0 引 言
矿井通风过程中存在漏风、风流短路、无风死角等众多通风安全隐患，严重影响矿井通风系统的稳定性，矿井智能通风管理系统是保障矿井安全生产、保护井下作业人员生命安全的重要举措[1]。通风系统的稳定与否关系到整个矿井的安危，对通风系统的严格管理是完善、优化通风系统的有效方法，因此，矿井通风系统的管理工作显得尤为重要[2]。
文献[3-4]提出在系统硬件层次进行改进，以提升煤矿通风系统的稳定性。这些方法通过数值的偏差进行参数整定，智能化水平偏低。林琳等[5]提出基于粗糙集神经网络的高压断路器故障诊断模型，通过粗糙集算法生成决策表，进而根据决策表构建径向基函数神经网络的故障模型。李建等[6]提出粗糙集和神经网络相结合的钻井安全评价模型。董春游等[7]将G-K评价策略与粗糙集结合使用，建立煤与瓦斯突出分类知识表达系统。以上系统通过粗糙集与传统神经网络的结合使用，取得了一定的效果，但井下通风环境复杂，其动态性、复杂性和不确定性逐渐增加，传统神经网络架构在数据融合方面忽略了时间、空间上的煤矿通风环境特征[8]，在矿井通风灾害事故预测方面还存在不足。
基于动态路由的胶囊网络是近年来新提出的神经网络模型，被认为是可能成为下一代重要的神经网络模型[9]。胶囊网络中胶囊是一组用于表现实物不同特征的神经元集合，可以很好地表现不同特征的位置关系[10]，因此，采用胶囊网络用于井下通风环境异常特征提取。煤矿信息冗余和繁琐[11]，粗糙集理论具有无需先验知识，可以有效降低系统信息复杂程度[12]，能够很好地去除数据的冗余和噪声因素[13]。但是粗糙集自身容错能力不强，在某些条件下精度难以满足系统需求，同胶囊网络的组合使用，可以有效弥补非线性映射关系中精度差的问题[14-15]。因此，集成粗糙集和胶囊网络2种方法，可以构建收敛速度快、可靠性高、结构稳定的煤矿通风管理系统。
笔者通过构建基于粗糙集的属性约简模型与基于改进胶囊网络矿井通风环境决策模型，设计了一种基于粗糙集和改进胶囊网络的煤矿智能通风系统。该系统具有多源信息感知、多网络传输、智能监控与决策等功能，解决了煤矿通风环境信息采集困难，应急决策水平低、智能调控水平低等问题，对保障矿井通风系统安全稳定具有重要意义。
1 通风管理系统建立
基于粗糙集和改进胶囊网络的煤矿智能通风管理系统分为数据感知层、模型描述层、数据传输层、智慧决策层，如图1所示。
1.1 信息采集网络层
信息采集网络层由分布在矿井各工作面的负责采集矿井通风环境信息、通风设施工作状态信息的各传感器感知节点组成。感知节点负责动态感知矿井甲烷浓度、一氧化碳浓度、二氧化碳浓度、氧气浓度、矿尘浓度、风速、风压、温度、湿度、风门状态、局部通风机开停、主通风机开停等环境参数，作为原始数据输入到矿井通风环境预测模型中。同时将数据分为2类，一类以矿井温湿度等为代表的矿井通风环境信息，一类以风门状态为代表的矿井通风设施。各参数采集并非独立，各类采集数据之间具有关联、耦合关系。将各类采集信息通过卷积算法处理，构成向量胶囊神经元组，通过动态路由的算法，胶囊间进行信息传递，构建矿井区域胶囊神经网络，对此区域进行信息采集，全面、高效的感知矿井通风环境信息，为下一层矿井通风安全预测提供数据支持。
1.2 数据传输层
网络传输层采用无线传感器网络(Wireless sensor network，WSN)配合现有有线感知网络来实现煤矿井下数据可靠传输。通过配置路由器，网关来实现煤矿井下通风数据多种方式上传至监控平台的目的，具体原理如图2所示。
1.3 模型描述层
模型描述层是系统的核心，通过设计基于粗糙集与改进胶囊神经网络的矿井通风环境安全评价模型，提出解决矿井智能化调风的新思路。
图1 基于粗糙集和改进胶囊网络的矿井智能通风管理系统体系结构
Fig.1 Mine intelligent ventilation management system architecture based on rough set and improved capsule network
图2 无线传输与有线传输结合原理
Fig.2 Combination principle of wireless transmission and wired transmission
1)将采集到的矿井通风环境信息和专家系统进行特征提取，形成决策表。
2)知识的获取：利用粗糙集理论对原始信息进行属性约简，剔除冗余的属性，并在生成的最小属性中提取规则作为外部知识库。
