★ 煤矿安全 ★
煤炭在我国经济发展中占据重要地位,但煤炭开采过程中始终面临事故频发带来的挑战,且煤矿生产环境极其复杂,隐患众多,给作业人员带来诸多不便。因此,提高井下环境安全评估的技术水平是减少矿井事故发生,促进煤炭产业稳定发展的关键。目前,有关煤矿井下安全预测和评估的研究有很多,刘婷等人采用本体对煤矿采煤工作面建模,并制定了相关的推理规则,利用本体推理来推断井下作业环境的安全状况。但其只局限于采集单一传感器监测数据进行推理,存在推理结果不准确、精度低的问题。由于单一传感器可能出现失灵、误判,数据存在一定的不确定性,且无法综合评估井下环境状况,导致结果不可靠、不确定。因此,大量学者开始运用模糊逻辑、证据理论、神经网络等信息融合技术来评判井下作业环境的安全状况。基本思想是通过无线传感器来采集信息,然后对多个传感器的检测数据进行融合,综合分析环境参数,实现对其安全状况的全面评估。张从力等人将改进的LMBP神经网络算法用于井下环境评估,有效提高了传统模型的训练速度,在实际应用中综合考虑了井下环境的主要影响因素,在一定程度上解决了井下环境评判不及时和不准确的问题。刘海波将神经网络和证据理论结合用于评估煤矿瓦斯突出等级,通过两次数据融合对危险等级作出评判,提高了井下环境预测的准确性。众多学者利用粗糙集理论,实现对煤层自燃危险性的综合评价,通过融合核心指标对危险等级作出评判,提高了评估的准确性。以上研究工作虽有助于改善了煤矿井下安全评估水平,但井下环境复杂、参数多变,单纯地运用信息融合技术很难建立有效、全面、清晰的数学模型,且不能利用隐含信息进行推理。此外,大量新监测数据的持续收集,则需要模型不断进行训练和调整,在运算速度和精度方面很难达到平衡。
目前井下环境评估缺乏一种既能描述井下环境知识的表示模型,同时又能全面获取环境信息,处理不确定性数据间的融合问题。本文将证据理论和本体推理相结合并应用于井下环境评估中。首先通过构建领域本体对煤矿井下作业环境建模,实现了异构系统间的概念共享,解决了井下情境信息难以描述的问题;其次,通过实时采集的监测数据触发本体推理,挖掘出影响井下环境安全的危险因素,并将改进的D-S证据理论用于推理规则的整合,解决了由单一传感器数据评估井下环境安全所存在的不确定、不可靠问题。试验结果表明,将证据理论和本体推理相结合能够有效提高井下安全评估的准确率,具有一定的实用价值。
领域本体是用于形式化描述特定领域知识的概念模型,通过抽象出领域中的概念、关系、实例来刻画语义知识,具有机器可读、可扩展、共享、重用等优良特性。采用推理引擎和推理规则对本体进行推理,可以发现其中隐含的有用信息。因此,本文将采用七步法和骨架法来构建煤矿领域本体模型,从语义驱动的角度为井下环境的智能化评估提供了一种新的途径,对煤矿安全生产及风险预警有重大意义。
目前有关煤矿领域的本体构建还不完备,且煤矿生产涉及众多相关子系统,生产环境相对复杂。通过实地调研以及对领域专家的访谈,并查阅相关资料、书籍、文献,全面了解相关的规程和法律法规,收集大量煤矿井下相关的领域知识。经过相关资料的查阅,并参考煤矿三大规程,从中获取相关术语并设计了分类体系,利用Protégé 4.3建模工具构建了本体模型,如图1所示。
图1 煤矿领域本体模型
本体模型中主要包括5个顶层核心类:事故(Accident)、设备(Apparatus)、状态(Apparatus State)、技术工人(Skilled Worker)、环境(Surroundings),每个核心类又被进一步细化为若干子类。
基于规则的本体推理是利用推理机,将推理规则和已有的知识进行匹配挖掘出新的知识,本文将井下环境评估看成是一种诱发性的本体推理过程。例如,当传感器监测到某工作地点中有配电工在操作高压开关合闸送电时未戴绝缘手套,则推断出该配电工有危险。本体推理中所使用的规则除了推理机自带的通用规则外,还可按照推理机语法形式自定义创建。应用惠普实验室提供的开放资源Jena作为推理引擎,并根据Jena提供的语法来构造规则。
但在基于本体推理的井下环境评估中,传统依靠单一类型传感器或监测设备接收到的监测数据具有不确定性,即利用单一规则推断井下安全状况,会导致评估结果即本体推理结果具有不确定性。例如,某井下作业场所,瓦斯传感器检测到瓦斯浓度为0.9%,推断出该地点存在较大危险;粉尘传感器采集到粉尘浓度为6 mg/m3,可能存在一般危险,但本体推理结果都为存在危险,显然两种传感器监测到的危险因素对于危险程度的判断并不一样,无法根据某一推理结果较为准确地评判其安全状况。因此,接下来将引入改进的D-S证据理论对多条相关推理规则进行处理,消除规则之间的冲突,实现监测数据的融合,解决本体推理中存在的不确定性问题。
