一种基于数据挖掘技术的煤矿安全事故预测方法

1.本发明涉及采矿与安全科学技术领域，具体涉及一种基于数据挖掘技术的煤矿安全事故预测方法。


背景技术：

2.随着“互联网 煤矿”智慧矿山建设进程的不断深入，煤矿生产领域积累了大量的煤矿安全原始数据，如何充分利用这些数据得到有效的事故预防手段是目前研究的热点问题，互联网大数据时代，数据挖掘、人工智能等技术已经成为安全研究的重要方法；事故致因分析一直是安全科学的重要研究方向，事故致因2-4模型经过十余年的发展与完善，以及被证明是分析事故致因的有效理论，其能够确切全面表达事故背后的多层因素，实现事故预防，将“2-4”模型同复杂网络理论以及数据分析方法结合起来，能够精准地揭示事故的发生机理，有效地预防煤矿安全事故；“2-4”模型为事故致因分析提供了科学的分析方法，但目前尚缺乏“2-4”模型与数据挖掘技术的融合研究，面对数据时代庞大的事故案例数量，传统的方法无法充分挖掘事故发生过程的特征，进而影响到事故预测的精度；本发明目的在于克服目前现有方法存在的不足，提供一种基于数据挖掘技术的煤矿安全事故预测方法。


技术实现要素：

3.为实现上述目的，本发明采用以下技术方案：一种基于数据挖掘技术的煤矿安全事故预测方法，包括以下步骤：
4.s1.构建煤矿事故数据库，基于事故致因2-4模型分析事故风险因素的构成；
5.s2.根据事故发生过程，构建该事故的事故致因链，利用复杂网络理论建立煤矿事故风险传导加权网络模型，定义事故致因节点的结构属性和自身属性；
6.s3.通过计算风险网络的节点度、聚类系数、介数中心性等网络拓扑特征，分别从“节点—局部模块—全局连接”三个维度阐述网络结构和节点间的耦合关系，揭示事故致因机理；
7.s4.提出一种事故致因链相似度的算法，分别计算出事故致因路径的节点相似度、边相似度以及总路径相似度；
8.s5.对数据库中事故致因链进行训练，计算其相互间的相似性，并定期将收集到的数据输入到数据库自动进行训练；本发明结合复杂网络理论提出了事故致因链相似度的计算方法，利用大数据技术对可能发生的事故进行预测，能够有效地提升预测准确性。
9.优选的，所述s1中构建历年事故案例库，在事故案例库中应包含与事故有关的所有元素信息，包括时间、空间位置、人员信息、企业安全文化因素、安全心理、生理不佳因素、组织外部的监管、自然因素，以及社会政治、经济、法律、文化因素等。
10.利用2-4事故致因理论模型对事故进行全面分析，将原因分为组织内部原因和外部原因，其内部原因分布在组织与个人两个层面上；组织层面上的原因分为安全文化、安全管理体系，个人层面上的原因分为习惯性行为和一次性行为与物态。
11.优选的，所述s2中，从复杂系统理论角度解释事故的发生过程，可以认为各事故致因节点间相互的耦合作用导致了事故的形成以及风险因子的传播，并最终导致事故的发生，基于复杂网络理论对煤矿事故的发生过程进行建模，可将节点间的相互作用关系和风险在节点间的传导过程清晰地展示出来。
12.在建立复杂网络模型时，对于单起事故的发生过程，将事故致因因素作为事件节点，将事故后果作为后果节点，节点之间的耦合关系作为边，根据事故发生时各事件节点间的先后逻辑关系，构建一条事故致因链。
13.根据节点耦合关系，构造节点间的邻接矩阵，利用社会分析类软件建立煤矿事故网络模型。
14.优选的，所述s3中，计算事故致因节点的拓扑参数，包括节点度、点介数、边介数、聚类系数等参数。
15.首先计算节点度，节点度指标描述了事故致因节点的临近节点的个数，体现了该节点与周围节点之间建立直接联系的能力，是评估网络节点时应用最普遍的指标；节点度分为入度值、出度值和总度值，其中总度值如式(1)：
[0016][0017]
计算节点的累计度分布，节点度的累积度分布可用于分析事故致因网络属性，是认识网络的关键一步，将为进一步研究网络的结构特性奠定基础，表示为式(2)，网络中度为k的节点的数目占网络中节点总数目的比值；
