0 引言
矿山安全受复杂生产环境、技术装备、人员素质、管理水平等因素的综合影响，整体仍面临严峻挑战。随着物联网技术的发展及其在矿山企业的推广和应用，矿山安全生产监测手段和信息采集、传输方式发生了巨大变化，安全监测数据得以及时、全面采集，形成了基于物联网的矿山安全大数据。充分挖掘矿山安全大数据所蕴含的规律并加以利用，对于实现矿山安全态势预测预警有重要意义。
目前，许多专家学者针对矿山安全预测预警展开研究，并取得了一定成果。Tong Xing等[1]采用贝叶斯网络对煤矿瓦斯事故风险进行预测；温廷新等[2]融合遗传算法与极限学习机，构建了一种露天煤矿抛掷爆破预测模型；李成武等[3]建立了煤与瓦斯突出能量预测非线性回归模型；孙继平等[4]提出采用多参数融合方法对煤矿火灾事故进行预测；张庆华等[5]研究了瓦斯灾害区域预警，划分出4级预警区域层级和风险等级，并构建了基于层次分析法的预警模型，实现了基于多指标融合的分析决策；杨玉中等[6]将可拓理论应用于煤矿安全预警，通过层次分析法和综合关联度确定权重和评价准则，确保了评价的客观真实性；丁宝成[7]采用补偿模糊神经网络和模糊层次分析法构建了煤矿安全预警模型；刘年平[8]结合复杂性理论和数据分析方法，构建了煤矿安全生产预警知识库，并采用集对分析法建立风险预警模型，对显性和隐性风险进行了有效预警；付贵祥等[9]分析了各类矿山灾害预警模型，给出了智能决策业务流程；兰国辉等[10]采用因子分析-逻辑回归方法实现了瓦斯突出事故综合预警；丁日佳等[11]基于层次分析法-信息熵-物元可拓方法建立了矿山生态安全风险预警模型。
本文基于获取的矿山安全大数据，以瓦斯爆炸事故为例，建立了矿山安全态势评价指标，采用长短期记忆(Long Short-Term Memory，LSTM)网络和贝叶斯网络构建了矿山安全态势预测模型，并建立了4级预警机制，提高了矿山安全态势预测预警的系统性、准确性和及时性。
1 矿山安全态势评价指标体系
矿山安全态势评价是指对矿山系统产生的安全数据和事件进行提取，通过一定的模型和方法进行计算和评价，动态反映矿山安全实际运行状况。通过矿山安全态势评价，可了解矿山过去和目前的安全状态，并通过其发展趋势分析，为矿山安全管理提供一定指导。评价指标体系是实现科学、合理、有效评价的基础，其构建须遵循系统、全面、定性定量结合和可操作性的原则。矿山安全态势评价指标体系的构建流程如下。
(1) 风险因素分析。风险因素是评价指标的基础，包括所有影响系统安全的因素。而评价指标是对风险因素的提取、归纳，找出其中最具代表性的因素。
(2) 理论验证。初步选取的评价指标需经过科学验证，以确保其可靠性。
(3) 指标体系确定。确定的评价指标需具有实用性和普适性，因此确定指标体系时要将难以衡量或存在交叠的指标删除或修改，以确保指标体系合理、精练。
(4) 修订。指标体系的构建是一个不断趋于完善的过程，因此在应用过程中要根据反馈不断进行修订，使指标体系更加完善[12]。
按照上述流程构建瓦斯爆炸事故评价指标体系。结合瓦斯爆炸事故的成因和历史事故案例发现，瓦斯爆炸是在瓦斯积聚、氧气及火源3个因素的共同作用下导致的[13]。由于井下氧气浓度天然满足瓦斯爆炸灾害发生的条件，所以可忽略氧气这一因素。按照系统性、典型性、动态性、直接性和可操作性原则，构建瓦斯爆炸事故评价指标体系，如图1所示。
图1 瓦斯爆炸事故评价指标体系
Fig.1 Evaluation index system of gas explosion accident
瓦斯爆炸事故评价指标体系中既包括定量指标，也包括定性指标。为了更具体地反映各个指标的风险程度，需针对不同指标采用合理的量化方法进行量化，结果见表1，其中瓦斯监测有效性、通风机工作状态、烟雾3个指标的量化值1，0分别表示正常、有风险，其他指标的量化值1,2,3,4分别表示正常、低风险、中风险、高风险。
表1 瓦斯爆炸事故评价指标量化结果
Table 1 Quantized results of evaluation indexes of
gas explosion accident
