A method for constructing a knowledge graph of unsafe behaviors in coal mines
-
摘要: 虽然知识图谱已广泛应用于各个领域，但在煤矿安全方面，尤其在煤矿井下不安全行为方面的研究较少。构建了一种自底向上的煤矿井下不安全行为知识图谱。首先，采用传统机器学习和深度学习算法相结合的方法进行命名实体识别，采用RoBERTa进行词语向量化，采用双向长短时记忆网络（BiLSTM）对向量进行标注，提高网络模型对上下文特征的捕捉能力，通过多层感知机（MLP）解决煤矿井下不安全行为数据集数据量不足的问题，采用条件随机场（CRF）模型解决前面存在的单词关系不识别问题，并捕获全文信息和预测结果。其次，根据语句的结构特点，设计了基于知识“实体−关系−实体”三元组的依存句法树结构，对井下不安全行为领域的知识资源进行知识抽取与表示。最后，构建面向井下不安全行为的知识图谱。实验结果表明：① RoBERTa−BiLSTM−MLP−CRF模型对于导致结果、违反性行为、错误性行为及粗心性行为4类实体类别具有较好的识别效果，其准确率分别为86.7%，80.3%，80.7%，77.4%。② 在相同的数据集下，RoBERTa−BiLSTM−MLP−CRF模型训练的准确率、召回率、F1值较RoBERTa−BiLSTM−CRF模型分别提高了1.6%，1.5%，1.6%。Abstract: Although knowledge graphs have been widely applied in various fields, there is relatively little research on coal mine safety, especially in the area of unsafe behavior underground. A bottom-up knowledge graph of unsafe behaviors in coal mines has been constructed. Firstly, a combination of traditional machine learning and deep learning algorithms is used for named entity recognition. RoBERTa is used for word vectorization. The bidirectional long short term memory network (BiLSTM) is used to annotate the vectors, improving the network model's capability to capture contextual features. To solve the problem of insufficient data volume in the dataset of unsafe behaviors in coal mines, a multi-layer perceptron (MLP) is used. The conditional random field (CRF) model is adopted to solve the problem of unrecognized word relationships and capture full-text information and prediction results. Secondly, based on the structural characteristics of the statements, a dependency syntax tree structure based on the knowledge "entity - relationship - entity" triplet is designed to extract and represent knowledge resources in the field of unsafe behavior underground. Finally, a knowledge graph of unsafe behaviors underground is constructed. The experimental results show that the RoBERTa-BiLSTM-MLP-CRF model has good recognition performance for four types of entity