煤矿工作面安全状态的大数据群智感知协同预测方法

本发明涉及煤矿安全，特别涉及一种煤矿工作面安全状态的大数据群智感知协同预测方法。

背景技术：

1、大数据、云计算和物联网是智慧煤矿的三大支撑，随着煤炭行业工业化和信息化的逐步深度融合，采用先进的信息化技术解决煤炭行业在智能化、智慧化转型中的问题成为迫切需求。煤矿工作面安全状态的大数据研究主要是针对施工的工人、机械与环境的理论要求，以及具体运转场景中的实际监测数据展开探究、建模、预测警示以及机械学习。因此，想要有效地展现信息化设备与智能化在安全施工管控工作中的效用，需要应用大数据技术合理地处理矿井施工信息的传递、保存和处理，通过有效地研究与监管各种场景问题发生的特性，从而确保矿井施工的安全性。

2、资源间的相互协作是煤炭开采永不过时的话题，也是衡量一家煤炭企业发展情况的重要指标。新一代智能煤炭领域的关键特征是人-机-环的协作。将人-机-环这三种不同的因素关联起来，分析其在煤矿安全生产中的相互影响，用以加强企业安全管理，提高运营效率，降低运营成本等研究具有重要的意义。在大数据技术支持下，构建基于“人-机-环”群智感知协同预测模型，有助于提高煤矿工作面安全状态的预测精度。根据人员、设备与环境共同阐述安全判断准则，围绕矿井主要危险环境展开感知、监管、探究，从人员、设备、环境等几个层面创建多维度的矿井安全评估预测。

3、煤矿井下生产过程复杂，环境恶劣，自然灾害多，严重影响生产和危害人身安全。在煤炭开采过程中，井下的安全环境持续发生着动态变化，单个智能体需要与其他智能体进行交互与协作。由于煤炭企业中单个智能体感知范围有限、参数优化能力差，因而煤矿井下安全生产的群智协同决策成为亟待解决的问题。

技术实现思路

1、本发明提供了一种煤矿工作面安全状态的大数据群智感知协同预测方法，利用多源数据之间的信息互补，设计多源数据的差异表示和学习模式，根据井下人员的运动轨迹以及支架设备的矿压值，协同预测井下人员在煤矿支架下的安全状态。

2、本发明提供了一种煤矿工作面安全状态的大数据群智感知协同预测方法，包括：

3、构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；

4、构建adi-aacnet算法，并利用所述adi-aacnet算法预测煤矿井下支架群组的矿压值；

5、根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，

6、根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。

7、进一步地，所述构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹的步骤，包括：

8、进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识；

9、采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为；

10、采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹。

11、进一步地，所述进行所述煤矿井下人员之间关系的图表示，所述图的顶点表示所述煤矿井下人员之间的社会互动，边的权值表示所述煤矿井下人员之间的相互影响程度，同时确定新的核函数作为所述煤矿井下人员之间群体关系的先验知识的步骤，包括：

12、构建一组图gt，表示在每个时间t处场景中所述煤矿井下人员的相对位置，图定义为gt＝(vt,et)，其中是图gt的顶点集，观察到的位置是的元素；是图gt中的边集。如果和连接，则否则为了对两个顶点间的相互影响程度进行建模，引入一个参考指标该值由核函数计算得出；将核函数视为所述煤矿井下人员之间群体关系的先验知识，构建加权邻接矩阵at，并引入作为核函数，用于邻接矩阵at中；的定义为：

13、进一步地，所述采用时空图卷积神经网络对所述煤矿井下人员轨迹的图表示进行时空卷积运算以提取特征，分析出嵌入在图中的时空节点，表示人员之间预期的社会行为的步骤，包括：

14、通过所述煤矿井下人员轨迹的图表示，引入定义在图上的时空卷积运算，对于在二维网格图或特征图上定义的卷积运算，卷积运算为：

15、

16、其中，k是核的大小，p(·)是以z为中心汇总邻域信息的采样函数，σ是一个激活函数，l表示层数；空间卷积运算的定义为：

17、

18、其中，是一个标准化项，ω是相邻集的基数，b(vi)＝{vj|d(vi,vj)≤d}是顶点vi的相邻集合，d(vi,vj)表示连接vi和vj的最短路径；

19、通过定义一个新的图g将空间卷积扩展到时空卷积，g包含了人员轨迹的时空信息；

20、g1,...,gt的拓扑结构是相同的，而当t变化时，将分配不同的元素值；将g定义为(v,e)，其中包含顶点集v＝{vi|i∈{1,...,n}}和边集g中顶点vi是gt中的集合，其中与g对应的加权邻接矩阵a是{a1,...,at}的集合，时空图卷积神经网络的功能是提取出嵌入在图中的时空节点，嵌入的时空节点表示为

