1.本發(fā)明涉及礦山安全管理技術(shù)領(lǐng)域，特別涉及一種基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)。

背景技術(shù)：

2.礦山安全管理通常以礦山在生產(chǎn)過(guò)程中積累的安全隱患排查數(shù)據(jù)作為原始數(shù)據(jù)來(lái)源，這些安全隱患檢查數(shù)據(jù)中包含了隱患發(fā)生時(shí)間、地點(diǎn)、隱患問(wèn)題描述等大量有效信息。但是安全檢查數(shù)據(jù)存在記錄隨意、用語(yǔ)不規(guī)范、行業(yè)習(xí)慣用語(yǔ)多、問(wèn)題描述不清晰等問(wèn)題，限制了其更深層次的有效利用，同時(shí)，礦山安全生產(chǎn)管理的特殊性和復(fù)雜性使得相應(yīng)的采礦安全信息維度眾多、內(nèi)容龐大、層次多極化，因而在傳統(tǒng)模式下，管理人員很難全面、實(shí)時(shí)、直觀地掌控和分析礦山的安全生產(chǎn)狀況。面對(duì)這些格式多樣、標(biāo)準(zhǔn)不一、以文本數(shù)據(jù)為主的非結(jié)構(gòu)化數(shù)據(jù)，礦山企業(yè)缺乏有效的分析方法，難以從海量的安全數(shù)據(jù)中提取出可指導(dǎo)安全生產(chǎn)的有價(jià)值信息，造成了數(shù)據(jù)資源的堆積與浪費(fèi)。

3.經(jīng)過(guò)分析研究，這些安全隱患記錄數(shù)據(jù)呈現(xiàn)出突出的大數(shù)據(jù)4v特征，即數(shù)據(jù)體量(volume)大、種類(variety)多樣、數(shù)據(jù)增長(zhǎng)速度(velocity)快、價(jià)值(value)密度低。受限于傳統(tǒng)數(shù)據(jù)分析的方法與功能，這些安全數(shù)據(jù)只用于完成簡(jiǎn)單的安全問(wèn)題處理、報(bào)表分析和數(shù)據(jù)統(tǒng)計(jì)，數(shù)據(jù)的生命周期相當(dāng)短暫，在隱患排查完成后即以分散化、無(wú)序化的形式堆積，沉淀成為大量的歷史數(shù)據(jù)，對(duì)于增加隱患排查的針對(duì)性、可視化描述安全隱患的分布規(guī)律和關(guān)聯(lián)關(guān)系等遠(yuǎn)未起到支撐作用。

4.大數(shù)據(jù)分析技術(shù)是通過(guò)分析挖掘算法實(shí)現(xiàn)從海量的、價(jià)值密度較低的數(shù)據(jù)中，提取出其中潛在有用的信息的過(guò)程，而且分析的對(duì)象可以是任何類型的數(shù)據(jù)。因此本文引入大數(shù)據(jù)分析中的文本挖掘與可視化方法，對(duì)這些礦山安全隱患數(shù)據(jù)進(jìn)行分析，挖掘安全隱患中的隱藏知識(shí)，以實(shí)現(xiàn)安全管控從事后分析到事前預(yù)防、從被動(dòng)應(yīng)對(duì)到主動(dòng)防控、從單一要素到精細(xì)協(xié)同的安全管理智能化的目標(biāo)。

技術(shù)實(shí)現(xiàn)要素：

5.本發(fā)明的目的在于提供一種基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，基于大數(shù)據(jù)平臺(tái)，以面向不同維度的安全管理主題挖掘、安全風(fēng)險(xiǎn)的智能辨識(shí)、安全隱患的產(chǎn)生與分布規(guī)律、安全事件產(chǎn)生機(jī)理的知識(shí)挖掘等大數(shù)據(jù)分析為基礎(chǔ)，建成以智能分析、辨識(shí)、挖掘以及知識(shí)發(fā)現(xiàn)為核心內(nèi)容的智慧安全分析與預(yù)警體系，為礦山安全風(fēng)險(xiǎn)識(shí)別、危險(xiǎn)源分級(jí)、安全防控策略以及安全應(yīng)急處置提供支持。

6.為解決上述技術(shù)問(wèn)題，本發(fā)明的實(shí)施例提供如下方案：

7.一種基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，包括：

8.大數(shù)據(jù)采集模塊，用于采集不同來(lái)源、不同格式的安全隱患數(shù)據(jù)；

9.大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊，用于對(duì)采集的安全隱患數(shù)據(jù)進(jìn)行提取、清洗、標(biāo)準(zhǔn)化預(yù)處理；

10.大數(shù)據(jù)分析模塊，用于以數(shù)據(jù)挖掘模型庫(kù)為基礎(chǔ)，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行分析，并對(duì)分析結(jié)果進(jìn)行結(jié)構(gòu)化存儲(chǔ)；

11.大數(shù)據(jù)可視化模塊，用于對(duì)大數(shù)據(jù)分析結(jié)果進(jìn)行可視化呈現(xiàn)，便于安全管理者進(jìn)行風(fēng)險(xiǎn)預(yù)警與科學(xué)決策。

12.優(yōu)選地，所述大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊具體用于：

13.整合行業(yè)語(yǔ)義詞庫(kù)：整合包括采礦工程、礦井通風(fēng)、礦山地質(zhì)勘探、礦山應(yīng)急救援、礦業(yè)詞匯術(shù)語(yǔ)在內(nèi)的礦山生產(chǎn)專業(yè)詞庫(kù)以及安全管理相關(guān)詞庫(kù)；

14.構(gòu)建自定義詞庫(kù)：在整合行業(yè)語(yǔ)義詞庫(kù)的基礎(chǔ)上，通過(guò)對(duì)礦山安全主題數(shù)據(jù)進(jìn)行詞義分解和關(guān)鍵語(yǔ)義提取，分析礦山安全管理中關(guān)注的要素，同時(shí)結(jié)合礦山安全管理特點(diǎn)構(gòu)建專門用于礦山安全主題大數(shù)據(jù)分析的語(yǔ)義詞庫(kù)；

15.動(dòng)態(tài)更新停用詞詞庫(kù)：去掉安全主題數(shù)據(jù)中的包括虛詞、副詞、序號(hào)在內(nèi)的無(wú)意義內(nèi)容，保留與安全主題相關(guān)的特征詞。

16.優(yōu)選地，所述大數(shù)據(jù)分析模塊包括：

17.數(shù)據(jù)維度劃分單元，以5w1h分析方法為指導(dǎo)，通過(guò)安全風(fēng)險(xiǎn)的成因要素聚類分析，結(jié)合礦山安全主題數(shù)據(jù)的特點(diǎn)及構(gòu)成，抽象并歸集安全主題數(shù)據(jù)的描述維度，并對(duì)各維度進(jìn)行概念分層和屬性劃分；

18.數(shù)據(jù)挖掘模型庫(kù)，包括多種數(shù)據(jù)挖掘模型，所述數(shù)據(jù)挖掘模型實(shí)例化后嵌入所述數(shù)據(jù)挖掘模型庫(kù)，便于大數(shù)據(jù)分析時(shí)進(jìn)行調(diào)用；使用時(shí)，針對(duì)不同的安全主題數(shù)據(jù)，選擇適合的數(shù)據(jù)挖掘模型進(jìn)行大數(shù)據(jù)分析。

19.優(yōu)選地，所述數(shù)據(jù)挖掘模型庫(kù)包括：

20.主題挖掘模型，用于揭示礦山頻發(fā)、高危、高風(fēng)險(xiǎn)的安全管理主題，實(shí)現(xiàn)安全管理主題域的挖掘與歸集；

21.語(yǔ)義網(wǎng)絡(luò)分析模型，用于以網(wǎng)絡(luò)格式表達(dá)知識(shí)構(gòu)造的模型，通過(guò)計(jì)算語(yǔ)義距離及安全隱患要素詞性，構(gòu)建安全隱患要素及其共現(xiàn)關(guān)系的集合，深層次地表示安全隱患結(jié)構(gòu)、層次及安全隱患間的因果關(guān)系，從而直接表達(dá)出安全隱患的語(yǔ)義關(guān)系；

22.關(guān)聯(lián)規(guī)則挖掘模型，用于挖掘礦山各類危險(xiǎn)源之間潛在的、隱含的關(guān)聯(lián)；

23.隱患分類模型，用于根據(jù)礦山安全隱患數(shù)據(jù)中蘊(yùn)含的安全隱患的規(guī)律、規(guī)則和知識(shí)，進(jìn)行安全隱患的自動(dòng)分類，以實(shí)現(xiàn)非結(jié)構(gòu)化礦山隱患文本資源的有序整合；

24.事故預(yù)測(cè)模型，用于揭示安全隱患可能的發(fā)展走向，并對(duì)由安全隱患積累導(dǎo)致的安全生產(chǎn)事故進(jìn)行預(yù)測(cè)。

25.優(yōu)選地，所述主題挖掘模型采用的算法包括hdp算法、lda算法、dtm算法、lsa算法和tf?idf算法；所述語(yǔ)義網(wǎng)絡(luò)分析模型采用的算法包括lsa算法和bm25算法；所述關(guān)聯(lián)規(guī)則挖掘模型采用的算法包括apriori算法；所述隱患分類模型采用的算法包括支持向量機(jī)算法、k最近鄰算法、人工神經(jīng)網(wǎng)絡(luò)算法和樸素貝葉斯算法；所述事故預(yù)測(cè)模型采用的算法包括統(tǒng)計(jì)回歸算法、時(shí)間序列算法、馬爾科夫鏈算法、灰色預(yù)測(cè)算法、神經(jīng)網(wǎng)絡(luò)算法和鏈路預(yù)測(cè)算法。

26.優(yōu)選地，所述大數(shù)據(jù)可視化模塊包括：

27.優(yōu)選地，所述大數(shù)據(jù)可視化模塊包括：

28.圖形可視化單元，用于按照人的行為、物的因素、環(huán)境影響、管理問(wèn)題、地點(diǎn)位置五

個(gè)因素對(duì)安全隱患數(shù)據(jù)中提取的高頻詞匯進(jìn)行分類，并通過(guò)圖形進(jìn)行可視化展示，以便于后續(xù)通過(guò)大數(shù)據(jù)分析方法智能辨識(shí)礦山生產(chǎn)過(guò)程中的主要危險(xiǎn)源；

29.時(shí)序特征可視化單元，用于利用時(shí)間線工具對(duì)安全隱患頻次進(jìn)行統(tǒng)計(jì)并以柱狀圖的形式進(jìn)行可視化展示，對(duì)安全隱患在時(shí)間維度呈現(xiàn)出的變化趨勢(shì)進(jìn)行擬合和預(yù)測(cè)，通過(guò)設(shè)置預(yù)警值的方式，實(shí)現(xiàn)基于頻次特征的礦山安全隱患預(yù)警；

30.多維特征可視化單元，用于采用?；鶊D對(duì)安全隱患在時(shí)間、空間、責(zé)任主體和隱患類型呈現(xiàn)出的多維特征進(jìn)行可視化展示；

