基于云计算和物联网技术的矿山安全动态诊断系统设计

周 挺

(西安航空职业技术学院，陕西 西安 710089)

1 系统的整体框架

矿山安全动态诊断系统是基于井下作业人员、设备、生产环境等多元危险源的在线跟踪、检测，通过布设不同功能的传感器设备来实时采集潜藏危险因子的数据参数，并通过专家知识库构建，结合其存储的规范规程内容，进行推理诊断，评估矿山事故隐患或风险的根源所在，据此给出有效的处理方案。而物联网技术可通过多类型传感器的部署，并以此为节点形成感知传感网，对海量的安全信息进行采集和智能处理，云计算具有高容量的存储能力和快速的分布并行运算能力，可为采集数据、专家知识、诊断与推理原则的存储和运算提供有效支撑[1]。基于此，融合两种技术优势构建的矿山诊断系统的整体框架如图1所示。该诊断系统主要由应用服务层、网络层及感知层构成。

1.1 应用层

该层是基于对感知层中的数据参数的调用和分析，进行安全状态评估计算、逻辑诊断推理等复杂业务的处理，并将该业务逻辑处理功能封装成为涵盖数据接入、访问、查询、知识调用、安全状态评估、规则推理等一系列的组件，为不同应用功能提供有效服务，且可利用智能移动终端、计算机、LED电子屏幕等多模式的监控诊断终端，进行动态的远程安全评估和推理诊断；同时，该层对采集数据、专家知识、诊断推理规则等信息进行存储、组织和管理，提供基于云计算技术的数据服务。

图1 矿山安全动态诊断系统的框架结构

1.2 网络层

网络层是将各传感器节点所获得的数据参数传输至应用服务中的服务支撑，矿山井下巷道复杂、设备多样，对于网络通信技术要求较高，RFID 无线通信技术局限于接收较短距离的信号，而且通信速率不高，一般用于对煤矿井下主要固定设备以及近距离设备信号的接收；而 WiFi 无线通信技术则具有相对较高的数据传输速率，能够支持井下巷道较长距离通信，非常适合对移动设备和远距离设备信号进行有效采集。为此，可融合两者优势，实现设备信号的“全面感知”。

1.3 感知层

该层涵盖了关联生产系统、安全系统、供电系统、生产调度系统等的温湿度、电流、烟雾等传感器节点，可实时采集瓦斯浓度、风速方向、温湿度、负压、烟雾、风门开关、围岩应力、巷道变形等在线监测数据，并将这些数据参数综合起来，构成安全诊断的数据源依据，并链接至网络层中的 WiFi 或RFID无线网络，实现数据的传输。

2 系统的云计算服务平台搭建

在矿山安全动态诊断的设计之中，在线数据监测、评估推理是系统分布式感知功能的关键所在， 要实现对矿山安全状态的实时跟踪监控、预警分析及推理预测，则需要有云计算平台这一“中枢神经大脑”的支撑，其应该包含数据采集、专家知识库、推理机制、远程监控诊断设备、数据融合管理、诊断评估、推理等功能。

2.1 基础设施的虚拟化

矿山安全生产关联多样设备设施，为提升监测诊断的效率，简化系统设计，可采用Hyper-V虚拟化软件系统将后端多台服务器整合为1台逻辑服务器，并在此基础上划分为Web服务器、应用服务器及数据库服务等3个虚拟机资源[2]，为数据监测、实时诊断、专家知识匹配推理、数据访问、远程监控设备维护等提供智能化的服务支撑。

2.2 软件应用的服务化

矿山安全动态诊断系统基于物联网技术搭建的系统架构包含应用服务层、网络层及感知层，其可对安全数据、诊断规则、推理机制等信息进行存储、组织和管理，并基于数据的访问调用，对矿山安全状态进行评分计算、安全规则逻辑推理等复杂业务逻辑处理，而要实现这些功能，可运用软件应用的服务化，将各层提供的服务以Web services 的形式封装成为三维虚拟环境集成组件、数据接入提取组件、数据统一访问组件、安全状态评估组件、规则推理组件等一系列的组件，为系统的不同应用需求提供功能组件服务[3]。

3 系统设计的关键技术

3.1 专家知识库的建立

面向对象编程(OOP)的程序设计可定义专家知识库的属性，以实现安全规则、规程及标准的归纳分类、存储和表示。为此，可以该方法构建矿山安全诊断专家知识库，对知识库的功能进行模块分解。

