基于大数据的煤矿安全风险智能评价和预警研究
时间：2023-06-13 11:15:33 来源：雅意学习网 本文已影响 人 
田晓红， 何新卫
(1.陕西能源职业技术学院， 煤炭与化工产业学院， 陕西， 咸阳 712000；
2.西安爱生技术集团公司， 陕西， 西安 710065)
在我国甚至世界范围中，煤炭等矿藏都是至关重要的矿物质资源，在国家发展经济的过程中发挥着重要的促进作用[1]。但是煤矿深埋地底，在挖掘开采过程中会遇到各种阻力，而且也存在复杂的安全隐患。煤矿挖掘的大部分生产工作都存在潜在安全风险，一旦危险爆发，会造成极大经济损失，煤矿行业本身就是安全隐患较高的行业，许多影响因素都会干扰煤矿工程的安全生产[2-4]。影响煤矿企业安全生产的因素包括设备、环境、人员、管理等。设备因素指煤矿企业没有依照国家标准购买规定的设备，同时没有定期维护，设备无法正常运行，设备空间无法满足正常作业；
环境因素指煤矿矿井周边环境，包含岩石层、粉尘、地质条件隐患等；
人员因素指工作人员不安全操作行为，或者不符合规范进行工作，例如酒后、带病工作等，也存在无证上岗、未经培训等情况；
管理因素主要指职工教育培训不足、制度不合理等[5-7]。
大数据主要指有限时间范围中使用常规软件捕捉、处理、管理数据集合，使用新处理模式实现更强大的洞察发现力、更强的决策力、高效流程优化能力等情况下多样化、海量、高增长率的信息资产。近年来，大数据与云计算技术紧密结合，发挥重要影响力。移动互联网和物联网等新兴计算形态助力大数据革命，让大数据发挥更大的影响力[8]。聚类分析是把抽象对象或者物理内容集合分组成的根据类似对象组合而成的数个分类分析过程。大数据聚类是人类一种重要行为，其目标就是在相似的基础上对大数据分类[9]。聚类从多个领域发展而来，来源包含计算机科学、数学、生物学、统计学和经济学。在不同的应用领域均飞速发展大数据聚类技术，使用聚类描述大数据，对不同数据之间的相似性实行衡量，把数据源分类到不同的簇中，实现大数据的归类分析。
对于煤矿安全风险评估与预警，有学者[10]提出煤矿安全隐患风险评价研究方法，综合评价研究区域的隐患风险，计算得出综合隐患风险值，与区域实际情况设定预警等级，评估煤矿隐患和风险趋势，但该方法在数据运算时间上存在一定欠缺，不能实现良好的效率；
还有学者[11]提出基于AHP和模糊数学的区域煤矿安全风险评价方法，该方法通过层次分析法评价煤矿区域安全情况，但是在预警方面的工作不够完善，还需要进一步改善。
本文将大数据技术作为基础，利用聚类算法获得指标体系，研究煤矿安全风险智能评价和预警。
1.1 大数据高效聚类方法
在评价和预警煤矿安全风险之前，本文使用大数据聚类方法确定评价指标。运用离散型时间序列分析方法建立多维离散数据信息流模型，提取多维离散数据信息流时延尺度特征值，将这些时延尺度特征值作为多维离散数据目标函数，同时对该目标函数求解，获得最优聚类中心[12]，具体流程如下。
使用并统计大数据流的早期阶段，建立多维离散数据变量时间序列{xn}，N表示该时间序列的样本长度。样本数据流分类特征属性设定为X和Y，为实现数据映射处理，样本数据使用空间重构分析方法实行分析，选取最优延迟和最小渐入维数τ和m，假如数据特征平均速度得到满足，使用式(1)表示多维离散数据信息流模型：
xn=x(t0+nΔt)=h[z(t0+nΔt)]+wn
(1)
式中，t0、z与wn分别表示聚类中心检索、时延尺度特征和时延尺度，h代表多维离散数据时间序列各单独样本相似特征向量。
数据离散性时间序列特征通过计算多维数据关联度表示，数据离散性时间序列特征分布轨迹通过重构相空间获得：
X=[x(t0),x(t0+Δt),…,x(t0+(K-1)Δt)]
(2)
式中，x(t0)与J分别表示样本采集时间和多维数据相关系数，m与Δt分别表示嵌入维数和抽样时间间隔，K=N-(m-1)J代表大数据时间序列分类最大属性。多维离散数据特征时间序列向量模型通过数据投射法获得：
{x(t0+iΔt)},i=0,1,2,…,N-1
(3)
使用式(4)表示特征空间多维离散数据矢量：