[0018]
p(k)＝nk/n (2)
[0019]
其中，p(k)表示节点的累计度分布，nk表示度为k的节点的数目，n为节点总数。
[0020]
计算介数如式(3)，介数通常分为节点介数和边介数两种，反映的是相应的事故致因节点或者边在整个网络结构中的连接能力，是一个重要的全局几何量，节点或边的介数值越高，则说明该节点或边在事故致因网络中承担着“交通枢纽”的位置，是需要防范的重点致因因素。
[0021][0022]
其中，σ
st
(v)表示表示经过节点v的s
→
t的最短路径条数，σ
st
表示s
→
t的最短路径条数。
[0023]
计算聚类系数，如式(4)，ci为节点i的聚类系数，ki为与节点i直接相连的节点的个数，ei为这ki个节点之间实际存在的边的数量。
[0024][0025]
聚类系数用于衡量网络团块化、集团化程度的重要参数，聚类系数值的大小代表网络中的交互关系的强弱，网络结构越复杂，说明网络传导效率越高，即越容易发生事故。
[0026]
优选的，所述s4中，提出一种事故致因链相似度的算法，分别计算出事故致因路径的节点相似度、边相似度以及总路径相似度。
[0027]
为准确预测可能发生的事故类型及严重程度，需考虑路径的元素特征包含节点特征和边的特征，任意两条路径之间相似度主要由两者拥有的共同的节点和边序列决定。
[0028]
计算边序列，边序列表示由节点组成且具有方向性的链路，根据公式计算两条路
径间的边相似度。
[0029]
计算节点序列，节点序列是由路径的所有节点构成的序列，根据公式计算两条路径的节点相似度。
[0030]
计算路径总相似度，将节点相似度和边相似度以一定比例加权求和即为两条路径的相似度。
[0031]
优选的，所述s5中，事故的预测依赖于该事故链路的节点特征信息和边特征信息，计算其相互间的相似性，可得到与输入因素相似性最大的事故案例，以此作为对事故的预测。
[0032]
定期将收集到的数据输入到数据库自动进行训练，在企业安全管理过程中，将以上发现的不安全信息输入模型中，可自动得到事故的预测结果。
[0033]
本发明的有益效果是：
[0034]
本发明通过构建煤矿事故案例原始数据库，基于2-4模型分析事故风险构成，利用复杂网络理论建立煤矿事故网络模型；通过计算节点度、聚类系数、介数中心性等网络拓扑特征，分别从“节点—局部模块—全局连接”三个维度理解事故网络结构和事故致因因素间的耦合关系，可为事故的预防和控制提供充分的理论依据。
[0035]
本发明将社会网络分析方法与事故致因2-4模型巧妙结合，基于大数据分析技术提出了一种事故致因链相似度的算法，并利用事故致因链来对不安全信息进行预测，推测事故的发生概率、严重程度以及发生类型，可有效防范事故的发生。
附图说明：
[0036]
图1为本发明专利的流程示意图。
具体实施方式：
[0037]
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。
[0038]
实施例1：
[0039]
请参阅图1
[0040]
本发明提供一种技术方案，一种基于数据挖掘技术的煤矿安全事故预测方法，包括以下步骤：
[0041]
s1.构建煤矿事故数据库，基于事故致因2-4模型分析事故风险因素的构成；
[0042]
s2.根据事故发生过程，构建该事故的事故致因链，利用复杂网络理论建立煤矿事故致因网络模型，定义事故致因节点的结构属性和自身属性；
[0043]
s3.通过计算风险网络的节点度、聚类系数、介数中心性等网络拓扑特征，分别从“节点—局部模块—全局连接”三个维度阐述网络结构和节点间的耦合关系，揭示事故致因机理；
[0044]
s4.提出一种事故致因链相似度的算法，分别计算出事故致因路径的节点相似度、边相似度以及总路径相似度；
[0045]