3)训练神经网络：设置合适的神经网络参数，然后对外部知识库中的知识进行训练，得到训练好的神经网络。
4)矿井通风安全评价：通过操作人员输入状态信息或者系统自动获取信号，传给训练好的推理机(训练好的神经网络)，将计算结果反馈给用户或者通风设备控制系统，如图3所示。
1.4 决策层
决策层是通过基于粗糙集与胶囊网络煤矿通风环境智慧决策模型，对煤矿一段时间内的各区域通风状态进行决策，并将统计结果以图表的形式进行分析，方便安全管理人员进行分析与判断。设计通风安全决策模型，通过胶囊网络进行井下通风环境数据特征提取，由动态路由算法得到高级胶囊，最终通过全连接层对矿井通风安全状态进行分类，决策。同时，服务器综合一段时间内的煤矿安全等级评价数据，采用数据决策统计图的方式，简明动态反映出矿井通风安全状态的变化趋势与异常状态。后台通过统计整理，生成特定格式的决策分析简报，以供矿井安全人员查阅与参考。智慧决策层结构如图4所示。
2 基于粗糙集的信息约简模型
2.1 粗糙集基本理论
影响矿井通风环境安全的指标体系是复杂的灰色系统，冗余的指标信息输入不仅加重了预测模型的负担，而且降低了模型的泛化能力。引入粗糙集理论，预先对复杂的指标体系进行约简，在不需要任何先验知识的前提下删减一些无用因素，以实现对预测模型输入变量的优化。煤矿通风环境指标体系见表1，基于粗糙集理论预测指标的优化约简及其权重的确定分为以下4个步骤。
1)构造决策表。
图3 模型描述层结构
Fig.3 Structure of model description layer
图4 智慧决策层结构
Fig.4 Structure of intelligent decision layer
T=(U,A,V,E)
(1)
其中：U为在煤矿收集的通风环境样本数据，称作论域；A=C∨D为通风环境指标属性全集，它由甲烷浓度、一氧化碳浓度等条件属性集与评判通风安全等级的决策属性集组成，并且C∨D=Ø；V为属性值集合，V=Uq∈AVq；Vq为各通风环境指标属性q的值集，也称为通风环境指标属性q的值域；E为U×A→V的一个信息函数，它为每个对象的每个属性q赋予一个属性值。
2)计算决策表中条件属性等价类关系集合ind(B)(B⊆A)。等价关系对U进行划分，用U/ind(B)={M1,M2,...,Mn}表示，其中Mi表示不同的等价类，在ind(B)下与X不可分的所有对象构成一个等价类可记作[M]ind(B)。
表1 通风环境指标体系
Table 1 Indicator system of ventilation environment
输入/输出指标变量变量代码甲烷浓度x1一氧化碳浓度x2氧气浓度x3矿尘浓度x4输入变量风速x5风压x6温度x7风门开合度x8通风机稳定性x9通风机综合效率x10输出变量通风安全等级x11
3)根据式(2)中求出的等价类关系集合，计算通风环境各项指标的重要程度。在信息系统T=(U,A,V,f)中，以甲烷浓度x1为例，x1∈A的重要性定义为
SA(x1)=|H(A)-H(A-x1)|
(2)
其中:H(A)为所有通风安全指标属性组成的集合X的信息熵；H(A-x1)为集合A除去甲烷浓度x1的信息熵。SA(x1)越大表示甲烷浓度x1的重要程度越高。
4)计算每个评价指标的权重Wk，根据计算权重值来决定约简的通风环境指标，数值越大，表示该指标对整个系统影响越大，约简后信息损失也越多。当指标权重为0时，该通风环境指标对整个系统几乎没有影响，应该被约简掉。
2.2 连续属性离散
粗糙集属性约简的前提是对连续属性的离散化，在此基础上对系统进行优化约简，将属性空间或值域空间划分为尽可能少的空间，从而消除影响因素之间的共线性，提高预测属性的高效性、简便性。
选取等距离散化的策略，对每组属性进行等距离划分，具体步骤如下：①划定每组属性的取值范围，确定最大值xmax和最小值xmin；②设定划分区间数量n，取5；③计算区间步长d=(xmax+xmin)/n；④计算区间划分点的临界值，即b0=xmin，b1=xmin+d,…,bn=xmax。
判断每组属性属于哪个区间，确定离散化的信息表属性值m，当bk-1≤x≤bk，m=k，k=1,2,…,n，特殊地，当x=bn，m=n。
2.3 煤矿通风安全决策模型建立
首先通过上文提到的数据约简方法对收集原始数据样本进行质量检验与属性约简，将约简的数据作为胶囊网络的训练样本进行训练学习，最后得出煤矿通风系统安全决策结果，其模型结构如图5所示。
图5 粗糙集-胶囊网络煤矿通风安全决策模型