31.層次特征可視化單元，用于利用層次邊緣捆綁技術(shù)對(duì)礦山安全隱患的層次結(jié)構(gòu)特征進(jìn)行可視化展示。

32.優(yōu)選地，所述圖形可視化單元通過(guò)以下圖形中的一種或多種進(jìn)行可視化展示：詞云圖、瀑布圖、?；鶊D、層次邊緣捆綁圖以及forceatlas圖形。

33.優(yōu)選地，所述礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)還包括系統(tǒng)管理模塊，所述系統(tǒng)管理模塊用于進(jìn)行數(shù)據(jù)接口管理、知識(shí)庫(kù)管理、數(shù)據(jù)挖掘模型庫(kù)管理和可視化組件管理。

34.本發(fā)明實(shí)施例提供的技術(shù)方案帶來(lái)的有益效果至少包括：

35.(1)面向文本挖掘的安全隱患多維數(shù)據(jù)集構(gòu)建；

36.本發(fā)明對(duì)礦山安全隱患數(shù)據(jù)進(jìn)行清洗整理，建立安全隱患文本語(yǔ)料庫(kù)，通過(guò)分詞、詞頻統(tǒng)計(jì)獲得隱患高頻詞表，對(duì)隱患信息進(jìn)行多維度分類及可視化，獲取安全隱患在致因、時(shí)間、空間維度分布規(guī)律，以詞云圖、社會(huì)網(wǎng)絡(luò)圖形式實(shí)現(xiàn)礦山安全隱患信息管理可視化。

37.(2)安全隱患主題的形成與聚類分析；

38.本發(fā)明基于主題挖掘算法構(gòu)建礦山安全隱患主題挖掘模型，對(duì)礦山隱患數(shù)據(jù)進(jìn)行深入挖掘，提取出隱患信息中隱含的隱患種類分布，并通過(guò)抽樣算法確定最佳隱患主題數(shù)量，得到反映礦山安全問(wèn)題的隱患主題，實(shí)現(xiàn)了礦山安全隱患數(shù)據(jù)中存在隱患問(wèn)題主題的自動(dòng)獲取，對(duì)礦山安全管理工作具有重要意義。

39.(3)基于安全隱患語(yǔ)義網(wǎng)絡(luò)的安全隱患辨識(shí)；

40.本發(fā)明構(gòu)建礦山安全隱患語(yǔ)義網(wǎng)絡(luò)圖，實(shí)現(xiàn)對(duì)礦山安全隱患問(wèn)題的整體描述，結(jié)合中心性分析得出礦山安全隱患各要素間影響程度，并進(jìn)一步探索以隱患語(yǔ)義網(wǎng)絡(luò)圖為基礎(chǔ)的安全隱患辨識(shí)分析方法，為礦山隱患辨識(shí)分析提供一種新的途徑。

41.(4)面向關(guān)聯(lián)規(guī)則模型的安全隱患并發(fā)特征分析；

42.本發(fā)明構(gòu)建了礦山隱患關(guān)聯(lián)規(guī)則挖掘模型，對(duì)安全隱患信息進(jìn)行關(guān)聯(lián)規(guī)則挖掘，挖掘出引發(fā)安全事故的隱患間的內(nèi)部關(guān)聯(lián)規(guī)律，實(shí)現(xiàn)了礦山安全隱患數(shù)據(jù)關(guān)聯(lián)規(guī)則的自動(dòng)獲取，通過(guò)獲取的隱患關(guān)聯(lián)規(guī)則可有效指導(dǎo)安全隱患檢查工作，提高礦山安全隱患排查效率。

43.(5)安全大數(shù)據(jù)分析的實(shí)體化應(yīng)用；

44.本發(fā)明利用大數(shù)據(jù)平臺(tái)數(shù)據(jù)挖掘和匯聚分析優(yōu)勢(shì)，建立多維數(shù)據(jù)分析場(chǎng)景和分析模型，通過(guò)可視化技術(shù)的運(yùn)用，將海量數(shù)據(jù)直觀展示，智慧安全管理重點(diǎn)數(shù)據(jù)醒目呈現(xiàn)，異常數(shù)據(jù)及時(shí)預(yù)警，發(fā)揮數(shù)據(jù)運(yùn)營(yíng)價(jià)值，動(dòng)態(tài)監(jiān)管礦山安全狀況。

附圖說(shuō)明

45.為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使

用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

46.圖1是本發(fā)明實(shí)施例提供的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)的框架示意圖；

47.圖2是本發(fā)明實(shí)施例提供的礦山安全隱患描述模型示意圖；

48.圖3是本發(fā)明實(shí)施例提供的時(shí)序特征可視化結(jié)果示意圖；

49.圖4是本發(fā)明實(shí)施例提供的多維特征可視化結(jié)果示意圖；

50.圖5是本發(fā)明實(shí)施例提供的層次特征可視化結(jié)果示意圖；

51.圖6是本發(fā)明實(shí)施例提供的礦山安全隱患辨識(shí)與預(yù)警的整體路線圖；

52.圖7是本發(fā)明實(shí)施例提供的人的安全行為詞云圖；

53.圖8是本發(fā)明實(shí)施例提供的物的不安全因素詞云圖；

54.圖9是本發(fā)明實(shí)施例提供的環(huán)境的影響因素詞云圖；

55.圖10是本發(fā)明實(shí)施例提供的管理問(wèn)題詞云圖；

56.圖11是本發(fā)明實(shí)施例提供的高頻隱患地點(diǎn)氣泡圖；

57.圖12是本發(fā)明實(shí)施例提供的礦山安全隱患lda主題挖掘模型結(jié)構(gòu)圖；

58.圖13是本發(fā)明實(shí)施例提供的礦山安全隱患lda主題挖掘模型原理圖；

59.圖14是本發(fā)明實(shí)施例提供的吉布斯算法計(jì)算過(guò)程示意圖；

60.圖15是本發(fā)明實(shí)施例提供的礦山隱患主題挖掘流程示意圖；

61.圖16是本發(fā)明實(shí)施例提供的吉布斯抽樣算法結(jié)果示意圖；

62.圖17是本發(fā)明實(shí)施例提供的金屬地下礦山安全隱患語(yǔ)義網(wǎng)絡(luò)圖；

63.圖18是本發(fā)明實(shí)施例提供的隱患語(yǔ)義網(wǎng)絡(luò)密度分析結(jié)果示意圖。

具體實(shí)施方式

64.為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。

65.本發(fā)明的實(shí)施例提供了一種基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，如圖1所示，所述系統(tǒng)包括：

66.大數(shù)據(jù)采集模塊，用于采集不同來(lái)源、不同格式的安全隱患數(shù)據(jù)；

67.大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊，用于對(duì)采集的安全隱患數(shù)據(jù)進(jìn)行提取、清洗、標(biāo)準(zhǔn)化預(yù)處理；

68.大數(shù)據(jù)分析模塊，用于以數(shù)據(jù)挖掘模型庫(kù)為基礎(chǔ)，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行分析，并對(duì)分析結(jié)果進(jìn)行結(jié)構(gòu)化存儲(chǔ)；

69.大數(shù)據(jù)可視化模塊，用于對(duì)大數(shù)據(jù)分析結(jié)果進(jìn)行可視化呈現(xiàn)，便于安全管理者進(jìn)行風(fēng)險(xiǎn)預(yù)警與科學(xué)決策。

70.在本發(fā)明的實(shí)施例中，上述各模塊以礦山安全隱患大數(shù)據(jù)平臺(tái)為基礎(chǔ)性平臺(tái)，基礎(chǔ)性平臺(tái)分為云計(jì)算和大數(shù)據(jù)分析兩部分，云計(jì)算為安全隱患數(shù)據(jù)的存儲(chǔ)、模型計(jì)算提供支持，大數(shù)據(jù)分析為安全隱患數(shù)據(jù)提取、加工、分析和深層次利用提供支撐。從事務(wù)處理和服務(wù)角度，所述系統(tǒng)可以劃分成數(shù)據(jù)資產(chǎn)管理和平臺(tái)運(yùn)維管理兩部分，數(shù)據(jù)資產(chǎn)管理主要

包括基礎(chǔ)數(shù)據(jù)采集和數(shù)據(jù)預(yù)處理，平臺(tái)運(yùn)維管理包括知識(shí)庫(kù)、算法庫(kù)、執(zhí)行分析腳本和數(shù)據(jù)可視化管理等。

71.進(jìn)一步地，所述大數(shù)據(jù)采集層將不同來(lái)源、不同格式的安全隱患數(shù)據(jù)按照統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)進(jìn)行集中存儲(chǔ)。安全隱患數(shù)據(jù)來(lái)源廣泛，采集形式多樣，安全隱患數(shù)據(jù)主要來(lái)源于不同周期、不同主題的礦山現(xiàn)場(chǎng)安全檢查工作，數(shù)據(jù)表現(xiàn)為非結(jié)構(gòu)化文本數(shù)據(jù)以及圖像、視頻資料，數(shù)據(jù)采集形式分為電腦端和移動(dòng)端軟件兩種。

72.進(jìn)一步地，所述大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊具體用于：

73.整合行業(yè)語(yǔ)義詞庫(kù)：整合包括采礦工程、礦井通風(fēng)、礦山地質(zhì)勘探、礦山應(yīng)急救援、礦業(yè)詞匯術(shù)語(yǔ)在內(nèi)的礦山生產(chǎn)專業(yè)詞庫(kù)以及安全管理相關(guān)詞庫(kù)；

74.構(gòu)建自定義詞庫(kù)：在整合行業(yè)語(yǔ)義詞庫(kù)的基礎(chǔ)上，通過(guò)對(duì)礦山安全主題數(shù)據(jù)進(jìn)行詞義分解和關(guān)鍵語(yǔ)義提取，分析礦山安全管理中關(guān)注的要素，同時(shí)結(jié)合礦山安全管理特點(diǎn)構(gòu)建專門用于礦山安全主題大數(shù)據(jù)分析的語(yǔ)義詞庫(kù)；

75.動(dòng)態(tài)更新停用詞詞庫(kù)：去掉安全主題數(shù)據(jù)中的包括虛詞、副詞、序號(hào)在內(nèi)的無(wú)意義內(nèi)容，保留與安全主題相關(guān)的特征詞。

76.本發(fā)明實(shí)施例中，所述大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊將安全隱患文本數(shù)據(jù)進(jìn)行提取、轉(zhuǎn)換、清洗、標(biāo)準(zhǔn)化處理后，歸集為不同主題的數(shù)據(jù)倉(cāng)庫(kù)，生成面向決策分析需求的數(shù)據(jù)立方體。安全隱患數(shù)據(jù)清洗包括缺失數(shù)據(jù)填補(bǔ)、錯(cuò)誤數(shù)據(jù)修正、以及數(shù)據(jù)格式統(tǒng)一等；針對(duì)文本數(shù)據(jù)特征，需結(jié)合礦山安全知識(shí)構(gòu)建安全隱患標(biāo)準(zhǔn)化詞庫(kù)，運(yùn)用詞庫(kù)實(shí)現(xiàn)安全隱患描述的標(biāo)準(zhǔn)化分詞，并從時(shí)間、空間、致因、類型、責(zé)任主體等維度構(gòu)建安全隱患數(shù)據(jù)立方體。

