免類似事故的重復(fù)發(fā)生。

本研究從煤礦歷年的事故分析報告、事故案例等與煤礦安全生產(chǎn)事故相關(guān)的文檔資料出發(fā)，應(yīng)用大數(shù)據(jù)技術(shù)對大量事故案例進行深入挖掘，多維度、多角度分析事故發(fā)生的內(nèi)在關(guān)聯(lián)和規(guī)律性，并通過BP神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)事故的預(yù)測預(yù)判，使煤礦安全生產(chǎn)管理模式由“事后管理”向“事前預(yù)防”轉(zhuǎn)變，有效提升煤礦安全管理能力。

1 煤礦安全大數(shù)據(jù)分析

如同其他領(lǐng)域，大數(shù)據(jù)分析技術(shù)給煤礦安全領(lǐng)域帶來了全新的解決方案。按照在其他領(lǐng)域大數(shù)據(jù)應(yīng)用方法、經(jīng)驗，通常的思路是通過事故與事故發(fā)生相應(yīng)時間段歷史數(shù)據(jù)進行關(guān)聯(lián)分析，找出事故發(fā)生時歷史數(shù)據(jù)或歷史數(shù)據(jù)之間變化的規(guī)律性，從而找到事故與數(shù)據(jù)的關(guān)聯(lián)關(guān)系，并通過實時監(jiān)控事故關(guān)聯(lián)數(shù)據(jù)預(yù)防安全生產(chǎn)事故的發(fā)生。雖然歷史上也有大量記載的煤礦安全生產(chǎn)事故，也有現(xiàn)存與事故相關(guān)的海量歷史數(shù)據(jù)，如安全監(jiān)測監(jiān)控系統(tǒng)、人員定位系統(tǒng)等，但這些數(shù)據(jù)在煤礦安全領(lǐng)域是無法實現(xiàn)大數(shù)據(jù)分析。因為煤礦歷史數(shù)據(jù)保存時限短(按照有關(guān)規(guī)定，煤礦安全監(jiān)測監(jiān)控系統(tǒng)、人員定位系統(tǒng)等數(shù)據(jù)只保存2年時間)，歷史上發(fā)生的超過歷史數(shù)據(jù)保存時限的事故找不到對應(yīng)的數(shù)據(jù)，而現(xiàn)存的歷史數(shù)據(jù)相應(yīng)時間段的事故數(shù)量又有限，不具備大數(shù)據(jù)分析規(guī)模，也無法形成統(tǒng)計規(guī)律。

圖1 技術(shù)實現(xiàn)流程圖

經(jīng)過大量的深入調(diào)研，不斷的實踐，找到了適用于煤礦安全領(lǐng)域的大數(shù)據(jù)分析思路和方法。技術(shù)實現(xiàn)流程如圖1所示。本研究的技術(shù)實現(xiàn)流程主要分為4個部分：

(1)收集大量煤礦事故分析報告、事故案例等與煤礦事故相關(guān)的資料，運用文本挖掘方法和Delphi專家調(diào)查法識別事故關(guān)鍵要素；

(2)根據(jù)事故關(guān)鍵要素，利用Apriori關(guān)聯(lián)算法分析關(guān)鍵要素之間的關(guān)聯(lián)關(guān)系，生成關(guān)鍵要素頻繁項集；

(3)采集煤礦各信息化系統(tǒng)、自動化控制系統(tǒng)數(shù)據(jù)，建立與事故關(guān)鍵要素對應(yīng)的數(shù)據(jù)指標，并對數(shù)據(jù)指標監(jiān)控、預(yù)測，從源頭上杜絕煤礦安全事故發(fā)生的可能性；

(4)在關(guān)鍵要素頻繁項集的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)算法進行建模，通過大數(shù)據(jù)流計算框架實時預(yù)測事故發(fā)生的可能性，提出事故預(yù)警，有效提升煤礦安全管理水平。

