煤矿顶板事故致因分析的贝叶斯网络研究_李贤功

从社会技术系统角度利 用层次分析法进行事故致因分析。贝叶斯网络在煤 矿安全领域主要用于事故发生概率和可靠性及时间 ［4 ］ ［5 ］ 预测， 如周忠宝 和刘文生等 分别将贝叶斯网络 应用到煤矿生产系统安全评价中， 把故障树和事件
事故致因研究；孙爱军等
*
文章编号：1003 － 3033 （ 2014 ） 07 － 0010 － 05 ；
p（ θ） = Dir（ θ / a1 ， …， ar ） =
Γ（ a k ） ∏ k =1
r
（1） 式中： a = ak ， ak ∑ k =1 ＞ 0， k = 1， 2， …， r ；a 1 ， …， ar 为
a －1
超参数；θ 为变量概率；Γ（ a） 为伽马函数， θk k 参数 a k － 1 下 k 的变量概率。 发生概率 p（ E ） 为： p （ E ） = P （ θ） P （ E / θ） d θ =
收稿日期：2014 － 04 － 15 ；
修稿日期：2014 － 05 － 19
第7 期
李贤 功 等： 煤 矿 顶 板 事 故 致 因 分 析 的 贝 叶 斯 网 络 研 究
· 11· Γ（ a）
r r a －1 θk ∏ k =1
k
树转化成贝叶斯网络进行安全分析评价 ， 不仅得出 了更加精确的评价结果， 而且得出有效信息， 便于推 理和诊断。 目前， 国内外学者大多基于人、 机、 环、 管因素对 煤矿顶板事故进行致因分析， 并进行孤立的表象化 的单因素分析研究， 往往忽略了致因分析的多维性 及关联性， 研究方法比较单一， 实用性不高。虽然有 一些学者应用复杂安全系统思想进行致因分析网络 建模， 但是未从人、 机、 环、 管方面进行系统深入研 究， 而且尚未建立完善的理论体系和相应的技术来 支撑。因此， 笔者将从人、 机、 环、 管 4 方面综合考虑 煤矿顶板事故的影响因素， 并利用贝叶斯网络进行 结构学习和参数学习， 分析各因素对顶板事故的影 响程度， 并在此基础上提出相应的改善措施 ， 以期有 效降低煤矿顶板事故的发生概率 。
式中： a =
ak ， ak ∑ k =1
＞ 0， k = 1， 2， …， r ；a 1 ， …， ar ， Nk
为超参数；E 为数据集合。 1． 4 检验模型
从原始测试数据集与模型结果的比较以及模型 预测准确度 2 方面入手， 验证贝叶斯网络模型的有 dk = 效性。记第 k 元素发生第 i 种事故概率为 P ik ， i， 令 δ k = i， 当且仅当 P ik 是所有取 i 的最大值时， 令 Sk =
类别 事故 人的 因素
名称 顶板事故 是否敲帮问顶 是否空顶作业 人员是否进入冒落区 操作问题 支护问题 顶板是否冒落 监测监控系统 内部管理机制是否健全 安全培训是否到位 生产管理
符号 D Ｒ1 Ｒ2 Ｒ3 Ｒ4 W1 W2 W3 G1 G2 G3 G4 G5 G6 G7 G8 H1 H2
［1 ］ ， 如苑春苗等 利用神经网络进行 ［2 ］ 事故致因分析；明崯崯等 基于 SIM 法对煤矿顶板 ［3 ］ ［1 － 3 ］
0
引
言
近年来， 伴随着经济的发展， 煤作为主要能源其 开采量也在相应增加， 煤矿安全形势日益严峻， 特别 严重威胁着员工的生命 是煤矿顶板事故屡屡发生， 安全。因此， 研究顶板事故特征， 分析影响事故的因 素， 并提出相应的解决方案和预防对策已成为煤矿 安全研究领域迫切需要解决的问题 。 致因分析是研究环境的影响、 物的状态、 人的行 ， 为等与事故相关的各类因素 以及这些因素间的相
背景资料
数据取自 山 西 省 2012 年 的 3 019 起 顶 板 事 故， 从人 、 物、 环、 管 4 个方面 考 虑 变 量 ， 变量均为 属性变量 。 为满足 建 模 要 求 ， 将属性变量处理为 虚 拟 变 量， 将 部 分 连 续 变 量 处 理 为 离 散 变 量， 结 合煤矿企业相关行业标 准 和 建 模 经 验 变量的设置见表 1 。
r
P （ θ） P （ E / θ） P（ E）
（3）
贝叶斯网络是不确定性表达和事故推理领域最 有效的模型之一， 是一种网络拓扑结构的有向无环 图， 由节点集和有向边组成， 通过条件概率表示变量 ［6 － 7 ］ ， 间的关联程度和置信度 主要包括结构学习和 参数学习。 1． 2 结构学习 贝叶斯网络中最常用的结构学习是 K2 算法， ［6 － 7 ］ 由 Cooper 等 基于评分算法和爬山算法搜索策 根据事先确定 略建立。其基本思想为：从一点开始， 的节点顺序， 选择后验分布概率最大的作为父节点 ， 并逐步添加父节点。 贝叶斯网络结构学习属于非多项式算法 （ nonpolynomial，NP） 问题［8 － 10］， 很容易受主观判断的影 响。为提高贝叶斯网络结构学习的效率， 结合相关 性分析与 K2 算法， 进行煤矿顶板事故致因分析的 贝叶斯网络结构学习， 具体步骤如下： ① 利用 SPSS 软件对变量排序， 去掉与研究变量相关性不强的变 量；② 基于 K2 算法， 经过筛选变量， 确定最终的网 络结构。 1． 3 参数学习
DOI:10.16265/j.cnki.issn1003-3033.2014.07.007
第 2 4 卷 第 7 期 2 0 1 4 年 7 月
中 国 China
安 全 Safety
科 学 Science
学 报 Jourຫໍສະໝຸດ Baidual
Vol ． 2 4 No ． 7 Jul ． 2 0 1 4
煤矿顶板事故致因分析的贝叶斯网络研究
{
1， δk = dk 0， δk ≠ dk
， 模型预测公式为：
n
Ｒh =
Si ∑ k =1 n
（4）
2
煤矿致因模型
事故致因分析 理 论 是 系 统 安 全 科 学 的 基 石 ，
是系统安 全 科 学 理 论 和 技 术 发 展 的 重 要 组 成 部 分， 与贝叶斯网络相 结 合 能 够 更 好 的 应 用 于 事 故 的致因分析 。 笔者 在 事 故 致 因 分 析 的 基 础 上 ， 结 合贝叶斯 网 络 提 出 了 一 种 基 于 煤 矿 危 险 因 素 的 3 层因果网 络 结 构 （ 图 1 ） 。 分 为 事 故 危 害 层 、 事 故层和危险因素层
