基于柔性神經元的煤礦安全風險預警模型研究

陳佳林，付恩三

(應急管理部信息研究院，北京 100029)

為進一步強化煤礦企業本質安全水平，提升企業對煤礦企業安全風險的預測預警能力，提高安全生產監管監察水平，本文以人工智能技術為基礎，基于連續值邏輯的健全性，連續值邏輯把M-P神經元模型擴張為連續值神經元，通過多源柔性神經網絡[1，2]多維度、多視角、全方位對煤礦各類主要在線監控數據，安全生產規章制度、技術管理制度，安全風險管控、隱患管理治理等過程數據進行訓練，建立煤礦風險預警指標體系指標因子的屬性關系網絡和連續值邏輯柔性算子庫，提取隱含的規律和有用信息，構建基于柔性神經元決策樹算子模型，實現煤礦風險的分析研判和實時預警，為日常監察、遠程聯網分析、執法檢查和應急救援等工作提供數據支撐和技術手段[3-5]。

1 連續值邏輯譜與健全性

隨著人工智能領域的不斷發展，人們在實際的應用中發現，很多的非標準邏輯中，標準邏輯的一些重要性質發生了變化。很多專家通過驗證，信息傳輸和使用中，信息在處理過程中發生了畸變，因此，很多非標準邏輯雖然具有“可靠性”和“完備性”，它們的邏輯推理失去了“可信性”，專家通過引入不確定性因素，形成了多組邏輯組成一個邏輯系統，不同應用條件對應不同邏輯算子，連續值邏輯演變成邏輯譜，從邏輯譜的角度利用連續值邏輯代數完善現有的各種柔性邏輯命題邏輯系統[4]。

1.1 健全邏輯的基本性質

在信息處理的過程中，要遵循相應的邏輯規律，其中，邏輯規律包含一些數學規律。可以設定，邏輯中的命題P是信息的一種抽象表示，通過多種多樣的邏輯表達式描述不同信息的復雜構成，邏輯的推理過程可以表述信息的變化過程。通常使用的標準邏輯的基本性質反映了信息結構和信息運動的基本規律，它滿足了健全的邏輯系統必須具有的基本性質[5，6]：

(L1)P∨P=P信息(命題)不會因為被無限多的分享而發生改變。

(L2)P∧P=P信息(命題)不會因為多次地重復而改變。

L1和L2統稱為吸收律或冪等律。

(L3)～P∧P=0矛盾律。

(L4)～P∨P=1排中律。

(L5)～～P=P對合律。

(L6)P，P→Q|=QMP規則。

邏輯是信息世界的基本法則。具有基本性質L6的系統為邏輯系統。如果一個邏輯系統具有全部的基本性質L1、L2、L3、L4和L5，則稱為健全的邏輯系統；否則稱為非健全的邏輯系統。

1.2 連續值邏輯的健全性

連續值邏輯中存在5種不確定性[7-9]：①基于命題真度的不確定性x，y，z∈[0，1]；②基于命題之間廣義相關關系的不確定性h∈[0，1]；③基于命題真度誤差的不確定性k∈[0，1]；④基于不同權重的不確定性β∈[0，1]；⑤基于組合閾值的不確定性e∈[0，1]。

連續值邏輯非運算的基模型是N(x，k)=N(x，0.5)=N(x)，組合運算的基模型是Ce(x，y，k，h，β)=C0.5(x，y，0.5，0.5，0.5)=C0.5(x，y)，其它各種柔性二元運算的基模型是L(x，y，k，h，β)=L(x，y，0.5，0.5，0.5)=L(x，y)。常用的基模型有：

非運算基模型N(x)=1-x

與運算基模型T(x，y)=max(0，x+y-1)

或運算基模型S(x，y)=N(T(N(x)，N(y)))=min(1，x+y)

蘊涵運算基模型I(x，y)=max(z|y≥T(x，z))=min(1，1-x+y)

等價運算基模型Q(x，y)=T(I(x，y)，I(y，x))=1-|x-y|

平均運算基模型M(x，y)=N(S(N(x)/2，N(y)/2))=(x+y)/2

組合運算基模型C0.5(x，y)=ite{min(0.5，max(0，x+y-0.5))|x+y<1；

N(min(N(0.5)，max(0，N(x)+N(y)-N(0.5))))|x+y>1；0.5}

=min(1，max(0，x+y-0.5))

其中e∈[0，1]是表示棄權的幺元(決策閾值)，ite{y|x；z}是條件表達式，意思是“如果x，則y；否則z”。

1)通過對N性生成元完整簇Φ(x，k) =xn，n∈(0，∞)，n=-1/log2k完成對誤差系數k連續變化對連續值邏輯基礎運算模型的調整，Φ(x，k)對一元運算基模型N(x)調整公式為N(x，k) =Φ-1(1-Φ(x，k)，k) = (1-xn)1/n，Φ(x，k)對二元運算基模型L(x，y，k) 調整公式為L(x，y，k)=Φ-1(L(Φ(x，k)，Φ(y，k))，k)。