Fig.5 Rough set-capsule network coal mine ventilation safety decision model
3 改进胶囊网络模型建立及算法
3.1 感知胶囊模型结构
以进风巷、回风巷、采区工作面为例，构建设备状态胶囊和通风环境感知胶囊模型，组成矿井通风区域胶囊网络，实现通风环境、设备、信息等要素相互映射、适当交互、高效协同的目标。其中环境与设备感知胶囊模型结构如图6所示。设备状态感知胶囊感知设备运行电气参数、设备运行温度与振动、设备运行工况等信息；通风环境感知胶囊感知通风巷道风速、风压、烟雾、矿尘、瓦斯、温度等信息。
针对通风管理系统特性，首先，采用深度特征提取的方式，继续使用池化操作，有选择地保留主要特征，提高模型的性能，在主胶囊层实现标量神经元到向量神经元的转换，最后通过动态路由算法实现胶囊间的参数更新，由数字胶囊得到最终的识别结果。由此得到胶囊网络模型结构如图7所示，其中，Conv3-128表示128个3×3的卷积核。
图6 感知胶囊元模型
Fig.6 Perception capsule metamodel
图7 胶囊网络结构
Fig.7 Structure diagram of capsule network
为减少网络参数的数量，提高训练速度，采用大量3×3的小卷积核进行堆叠，稳步增加网络深度，用更少的参数实现与大卷积核相同的感受野。同时，训练时，输入数据调整为28×28的灰度图，激活函数选取ReLU函数，采用平均池化方法对数据进行降维，得到14×14×256的特征图。引入池化层对数据进行降维处理，有选择地保留主要特征，来提升模型快速收敛的性能。
3.2 改进胶囊网络算法步骤
1)由于Conv1层的输入为二维数据，将离散化属性值作为输入变量，构建能够表示煤矿通风状态的矩阵P。
(3)
其中每个元素代表一个评价煤矿通风环境的属性值，对他们进行编号，xα,β为矩阵中第α行、第β列的属性值。采用3×3卷积核对数据进行特征提取，输出卷积值yα,β可以表示为
(4)
式中：f为线性激活函数;ωα,β为处理第α行、第β列数据的权重，所有的ωα,β构成了3×3的卷积核；bm为偏移量。
2)将获取的yi,j进行最大池化操作,步长为2，以获得更小的参数网格，减少计算维度。
3)进行数据深度特征的提取，重复步骤1三次，获得14×14×256的特征图。
4)使用卷积得到的T个特征图重构成N(N<T)个胶囊，所有特征图同维度特征被封进相应胶囊，形成PrimaryCaps层。
5)低层的胶囊通过动态路由，连接到高一层的胶囊如图8所示。
图8 胶囊神经元向量示意
Fig.8 Vector diagram of capsule neurons
第一层包含N个胶囊，每个胶囊产生一个输出矢量ui，矢量输出ui和权重矩阵wij相乘产生矢量
将矢量求和生成胶囊sj。胶囊sj通过公式(7)生成输出向量vj。
(5)
(6)
(7)
6)全连接层DigitCaps层进行处理，将最后一层胶囊输出向量进行匹配，DigitCaps层中每个胶囊的输出向量长度，表示该实体出现的概率。
3.3 算法仿真与分析
模型中训练用到的数据集为煤矿实际数据。该数据集由10 000张样本组成，每个样本包含30个通风环境异常数据。本次模型训练测试采用样本数据集，网络训练参数定义，每批128个，路由更新迭代次数4次，一阶矩修正指数为0.9，二阶矩修正指数为0.98，稳定常数为10-8，迭代50次。
硬件环境：Inter i7,GTX 1060 6G,32G内存。软件环境：Win10,Python3.6.5,CUDA-9.2，Tensor Flow-GPU 1.11.0。
通过未使用神经网络、使用普通的胶囊网络和改进的胶囊网络3种不同数据处理方式比较，得出各网络模型数据处理性能的优劣，对比结果见表2。其中：准确率=准确煤矿通风安全决策数据条数/实际处理的数据条数。训练时间为处理全部测试数据用时。从表2可以看出，由这3种处理数据的方式得到的准确率分别为75.3%、85.6%、90.1%。尽管改进胶囊网络结构比较复杂，会增加一定的计算量，但矿井通风决策准确率得到了明显的提升。
表2 各网络模型数据处理性能对比
Table 2 Comparison of data processing performance of each network model
网络模型准确率/%训练时间/minNone75.30胶囊网络85.69改进胶囊网络90.111
4 试验仿真及分析
