李敬兆，孟亦凡，王继伟

(1.安徽理工大学 电气与信息工程学院， 安徽 淮南 232001；2.淮北矿业股份有限公司 涡北煤矿， 安徽 亳州 233600)

0 引言

在智慧矿山建设过程中，大量搭载传感器的边缘设备被部署到矿山各子系统中[1-2]，并在运行过程中产生了海量数据。现阶段传感器数据的处理工作只在各子系统内部进行，且数据分析结果的作用范围局限在各子系统，无法反映矿山安全状况[3]。从整体角度统筹分析海量数据，从而感知矿山安全状况，是智慧矿山建设亟需解决的问题。关联合[4]将矿山多个安全监控系统的数据整合到统一的数据库中管理，并运用预警模型管理矿山中的重大危险源，为融合数据、感知矿山安全状况奠定了基础，但未能对各监控系统数据进行深入分析。华攸金等[5]基于可拓理论构建煤矿安全风险预警评估模型，采用熵权法确定各预警指标的权重值，避免传统经验的主观性干扰，但该模型不具备实时感知矿山安全状况的能力。陈常晖[6]基于粗糙集融合最小二乘支持向量机构建了煤矿安全预警模型，分析了各类因素对煤矿安全的影响，但该模型难以处理数据之间的关系，从而无法获取矿山综合安全状况。

态势感知的概念最早起源于军事领域，包含感知、理解和预测3个层面。本文将态势感知概念引入矿山安全领域，提出了矿山多层级安全态势感知系统。该系统以基于Attention机制[7]构建的安全态势感知模型为核心，从局部与全局2个层级感知矿山安全态势，可指导矿山安全生产策略的制定。

1 系统架构

矿山多层级安全态势感知系统架构如图1所示。系统按照管辖范围可分为局部安全态势感知和全局安全态势感知2个层级。这2个层级的安全态势感知模型依托矿山中不同等级的计算设施完成数据处理任务。在矿山局部层面，通过雾计算设施[8]就地分析区域内各子系统的监测状态，感知局部安全态势；在矿山全局层面，通过云计算设施汇集各区域安全态势数据，感知全局安全态势。

图1 矿山多层级安全态势感知系统架构Fig.1 Architecture of multi-level safety situation awareness system for mines

系统按照功能可划分为数据感知层、雾计算层、云计算层和应用层。

(1) 数据感知层。通过在采掘、运输、通风、供电等设备的关键位置部署相应的传感器，实时获取各生产设备的运行状况，采集设备的震动、位移、功率等状态数据。通过在矿山中部署气体、温度、湿度等传感器，获取区域内环境的精确变化数据。

(2) 雾计算层。为减少局部安全态势感知模型获取区域范围内监测数据的延时，将该模型部署至各区域的雾计算设施中，可有效提高系统运行效率[9-10]。

(3) 云计算层。云计算设施通过矿山高速通信网络汇集各雾计算设施产生的安全态势数据，实现云雾协同工作。全局安全态势感知模型从全局的角度分析相关数据，感知矿山安全态势走向。

(4) 应用层。应用层是实现人机交互的重要接口。矿山管理者通过应用层软件以直观可视化的方式查看矿山安全态势信息，实时掌握矿山安全态势变化，了解矿山风险重点变迁，及时调整安全防范重点，为下一阶段的安全生产制定策略。

2 安全态势感知

2.1 局部安全态势感知

2.1.1 局部安全态势感知模型

局部安全态势感知模型主要由输入层、编码器层、Attention层、态势聚合层组成，如图2所示。

图2 局部安全态势感知模型结构Fig.2 Structure of local safety situation awareness model

(2) 编码器层。编码器层由基于门控循环单元(Gate Recurrent Unit，GRU)构建的GRU编码器组成。GRU编码器的门控机制(图3)具备自适应控制信息流动的能力[11]，从而可以捕捉数据组之间的相互依赖关系。

图3 GRU编码器门控机制Fig.3 Gating mechanism of GRU encoder

将上一个GRU编码器处理完数据组Dt-1后传递给当前GRU编码器的信息记为ht-1。GRU编码器的更新门用于确定当前编码器保留过去信息ht-1的数量，重置门决定遗忘过去信息ht-1的数量[12]。当前GRU编码器的更新门状态rt和重置门状态zt分别为

rt=σ(Wrhht-1+WrdDt+br)

(1)

zt=σ(Wzhht-1+WzdDt+bz)

(2)

式中：σ为实现门控效果的Sigmoid激活函数；Wrh，Wrd为更新门的权重矩阵；Wzh，Wzd为重置门的权重矩阵；br，bz分别为更新门和重置门的偏置项。

当前GRU编码器传递给下一个GRU编码器的信息为

ht=GRU(ht-1,Dt)=(1-zt)ht-1+

zttanh(rtWshht-1+WsdDt)

(3)

式中Wsh，Wsd为记忆权重矩阵。

(3) Attention层。Attention层主要负责处理编码器层从数据组中获取的信息，对存在差异的数据进行融合，然后通过相关性评分定量地为各子系统产生的监测数据赋予不同权重，从而高效地筛选出对于安全态势感知更重要的数据。

(4)

然后，引入Softmax计算方式对相关性进行归一化，突出重点监测数据的权重：

(5)

最后，通过加权求和可得监测数据的融合值：

(6)

(4) 态势聚合层。态势聚合层由GRU解码器组成。GRU解码器与GRU编码器一样通过门控机制控制信息流动，GRU解码器之间的传递信息为

qt=GRU(qt-1,ct)

(7)

态势聚合层输出取值范围为[0，1]的矿山安全态势值yt，可反映矿山某局部范围内安全风险等级。

yt=softmax(Wqt)