2 研究方法

2.1 事故關(guān)鍵要素識別

本研究通過實地調(diào)研和互聯(lián)網(wǎng)渠道收集3000多例事故報告，從中篩選出較為完整的包括瓦斯事故、火災(zāi)事故、水災(zāi)事故、其他類事故案例共1056例作為事故信息分析的主要數(shù)據(jù)源。其中瓦斯事故551例，占收集事故案例總數(shù)的52.2%；水災(zāi)事故183例，占17.3%；火災(zāi)事故62例，占5.9%；頂板事故57例，占5.4%；其他類事故134例，占19.2%。事故關(guān)鍵要素識別通過以下5個步驟實現(xiàn)：

(1)以通用詞典為匹配詞典，針對每一類事故采用ansj分詞器的NLPAnalysis算法對文本采用流讀取的方式進行處理，將事故案例進行分詞切分，并對分詞結(jié)果進行清洗，去除無效詞(無文本表征意義的詞)和非關(guān)鍵詞(無事故表征意義的詞)，形成分類事故分詞數(shù)據(jù)庫。

(2)針對分詞數(shù)據(jù)庫進行分詞共現(xiàn)分析，在事故案例中，多個分詞同時出現(xiàn)可表征一個主題，同時出現(xiàn)的頻率越高，表明所表征的主題越重要，針對分詞進行二次和三次共現(xiàn)分析，對共現(xiàn)分詞進行統(tǒng)計排序，并刪除共現(xiàn)頻率較低的分詞，得到共現(xiàn)分詞數(shù)據(jù)庫。

(3)在事故案例的編寫過程中，雖然有相對固定的格式和規(guī)范的專業(yè)術(shù)語，但畢竟由不同的人來編寫，不同的人對同一事物或現(xiàn)象的描述可能會因為個人語言習(xí)慣的不同而不盡相同，描寫瓦斯積聚會有“瓦斯…積聚”、“瓦斯…聚集”、“瓦斯…聚積”、“瓦斯積聚”、“瓦斯聚集”、“瓦斯聚積”等多種描述方式，因此，對同一特征的不同表述進行合并，頻率累加，得到有效特征數(shù)據(jù)庫。

(4)針對有效特征數(shù)據(jù)庫，構(gòu)建VSM向量空間模型，運用TFIDF算法計算各個特征的權(quán)值，并根據(jù)TFIDF值進行排序，去除權(quán)值低于設(shè)定值的特征，得到事故特征詞典。

TFIDF算法可表述為：

式中：ti——事故特征詞典中的基本特征；

dj——ti所在事故案例文本；

TF(ti,dj)——ti在事故案例集合中出現(xiàn)的頻率；

|D|——全部事故案例的總數(shù)；

|DF(ti)|——包含特征ti的文本數(shù)；

TFIDF(ti,dj) ——事故特征的權(quán)值。

(5)在事故特征詞典的基礎(chǔ)上，運用Delphi法(專家調(diào)查法)，將關(guān)鍵要素的關(guān)鍵程度分為特別關(guān)鍵(取值1)、極其關(guān)鍵(取值0.9)、比較關(guān)鍵(取值0.8)、稍微關(guān)鍵(取值0.7)、一般關(guān)鍵(取值0.6)、不太關(guān)鍵(取值0.5)、不關(guān)鍵(取值0.4～0)7個等級，并且經(jīng)過專家討論約定，經(jīng)過多輪次專家問卷調(diào)查、歸納、統(tǒng)計之后，取平均權(quán)值大于0.6的作為關(guān)鍵要素，最終生成事故關(guān)鍵要素表。以瓦斯事故為例，通過如上分析得到的事故關(guān)鍵要素如表1。

表1 瓦斯事故關(guān)鍵要素

2.2 事故關(guān)鍵要素指標監(jiān)控

在事故關(guān)鍵要素識別基礎(chǔ)上，針對煤礦現(xiàn)有信息化、自動化系統(tǒng)數(shù)據(jù)，構(gòu)建事故關(guān)鍵要素指標，進而通過對事故關(guān)鍵要素指標的監(jiān)控和預(yù)測實現(xiàn)事故關(guān)鍵要素的監(jiān)控和預(yù)測。