样本数据来源于某煤矿井下通风环境数据统计的信息。将统计数据输入到系统中，观察试验效果，来验证文中提出的基于粗糙集和胶囊网络的煤矿智能通风管理系统的实时性与可靠性。部分采集样本数据见表3。
表3中列举有关10种通风环境指标因素，然而这些因素并不一定对煤矿通风安全有直接影响，因此通过粗糙集约简来对这些通风环境影响指标进行约简，得到对通风安全有直接影响的数据，然后根据这些数据对煤矿通风安全进行预测。
1)粗糙集约简。首先，采用等距离散化的方法对数据进行离散化处理，获取离散化之后的信息表；通过计算影响通风安全指标的重要程度来进行条件属性约简，得到的约简属性结果是{x1，x5，x6，x8，x9，x10}，即影响煤矿通风安全的主要因素是甲烷浓度、风速、风压、通风机稳定性和通风机综合效率。粗糙集理论的约简结果见表4。
2)粗糙集胶囊神经网络的试验结果。用约简的煤矿通风安全决策表作为胶囊网络的学习样本进行训练。胶囊网络训练参数设置：卷积核大小设计为9×9起始层卷积核数量设计为128个，步长为1。
表3 煤矿通风环境样本数据
Table 3 Sample data of ventilation environment in coal mine
样本号x1/%x2/%x3/%x4x5/%x6/(m3·s-1)x7/℃x8x9x10/%x1110.100.00060.184.292.473.919.01.00.982.32.020.020.00080.212.162.813.818.50.90.997.31.030.800.00200.255.052.134.125.50.70.886.93.040.150.00180.2210.222.362.917.60.80.781.15.050.050.00060.227.342.694.223.50.90.885.82.060.010.00070.202.872.764.955.00.70.545.15.070.020.00090.245.631.623.320.00.80.885.33.080.100.00180.182.253.264.321.20.90.780.82.090.150.00100.193.531.363.221.00.70.664.74.0100.150.00190.238.311.213.023.50.80.652.95.0
注：通风安全等级分为十分安全(0～1.0)、安全(1.0～2.0)、一般安全(2.0～3.0)、较不安全(3.0～4.0)和不安全(4.0～5.0)五种。
表4 属性约简后的煤矿通风环境安全决策
Table 4 Coal mine ventilation environment safety decision after attribute reduction
样本x1x5x6x8x9x10127610108219581010310571894261468518788861810111712348882108868921213410211432
选取10组数据样本经过约简后作为测试样本，输入到已经训练好的胶囊网络中进行测试，试验结果与期望输出之间的误差曲线如图9所示。
图9 粗糙集神经网络误差曲线
Fig.9 Error curve of neural network of rough set
利用未经粗糙集理论约简过的样本作为训练样本与测试样本，在胶囊网络结构相同的情况下，试验结果与期望输出之间的误差曲线如图10所示。
图10 胶囊神经网络误差曲线
Fig.10 Error curve of capsule neural network
3)与其他方法预测对比。试验中将数据输入到基于粗糙集数据约简模型中，对数据进行约简，经离散化输出，作为模型的输入，经过该算法后，得出安全评估值。
为比较决策准确率，采用文献[5]提出的方法与笔者提出的方法相比较，在相同时间内的精确率、召回率、F值见表5。召回率=准确煤矿通风安全决策数据条数/全部初始数据条数；F=(2×准确率×召回率)/(准确率+召回率)。
从表5的试验对比可以得出，提出的方法相比于传统的神经网络在准确率、召回率和F值上分别提高了4.4%、8%和6.4%，识别准确率取得了较大的提升。
表5 相同条件下2种方法准确率和召回率的对比结果
Table 5 Comparison results of accuracy and recall rate of two methods under same conditions
