基于ELM-CBR 的采煤工作面顶板冒落危险性预测与管理

刘 璐 季嘉琪 苗德俊

（山东科技大学安全与环境工程学院，山东 青岛 266590）

近年来煤矿安全形势有很大改善，百万吨死亡率逐年下降，但煤矿事故仍时有发生，整体安全形势依旧严峻。顶板事故是煤矿事故的主要类型之一[1]，此类事故不仅会造成重大生命财产损失，还会引起其他事故的发生。若不能及时发现并排除隐患，将会威胁安全生产，造成经济损失。因此，应加强 “关口前移”管理，进行积极预防。

在顶板事故预测管理方面，越来越多的学者将数学算法与顶板事故预测相结合，程海星等[2]通过监测的矿压数据，利用逆向传播神经网络预测工作面顶板矿压；Lei 等[3]利用ELM 对风速进行预测，证明了所提模型在短期风速预测方面的优越性；阎馨等[4-5]将PCA 与CBR 方法结合对煤与瓦斯事故进行危险性预测，提高了预测结果的准确性和稳定性。

在煤矿安全预测中，大多数学者对煤矿安全进行综合性预警研究，其中也不乏对煤矿风险管理上的研究。但是，传统的风险预测管理已经不适合当前煤矿这个复杂的环境了，且CBR 方法在煤矿安全管理的研究未得到广泛的应用。因此，本文提出一种基于ELM-CBR 的顶板事故冒落危险性预测与管理的方法，以顶板事故为例进行研究，分析导致煤矿顶板事故的危险源，并对顶板冒落风险进行预测，并利用CBR 对预测结果进行管理，提出相应的措施建议，为决策者提供管理依据。

1 预测指标体系建立

本研究以顶板事故为例进行研究，分析导致煤矿顶板事故的危险源。顶板冒落受多种因素的影响，在选择顶板冒落指标时应考虑以下因素：1）选择的指标应该具有代表性；2）指标应具有敏感性；3）指标便于测量、记录，且准确性不受其他外力的影响；4）指标应具有通用性。收集近十年间我国煤矿顶板事故报告，其中数据不完整或缺失的顶板事故报告无法适用于煤矿顶板冒落风险危险性的分析，因此本文剔除不完整的事故案例，最终整理出156 份事故案例。

依据近十年的煤矿事故案例，对煤矿顶板事故案例进行整理分析，运用事故致因理论，从人、物、环、管四个方面分析顶板事故发生的原因，并利用贝叶斯模型建立风险预测指标体系，如图1 所示。

图1 顶板事故贝叶斯网络结构

由图1 可知，顶板事故发生的原因分为直接原因和间接原因，分别将其划分为一级指标和多级指标。直接原因有支护问题、顶板冒落和人员进入冒落区，其相应的指标为一级指标。致使直接原因发生的因素为间接原因，其影响一级指标数值的变化，将其确定为多级指标。预测指标见表1。

表1 顶板冒落风险预测指标

2 ELM-CBR 模型的建立

本文针对顶板冒落危险性预测工作，提出了一种基于案例推理（CBR）和极限学习机（ELM）顶板冒落风险预测管理模型，可针对当前事件的安全状况进行预测管理，并给出措施建议及解决方案。

进行顶板冒落风险预测时，首先利用ELM 对数据进行训练和测试，预测指标值输入后，经过机器学习得出风险预测值及超出临界值的单项危险指标；其次，根据顶板冒落风险预测值和风险指标，从数据库中检索和匹配与目前状况描述相似的案例，依据相似度阈值对案例进行重用，并参考历史案例中的顶板冒顶危险等级；最后，通过当前情况与案例库中的案例相似度比较，对当前案例进行存储或修正，并输出最终解决方案，为当前情况提供应急处置措施和有效的管理措施。流程如图2。

图2 基于ELM-CBR 的顶板冒落风险预测管理流程

2.1 基于ELM 的风险预测

ELM 利用随机的输入层权值和偏置值，输出层权重利用广义逆矩阵理论计算得出，其预测的步骤：1）随机初始化ELM 网络的初始权重和阈值，并设置激活功能；2）计算隐藏层输出矩阵和广义矩阵；3）计算输出矩阵。