77.進(jìn)一步地，所述大數(shù)據(jù)分析模塊包括：

78.數(shù)據(jù)維度劃分單元，以5w1h分析方法為指導(dǎo)，通過(guò)安全風(fēng)險(xiǎn)的成因要素聚類分析，結(jié)合礦山安全主題數(shù)據(jù)的特點(diǎn)及構(gòu)成，抽象并歸集安全主題數(shù)據(jù)的描述維度，并對(duì)各維度進(jìn)行概念分層和屬性劃分；

79.數(shù)據(jù)挖掘模型庫(kù)，包括多種數(shù)據(jù)挖掘模型，所述數(shù)據(jù)挖掘模型實(shí)例化后嵌入所述數(shù)據(jù)挖掘模型庫(kù)，便于大數(shù)據(jù)分析時(shí)進(jìn)行調(diào)用；使用時(shí)，針對(duì)不同的安全主題數(shù)據(jù)，選擇適合的數(shù)據(jù)挖掘模型進(jìn)行大數(shù)據(jù)分析。

80.其中，確定數(shù)據(jù)觀察的角度與知識(shí)挖掘路徑，是大數(shù)據(jù)分析的前提和基礎(chǔ)，這需要對(duì)大量隱患信息進(jìn)行維度化、標(biāo)準(zhǔn)化處理。安全隱患排查記錄數(shù)據(jù)均以非結(jié)構(gòu)或半結(jié)構(gòu)化的文字形式記錄，同時(shí)數(shù)據(jù)的記錄方式受到檢查人員用語(yǔ)習(xí)慣影響存在較大差異，為安全知識(shí)挖掘帶來(lái)了難度，為此，探索一種安全數(shù)據(jù)結(jié)構(gòu)化表達(dá)方式十分重要，滿足從多個(gè)維度對(duì)安全問(wèn)題進(jìn)行描述的要求。為確保對(duì)安全問(wèn)題描述維度抽取過(guò)程的全面性，本發(fā)明實(shí)施例中以5w1h分析方法(即六何分析方法)為指導(dǎo)，最終提煉出的礦山安全隱患描述模型如圖2所示。

81.數(shù)據(jù)挖掘模型庫(kù)是安全隱患分析與辨識(shí)的核心部件。通過(guò)分析各類數(shù)據(jù)挖掘算法的優(yōu)勢(shì)與適用條件，結(jié)合礦山安全隱患數(shù)據(jù)特征，選擇適合處理礦山安全隱患數(shù)據(jù)的模型，在將模型實(shí)例化后嵌入系統(tǒng)模型庫(kù)，便于數(shù)據(jù)分析時(shí)的自動(dòng)化、便捷化調(diào)用。

82.具體地，所述數(shù)據(jù)挖掘模型庫(kù)包括主題挖掘模型、語(yǔ)義網(wǎng)絡(luò)分析模型、關(guān)聯(lián)規(guī)則挖掘模型、隱患分類模型和事故預(yù)測(cè)模型。

83.主題挖掘模型用于揭示礦山頻發(fā)、高危、高風(fēng)險(xiǎn)的安全管理主題，實(shí)現(xiàn)安全管理主

題域的挖掘與歸集，以此提高礦山安全管理工作的針對(duì)性。主題挖掘模型是一種概率生成模型，常用于挖掘大規(guī)模文檔集的潛在主題，其基本原理是通過(guò)詞項(xiàng)在文檔集中的共現(xiàn)信息，利用概率反推文檔的主題結(jié)構(gòu)，進(jìn)而得到整個(gè)文檔集的主題分布。主題挖掘模型采用的算法包括：hdp算法、lda算法、dtm算法、lsa算法和tf?idf算法等。其中，lda算法具有較強(qiáng)的泛化能力，適合處理大量數(shù)據(jù)集，同時(shí)該算法對(duì)于描述不規(guī)范、存在大量專業(yè)詞匯的文本數(shù)據(jù)具有較高的準(zhǔn)確度，因此，本發(fā)明實(shí)施例中選用lda算法進(jìn)行安全隱患數(shù)據(jù)的主題挖掘。

84.隨著礦山安全隱患數(shù)據(jù)容量不斷擴(kuò)大，安全隱患文本表現(xiàn)出海量、無(wú)序、離散特征，梳理安全隱患語(yǔ)義脈絡(luò)成為礦山安全管理的難題之一。語(yǔ)義網(wǎng)絡(luò)分析模型是一種以網(wǎng)絡(luò)格式表達(dá)知識(shí)構(gòu)造的模型，通過(guò)計(jì)算語(yǔ)義距離及安全隱患要素詞性，構(gòu)建安全隱患要素及其共現(xiàn)關(guān)系的集合，深層次地表示安全隱患結(jié)構(gòu)、層次及安全隱患間的因果關(guān)系，從而直接表達(dá)出安全隱患的語(yǔ)義關(guān)系。語(yǔ)義網(wǎng)絡(luò)分析模型采用的算法主要包括潛在語(yǔ)義分析(lsa)算法和bm25算法等。

85.安全隱患的各類危險(xiǎn)源不是孤立存在的，它們之間存在潛在的、隱含的關(guān)聯(lián)，礦山各類危險(xiǎn)源之間隱含關(guān)聯(lián)規(guī)則的揭示對(duì)提高危險(xiǎn)源識(shí)別的準(zhǔn)確性和隱患排查效率具有重要作用。關(guān)聯(lián)規(guī)則挖掘模型用于挖掘礦山各類危險(xiǎn)源之間潛在的、隱含的關(guān)聯(lián)。apriori算法是挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)目集的經(jīng)典算法，利用apriori算法，通過(guò)設(shè)置適當(dāng)?shù)闹С侄?、置信度和提升度閾值可以挖掘出引發(fā)礦山安全事故的隱患間的內(nèi)部關(guān)聯(lián)規(guī)律，以此為基礎(chǔ)構(gòu)建一種關(guān)聯(lián)隱患預(yù)警方法，為隱患的預(yù)測(cè)性排查和安全事故致因的隱含性要素揭示提供模型支持，有助于礦山企業(yè)實(shí)現(xiàn)本質(zhì)安全。

86.隱患分類模型用于根據(jù)礦山安全隱患數(shù)據(jù)中蘊(yùn)含的安全隱患的規(guī)律、規(guī)則和知識(shí)，進(jìn)行安全隱患的自動(dòng)分類，以實(shí)現(xiàn)非結(jié)構(gòu)化礦山隱患文本資源的有序整合。常用的文本分類算法包括：支持向量機(jī)算法、k最近鄰算法、人工神經(jīng)網(wǎng)絡(luò)算法和樸素貝葉斯算法等。其中，支持向量機(jī)方法可以保證解的唯一性和全局最優(yōu)性，解決了神經(jīng)網(wǎng)絡(luò)等算法難以避免的局部極值問(wèn)題，且算法復(fù)雜度與樣本維度無(wú)關(guān)，具有穩(wěn)定性、魯棒性、高準(zhǔn)確率等優(yōu)點(diǎn)，因此，本發(fā)明實(shí)施例中優(yōu)選采用svm算法進(jìn)行安全隱患類型的分類。

87.準(zhǔn)確的事故隱患預(yù)測(cè)能夠?qū)踩[患消滅在萌芽狀態(tài)，使安全生產(chǎn)事故由事后處置轉(zhuǎn)變?yōu)槭虑邦A(yù)防，保證礦山企業(yè)生產(chǎn)安全。事故預(yù)測(cè)模型用于揭示安全隱患可能的發(fā)展走向，并對(duì)由安全隱患積累導(dǎo)致的安全生產(chǎn)事故進(jìn)行預(yù)測(cè)。常用的事故預(yù)測(cè)算法有統(tǒng)計(jì)回歸算法、時(shí)間序列算法、馬爾科夫鏈算法、灰色預(yù)測(cè)算法、神經(jīng)網(wǎng)絡(luò)算法和鏈路預(yù)測(cè)算法等。本發(fā)明實(shí)施例中采用arima模型對(duì)由安全隱患積累導(dǎo)致的安全生產(chǎn)事故進(jìn)行預(yù)測(cè)，通過(guò)揭示安全隱患可能的發(fā)展走向，使管理人員以全新的視角解決安全隱患特征提取及預(yù)測(cè)等諸多問(wèn)題。

88.進(jìn)一步地，所述大數(shù)據(jù)可視化模塊包括：

89.圖形可視化單元，用于按照人的行為、物的因素、環(huán)境影響、管理問(wèn)題、地點(diǎn)位置五個(gè)因素對(duì)安全隱患數(shù)據(jù)中提取的高頻詞匯進(jìn)行分類，并通過(guò)圖形進(jìn)行可視化展示，以便于后續(xù)通過(guò)大數(shù)據(jù)分析方法智能辨識(shí)礦山生產(chǎn)過(guò)程中的主要危險(xiǎn)源；

90.其中，所述圖形可視化單元通過(guò)以下圖形中的一種或多種進(jìn)行可視化展示：詞云圖、瀑布圖、桑基圖、層次邊緣捆綁圖以及forceatlas圖形等；

91.時(shí)序特征可視化單元，用于利用時(shí)間線工具對(duì)安全隱患頻次進(jìn)行統(tǒng)計(jì)并以柱狀圖

的形式進(jìn)行可視化展示，對(duì)安全隱患在時(shí)間維度呈現(xiàn)出的變化趨勢(shì)進(jìn)行擬合和預(yù)測(cè)，通過(guò)設(shè)置預(yù)警值的方式，實(shí)現(xiàn)基于頻次特征的礦山安全隱患預(yù)警。時(shí)序特征可視化結(jié)果如圖3所示。

92.多維特征可視化單元，用于采用桑基圖對(duì)安全隱患在時(shí)間、空間、責(zé)任主體和隱患類型呈現(xiàn)出的多維特征進(jìn)行可視化展示。

93.礦山安全檢查從多個(gè)維度上考量隱患發(fā)生的原因及具體情況，包括時(shí)間、地點(diǎn)、隱患問(wèn)題、責(zé)任人、獎(jiǎng)懲措施、整改辦法等，多維數(shù)據(jù)可視化可以幫助安全管理人員發(fā)現(xiàn)數(shù)據(jù)多個(gè)屬性維度間的關(guān)系，而高維可視化越有效，識(shí)別出潛在的模式、相關(guān)性或離群值的概率越高。?；鶊D可以突出呈現(xiàn)安全隱患的關(guān)鍵信息流動(dòng)，同時(shí)形象地展現(xiàn)隱患特征在不同隱患主體之間的比例關(guān)系，有助于管理人員把握安全隱患細(xì)節(jié)。采用?；鶊D對(duì)安全隱患在時(shí)間、空間、責(zé)任主體和隱患類型等維度呈現(xiàn)出的多維特征進(jìn)行可視化，結(jié)果如圖4所示。圖中的每個(gè)分支代表1條信息流，分支的寬度和流向分別呈現(xiàn)了不同維度安全隱患的發(fā)生頻率及特點(diǎn)。