s5.对数据库中事故致因链进行训练，计算其相互间的相似性，并定期将收集到的数据输入到数据库自动进行训练；本发明结合复杂网络理论提出了事故致因链相似度的计算方法，利用大数据技术对可能发生的事故进行预测，能够有效地提升预测的性。
[0046]
本实例中，s1中首先建立多起事故的案例库，并以2-4模型进行事故致因分析，在此以化处煤矿“12
·
8”瓦斯突出事故为例进行分析。
[0047]
首先进行事故过程描述与分析：六枝矿务局化处煤矿2171底板岩石抽放巷道掘进工作面进入地质构造带后，巷道离开了原设计层位，使巷道与煤层底板距离缩小，工作面前方又遇到一个暴露的较大的断层，断层落差不清，有关人员未逐级汇报已变化的地质情况，对异常情况未加研究分析；11月下旬，矿根据采掘接续计划，决定12月份恢复2171岩石抽放巷掘进，施工队11月25日提出复工措施，矿总工程师未召集安监、地测、通风及瓦斯等职能部门会审复工措施，而是由矿技术科11月28日审查签字后报负责安全的副总，于12月1日签字批准复工；地质情况未搞清的情况下，未采取其他安全措施，继续向前掘进，使工作面接近7号突出煤层；12月5日16时班启封密闭，排放瓦斯拆开密闭后检查盲巷内瓦斯浓度为4％，6日早班清理巷道，中班开始进尺，夜班无人掘进，掘进过程中检查瓦斯为0.08％-0.14％，8日中班出勤5人，19时30分爆破后约15分，发生延期突出。
[0048]
再根据“2-4”模型分析造成事故的根源因素、根本因素、间接原因和直接原因。
[0049]
切割出事故和组织：该起煤与瓦斯突出事故发生在化处煤矿，因此事故发生的组织为化处煤矿；其组织内部因素即发生在化处煤矿范围内的个人层面和组织层面因素，其他因素均为组织外部因素。
[0050]
确定事故发生原因：根据以上分析得到的事故发生过程中的时间和基本事件，分析其深层次的影响因素，对照事故致因“2-4”模型中组织内部因素，可得到该次煤与瓦斯突出事故的直接原因、间接原因、根本原因、根源原因如下表。
[0051][0052][0053]
本实施例中，优选的，所述s2中根据事故发生过程找出对事故发生有影响的相关事件，并构建事故致因链，根据事故致因链，多起事故的链路即可形成煤矿事故致因网络，具体实施如下。
[0054]
构建事故致因链：工作面前方遇到一个暴露的较大的断层，断层落差不清(生产环境不良状态)
→
有关人员未逐级汇报已变化的地质情况，对异常情况未加研究分析(违章行动)
→
复工前未召集安监、地测、通风及瓦斯等职能部门会审复工措施(违章行动)
→
地质情况未搞清的情况下，未采取其他安全措施，安排继续向前掘进(违章指挥)
→
排放瓦斯拆开密闭后检查盲巷内瓦斯浓度为4％
→
早班清理巷道，中班开始进尺，夜班无人掘进，掘进过程中检查瓦斯为0.08％-0.14％
→
在未消除突出危险的工作面爆破作业(违章操作)
→
瓦斯突出事故(事故后果)。
[0055]
本实施例中，优选的，所述s3中计算煤矿事故节点的拓扑特性，包括节点度、介数、聚类系数等，计算方法如下。
[0056]
节点度是最简单和直观的网络指标，体现的是节点在网络中的影响情况；节点度
便于计算，是评估网络节点时应用最普遍的指标；节点度又分为入度、出度和总度；其中入度值是指指向该节点的所有边的数量，出度值是指由该节点指向其他节点的边的数量，总度值＝入度值 出度值；总度值可以表示为：
[0057][0058]
式(1)中，表示节点入度值，表示节点的出度值，ki表示节点的总度值。
[0059]
在事故致因网络中，节点度指标描述了一个事故致因节点的邻居节点的个数，体现了该致因节点与风险节点之间建立直接联系的能力；节点度越大，说明该节点是造成事故的重要原因。
[0060]
度分布p(k)表示任意取一个节点，其度为k的概率，用网络中度为k的节点的数目占网络中节点总数目的比值来表示，即：
[0061]