如图3 所示为极限学习机网络结构图。一个具有L个隐含层节点的神经网络的输出可以用式（1）来表示：

图3 极限学习机网络结构图

式中：g（x）是激活函数；x为输入层；wi为输入层权值；β为输出层权值；bi为偏置值。

由式（1）得出顶板发生事故的危险预测模型。假设U={F1，F2，F3，…，Fn，G}是一个离散变量集合，其中Fi为风险一级指标，G为顶板事故风险。Fi的取值集合为F={F1=f1，F2=f2，…，Fn=fn}，G=Y代表的是风险存在[6]。F设为一级指标的值，其概率表示：

在对各种风险进行评估时，为了对不同程度的风险采取相应的措施，需要按照危险发生的可能性对其进行分级，以便提出相应的对策。将风险划分无风险、低风险、中风险、高风险四个等级，表2为顶板冒落危险性风险等级。

表2 顶板冒落危险性风险等级

依据顶板冒落危险性风险等级，当计算区域的顶板事故风险概率值大于0.6，则为中高风险，需先对当前的安全状况进行危险预警，并对当前安全状况进行评估。

2.2 基于CBR 的风险管理

1）案例表示

案例表示是通过某种方式将案例的相关指标和内容的非结构化数据用结构化数据来表示，以便计算机识别。在预测顶板冒落危险性时，用Ai表示第i个案例，用Xi表示第i个案例特征，Ti表示第i个案例的顶板冒落危险等级。

2）案例检索与匹配

本文运用ELM方法对案例进行综合指标预测，即顶板冒落危险值预测，并根据预测值与案例库中的案例进行相似度匹配，输出当前顶板冒落危险等级，同时输出超临界值的单项危险指标。如图4。

图4 检索与匹配流程图

对于顶板冒落风险值相似度，假设案例库中的顶板事故冒落案例Ai的顶板冒落风险值为Ri，当前顶板冒落状况为A，顶板冒落风险预测值为R，则两个案例之间的相似度S：

在案例库中检索出与当前顶板安全状况相似度最高的案例，最终依据相似度阈值确定是否作为相似案例。相似度阈值公式：

其中：a为给定的常数，a∈[0，1]；Sy为相似度阈值。

3）案例重用

案例重用是指将案例库中的相似度较高的案例解应用在当前状况中。在案例库中，若存在一个或者多个和当前状况相匹配的案例时，则会输出相似度较高的案例，并可以直接应用到当前状况。但对于顶板冒落突出状况，一般不存在完全匹配的案例，需要对相似案例进行案例重用。

4）案例存储与维护

案例存储与维护分为以下几种情况。① 在案例库中进行案例检索，计算出相似度值。如果该值为1，则不需要存储；如果该值未达到预期阈值，则需要将其存储；如果该值达到了阈值，但仍不完全相似，则需要对数据库中较早的旧案例进行更新。② 对于长时间没有匹配的旧案例，进行适当筛减。③ 对于案例描述相似但结果相差较大的案例进行修改。

3 顶板冒落危险等级预测分析

3.1 数据来源与处理

本文将选取156组数据中的30%作为测试数据，70%作为训练数据。在选取的预测指标体系中的定量指标选取鲁西煤矿支架初撑力监测数据，对其中的定性指标进行定量处理。具体的指标量化见表3。

表3 指标量化规则

在表3 中，安全培训不到位、技术管理不到位、内部管理机制不健全、监督管理制度不健全等指标，其量化规则需要由专家根据相关管理制度的完成度以及可能导致后果的严重程度等来评判，并设置相应的权重。对于三违记录，将根据三违等级和发生地点进行取值。如果在收集数据的工作面内存在一般三违记录，则三违行为记为1；若存在严重三违记录，则三违行为记为2；没有相关的三违记录，则三违行为记为0。