Bayesian network modeling for causation analysis of coal mine roof accident
LI Xian-gong GE Jia-jia HU Ting LU Juan PAN Kun-kun （ Mining Industry Institute of Technology ，China University of Mining and Technology ， Xuzhou Jiangsu 221116 ，China） Abstract ： In order to explore causation factors of coal mine roof accident and offer effective measures for controlling mine roof accident，a Bayesian network model was built for coal mine roof accident analysis after structure and parameter learning were carried out，using correlation analysis，K2 algorithm and Bayesian method． Based on Bayesian network model ，effects of causing factors on casualties of mine roof accident were analyzed． Ｒesults show that factors affecting directly roof accident are supporting problem ， roof fall，personnel in caving area ，and that Bayesian network model can express the complicated relationship between mine roof accident and causes more accurately． Key words： roof accident； Bayesian network ； safety management； causation analysis； K2 algorithm 互影响方式、 程度以及因果关系链的理论， 目前研究 致因分析的常用方法有解释结构模型 （ interpretative structural modeling，SIM ） 、 灰色层次分析法、 神经网 络分析法等
李贤功
讲师 葛家家 胡 婷 路 娟 潘坤坤 （ 中国矿业大学 矿业工程学院， 江苏 徐州 221116 ）
中图分类号：X936 文献标志码：A
*
学科分类与代码：6202740 （ 安全模拟与安全仿真学 ） 71173216 ） 。 基金项目：国家自然科学基金资助 （ 71271206 ，
【摘 要】 为探索煤矿顶板事故致因因素并预防煤矿顶板事故 ， 利用相关性分析和 K2 算法相结合 的方法进行贝叶斯网络结构学习 ， 并利用参数估计法进行网络参数学习， 建立顶板事故致因分析的 。 ， 。 贝叶斯网络模型 应用建立的网络模型 分析各因素对事故的影响程度 结果表明： 顶板事故的直 接影响因素为支护问题、 顶板冒落和人员是否进入冒落区；基于贝叶斯网络建模的顶板事故致因分 析模型预测精度较高， 能用来分析影响事故严重程度的因素 。 【关键词】 顶板事故； 贝叶斯网络； 安全管理； 致因分析； K2 算法
［11 － 12］
利用贝叶斯网络方法进行相应模型参数的学 习， 其计算步骤如下： 首先令先验分布 P（θ） 作 Dirichlet 分布， 表达式为：
。
· 12·
中 国 安 全 科 学 China Safety Science
学 报 Journal
第 24 卷 2014 年
3
3． 1
事故致因分析建模应用
为超
∫
∫
Γ（ a）
r
r
k
r
k
∏ Γ（ a k ）
k =1
a －1 N θ k × ∏ θ k dθ ∏ k =1 k =1
=
1
1． 1
煤矿顶板事故致因分析模型
贝叶斯理论
r Γ（ a k + N k ） Γ（ a） ·∏ Γ（ a k ） Γ （ a + N） k = 1 参数学习结果公式为：
（2）
P（ θ / E） =
［8 ， 12 － 13］
， 各
图1 Fig． 1
煤矿事故致因模型
Causation model for accidents in coal mines 表1 Table 1 变量设置表 Variable set 变量取值 1 ． 发生；2 ． 不发生 1 ． 是；2 ． 否 1 ． 是；2 ． 否 1 ． 是；2 ． 否 1 ． 违章；2 ． 不熟练；3 ． 正常 1 正常；2 质检不到位；3 不合格；4 未按规定施工 1 ． 是；2 ． 否 1 ． 正常；2 ． 故障 1 ． 是；2 ． 否 1 ． 是；2 ． 否 1 ． 正常；2 ． 混乱 1 ． 健全；2 ． 失误 1 ． 是；2 ． 否 1 ． 是；2 ． 否 1 ． 是；2 ． 否 1 ． 是；2 ． 否 1 ． 应力集中；2 ． 顶板来压；3 ． 矿山压力 1． 是；2． 否 均值 1. 27 1. 11 1. 23 1. 14 1. 89 3. 45 1. 45 1. 10 1. 00 1. 44 1. 15 1. 21 1. 27 1. 23 1. 35 1. 12 2. 12 1. 43 标准差 0. 01 0. 01 0. 01 0. 01 0. 01 0. 01 0. 01 0. 01 0. 00 0. 01 0. 01 0. 01 0. 01 0. 01 0. 01 0. 01 0. 01 0. 01