专家知识库主要由事实库、规则库及标准库3大模块构成，采用SQL Server 2017，通过一系列二维表来实现知识的存储，其中，事实库以事实表形式对矿山安全生产状态及推理结论等事实性知识进行存储；规则库则利用规则表、原子前向表、前提表、结论表等来进行存储，其涵盖了烟雾、瓦斯、涌水突水透水、矿压冲击低压、人员、设备及环境隐患等诊断规则，以此作为矿山安全状态的评估诊断依据；标准库中则是包含三违行为标准、事故隐患标准、设备操作规程、公众操作规程等在内的相关安全规则、规程和标准。

目前，安全知识的表示方法存在产生式、框架式等方法，其存储结构一般形式为：IF X=> THEN Y，或者 X—>Y(置信度)，也即若X成立则可得Y结论，X为规则前件，可为一些列命题的组合，Y为规则后件，是特定结论，且为实现不完全知识的表达，需引入置信度。

3.2 诊断评估方法

安全诊断评估方法可依据评价结构的量化程度、评价的推理过程等进行分类，本文选定定量评价方法，采用加权求和的方式设计诊断评分体系，如图2所示。

图2 安全诊断评分体系

矿山安全动态诊断涉及作业人员、设备及环境等评分内容，可设诊断总分为100分，对其分别赋值35、30、35，并对该3部分分别以100分总分进行细化分类计算，其中作业人员诊断分为三违行为、井下超时评分模块，分别赋值50分，两模块的评分与各自权值乘积共同构成作业人员诊断评分；设备诊断集中在故障评分上；环境诊断则包含事故隐患、检测报警两大模块，各赋值50分。人员诊断三违行为评分可细分为轻微、一般和严重3个等级，每个级别分布赋值4分、2分、1分，扣分标准依照单位分值与行为出现频次的乘积而定。以环境诊断模型中事故隐患评分方法为例，其设计方法如下，可依照严重程度化为A、B、C、D共4个等级，各类隐患产生的扣分权重标准为10分、5分、3分、1分，结合隐患防护与否的情况，将未经防护的隐患计入口分钟，总扣分的计算方法为：

(Ma*Ka+Mb*Kb+Mc*Kc+Md*Kd)/(Na*Ka+Nb*Kb+Nc*Kc+Nd*Kd)*100

(1)

式(1)中，Ma、Mb、Mc、Md分别为未经防护的A类、B类、C类、D类隐患频次，Ka、Kb、Kc、Kd分别为A类、B类、C类、D类分值权重，Na、Nb、Nc、Nd分别为所有A类、B类、C类、D类隐患频次。

3.3 推理机制的建立

推理机制采用面向对象、规程和基于规则的CLIPS开发工具，将其嵌入基于.NET 平台的系统中， 采用C#与 CLIPS 的混合编程，通过CLIPSNET 组件将其作为方法予以封装。在.NET 平台中对CLIPS进行调用时，需要首先初始化环境对象Environment=New Mommosoft.ExpertSystem. Environment(); Environment.Reset()，而后加载Mommosoft.ExpertSystem.dll库中Environment、FactAddressValue、FloatValue、InstanceAddressValue等对系统操作的类，从而利用Environment. ASSertString方法对采集的事实参数进行赋值，利用MultiFieldValue类调取专家知识库的推理规则内容，以MultiFieldValue来操作对象。

基于CLIPS的推理机制的安全推理过程包含模式匹配、消解冲突、规则激活和规则执行等功能模块。具体而言，首先对知识库中所有规则模式进行扫描，将与采集数据相匹配的模式放入议程当中，存储的被激活的规则将根据优先级顺位被压入议程，该种议程机制控制了规则的执行顺位，通过调用被触发的规则，便可得出诊断结论。推理机制包含正向及反向推理，前者是将在线监测采集的数据参数作为安全诊断的实时基础，以专家知识库中的规则、标准作为诊断依据，通过两者的融合、匹配和推理得出矿山安全状态，而后者则是以结论作为安全诊断的逻辑起点，来寻找可达到目标结论的规则。

4 结 语

如何利用海量数据资源深度挖掘隐藏的安全隐患、进行精准预测和分析，是有效评估矿山生产安全性的基础前提。本文设计的安全诊断动态系统正迎合了这一需求，其基于物联网布设了多元传感器采集安全监控数据，并基于云计算平台进行数据存储、分析和诊断推理，由此将设备、人员、环境等各个安全生产的要素信息关联起来，运用正反向推理便可实现矿山生产安全的诊断决策。