原始数据的量级和单位有较大的差距，若直接使用原始数据进行训练，运行结果可能收敛较慢或者不会收敛，并且对训练结果的准确性有较大的影响。因此，在训练之前，需对数据进行归一化处理，以便将数据转换为一定范围内更精确的实数。通过ELM 进行训练的输出结果也是归一化后的结果，部分样本数据见表4。

表4 部分数据

3.2 结果分析与对比

采用ELM 对顶板冒落危险性进行预测，其中，隐藏层函数为Sigmoid 函数，隐藏层节点数为7，用70%数据进行学习训练，30%数据作为测试，同时将本方法与BP 神经网络方法从预测结果的角度进行对比，对比结果如图5 和表5。

表5 结果分析

图5 部分测试案例结果对比

从图5 中可以看出，ELM 的预测结果比BP 预测结果与实际值的距离大。如表5 对最终结果进行总结，ELM 预测的最大相对误差为0.5%，平均相对误差为0.15%，BP 预测的最大相对误差为10%，平均相对误差为5%；ELM 预测的最大绝对误差为0.52，平均绝对误差为0.4，BP 预测的最大绝对误差为0.95，平均绝对误差为0.63。由此可见，无论是相对误差还是绝对误差，ELM 预测最接近实际值，在准确性和稳定性上优于BP 预测。

3.3 案例匹配分析

利用一条数据进行案例匹配分析，数据见表6。

表6 案例匹配分析数据（157 号案例）

根据公式4，计算当前顶板冒落风险状况与案例库中所有案例的相似度情况，并设相似阈值为0.8，检索出与以上数据相似度达到阈值的有多个案例，其中相似度最高的一个案例见表7。

表7 相似案例（23 号案例）

经过检索，与“157”号案例相似度最高的案例为“23”号案例，相似度为0.910 6，风险等级为2。根据相似案例的状况，对当前顶板冒落风险提出相应的措施建议：首先，需要关注煤的特性和支架实际初撑力监测数据，加强工作面的风险预测，并建立完善的监督管理体系。其次，要落实工作面的监督管理措施和防范措施，严格按照安全规章制度进行作业，确保操作人员的安全。通过这些措施，可以有效地减少顶板冒落风险，提高安全管理水平。

在本次实际案例中，通过在案例库进行案例检索来验证ELM-CBR 的顶板冒落风险预测管理模型的准确性，并取得了良好的效果。该模型为煤矿的安全管理提供了新的思路，提高了煤矿的安全管理水平，为煤矿的安全生产提供有力的保障。

4 结论

本文针对顶板冒落危险性预测工作，提出了一种基于案例推理（CBR）和极限学习机（ELM）顶板冒落风险预测管理模型，可以针对当前事件的安全状况给出定性的措施建议及解决方案，在具有较高精度的同时具有良好的可解释性。

本文依据顶板事故报告，以3 个一级指标、10个二级指标以及支架实际初撑力监测数据建立顶板冒落风险危险性的预测指标，在利用ELM 对顶板冒落危险性进行预测的同时，也对单项预测指标进行预测。从预测结果上，将ELM 与BP 神经网络算法进行对比，在二者的对比结果中发现，ELM 预测的相对误差和绝对误差比BP 预测的相对误差和绝对误差要小。由此可见，ELM 预测的准确性更高。预测出顶板冒落危险性等级后，通过CBR 方法对顶板冒落预测结果进一步管理，检索出相似度超过80%的历史案例，利用已有的解决方案为当前煤矿发生情况提供应急处置措施和有效的管理措施，为煤矿安全管理者提供决策依据。

最后，本文利用一个实际案例来基于ELMCBR 模型进行验证，检索并重新使用与当前目标案例有关的最相似的案例的解决方案。通过这一过程，进一步验证了所提出的方法的适用性和准确度，并在实际应用中取得了良好的效果，为煤矿安全管理提供更加有效、可靠的解决方案。

在后续的研究中，将进一步扩充顶板冒落事故案例，并将更加丰富的信息纳入到案例库中，以提高案例检索的精度，对管理模型进行深入的研究，以进一步完善和优化其功能。此外，还需进一步思考并计划进行更多实地应用，在实际煤矿环境中验证所提出的方法的适用性和准确度，这将成为后续研究的重点方向。