证据理论的核心内容是基本概率分配和Dempster合成规则。人们把问题域中所有互斥假设构成的集合称为识别框架Θ,若满足m(Ø)则称m为Θ上的基本概率分配(Basic Probability Assignment,简称BPA)。在此基础上,定义证据间的Dempster合成规则如式(1)和(2)所示。
式中: A、B、C——Θ上的子集;
m1,m2——两个证据源;
m12(A) ——m1,m2两个证据对命题A的联合支持程度;
k——证据间的冲突大小,k越大,冲突越大。
鉴于经典的Dempster合成规则在证据高度冲突的时候会造成合成结果出现悖论,具有很大的局限性,有学者对其提出了改进方法。如蒋雯等人利用证据距离和冲突因子的算术平均数来表示冲突的大小,但仍存在一定的局限性,比如对于两个相同的证据,其冲突因子本应为0却不为0,不符合实际情况;张燕君等人重新定义了冲突因子后,解决了此问题,但针对两个完全冲突的证据仍不能准确判断其冲突程度。基于以上分析,出于更加全面准确地度量证据间冲突程度的目的,本文将引入彭颖等人给出的扩展Jousselme距离函数,如式(3)所示,重新定义有关mi和mj的冲突因子如式(4)所示。
(3)
(4)
式中: di,j——距离函数;
k——证据理论中的冲突因子;
confi,j——重新定义的mi、mj之间的冲突因子,0
煤矿领域研究的主要内容包括作业人员分类、环境、设备种类、状态、各工种的操作等相关知识。本体模型构建的目的是根据监测到的人的不安全行为、环境的异常、设备的不安全状态等信息,应用本体推理,全面判断作业环境的安全状况,及时预警从而减少伤亡。
利用本体扩展了对煤矿领域知识的形式化描述,解决了异构系统间概念共享的问题。结合证据理论处理本体推理中的不确定性问题,实现井下安全状况全面评估的基本思想是构建本体模型,形式化井下情境信息,定义相应的本体推理规则,根据监测到的环境信息,触发本体推理得出井下安全状况。在推理过程中,根据煤矿对各危险源的辨识和等级评估等信息,按危险程度确定每条推理规则的置信度,利用证据理论对相关规则进行融合,综合考虑多种环境信息,全面评估井下环境的安全状况。根据监测到的环境信息,评估井下安全状况的推理流程如图2所示。
具体分析如下:
步骤1:利用本体描述井下情境信息,并制定相应的推理规则,保存到知识库中。
步骤2:从传感器或监控设备中采集数据,构建相应的本体实例,保存在本体知识库中并触发本体推理。
步骤3:推理引擎调用推理规则库,并根据对应推理规则的置信度,分别构造其BPA函数。
步骤4:利用证据理论融合算法,整合相应的推理规则,得出推理结果。
步骤5:根据推理得出的井下环境的安全状况等级,及时报警处理。
图2 推理流程图
利用证据理论融合算法整合推理规则的具体步骤如下:
步骤1:检验规则之间是否存在冲突。两两计算,如规则rulei、rulej,其对应的BPA函数为mi、mj。利用式(4)计算rulei、rulej二者之间的冲突因子conf。设定阈值p,若conf≥p,则认为规则之间存在冲突,转步骤2;若不存在证据冲突,则转步骤6。
步骤2:利用式(4)计算每条规则与其他规则之间的冲突因子,构造冲突矩阵:
(5)
步骤3:计算规则rulei与其他规则之间的总支持度:
(6)
步骤4:计算规则rulei的权值:
(7)
步骤5:计算规则rulei的相对权值:
(8)
步骤6:根据相对权重,对原有规则rulei进行修正:
(9)
步骤7:采用DS组合规则对相应规则的BPA函数进行组合,得到推理结果。
为了验证证据理论和本体推理相结合的井下环境评估方法的有效性,首先查阅煤矿行业标准以及相关文献,根据井下环境参数与安全状况之间的对应关系,得出3种单项指标的等级划分标准如表1所示。
表1 等级划分
瓦斯浓度/%粉尘浓度/mg·m-3风速/m·s-1安全等级>1.0>10>4或<1报警0.6~1.07.0~103.5~4.0危险0.4~0.64.0~7.02.5~3.5或1~1.5中等<0.4<4.01.5~2.5安全