p(k)＝nk/n (2)
[0062]
式(2)中，nk表示度为k的节点数量，n表示节点总数。
[0063]
度分布用于分析事故致因网络的网络类型，比如小世界网络和无标度网络，不同的网络类型有不同的属性，需根据网络进一步分析。
[0064]
再计算介数，计算方式为：
[0065][0066]
式(3)中，σ
st
(v)表示表示经过节点v的s
→
t的最短路径条数，σ
st
表示s
→
t的最短路径条数。
[0067]
介数反映的是相应的节点或者边在整个网络结构中的连接能力，是一个重要的全局几何量，在应用中具有很强的现实意义；节点或边的介数值越高，则说明该节点或边在网络中承担着“交通枢纽”的重要位置。
[0068]
按照复杂网络理论，聚类系数是表示网络图中节点聚集程度的系数，即衡量网络团块化、集团化程度的重要参数，节点的聚类系数可表示为
[0069][0070]
式(4)中，ci为节点i的聚类系数，ki为与节点i直接相连的节点的个数，ei为这ki个节点之间实际存在的边的数量。
[0071]
除了节点的聚类系数，网络整体的聚类系数是网络中所有节点的聚类系数的算术平均值如在一个节点数量为n的网络中，可表示为
[0072][0073]
其中，n为节点总数，ci为网络聚类系数。
[0074]
经过节点度、介数、聚类系数等网络特征值的计算，可以得到事故致因节点对事故发生的贡献程度和重要性，精准判断出造成事故发生的关键性因素，有利于事故的预防。
[0075]
所述s4中提出一种事故致因链相似度的算法，分别计算出事故致因路径的节点相似度、边相似度以及总路径相似度，其计算过程如下。
[0076]
任意两条路径之间相似度主要由两者拥有的共同的节点和边序列决定，其中边序列表示由节点组成且具有方向性的链路，分别计算两条路径的节点相似度和边相似度，再
将节点相似度和边相似度以一定比例加权求和即为两条路径的相似度，根据式(6)、式(7)、式(8)计算任意两条路径之间的相似度。
[0077]
计算节点序列，根据公式计算两条路径的节点相似度：
[0078][0079]
其中，表示节点i与节点j之间的第t条与第t’条路径的节点相似度；
[0080]
表示i节点与j节点之间的第t条路径的节点序列；
[0081]
表示节点i与节点j之间的第t条与第t’条路径的最长公共节点序列的数量；0≤t，t
′
《num{n
(i,j)
}。
[0082]
计算边序列，根据公式计算两条路径的边相似度：
[0083][0084]
其中，表示节点i与节点j之间的第t条与第t’条路径的边序列相似度；
[0085]
表示节点i与节点j之间的第t条与第t’条路径间的公共边序列的数量；
[0086]
表示节点i与节点j之间的第t条与第t’条路径间的所有非重复边序列的数量。
[0087]
总相似度计算，将节点相似度和边相似度以一定比例加权求和即为两条路径的相似度，如公式(8)所示：
[0088][0089]
其中，表示节点i与节点j之间的第t条与第t’条路径间的总相似度；α，β∈(0，1)α β＝1。
[0090]
事故致因路径相似度的计算为事故风险预测提供了一种解决方案，先对事故案例构建事故致因链，再通过计算历史事故案例的事故致因链的相似度，对输入的不安全信息与事故案例库中的信息进行对比，得到概率值最大的事故致因链，并将此作为预测结果。
[0091]
本实施例中，所述s5中收集多起事故案例，建立数据库，对数据库中事故致因链进行训练，计算其相互间的相似性，并定期将收集到的数据输入到数据库自动进行训练；定期将收集到的数据输入到数据库自动进行训练，在企业安全管理过程中，将以上发现的不安全信息输入模型中，计算输入的不安全信息与其他事故的相似度，即可得出预测结果。
[0092]
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。