94.層次特征可視化單元，用于利用層次邊緣捆綁技術(shù)對(duì)礦山安全隱患的層次結(jié)構(gòu)特征進(jìn)行可視化展示。

95.礦山安全隱患數(shù)據(jù)量龐大且層次結(jié)構(gòu)不清晰，需要借助可視化方法對(duì)數(shù)據(jù)的結(jié)構(gòu)和形式進(jìn)行轉(zhuǎn)換，更好地呈現(xiàn)出數(shù)據(jù)間關(guān)聯(lián)、層級(jí)與脈絡(luò)。層次邊緣捆綁技術(shù)可以用于表示節(jié)點(diǎn)間的網(wǎng)絡(luò)關(guān)系，適合節(jié)點(diǎn)較多的數(shù)據(jù)關(guān)系可視化。本發(fā)明利用層次邊緣捆綁技術(shù)對(duì)礦山安全隱患的層次結(jié)構(gòu)特征進(jìn)行可視化，結(jié)果如圖5所示。

96.進(jìn)一步地，所述礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)還包括系統(tǒng)管理模塊，所述系統(tǒng)管理模塊用于進(jìn)行數(shù)據(jù)接口管理、知識(shí)庫(kù)管理、數(shù)據(jù)挖掘模型庫(kù)管理和可視化組件管理。

97.系統(tǒng)管理模塊能夠保證系統(tǒng)在安全隱患數(shù)據(jù)來(lái)源增加、數(shù)據(jù)挖掘模型擴(kuò)充以及可視化形式日益豐富的情況下具有良好的升級(jí)能力。

98.下面以三山島金礦安全管理體系和大數(shù)據(jù)平臺(tái)為例，對(duì)本發(fā)明的實(shí)施過(guò)程進(jìn)行詳細(xì)的闡述。

99.本實(shí)施例中礦山安全隱患辨識(shí)與預(yù)警的整體路線如圖6所示。

100.由于安全隱患排查原始數(shù)據(jù)具有記錄隨意、內(nèi)容丟失、錄入錯(cuò)誤等問(wèn)題，為了保證文本挖掘效果首先對(duì)原始數(shù)據(jù)進(jìn)行規(guī)范化處理，剔除責(zé)任人、責(zé)任單位等內(nèi)容、僅保留數(shù)據(jù)中時(shí)間、地點(diǎn)、隱患問(wèn)題部分，同時(shí)對(duì)記錄中不規(guī)范格式及錯(cuò)別字進(jìn)行糾正，處理后的規(guī)范信息如表1所示。

101.表1部分安全隱患檢查隱患信息

[0102][0103][0104]

由于文本挖掘?qū)ο鬄榈V山隱患排查信息，數(shù)據(jù)中包含大量礦山生產(chǎn)專業(yè)詞匯，為了提高文本分詞的準(zhǔn)確性，在進(jìn)行文本挖掘前需添加自定義詞庫(kù)。因此，針對(duì)安全管控過(guò)程中涉及到的安全問(wèn)題描述，結(jié)合通用語(yǔ)義庫(kù)、礦山生產(chǎn)專業(yè)詞匯、安全管理專用場(chǎng)景等，構(gòu)建普遍適用于金屬地下礦山的語(yǔ)義分詞庫(kù)。

[0105]

分詞選用jieba包進(jìn)行，取前200經(jīng)過(guò)處理的高頻詞作為有效分詞結(jié)果(最小詞頻大于45)，部分高頻詞如表2所示。

[0106]

表2部分高頻隱患詞表

[0107]

[0108]

分詞后將被拆分的同義詞進(jìn)行合并如戴安全帽、安全帽；裂隙、裂縫等。由于挖掘?qū)ο鬄殡[患排查信息，分詞后出現(xiàn)大量采場(chǎng)、安全、隱患等詞匯，這些詞匯雖然可以判斷文本內(nèi)容但對(duì)隱患挖掘及分析沒(méi)有明顯作用故將其刪除。

[0109]

經(jīng)過(guò)分詞與詞頻統(tǒng)計(jì)后的安全隱患詞匯中包含了大量隱含信息，其中各類詞匯混雜。有表示各類設(shè)施與物品的名詞例如導(dǎo)爆管、風(fēng)機(jī)、配電箱等，也有表示作業(yè)行為的動(dòng)詞包括掘進(jìn)、沖幫等，表示地點(diǎn)位置的頂板、迎頭、斜坡道等。而確定數(shù)據(jù)觀察的角度與知識(shí)挖掘路徑，是大數(shù)據(jù)分析的前提和基礎(chǔ)，這需要對(duì)大量隱患信息進(jìn)行維度化、標(biāo)準(zhǔn)化處理。安全隱患排查記錄數(shù)據(jù)均以非結(jié)構(gòu)或半結(jié)構(gòu)化的文字形式記錄，同時(shí)數(shù)據(jù)的記錄方式受到檢查人員用語(yǔ)習(xí)慣影響存在較大差異，為安全知識(shí)挖掘帶來(lái)了難度，為此，探索一種安全數(shù)據(jù)結(jié)構(gòu)化表達(dá)方式十分重要，滿足從多個(gè)維度對(duì)安全問(wèn)題進(jìn)行描述的要求。

[0110]

為確保對(duì)安全問(wèn)題描述維度抽取過(guò)程的全面性，將5w1h要素分析法與礦山的安全生產(chǎn)管理相結(jié)合，擴(kuò)展并形成具備普遍適用性的安全管理要素集，通過(guò)安全風(fēng)險(xiǎn)的成因要素聚類分析，結(jié)合礦山安全主題數(shù)據(jù)的特點(diǎn)及主要內(nèi)容構(gòu)成，抽象并歸集安全主題數(shù)據(jù)的描述維度，并對(duì)各維度進(jìn)行概念分層和屬性劃分，形成適用于金屬地下礦山安全主題數(shù)據(jù)結(jié)構(gòu)化表達(dá)的體系框架。

[0111]

在完成安全主題數(shù)據(jù)的維度定義與格式化的基礎(chǔ)上，進(jìn)一步采用文本聚類方法，將文本特征詞歸集到相應(yīng)的維度，形成安全主題多維數(shù)據(jù)集。采用數(shù)理統(tǒng)計(jì)分析方法對(duì)安全風(fēng)險(xiǎn)產(chǎn)生的頻次數(shù)據(jù)進(jìn)行加工，形成多維數(shù)據(jù)集中關(guān)于安全風(fēng)險(xiǎn)發(fā)生次數(shù)方面的事實(shí)數(shù)據(jù)，同時(shí)為安全隱患的時(shí)空分布規(guī)律研究與內(nèi)蘊(yùn)知識(shí)發(fā)現(xiàn)提供格式化的數(shù)據(jù)集合，實(shí)現(xiàn)大量描述性的安全主題數(shù)據(jù)的標(biāo)準(zhǔn)化和格式化，基于此可得到的安全隱患多維特征分析圖。

[0112]

根據(jù)現(xiàn)代安全理論企業(yè)安全生產(chǎn)管理要素分為人、物、環(huán)、管，即人員的不安全作業(yè)行為、設(shè)備物料的不安全狀態(tài)、作業(yè)環(huán)境的缺陷以及在安全管理中出現(xiàn)的問(wèn)題都是引發(fā)事故的原因。為了從事故致因維度探究礦山安全隱患數(shù)據(jù)中隱含的信息，按照人的行為、物的因素、環(huán)境影響、管理問(wèn)題、地點(diǎn)位置五個(gè)因素對(duì)隱患高頻詞匯進(jìn)行分類并通過(guò)詞云圖的方式進(jìn)行可視化表示，利用大數(shù)據(jù)分析方法智能辨識(shí)礦山生產(chǎn)過(guò)程中的主要危險(xiǎn)源。隱患詞匯分類說(shuō)明如表3所示。

[0113]

表3金屬地下礦山隱患詞語(yǔ)分類說(shuō)明

[0114][0115][0116]

人員不安全行為分析：

[0117]

為了揭示安全隱患信息中人員不安全行為所涉及隱患問(wèn)題，首先對(duì)隱患詞匯按照人的不安全行為進(jìn)行分類，分類后結(jié)果如表4所示。

[0118]

表4人的不安全行為分類結(jié)果(部分)

[0119][0120]

從表中可以看出在人的行為中錨桿支護(hù)作業(yè)問(wèn)題出現(xiàn)頻率最高其次為掘進(jìn)、沖幫、吊掛等作業(yè)行為，反映出在該礦山生產(chǎn)作業(yè)時(shí)支護(hù)作業(yè)出現(xiàn)隱患問(wèn)題最多，且較為嚴(yán)重其次為掘進(jìn)、沖幫、吊掛等作業(yè)行為。

[0121]

為了更直觀的展示分類中人的安全行為概況，采用finebi進(jìn)行詞云圖繪制，通過(guò)調(diào)節(jié)詞云圖形與顏色并將分后統(tǒng)計(jì)好的詞頻加載生成詞云圖，如圖7所示。圖中字體大小代表該問(wèn)題出現(xiàn)頻率，頻率越高字體越大。通過(guò)詞云圖的形式將安全隱患信息中人的安全行為進(jìn)行可視化表示，描述出安全隱患中人因問(wèn)題的分布情況，相比圖表形式使信息表達(dá)更直觀高效。

[0122]

物的不安全因素分析：

[0123]

為了揭示隱患信息中材料設(shè)備等不安全因素的影響情況，對(duì)隱患詞匯按照物的不安全狀態(tài)進(jìn)行分類，分類后結(jié)果如表5所示。

[0124]

表5物的不安全因素分類結(jié)果(部分)

[0125][0126]

從表中可以看出在物的因素中風(fēng)帶、風(fēng)機(jī)、配電箱、炸藥等排名靠前說(shuō)明這些設(shè)備和材料出現(xiàn)隱患問(wèn)題較為頻繁。從炸藥、導(dǎo)爆管、殘藥等詞匯高頻出現(xiàn)可以看出，礦山爆破

作業(yè)中存在不安全因素較多。吉普車、鏟運(yùn)機(jī)、電機(jī)車、卡車暴露出車輛問(wèn)題頻繁發(fā)生。使用詞云圖對(duì)礦山生產(chǎn)中物的不安全因素進(jìn)行可視化表示，如圖8所示。

[0127]

環(huán)境影響分析：

[0128]

對(duì)隱患詞匯按照環(huán)境的影響因素進(jìn)行分類，分類后結(jié)果如表6所示，從表中可以看出在環(huán)境的影響中浮石、照明問(wèn)題較為嚴(yán)重，其次為積水、通風(fēng)、淤泥等環(huán)境問(wèn)題。

[0129]

表6環(huán)境影響因素分類結(jié)果(部分)

[0130][0131][0132]

使用詞云圖對(duì)礦山生產(chǎn)中環(huán)境的影響因素進(jìn)行可視化表示，如圖9所示。

[0133]

管理問(wèn)題分析：

[0134]

對(duì)隱患詞匯按照管理問(wèn)題進(jìn)行分類，分類后結(jié)果如表7所示，從管理問(wèn)題中可以看出文明生產(chǎn)問(wèn)題突出，戴安全帽、缺少防護(hù)措施、超載等安全管理問(wèn)題較為常見。在管理問(wèn)題中從超載、超員、超速、安全帶等詞匯可以看出，運(yùn)輸作業(yè)中暴露出的管理缺陷較為嚴(yán)重。