参照表1标准,并以从某煤矿获取到的200组数据对本文方法进行测试,部分测试数据如表2所示。试验的具体实现过程为:首先,建立煤矿领域本体模型,并分别构建有关瓦斯浓度、粉尘浓度、风速3种参数对应安全状况等级的推理规则;其次利用测试数据触发本体推理,通过对数据进行归一化处理,确定推理规则的置信度,构造BPA函数;然后利用本文改进的冲突证据合成方法进行规则的整合,综合考虑3种环境因素,评估作业场所的安全等级。
表2 测试数据(部分)
瓦斯浓度/%粉尘浓度/mg·m-3风速/m·s-1期望输出值10.348.073.12中等20.777.112.89危险30.355.652.45安全40.804.163.25危险50.728.722.65危险60.29.651.02安全70.725.581.04中等80.918.692.63危险90.175.231.85安全
试验结果表明,利用本体推理和证据理论相结合得出的评估结果与期望输出值基本相符,仅有5组数据偏离期望值,测试结果的准确率达到97.5%,有较好的效果,能够满足煤矿的实际需求。观察试验结果中出现偏差的几组数据,都比较接近于某一等级分布的临界值。误差与等级划分较为粗略有很大关系,因此可进一步细化等级分布使推理结果更为准确。试验证明,本文利用改进的证据理论对本体推理规则进行融合,综合考虑了井下多种监测信息,在一定程度上提高了准确率。同时,改进的冲突证据合成方法有效避免了冲突规则所带来的负面影响,充分发挥了证据理论的优良特性,保证了信息的精确性。
(1)针对煤矿井下环境复杂、情境信息难以描述,且危险因素众多具有不确定性,给出了一种证据理论和本体推理相结合的井下环境评估方法。
(2)采用本体模型对煤矿领域建模,处理了煤矿领域知识难以描述、共享、重用的问题。并构建了相应的本体推理规则,从本体推理的角度实现井下安全状况的评判。
(3)鉴于传统的依赖于单一监测数据评判井下安全状况造成的不确定性,以及本体推理中规则冲突的问题,引入证据理论对推理规则进行整合,消除规则之间的冲突,实现井下安全状况的全面评估。仿真结果表明,本文方法具有较高的准确性,为井下环境评估提供了一种新思路、新方法。
[1] 刘婷,潘理虎,陈立潮等.基于Jena推理机制的采煤工作面本体模型推理[J].煤矿安全,2017(8)
[2] 张河翔.信息融合技术在煤矿安全监控中的应用研究[D].重庆大学,2012
[3] 张从力,张河翔.信息融合技术在煤矿安全预测中的应用[J].计算机仿真,2012(5)
[4] 刘海波,黎永碧,王福忠.基于模糊神经网络和证据理论的瓦斯突出评判策略[J].上海理工大学学报,2016(2)
[5] 朱昱辰,王文才,杨磊.基于粗糙集理论的煤层自燃危险性评价[J].中国煤炭,2013(4)
[6] 刘诗源.信息融合在煤矿安全监测的应用研究[D].西南大学,2016
[7] 陈立潮,药慧婷,潘理虎等.煤矿掘进工作面本体模型智能推理研究[J].煤炭技术,2016(3)
[8] 徐守坤,孔颖,石林等.D-S证据理论和本体推理互补的活动识别方法[J].计算机工程与应用, 2016(4)
[9] 陈烨,刘渊.扩展D-S证据理论在入侵检测中的应用[J].计算机工程与科学, 2014(1)
[10] 刘伟韬,廖尚辉,刘士亮等.基于层次分析法和D-S证据理论的底板突水风险评估方法[J]. 煤炭技术, 2016(1)
[11] Lin Yun, Wang Can, Ma Chunguan, et al.A new combination method for multisensor conflict information[J]. Journal of Supercomputing, 2016(7)
[12] 张燕君,龙呈.一种改进的冲突表示方法[J].计算机应用研究,2013(6)
[13] 彭颖, 胡增辉, 沈怀荣.一种修正证据距离[J].电子与信息学报, 2013(7)
Zhang Yingjun, Li Wanwan, Pan Lihu, et al. Evaluation of underground environment based on evidence theory and ontology reasoning [J]. China Coal, 2018,44(10):130-134.