2)通過對T性生成元完整簇F(x，h)=xm，m∈(-∞，∞)上，m=(3-4h)/(4h(1-h))完成命題的廣義相關系數h的連續變化對邏輯運算模型的調整。F(x，h)對各種二元運算基模型L(x，y)的運算公式是L(x，y，h)=F-1(L(F(x，h)，F(y，h))，h)，k，h二者對二元運算基模型L(x，y)雙參數運算公式是L(x，y，k，h)=Φ-1(F-1(L(F(Φ(x，k)，h)，F(Φ(y，k)，h)，h)，k)。

3)通過完成相對權系數β的連續變化對二元運算基模型L(x，y)的運算公式是L(x，y，β)=L(βx，(1-β)y)，k，h，β三者對二元運算模型L(x，y)多參數運算公式是L(x，y，k，h，β)=Φ-1(F-1(L(βF(Φ(x，k)，h)，(1-β)F(Φ(y，k)，h)，h)，k)。

誤差系數是不確定性推理密碼串中的第1位密碼，確定k數值的公式是：k=N(k，k)。

偏袒系數是不確定性推理密碼串中的第3位密碼，確定β數值的公式是：β=T(1，0，0.5，0.5，β)。

組合運算模型中的決策閾值e是不確定性推理密碼串中的第4位密碼，確定e數值的公式是：e=Ce(x，2e-x)。

2 柔性神經元的

2.1 柔性神經元模型

通過理論證明，基于連續值邏輯的健全型基模型，可以驗證神經元信息變換模式與邏輯推理模式有一一對應的關系[8，9]，連續值邏輯把M-P神經元模型擴張為連續值神經元(相當于基模型狀態)，然后再引入基于命題真度的不確定性、基于命題之間廣義相關關系的不確定性、基于命題真度誤差的不確定性、基于不同權重的不確定性和基于組合閾值的不確定性等多種不確定性，擴張為柔性神經元模型(詳細如圖1所示)。

圖1 柔性神經元模型

已知待識別對象的實測數據集合S’={s’i|i=0，1，2，3，…，n}，對這些數據進行統計分析和知識挖掘，可獲得對象可能具有的因素空間關系網絡W’={w’i|i=0，1，2，3，…，n}，其中每一個w’i都是一個柔性邏輯推理結點或者柔性信息變換的神經元，具有相應的類型參數和不確定性程度參數來，利用這些可能具有的特性參數可從算子庫中獲得精確的計算結果S={si|i=0，1，2，3，…，n}。一般情況下S和S’之間一定存在偏差，利用某種算法不斷消除兩者之間的偏差，讓S不斷逼近S’，也就是讓兩個和 不斷逼近，兩個和不斷逼近，最后達到準確識別對象客觀屬性的目的。

在指標體系的構建方面，選取內蒙古井工煤礦的指標體系，人機環管的方面考慮較多，將煤礦靜態指標、動態指標以及歷史事故指標納入其中。包含人的因素(學歷占比、工齡占比、年齡占比、培訓率、持證率、井下領導、超員次數、三違次數、超時次數等9項)，環境因素(氣象風險指數、水害風險指數、頂板風險指數、瓦斯風險指數、火災風險指數、煤塵風險指數)，管理因素(安全經費、月產量、標準化等級、通風隱患整改率、地質災害防治與測量隱患整改率、采煤隱患整改率、掘進隱患整改率、機電隱患整改率、運輸隱患整改率、職業衛生隱患整改率、安全培訓和應急管理隱患整改率、調度和地面設施隱患整改率、月度重大風險檢查、月度標準化自查結果、井下重點部位隱患排查、行政處罰次數、是否存在重大違規)，井工礦設備因素(大型在用設備檢驗合格率、送檢設備合格率、人員定位系統運行狀況、瓦斯監控系統運行狀況、視頻監控系統運行狀況、礦壓監測系統運行狀況、水文監測系統運行狀況、壓風系統運行狀況、無軌膠輪車監控系統運行狀況)，共4類一級指標，40個二級指標，93個三級指標[10-15]。

選取內蒙古煤礦小魚溝煤礦、呼和烏素煤礦等27家煤礦的20000條歷史數據構成實測數據集合S’，指標體系指標因子關系網絡集合W’初始情況隨機賦值，利用神經網絡訓練不斷調整關系網絡集合W’，使實測數據集合S’無限接近真實集合S。經過多次循環驗證，獲取關系網絡集合W，從而獲得每一個wi，確定每一個神經元的屬性和。

2.2 算法與實驗分析

獲取到每個神經元的屬性值，就可以根據屬性關系，利用柔性組合算子模型，選擇合適的算子，本文采用柔性神經元算子模型算法。

設x1，x2，…xn表示輸入變量，β1，β2，…βn表示輸入變量的權值，h表示輸入變量的廣義相關系數，e仍然是組合運算中的幺元，c表示運算結果。

G(x1，x2，…xn，h，e，β1，β2，…βn)