评价指标区间划分瓦斯监测有效性1:有效;0:失效瓦斯体积分数1:0～1%;2:1%～1.1%;3:1.1%～1.2%;4:1.2%～1.5% 瓦斯涌出量1:0～8 m3/t;2:8～9 m3/t;3:9～10 m3/t;4:>10 m3/t通风机工作状态1:正常;0:异常瓦斯抽放率1:40%～50%;2:35%～40%;3:30%～35%;4:0～30%温度1:20～26 ℃;2:26～28 ℃;3:28～30 ℃;4:>30 ℃通风系统合理性 1:95～100分;2:90～95分;3:85～90分;4:80～85分风流量1:0.25～6.00 m3/s;2:0.2～0.25 m3/s;3:0.15～0.20 m3/s;4:0～0.15 m3/s烟雾1:无烟;0:有烟煤炭自然发火期1:>90 d;2:60～90 d;3:30～60 d;4:0～30 d电气设备防爆率1:95%～100%;2:90%～95%;3:85%～90%;4:<85%
2 矿山安全态势预测模型
矿山安全态势预测模型是通过LSTM对评价指标进行建模，获取评价指标预测值，之后采用贝叶斯网络对事故风险进行评估，得到安全态势预测值。
2.1 基于LSTM的安全态势评价指标预测
LSTM具有特殊的门构造，能够很好地对时间序列进行建模，克服传统循环神经网络存在的梯度消失和梯度爆炸问题[14]。其逻辑结构如图2所示。其中Xt为t时刻LSTM的输入；it，ot，ft分别为t时刻输入门、输出门和遗忘门输出；ht为t时刻隐藏层输出；Ct为t时刻细胞状态；σ，tanh为LSTM激活函数。 LSTM通过遗忘门、输入门、输出门决定信息是否保留。
图2 LSTM结构
Fig.2 LSTM structure
以瓦斯爆炸事故主要影响因素——瓦斯浓度为例，说明基于LSTM的安全态势评价指标预测效果。选取5 000条瓦斯浓度监测数据作为样本，其中训练样本4 500条、测试样本500条。通过LSTM预测的瓦斯浓度如图3所示。
图3 瓦斯浓度预测结果
Fig.3 Gas concentration forecast results
对于温度、风流量等评价指标，可通过LSTM进行预测。对于非时间序列指标，如瓦斯抽放率、通风系统合理性、煤炭自然发火期、电气设备防爆率等，可根据相应的数据统计频率，认为其在一定周期内保持不变。
2.2 基于贝叶斯网络的矿山安全态势预测
从事故案例中搜集数据，通过机器学习方法构建事故推理模型[15-16]。将获取的各评价指标预测值输入贝叶斯网络模型，通过贝叶斯网络预测推理分析得出安全事故风险概率，最终获得矿山安全态势预测结果。采用GeNIe2.0软件构建瓦斯爆炸事故的贝叶斯网络模型，如图4所示。模型参数学习是利用事故案例数据样本计算网络节点的先验概率和节点之间的条件概率。在模型运行过程中，通过不断扩充事故案例数据库，定期对模型参数进行更新、优化，使预测推理结果更加贴近实际。
图4 瓦斯爆炸事故的贝叶斯网络模型
Fig.4 Bayesian network model of gas explosion accident
将某时刻评价指标预测值输入训练后的贝叶斯网络模型，经推理后得到瓦斯爆炸事故风险概率，如图5所示。可看出此时瓦斯爆炸事故风险发生概率为0。
将多个时刻的评价指标预测值输入贝叶斯网络模型，得到未来一段时间段内瓦斯爆炸事故风险发生的概率曲线，即矿山安全态势预测曲线，如图6所示。可看出瓦斯爆炸事故风险概率在[0，0.03]区间波动，表明在预测时间段内，瓦斯爆炸事故发生的风险很小。
图5 贝叶斯网络模型推理结果
Fig.5 Inference results of Bayesian network
图6 矿山安全态势预测曲线
Fig.6 Forecast curve of mine safety situation
通过矿山安全态势预测曲线，管理人员可清楚地了解未来一段时间内矿山安全整体态势，为安全生产提供辅助决策支持。
3 矿山安全态势预测预警机制
根据安全态势预测结果，按照事故风险概率将警情紧急程度划分为Ⅳ级、Ⅲ级、Ⅱ级和Ⅰ级。以瓦斯爆炸事故为例，其Ⅳ级、Ⅲ级、Ⅱ级和Ⅰ级警情分别对应风险概率[0,0.15]，(0.15,0.3]，(0.3,0.5]，(0.5,1]。
依据专家经验[17]，将矿山安全态势4级警情分别表示为蓝色、黄色、橙色和红色预警，不同级别的警情应采取不同的预警措施，如图7所示。
图7 矿山安全态势预测预警机制
Fig.7 Early warning mechanism of mine safety situation
(1) 蓝色预警。处于Ⅳ级警情，为安全阶段。该阶段各班组正常生产，需做好监测预防工作，防止可能出现的危险。