[0135]

表7管理問(wèn)題分類結(jié)果(部分)

[0136][0137]

使用詞云圖對(duì)礦山生產(chǎn)中管理問(wèn)題進(jìn)行可視化表示，如圖10所示。

[0138]

隱患地點(diǎn)分析：

[0139]

對(duì)隱患詞匯按照隱患發(fā)生地點(diǎn)進(jìn)行分類，分類后結(jié)果如表8所示。

[0140]

表8隱患地點(diǎn)分類結(jié)果(部分)

[0141][0142]

從表中可以看出，在隱患發(fā)生地點(diǎn)中頂板出現(xiàn)頻率最高暴露出頂板文件較為嚴(yán)峻，其次為迎頭(掘進(jìn)面)、路面與風(fēng)井。使用氣泡圖對(duì)礦山生產(chǎn)中隱患高頻率發(fā)生地點(diǎn)進(jìn)行可視化表示，如圖11所示。

[0143]

由于礦山安全隱患數(shù)據(jù)存在數(shù)據(jù)量大、隱患問(wèn)題復(fù)雜多類等特點(diǎn)，在礦山安全管理中難以實(shí)現(xiàn)針對(duì)隱患數(shù)據(jù)對(duì)隱患類別進(jìn)行劃分，更難以發(fā)現(xiàn)安全隱患問(wèn)題中隱藏的隱患主題。鑒于此，引入主題挖掘算法通過(guò)構(gòu)建礦山隱患主題挖掘模型，對(duì)礦山生產(chǎn)作業(yè)中存在的隱患問(wèn)題進(jìn)行深入挖掘，通過(guò)獲取的能反映出礦山安全問(wèn)題的隱患主題，指導(dǎo)礦山安全管理工作針對(duì)性的開展。

[0144]

由于lda主題模型具有較強(qiáng)的泛化能力，適合處理大量數(shù)據(jù)集，同時(shí)該模型對(duì)于描述不規(guī)范、存在大量專業(yè)詞匯的文本數(shù)據(jù)具有較高的準(zhǔn)確度，因此選取lda主題模型對(duì)礦山安全隱患文本數(shù)據(jù)進(jìn)行隱患主題挖掘。

[0145]

lda主題模型基于貝葉斯概率結(jié)構(gòu)，具有挖掘文本數(shù)據(jù)中隱患主題的能力。該模型將文檔數(shù)據(jù)集中的每篇文檔視為非單一主題，而整體文檔是由一系列主題按比例相混雜構(gòu)成的。

[0146]

礦山安全隱患主題挖掘模型由三層貝葉斯概率結(jié)構(gòu)組成，由上至下依次為隱患數(shù)據(jù)、隱患主題、隱患特征詞，安全隱患主題挖掘?qū)嵸|(zhì)為利用隱患詞匯的共現(xiàn)特征來(lái)挖掘隱患的主題。其結(jié)構(gòu)圖如圖12所示。

[0147]

lda主題模型作為一種無(wú)監(jiān)督的機(jī)器學(xué)習(xí)技術(shù)，其模型原理如圖13所示。圖中k為隱患主題數(shù)，n表示隱患數(shù)據(jù)集d中隱患總數(shù)。公式中主題為φ

1:k

，φ

k

表示第k個(gè)隱患主題的特征詞分布，φ

k

為v維向量(v為詞典中詞匯總數(shù))；θ

d

表示第d條隱患記錄的主題分布，θ

d

是k維向量(k為隱患主題總數(shù))，θ

d,k

表表示第k個(gè)隱患主題在第d條隱患記錄中的比例；z

d

表示第d條隱患數(shù)據(jù)的全體，其中z

d,n

是第d條隱患數(shù)據(jù)中第n個(gè)隱患詞匯的主題；w

d

為第d條隱患中所有的隱患詞匯，其中w

d,n

表示第d條隱患數(shù)據(jù)中第n個(gè)隱患詞匯。

[0148]

圖中聯(lián)合分布以及l(fā)da模型的后驗(yàn)概率分別如式(1)式(2)所示：

[0149][0150]

[0151]

從礦山lda主題模型的隱患主題生成過(guò)程中可以看出，在模型運(yùn)算中需要對(duì)兩個(gè)參數(shù)進(jìn)行估計(jì)；“隱患集

?

隱患主題”分布θ

d

和“隱患主題

?

隱患詞匯”分布φ

k

。通常使用吉布斯(gibbs)抽樣算法對(duì)這兩個(gè)參數(shù)進(jìn)行計(jì)算估計(jì)，計(jì)算過(guò)程如公式(3)所示。

[0152][0153]

吉布斯(gibbs)抽樣算法的核心原理為：以循環(huán)的條件分布抽樣方法，使得每次抽樣結(jié)果近于全概率分布，也就是在每次抽樣時(shí)只對(duì)一個(gè)分量進(jìn)行采樣，并且除該分量之外的其他的分量保持不變。因此吉布斯抽樣算法適用于大規(guī)模數(shù)據(jù)集中，并且實(shí)現(xiàn)起來(lái)較為容易。圖14為吉布斯算法計(jì)算過(guò)程，圖中p(zi|z

?

i

,d,w)為更新規(guī)則，作用為排除當(dāng)前詞的主題分配。

[0154]

在對(duì)礦山安全隱患進(jìn)行主題挖掘前需要對(duì)礦山安全隱患數(shù)據(jù)進(jìn)行預(yù)處理，處理過(guò)程包括隱患分詞與詞頻統(tǒng)計(jì)。為保證主題挖掘準(zhǔn)確度，首先需要對(duì)分詞結(jié)果進(jìn)行加權(quán)，隨后采用gibbs抽樣算法進(jìn)行l(wèi)da主題模型參數(shù)估計(jì)，通過(guò)10折交叉檢驗(yàn)獲得最優(yōu)參數(shù)，將結(jié)果帶入lda

?

gibbs模型進(jìn)行計(jì)算，獲取最終主題挖掘結(jié)果。具體流程如圖15所示。

[0155]

采用“困惑度”對(duì)lda主題模型最佳主題數(shù)進(jìn)行估計(jì)，在困惑度最小時(shí)可確定最佳主題數(shù)量。通常困惑度越小，主題模型的泛化能力和推廣性就越好，困惑度計(jì)算公式如式(4)：

[0156][0157]

式中：p表示困惑度；n_d表示第d條隱患數(shù)據(jù)中的隱患詞數(shù)；w_(d,i)為第d條隱患數(shù)據(jù)中第i個(gè)隱患詞匯。在實(shí)驗(yàn)中依次對(duì)隱患主題數(shù)t取值10，20，

…

，100，取a經(jīng)驗(yàn)值為50/t，β＝0.01，采用10折交叉檢驗(yàn)，迭代訓(xùn)練1000次，迭代測(cè)試100次。如圖16是運(yùn)用gibbs抽樣算法的計(jì)算結(jié)果，從圖中可以看出，在困惑度最低且出現(xiàn)拐點(diǎn)處確定最優(yōu)主題數(shù)為10個(gè)。

[0158]

由于礦山安全隱患復(fù)雜多變，但每種隱患都不能忽視，出現(xiàn)頻率較小的安全隱患若不能及時(shí)發(fā)現(xiàn)仍可能導(dǎo)致安全事故發(fā)生，因此在主題模型計(jì)算前引入tf

?

idf算法進(jìn)行詞向量加權(quán)，加權(quán)算法如式(5)。

[0159][0160]

式中：tf(t,d)表示詞頻；idf(t)表示逆向文件頻率。將隱患分詞結(jié)果經(jīng)過(guò)tf

?

idf算法加權(quán)后帶入?yún)?shù)運(yùn)用lda

?

gibbs模型計(jì)算，得到安全隱患主題10個(gè)，將獲取的安全隱患主題中的噪聲主題詞進(jìn)行刪除處理，同時(shí)結(jié)合礦山生產(chǎn)實(shí)際情況對(duì)獲取的安全隱患主題進(jìn)行總結(jié)劃分。經(jīng)過(guò)整理的主題挖掘結(jié)果見表9所示。

[0161]

表9基于lda的礦山安全隱患主題挖掘結(jié)果

[0162][0163]

通過(guò)對(duì)主題挖掘結(jié)果進(jìn)行分析及實(shí)地調(diào)研發(fā)現(xiàn)，獲得的10個(gè)安全隱患主題很好的反應(yīng)了該礦山在2011年至2021年間存在的主要安全隱患類型。因此說(shuō)明lda主題模型對(duì)礦山安全隱患文本數(shù)據(jù)進(jìn)行主題挖掘的結(jié)果具有實(shí)際意義，并且獲得的礦山安全隱患主題對(duì)隱患排查與治理具有重要參考價(jià)值。

[0164]

語(yǔ)義網(wǎng)絡(luò)思想及圍繞語(yǔ)義網(wǎng)絡(luò)目標(biāo)實(shí)現(xiàn)所開發(fā)的一系列技術(shù)，稱為語(yǔ)義網(wǎng)絡(luò)技術(shù)，簡(jiǎn)稱語(yǔ)義技術(shù)(semantic technology)。語(yǔ)義技術(shù)為異構(gòu)數(shù)據(jù)提供數(shù)據(jù)互操作的技術(shù)基礎(chǔ)，也為大數(shù)據(jù)的有效分析提供一種技術(shù)途徑。語(yǔ)義網(wǎng)絡(luò)(語(yǔ)義技術(shù))的主要思想包括：

[0165]

(1)任何信息系統(tǒng)都需要數(shù)據(jù)；

[0166]

(2)數(shù)據(jù)表示要獨(dú)立于具體的應(yīng)用和平臺(tái)，以保證最大程度的可重用性；

[0167]

(3)采用統(tǒng)一的數(shù)據(jù)概念表示，以保證數(shù)據(jù)表示獨(dú)立于具體系統(tǒng)(可采用triple/tuple形式)；

[0168]

(4)數(shù)據(jù)應(yīng)能描述網(wǎng)絡(luò)資源(要采用rdf/rdfs或其他類似的語(yǔ)言)；

[0169]

(5)數(shù)據(jù)應(yīng)提供初步推理支持(要采用owl或其他知識(shí)表示語(yǔ)言)。值得注意的是rdf/rdfs/owl均采用triple語(yǔ)義模型。

[0170]

以下介紹語(yǔ)義網(wǎng)絡(luò)在礦山安全隱患分析當(dāng)中的應(yīng)用。

[0171]

