“矿山人工智能”专题

【编者按】智慧矿山作为矿山智能化的最高形式,融合了人工智能、大数据、物联网、云计算、边缘计算等技术,实现多业务协同、自主分析和自主决策,正在成为煤矿企业新的发展目标。其中人工智能在矿山的应用更是智慧矿山建设的主要技术支撑和保障。智慧矿山的目标包括设备智能化运行,现场无人值守、少人巡视,远程集中监控等。为实现这些目标,需要从整体角度统筹分析海量矿山监测数据,全面感知矿山安全态势;需要基于视频感知并应用人工智能算法进行分析、决策,完成矿山设备精准控制和联动联控。为更好促进矿山人工智能相关理论与技术研究,加快智慧矿山建设,本刊组织策划了“矿山人工智能”专题,报道了矿山多层级安全态势感知系统、煤矿联动联控系统、基于轻量化卷积神经网络实现的煤矿智能视频监控系统、煤炭铁运智能装车系统等方面的研究成果。衷心感谢各位作者为本专题撰稿!

矿山多层级安全态势感知系统

李敬兆1,孟亦凡1,王继伟2

(1.安徽理工大学 电气与信息工程学院, 安徽 淮南 232001;2.淮北矿业股份有限公司 涡北煤矿, 安徽 亳州 233600)

摘要在智慧矿山建设过程中需要从整体角度统筹分析海量矿山监测数据,从而全面感知矿山安全状况。针对该问题,提出了一种矿山多层级安全态势感知系统。该系统通过在雾计算设施中部署局部安全态势感知模型对矿山区域范围内各子系统的监测数据进行分析,从而感知矿山局部安全态势;局部安全态势通过矿山高速通信网络汇集至云计算设施,通过部署在云计算设施中的全局安全态势感知模型进一步感知矿山全局安全态势。局部和全局安全态势感知模型采用基于门控循环单元构建的编码器与解码器处理数据之间的相关性,并引入Attention机制使模型具备筛选重点数据的能力,以提高模型运算速度。同时,为使模型运行在最佳状态,采用粒子群算法寻找模型最优超参数。仿真结果表明,安全态势感知模型具有较高的精度。

关键词智慧矿山; 矿山安全; 态势感知; Attention机制; 门控循环单元; 粒子群算法

0 引言

在智慧矿山建设过程中,大量搭载传感器的边缘设备被部署到矿山各子系统中[1-2],并在运行过程中产生了海量数据。现阶段传感器数据的处理工作只在各子系统内部进行,且数据分析结果的作用范围局限在各子系统,无法反映矿山安全状况[3]。从整体角度统筹分析海量数据,从而感知矿山安全状况,是智慧矿山建设亟需解决的问题。关联合[4]将矿山多个安全监控系统的数据整合到统一的数据库中管理,并运用预警模型管理矿山中的重大危险源,为融合数据、感知矿山安全状况奠定了基础,但未能对各监控系统数据进行深入分析。华攸金等[5]基于可拓理论构建煤矿安全风险预警评估模型,采用熵权法确定各预警指标的权重值,避免传统经验的主观性干扰,但该模型不具备实时感知矿山安全状况的能力。陈常晖[6]基于粗糙集融合最小二乘支持向量机构建了煤矿安全预警模型,分析了各类因素对煤矿安全的影响,但该模型难以处理数据之间的关系,从而无法获取矿山综合安全状况。

态势感知的概念最早起源于军事领域,包含感知、理解和预测3个层面。本文将态势感知概念引入矿山安全领域,提出了矿山多层级安全态势感知系统。该系统以基于Attention机制[7]构建的安全态势感知模型为核心,从局部与全局2个层级感知矿山安全态势,可指导矿山安全生产策略的制定。

1 系统架构

矿山多层级安全态势感知系统架构如图1所示。系统按照管辖范围可分为局部安全态势感知和全局安全态势感知2个层级。这2个层级的安全态势感知模型依托矿山中不同等级的计算设施完成数据处理任务。在矿山局部层面,通过雾计算设施[8]就地分析区域内各子系统的监测状态,感知局部安全态势;在矿山全局层面,通过云计算设施汇集各区域安全态势数据,感知全局安全态势。