(2) 黄色预警。处于Ⅲ级警情，为危险阶段。该阶段班组生产仍可继续，但需对出现的危险源进行处理，明确整改方案，持续观察，以防止危险升级。
(3) 橙色预警。处于Ⅱ级警情，为较危险阶段。该阶段班组可严格按照安全生产规程生产，但要随时做好停产、撤人准备；成立现场指挥小组，对出现的危险源进行处理，对现场持续跟踪观察，防止危险进一步升级。
(4) 红色预警。处于Ⅰ级警情，为严重危险阶段。该阶段必须立即停产、撤人，制定整改措施，消除危险源，待条件正常时才可恢复生产。
矿山安全态势预警的目的是消除隐患、控制风险。依据煤矿企业组织结构和岗位职责现状，出现警情后需向相关部门发送警情信息，明确处理预警事件的部门和人员。瓦斯爆炸事故警情涉及的责任响应部门如图8所示。
图8 瓦斯爆炸事故警情响应部门
Fig.8 Warning response departments of gas
explosion accident
当安全态势出现异常时，矿山安全态势预测模型基于贝叶斯网络的敏感性分析得出导致异常的具体因素。根据警情响应部门设置，各部门按责任分工消除异常，保障矿山生产安全。
4 实例反演
以某煤矿某次瓦斯爆炸事故为例进行反演，以验证矿山安全态势预测模型的有效性。事故发生区域煤层瓦斯含量较高。事故发生前矿井工作人员未按规定进行瓦斯抽采。该矿通风管理混乱，-530 m采煤工作面处未形成全风压通风系统，1台局部通风机同时向2个作业地点供风，导致事故发生区域风流量不足。井下人员违章放炮产生火源，造成局部温度升高，引起瓦斯爆炸。
分析瓦斯爆炸事故原因后，将其与瓦斯爆炸事故评价指标对应，并将指标输入矿山安全态势预测模型，预测结果如图9所示。可看出当瓦斯浓度、风流量、温度等指标均存在较高程度的异常时，瓦斯爆炸事故发生概率高达95%。该结果与实际情况吻合。根据设立的预警等级，此时煤矿安全态势为Ⅰ级预警，须立即停产、撤人。
图9 瓦斯爆炸事故预测结果
Fig.9 Forecast results of gas explosion accident
5 结论
(1) 以瓦斯爆炸事故为例，基于矿山安全事故致因分析，构建了矿山安全态势评价指标体系，针对各评价指标进行量化。
(2) 采用LSTM对矿山安全态势评价指标进行预测，结合贝叶斯网络构建了矿山安全态势预测模型，对安全事故风险进行评估，实现矿山安全态势预测。
(3) 基于矿山安全态势预测结果建立了预警机制，根据警情划分4级预警级别，制定了相应的预警措施。
(4) 以某煤矿某次瓦斯爆炸事故为例进行反演，结果表明基于LSTM和贝叶斯网络的矿山安全态势预测结果与实际情况吻合。
[1] TONG Xing,FANG Weipeng,YUAN Shuaiqi,et al. Application of Bayesian approach to the assessment of mine gas explosion[J].Journal of Loss Prevention in the Process Industries,2018,54:238-245.
[2] 温廷新,陈晓宇,邵良杉,等.参数优化GA-ELM模型在露天煤矿抛掷爆破的预测[J].煤炭学报,2017,42(3):630-638.
WEN Tingxin,CHEN Xiaoyu,SHAO Liangshan,et al.Prediction on parameters optimized GA-ELM model for cast blasting in open-pit mine[J].Journal of China Coal Society,2017,42(3):630-638.
[3] 李成武,付帅,解北京,等.煤与瓦斯突出能量预测模型及其在平煤矿区的应用[J].中国矿业大学学报,2018,47(2):231-239.
LI Chengwu,FU Shuai,XIE Beijing,et al.Establishment of the prediction model of coal and gas outburst energy and its application in Pingdingshan mining area[J].Journal of China University of Mining & Technology,2018,47(2):231-239.