系统方法处理数据条数实际处理数据条数准确判断试验数据准确率/%召回率/%F/%文献[5]提出的方法40003560302985.175.780.1笔者提出的方法39003650326689.583.786.5
5 结 论
1)提出基于粗糙集和改进胶囊网络的煤矿智能通风管理方法，采用粗糙集算法构建通风环境数据约简模型，将约简后的数据作为胶囊网络的输入，应用于煤矿通风安全状态的预测。
2)采用粗糙集理论进行数据约简，彻底去除了冗余的属性和数据，在简化网络结构的同时，也提高了预测精度。
3)相比于传统的神经网络方法，基于粗糙集和改进胶囊网络预测方法误差更小，预测效果更好。通过仿真结果对比可知，该方法使其在决策的准确率、召回率和F值上分别有较大提高，能有效地提高煤矿通风安全决策水平，也为智能化决策提供依据。
[1] 袁 亮,姜耀东,何学秋,等.煤矿典型动力灾害风险精准判识及监控预警关键技术研究进展[J].煤炭学报,2018,43(2):306-318.
YUAN Liang,JIANG Yaodong,HE Xueqiu,et al.Research progress on key technologies of accurate judgment and monitoring and early warning of typical dynamic disaster risk in coal mines [J].Journal of China Coal Society,2018,43(2):306-318.
[2] 李洪阳,魏慕恒,黄 洁,等.信息物理系统技术综述[J].自动化学报,2019,45(1):37-50.
LI Hongyang,WEI Muheng,HUANG Jie,et al.Overview of information physics system technology [J].Acta Automatica Sinica,2019,45(1):37-50.
[3] 闫振国,常心坦,范京道,等.面向矿井用风点的通风网络安全分区方法研究[J].煤炭科学技术,2019,47(2):71-76.
YAN Zhenguo,CHANG Xintan,FAN Jingdao,et al.Study on ventilation network safety zoning method for mine air points [J].Coal Science and Technology,2019,47(2):71-76.
[4] 裴晓东,王 凯,李晓伟,等.基于元胞自动机的集约化矿井调风模型分析与仿真[J].中国矿业大学学报,2017,46(4):755-761.
PEI Xiaodong,WANG Kai,LI Xiaowei,et al.Model analysis and simulation of intensive mine wind regulation based on cellular automata [J].Journal of China University of Mining and Technology,2017,46(4):755-761.
[5] 林 琳,陈志英.基于粗糙集神经网络和振动信号的高压断路器机械故障诊断[J].电工技术学报,2020,35(S1):277-283.
LIN Lin,CHEN Zhiying.Mechanical fault diagnosis of high voltage circuit breaker based on rough set neural network and vibration signal [J].Chinese Journal of Electrotechnology,2020,35(S1):277-283.
[6] 李 建,李 珂,王 兵.粗糙集和神经网络相融合的钻井安全评价模型[J].西南石油大学学报：自然科学版,2017,39(5):120-128.
LI Jian,LI Ke,WANG Bing.A drilling safety evaluation model based on rough set and neural network [J].Journal of Southwest Petroleum University：Natural Science edition,2017,39(5):120-128.