categories: results, violating behavior, erroneous behavior, and careless behavior, with accuracy rates of 86.7%, 80.3%, 80.7%, and 77.4%, respectively. ② Under the same dataset, the accuracy, recall, and F1 value of the RoBERTa-BiLSTM-MLP-CRF model training are improved by 1.6%, 1.5%, and 1.6%, respectively, compared to the RoBERTa-BiLSTM-CRF model.
-
0. 引言
煤炭作为我国的主体能源，对国民经济的发展具有重要意义[1-2]。矿井火灾是煤矿开采过程中常见的一种灾害，长期制约着我国煤炭行业的发展。我国煤炭资源分布呈现“北富南贫，西多东少”的状况，内因火灾呈现北多南少的趋势，而引起外因火灾的因素较多，如煤矿日常管理疏忽等[3]。矿井火灾不仅会造成巨大经济损失，还会产生大量有毒有害气体，严重威胁煤炭开采作业人员的生命安全[4]。国家发展改革委、国家能源局等八部委于2020年联合印发了《关于加快煤矿智能化发展的指导意见》[5]，国家能源局、国家矿山安全监察局于2021年制定了《煤矿智能化建设指南（2021年版）》[6]，均指出了煤矿智能化建设方针，其中，煤矿火灾防治技术应逐渐朝“智能监测、精准预警、科学防治”的方向发展[7]。
随着我国煤矿智能化建设的不断推进，矿井火灾预警与防控体系也越来越完善。在煤矿智能化建设大背景下，学者们针对矿井火灾预警系统开展了一些研究工作。文献[8-9]对基于大数据、物联网、神经网络的火灾智能监测预警系统进行了深入探讨；文献[10]对基于气体和温度相结合的煤自燃预警及响应机制进行了研究，并研发了煤自燃远程监测与预警系统。文献[11]提出了基于“云−边−端”协同的煤矿火灾智能化防控体系。此外，专家学者对煤矿火灾监测指标及预警模型[12-14]、监测预警技术与装备[15-16]及现场应用效果[17-19]等进行了不同程度的分析研究，并对智能化发展进行了展望。目前国内的煤矿火灾监测系统功能不统一，实现了对矿井煤自燃标志性气体、温度、烟雾、火焰等部分指标的单独监测，未能对煤矿火灾相关因素进行有效、全面、统一的监测。针对该问题，笔者对煤矿火灾危险因素、分源分区监测指标体系、系统框架设计及智能预警关键技术进行了探索。基于多指标关联分析、D−S证据理论数据分析方法，研究建立煤矿火灾多指标融合决策机制，在预警系统总体架构基础上开发了煤矿火灾智能预警系统，初步实现了煤矿火灾多因素、多指标融合预警；基于GIS技术，初步实现了矿井火灾风险预警“一张图”的可视化展示，为煤矿火灾防治决策提供了有效的技术支撑。
1. 煤矿火灾危险性分析
根据引火的热源不同，通常将矿井火灾分为内因火灾和外因火灾两大类。
1.1 内因火灾危险性分析
依据煤氧复合作用学说，煤在常温下与氧气结合，发生复杂的物理化学反应，使煤的组成物质氧化，从而产生热量并积蓄，当氧化产生的热量不能及时散发时就导致煤自燃。煤自燃必须具备以下条件：煤具有自燃倾向特性且以破碎状态集中堆积存放；连续的供氧条件；积聚氧化热的环境；维持煤的氧化过程不断发展的时间。
煤自燃危险区域主要有工作面采空区、密闭采空区、巷道煤柱等。工作面采空区漏风造成遗煤氧化，易出现煤自然发火隐患；采空区始采线和终采线需安装、回撤综采设备，导致其断面较大，巷帮因受矿压影响易破裂，且开切眼与终采线处推进速度较慢，破碎煤体氧化时间较长，煤自燃危险性较高。工作面在回采过程中，受采动压力影响，工作面与密闭采空区之间保护煤柱、煤岩层顶板可能被压裂震碎，在风压的作用下致使煤岩破裂，形成漏风通道，导致密闭采空区与工作面采空区贯通处的原浮煤区、老空区密闭周边煤体存在自然发火隐患。
1.2 外因火灾危险性分析
物质燃烧需同时具备三要素：可燃物、助燃物、着火源。从物质燃烧的三要素角度分析，矿井外因火灾原因比较复杂，主要是因为煤矿生产过程中构成燃烧条件的三要素普遍存在，如机械摩擦及物体碰撞、静电、电气火花、明火作业、违章放炮、电缆老化起火、瓦斯或煤尘爆炸等均可能引发火灾，具体位置主要有井下机电硐室及其配电点、带式输送机系统、电缆密集区等。井下机电硐室及其配电点主要存储大型机电设备，用于井下集中供电，由于机电设备数量多、功率大、放热量高，在有限空间内极易发生设备漏电，导致线缆、机电设备燃烧，并引发系列火灾。带式输送机系统服务于全矿井生产运行，胶带和托辊、滚筒之间长时间摩擦产生热量，易导致胶带火灾事故。电气设备电缆接头接触不良或流过大电流会导致发热着火，电缆短路时短路保护失灵也会导致火灾事故。