礦山安全管理知識(shí)可視化需要對(duì)原始安全數(shù)據(jù)中隱含的關(guān)聯(lián)關(guān)系、潛在規(guī)律進(jìn)行分析挖掘，礦山安全大數(shù)據(jù)為安全管理知識(shí)可視化提供了數(shù)據(jù)來(lái)源。對(duì)于“大數(shù)據(jù)”的概念，idc將其定義為：大數(shù)據(jù)必須是高速、實(shí)時(shí)的數(shù)據(jù)量，且數(shù)據(jù)量超過(guò)100tb；如果數(shù)據(jù)量不大，那么年增長(zhǎng)數(shù)據(jù)量必須大于60％。該定義只是給出了大數(shù)據(jù)量化的標(biāo)準(zhǔn)，但并不能代表全部大數(shù)據(jù)的定義，如不相關(guān)和不準(zhǔn)確的數(shù)據(jù)就不是大數(shù)據(jù)。礦山安全生產(chǎn)過(guò)程中積累的海量安全數(shù)據(jù)要成為大數(shù)據(jù)，需要按照一致性、完整性、實(shí)時(shí)性、精確性、實(shí)體統(tǒng)一性原則對(duì)數(shù)據(jù)進(jìn)行篩選，只有同時(shí)滿足這五個(gè)原則才能保證數(shù)據(jù)的有效性，從而保證安全管理者獲取安全信息的及時(shí)性、準(zhǔn)確性、完整性，這也是提高安全管理者對(duì)安全信息認(rèn)知的時(shí)效性和精度以及保證安全管理者及時(shí)、精準(zhǔn)、有效做出安全管理決策的關(guān)鍵。

[0172]

根據(jù)統(tǒng)計(jì)發(fā)現(xiàn)，礦山生產(chǎn)過(guò)程中受到700多種安全隱患的威脅，如果對(duì)些隱患進(jìn)行

實(shí)時(shí)監(jiān)控，一天將產(chǎn)生300gb左右的數(shù)據(jù)量。根據(jù)對(duì)礦山安全大數(shù)據(jù)特征的分析和對(duì)礦山安全大數(shù)據(jù)屬性的分析可知，礦山安全大數(shù)據(jù)具有4“v”特征，同時(shí)也具有多來(lái)源對(duì)象、多時(shí)空尺度、多主題類型、多專業(yè)領(lǐng)域等屬性。由此可知，礦山安全監(jiān)測(cè)監(jiān)控系統(tǒng)24h不間斷進(jìn)行監(jiān)測(cè)監(jiān)控的風(fēng)速、礦壓、溫度、人員定位、供電、各種機(jī)電設(shè)備開停、視頻監(jiān)控錄像、安全隱患記錄、礦石產(chǎn)量等數(shù)據(jù)屬于大數(shù)據(jù)的范疇。對(duì)這些安全大數(shù)據(jù)進(jìn)行分析挖掘和知識(shí)可視化研究，揭示其中隱含的重要信息、規(guī)律、規(guī)則和知識(shí)，對(duì)提高安全管理的科學(xué)性具有重要意義。

[0173]

對(duì)于詞頻分析只是把隱患因素看作單一的個(gè)體，而事故發(fā)生由多個(gè)隱患因素導(dǎo)致。事故發(fā)生各類理論所涉及的因素不同，但理論呈現(xiàn)出相似的結(jié)構(gòu)，可統(tǒng)一用集合表達(dá)，描述如式(6)：

[0174]

sn＝{t1，t2，t3，t4，

…

，tn}

???

(6)

[0175]

其中：sn為安全事故；tn為隱患因素。

[0176]

根據(jù)分詞后整理所得高頻詞表，利用共現(xiàn)分析方法分析安全隱患檢查數(shù)據(jù)中各隱患因素的共現(xiàn)規(guī)律，并確定礦山安全隱患因素集合。共現(xiàn)分析原理是統(tǒng)計(jì)一組詞語(yǔ)在同一文本中出現(xiàn)的次數(shù)，并通過(guò)詞語(yǔ)與共現(xiàn)關(guān)系的集合反應(yīng)隱患數(shù)據(jù)的主體內(nèi)容，進(jìn)而達(dá)到在文本數(shù)據(jù)中集中挖掘隱含知識(shí)的目的。通過(guò)共詞分析導(dǎo)出共現(xiàn)vna矩陣，既表示各詞匯同時(shí)出現(xiàn)情況，如表10所示。

[0177]

表10礦山安全隱患詞匯共現(xiàn)矩陣(部分)

[0178][0179]

將共現(xiàn)矩陣導(dǎo)入netdraw工具繪制語(yǔ)義網(wǎng)絡(luò)圖，通過(guò)調(diào)整布局后得到如圖17所示的金屬地下礦山安全隱患語(yǔ)義網(wǎng)絡(luò)圖。

[0180]

圖中各隱患詞匯節(jié)點(diǎn)間的連線表示兩個(gè)隱患詞匯共同出現(xiàn)在同一條安全隱患檢查記錄中，而連線的線條粗細(xì)程度代表同出現(xiàn)的頻率，頻率越高線條越粗。網(wǎng)絡(luò)圖中節(jié)點(diǎn)方塊的大小代表節(jié)點(diǎn)中心度，方塊越大則節(jié)點(diǎn)中心度越大，節(jié)點(diǎn)中心度大小表示出該節(jié)點(diǎn)在語(yǔ)義網(wǎng)絡(luò)中的地位以及重要程度。

[0181]

語(yǔ)義網(wǎng)絡(luò)節(jié)點(diǎn)中包括：

[0182]

人的各類作業(yè)與不安全行為(掘進(jìn)、沖幫、刷頂、錨桿支護(hù)、超載等)；

[0183]

設(shè)備材料(風(fēng)帶、風(fēng)機(jī)、配電箱、炸藥等)；

[0184]

環(huán)境問(wèn)題(積水、照明、坑洼、淤泥等)；

[0185]

隱患地點(diǎn)(頂板、路面、迎頭等)；

[0186]

安全隱患狀態(tài)與程度(冒落、不達(dá)標(biāo)、不徹底、破碎等)。

[0187]

借助語(yǔ)義網(wǎng)絡(luò)可以很明顯的看出各類隱患詞之間的關(guān)聯(lián)關(guān)系。隱患語(yǔ)義網(wǎng)絡(luò)通過(guò)節(jié)點(diǎn)間箭頭與連線，將礦山生產(chǎn)中類作業(yè)與不安全行為、設(shè)備材料、環(huán)境問(wèn)題、隱患地點(diǎn)、隱患狀態(tài)與程度關(guān)聯(lián)在一起形成對(duì)安全隱患較為完整的描述。

[0188]

安全隱患語(yǔ)義網(wǎng)絡(luò)分析流程如下：

[0189]

(1)語(yǔ)義中心性分析

[0190]

中心性(centrality)是社交網(wǎng)絡(luò)分析(social network analysis,sna)中常用的一個(gè)概念，用以表達(dá)社交網(wǎng)絡(luò)中一個(gè)點(diǎn)或者一個(gè)人在整個(gè)網(wǎng)絡(luò)中所在中心的程度，這個(gè)程度用數(shù)字來(lái)表示就被稱作為中心度(也就是通過(guò)知道一個(gè)節(jié)點(diǎn)的中心性來(lái)了解判斷這個(gè)節(jié)點(diǎn)在這個(gè)網(wǎng)絡(luò)中所占據(jù)的重要性的概念)。

[0191]

既在礦山安全隱患語(yǔ)義網(wǎng)絡(luò)中，中心度越高的隱患具有更大的影響力。在中心性分析中，度中心度表示網(wǎng)絡(luò)中一個(gè)節(jié)點(diǎn)與其他節(jié)點(diǎn)直接連接的總和。既在礦山安全隱患語(yǔ)義網(wǎng)絡(luò)中代表某個(gè)隱患問(wèn)題與其他隱患問(wèn)題在安全隱患檢查中同時(shí)出現(xiàn)的次數(shù)總和，也就是說(shuō)度中心度越大，該隱患問(wèn)題在礦山安全隱患中的影響程度越大。

[0192]

為了對(duì)礦山安全隱患語(yǔ)義網(wǎng)絡(luò)進(jìn)行中心性分析，將得到的礦山安全隱患共現(xiàn)vna矩陣導(dǎo)入社會(huì)網(wǎng)絡(luò)分析算法中，對(duì)隱患語(yǔ)義網(wǎng)絡(luò)進(jìn)行中心性與網(wǎng)絡(luò)密度分析。隱患語(yǔ)義網(wǎng)絡(luò)中心性分析結(jié)果如表11所示，表中為節(jié)點(diǎn)度中心度排名前20的高頻隱患詞。

[0193]

表11隱患語(yǔ)義網(wǎng)絡(luò)中心性分析結(jié)果

[0194][0195]

同時(shí)，輸出結(jié)果中包括了語(yǔ)義網(wǎng)絡(luò)中心勢(shì)及相關(guān)參數(shù)，在結(jié)果中網(wǎng)絡(luò)中心勢(shì)(network centralization)為8.75％，網(wǎng)絡(luò)異質(zhì)性(heterogeneity)為5.30％。通常來(lái)說(shuō)語(yǔ)義網(wǎng)絡(luò)中心勢(shì)越接近于100％其集中趨勢(shì)越明顯。

[0196]

根據(jù)隱患語(yǔ)義網(wǎng)絡(luò)中心性分析結(jié)果，金屬地下礦山安全隱患語(yǔ)義網(wǎng)絡(luò)中心勢(shì)為8.75％，根據(jù)中心勢(shì)概念可以發(fā)現(xiàn)隱患網(wǎng)絡(luò)中隱患問(wèn)題集中趨勢(shì)不明顯，這表明該金屬地下礦山安全隱患問(wèn)題以及隱患類型相對(duì)分散。

[0197]

從表11中可以發(fā)現(xiàn)，“浮石”、“頂板”、“迎頭”、“錨桿支護(hù)”點(diǎn)度中心度數(shù)值較高，其中“浮石”、“頂板”點(diǎn)度中心度值為9309、7555，說(shuō)明它們?cè)诰W(wǎng)絡(luò)中最為重要，它們是礦山安全隱患語(yǔ)義網(wǎng)絡(luò)結(jié)構(gòu)中的核心。

[0198]

從表中可以看出“頂板”、“迎頭”、“路面”等表示空間位置的詞匯點(diǎn)度中心度數(shù)值較高，因此這些地點(diǎn)是安全隱患發(fā)生的重點(diǎn)區(qū)域，“浮石”、“錨桿支護(hù)”、“積水”、“風(fēng)帶”、“照明”等表示隱患內(nèi)容的詞匯點(diǎn)度中心度數(shù)值較高，表明這些問(wèn)題為需要重點(diǎn)防范的安全隱患。

[0199]

(2)語(yǔ)義網(wǎng)絡(luò)密度分析

[0200]

語(yǔ)義網(wǎng)絡(luò)密度是指在網(wǎng)絡(luò)中各節(jié)點(diǎn)間的連接緊密程度，網(wǎng)絡(luò)密度由網(wǎng)絡(luò)中實(shí)際存在的節(jié)點(diǎn)間連接總數(shù)與理論上可能存在的節(jié)點(diǎn)間連接數(shù)量相比得到，也就是說(shuō)網(wǎng)絡(luò)中節(jié)點(diǎn)

間的連接關(guān)系越多則網(wǎng)絡(luò)密度越大。并且網(wǎng)絡(luò)整體的密度越大，該網(wǎng)絡(luò)對(duì)其中節(jié)點(diǎn)產(chǎn)生的影響就越大。通過(guò)網(wǎng)絡(luò)密度分析得到網(wǎng)絡(luò)密度分析結(jié)果如圖18所示。

