基于BN-ELM 的煤矿瓦斯风险预测与可视化研究

季嘉琪 吕月颖 苗德俊

（1.山东科技大学安全与环境工程学院，山东 青岛 266590；

（2.山东科技大学矿山岩层智能控制与绿色开采国家重点实验室培育基地，山东 青岛 266590）

人工智能在煤矿安全预测的应用逐渐兴起[1]。众多预测模型均无法考虑人的因素，具有一定的局限性，人为因素作为风险预测关键因素常被忽略[2]。且多数研究者以预测模型为重点，在应用时没有考虑数据的可视化。安全态势主要应用在计算机网络、军事、交通等领域[3]，在煤矿领域还未得到广泛应用。

因此，以瓦斯事故为着眼点，从引发事故的各类因素的角度进行分析，并对井下瓦斯风险进行预测，最后将瓦斯风险的预测结果以可视化的形式展示，为决策者提供数据基础和便利。

1 BN—ELM 模型的建立

1.1 煤矿安全态势感知体系

在煤矿安全领域，一般用安全态势表示目前的煤矿安全状态和风险走向[4]。若分析安全态势，需要结合各类因素。首先分析并收集影响煤矿安全系统和子系统的因素，并将其进行分类、归纳，根据整合的结果建立模型，在该模型的基础上预测安全态势，最终结合每个子系统的安全态势结果，分析煤矿整体的安全态势，并对其进行评估。此评估结果对决策者有直接帮助。其结构图如图1。

1.2 煤矿安全态势感知方案

根据图1 中安全态势感知思路，本文选取贝叶斯网络和极限学习机两种方法完成煤矿安全态势分析的工作。首先，利用贝叶斯网络构建事故致因网络，分析瓦斯爆炸事故的原因和层次关系；其次，利用极限学习机对致因网络中的直接影响因素的指标值进行预测；在此基础上，使用贝叶斯网络对瓦斯爆炸风险进行预测。预测工作完成后，以事故发生可能性、风险等级、预警时间等预测数据为依据，在实时数据的基础上，分析煤矿的整体安全态势。若预测结果中有高风险的情况，应立即预警，为工作人员提供较多的反应时间。

图1 煤矿安全态势感知系统体系结构图

1.2.1 预处理阶段

该阶段为后续预测工作打下基础，提供预测所需要的数据，构建瓦斯爆炸事故的贝叶斯网络模型。

找出导致事故发生的致因因素，并计算出各节点的概率，因此，可以利用贝叶斯网络将各因素划分为直接因素和间接因素，即一级指标和多级指标。

1.2.2 基于贝叶斯网络的指标体系构建

贝叶斯链式法则如式（1）所示：

式中，Xi表示第i个节点。

在计算过程中，并不是所有数据都可以直接监测或计算得到，因此这类数据需要通过专家的讨论和判断对贝叶斯网络中的节点和结构进行修改。

本文通过分析近十年的瓦斯爆炸事故报告，并采纳煤矿专家的意见，构建出瓦斯爆炸风险贝叶斯网络模型，如图2 所示。

在贝叶斯模型中，将影响因素分为一级指标和多级指标。由图2 可知，瓦斯爆炸事故发生的原因分为直接原因和间接原因，将直接原因指定为一级指标，间接原因指定为多级指标，并用表达式表示。

图2 瓦斯爆炸事故贝叶斯网络结构

1.2.3 基于极限学习机的风险预测

（1）基于极限学习机的一级指标预测模型

极限学习机具有强大的功能，能够处理一级指标和多级指标之间的非线性关系。因此本文选取极限学习机方法，利用多级指标和一级指标分别作为输入和输出变量，对一级指标进行预测。

为了其训练的最终效果不受输入权重和阈值的影响，本文采用粒子群算法对极限学习机进行优化。

粒子群算法优化步骤：① 参数初始化处理；②将初始的输入权重与阈值带入极限学习机中；③ 粒子群的适应度；④ 比较适应度。

（2）风险概率预测

根据式（1），可以得到瓦斯爆炸风险概率预测模型。假设U={F1，F2，F3，…，Fn，G｝为一个离散变量集合，其中Fi为风险一级指标，G为瓦斯风险，F={F1=f1，F2=f2，Fn=fn｝是Fi的取值集合，G=Y表示风险出现。当一级指标取值为F时，概率表达式如下：