图1 矿山多层级安全态势感知系统架构
Fig.1 Architecture of multi-level safety situation awareness system for mines

系统按照功能可划分为数据感知层、雾计算层、云计算层和应用层。

(1) 数据感知层。通过在采掘、运输、通风、供电等设备的关键位置部署相应的传感器,实时获取各生产设备的运行状况,采集设备的震动、位移、功率等状态数据。通过在矿山中部署气体、温度、湿度等传感器,获取区域内环境的精确变化数据。

(2) 雾计算层。为减少局部安全态势感知模型获取区域范围内监测数据的延时,将该模型部署至各区域的雾计算设施中,可有效提高系统运行效率[9-10]

(3) 云计算层。云计算设施通过矿山高速通信网络汇集各雾计算设施产生的安全态势数据,实现云雾协同工作。全局安全态势感知模型从全局的角度分析相关数据,感知矿山安全态势走向。

(4) 应用层。应用层是实现人机交互的重要接口。矿山管理者通过应用层软件以直观可视化的方式查看矿山安全态势信息,实时掌握矿山安全态势变化,了解矿山风险重点变迁,及时调整安全防范重点,为下一阶段的安全生产制定策略。

2 安全态势感知

2.1 局部安全态势感知

2.1.1 局部安全态势感知模型

局部安全态势感知模型主要由输入层、编码器层、Attention层、态势聚合层组成,如图2所示。

图2 局部安全态势感知模型结构
Fig.2 Structure of local safety situation awareness model

(1) 输入层。将矿山局部区域内各子系统在t时刻采集的m个监测数据组成数据组Dt。将1个时间步长T内采集的数据组按时间顺序组成时间序列{Dt|t∈{1,2,…,T}}。

(2) 编码器层。编码器层由基于门控循环单元(Gate Recurrent Unit,GRU)构建的GRU编码器组成。GRU编码器的门控机制(图3)具备自适应控制信息流动的能力[11],从而可以捕捉数据组之间的相互依赖关系。

图3 GRU编码器门控机制
Fig.3 Gating mechanism of GRU encoder

将上一个GRU编码器处理完数据组Dt-1后传递给当前GRU编码器的信息记为ht-1。GRU编码器的更新门用于确定当前编码器保留过去信息ht-1的数量,重置门决定遗忘过去信息ht-1的数量[12]。当前GRU编码器的更新门状态rt和重置门状态zt分别为

rt=σ(Wrhht-1+WrdDt+br)

(1)

zt=σ(Wzhht-1+WzdDt+bz)

(2)

式中:σ为实现门控效果的Sigmoid激活函数;WrhWrd为更新门的权重矩阵;WzhWzd为重置门的权重矩阵;brbz分别为更新门和重置门的偏置项。

当前GRU编码器传递给下一个GRU编码器的信息为

ht=GRU(ht-1,Dt)=(1-zt)ht-1+

zttanh(rtWshht-1+WsdDt)

(3)

式中WshWsd为记忆权重矩阵。

(3) Attention层。Attention层主要负责处理编码器层从数据组中获取的信息,对存在差异的数据进行融合,然后通过相关性评分定量地为各子系统产生的监测数据赋予不同权重,从而高效地筛选出对于安全态势感知更重要的数据。

首先,计算GRU编码器的输出信息ht与数据组Dt中不同监测数据之间的相关性:

(4)

然后,引入Softmax计算方式对相关性进行归一化,突出重点监测数据的权重:

(5)

最后,通过加权求和可得监测数据的融合值:

(6)

(4) 态势聚合层。态势聚合层由GRU解码器组成。GRU解码器与GRU编码器一样通过门控机制控制信息流动,GRU解码器之间的传递信息为

qt=GRU(qt-1,ct)

(7)

态势聚合层输出取值范围为[0,1]的矿山安全态势值yt,可反映矿山某局部范围内安全风险等级。

yt=softmax(Wqt)

(8)

式中W为输出权重矩阵。

2.1.2 局部安全态势感知模型超参数调优

局部安全态势感知模型有4个超参数需要确定,分别为编码器的神经元数量、批处理大小、态势聚合层神经元数量、时间步长。局部安全态势感知模型的训练过程即寻求超参数最优解的过程,本文采用粒子群算法[13-14]寻求模型超参数的最优解。