[4] 孙继平,孙雁宇.矿井火灾监测与趋势预测方法研究[J].工矿自动化,2019,45(3):1-4.
SUN Jiping,SUN Yanyu.Research on methods of mine fire monitoring and trend prediction[J].Industry and Mine Automation,2019,45(3):1-4.
[5] 张庆华,宁小亮,宋志强,等.瓦斯灾害区域安全态势预警技术[J].工矿自动化,2020,46(7):42-48.
ZHANG Qinghua,NING Xiaoliang,SONG Zhiqiang,et al.Early warning technology of regional security situation of gas disasters[J].Industry and Mine Automation,2020,46(7):42-48.
[6] 杨玉中,冯长根,吴立云.基于可拓理论的煤矿安全预警模型研究[J].中国安全科学学报,2008(1):40-45.
YANG Yuzhong,FENG Changgen,WU Liyun.Research on early-warning model for coal mine safety based on extension theory[J].China Safety Science Journal,2008(1):40-45.
[7] 丁宝成.煤矿安全预警模型及应用研究[D].阜新:辽宁工程技术大学,2010.
DING Baocheng. Study on safety early warning models and application in coal mines[D].Fuxin:Liaoning Technical University,2010.
[8] 刘年平.煤矿安全生产风险预警研究[D].重庆：重庆大学, 2012.
LIU Nianping.Research on risk early warning in mine safety production[D].Chongqing:Chongqing University,2012.
[9] 付贵祥,周红军,郭继茹.基于物联网的煤矿安全综合智能预警系统[J].工矿自动化,2014,40(4):99-101.
FU Guixiang,ZHOU Hongjun,GUO Jiru.Comprehensive intelligent pre-warning system of coal mine safety based on Internet of things[J].Industry and Mine Automation,2014,40(4):99-101.
[10] 兰国辉,余保华,陈亚树,等.基于FA-Logistic的煤矿瓦斯突出事故安全预警研究[J].工业安全与环保,2017,43(10):51-54.
LAN Guohui,YU Baohua,CHEN Yashu,et al.Study on safety early warning of coal mine gas outburst accident based on factor analysis and logistic regression[J].Industrial Safety and Environmental Protection,2017,43(10):51-54.
[11] 丁日佳,张亦冰.基于AHP-IE-MEA模型的矿山生态安全风险预警[J].干旱区资源与环境,2017,31(10):83-89.
DING Rijia,ZHANG Yibing.Risk early-warning for mine ecological security based on "AHP-IE-MEA" model[J].Journal of Arid Land Resources and Environment,2017,31(10):83-89.
[12] 张洪杰.煤矿安全风险综合评价体系及应用研究[D].徐州：中国矿业大学,2010.
ZHANG Hongjie.Research on comprehensive assessment system and application of coal mine safety risks[D].Xuzhou:China University of Mining and Technology,2010.
[13] 李贤功.中国煤矿重大瓦斯事故致因复杂性机理及其管控研究[D].徐州：中国矿业大学,2010.
LI Xiangong.Study on complex causing mechanism and management & control of significant gas accident of coal mines in China[D].Xuzhou:China University of Mining and Technology,2010.
[14] 李伟山,王琳,卫晨.LSTM在煤矿瓦斯预测预警系统中的应用与设计[J].西安科技大学学报,2018,38(6):1027-1035.
LI Weishan,WANG Lin,WEI Chen.Application and design of LSTM in coal mine gas prediction and warning system[J].Journal of Xi'an University of Science and Technology,2018,38(6):1027-1035.
[15] 李贤功,葛家家,胡婷,等.煤矿顶板事故致因分析的贝叶斯网络研究[J].中国安全科学学报,2014,24(7):10-14.
LI Xiangong,GE Jiajia,HU Ting,et al.Bayesian network modeling for causation analysis of coal mine roof accident[J].China Safety Science Journal,2014,24(7):10-14.
[16] 张宁,盛武.基于贝叶斯网络的煤矿瓦斯爆炸事故致因分析[J].工矿自动化,2019,45(7):53-58.
ZHANG Ning,SHENG Wu.Causes analysis of coal mine gas accidents based on Bayesian network[J].Industry and Mine Automation,2019,45(7):53-58.
[17] 李爽,李丁炜,犹梦洁,等.基于BN-ELM的煤矿瓦斯安全态势预测方法[J].系统工程,2020,38(3):132-140.
LI Shuang,LI Dingwei,YOU Mengjie,et al.Coal mine gas security situation forecasting method based on BN-ELM[J].Systems Engineering,2020,38(3):132-140.