X=(xn,xn-τ,…,xn-(m-1)τ)
(4)
式中，τ代表多维离散数据时间延迟。
时延尺度输入特征是上文中构建的大数据流，建立对应数据目标函数时依据特征值属性，式(5)表示大数据属性集的分布模型：
(5)
式中，ai与bi分别表示数据采样幅值和大数据最优分类属性；
a0和xn-1分别表示初始数据采样幅值和具有相同数量时间序列，搜索时使用模糊C均值聚类算法，由此得出有限数据集向量：
X={x1,x2,…,xn}∈R
(6)
式中，R表示大数据属性集的随机变量。
经属性集分类，获得多维离散数据流数据样本数量n。使用式(7)表示样本xi(i=1,2,…n)的多维离散数据信息增益矢量：
xi=(xi1,xi2,…,xin)T
(7)
在数据集内选取k个实例，获得多维离散数据目标函数最优聚类中心：
(8)
式中，μik表示聚类中心非劣解，c表示常数，dik与djk均表示样本大数。
1.2 煤矿安全风险智能评价和预警
1.2.1 煤矿安全风险指标体系
根据上文大数据聚类后的计算结果，结合分析并判断煤矿危险源，根据专家评价和相关参考文献，遵循可操作性、完整性、科学性等原则，从5个方面分析煤矿安全风险影响因素，建立风险预警指标体系，详见图1。本文指标体系中，第一层为目标层，第二层为一级指标，包含人员因素、设备因素、环境因素、管理因素、信息因素等5个因素。各因素下又划分出18个二级指标，针对这些指标体系，开展以下分析。
图1 煤矿安全风险智能评价指标体系
1.2.2 煤矿安全风险可拓模型
通过可拓论，建立煤矿安全风险智能评价和预警的节域矩阵、典域矩阵、待评物元矩阵；
基于此，计算并分析煤矿安全风险可拓模型关联函数值和关联度，以此评定煤矿安全风险等级[13]。根据行业标准和相关规章制度煤矿安全风险等级分为5个等级，分别为1级(轻度预警、极弱)、2级(低度预警、弱)、3级(中度预警、一般)、4级(重度预警、高)、5级(巨度预警、极高)。
(1) 预警指标物元确定。假设将煤矿安全风险预警等级和安全风险预警指标分别设定为m个和n个，使用式(9)表示经典域：
(9)
式中，Nj(j=1,2,…,m)和Nj(j=1,2,…,n)分别表示风险等级和预警指标，vjn代表第n个预警指标在第j个等级内的量值区间，ajn代表预警指标量值和风险等级区间最小值，bjn代表预警指标量值和风险等级区间最大值[14]。
设p为风险等级，使用式(10)表示节域：
(10)
式中，p与Np分别表示全体风险等级和风险等级的预警对象；
vpn代表p有关预警指标特征cn的取值范围，同时也表示节域。
设P表示预警对象，则有式(11)表示建立的待评价物元：
(11)
式中，vn为cn的实际量化指标值。
(2) 预警指标关联度计算。使用式(11)表示预警指标关联函数：
(12)
式中，ρ(vi,vji)与ρ(vi,vpi)分别表示有限区间vji到点vi的距离和有限区间vpi到点vi的距离，vji与vpi分别表示经典域和节域的量值区间，vi表示待评物元的量化指标值。使用式(13)定义风险等级j和预警指标i的关联函数kj(vi)：
(13)
(3)指标权重计算。权重计算运用熵权法，设kj(vi)与rji相等，建立矩阵：
R=(rji)m*n,(j=1,2,…,m;i=1,2,…,n)
(14)
使用式(15)定义预警指标熵Hi：
(15)
通过式(16)定义预警指标权重：
(16)
(4)综合关联度和风险等级的确定。利用式(17)定义等级j和预警对象p的综合关联度Kj(p)：
(17)
每两个事物间的关联程度使用关联度表征，相关性的优劣由关联度值决定，值越接近于1说明相关性越好[15]，根据关联度最大原则判断预警对象的风险等级：
Kj0(p)=maxKj(p)
(18)
以某市煤矿工程作为研究对象用于验证本文方法性能，该工程总投资16亿元，矿井产量每年190万吨，于2015年6月开挖井筒。煤层埋藏较浅，倾角呈现平缓状态，主要包含中厚煤层，局部为厚煤层，总体煤层结构简单，存储量稳定，地质结构和水文结构均属中等复杂，使用本文方法智能评价并预警该区域煤矿安全风险。为获得参照结果，邀请部分专家使用问卷调查法对相关指标实行评价，得出真实评价结果。为使结果具有对比性，同时使用煤矿安全隐患风险评价研究方法[10](下文简称对比方法1)和基于AHP和模糊数学的区域煤矿安全风险评价方法[11](下文简称对比方法2)，评价研究区域的煤矿安全风险。