以瓦斯事故為例，在煤礦現(xiàn)有信息化、自動化系統(tǒng)數(shù)據(jù)基礎(chǔ)上建立瓦斯積聚、瓦斯?jié)舛取⒌刭|(zhì)構(gòu)造、超能力生產(chǎn)、跑漏風(fēng)、掘進停風(fēng)、風(fēng)量不足、生產(chǎn)能力、通風(fēng)短路、微風(fēng)作業(yè)、無風(fēng)作業(yè)等事故關(guān)鍵要素與現(xiàn)有數(shù)據(jù)之間的對應(yīng)關(guān)系，構(gòu)建事故關(guān)鍵要素監(jiān)控指標。采用Flume框架采集煤礦監(jiān)測監(jiān)控系統(tǒng)、人員定位系統(tǒng)、瓦斯抽放系統(tǒng)、井下自動化控制系統(tǒng)、束管監(jiān)測系統(tǒng)、礦壓監(jiān)測系統(tǒng)等信息化、自動化系統(tǒng)的數(shù)據(jù)，通過Storm+Kafka流計算框架實現(xiàn)事故關(guān)鍵要素指標的計算、監(jiān)控、預(yù)測。事故關(guān)鍵要素監(jiān)控主要包括以下幾個方面：

(1)根據(jù)瓦斯積聚、瓦斯?jié)舛仁鹿赎P(guān)鍵要素，構(gòu)建掘進工作面瓦斯涌出量和回采工作面瓦斯涌出量數(shù)據(jù)指標。

掘進工作面瓦斯涌出量指標監(jiān)控。首先通過掘進工作面回風(fēng)流瓦斯?jié)舛取⒒仫L(fēng)流風(fēng)速等監(jiān)測數(shù)據(jù)，計算工作面以及暴露巷道瓦斯總排放量：

(2)

i=0,1,2,…n-1

式中：Q風(fēng)排——掘進工作面瓦斯排放總量；

ti——時間；

S——巷道截面積；

Ci——回風(fēng)流ti時刻瓦斯?jié)舛龋?/p>

v——風(fēng)速。

然后根據(jù)掘進暴露巷道瓦斯涌出量計算公式：

(3)

式中：Q巷道——暴露巷道瓦斯涌出量；

a、b——常數(shù)。

最后由掘進工作面瓦斯涌出量Q工作面、掘進工作面瓦斯排放總量Q風(fēng)排和暴露巷道瓦斯涌出量Q巷道之間的等量關(guān)系Q工作面=Q風(fēng)排-Q巷道反推出工作面瓦斯涌出量。

由此，通過實時計算、預(yù)測掘進工作面瓦斯涌出量，實現(xiàn)掘進工作面瓦斯涌出量指標監(jiān)控。

回采工作面瓦斯涌出量指標監(jiān)控。首先通過回采工作面回風(fēng)流瓦斯?jié)舛取⒒仫L(fēng)流風(fēng)速等監(jiān)測數(shù)據(jù)，計算回采工作面瓦斯排放總量；通過瓦斯排放流量、濃度等數(shù)據(jù)計算工作面瓦斯抽放量；然后由工作面瓦斯涌出量Q涌、工作面瓦斯抽放量Q抽和瓦斯排放量Q排之間的等量關(guān)系Q涌=Q排+Q抽反推出工作面瓦斯涌出量。回采工作面Δt(如每天)時間內(nèi)瓦斯抽放量可由下式計算：

(4)

i=0,1,2,…，n-1

式中：Q抽——工作面瓦斯抽放量；

Li——瓦斯抽放流量。

回采工作面Δt時間內(nèi)瓦斯排放量可由下面公式計算：

(5)

i=0,1,2,…，n-1

式中：Q排——工作面瓦斯排放量；

S斷——工作面回風(fēng)巷道最小斷面面積；

v——工作面回風(fēng)流風(fēng)速。

由此，通過實時計算、預(yù)測回采工作面瓦斯涌出量Q涌，實現(xiàn)回采工作面瓦斯涌出量數(shù)據(jù)指標監(jiān)控。

(2)根據(jù)跑漏風(fēng)、風(fēng)量不足、通風(fēng)短路、微風(fēng)作業(yè)、無風(fēng)作業(yè)等事故關(guān)鍵要素，構(gòu)建煤礦井下通風(fēng)網(wǎng)絡(luò)異常數(shù)據(jù)指標，并通過煤礦井下通風(fēng)網(wǎng)絡(luò)異常分析實現(xiàn)跑漏風(fēng)、風(fēng)量不足等事故關(guān)鍵要素的監(jiān)控。根據(jù)監(jiān)測監(jiān)控系統(tǒng)中風(fēng)速傳感器的值，計算一定時間內(nèi)井下風(fēng)速傳感器監(jiān)測值的變化率：