(8)

式中W为输出权重矩阵。

2.1.2 局部安全态势感知模型超参数调优

局部安全态势感知模型有4个超参数需要确定，分别为编码器的神经元数量、批处理大小、态势聚合层神经元数量、时间步长。局部安全态势感知模型的训练过程即寻求超参数最优解的过程，本文采用粒子群算法[13-14]寻求模型超参数的最优解。

设优化局部安全态势感知模型超参数的M维可行域内存在由J个粒子组成的粒子群，每个粒子都有位置、速度和适应度3个特征。粒子在可行域的位置代表模型超参数的一个可行解；速度代表粒子在可行域内移动距离相对于时间的变化率；适应度代表粒子所处位置的优劣程度，可通过适应度函数计算得到。计算在第n次迭代后第j(j=1,2,…,J)个粒子的速度Vj(n)和位置Xj(n)所对应的适应度，通过跟踪粒子个体最优位置Pj(n)与粒子群的全局最优位置B(n)，依据式(9)、式(10)对粒子的速度和位置进行更新，计算第n+1次迭代后粒子速度Vj(n+1)和位置Xj(n+1)所对应的适应度。按上述方式迭代执行，直到所有粒子收敛在可行域的同一位置，该位置即为最优解。

Vj(n+1)=ω(n)Vj(n)+c1r1(Pj(n)-Xj(n))+

c2r2(B(n)-Xj(n))

(9)

式中：ω(n)为非负惯性因子；c1，c2为系数；r1，r2为随机数。

Xj(n+1)=Xj(n)+Vj(n+1)

(10)

在传统的粒子群算法中，系数c1，c2为固定值。为使粒子群算法具有更快的收敛速度，采用自适应调整系数[15]：

c1=1/[1+exp(Pj(n)-Xj(n))]

(11)

c2=1/[1+exp(B(n)-Xj(n))]

(12)

基于粒子群算法的超参数优化伪代码如下。

Algorithm 1 Hyperparameter optimization algorithm based on PSOInput Vector of Resource Parameter List0Randomly initialize the position and velocity of the par-ticle population.1DO2 FOR each particle3 Calculate particle fitness.4 Update individual optimal values.5 Update global optimal value6 FOR each particle7 Calculate particle velocity according to Formula (9).8 Update particle position according to Formula (10)9WHILE the particles don't converge.OutputResults with the most particles

2.2 全局安全态势感知

部署在云计算设施中的全局安全态势感知模型与局部安全态势感知模型的结构基本相同，但以矿山中各局部安全态势感知模型输出的安全态势值作为输入，全局安全态势感知流程如图4所示。部署在矿山各区域雾计算设施中的局部安全态势感知模型在汇集、存储各子系统的监测数据之后，对数据进行感知，并输出矿山局部安全态势值。局部安全态势值通过矿山高速通信网络上传至云计算设施，通过部署在云计算设施中的全局安全态势感知模型对汇集的矿山各区域局部安全态势值进行分析，感知整个矿山的安全态势，从而制定相应的安全策略。

图4 全局安全态势感知流程Fig.4 Process of global safety situation awareness

3 仿真实验

3.1 数据集

构建典型的矿山区域模拟系统，包含通风、供电、排水3个子系统。从3个子系统中选择11个监测参数，仿真时参数变化范围参考《煤矿安全规程》设置，见表1。

表1 仿真参数Table 1 Simulation parameters

在模拟系统运行过程中共采集1 200组数据，划分为120个时间序列。从中随机挑选100个时间序列作为训练集，其余20个时间序列作为测试集。

3.2 超参数调优

为简化粒子群算法寻求局部安全态势感知模型最优超参数的过程，设置编码器神经元数量与态势聚合层神经元数量相同。设置粒子群的种群数量为20，迭代次数为100，学习因子c1，c2变化范围为[0.5，3.0]。

基于粒子群算法的超参数优化结果如图5所示。可看出随着迭代次数的增加，模型的神经元个数、批处理大小及时间步长逐渐收敛并趋于稳定，此时神经元个数为37，批处理大小为3，时间步长为5。

(a) 神经元个数

(b) 批处理大小

(c) 时间步长

3.3 局部安全态势感知模型精度评估

使用训练集对局部安全态势感知模型进行训练，训练次数为3 000。训练平台配置：CPU，Intel i7-6700；GPU，NVIDIA GeForce GTX 1060-6 GB；RAM，16 GB DDR4 2 400 MHz；Hard Driver，Samsung 960EVO；TensorFlow-GPU，V1.14.0。

使用测试集对模型精度进行评估，将模型预测的安全态势值与通过专家人工判定方式得到的实际安全态势值进行对比，结果如图6所示。可看出模型预测值与实际值拟合度很高，表明模型具有较高精度。

图6 安全态势预测值与实际值对比Fig.6 Comparison of predicted safety situation values and the actual ones

4 结论

(1) 矿山多层级安全态势感知系统通过部署于雾计算设施中的局部安全态势感知模型汇集矿山区域范围内各子系统监测数据，感知矿山局部安全态势，并将局部安全态势数据上传至云计算设施。部署于云计算设施中的全局安全态势感知模型对汇集的各区域局部安全态势数据进行分析，感知整个矿山安全态势，进而制定安全策略。

(2) 矿山安全态势感知模型通过Attention机制分析矿山各子系统产生的海量数据，从中筛选出与矿山安全相关的重点数据，以达到提高模型运算效率的目的。模型中基于GRU构建的编码器和解码器可有效处理数据之间的联系，实现安全态势的精准感知。同时采用粒子群算法优化模型超参数，使模型工作在最佳状态。