[7] 董春游,曹志国,商宇航,等.基于G-K评价与粗糙集的煤与瓦斯突出分类分析[J].煤炭学报,2011,36(7):1156-1160.
DONG Chunyou,CAO Zhiguo,SHANG Yuhang,et al.Classi-fication analysis of coal and gas outburst based on g-k evaluation and rough set [J].Journal of China Coal Society,2011,36(7):1156-1160.
[8] 李宗翔,王天明,王双勇,等.煤与瓦斯突出矿井通风系统灾害演变仿真研究[J].煤炭学报,2017,42(4):929-934.
LI Zongxiang,WANG Tianming,WANG Shuangyong,et al.Simulation study on disaster evolution of coal and gas outburst mine ventilation system [J].Journal of China Coal Society,2017,42(4):929-934.
[9] 杨巨成,韩书杰,毛 磊,等.胶囊网络模型综述[J].山东大学学报：工学版，2019,49(5)：1-8.
YANG Jucheng,HAN Shujie,MAO Lei,et al.Overview of capsule network models [J].Journal of Shandong University：Engineering &Engineering Edition，2019,49(5)：1-8.
[10] XIAO Qingzhang,SHU Guangzhao.Cervical image classification based on image segmentation preprocessing and a CapsNet network model[J].International Journal of Imaging Systems and Technology,2019,29(1):19-28.
[11] JOAO Monteiro,JAHANGIR Alam,TIAGO H Falk.Residual convolutional neural network with attentive feature pooling for end-to-end language identification from short-duration speech[J].Computer Speech &Language,2019,58:364-376.
[12] 付家慧,吴晓富,张索非.基于仿射变换的胶囊网络特征研究[J].信号处理,2018,34(12):118-126.
FU Jiahui,WU Xiaofu,ZHANG Suofei.Characterization of capsule network based on affine transformation [J].Signal Processing,2018,34(12):118-126.
[13] 李娟莉,杨兆建,庞新宇.面向知识工程的提升机智能故障诊断方法[J].煤炭学报,2016,41(5):1309-1315.
LI Juanli,YANG Zhaojian,PANG Xinyu.Fault diagnosis method for knowledge engineering [J].Journal of Coal Science,2016,41(5):1309-1315.
[14] BASCOMPTA M,SANMIQUEL L,ZHANG H.Airflow stability and diagonal mine ventilation system optimization:a case study[J].Journal of Mining Science,2018,54(5):813-820.
[15] 李敬兆,宫华强.煤矿信息物理系统场景感知自配置与优化策略研究[J].煤炭科学技术,2019,47(4):20-25.
LI Jingzhao,GONG Huaqiang.Research on scene perception self-configuration and optimization strategy of cyber-physical system for coal mine[J].Coal Science and Technology,2019,47(4):20-25.
[16] CHAUDHARY A,KOLHE S,KAMAL R.An improved random forest classifier for multi-class classification.Information Processing in Agriculture,2016(4):215-222.
[17] KAMANASISH Bhattacharjee,MILLIE Pant.Hybrid particle swa-rm optimization-genetic algorithm trained multi-layer perceptron for classification of human glioma from molecular brain neoplasia data[J].Cognitive Systems Research,2019,58:173-194.
[18] SETIAWAN Adi,KENNEDY Eric M,STOCKENHUBER,Micha-el.Development of combustion technology for methane emitted from Coal mine ventilation air systems[J].Energy Technology,2017,5(4):521-538.
[19] 李彦冬,郝宗波,雷 航.卷积神经网络研究综述[J].计算机应用,2016,36(9):2508-2515,2565.
LI Yandong,HAO Zongbo,LEI Hang.Survey of convolutional neural network[J].Journal of Computer Applications,2016,36(9):2508-2515,2565.
[20] 高晓旭,申阳阳,门 鸿.煤矿双重预防机制信息系统研究与应用[J].煤炭科学技术,2019,47(5):156-161.
GAO Xiaoxu，SHEN Yangyang，MEN Hong．Research and application of coal mine double preventive mechanism information system[J].Coal Science and Technology，2019，47(5):156-161.