21、邻接矩阵a是{a1,...,at}的堆栈，使用以下形式对称地规范化：

22、

23、其中，和λt是的对角节点度矩阵，使用和λ分别表示和λt的堆栈；

24、vt(l)表示时间步长t网络层l的顶点值，假设v(l)是vt(l)的堆栈，可以实现时空图卷积神经网络如下：

25、

26、其中，w(l)为第l层处可训练参数的矩阵。

27、进一步地，所述采用时间推理卷积神经网络预测未来的所述煤矿井下人员运动轨迹的步骤，包括：

28、时间推理卷积神经网络由一系列残差连接的cnn组成，给定一个场景中的n个人员及其相应的轨迹在时间段t0内，预测在未来的时间范围tp内即将得到的轨迹对于人员n，将相应的轨迹写为其中是描述人员n在t时刻位置概率分布的随机变量；假设服从二元高斯分布，从而使将预测的轨迹表示为其服从估计的二元分布训练模型以最小化负对数似然函数，其定义为：

29、

30、其中，w包含了模型的所有可训练参数，为分布的平均值，为方差，为相关性。

31、进一步地，构建adi-aacnet算法，并利用所述adi-aacnet算法预测煤矿井下支架群组的矿压值的步骤，包括：

32、采用绝对关联度算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵；

33、基于自回归的注意力机制卷积网络预测所述煤矿井下支架群组的矿压值；其中，所述自回归的注意力机制卷积网络包括注意力机制的卷积网络和自回归模型，所述注意力机制的卷积网络对不同时刻历史信息的重要性进行评估，所述自回归模型克服卷积网络对波动数据的不敏感。

34、进一步地，所述采用绝对关联度算法，根据相邻区域传感数据的时间相关与空间相关的特征，分别构建关联系数矩阵的步骤，包括：

35、确定数据的母序列和子序列，即比较序列；设xi为一个数据序列，记为xi＝(xi(1),xi(2),...,xi(n)),i＝0,1,2,...,m，其在序号k上的数据为xi(k),k＝1,2,...,n；母序列为x0＝(x0(1),x0(2),...,x0(n))，其余序列为子序列；

36、对母序列和子序列均进行初始点零化处理，记为即令：

37、

38、母序列初始点零化处理后可表示为子序列为则推导可知：

39、

40、

41、计算x0与xi关于第k个数值的关联系数，其计算公式为：

42、

43、计算第i个子序列与母序列的关联系数均值，作为母序列与子序列间的绝对关联度；由于是通过各因素构成的时间序列态势变化反映因素间的关联程度，而t＝1时刻无变化率，故只有n-1个时间点参与运算，其公式如下：

44、

45、通过母序列与子序列进行绝对关联度分析，构建关联系数矩阵γm为：

46、

47、其中，γ01(x0,x1)为母序列x0与子序列x1的绝对关联度，通过分析关联系数矩阵γm，判断母序列同各相关因素所构成的子序列间的相关性强弱；

48、考虑空间相关性，支架g0上矿压数据与周边2q个支架上的矿压数据相关，假设q＝2，即支架g0上矿压数据与周边4个支架(gi,i＝1,...,4)上矿压数据相关，为t时刻支架g0的矿压数据同周围4个支架上矿压数据的加权向量：

49、

50、其中，w0i为支架g0与周边4个支架(gi,i＝1,...,4)的关联权重，w0i是由支架g0与支架(gi,i＝1,...,4)间的绝对关联度计算得出w0i＝γ0i，表示t时刻第i个支架gi的传感器测得的矿压数据；

