［摘要］本文应用模糊综合评价法得到煤矿本质安全等级和指标体系，应用模糊聚类算法确定主关键条件属性集，使用模糊数据挖掘出评估对象中煤矿本质安全等级同评估指标之间的规则知识，以一个实例为对象建立的煤矿本质安全模糊数据挖掘验证了该方法的可行性。下面小编整理了一些《BP评价模型煤矿安全管理论文 (精选3篇)》，希望对大家有所帮助。
基于多级熵权物元的煤矿瓦斯防治评价模型与应用
摘 要：基于煤矿瓦斯防治的特点，筛选影响瓦斯防治现状安全的主要因素，建立煤矿瓦斯防治现状评价指标体系;在传统物元评价模型基础上，运用熵权法计算各级指标权重并构建多级熵权物元评价模型，以贵州省某煤矿为实例进行现状评价。实例结果表明：贵州省某煤矿瓦斯防治现状等级最大综合关联度K2(N)=0.03，特征值j*=1.72，现状为Ⅱ级，即基本安全，评价结果与煤矿实际生产情况相符，将该模型用于瓦斯防治现状评价是可行的，并可根据各级指标关联度及特征值，有针对性的提出保障煤矿安全生产的有效措施。
关键词：瓦斯防治;多级物元模型;熵权法;现状评价
文献标识码：A
Key words：gas prevention and control;multilevel matter-element model;entropy weight method;status evaluation
0 引 言
煤炭资源在我国能源结构中一直占据重要地位，随着近几年的技术攻关，我国煤矿安全生产现状明显得到改善，但相比世界主要采煤国家的煤矿事故导致的死亡人数和百万吨死亡率，我国仍是煤矿事故最为严重的国家之一[1-2]。通过国家安全生产监督管理总局事故查询系统统计，2012—2017年11月，我国煤矿共发生事故226起，死亡1 554人;其中瓦斯事故91起，死亡853人，分别占煤矿事故起数和死亡人数的40.3%、54.9%，这说明我国煤矿安全形势依然严峻，在煤矿事故中，瓦斯仍是煤矿安全的第一杀手[3]。因此，对煤矿瓦斯防治现状进行准确评价并采取相应防治整改措施，这对提高煤矿瓦斯防治水平有着重大意义。
近年来，国内外学者从各方面对煤矿的安全评价进行了大量研究，提出了各具特色的评价方法，主要有层次分析法、模糊综合评价法、灰色理论分析法和神经网络模型等。层次分析法对定量数据需求少，计算简单[4-5];模糊综合评价法能反应事物之间的内部联系[6];灰色关联法容易統一指标间参数[7];神经网络有很强的非线性拟合能力[8]，但前3种方法均存在人为主观因素大、评价精度低的缺陷，同时模糊综合评价法中隶属函数和灰色评价法白化权函数难以确定，神经网络模型结构复杂，网络过度学习，易陷入局部极值及泛化能力差，精度受样本容量的影响。为避免以上评价方法的缺点，考虑到煤矿瓦斯防治系统的复杂性，文中将选用多级物元分析方法来评价煤矿瓦斯防治现状。
1 瓦斯防治现状评价指标体系
1.1 评价指标体系的建立
煤矿瓦斯防治的现状评价体系较为复杂，文中以我国煤矿瓦斯赋存条件、瓦斯防治特点以及煤矿安全管理现状为基础，从人-机-环境-技术-管理5个方面分析影响煤矿瓦斯防治现状安全的主要因素，构建煤矿瓦斯防治现状评价体系，其中包括5个一级指标和28个二级指标，如图1所示。
1.2 评价指标分级标准
根据评价指标体系，将煤矿瓦斯防治的现状安全分为4个等级Ⅰ～Ⅳ，分别表示安全、基本安全、存在较多事故隐患和危险。由于机械、人、管理以及技术因素中部分因素属于定性指标，需专家综合评分，即Ⅰ级(90～100分)、Ⅱ级(80～90分)、Ⅲ级(70～80分)、Ⅳ级(0～70分);其余指标主要为煤矿井下生产工作环境的属性状态，根据我国煤矿特点，参考文献[9-11]中的参数以及《防治煤与瓦斯突出规定》中瓦斯含量和瓦斯压力临界值进行量化处理，其评价标准见表1.
2 多级熵权物元评价模型原理及建立
2.1 多级熵权物元评价模型的基本原理
物元分析是蔡文研究员于1983年提出的一种新兴学科[12]，其中物元是用关于特征C的取值范围V对事物N进行描述的基本元，表示为R=(事物，特征，量值)=(N，C，V)，主要研究解决不相容问题的规律和方法。由于煤矿瓦斯防治现状受较多因素共同影响，存在不确定性和不相容性，使得评价更为复杂，而物元分析法在综合评价中恰能解决此类问题，故文中选用物元模型进行现状评价。考虑到影响瓦斯现状评价指标较多，各指标权重又会影响评价精确度，故在原物元模型基础上引入熵权法来确定各指标的权重w，并将影响指标归类分层，先完成指标体系中底层单要素的评价，再用相似的步骤依次从评价体系底层向顶层逐层递归[13-14]，即构建多级熵权物元评价模型。
2.2.1 物元量值归一化
由于各个评价指标的标度区间或者单位不同，需对物元量值进行归一化处理。
3 工程实例
本文以贵州省大方县某煤矿为例进行瓦斯防治现状评价分析，该矿设计能力180万t/a，地质构造复杂，可采及局部可采煤层有7层，煤层平均倾角为6°，煤层结构简单且稳定，采用平硐暗斜井开拓方式，分区式通风，属瓦斯矿井，矿区水文地质条件复杂，无煤层爆炸危险性。根据该矿的实际生产情况和瓦斯防治现状，采用现场调研和专家打分的方法，收集整理得到各指标实际数据并进行评价，指标取值见表2.