设优化局部安全态势感知模型超参数的M维可行域内存在由J个粒子组成的粒子群,每个粒子都有位置、速度和适应度3个特征。粒子在可行域的位置代表模型超参数的一个可行解;速度代表粒子在可行域内移动距离相对于时间的变化率;适应度代表粒子所处位置的优劣程度,可通过适应度函数计算得到。计算在第n次迭代后第j(j=1,2,…,J)个粒子的速度Vj(n)和位置Xj(n)所对应的适应度,通过跟踪粒子个体最优位置Pj(n)与粒子群的全局最优位置B(n),依据式(9)、式(10)对粒子的速度和位置进行更新,计算第n+1次迭代后粒子速度Vj(n+1)和位置Xj(n+1)所对应的适应度。按上述方式迭代执行,直到所有粒子收敛在可行域的同一位置,该位置即为最优解。

Vj(n+1)=ω(n)Vj(n)+c1r1(Pj(n)-Xj(n))+

c2r2(B(n)-Xj(n))

(9)

式中:ω(n)为非负惯性因子;c1c2为系数;r1r2为随机数。

Xj(n+1)=Xj(n)+Vj(n+1)

(10)

在传统的粒子群算法中,系数c1c2为固定值。为使粒子群算法具有更快的收敛速度,采用自适应调整系数[15]

c1=1/[1+exp(Pj(n)-Xj(n))]

(11)

c2=1/[1+exp(B(n)-Xj(n))]

(12)

基于粒子群算法的超参数优化伪代码如下。

Algorithm 1 Hyperparameter optimization algorithm based on PSOInput Vector of Resource Parameter List0Randomly initialize the position and velocity of the par-ticle population.1DO2 FOR each particle3 Calculate particle fitness.4 Update individual optimal values.5 Update global optimal value6 FOR each particle7 Calculate particle velocity according to Formula (9).8 Update particle position according to Formula (10)9WHILE the particles don't converge.OutputResults with the most particles

2.2 全局安全态势感知

部署在云计算设施中的全局安全态势感知模型与局部安全态势感知模型的结构基本相同,但以矿山中各局部安全态势感知模型输出的安全态势值作为输入,全局安全态势感知流程如图4所示。部署在矿山各区域雾计算设施中的局部安全态势感知模型在汇集、存储各子系统的监测数据之后,对数据进行感知,并输出矿山局部安全态势值。局部安全态势值通过矿山高速通信网络上传至云计算设施,通过部署在云计算设施中的全局安全态势感知模型对汇集的矿山各区域局部安全态势值进行分析,感知整个矿山的安全态势,从而制定相应的安全策略。

图4 全局安全态势感知流程
Fig.4 Process of global safety situation awareness

3 仿真实验

3.1 数据集

构建典型的矿山区域模拟系统,包含通风、供电、排水3个子系统。从3个子系统中选择11个监测参数,仿真时参数变化范围参考《煤矿安全规程》设置,见表1。

表1 仿真参数
Table 1 Simulation parameters

矿山子系统监测参数允许值变化范围CO2体积分数/%≤0.50~1CO体积分数/%≤0.002 40~0.1通风CH4体积分数/%≤0.50~17运输巷风速/(m·s-1)1~80~12电压/V—100~130电流/A—0~30供电电缆接头温度/℃—0~60接地电阻/Ω≤40~40主水仓容量/m3—0~8 000排水排水量/(m3·h-1)—0~2 000涌水量/(m3·h-1)—0~2 000

在模拟系统运行过程中共采集1 200组数据,划分为120个时间序列。从中随机挑选100个时间序列作为训练集,其余20个时间序列作为测试集。

3.2 超参数调优

为简化粒子群算法寻求局部安全态势感知模型最优超参数的过程,设置编码器神经元数量与态势聚合层神经元数量相同。设置粒子群的种群数量为20,迭代次数为100,学习因子c1c2变化范围为[0.5,3.0]。

基于粒子群算法的超参数优化结果如图5所示。可看出随着迭代次数的增加,模型的神经元个数、批处理大小及时间步长逐渐收敛并趋于稳定,此时神经元个数为37,批处理大小为3,时间步长为5。