51、考虑时间相关，假设第t+1时刻的矿压数据与之前b时刻的矿压数据相关，则b为回看时间，第t+1时刻，支架g0上的矿压数据的时空输入矩阵为

52、

53、进一步地，所述基于自回归的注意力机制卷积网络预测所述煤矿井下支架群组的矿压值的步骤，包括：

54、aacnet的卷积层由多个宽度ω和高度n的滤波器组成，第k个滤波器输入矩阵x得到：

55、hk＝relu(wk*x+bk)

56、其中，relu函数为relu(x)＝max(0,x)，wk表示卷积核，*表示卷积操作，bk表示偏置，输出hk是一个向量，通过在输入矩阵x的左边填充零来使每个向量hk的长度为t，卷积层的输出矩阵的大小为dc×t，其中dc表示滤波器的数量；

57、卷积层的输出被送入到循环模块，该模块是带有门控循环单元gru的循环层，并使用relu函数作为隐藏的更新激活函数，t时刻循环单元的隐藏状态可以表示为：

58、rt＝σ(xtwxr+ht-1whr+br)

59、ut＝σ(xtwxu+ht-1whu+bu)

60、ct＝relu(xtwxc+rt⊙(ht-1whc)+bc)

61、ht＝(1-ut)⊙ht-1+ut⊙ct

62、其中，rt和ut为门控循环单元gru中的重置门和更新门，ct表示当前时刻的候选隐藏状态，wxr、wxu、wxc和whr、whu、whc分别为当前时刻的输入权重和循环输入权重，σ为sigmoid函数，⊙是元素的乘积，br、bu、bc表示偏置，ht为最终要计算的t时刻循环单元的隐藏状态，该值通过更新门对上一时刻的隐藏状态ht-1和当前时刻的候选隐藏状态ct进行更新而得到；

63、引入注意力机制对不同时刻历史信息的重要性进行评估，注意力机制的计算公式为：

64、

65、

66、

67、其中，表示t时刻的输出序列需要关注t′时刻隐藏状态的程度，wh和bh为网络参数，ht-1为上一时刻循环单元输出的隐藏状态，ht′为t′时刻的隐藏状态，通过softmax函数，计算出t′时刻的关注程度占所有时刻关注程度的比重并以此得到t时刻的总权重因子rt；

68、最终，引入注意力机制的循环层输出结果为：

69、

70、aacnet分解为一个线性部分和一个非线性部分，在aacnet的结构中，采用经典的自回归模型作为线性模块，自回归模块的预测结果表示为自回归模型的系数为和其中qar为输入矩阵上输入窗口的大小，其中，所有维度都共享同一组线性参数；自回归模型的公式如下：

71、

72、将注意力机制卷积网络和自回归模型的输出相结合，得到aacnet的最终预测结果：

73、

74、其中，表示模型在时间戳t的最终预测结果。

75、本发明还提供了一种煤矿工作面安全状态的大数据群智感知协同预测装置，包括：

76、第一构建模块，用于构建群体-时空图卷积神经网络，并利用所述群体-时空图卷积神经网络预测煤矿井下人员的运动轨迹；

77、第二构建模块，用于构建adi-aacnet算法，并利用所述adi-aacnet算法预测煤矿井下支架群组的矿压值；

78、获取模块，用于根据所述煤矿井下人员运动轨迹的预测结果和所述煤矿井下支架群组矿压值的预测结果获取人员与支架的时空位置关系，

79、确定模块，用于根据所述人员与支架的时空位置关系，确定当支架的矿压值大于设定值时，所述支架下的人员处于危险环境中，以及当所述支架的矿压值处于正常范围内时，所述支架下的人员处于安全状态中。

80、本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

81、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

82、本发明的有益效果为：

83、本发明的煤矿工作面安全状态的大数据群智感知协同预测方法，包括人员运动轨迹预测与支架群组的矿压值预测的两个方面，人员运动轨迹预测包括群体-时空图卷积神经网络，把人员之间的复杂相互作用关系通过图的拓扑结构进行表示。支架群组的矿压值预测包括adi-aacnet算法，针对矿压数据在支架间存在的分布特征和转移规律，充分挖掘矿压序列在时空上的关联程度；通过大数据群智感知理论，利用人员运动轨迹和支架群组矿压值的预测结果获取人员与机器的时空位置关系，判断人员在支架下工作时是否处于危险环境，能够更有效地指挥生产、处理和解决出现的各种问题和事故。