3.1 一级指标综合评价
运用以上理论和方法对煤矿瓦斯防治进行一级指标综合评价，由于评价步骤类似，以一级指标环境因素C1为例进行演算。
3.1.1 数值归一化处理
将煤矿的各指标实际值及等级区间按式(1)和(2)进行归一化处理，计算结果见表2.
3.1.2 确定C1的经典域、节域和待评物元
3.1.3 计算各C1i的关联度及C1综合关联度
在构建的经典域、节域、待评物元的基础上，按式(6)和(7)分别计算出指标C1下的各C1i关于安全等级的关联度;用式(8)-(11)熵权法所求的各指标对应的权重值带入式(12)得出一级指标C1的综合关联度，计算结果见表3.
3.1.4 确定C1安全等级及特征值
根据最大关联度原则，由表3可得一级指标环境因素C1的最大综合关联度K1(N)=0.07，安全等级为Ⅰ级，按照式(14)和(15)算出其特征值j*=1.70.
3.2 整体综合评价
重复以上步骤，计算剩余的一级指标关联度，并将所有一级指标评价结果组成评价指标集，用式(13)～(15)进行二级综合评价，最终得到该煤矿瓦斯防治的现状与各安全等级的关联度及特征值，计算结果见表4，可以看出该矿瓦斯防治现状安全等级最大综合关联度为K2(N)=0.03，安全等级为Ⅱ级，即基本安全，其等级特征值j*=1.72.
3.3 评价结果分析
1)由3.2可知，该煤矿瓦斯防治现状安全级别为Ⅱ级，处于基本安全狀态，特征值j*为1.72，即准确的安全等级为1.72级，介于Ⅰ级和Ⅱ级之间，更偏向于Ⅱ级，表明该煤矿瓦斯防治现状可接受，但也存在部分安全隐患，评价结果与该煤矿同期季度煤矿安全监管督查实际情况一致，仅在6中S204运输顺槽迎头发生过瓦斯超限，未发生较大及以上的瓦斯灾害事故。
2)由表4特征值可知，各因素对煤矿瓦斯防治现状评价的影响程度排序为：人>机械>管理>环境>技术。其中，人、机械、管理的等级特征值分别为2.00，1.77和1.76，均高于综合评价的特征值1.72，说明这3个因素是降低该煤矿瓦斯防治现状安全的主要原因。结合上述瓦斯超限事故，造成此次事故的直接原因是由于风机开关突发故障导致局部通风机停风，未能自动切换;间接原因是当班工人离开迎头提早上井，风机断电后无人及时处理，导致瓦斯积聚。人为与机械因素导致事故发生恰与评价模型分析结果一致，更进一步说明该评价模型的可行性与准确性。
4 结 语
1)从煤矿人、机、环境、技术和管理5个因素出发，构建了煤矿瓦斯防治现状评价体系，结合物元分析理论建立了煤矿瓦斯防治现状的多级熵权物元评价模型，并将该模型应用于贵州省某煤矿，其评价结果与实际相符，说明该评价模型合理可行，同样适用于类似的其他煤矿复杂系统的综合评价。
2)在物元评价模型中引入熵权法，客观得出了各指标对瓦斯防治现状影响的权重值，减少了人为因素的干扰和计算的复杂性;采用多级评价不仅准确得出煤矿瓦斯防治现状的安全等级，还精确得到各级各个评价指标的安全状况，其评价结果可作为瓦斯防治安全评价及应急处理的重要依据，煤矿企业可根据其及时有效的采取相应的防治管理措施。
参考文献：
[1] 董 丰，盛 武.煤矿瓦斯事故直接经济损失预测模型[J].技术与创新管理，2015，36(05)：526-530.
[2] 马 砺，王振平，郭 英，等.煤矿安全生产现状及管理对策研究[J].技术与创新管理，2015，36(03)：279-282.
[3] 国家安全生产监督管理总局，国家煤矿安监局.政府网站事故查询系统[EB/OL].http：//media.chinasafety.gov.cn：8090/iSystem/shigumain.jsp
[4] 邓小松.基于AHP的瓦斯爆炸事故危险源风险评价[J].煤炭工程，2015，47(03)：141-143.
[5] 李 磊.煤炭企业员工不安全行为影响因素重要度研究[J].技术与创新管理，2016，37(04)：397-400.
[6] 黄冬梅，谭云亮，常西坤，等.基于危险源理论的矿井瓦斯事故灰色——模糊综合评价[J].矿业安全与环保，2016，43(01)：41-44.