{

ifh=1

{c=ite{min(x1，x2，…xn) |β1x1+β2x2+…+βnxnne；e}；}

else ifh=0.75

{c=ite{x1β1x2β2…xnβn/en-1|β1x1+β2x2+…+βnxnne；e}；}

else ifh=0.5

{c=min(1，max(0，β1x1+β2x2+…+βnxn-(n-1)e))；}

else ifh=0

{c=ite{0 |x1，x2，…xne；e}；}

else

{m=(3-4h)/(4h(1-h))；

c=ite{min(e，(max(0，β1x1m+β2x2m+…+βnxnm-(n-1)em))1/m) ite{min(x1，x2，…xn) |β1x1+β2x2+…+βnxn

β1x1+β2x2+…+βnxn>ne；e}|β1x1+β2x2+…+βnxnne；e}；}

Return(c)；

}

構建決策樹的匹配過程，其匹配結果依賴于基于柔性神經元所選的推理算子。對已產生的柔性神經元算子模型進行匹配的算法如下圖所示。首先對測試數據進行模糊化，得到的模糊數據進行匹配，匹配過程如圖2所示，最后對得到的測試精度進行比較研究。

圖2 算法流程圖

通過利用基于20000條歷史數據訓練獲取的指標體系指標因子關系網絡，利用柔性神經元算子模型進行測試分類，并與傳統的分類算法SVM(基于內核函數的無監督學習算法)，KNN(最近鄰分類算法)，ANN(人工神經網絡算法)和貝葉斯算法(概率統計知識分類算法)比較，如圖3所示。

圖3 各類算法分類比較圖

通過上述數據模擬訓練可知，根據小魚溝煤礦、呼和烏素煤礦等27家煤礦的實際生產的指標體系，進行多次算法模型計算，得出煤礦風險評價結果。柔性神經元算子在風險預測準確率上具有較大的優勢，柔性神經元法準確率高出其他算法將近20個百分點。結合專家對上述煤礦的風險信息解讀風險權重影響因子及本模型風險研判的極高風險因素占比，該模型算法得出結果與專家評價具有較好的一致性。

3 實例研究

為保證該模型的實用、好用、管用，實現對煤礦安全風險進行實時預警。同步開發一套煤礦風險預警與防控系統，將上述訓練優化后的柔性算法模型，打包嵌入至該系統中。系統部署在煤礦端，每天定時調用柔性模型算法包，對煤礦進行綜合風險實時巡查。通過該柔性算法模型的計算，可給出煤礦風險評價指標體系中四個一級指標的得分情況以及84個三級指標的權重及得分情況。當前煤礦實時風險分布及災害信息。可摸清煤礦井下風險，知悉風險趨勢。以小魚溝煤礦風險預警系統為例：通過調用柔性指標模型，實現對煤礦的風險研判。

通過柔性模型研判結果可知，當前煤礦綜合風險得分為74.86分，其中，煤塵風險、火災風險、水害風險處于極高和較高風險的狀態。系統根據模型打分結果，結合煤礦安全監控系統、束管監測系統、水文地質監測系統數據，發現當前煤礦井下煤塵濃度較高、井下水位/水文異常以及井下上隅角CO濃度超標。上述問題均是導致事故發生的異常風險點。柔性模型根據上述因子之間的風險程度關系和各類指標之間的相關聯因素，給出不同風險因子的權重。上述各類風險信息等級，通過與煤礦總工程師、安全生產專員溝通后，認為柔性風險分析模型結果與煤礦當前面臨的風險結果一致，該模型可實現對煤礦風險的實時預警，研判結果可靠。

4 結 論

柔性神經元網絡有效的規避了模糊邏輯運算的最大最小剛性原則，通過考慮參數(屬性)之間客觀上存在的廣義相關性及交互信息等信息，提供了一個選擇匹配算子的準則。通過建立的基于柔性神經網絡模型，指標體系相關數據的檢驗分析表明，基于柔性神經元網絡的決策樹風險預警模型算法，能夠較充分的反應煤礦企業安全風險，分類效果顯著，有助于企業安全風險的預測預警能力率。對于煤礦安全風險預警分析模型需要說明幾點：

1)基于柔性神經元的煤礦安全風險預警模型應用到內蒙古小魚溝煤礦，目前已經運行半年時間，系統模型研判結果與煤礦識別風險結果基本保持一致。該算法有一定的應用價值，為煤礦安全生產預警和決策提供重要的理論依據。

2)煤礦安全風險預警模型的構建，是一個長期的過程，需要充分結合煤礦安全生產業務系統中所涉及的關鍵指標，同時需要充分考慮指標體系的數據可獲得性，根據煤礦的特點，逐步優化指標體系、逐步訓練優化分析模型，充分與煤礦安全管理人員進行模型風險辨識校對，最終實現模型的落地應用。

3)在今后的研究中，將不斷的優化指標模型，通過獲取不同礦山數據，逐步完善風險預警模型，最終形成模型適用條件、適用場景以及適用煤礦，逐步積累，形成一礦一策的預警模型。