(6)

i=0,1,2,…，n-1

式中：R——一定時間內(nèi)井下風(fēng)速傳感器監(jiān)測值的變化率；

vi——風(fēng)速監(jiān)測值；

v0——風(fēng)速基準值，取上一天該測點平均值。

若一次計算變化率R的值趨于零，說明風(fēng)速正常波動，如果大于某一設(shè)定閥值則認定為異常，并根據(jù)所定義的線路進行分析，提供可能的故障位置建議。

(3)根據(jù)掘進停風(fēng)事故關(guān)鍵要素，構(gòu)建掘進工作面停風(fēng)后瓦斯?jié)舛阮A(yù)測數(shù)據(jù)指標，實時監(jiān)測掘進工作面對應(yīng)局部通風(fēng)機工作狀態(tài)，當監(jiān)測點局部通風(fēng)機狀態(tài)變?yōu)椤巴ｏL(fēng)”后，通過掘進暴露巷道瓦斯涌出量計算公式實時預(yù)測掘進工作面瓦斯涌出量，并根據(jù)巷道基本參數(shù)預(yù)測掘進工作面瓦斯?jié)舛茸兓厔荩峁┚蜻M工作面積聚高濃度瓦斯排放時間和排放風(fēng)量建議，避免因掘進工作面瓦斯積聚或高濃度瓦斯排放造成瓦斯事故發(fā)生。

(4)根據(jù)生產(chǎn)能力事故關(guān)鍵要素，構(gòu)建產(chǎn)量與瓦斯涌出量安全關(guān)系數(shù)據(jù)指標，通過實時計算最大容許涌出量、最大安全涌出量、工作面實時產(chǎn)量、工作面實時瓦斯涌出量，實時顯示工作面產(chǎn)量與瓦斯涌出量以及最大容許涌出量、最大安全涌出量之間的關(guān)系，為生產(chǎn)調(diào)度提供決策依據(jù)，即保持合理生產(chǎn)進度和生產(chǎn)強度，避免安全生產(chǎn)事故發(fā)生。最大容許涌出量是以工作面當前涌出量為基礎(chǔ)，計算當工作面瓦斯涌出量增加時，該工作面瓦斯排放線路所有瓦斯監(jiān)測點濃度變化，直至工作面瓦斯涌出量增加Q時各監(jiān)測點中至少有一個監(jiān)測點的濃度接近最大允許濃度(系統(tǒng)定義)，則工作面當前涌出量加上涌出量增加值Q即最大容許涌出量。工作面實時瓦斯涌出量參見“回采工作面瓦斯涌出量指標監(jiān)控”部分計算方法。工作面實時瓦斯涌出量是通過采煤機電流、電壓等參數(shù)以及煤層基本參數(shù)來計算，計算公式如下：

(7)

×Ii×k×h×ρ

式中：Q——工作面實時瓦斯涌出量；

I——采煤機電流；

k——割煤系數(shù)；

h——煤層高度；

ρ——煤比重。

2.3 事故關(guān)鍵要素關(guān)聯(lián)分析

在關(guān)鍵要素的基礎(chǔ)上，研究關(guān)鍵要素之間的相互關(guān)聯(lián)關(guān)系，識別事故要素的內(nèi)在規(guī)律。本研究采用Apriori關(guān)聯(lián)分析法 ，以所有事故關(guān)鍵要素作為“所有項集”，針對每一個事故案例文本，進行事故關(guān)鍵要素關(guān)聯(lián)分析。以瓦斯事故為例，通過關(guān)聯(lián)分析形成以下事故關(guān)鍵要素關(guān)聯(lián)頻繁項集：I1={掘進工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,掘進停風(fēng),瓦斯積聚}；I2={掘進工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,串聯(lián)通風(fēng),瓦斯積聚}；I3={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,地質(zhì)構(gòu)造,煤層頂板,瓦斯積聚}；I4={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,超能力生產(chǎn),生產(chǎn)能力,瓦斯積聚}；I5={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,主通風(fēng)機停風(fēng),瓦斯積聚}；I6={回采工作面,瓦斯鑒定,相對瓦斯涌出量,煤層厚度,絕對瓦斯涌出量,微風(fēng)作業(yè),無風(fēng)作業(yè),瓦斯積聚}；I7={采空區(qū),瓦斯鑒定,相對瓦斯涌出量,風(fēng)流短路,跑漏風(fēng),風(fēng)量不足,瓦斯積聚}；I8={巷道,瓦斯鑒定, 跑漏風(fēng),風(fēng)量不足,絕對瓦斯涌出量,瓦斯積聚}。