[7] 王云刚，周 辰，李 辉，等.基于熵权灰色关联法的煤与瓦斯突出主控因素分析[J].安全与环境学报，2016，16(06)：5-9.
[8] 梅 丽，王晓东.基于BA-BP算法的企业经营状况评价模型[J].技术与创新管理，2015，36(04)：385-387.
[9] 肖 鹏，丁 毅，李树刚.基于未确知测度的矿井瓦斯防治管理体系评价[J].中国安全科学学报，2017，27(01)：98-103.
[10]李青松.贵州煤矿安全生产形势及煤层赋存特性研究[C]//第十届全国煤炭工业生产一线青年技术创新文集.北京：中国煤炭学会，2016：197-200.
[11]黄仁东，张小军.基于熵权物元可拓模型的隧道瓦斯等级评价[J].中国安全科学学报，2012，22(04)：77-82.
[12]蔡 文.可拓论及其应用[J].科学通报，1999，44(07)：673-682.
[13]唐卫贞.基于物元模型的航空公司飞行安全风险综合评价[J].安全与环境学报，2015，15(02)：25-29.
[14]谭 妍，李树清，伍爱友，等.城市轨道交通隧道火灾风险的多级可拓综合评价[J].工业安全与环保，2016，42(04)：1-4.
[15]任海芝，洪曼绮.台阶爆破效果的熵权物元可拓法综合评价[J].金属矿山，2016，45(01)：1-7.
[16]朱必勇.基于熵权物元可拓模型的采空区危险等级评价[J].中国安全生产科学技术，2014，10(11)：180-186.
(责任编辑：张 江)
作者：白雯 谢雄刚 代伟 许石青 郭鹏飞
基于模糊综合评价的煤矿本质安全数据挖掘
[摘 要]本文应用模糊综合评价法得到煤矿本质安全等级和指标体系，应用模糊聚类算法确定主关键条件属性集，使用模糊数据挖掘出评估对象中煤矿本质安全等级同评估指标之间的规则知识，以一个实例为对象建立的煤矿本质安全模糊数据挖掘验证了该方法的可行性。[关键词]煤矿本质安全;模糊数据挖掘;模糊聚类
doi:10.3969/j.issn.1673-0194.2009.12.026
[
数据挖掘可以揭示出非常有价值的信息，而这些信息不是通过一般的查询所能察觉到的。但是数据仓库的容量越大，系统复杂性越高，相应的精确度就越低， 也就是说模糊性越强， 因而仅仅靠复杂算法和推理并不能完全发现知识，而且单纯的数据挖掘可能会
导致“尖锐边界”等问题。因此，本文考虑将由模糊算法和数据挖掘结合起来的模糊数据挖掘技术引入到煤矿本质安全评价系统中。
1 煤矿本质安全模糊综合评价模型
煤矿本质安全管理综合评价指标体系涉及人、机、环境、管理四大单元，评价对象的某些评价因子往往带有一定程度的模糊性，即具有非线性特征。它没有十分明确的界限和清楚的外延，不存在绝对的十分精确的肯定与否定。煤矿本质安全管理具有不确定性因素多，模糊性大，动态变化复杂等特性，人们的认识不同，对这些因素的褒贬程度也不尽相同，很难直接用统计学的方法确定这些因素的具体数值。
模糊综合评价法在利用评价矩阵计算各指标的隶属度时，取评价指标与隶属度的乘积的最大值，采用这样的方式有可能会丢失评价信息。此外，此评价结果得到的只是各级别的评价结果的隶属度，评价结果不够直观。因此，对此算法进行了改进，在利用评价矩阵计算各指标的隶属度时，按矩阵运算的方法进行。对于最后得到的评价结果的隶属度进行量化，得到直观的评价值。这样能极大限度地保留原始的评价信息，并通过了隶属度的量化，让评价结果更加直观。改进的模糊综合评价法的具体实现方法如下:
步骤1：确定评价因素集。
在表1层次中，分别用t1,t2,t3,t4来表示人员的不安全因素、机具的不安全因素、环境的不安全因素、管理的不安全因素，则得评价因素集T={t1,t2,t3,t4}。类似地，在分指标层中分别用u101,u102,…,u412,u413来表示操作不安全性,现场指挥的不安全性，…，没有有效的本质安全文化，其他管理的不安全因素，则得评价因素集U={u101,u102,…,u412,u413}。
确定指标集对应的权重集Q={q1,q2,…,qm}，按照层次分析法和BP网络法，求得了各指标和分指标的权重。再求其平均值，就得到各指标和分指标的综合权重，如表1所示。
步骤2：确定评语集。
对指标采用5级评语：煤矿本质安全管理Ⅰ(v1)、煤矿本质安全管理Ⅱ(v2)、煤矿本质安全管理Ⅲ(v3)、煤矿本质安全管理Ⅳ(v4)和非煤矿本质安全管理(v5)五个档次，并用评语集V={v1,v2,v3,v4,v5}表示。
确定评语集对应的数值集N={n1,n2,n3,n4,n5}。
步骤3：建立隶属函数，确定隶属度。
构造隶属度子集Ri={ri1,ri2,ri3,ri4,ri5}，其中：ri(i=1,2,…,m)指评价因素集中第i个指标对应评语集中每个v1,v2,v3,v4,v5的隶属度。
根据指标的不同性质，隶属函数分为两种情况：定量指标的评价和定性指标的评价。
(1)定量指标的单因素评价隶属函数。
