动态安全评价及预测技术研究

摘 要 煤炭工业是我国社会经济发展的基础产业和支柱产业，同时也是具有高风险性的行业， 煤矿安全是煤炭行业取得可持续性发展的核心问题。因此，探究控制煤矿安全风险的有效措施具有重要的现实意义，笔者结合国内外相关先进文献，构建了符合本矿实际并以神经网络为基础的煤矿动态安全评价体系与预测技术模型，详情下文所示。

关键词 煤矿；动态安全评价；预测技术；研究

中图分类号TD82 文献标识码A 文章编号 1674-6708（2014）106-0052-02

煤炭行业在国民经济中占有重要的地位，但是煤炭开采过程中的安全评估与管理问题一直未得到妥善的解决，总体形势并不乐观，职业危险也较为严重，我国煤矿尘肺病患者保持着每年新增1万人的增长速率，风湿、腰肌劳损也是常见的职业病，我国煤矿每年因人身事故引发的经济损失高达35亿以上，煤矿生产带来的安全事故不仅时时刻刻威胁着生产人员的生命健康安全，对企业与社会也将造成巨大的损失。造成煤矿生产安全事故频频发生的原因是多种多样的，那么如何在短时间内改进并取得可观的效果则为煤矿企业安全管理工作的核心，所以，实施煤矿动态安全评价及预测技术的探究工作，使煤矿运行系统的安全分析、与预测作为安全管理的重要部分，使其在煤矿安全生产管理的作用得到充分的发挥。

1 动态安全评价及预测技术的基本概念

1.1 安全与事故

事故的普遍性说明了不存在绝对的安全，与其他事物相比，事故也有自身发生、发展、消失的过程，这提示我们事故是具有可控性的，系统预防原则要求在事故预防的工作中，不但要将人为因素纳入考虑范围，还应综合考虑机、环境、管理其他要素。安全工作的最终目的是避免一切事故发生的可能性，或尽最大程度降低事故发生后所导致的损失，因此，一定要采取措施将有可能引发安全事故的一切危险因素于其引发损失之前予以消除，与此同时鉴别事故的危险程度，对事故进行分析与评价。

1.2安全评价

安全评价主要是对当前系统所存在的危险系数开展评估，并为整个煤矿运行系统的安全水平进一步改进与事故的预防提供信息参考依据。在生产过程中，对隐藏于目标评价系统中的风险因素进行确认并进行量与性的分析，从而对当前系统整体状态下的所存在的风险因子给出有关定论与定量的分析结论，并制定出相应的解决错略，凭借现有的技术水平对危险因子逐步消除或降低危险程度，使被评价系统处于安全状态之下。

1.3 安全预测

虽然事故表面具有偶发性或随机性，但实质上也具有一定的规律可循。虽然极个别安全事故带有不确定性，但大多数事故还是呈现出规律性，因此，进行事故预测是具有可操作性的。安全预测技术涉及事故的预测，但并非仅仅为事故预测，安全预测可根据当前煤矿系统总体运行状态与既往运行状态下危险系数的不同，通过构建数学预测技术模型，对未来某个时间段下的煤矿系统运行时的危险程度实施预测分析，以此达到控制危险系数增长的目的，将煤矿运行系统维持于安全的状态下，安全预测技术的首要之务就是建立相应的数学安全预测技术模型。

2 基于神经网络的煤矿动态安全评价模型的构建

神经网络即为人工神经网络，在神经网络的诸多算法中，误差反向传播算法（BP）是被广泛使用的方法，因此，使用BP的神经网络又被称为 BP神经网络。BP网络被广泛用于数据压缩、模式识别/分类等，是人工神经网络的核心所在，以下笔者将着重分析BP神经网络在安全评价体系中的应用及煤矿动态安全评价模型的构建。

2.1 BP神经网络算法[1]

BP法即为迭代法，由工作信号的正向传播与误差信号的反向传播所构成。r代表神经元输入，T代表目标矢量，P代表网络输入，A代表输出，Sl表示隐含层神经元数，fl表示神经元激活函数；S2表示输出层神经元数，f2表示神经元激活函数。

1） 工作信号的正向传播：若输入的工作信号进入输出层却无法以预计效果进行输出，则可以误差信号的方式实施反向传播。

2）误差信号的反向传播：实际网络输出与预期网络输出间的差即为误差信号，由误差反向传播来对网络权值实施调节，可通过调整权值使误差降至最小，实际网络输出与预期网络输出更接近。