(a) 神经元个数

(b) 批处理大小

(c) 时间步长

图5 基于粒子群算法的超参数优化
Fig.5 Hyperparameters optimization based on particle swarm optimization

3.3 局部安全态势感知模型精度评估

使用训练集对局部安全态势感知模型进行训练,训练次数为3 000。训练平台配置:CPU,Intel i7-6700;GPU,NVIDIA GeForce GTX 1060-6 GB;RAM,16 GB DDR4 2 400 MHz;Hard Driver,Samsung 960EVO;TensorFlow-GPU,V1.14.0。

使用测试集对模型精度进行评估,将模型预测的安全态势值与通过专家人工判定方式得到的实际安全态势值进行对比,结果如图6所示。可看出模型预测值与实际值拟合度很高,表明模型具有较高精度。

图6 安全态势预测值与实际值对比
Fig.6 Comparison of predicted safety situation values and the actual ones

4 结论

(1) 矿山多层级安全态势感知系统通过部署于雾计算设施中的局部安全态势感知模型汇集矿山区域范围内各子系统监测数据,感知矿山局部安全态势,并将局部安全态势数据上传至云计算设施。部署于云计算设施中的全局安全态势感知模型对汇集的各区域局部安全态势数据进行分析,感知整个矿山安全态势,进而制定安全策略。

(2) 矿山安全态势感知模型通过Attention机制分析矿山各子系统产生的海量数据,从中筛选出与矿山安全相关的重点数据,以达到提高模型运算效率的目的。模型中基于GRU构建的编码器和解码器可有效处理数据之间的联系,实现安全态势的精准感知。同时采用粒子群算法优化模型超参数,使模型工作在最佳状态。

参考文献(References):

[1] 李腾飞,李常友,李敬兆.煤矿信息全面感知与智慧决策系统[J].工矿自动化,2020,46(3):34-37.

LI Tengfei,LI Changyou,LI Jingzhao.Coal mine information comprehensive perception and intelligent decision system[J].Industry and Mine Automation,2020,46(3):34-37.

[2] 郑学召,童鑫,郭军,等.煤矿智能监测与预警技术研究现状与发展趋势[J].工矿自动化,2020,46(6):35-40.

ZHENG Xuezhao,TONG Xin,GUO Jun,et al.Research status and development trend of intelligent monitoring and early warning technology in coal mine[J].Industry and Mine Automation,2020,46(6):35-40.

[3] 袁亮,俞啸,丁恩杰,等.矿山物联网人-机-环状态感知关键技术研究[J].通信学报,2020,41(2):1-12.

YUAN Liang,YU Xiao,DING Enjie,et al.Research on key technologies of human-machine-environment states perception in mine Internet of things[J].Journal on Communications,2020,41(2):1-12.

[4] 关联合.矿井重大危险源监测识别及预测预警系统开发[J].矿业安全与环保,2014,41(3):43-46.

GUAN Lianhe.Development of monitoring identification and early warning system for mine major hazards[J].Mining Safety & Environmental Protection,2014,41(3):43-46.

[5] 华攸金,李希建.基于可拓理论的煤矿安全风险预警与评估[J].煤炭工程,2020,52(1):163-168.

HUA Youjin,LI Xijian.Coal mine safety risk early warning and assessment based on extension theory[J].Coal Engineering,2020,52(1):163-168.

[6] 陈常晖.基于粗糙集融合最小二乘支持向量机的煤矿安全预警模型[J].中国矿业,2020,29(6):76-80.

CHEN Changhui.Coal mine safety early warning model based on rough set fusion least squares support vector machine[J].China Mining Magazine,2020,29(6):76-80.

[7] 庞华鑫,韦世奎,马俊才,等.基于多视角学习和注意力的特征选择算法[J].北京交通大学学报,2020,44(5):70-76.

PANG Huaxin,WEI Shikui,MA Juncai,et al.Feature selection algorithm based on multi-view learning and attention[J].Journal of Beijing Jiaotong University,2020,44(5):70-76.

[8] 孟亦凡.煤矿井下人员安全状况智能监控系统[D].淮南:安徽理工大学,2019.

MENG Yifan.Intelligent monitoring system of personnel safety in coal mine[D].Huainan:Anhui University of Science and Technology,2019.