2.4 事故預(yù)測模型

運用BP神經(jīng)網(wǎng)絡(luò)在事故關(guān)鍵要素頻繁項集基礎(chǔ)上進行建模，并通過實時數(shù)據(jù)預(yù)測事故發(fā)生的可能性。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，符合事故關(guān)鍵要素與事故之間的關(guān)系。事故預(yù)測模型的建立主要包括以下步驟：

(1)事故關(guān)鍵要素值計算。有些關(guān)鍵要素無論是在事故案例中還是歷史數(shù)據(jù)中都可以找到對應(yīng)的值，如生產(chǎn)能力、瓦斯?jié)舛鹊取５行┦鹿赎P(guān)鍵要素，如微風(fēng)作業(yè)、無風(fēng)作業(yè)、風(fēng)流短路等，無論在事故案例中還是歷史數(shù)據(jù)中都沒有被量化，因此需要定義這些關(guān)鍵要素的取值方法，從而實現(xiàn)所有事故關(guān)鍵要素的“數(shù)據(jù)化”，進一步建立事故關(guān)鍵要素與現(xiàn)有數(shù)據(jù)(如歷史數(shù)據(jù)、實時數(shù)據(jù))之間的對應(yīng)關(guān)系，運用數(shù)學(xué)工具對事故關(guān)鍵要素模型化。同時，由于各關(guān)鍵要素取值的物理含義不同，因此存在著量綱上的差異，這種異量綱性是影響對整體評價的主要因素，指標的無量綱化處理是解決這一問題的主要手段，根據(jù)數(shù)據(jù)特點，對關(guān)鍵要素取值均選擇直線型無量綱化方法之標準化法來進行無量綱化處理。

(2)BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計包括輸入層設(shè)計、輸出層設(shè)計、隱層設(shè)計、傳遞函數(shù)選取等。本文以I1頻繁項集為例說明BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計過程。根據(jù)I1事故關(guān)鍵要素頻繁項集，分別定義輸入層、輸出層和隱層，選擇S型正切函數(shù)tan-sigmod作為輸入、輸出神經(jīng)元的傳遞函數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

(3)樣本數(shù)據(jù)構(gòu)建。以瓦斯事故為例，將551例事故案例作為事故樣本數(shù)據(jù)，從采集到的歷史數(shù)據(jù)中選取10000條數(shù)據(jù)作為無事故樣本數(shù)據(jù)，構(gòu)建機器監(jiān)督學(xué)習(xí)樣本數(shù)據(jù)，并針對樣本數(shù)據(jù)做無序化處理，保證訓(xùn)練樣本和檢驗樣本選取的隨機性。

(4)模型訓(xùn)練。運用R語言進行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，順序選取70%的樣本數(shù)據(jù)作為訓(xùn)練樣本，迭代次數(shù)為50000次，期望誤差小于0.0001。根據(jù)多次訓(xùn)練，得出輸入層到隱層和隱層到輸出層的權(quán)值矩陣：

W1=0.0876997100，-0.0066422071，0.0696998621，0.0078810304，0.0006207072，-0.0514464771，0.0544030602；-0.074629618，-0.103108712，-0.031073500，-0.050354069，-0.012048861，0.002357499，0.076872846；0.073716402，-0.053170112，0.080204996，-0.003348473，-0.010859949，-0.008989651，-0.005286401；0.022266238，0.001463615，-0.102531860，-0.079565374，0.033937125，-0.074391767，-0.068804029；-0.006522362，0.138096585，-0.045717480，-0.012498570，0.012444314，-0.070967471，-0.066790315；-0.041634302，0.166882523，0.212686445，0.005154012，0.082844196，-0.056083811，-0.001081871〗

