煤矿本质安全管理评价的GA－NN模型及应用

王国俊

(霍州煤电集团吕梁山煤电有限公司方山木瓜煤矿，山西 吕梁 033102)

煤矿本质安全管理综合评价是本质安全型矿井建设的一项重要工作。目前，很多煤矿安全管理评价方面的研究，主要是从管理控制的角度进行的，所构架的安全评价指标跨度较大，评价指标的设置较不合理，以百万吨死亡率、千人负伤率等居多［1］。随着科技进步及安全水平的不断提高，这些指标已经不能适应社会的发展，特别是不利于大型煤炭企业(集团公司)的内部监管。评价指标权重是评价工作内容的重要组成部分，其大小设置对于评价结果具有重要作用，以往评价方法都采用专家评分等主观方法进行设置［2］，带有较大的盲目性，无法保证评价结果的合理性［3］。

本文依据煤矿安全管理的基本原理及本质安全管理的内涵，构建了本质安全管理评价指标体系，制定了评价目标等级。借助遗传优化神经网络(简称GA－NN)在解决非线性问题上的优势进行本质安全管理评价，通过遗传算法对神经网络的权值实时进行优化，从而加速收敛速度，避免局部极小点，同时可解决小样本引起的训练不足问题。为此，本文建立了基于遗传优化神经网络的煤矿本质安全管理评价模型并进行了应用。

1 煤矿本质安全管理及评价指标体系

煤矿本质安全管理是一种基于风险的现代管理模式［4］，其内涵是在现有安全生产管理方法基础上，借鉴国内外先进管理理念和方式，建立适合矿情的煤矿本质安全管理体系，实行人、机、环境、管理等要素优化匹配，达到人员无失误(员工安全素质良好，安全意识、安全知识、安全技能和自救互救能力强，基本杜绝人为失误)、设备无故障(机器设备系统机械化和自动化水平高，具有故障检测、安全保护和防护功能)、系统无缺陷(生产系统和环节得到优化，生产作业现场、煤矿周边环境有安全保障，抵御自然灾害能力强)、管理无漏洞(以风险管理为核心，以持续改进管理模式为基础的现代安全管理体系)的奋斗目标，使安全隐患减少，安全事故得到有效控制，达到行为规范、装备先进、环境可靠、管理精细、安全领先的预控型本质安全管理模式［5－7］。

根据本质安全型矿井建设水平的不同层次，将本质安全管理评价等级分为本质安全A级、本质安全B级、本质安全C级及非本质安全D级四类，分别对应“很好”、“较好”、“一般”、“不合格”四个等级。根据煤矿本质安全管理的内涵，遵循科学性、可操作性、时效性、可比性、定性与定量相结合等原则［8］，建立煤矿本质安全管理评价指标体系，见图1。

图1 煤矿本质安全管理评价指标体系示意图

2 煤矿本质安全管理评价的GANN模型

煤矿本质安全管理是一个动态过程，其评价指标带有较强的模糊性和不确定性，且评价指标之间相互联系、相互制约。评价目标与评价指标之间表现出很强的非线性映射关系，采用一般的统计、回归等方法无法准确进行评价。神经网络(Neural Network)模拟人的大脑活动，具有良好的非线性映射的能力，但其收敛结果容易陷入局部极小，常常得不到最优解［9］;遗传算法(Genetic Algorithm)是一种基于生物进化原理构想出来的搜索最优解的仿生算法，它以群体为基础，不是以单点搜索为基础，能同时从不同点获得多个极值，因此不易陷入局部最优;用遗传算法优化神经网络，能够改进神经网络的收敛效果，使结果趋于全局最优。煤矿本质安全管理评价实际上是一个非线性的多类分类问题。为此，本文将神经网络应用于煤矿本质安全管理评价，通过遗传算法优化神经网络的权值。采用3层BP神经网络，结构图见图2。

图2 BP神经网络结构图

其中，网络输入xi，隐含层输出hj，y为网络的实际输出，d为期望输出。输入层节点i到隐含层节点j的权值为Wij，隐含层节点j到输出层节点的权值为Vj，θ和φj分别表示输出单元和隐含单元的阀值。则

式中:

f(x)—Sigmoid非线性函数;

E—网络的均方误差;

k—训练样本序号;

N—训练样本容量。

用遗传算法优化神经网络参数时，首先生成初始种群并将染色体进行实数编码，然后输入训练样本，以适应度函数作为进化目标，适应度函数取fit(E)=1/E，根据个体适应度值并通过遗传操作:选择(Selection)、交叉(Crossover)、变异(Mutation)进行反复进化搜索，经样本反复训练，最终得到优化的神经网络权值［10］，遗传算法优化神经网络权重程序见图3。