ui的取值范围与评语集vj相对应的5个区间(-∞，60] 、(60，70] 、(70，80] 、(80，90] 、(90，∞] 。若将ui看成是某个区间上的普通集合，则会造成两个区间边缘点数值相差不大，而评语相差一个级别的不合理现象，为了消除这种不合理现象需作模糊化处理。具体做法是：设在中间区间的中点其隶属函数取最大值1，而在相邻两区间的中点其隶属函数取最小值0，连接1与0，得ui对评语等级vj的隶属函数μvj(ui)。
(2)定性指标的单因素评价隶属函数。
对于定性指标的单因素评价较难以量化，常采用模糊统计的方法。即让参与评价的各位专家按预先划定的评价标准给各评价因素划分等级，然后依次统计各评价因素属于等级vj的频数Mij，其隶属函数如下：
μvj(ui)=Mijn
其中：Mij是u1∈v1的次数;n是参与评价的专家人数;μvj(ui)是隶属函数。
为指标ui的单因素评价，它是评语集V上的模糊子集。
步骤4：计算评价矩阵。
对于每一个评价指标ti都可以得到一个隶属度子集Ri，那么m个Ri构成一个T×V域上的
计算T的用隶属度表示的评判值：
步骤6：如还有上一级评价指标，则用下一级求得的所有评判值S构成新的评价矩阵R，并重复步骤4和步骤5，直至最高一级，则可得到模糊综合评价的结果S。
步骤7：利用
S×N=(S1,S2,…,s5)
n1n2n5
，可以得到模糊综合评价的量化结果。
2 模糊数据挖掘
中国的煤矿经过几十年的安全管理和生产肯定有海量的安全评价数据，这些数据已经成为煤矿管理部门管理和决策的宝贵资源，从这些数据中发现有价值的信息成为一项非常艰巨的任务。实际上，在挖掘过程中要想把这些数据精确地分类是不可能的，也没有必要。现实的分类往往伴随着模糊性，所以用模糊理论来进行聚类分析，然后再进行预测，会显得更自然，更符合客观现实。这就是本文提到的模糊数据挖掘。对煤矿本质安全评价数据仓库的不同层次进行不同规则的推断，以得出对决策有用的规则，有利于领导的决策。运用模糊理论来进行数据挖掘的具体步骤如下。
在搜集了大量煤矿本质安全数据资料的情况下，建立待分类的样本集U，把要分类的对象称为样本如
，则U=u1,u2,u3,…,un为样本集。具体定性本质安全评价指标量化后的属性数据称为样本指标，设有m项指标，这可用m维向量描述样本，用集合表示为：
u1=(xi1,xi2,xi3,…,xim)
，得到原始数据矩阵为
，由于采集到的数据往往不是[0，1] 闭区间的数据，根据模糊矩阵的要求，通过下面两个公式将数据变换压缩到区间[0，1] 上。
(1)平移标准差变换。
x′ik=xik-xksk(i=1,2,…,n;k=1,2,…,m)(1)
是平均值。此时得到的标准化数据x′ik也不一定全在[0，1] 闭区间之内，还必须进行下面的变换。
(2)平移极差变换。
2.2 建立模糊相似矩阵
标出衡量被分类对象间相似程度的统计量。设论域U={u1,u2,u3,…,un}，其中每个元素为一个样本，建立U上的模糊相似矩阵：
计算rij的方法很多，在这里采用夹角余弦法，即：
2.3 聚类分析
常用聚类分类有3种方法：传递闭包法、最大树方法和编网法。传递闭包法用计算机容易实现，本文用平方法依次求：
R→R2→R4→…
，当第一次出现Rk•Rk=Rk时，Rk就是模糊相似矩阵 R的传递闭包t(R)，即t(R)=Rk。再让λ由大变到小，就可形成动态聚类图。
3 应用研究
3.1 评价指标体系的建立
煤矿本质安全管理是指在一定经济技术条件下，在煤矿全生命周期过程中对系统中已知规律的危险源进行预先辨识、评价、分级，进而对其进行消除、减小、控制，实现煤矿人-机-环境系统的最佳匹配，使事故降低到人们期望值和社会可接受水平的风险管理措施与办法。本质安全管理的重点是对危险源的管理，对其辨识过程应考虑人、机、环境、管理等4个方面的不安全因素。煤矿本质安全评价二级指标体系模型，如表1所示。
3.2 煤矿本质安全的模糊数据挖掘
为探究煤矿本质安全评估数据库中评估等级同评估项目之间的规则知识，以及这些规则对煤矿本质安全工作的影响，先选取中国某一产煤区，采用现场调查和问卷调查方式对随机抽取的10个煤矿2007年安全等级的评估进行讨论，找出评价指标同安全等级之间的规则知识。为使问题简单化，用上面的模糊综合评价法编制的程序分别计算10个煤矿4项一级指标的量化得分和煤矿安全评估等级，得到的数据如表2所示。
用F统计量确定最佳阈值λ≥0.711，此时关联强度最大，得主条件属性为{t1，t4}。其中，t1为人员的不安全因素，t4为管理的不安全因素。可见，对于煤矿本质安全评估数据库经过用模糊聚类方法进行分析得出，对于煤矿安全等级T这一结论属性而言，主条件属性集为{t1，t4}。
下面用粗糙集知识来进一步考察由主条件属性集得到的分类规则。
基于安全等级这一结论属性集T的记录值，可将表2划分为5类，分别用集合
当mi(i=1,2,…,10)作为分类条件，Kj(j=1,2,3,4,5)作为分类结论条件时，归纳总结后可得如下的分类规则：
综合以上4条规则分析如下：当人不安全因素得分
t1≥90
