一种煤矿井下人因安全风险预测方法

本发明属于采矿技术领域，具体涉及煤矿井下人员安全风险预测方法和系统。

背景技术：

在所有导致我国煤矿重大事故的直接原因中，人因事故所占比率高达97.67%。在我国，矿工群体存在整体文化水平低、收入低、技术素质偏低、工人管理层逆反心理严重等问题。人在生理、心理、社会、精神等方面的特点存在较大的可塑性和难控性，面对如此严峻的安全管理形势，建立科学、实用的人因风险预测模型，是有效预防煤矿安全隐患、减少或避免安全事故发生的重要手段。

技术实现要素：

本发明的目的是克服上述现有方法存在的不足，提供一种煤矿井下人因安全风险预测方法，为实现上述目的，本发明采用以下技术方案：一种煤矿井下人因安全风险预测方法，包括以下步骤：

s1.采集数据，通过对煤矿事故分析，提出潜在风险的原因，建立评分指标，并对煤矿进行实际考察，收集数据，形成统计特征

s2.数据预处理，对采集的数据进行缺失补全、异常值处理和归一化处理后照8:2的比例切分成训练集和测试集；

s3.利用训练集样本数据确定神经网络拓扑结构；

s4.设置灰色关联分析算法相关参数并与bp神经网络模型相结合,利用训练集本对优化的神经网络的初始权值和阈值,得到风险预测模型；

s5.将灰色关联分析法优化后的神经网络模型进行应用，并定期将有收集的数据输入到模型训练。

优选的，所述s1中从实地问卷抽样调查并综合业内专家和煤矿管理者意见进行修改和补充，最终确定习惯性行为主要受个体、管理、组织及工作本身4个层面。结合煤矿工作的具体情况和相关学者对煤矿不安全行为可靠性的研究，在个体因素方面，选取文化水平(受教育年限)、情感变化、家庭、年龄、心理应激;在工作因素方面上，选取作业环境、作业时间、反应安全隐患及事故症候积极度、工作压力、注意力持续集中时间、技术熟练度在管理因素方面，选取安全监管、定期进行安全培训与考核、应急水平作为主因素。建立了煤矿井下人因安全风险预测体系与评分指标。

优选的，所述s2中神经网络的输入量使用的为通过s1建立的指标体系收集来的数据，共14项。步骤s2对s1采集的数据进行缺失补全、异常值处理。由于各个指标的单位不同，数值差异较大，在输入训练之前需要对原数据变量进行归一化处理，使其处于同一量纲，所述归一化处理包括归一化处理和反归一化处理。其描述公式为：

归一化处理的表达式为:

(1)

反归一化处理表达式为:

(2)

其中，xmax，xmin分别为训练样本输入参数的最大值、最小值；xi、yi分别为输入样本归一化前后的值。

优选的，所述s3中输入层神经元数根据所述的s1的指标体系确定，共14项；输出层神经元数根据目标值确定，共1项，为人因安全风险预测结果；且隐含层神经元数通过输入层神经元数和输出层神经元数确定。其描述公式为：

(3)

其中，r为隐含层神经元数，m为输入层神经元数，n为输出层神经元数。

优选的，所述s4中设置灰色关联分析算法相关参数并与神经网络模型相结合，在编码时个体编码方式为实数编码，通过s1所选取的指标进行设定bp神经网络的权值w、阈值b；w，b的取值范围利用插值法选取个体的一组实数集建立白化权函数，确定神经网络的初始权值和阈值组合(w,b)，进而得到性能最优的bp神经网络模型。准确得出人因安全风险预测结果。根据灰色关联分析（gm）结合bp神经网络进行结果预测，具体步骤如下：

步骤1：计算绝对关联度g0i。

(4)

式中：s0为参照数列的始点零化像的有向面积；si为对比数列的始点零化像的有向面积。

根据收集的数据，令|si|、|s0|、|si-s0|为：

(5)

(6)

(7)

式中：为参照数列的始点零化像；为对比数列的始点零化像。

(8)