W2=0.35177085，0.02448327，0.04679399，-0.73382014，-0.70519826，-0.75965318〗

(5)模型檢驗。順序選取30%的樣本數(shù)據(jù)作為檢驗樣本，共3100多條數(shù)據(jù)，其中事故數(shù)據(jù)161條，無事故數(shù)據(jù)3004條。通過模型計算并與實際結(jié)構(gòu)對比，無事故數(shù)據(jù)預(yù)測準確率達100%，有事故數(shù)據(jù)預(yù)測準確率達96.3%。

(6)模型自適應(yīng)、學(xué)習(xí)。在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，運用R語言與hadoop平臺的接口功能，自動通過實時數(shù)據(jù)采集進行輸入層(事故關(guān)鍵要素)取值，模型訓(xùn)練，實現(xiàn)模型的自適應(yīng)、自學(xué)習(xí)功能。

3 結(jié)論

本研究通過對煤礦安全事故案例等非結(jié)構(gòu)化數(shù)據(jù)進行文本挖掘研究，發(fā)掘煤礦安全生產(chǎn)事故發(fā)生規(guī)律，識別煤礦事故關(guān)鍵要素以及事故關(guān)鍵要素之間的關(guān)聯(lián)關(guān)系，并通過構(gòu)建事故關(guān)鍵要素監(jiān)控指標實現(xiàn)事故關(guān)鍵要素監(jiān)控、預(yù)測，通過事故關(guān)鍵要素之間的關(guān)聯(lián)關(guān)系建立了基于神經(jīng)網(wǎng)絡(luò)的事故預(yù)測模型，從而使煤礦安全事故管理模式由“事后管理”轉(zhuǎn)變?yōu)椤笆虑邦A(yù)判”，使煤礦安全事故管理技術(shù)更加科學(xué)化、精準化，管理手段更具有前瞻性。在大數(shù)據(jù)分析基礎(chǔ)上，把機器學(xué)習(xí)算法引入到煤礦安全管理領(lǐng)域，將對全面提升煤礦安全生產(chǎn)管理整體水平具有重要意義。

掘進工作面瓦斯涌出量指標監(jiān)控可以為風(fēng)險預(yù)控、生產(chǎn)計劃調(diào)整、生產(chǎn)進度控制等提供科學(xué)依據(jù)，如制定合理配風(fēng)方案及瓦斯預(yù)防措施、調(diào)整生產(chǎn)進度和生產(chǎn)強度等，避免安全事故發(fā)生；回采工作面瓦斯涌出量指標監(jiān)控可以為風(fēng)險預(yù)控、生產(chǎn)計劃制定等提供科學(xué)依據(jù)，如制定合理配風(fēng)方案及瓦斯預(yù)防措施、調(diào)整生產(chǎn)進度和生產(chǎn)強度等，避免安全事故發(fā)生；掘進工作面停風(fēng)后，通過對工作面濃度實時預(yù)測、預(yù)警，避免掘進工作面瓦斯超限，甚至瓦斯事故發(fā)生，并通過實時計算給出瓦斯排放合理建議(如排放時間選擇、風(fēng)量選擇)，為瓦斯排放提供科學(xué)依據(jù)。基于神經(jīng)網(wǎng)絡(luò)的事故預(yù)測模型通過系統(tǒng)試運行階段的測試，預(yù)測效果比較理想。

本研究亦存在不足之處，因采集到的事故案例有限，且文本挖掘方法本身具有一定的局限性，事故要素的挖掘可能不夠全面；另外，煤礦現(xiàn)有信息化系統(tǒng)的數(shù)據(jù)保存周期較短，采集到的數(shù)據(jù)有限，因此數(shù)據(jù)監(jiān)控指標有限，模型應(yīng)用具有一定的局限性。隨著系統(tǒng)的不斷運行，數(shù)據(jù)采集范圍的逐漸擴大，事故數(shù)據(jù)和歷史數(shù)據(jù)的不斷積累，樣本數(shù)據(jù)會更加全面，預(yù)測效果也會更加全面、準確。