[0201]

從網(wǎng)絡(luò)密度分析結(jié)果中可知，該礦山安全隱患語(yǔ)義網(wǎng)絡(luò)密度(matrixaverage)為0.0399，結(jié)果呈強(qiáng)關(guān)聯(lián)性，表明該礦山安全隱患語(yǔ)義網(wǎng)絡(luò)中各隱患節(jié)點(diǎn)間具有較強(qiáng)關(guān)聯(lián)性。

[0202]

之后，進(jìn)行面向關(guān)聯(lián)大數(shù)據(jù)分析的安全隱患誘導(dǎo)與演化分析。

[0203]

關(guān)聯(lián)規(guī)則反映的是一個(gè)事件和其他事件之間依賴或關(guān)聯(lián)的知識(shí)。當(dāng)我們查找英文文獻(xiàn)的時(shí)候，可以發(fā)現(xiàn)有兩個(gè)英文詞都能形容關(guān)聯(lián)的含義。第一個(gè)是相關(guān)性relevance，第二個(gè)是關(guān)聯(lián)性association，兩者都可以用來(lái)描述事件之間的關(guān)聯(lián)程度。主要相關(guān)的算法是apriori算法，使用候選項(xiàng)集找頻繁項(xiàng)集。

[0204]

apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法，其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集，簡(jiǎn)稱頻集。

[0205]

該算法的基本思想是：首先找出所有的頻集，這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持度一樣。然后由頻集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度和最小可信度。然后使用第1步找到的頻集產(chǎn)生期望的規(guī)則，產(chǎn)生只包含集合的項(xiàng)的所有規(guī)則，其中每一條規(guī)則的右部只有一項(xiàng)，這里采用的是中規(guī)則的定義。一旦這些規(guī)則被生成，那么只有那些大于用戶給定的最小可信度的規(guī)則才被留下來(lái)。為了生成所有頻集，使用了遞推的方法。

[0206]

礦山安全事故的發(fā)生是由各類隱患共同作用而促成的，同時(shí)也說(shuō)明各類安全隱患并不是單獨(dú)存在的，它們之間或多或少存在著一定關(guān)聯(lián)關(guān)系，如采場(chǎng)出現(xiàn)風(fēng)機(jī)損壞或者風(fēng)筒破損的情況時(shí)會(huì)導(dǎo)致采場(chǎng)通風(fēng)變差、氧氣濃度降低、溫度升高等問(wèn)題，因此不同安全隱患間有一定的內(nèi)在關(guān)聯(lián)性。

[0207]

安全事故的直接致因是安全隱患，而安全隱患的產(chǎn)生是由危險(xiǎn)源的失控引起的。由“傷害金字塔”模型可知，要消除死亡、重傷害等安全事故，就必須消除人的不安全行為、物的不安全狀態(tài)和管理上的缺陷以及潛在的危險(xiǎn)源等。但是暴露安全隱患的各類危險(xiǎn)源之間并不是孤立的，它們之間存在潛在的、隱含的關(guān)聯(lián)。

[0208]

如有研究表明，支護(hù)問(wèn)題是否完好對(duì)頂板事故發(fā)生具有直接影響；通風(fēng)混亂、風(fēng)量不足和無(wú)風(fēng)微風(fēng)等是導(dǎo)致co等有毒氣體積聚事故的主要原因。揭示暴露安全隱患的各類危險(xiǎn)源之間隱含的關(guān)聯(lián)關(guān)系，對(duì)提高危險(xiǎn)源識(shí)別的準(zhǔn)確性和隱患排查效率具有重要作用。

[0209]

礦山安全隱患關(guān)聯(lián)分析的核心內(nèi)容是通過(guò)對(duì)歷史記錄的安全隱患信息進(jìn)行深入分析，挖掘出引發(fā)安全事故的隱患間是否存在關(guān)聯(lián)，以及哪些隱患容易同時(shí)引發(fā)安全事故。通過(guò)構(gòu)建礦山安全隱患關(guān)聯(lián)規(guī)則模型可以實(shí)現(xiàn)對(duì)隱患間內(nèi)部關(guān)聯(lián)進(jìn)行深入挖掘分析，從而探索關(guān)聯(lián)規(guī)則挖掘方法在金屬礦山安全隱患信息管理中的應(yīng)用，為礦山安全管理決策提供支持。

[0210]

apriori算法是挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)目集的經(jīng)典算法，根據(jù)數(shù)據(jù)類型以及數(shù)據(jù)量選擇apriori算法進(jìn)行隱患關(guān)聯(lián)規(guī)則挖掘。首先根據(jù)礦山隱患數(shù)據(jù)特征構(gòu)建基于apriori算法的礦山隱患關(guān)聯(lián)規(guī)則模型。

[0211]

將礦山安全隱患檢查中記錄的每條隱患數(shù)據(jù)記為b1，則b1表示該次檢查中發(fā)現(xiàn)的隱患信息?？蓪踩[患數(shù)據(jù)集b視為由b1組成的集合，可表示為式(7)：

[0212]

b＝{b1，b2，b3，

…

b

i

…

，b

n

}

???

(7)

[0213]

將礦山安全隱患中每項(xiàng)隱患問(wèn)題看作一個(gè)項(xiàng)目t1，則可將所有隱患問(wèn)題構(gòu)成集合t，每項(xiàng)隱患檢查數(shù)據(jù)b1都屬于隱患問(wèn)題集合t的一個(gè)子集。表示為式(8)：

[0214]

t＝{t1，t2，t3，

…

t

j

…

，t

m

}

???

(8)

[0215]

設(shè)定隱患問(wèn)題集合將t1在隱患數(shù)據(jù)集b上的支持度定義為隱患數(shù)據(jù)b中包含隱患問(wèn)題t的數(shù)量占b數(shù)據(jù)集總數(shù)的百分比，支持度(support)計(jì)算公式如式(9)：

[0216][0217]

其中‖b‖表示安全隱患數(shù)據(jù)總數(shù)，‖{b∈b

│

t_1∈b}‖表示安全隱患數(shù)據(jù)集合中包含有t1隱患問(wèn)題的隱患條數(shù)。當(dāng)support(t1)比最小支持度閥值大時(shí)，則將t1稱為頻繁項(xiàng)集，也就是說(shuō)t1隱患問(wèn)題被頻繁查出。

[0218]

當(dāng)設(shè)定隱患集t1出現(xiàn)時(shí)，有一定的概率可以推出隱患項(xiàng)集t2，則稱t1、t2之間存在關(guān)聯(lián)性，表示為且的概率稱為置信度(confidence)。置信度可以反應(yīng)出關(guān)聯(lián)規(guī)則的準(zhǔn)確程度，指在b隱患數(shù)據(jù)集中同時(shí)包含t1和t2隱患問(wèn)題的隱患條數(shù)占僅包含t1隱患問(wèn)題的隱患條數(shù)的比重。如式(10)所示，式中t1稱為關(guān)聯(lián)規(guī)則前項(xiàng)，t2稱為關(guān)聯(lián)規(guī)則后項(xiàng)。

[0219][0220]

將關(guān)聯(lián)規(guī)則應(yīng)用于礦山安全隱患檢查工作中的意義在于，如若發(fā)現(xiàn)t1隱患暴露問(wèn)題時(shí)，可以有針對(duì)的排查t2隱患問(wèn)題是否存在。在進(jìn)行安全隱患檢查時(shí)，通過(guò)關(guān)聯(lián)規(guī)則進(jìn)行檢查比隨機(jī)檢查的工作方式效率更高。

[0221]

規(guī)則提升度為置信度與規(guī)則后項(xiàng)先驗(yàn)概率的比值，如式(11)所示，并且規(guī)則提升度能夠反映規(guī)則后項(xiàng)受到規(guī)則前項(xiàng)的影響程度。當(dāng)規(guī)則提升度大于1時(shí)，表示該規(guī)則前項(xiàng)是否出現(xiàn)對(duì)后項(xiàng)影響程度很大，即該規(guī)則具有較強(qiáng)現(xiàn)實(shí)意義；若提升度小于1，表示在前項(xiàng)影響下后項(xiàng)的出現(xiàn)概率小于先驗(yàn)概率，則此關(guān)聯(lián)規(guī)則無(wú)現(xiàn)實(shí)意義；若提升度等于1，表明該規(guī)則的前項(xiàng)與后項(xiàng)相互獨(dú)立，無(wú)關(guān)聯(lián)關(guān)系。

[0222][0223]

在進(jìn)行關(guān)聯(lián)規(guī)則挖掘模型構(gòu)建時(shí)選擇apriori程序包，設(shè)定合適的支持度和置信度閾值是關(guān)聯(lián)規(guī)則挖掘結(jié)果是否有效的關(guān)鍵點(diǎn)，閥值設(shè)定過(guò)低則會(huì)使結(jié)果數(shù)據(jù)龐大且得不到有用信息，若是設(shè)定過(guò)高有可能無(wú)法得到期望的結(jié)果。目前在進(jìn)行關(guān)聯(lián)規(guī)則挖掘時(shí)，參數(shù)設(shè)定主要依據(jù)行業(yè)的特點(diǎn)與經(jīng)驗(yàn)，同時(shí)需結(jié)合多次試驗(yàn)與結(jié)果分析保證挖掘有效性。

[0224]

地下金屬礦山由于作業(yè)條件復(fù)雜導(dǎo)致隱患種類數(shù)量較多，在進(jìn)行關(guān)聯(lián)規(guī)則挖掘時(shí)為了避免一些潛在關(guān)聯(lián)性因素被遺漏，在進(jìn)行挖掘時(shí)設(shè)定較低的閥值。經(jīng)過(guò)反復(fù)實(shí)驗(yàn)分析選取的參數(shù)為support>0.01、confident>0.5，運(yùn)行算法后得到51條符合條件的關(guān)聯(lián)規(guī)則結(jié)果。

[0225]

表12中列出了結(jié)果中部分比較有價(jià)值的規(guī)則。表中rules表示關(guān)聯(lián)規(guī)則內(nèi)容，support表示規(guī)則的支持度，confident表示規(guī)則置信度，lift為規(guī)則提升度，count為該規(guī)則在數(shù)據(jù)中出現(xiàn)的次數(shù)。

[0226]

表12關(guān)聯(lián)規(guī)則挖掘結(jié)果(部分)

[0227][0228]

同時(shí)為了更直觀展示地下金屬礦山安全隱患間的關(guān)聯(lián)關(guān)系，可進(jìn)行可視化繪圖展示，此處不再贅述。

[0229]

之后，將大數(shù)據(jù)分析模型進(jìn)行算法建模并加以軟件實(shí)現(xiàn)，封裝于大數(shù)據(jù)平臺(tái)，通過(guò)模型的自組織與自調(diào)度，實(shí)現(xiàn)不同安全主題數(shù)據(jù)分析需求的實(shí)時(shí)響應(yīng)。

[0230]