输出层权值的变化：

可得出：。

基于确定煤矿安全动态评价体系与各个指标的安全分级标准的前提下，将安全评价指标体系的权值分解为反映评价指标不同属性对煤矿安全影响的权值，以及不同安全等级下属的各区域评价指标值对煤矿安全影响程度等级权值。

3 安全预测技术的研究

煤矿安全预测技术实质上是对时间数据的预计与分析处理工作，是非线性系统，一般采用NARMA模型进行预测，但该模型要想找到适当的参数估计方法有一定的困难。所以，将神经网络用于非线性系统模型的构建与识辨，更利于给出可行的算法。

3.1 煤矿安全预测参数的选取

可反映煤矿安全状况的因素较多，但在时间序列预测中应考虑可全面体现安全动态性变化的预测指标。百万吨死亡率一直是为煤矿企业与外界所公认的可体现煤矿生产运行系统安全情况的有力依据，也可作为煤矿安全考核的重要参照，所以，将百万吨死亡率作为预测模型的参数较为适合。但若目标煤矿近年来的百万吨死亡率为0，则可考虑使用千人负伤率来作为替代[2]。

3.2预测技术模型的构建要素

基于神经网络下的误差反向传播法来作为构建安全预测技术模型的基础，在使用BP神经网络的过程中，需遵循以下步骤与方法：

将数据输至输入层，当输入层接收到传入的信息之后，迅速计算出权值之和，再使用传递函数将信号输入中间层，然后再传输至输出层，如下所示：

将实际网络输出与预期输出间的数据进行对比，若数据误差超出规定值范围，则将误差由输出层传送至输入层。在此环节中，对单元间的连接权重进行相应的修改，权值变量为：Wij=lr×E×f（I）。待输出层的误差返回至中间层后，采用初步计算时所采用的权值进行计算。每个输出层所得的误差权值之和为中间层的净误差，公式为：

3.3 预测误差值的测量

用己经完成训练的神经网络来对时间序列进行预测，对训练过的网络性能进行评价时要用检验时间序列来进行评价。若已知网络预测值Oi、序列实际值ti、第i项预测的实值，则用以评价网络总体性能的指标与方法主要分以下几类：[3]

1）均方根RMS法：根据下式得到n次试验结果的平均方差，RMS为绝对值，与被预测序列的幅值无直接关联。

2）平均相对误差 （MRE）：实际值没有0出现时，可用下式计算得出：

3）均方差（MSE）：n次试验结果的均方差，可由下式得到：

3.4 网络参数的选取

网络内部参数主要由网络权值矢量W、偏差矢量B组成。有如下确定方法：采用函数发生器中的自动变量来赋初值；或根据当前系统的实际情况来使用人工赋值。考虑到神经网络自身的特征，通过函数发生器来给出赋初值不会对网络结果的精准度造成影响。因此，笔者在实际工作中采用函数发生器对变量赋初值。

4结论

本文以煤矿动态安全评价及预测技术的几个基本概念为切入点，为煤矿的安全评价与管理工作的有效开展提供了理论支撑。在对矿井安全状况开展分析、评估、研究的基础上，建立了以神经网络为基础的煤矿动态安全评价体系及以神经网络为基础的安全预测技术，在考虑到神经网络技术特性的前提下，确立了具有误差反向传播作用并能对网络形态实施动态训练的BP神经网络作为煤矿安全评估的模型，笔者还介绍了煤矿网络系统下的安全性评估设计与学习的步骤，建立了基于神经网络的非线性安全评价模型，建立了在拥有历史数据基础预测问题上的神经网络预测技术，总结出了一套对煤矿安全评价与安全生产管理皆具指导性意义的成果。

参考文献

[1]赵红梅，陈开岩，王超.关于我国煤矿百万吨死亡率的灰色预测探讨[J].矿业安全与环保，2006，4：38-40.

[2]杨智懿，熊亚选，张乾林.工作面瓦斯涌出量的神经网络模型预测研究[J].煤炭工程，2004，10：73-75.

[3]贵武.权重信息不完全的多属性决策的灰色关联分析法[J].数学的实践与认识，2007，19：45-46.