时安全等级T一定为“本安Ⅰ”;人不安全因素t1得89～80分时安全等级T一定为“本安Ⅱ”;人不安全因素t1得79～70分时安全等级T一定为“本安Ⅲ”;人不安全因素t1得69～60分时安全等级T一定为“本安Ⅳ”。从以上分类规则可知人不安全因素(t1)为互信息最大的特征属性。即凡是注重人不安全因素的煤矿，安全等级高，因此人不安全因素要放在煤矿本质安全首位，即煤矿要以人为本，注意人的安全教育和培训等。
由于该地区为国家新兴煤矿能源基地，煤矿生产装备现代化水平较高，且该地区地质条件简单，水、瓦斯、煤尘等环境因素引起安全隐患较少，故在本质安全评估指标体系中，人不安全因素和管理不安全因素两方面非常重要，每个煤矿都应引起高度重视。显然这与已有的研究成果和实际相吻合。
通过对煤矿本质安全管理综合评价，可以确定煤矿某一时期的安全生产状况，用于指导下一时期的安全管理工作， 其结果可作为煤矿本质安全管理评价的依据， 可以改善目前的安全管理状况。
4 结束语
本文使用模糊数据挖掘发现煤矿本质安全等级同评价指标之间的规则知识，依据该规则知识对挖掘结果进行有效的评价，并且在分析、预测方面有着很大的优势，从而可以帮助煤矿管理决策者找到影响该地区煤矿安全的关键因素。
主要参考文献
[1] 梁保松，曹殿立.模糊数学及其应用[M] . 北京:科学出版社， 2007: 67-78.
[2]洪月华. 基于模糊综合评价的课堂教学质量数据挖掘[J] . 计算机科学，2008， 35(2): 154-170.
[3]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.
[4]王金国. 构建本质安全型矿井对策研究[J] . 煤炭工程，2007(6): 8-10.
作者：陈章良 吴恒亮 张杏莉
基于PSO-Adam-GRU的煤矿瓦斯浓度预测模型
摘要：煤矿瓦斯浓度的精准预测是矿井瓦斯防治的关键。为了准确可靠地预测工作面瓦斯浓度，提出了一种基于门控循环单元方法的工作面瓦斯浓度预测模型。采用邻近均值法对数据缺失值和异常值进行补全，采用MinMaxScaler方法对实验数据进行归一化处理，为了提高模型精度和稳定性，采用粒子群算法和Adam算法对GRU超参数进行优化，从而构建了基于PSO-Adam-GRU的工作面瓦斯浓度预测模型。以崔家沟煤矿生产监测数据为样本数据进行模型训练，采用平均绝对误差、均方根误差、运行时间3种评价指标对预测模型性能进行评估，并将预测结果与BPNN和LSTM进行对比。结果表明：PSO-Adam-GRU较BPNN和LSTM具有更高的精度和稳定性，在预测过程中MAE可降低到0.058，RMSE可降低到0.005.结果表明，基于PSO-Adam-GRU的瓦斯浓度预测模型和参数优選方法可有效预测出瓦斯浓度，该模型在瓦斯浓度时间序列预测方面具有更高的准确性和鲁棒性，可为矿井瓦斯治理提供一定指导意见。
关键词：煤矿安全;瓦斯浓度预测;门控循环单元;粒子群算法
文献标志码：A
DOI：10.13800/j.cnki.xakjdxxb.2020.0224开放科学(资源服务)标识码(OSID)：
Gas concentration prediction model of working
face based on PSO-Adam-GRU
MA Li1，PAN Shao-bo 1，DAI Xin-guan1，SONG Shuang 2，SHI Xin-li 1
(1.College of Communication and InformationEngineering，Xi’an University of Science and Technology，Xi’an 710054，China;
2.College of Energy Science and Engineering，Xi’an University of Science and Technology，Xi’an 710054，China)
accurately and reliably，a gas concentration prediction model based on gate recurrent unit was proposed，the data missing value and outlier value were complemented by the neighboring mean method，and the experimental data was normalized by MinMaxScaler method.In order to improve the accuracy and stability of the model，the PSO and Adam algorithm are used to calculate the GRU hyperparameter Optimization，so as to construct a PSO-Adam-GRU gas concentration prediction model of working surface.