(1)大數(shù)據(jù)分析模型構(gòu)建：基于大數(shù)據(jù)分析與可視化技術(shù)完成安全隱患時(shí)空分布規(guī)律可視化、安全管理主題與關(guān)聯(lián)規(guī)則挖掘、語(yǔ)義網(wǎng)絡(luò)分析等模型與算法的構(gòu)建。

[0231]

(2)大數(shù)據(jù)分析模型封裝：部署安全主題大數(shù)據(jù)的提取、清洗、轉(zhuǎn)換等數(shù)據(jù)結(jié)構(gòu)化操作，采用計(jì)算機(jī)建模等方法，對(duì)所有大數(shù)據(jù)分析模型和算法進(jìn)行代碼化封裝。

[0232]

(3)模型自組織與自調(diào)度：基于高性能的大數(shù)據(jù)存儲(chǔ)與分析平臺(tái)，通過(guò)模型的自組織與自調(diào)度，實(shí)現(xiàn)不同安全主題數(shù)據(jù)分析需求的實(shí)時(shí)響應(yīng)。

[0233]

(4)構(gòu)建礦山安全生產(chǎn)大數(shù)據(jù)倉(cāng)庫(kù)，用于存儲(chǔ)和調(diào)用機(jī)器學(xué)習(xí)結(jié)果。

[0234]

最后，借助商務(wù)智能分析工具完成可視化系統(tǒng)的搭建，將安全生產(chǎn)大數(shù)據(jù)分析的實(shí)體化應(yīng)用形成的各種分析圖表和模型進(jìn)行集成化展示，通過(guò)模型的自組織與自調(diào)度，實(shí)現(xiàn)不同安全隱患數(shù)據(jù)分析需求的實(shí)時(shí)響應(yīng)，保證所建立的算法與模型可以提供實(shí)時(shí)化的分析服務(wù)，為礦山不同安全管理層級(jí)提供有力的數(shù)據(jù)支撐，實(shí)現(xiàn)大數(shù)據(jù)分析功能的實(shí)體化與系統(tǒng)化。

[0235]

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。技術(shù)特征：

1.一種基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，包括：大數(shù)據(jù)采集模塊，用于采集不同來(lái)源、不同格式的安全隱患數(shù)據(jù)；大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊，用于對(duì)采集的安全隱患數(shù)據(jù)進(jìn)行提取、清洗、標(biāo)準(zhǔn)化預(yù)處理；大數(shù)據(jù)分析模塊，用于以數(shù)據(jù)挖掘模型庫(kù)為基礎(chǔ)，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行分析，并對(duì)分析結(jié)果進(jìn)行結(jié)構(gòu)化存儲(chǔ)；大數(shù)據(jù)可視化模塊，用于對(duì)大數(shù)據(jù)分析結(jié)果進(jìn)行可視化呈現(xiàn)，便于安全管理者進(jìn)行風(fēng)險(xiǎn)預(yù)警與科學(xué)決策。2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，所述大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊具體用于：整合行業(yè)語(yǔ)義詞庫(kù)：整合包括采礦工程、礦井通風(fēng)、礦山地質(zhì)勘探、礦山應(yīng)急救援、礦業(yè)詞匯術(shù)語(yǔ)在內(nèi)的礦山生產(chǎn)專業(yè)詞庫(kù)以及安全管理相關(guān)詞庫(kù)；構(gòu)建自定義詞庫(kù)：在整合行業(yè)語(yǔ)義詞庫(kù)的基礎(chǔ)上，通過(guò)對(duì)礦山安全主題數(shù)據(jù)進(jìn)行詞義分解和關(guān)鍵語(yǔ)義提取，分析礦山安全管理中關(guān)注的要素，同時(shí)結(jié)合礦山安全管理特點(diǎn)構(gòu)建專門用于礦山安全主題大數(shù)據(jù)分析的語(yǔ)義詞庫(kù)；動(dòng)態(tài)更新停用詞詞庫(kù)：去掉安全主題數(shù)據(jù)中的包括虛詞、副詞、序號(hào)在內(nèi)的無(wú)意義內(nèi)容，保留與安全主題相關(guān)的特征詞。3.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，所述大數(shù)據(jù)分析模塊包括：數(shù)據(jù)維度劃分單元，以5w1h分析方法為指導(dǎo)，通過(guò)安全風(fēng)險(xiǎn)的成因要素聚類分析，結(jié)合礦山安全主題數(shù)據(jù)的特點(diǎn)及構(gòu)成，抽象并歸集安全主題數(shù)據(jù)的描述維度，并對(duì)各維度進(jìn)行概念分層和屬性劃分；數(shù)據(jù)挖掘模型庫(kù)，包括多種數(shù)據(jù)挖掘模型，所述數(shù)據(jù)挖掘模型實(shí)例化后嵌入所述數(shù)據(jù)挖掘模型庫(kù)，便于大數(shù)據(jù)分析時(shí)進(jìn)行調(diào)用；使用時(shí)，針對(duì)不同的安全主題數(shù)據(jù)，選擇適合的數(shù)據(jù)挖掘模型進(jìn)行大數(shù)據(jù)分析。4.根據(jù)權(quán)利要求3所述的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，所述數(shù)據(jù)挖掘模型庫(kù)包括：主題挖掘模型，用于揭示礦山頻發(fā)、高危、高風(fēng)險(xiǎn)的安全管理主題，實(shí)現(xiàn)安全管理主題域的挖掘與歸集；語(yǔ)義網(wǎng)絡(luò)分析模型，用于以網(wǎng)絡(luò)格式表達(dá)知識(shí)構(gòu)造的模型，通過(guò)計(jì)算語(yǔ)義距離及安全隱患要素詞性，構(gòu)建安全隱患要素及其共現(xiàn)關(guān)系的集合，深層次地表示安全隱患結(jié)構(gòu)、層次及安全隱患間的因果關(guān)系，從而直接表達(dá)出安全隱患的語(yǔ)義關(guān)系；關(guān)聯(lián)規(guī)則挖掘模型，用于挖掘礦山各類危險(xiǎn)源之間潛在的、隱含的關(guān)聯(lián)；隱患分類模型，用于根據(jù)礦山安全隱患數(shù)據(jù)中蘊(yùn)含的安全隱患的規(guī)律、規(guī)則和知識(shí)，進(jìn)行安全隱患的自動(dòng)分類，以實(shí)現(xiàn)非結(jié)構(gòu)化礦山隱患文本資源的有序整合；事故預(yù)測(cè)模型，用于揭示安全隱患可能的發(fā)展走向，并對(duì)由安全隱患積累導(dǎo)致的安全生產(chǎn)事故進(jìn)行預(yù)測(cè)。5.根據(jù)權(quán)利要求4所述的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，所述主題挖掘模型采用的算法包括hdp算法、lda算法、dtm算法、lsa算法和tf

?

idf算法；

所述語(yǔ)義網(wǎng)絡(luò)分析模型采用的算法包括lsa算法和bm25算法；所述關(guān)聯(lián)規(guī)則挖掘模型采用的算法包括apriori算法；所述隱患分類模型采用的算法包括支持向量機(jī)算法、k最近鄰算法、人工神經(jīng)網(wǎng)絡(luò)算法和樸素貝葉斯算法；所述事故預(yù)測(cè)模型采用的算法包括統(tǒng)計(jì)回歸算法、時(shí)間序列算法、馬爾科夫鏈算法、灰色預(yù)測(cè)算法、神經(jīng)網(wǎng)絡(luò)算法和鏈路預(yù)測(cè)算法。6.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，所述大數(shù)據(jù)可視化模塊包括：圖形可視化單元，用于按照人的行為、物的因素、環(huán)境影響、管理問(wèn)題、地點(diǎn)位置五個(gè)因素對(duì)安全隱患數(shù)據(jù)中提取的高頻詞匯進(jìn)行分類，并通過(guò)圖形進(jìn)行可視化展示，以便于后續(xù)通過(guò)大數(shù)據(jù)分析方法智能辨識(shí)礦山生產(chǎn)過(guò)程中的主要危險(xiǎn)源；時(shí)序特征可視化單元，用于利用時(shí)間線工具對(duì)安全隱患頻次進(jìn)行統(tǒng)計(jì)并以柱狀圖的形式進(jìn)行可視化展示，對(duì)安全隱患在時(shí)間維度呈現(xiàn)出的變化趨勢(shì)進(jìn)行擬合和預(yù)測(cè)，通過(guò)設(shè)置預(yù)警值的方式，實(shí)現(xiàn)基于頻次特征的礦山安全隱患預(yù)警；多維特征可視化單元，用于采用桑基圖對(duì)安全隱患在時(shí)間、空間、責(zé)任主體和隱患類型呈現(xiàn)出的多維特征進(jìn)行可視化展示；層次特征可視化單元，用于利用層次邊緣捆綁技術(shù)對(duì)礦山安全隱患的層次結(jié)構(gòu)特征進(jìn)行可視化展示。7.根據(jù)權(quán)利要求6所述的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，所述圖形可視化單元通過(guò)以下圖形中的一種或多種進(jìn)行可視化展示：詞云圖、瀑布圖、?；鶊D、層次邊緣捆綁圖以及forceatlas圖形。8.根據(jù)權(quán)利要求1

?

7中任一項(xiàng)所述的基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，其特征在于，所述礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)還包括系統(tǒng)管理模塊，所述系統(tǒng)管理模塊用于進(jìn)行數(shù)據(jù)接口管理、知識(shí)庫(kù)管理、數(shù)據(jù)挖掘模型庫(kù)管理和可視化組件管理。

技術(shù)總結(jié)

本發(fā)明公開了一種基于大數(shù)據(jù)分析的礦山安全隱患辨識(shí)與預(yù)警系統(tǒng)，包括：大數(shù)據(jù)采集模塊，用于采集不同來(lái)源、不同格式的安全隱患數(shù)據(jù)；大數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理模塊，用于對(duì)采集的安全隱患數(shù)據(jù)進(jìn)行提取、清洗、標(biāo)準(zhǔn)化預(yù)處理；大數(shù)據(jù)分析模塊，用于以數(shù)據(jù)挖掘模型庫(kù)為基礎(chǔ)，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行分析，并對(duì)分析結(jié)果進(jìn)行結(jié)構(gòu)化存儲(chǔ)；大數(shù)據(jù)可視化模塊，用于對(duì)大數(shù)據(jù)分析結(jié)果進(jìn)行可視化呈現(xiàn)，便于安全管理者進(jìn)行風(fēng)險(xiǎn)預(yù)警與科學(xué)決策。本發(fā)明構(gòu)建了以智能分析、辨識(shí)、挖掘以及知識(shí)發(fā)現(xiàn)為核心內(nèi)容的智慧安全分析與預(yù)警體系，能夠?yàn)榈V山安全風(fēng)險(xiǎn)識(shí)別、危險(xiǎn)源分級(jí)、安全防控策略以及安全應(yīng)急處置提供支持。支持。支持。

技術(shù)研發(fā)人員：侯杰 李國(guó)清 趙威 王浩 強(qiáng)興邦

受保護(hù)的技術(shù)使用者：山東黃金礦業(yè)（萊州）有限公司三山島金礦

技術(shù)研發(fā)日：2021.08.11

技術(shù)公布日：2021/11/24