如表1 所示，根据概率值的大小分为不同等级，根据不同等级采取不同的措施。当风险概率值大于0.6 时，应当对对应的风险区域进行预警，并对瓦斯安全状况进行分析。

表1 风险等级

1.2.4 安全态势评估阶段

评估在感知过程中起着重要作用。这一阶段综合了定性、定量分析，可以根据评估结果分析目前煤矿的安全状况。在t时刻，煤矿整体安全评估值SN（t）表示为：

式中，P、L、T分别代表风险概率、风险等级、风险告警时间，告警时间默认值为1，若此区域预测到风险后的t时间内风险仍存在，则值逐渐增加；S、M分别为风险影响范围及风险在区域内的数量。

煤矿整体安全状态评估值为：

式中，N表示主要风险的数量；Si（t）表示i风险在t时刻对煤矿安全的影响；Wi表示各风险的权重，权重值由煤矿实际和专家的经验共同决定。

当评估值的范围在1～5 之间时，安全态势的评估值越大，该区域越不安全，发生事故的风险越大，风险范围越大。

2 安全态势预测分析

2.1 数据来源与处理

本文的相关数据均来自山东省鲁西煤矿，自2018年开始与鲁西煤矿共同研发煤矿大数据平台，收集管理系统中的三违数据等相关数据后利用爬虫、自然语言处理等技术对数据清洗。瓦斯涌出量等数据由自动化系统、实时监测系统、传感器来提供。

由于在安全态势感知时需量化指标，例如，电器失爆用电器失爆等级来表示严重程度，瓦斯积聚的量化指标为瓦斯浓度。对于三违数据可以根据严重程度分别计分0 分、1 分、2 分。

2.2 风险预测

设备监测的数据每一小时上传一次，收集样本100组，将其中70%作为训练集，30%作为测试数据，迭代100 次，10 个输入节点、3 个输出节点，预测完成之后与实际值进行对比，如图3 所示。当某些多级指标无法实时监测时，规定时间t，并认定t时间内最近上传的值为实时数据。

图3 一级指标预测结果图

利用数据进行瓦斯浓度预测后的结果的准确度为87.235%。在一级指标的预测中，只有火源预测发生失误，电器失爆的预测结果与实际结果完全一致。通过此方式预测可以看出，一级指标和多级指标有非线性关系。极限学习机在识别这种关系的能力上较突出，在预测结果上能够保证一定的准确性。

利用极限学习机算法，迭代次数调整到100 次，可以得到该煤矿的瓦斯风险概率，如图4 所示。在图中可以看出，风险小于0.2，因此该煤矿的瓦斯处于低风险状态。

图4 风险概率预测图

2.3 安全态势预测

结合风险预测的结果和公式（6），该煤矿瓦斯安全态势曲线如图5 所示。

图5 瓦斯安全态势图

图5 显示，瓦斯爆炸的风险率较低。可以看出，鲁西煤矿在整个阶段可以较好地控制瓦斯风险。虽然在预测的最终结果中有突发情况，但整体状态趋于平稳，说明该煤矿及时采取有力措施控制了风险。

3 煤矿安全态势的可视化

数据显示是将收集到的数据录入数据库，通过ECharts 对煤矿的分析结果进行可视化展示，以便安全管理人员及时了解生产过程中的实际情况。

通过瓦斯传感器实时记录瓦斯浓度，使用本文的预测方法了解煤矿瓦斯安全态势，并结合风险概率、瓦斯浓度等数据，利用可视化的方式展示，如图6。

图6 瓦斯风险预测可视化

可以通过按钮切换的方式进行查看不同的板块，在切换的过程中可以对无关曲线进行隐藏。当鼠标移动到图中时，会显示出某一时间点的具体值，并且在折线图中，数据可以进行缩放。数据实时显示设置为每30 min 刷新一次，以便更新煤矿瓦斯安全状况，进行实时观察。

4 结论

将安全态势运用在煤矿安全上，以瓦斯风险为例，通过实时监测煤矿的相关数据以及工作人员的安全行为，对煤矿安全态势进行预测。在此模型中，将人的影响因素考虑在内，分析对瓦斯爆炸的影响，提高了准确性。同时利用ECharts 进行可视化分析，实现数据实时展示，为煤矿安全管理人员的决策和管理提供依据。