It takes Cuijiagou coal mine monitoring data as sample data for model training，and the performance of the prediction model was evaluated by the Mean Absolute Error，Root Mean Square Error and running time，Then the prediction results were compared with BPNN and LSTM methods.The experimental results show that GRU has higher precision and stability than BPNN and LSTM method，the MAE can be reduced to 0.058 during the prediction process，and the RMSE can be reduced to 0.005.The results indicate that the gas concentration prediction model and parameter optimization method based on PSO-Adam-GRU can effectively predict the gas concentration，the model has higher accuracy and robustness in gas concentration time series prediction，which can be provide some guidance for gas control in mine.
Key words：coal mine safety;gas concentration prediction;GRU;PSO
0引言
瓦斯浓度预测对煤矿安全生产管理有重要意义，而瓦斯浓度变化与煤矿井下温度、风流等多种因素相关，变化趋势较复杂，很难通过线性关系对瓦斯变化趋势进行描述和预测。而瓦斯浓度数据作为一种流数据，在时间上具有天然的连续性，可以理解为这种数据在前后时间序列上具有较强的相关性和因果性。因此，通过门控循环单元对基于时间序列的瓦斯数据变化趋势进行预测分析，实现瓦斯浓度内在关联关系的自动挖掘，通过对模型参数的不断调试，实现煤矿瓦斯浓度的高精度预测，为煤矿安全管理提供一定的决策依据。
针对瓦斯浓度预测问题，国内外专家做了大量的研究工作，其中付华、钱建生、郭瑞围绕支持向量机(SVM)构建了瓦斯预测模型[1-3];刘奕君、姜雷采用神经网络进行了瓦斯浓度预测的研究[4-5];此外一些专家采用马尔科夫模型[6]、多元分布滞后模型[7]、插值梯形模糊信息粒化等方法进行瓦斯浓度的预测[8]。以上的瓦斯浓度预测方法在瓦斯浓度预测的准确性和可靠性上都有很大的提高，但是研究数据样本偏小、时间跨度短，在其他场景应用上具有一定的局限性，难以适应变化趋势复杂的瓦斯浓度序列。
近年来，随着大数据和人工智能的发展，门控循环单元(Gated Recurrent Unit，GRU)在人体运动预测[9-10]、能源预测[11-12]、智能制造[13]、交通管理[14]等方面都取得了很好的应用。GRU是一种特殊的递归神经网络，其最大的特点在于上一次迭代的输出结果与下一次处理之后的输出结果密切相关，因此GRU适用于处理在时间上连续且相互影响的数据。针对传统技术所存在的问题和瓦斯浓度时间序列的特点，结合GRU处理时间序列数据的优越性，实现基于GRU的递归神经网络瓦斯浓度预测模型，根据瓦斯浓度的时空相关性实现时间序列缩放处理，利用实測监控数据完成模型的验证和分析，同时能根据预测精度进行自适应更新，使得瓦斯浓度预测在保证精度和时效性的前提下获得更好的实用性和扩展性。
1理论与建模
1.1门控循环单元
GRU是LSTM的优秀变体，由更新门和重置门2部分组成，较LSTM含有更少的参数，因此更易于训练和缓解过拟合问题。其结构单元如图1所示。
GRU结构单元的运行原理公式如式(1)～(4)所示。
1)更新门：确定上一隐藏层状态中记忆信息。
2)重置门：确定上一时刻隐藏层中遗忘信息。
3)确定当前记忆内容
4)确定当前时刻隐藏层保留的信息
式中W和U为权重;t和t-1为时刻;σ为Sigmoid函数;h为隐藏层状态;x为输入信息，[·]j为向量的第j个元素。
1.2粒子群优化算法
网格搜索法(Grid Search)[15-16]是一种指定参数穷举搜索的方法，是将估计的参数通过交叉验证的方法进行优化，以此得到最优参数的学习算法。即将各个参数的可能值进行自由排列组合，列举出所有可能的组合结果生成“网格”。网格的数量决定了模型的计算精度和运算成本，通常网格越密集精准度越高，运行成本越高 。但是当搜索参数设定的区间足够大时，且搜索步长足够小时，则需要较大的代价去寻找最优解。因此本论文采用粒子群优化算法(PSO)[17]，它是先确定一个小范围的“优质”参数搜索区间，然后在此区间中再进行小步长的精准搜索，从而降低运行成本，提高模型精准率。其运行原理如图2所示。
1.3工作面瓦斯浓度预测模型构建
根据Adam[18]原理和PSO优化算法，采用PSO-Adam优化算法优化GRU参数建立工作面瓦斯浓度预测模型的流程如图3所示。基于PSO-Adam-GRU工作面瓦斯浓度预测模型可分为3个步骤：输入层的数据处理、隐藏层的PSO-Adam优化训练和输出层的数据预测。其中隐藏层的PSO-Adam训练过程包括PSO全局优化和Adam局部优化，在全局优化阶段，采用PSO将训练初始点优化到全局最优解的邻域，以此降低运行成本和提高精准度;在局部优化阶段则采用Adam，从而使训练能够自适应的计算每个参数的学习效率，降低参数选取对模型精度的影响。
2数据预处理