[9] 李敬兆,宫华强.煤矿信息物理系统场景感知自配置与优化策略研究[J].煤炭科学技术,2019,47(4):20-25.

LI Jingzhao,GONG Huaqiang.Research on scene perception self-configuration and optimization strategy of cyber-physical system for coal mine[J].Coal Science and Technology,2019,47(4):20-25.

[10] MENG Yifan,LI Jingzhao.Research on intelligent configuration method of mine IoT communication resources based on data flow behavior[J].IEEE Access,2020,8:172065-172075.

[11] ZHAO Rui,WANG Dongzhe,YAN Ruqiang,et al.Machine health monitoring using local feature-based gated recurrent unit networks[J].IEEE Transactions on Industrial Electronics,2017,65(2):1539-1548.

[12] WU Lizhen,KONG Chun,HAO Xiaohong,et al.A short-term load forecasting method based on GRU-CNN hybrid neural network model[J].Mathematical Problems in Engineering,2020(7553):1-10.

[13] COELLO C A C,PULIDO G T,LECHUGA M S.Handling multiple objectives with particle swarm optimization[J].IEEE Transactions on Evolutionary Computation,2004,8(3):256-279.

[14] 杨佳艺,赵成勇,苑宾,等.基于粒子群优化算法的VSC-HVDC系统的控制参数优化策略[J].电力自动化设备,2017,37(12):178-183.

YANG Jiayi,ZHAO Chengyong,YUAN Bin,et al.Parameter optimization of VSC-HVDC control system based on particle swarm optimization algorithm[J].Electric Power Automation Equipment,2017,37(12):178-183.

[15] 陈春萌,梁英,张舒捷.基于多策略自适应粒子群算法的电网无功优化[J].电力电容器与无功补偿,2020,41(4):102-108.

CHEN Chunmeng,LIANG Ying,ZHANG Shujie.Reactive power optimization of power grid based on multi-strategy adaptive particle swarm optimization algorithm[J].Power Capacitor & Reactive Power Compensation,2020,41(4):102-108.

Multi-level safety situation awareness system for mines

LI Jingzhao1, MENG Yifan1, WANG Jiwei2

(1.School of Electrical and Information Engineering, Anhui University of Science and Technology,Huainan 232001, China; 2.Guobei Coal Mine, Huaibei Mining Co., Ltd., Bozhou 233600, China)

Abstract:In the process of intelligent mine construction, it is essential to analyze massive mine monitoring data from a global perspective so as to observe the mine safety situation comprehensively. To address this issue, a multi-level safety situation awareness system for mines is proposed. The system analyzes the monitoring data of each subsystem within the mine area by deploying a local safety situation awareness model in the fog computing facility to observe the local safety situation of the mine. The local safety situation is gathered to the cloud computing facility through the high-speed communication network of the mine. The global safety situation is further achieved by the global safety situation awareness model deployed in the cloud computing facility. The local and global safety situation awareness model processes the correlation between the data by using the encoder and decoder based on the gated recurrent unit. The Attention mechanism is applied in the model so as to filter the key data and improve the model’s computing speed. Meanwhile, in order to make the model run in the best state, the particle swarm algorithm is used to find the optimal hyperparameters of the model. The simulation results show that the safety situation awareness model has high accuracy.

Key words:intelligent mine; mine safety; situation awareness; Attention mechanism; gated recurrent unit; particle swarm algorithm

中图分类号:TD67

文献标志码:A

文章编号1671-251X(2020)12-0001-06

DOI:10.13272/j.issn.1671-251x.17672

收稿日期:2020-10-10;修回日期:2020-12-16;责任编辑:盛男。

基金项目:国家自然科学基金资助项目(51874010);物联网关键技术创新团队项目(201950ZX003)。

作者简介:李敬兆(1964-),男,安徽淮南人,教授,博士,主要研究方向为矿山物联网、智能控制,E-mail:jzhli@aust.edu.cn。

引用格式:李敬兆,孟亦凡,王继伟.矿山多层级安全态势感知系统[J].工矿自动化,2020,46(12):1-6.

LI Jingzhao,MENG Yifan,WANG Jiwei.Multi-level safety situation awareness system for mines[J].Industry and Mine Automation,2020,46(12):1-6.