3 应用

以山西省某大型煤电集团为例，整理以往典型煤矿本质安全管理评价资料得到12组样本，见表1。其中，前9组作为训练样本，剩余3组作为测试样本。表1中各评价指标的分值由其二级指标评分值加权求和得出，本质安全管理等级通过Delphi法由专家经验得到。

图3 遗传算法优化神经网络权重程序示意图

表1 样本数据表

用于煤矿本质安全管理评价的遗传优化神经网络模型输入为评价指标(u1，u2，u3，u4，u5，u6)，输出为评价目标，将4种评价目标用二维布尔代数的形式表达:“本质安全A级”为［00］，“本质安全 B级”为［10］，“本质安全 C 级”为［01］，“非本质安全 D级”为［11］。隐含层根据经验设置为12，神经网络的结构为6－12－2。基于Matlab7.0软件平台，利用其内嵌的神经网络工具箱及遗传算法工具箱［11］，采用表1中前9组样本数据进行训练，第600训练步的误差为0.000009045，已接近于零，认为训练精度已达到要求。为验证所建GA－NN模型的效果，将训练样本和测试样本依次输入到训练好的GA－NN模型中，GA－NN评价结果及其与原评价结果对比见表2。

由表2可知，前9组训练样本的GA－NN模型评价结果与原评价结果完全一致，后3组测试样本的GA－NN模型评价结果与原评价结果基本一致，只有矿井十二由原来的A级评价为B级，从指标得分值分析矿井十二评价为A级是不够准确的，说明GANN模型具有较高的准确性。从评价结果来看，GANN模型很好地模拟了专家思维模式，反映了专家经验，具有很好的推广能力，指标权重无需人为设置，避免了人的主观因素对评价结果的影响，能够更客观、准确地得出评价结果。

4 结语

煤矿本质安全管理评价是一个十分复杂的问题，涉及指标众多且具有较强的关联性，而且评价目标与评价指标之间表现出很强的非线性关系。

表2 GA－NN模型评价结果与原评价结果对比表

应用表明，遗传优化神经网络能够很好地表达这种非线性关系，而且建立的非线性模型具有很好的推广预测能力，说明遗传优化神经网络应用于煤矿本质安全管理评价是可行的。评价结果既有利于监管部门评价煤矿安全管理水平，又有利于最高管理层决策，同时还利于企业内部的评比及管理，对提高煤矿本质安全管理水平、建立煤矿安全管理机制具有重要作用。

［1］李树刚，穆丹丹，曹 杰.利用层次分析法确定本质安全型矿井指标权重［J］.西安科技大学学报，2009，(2):127－130，135.

［2］吴丽萍，吴世跃，郭勇义.模糊数学在矿山安全综合评价中的应用［J］.太原理工大学学报，2006，37(2):131－133.

［3］陈鸿章，高文华，李兴民，等.煤矿安全评价中应用模糊决策控制的探讨［J］.太原理工大学学报，2004，35(5):615－617.

［4］陈东科，杜春宇.煤矿本质安全管理评价指标构建研究［J］.山东科技大学(自然科学版)，2008，27(4):90－93.

［5］杜春宇，陈东科，杜翠凤，等.煤矿本质安全管理综合评价体系模型与应用［J］.重庆大学学报，2008，31(2):197－201.

［6］徐 耀，杜春宇.煤矿本质安全管理评价指标研究［J］.中国煤炭，2008，34(3):76－79.

［7］刘永立，王海涛，石兴龙，等.基于综合评价的煤矿本质安全管理系统研究［J］.中国煤炭，2010，36(10):100－104.

［8］欧晓英，杨胜强，孙仁科，等.煤矿本质安全化管理体系建立及其应用的探讨［J］.中国安全科学学报，2007，17(1):76－80.

［9］刘业娇，田志超，刘进才.BP神经网络在矿井本质安全程度评价中的应用［J］.中国安全生产科学技术，2009，5(5):102－105.

［10］王志军，顾冲时，张治军.GIS支持下基于遗传优化神经网络的溃坝生命损失评估［J］.武汉大学学报(信息科学版)，2010，35(1):64－68.

［11］雷英杰，张善文，李续武，等.MATLAB遗传算法工具箱及应用［M］.西安:西安电子科技大学出版社，2006:73－74.