2. 煤矿火灾分源分区监测指标体系
按引发火灾的热量来源不同，内外因火灾产生的区域各异，着火参数及其检测方式略有差异，因此，本文提出一种分源分区监测火情态势的方法。内因火灾方面，主要针对较易发生火灾的工作面采空区、密闭采空区及人工自然发火观测点等进行监测；外因火灾方面，主要针对机电硐室及其配电点、带式输送机系统、电缆等方面进行监测。
采用人工监测或在线监测的方式定期采集或更新火灾特征参量数据，按数据采集方式及影响程度，将火灾监测指标分为动态指标、静态指标和关联指标。
1） 动态指标。预警监测指标值随时间或空间发生变化，如O2、CO、CO2、温度等火灾特征参数，这些指标都可采取人工监测或在线监测的方式采集数据，数据的变化程度直接反映火灾风险态势。
2） 静态指标。预警监测指标不随时间或空间发生变化，如煤自燃特性、煤层赋存条件、顶底板的岩层特性、开拓开采因素等，这些指标主要提供基础信息，是煤矿火灾预警的主要影响因素。
3） 关联指标。监测期间的指标值与火灾特征参数关联，需通过理论分析转换成火灾风险分析数据，如漏风量、压差强度等。
根据煤矿火灾分源分区监测火情态势，考虑到国内当前技术水平，在静态指标基础上，动态指标、关联指标局部监测位置及监测方式如下：工作面采空区采用束管监测系统、光纤测温系统及安全监控系统对煤自燃标志性气体（CO，C2H6，C3H8 等）、温度参数进行监测；密闭采空区采用密闭在线监测系统或人工取样对温度、压差、CO、CO2、CH4、O2参数进行监测；人工自然发火观测点采用人工取样对温度、O2、CO、CO2、CH4参数进行监测；机电硐室及其配电点采用变电硐室防灭火监控系统对温度、烟雾、CO参数进行监测；带式输送机系统采用带式输送机防灭火监控系统及安全监控系统对温度、烟雾、CO参数进行监测；电缆采用光纤测温系统对温度参数进行监测。
3. 煤矿火灾智能预警系统框架设计
3.1 系统总体架构
煤矿火灾智能预警系统建设是一项复杂的信息化系统工程，其设计理念为构建“信息融合+统一平台+异常报警+综合预警”火灾预警模式，搭建煤矿火灾一体化预警报警平台。平台应融合多软硬件系统，遵循数据统一采集、统一存储、统一管理、统一展示的原则，解决数据孤岛、数据烟囱等问题，实现多源数据的共享与深度挖掘利用[20-22]。按照业务结构，将煤矿火灾智能预警系统分为感知控制层、数据传输层、存储分析层和应用管理层，各层级功能明确，互联互通，形成有机整体。煤矿火灾智能预警系统总体架构如图1 所示。
![]()
图 1 煤矿火灾智能预警系统总体架构Figure 1. Overall architecture of intelligent early warning system for coal mine fire感知控制层：架构基础底层，将煤矿火灾监测子系统中涉及的安全、生产、运营相关数据作为数据源，感知煤矿火灾环境参量，同时控制防灭火设备。通过高精度传感器类等设备对煤矿火灾特征多参量信号进行监测，为煤矿火灾预警决策提供基础数据；同时通过PLC智能控制等技术实现防灭火设施的联动控制。各设备通过网线或光纤等物理连接，与数据传输层紧密相连，传输感知信息和控制信号。
数据传输层：作为整个架构的桥梁，通过工业环网或 4G/5G 等网络进行数据传输，实现煤矿火灾监测数据的实时在线传输，是煤矿火灾预警体系前端和后台信息传输的纽带。
存储分析层：系统架构的核心层，通过应用程序接口调用基础底层的硬件数据资源，获取和集成井下火灾各类监测系统的多源异构数据，通过火灾预警数据库及专家知识库进行必要的数据清理，并分级分类保存。通过构建火灾分析预警模型，依据多源数据融合预警、分级预警防灾联动规则，对采集的数据进行科学分析，实现对火灾预警特征信息的超前感知，为应用管理层决策提供服务。
应用管理层：人机交互窗口，用于煤矿火灾智能化管理。对火灾信息的快速判断和预警有利于制定生产优化决策方案，以及时应对不同工况环境下的系统协同联动，实现紧急状态下的联动控制和应急救援辅助。
煤矿火灾智能预警系统实现了煤矿火灾因素一体化联合监测，具有预防并控制火情态势的设备联动功能。通过统一的平台打通系统各层之间的数据流，将数据汇聚至统一的数据资源池进行存储、治理、分析，并通过One ID，One Model，One Service实现整体数据服务。
3.2 煤矿火灾智能预警业务流程