2.1 数据聚类实验结果
分析3种方法在海量煤矿安全信息下，数据聚类计算所耗费之间，统计结果见图2。从图2能够看出，随着数据节点的增加3种方法的计算时间均有不同程度上升，2种对比方法的上升速度较快，当数据节点个数达到1 100个时，2种对比方法的计算时间分别达到5 min和6 min，而本文方法此时的计算时间仍旧不超过2 min。总体来看，本文方法在计算数据时技术数据节点增加，计算时间始终保持在一个平稳的趋势中，由此可以看出，本文方法在计算大数据时具有较高的计算效率。
图2 聚类时间对比结果
本文方法指标体系中包含5种一级指标，每种指标数据样本不同，通过专家问卷调查结果统计实际大数据分类结果，对比3种方法在数据分类时聚类结果与实际分类结果的拟合度,结果见图3。从图3能够看出，本文方法的聚类结果与真实结果最为接近，证明本文方法聚类结果比较理想。
图3 拟合度对比结果
2.2 智能评价和预警结果
以二级指标中的“月平均培训时间”为例使用本文方法评价该指标和风险等级之间的关联度为(-0.382 9，-0.166 4,0.461 3，-0.194 4，-0.398 6)，按照关联度最大原则，风险等级和该指标的最大关联度是0.461 3，风险等级为三级，划定为中度预警。通过计算获得各项一级指标的权重为[0.161 1, 0.418 7,0.186 8,0.211 0,0.033 5]，从权重结果中能够看出，设备因素的权重值最大，信息因素的权重值最小，由此可以证明设备因素对煤矿安全影响最大。使用本文方法计算得出目标层、一级指标和风险等级之间的关联度，按照关联度最大原则获得安全风险预警等级和各个风险评估物元综合关联度，结果见表1。
表1 风险等级与关联度结果
分析表1可知，设备因素的安全风险等级为2级属于低警状态，风险较低，而信息元素安全风险等级为4级，属于重度预警，具有较高风险，在实际开展冶矿工程时需要着重注意，其余指标均为3级风险等级，可以划分为中度预警，属于一般预警，在冶矿工程中需要适当调整。
综合实验结果，该研究区域的煤矿工程存在安全隐患，前期开展过程中，开采深度逐渐加深，粉尘、水患等问题都比较严重，随着进度的开展，各种问题得到妥善解决。经专家统计评分，该煤矿的安全等级为3级，与本文研究结果基本一致，综合各实验结果，本文方法在智能评估与预警煤矿安全风险时具有比较准确的评价结果，定量评估结果较好。
本文使用大数据技术，通过聚类计算得出智能评价和预警的指标体系，从煤矿风险的5个影响因素中共选取18个预警指标展开风险评估，使用可拓理论构建模型，利用熵权法确定指标权重，由此构建高精准性的煤矿风险智能评估和预警模型。通过综合关联函数计算获得各影响因素的风险预警等级，保持在3级以内，风险情况可接受但仍需进一步完善，具有较高参考价值。
猜你喜欢 煤矿安全关联度聚类 煤矿安全管理存在的问题及解决办法江苏安全生产(2022年4期)2022-05-23基于K-means聚类的车-地无线通信场强研究铁道通信信号(2019年6期)2019-10-08强化忧患意识，推动全国煤矿安全生产形势持续稳定向好中国煤炭工业(2019年1期)2019-06-17煤矿安全生产实现高质量发展中国煤炭工业(2019年1期)2019-06-17中国制造业产业关联度分析智富时代(2019年2期)2019-04-18中国制造业产业关联度分析智富时代(2019年2期)2019-04-18抓煤矿安全基础建设四大支柱劳动保护(2018年8期)2018-09-12沉香挥发性成分与其抗肿瘤活性的灰色关联度分析中成药(2018年1期)2018-02-02基于高斯混合聚类的阵列干涉SAR三维成像雷达学报(2017年6期)2017-03-26基于Spark平台的K-means聚类算法改进及并行化实现互联网天地(2016年1期)2016-05-04