为保证模型的可靠性与实用性，选取崔家沟矿工作面2018年7月1至2018年11月2日10 000条生产监控数据为研究基础。该数据包括10个变量：抽采浓度、混合流量、累计抽采日流量、纯流量、上隅角瓦斯浓度、回风流瓦斯浓度、工作面风量、温度、抽采负压、工作面瓦斯浓度。首先，对原始数据进行清洗，采用邻近均值法对数据缺失值和异常值进行补全。其次，对数据进行划分，将数据以7∶3划分为训练集和测试集，其中训练集用于模型训练，测试集用于检验模型学习效果。最后，针对数据中包含不同量纲的特征值和目标特征值变化较小的特点，采用MinMaxScaler方法对数据进行归一化处理，将数据缩放到[0，1]，以此提高数据的运行效率和预测的精度。原始数据和处理后的数据如图4和图5所示，MinMaxS-caler运行原理如式(5)～(6)所示。
式中Xstd为将X归一化到[0，1]之间;
XMin为列最小值;
Max，Min为MinMaxScaler最终结果大小范围。
3结果与分析
3.1评价指标
为保证模型预测的性能，在相同实验样本的前提下利用PSO-Adam-GRU，BP[19]和LSTM[20]对工作面瓦斯浓度进行模型训练和分析。同时采用平均绝对误差(MAE)、均方根误差(RMSE)、运行时间3种评价指标对预测模型性能进行评估。其运行公式如式(7)～(8)所示。
式中fi为瓦斯浓度预测值;yi为瓦斯浓度真实值。
3.2模型对比分析
根据PSO-Adam-GRU模型算法设计，PSO对GRU的寻优结果为batch=20，神经元数量=128，learning_rating=0.01，Dropout=0.1，采用两层的隐藏层结构。此外，采用相同参数下的LSTM网络，两层隐藏层结构的BP网络分别建立工作面瓦斯浓度预测模型。本实验搭建环境：CPU(i7-8700)，显卡(七彩虹-2080)，内存(32 G)。采用Keras[21]深度学习框架进行开发。
上述3种模型的测试结果性能对比如图6和图7所示。从图6可以看出，GRU在测试平均绝对误差和均方根误差上都优于BP和LSTM预测模型，同时GRU的测试误差分别集中在0.06～0.08和0.005～0.010，误差离散更少、范围更小，具有更高的稳定性。从图7可以看出，GRU的误差曲线收敛速度更快，同时可收敛到更优的梯度解。表1为3种预测模型详细的性能对比，由表1可得，GRU所消耗的运行成本更低为112 s，平均绝对误差可降低到0.058，均方根误差可降低到0.005，具有更高的精度。其原因为：GRU中含有更新门和重置门，较传统的BP网络更适合处理关联性较强的瓦斯浓度时间序列;此外相比于LSTM预测模型，GRU含有更少的参数，在降低运行成本的同时，降低了过拟合问题的可能性。
4结论
1)采用PSO-Adam算法优化GRU模型参数，以煤矿生产监控数据为基础建立瓦斯浓度预测的PSO-Adam-GRU模型，并与传统的BP模型、LSTM模型进行对比分析。
2)采用MinMaxScaler方法对实验数据进行处理，消除不同特征之间不同量级之间的影响，可有效的提高数据质量、提高模型收敛速度。
3)PSO-Adam-GRU预测模型相比LSTM和BP网络具有更高的预测精度和稳定性，更适用于工作面瓦斯浓度时间序列的预测。
参考文献(References)：
[1] 付华，代巍.基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法[J].传感技术学报，2016，29(6)：903-908.
FU Hua，DAI Wei.A dynamic prediction method of gas concentration in PSR-MK-LSSVM based on ACPSO[J].Journal of Transduction Technology，2016，29(6)：903-908.
[2]钱建生.深度学习耦合粒子群优化SVM的瓦斯浓度预测[J].煤矿安全，2016，47(11)：173-176.
QIAN Jian-sheng.Gas concentration prediction of deep learning coupled particle swarm optimization SVM[J].Safety in Coal Mines，2016，47(11)：173-176.
[3]郭瑞，徐广璐.基于信息融合与GA-SVM的煤矿瓦斯浓度多传感器预测模型研究[J].中国安全科学学报，2013，23(9)：33-38.
GUO Rui，XU Guang-lu.Research on multi-sensor prediction model of coal mine gas concentration based on information fusion and GA-SVM[J].Chinese Journal of Safety Science，2013，23(9)：33-38.
[4]
刘奕君，赵强，郝文利.基于遗传算法优化BP神经网络的瓦斯浓度预测研究[J].矿业安全与环保，2015，42(2)：56-60.
LIU Yi-jun，ZHAO Qiang，HAO Wen-li.Study on gas concentration prediction based on genetic algorithm optimized BP neural network[J].Mining Safety & Environmental Protection，2015，42(2)：56-60.
[5]姜雷.基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真[J].矿业安全与环保，2010，37(4)：37-39.
JIANG Lei.Construction and simulation of coal mine gas concentration prediction model based on BP neural network[J].Mining Safety & Environmental Protection，2010，37(4)：37-39.