式中：xi(k)为第i个因素关于第k个对象的观测数据。

步骤2：计算灰色相对关联度γ0i。

(9)

式中：为参照数列初值像的始点零化像的有向面积；为对比数列初值像的始点零化像的有向面积。

求出xi的初值像：

(10)

令：

(11)

式中：为第i个因素关于第k个对象的初始值数据；为数列初始值的始点零化像。并将所得结果和带入阈值w和权重b。

步骤3：计算预测结果。

将计算出的（w，b）各层权值阈值带入bp神经网络模型，从输出到输入的方向进行计算。bp神经网络模型建立，数学模型如下：

(12)

(13)

(14)

其中，t为当前时刻，x(t)为隐含层的输出值,u(t-1)为前一刻网络的输出值,xc(t)为承接层的输出，y(t)为预测网络的输出值,w1、w2、w3分别表示隐含层到输入层、输入层到隐含层、承接层到隐含层的连接权值，b1、b2分别为隐含、输出层中的阈值，g(·)为输出神经元的传递函数，是中间层输出的线性组合，一般选用线性的purelin函数，f(·)为隐含层神经元的传递函数，一般取sigmoid函数。根据训练得出人因安全风险预测结果。

优选的，所述s5中通过不断进行所述s1到s4的过程，收集数据，灰色bp神经网络通过不断的训练，可以更一步提高人因安全风险预测结果的精度。

本发明的有益效果：

（1）本发明中灰色bp神经网络具有需求数据量小，可以降低人的主观因素的影响预测结果的特性，特别适用于煤矿井下人因安全风险预测；

（2）本发明中灰色关联分析法对bp神经网络模型进行输入层参数自动调优，在全局进行优化搜索获取最优权值阈值，克服了传统bp神经网络收敛过程不稳定、收敛速度慢、容易陷入局部最优等缺点，提高了bp神经网络的稳定性和泛化能力。

附图说明：

图1是一种煤矿井下人因安全风险预测方法的流程图；

图2是灰色bp神经网络预测结构图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1

本发明提供一种技术方案：一种煤矿井下人因安全风险预测方法，包括以下步骤：

s1.采集数据，通过对煤矿事故分析，提出潜在风险的原因，建立评分指标，并在山西、陕西等地的煤矿进行实际考察，收集数据；

s2.数据预处理，对采集的数据进行缺失补全、异常值处理和归一化处理后照8:2的比例切分成训练集和测试集；

s3.利用训练集样本数据确定神经网络拓扑结构；

s4.设置灰色关联分析算法相关参数并与神经网络模型相结合,利用训练集本对优化的神经网络的初始权值和阈值,得到风险预测模型；

s5.将灰色关联分析优化后的神经网络模型进行应用，并定期将有收集的数据输入到模型训练。

本发明通过灰色关联分析及神经网络建立的模型，可以有效的降低人的主观因素和数据量过小对预测结果的影响，特别适用于安全风险预测。

本发明提出了一种煤矿井下人因安全风险预测方法。优选的，该方法首先实地问卷抽样调查并综合业内专家和煤矿管理者意见进行修改和补充，最终确定习惯性行为主要受个体、管理、组织及工作本身4个层面。结合煤矿工作的具体情况和相关学者对煤矿不安全行为可靠性的研究，在个体因素方面，选取文化水平(受教育年限)、情感变化、家庭、年龄、心理应激;在工作因素方面上，选取作业环境、作业时间、反应安全隐患及事故症候积极度、工作压力、注意力持续集中时间、技术熟练度在管理因素方面，选取安全监管、定期进行安全培训与考核、应急水平作为主因素，建立了人因风险预测指标体系。根据灰色关联分析法与bp神经网络搭建了预测模型，通过灰色关联分析法的优化，解决了输入参数的存在的数据量较小、降低人的主观因素的影响。并进一步进行输入层参数自动调优，在全局进行优化搜索获取最优权值阈值，提高预测结果的准确性，为煤矿工作人员生命健康提供进一步的保障。具体指标分类见表1。