[6]韩婷婷，吴世跃，王鹏军.基于马尔科夫残差修正的瓦斯浓度预测[J].工矿自动化，2014，40(3)：28-31.
HAN Ting-ting，WU Shi-yue，WANG Peng-jun.Prediction of gas concentration based on markov residual correction[J].Industrial and Mining Automation，2014，40(3)：28-31.
[7]楊丽，刘晖，毛善君，等.基于多元分布滞后模型的瓦斯浓度动态预测[J].中国矿业大学学报，2016，45(3)：455-461.
YANG Li，LIU Hui，MAO Shan-jun，et al.Dynamic prediction of gas concentration based on multivariate distributed lag model[J].Journal of China University of Mining & Technology，2016，45(3)：455-461.
[8]
吳兆法，吴响，钱建生.基于插值梯形模糊信息粒化的瓦斯浓度趋势预测[J].工矿自动化，2014，40(12)：31-36.
WU Zhao-fa，WU Xiang，QIAN Jian-sheng.Trend prediction of gas concentration based on interpolation trapezoidal fuzzy information granulation[J].Industrial Automation，2014，40(12)：31-36.
[9]桑海峰，陈紫珍.基于双向门控循环单元3D人体运动预测[J].电子与信息学报，2019，41(9)：2256-2263.
SANG Hai-feng，CHEN Zi-zhen.3D Human motion prediction based on two-way gated cyclic unit[J].Journal of Electronics & Information Technology，2019，41(9)：2256-2263.
[10]桑海峰，陈紫珍，何大阔.基于双向GRU和注意力机制模型的人体动作预测[J].计算机辅助设计与图形学学报，2019，31(7)：1166-1174.
SANG Hai-feng，CHEN Zi-zhen，HE Da-kuo.Human motion prediction based on two-way GRU and attention mechanism model[J].Journal of Computer-Aided Design & Computer Graphics，2019，31(7)：1166-1174.
[11]王增平，赵兵.基于GRU-NN模型短期负荷预测方法[J].电力系统自动化，2019，43(5)：53-62.
WANG Zeng-ping，ZHAO Bing.Short term load forecasting method based on GRU-NN model[J].Automation of Electric Power Systems，2019，43(5)：53-62.
[12]
牛哲文，余泽远，李波，等.基于深度门控循环单元神经网络的短期风功率预测模型[J].电力自动化设备，2018，38(5)：36-42.
NIU Zhe-wen，YU Ze-yuan，LI Bo，et al.A short-term wind power prediction model based on neural network with deep gated loop unit[J].Electric Power Automation Equipment，2018，38(5)：36-42.
[13]WANG Jin-jiang，YAN Jian-xing，
CHEN，et al.Deep heterogeneous GRU model for predictive analytics in smart manufacturing：Application to tool wear prediction[J].Computers in Industry，2019，111：1-14.
[14]Bert Dijk，Bruno F Santos，Joao P Pita.The recoverable robust stand allocation problem：a GRU airport case study[J].OR Spectrum，2019，41(3)：615-639.
[15]Mehdi Poorabdollah，Arezoo Kamran.Optimising cure cycle of unsaturated polyester nanocomposites using directed grid search method[J].Polymers & AMP，Polymer Composites，2019，27(5)：253-261.
[16]Hatem A，Fayed，Amir F Atiya.Speed up grid-search for parameter selection of support vector machines[J].Applied Soft Computing Journal，2019，80：202-210.
[17]
Boukhalfa Ghoulemallah，Belkacem Sebti，Chikhi Abdesselem，et al.Application of fuzzy PID controller based on genetic algorithm and particle swarm optimization in direct torque control of double star induction motor[J].Journal of Central South University，2019，26(7)：1886-1896.
[18]
CHANG Zi-han，ZHANG Yang，CHEN Wen-bo.Electricity price prediction based on hybrid model of adam optimized LSTM neural network and wavelet transform[J].Energy，2019：1-12.
[19]
WANG Liang，WANG Guang-wei，NING Xiao-jun，et al.Application of BP neural network to the prediction of coal ash melting characteristic temperature[J].Fuel，2020：1-8.
[20]
GENG Zhi-qiang，CHEN Guo-fei，HAN Yong-ming，et al.Semantic relation extraction using sequential and tree-structured LSTM with attention[J].Information Sciences，2020，509：182-192.
[21]
Fan H B，Liu W F，Wu J P et al.E
cosystem carbon pools in mixed stands of hardwood species and masson pine/Takungan karbon ekosistem dirian campur spesies kayu keras dan pain Masson[J].Journal of Tropical Forest Science，2013，25(2)：154-165.
作者：马莉 潘少波 代新冠 宋爽 石新莉
推荐阅读：
基于BP神经网络法的内蒙古中小企业创新能力评价模型构建12-24
脆弱性评价模型论文05-29
公司绩效评价模型研究论文04-29
公司绩效评价模型研究论文提纲11-15
实践合理用药管理模型和评价方法05-10
建设工程安全管理大数据智能评价模型09-14
评价模型（推荐8篇）03-24