表1为人因安全风险评价标准

本实施例中，优选的，所述s2中神经网络的输入量使用的为通过s1建立的指标体系收集来的数据，共14项。s2对s1采集的数据进行缺失补全、异常值处理。由于各个指标的单位不同，数值差异较大，在输入训练之前需要对原数据变量进行归一化处理，使其处于同一量纲，所述归一化处理包括归一化处理和反归一化处理。其描述公式为：

归一化处理的表达式为:

(15)

反归一化处理表达式为:

(16)

其中，xmax，xmin分别为训练样本输入参数的最大值、最小值；xi、yi分别为输入样本归一化前后的值。

原数据经过归一化处理将其映射到[0,1]区间，有效地消除了原变量因量纲不同和数值差异太大而带来的影响，模型得到的预测值最后通过反归一化处理还原得到真实的数值。

本实施例中，优选的，所述s3中输入层神经元数根据所述的s1的指标体系确定，共14项，输出层神经元数根据目标值确定，共1项，为人因安全风险预测结果；且隐含层神经元数通过输入层神经元数和输出层神经元数确定。其描述公式为：

(17)

其中，r为隐含层神经元数，m为输入层神经元数，n为输出层神经元数。

神经网络是一种典型的反馈神经元网络，所述的bp神经网络包括输入层、隐含层、输出层和承接层，所述输入层的神经元用于起到信号传输作用,所述输出层的神经元用于起到线性加权作用，所述隐含层的激励函数选择线性或者非线性函数,所述承接层自联到隐含层的输入,实现对隐含层的输出的延迟与存储。

优选的，所述s4中设置灰色关联分析算法相关参数并与神经网络模型相结合，在编码时个体编码方式为实数编码，通过s1所选取的指标进行设定bp神经网络的权值w、阈值b；w，b的取值范围利用插值法选取个体的一组实数集建立白化权函数，确定神经网络的初始权值和阈值组合(w,b)，进而得到性能最优的bp神经网络模型。准确得出人因安全风险预测结果。根据灰色关联分析（gm）结合bp神经网络进行结果预测，具体步骤如下：

步骤1：计算绝对关联度g0i。

(18)

式中：s0为参照数列的始点零化像的有向面积；si为对比数列的始点零化像的有向面积。

根据收集的数据，令|si|、|s0|、|si-s0|为：

(19)

(20)

(21)

式中：为参照数列的始点零化像；为对比数列的始点零化像。

(22)

式中：xi(k)为第i个因素关于第k个对象的观测数据。

步骤2：计算灰色相对关联度γ0i。

(23)

式中：为参照数列初值像的始点零化像的有向面积；为对比数列初值像的始点零化像的有向面积。

求出xi的初值像：

(24)

令：

(25)

式中：为第i个因素关于第k个对象的初始值数据；为数列初始值的始点零化像。并将所得结果和带入阈值w和权重b。

步骤3：计算预测结果。

将计算出的（w，b）各层权值阈值带入bp神经网络模型，从输出到输入的方向进行计算。bp神经网络模型建立，数学模型如下：

(26)

(27)

(28)

其中，t为当前时刻，x(t)为隐含层的输出值,u(t-1)为前一刻网络的输出值,xc(t)为承接层的输出，y(t)为预测网络的输出值,w1、w2、w3分别表示隐含层到输入层、输入层到隐含层、承接层到隐含层的连接权值，b1、b2分别为隐含、输出层中的阈值，g(·)为输出神经元的传递函数，是中间层输出的线性组合，一般选用线性的purelin函数，f(·)为隐含层神经元的传递函数，一般取sigmoid函数。根据训练得出人因安全风险预测结果。

具体的灰色神经网络示意图见图2

本实施例中，优选的，所述s5中通过不断进行所述s1到s4的过程，收集数据，灰色bp神经网络通过不断的训练，可以更一步提高人因安全风险预测结果的精度。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。