煤矿火灾智能预警业务流程如图2所示。通过专家知识库及火灾预警数据库对煤矿火灾隐患点监测数据进行处理，通过火灾分析预警模型进行分析，给出预警结果，并结合实时监测数据，对预警结果进行动态校正。当预警结果为“示警”时，预警系统会依据专家知识数据库给出示警原因，同时通过三维可视化预警平台、应急广播、手机短信等多渠道发布预警信息，使煤矿安全管理人员关注预警事件。预警系统发布预警信息时有可能出现误报现象，需经验丰富的人员多渠道确认，若为系统误报警则追查误报警原因，若多渠道确认火灾特征指标发生了预警前兆，则启动防灾措施，针对火灾预警区域进行灌浆注氮、喷淋喷粉等设备的选择性关联、协调控制。期间，需加强火灾特征指标的监测，及时关注火情态势的发展变化。若控制失败，煤矿调度室值班管理人员应及时向矿领导班组成员汇报，请示启动应急救援预案，直到恢复正常生产状态。
![]()
图 2 煤矿火灾智能预警业务流程Figure 2. Intelligent early warning business process for coal mine fire4. 火灾智能预警关键技术
4.1 内因火灾预警关键技术−基于多指标联合逻辑推理的预警
煤炭自燃预测预警方法主要有指标气体法、测温法、模糊聚类分析和数值模拟法等[15]。其中指标气体法一般采用单一指标信息，易造成灾害程度估计过重或对火情隐患不知情，很难做出准确判断。基于多指标联合逻辑推理的预警方法[16]依据煤温及其对应的各类气体浓度变化趋势，结合其他因素综合判定煤自燃的危险程度，可提高预警精准度。因此，本文采用基于多指标联合逻辑推理的预警方法。采集陕煤集团神木红柳林矿业有限公司5−2煤层煤样，通过实验室程序进行升温氧化实验研究，并结合工作面现场考察分析，确立了适用于该煤层的自然发火标志气体指标及其临界值。CO是红柳林煤矿5−2煤层自然发火的指标气体之一，C2H6，C3H8是判别煤自然发火进程的辅助指标，工作面采空区、回风流煤自燃气体指标、预警规则及对策措施分别见表1和表2。
表 1 工作面采空区煤自燃气体指标、预警规则及对策措施Table 1. Gas indicators, warning rules and countermeasures for coal spontaneous combustion in goaf of working face阶段 CO体积
分数/10−6C2H6 C3H8 状态 安全风险等级 预警级别 对策措施 Ⅰ 0～50 无 无 无自燃隐患 低风险 蓝色预警 注氮等预防性防灭火措施 Ⅱ 50～500 无 无 缓慢氧化 一般风险 黄色预警 应加强监测，采取注氮、灌浆等预防性防灭火措施 Ⅲ 500～1000
（默认）无 无 自热加速氧化 较大风险 橙色预警 应加强注氮、注浆防灭火措施的时间和工程量 有 − Ⅳ ＞1000
（默认）有 有 激烈氧化 重大风险 红色预警 封闭火区，对该区域封闭处理，
继续采取注氮、灌浆等防灭火措施有 有 表 2 工作面回风流煤自燃气体指标、预警规则及对策措施Table 2. Gas indicators, warning rules and countermeasures for coal spontaneous combustion in the return air flow of the working face阶段 CO体积分数/10−6 C2H6 C3H8 状态 安全风险等级 预警级别 对策措施 Ⅰ 0～24 无 无 无自燃隐患 低风险 蓝色预警 注氮等预防性防灭火措施 Ⅱ 24～100 无 无 缓慢氧化 一般风险 黄色预警 应加强监测，采取注氮、灌浆等预防性防灭火措施 Ⅲ ＞100
（默认）无 无 自热加速氧化 较大风险 橙色预警 应加强注氮、注浆防灭火措施的时间和工程量 有 无 Ⅳ ＞100
（默认）有 有 激烈氧化 重大风险 红色预警 封闭火区，对该区域封闭处理，
继续采取注氮、灌浆等防灭火措施有 有 4.2 外因火灾预警关键技术−基于D−S 证据理论的多参量融合预警
用单一传感器进行火灾预警常有误报情况发生，多传感器信息融合预警准确性比单一传感器高，并已在工业、国防、商业等多个领域广泛应用[23-24]。目前较为普遍的融合技术有阈值判断法、信号关系式法、神经网络法、模糊算法、D−S 证据理论等。其中，D−S 证据理论是一种基于估计的统计学方法，通过信任函数的方式将多种信息融合起来得到火灾发生的概率[25]。通过D−S 证据理论的信息融合技术，而无需条件概率等先验条件，即可对互斥事件进行证据的有效结合。D−S 证据理论作为在数据融合目标识别领域的智能算法，在不确定问题的推理方面表现突出[26]。该方法综合多个信息源的证据，通过不断缩小假设集的方法，得到综合信息。首先介绍D−S 证据理论的数据融合规则[27]，根据传感器提供的各个假设的信息，得到针对每一个假设的可信度区间。定义一个集函数：
$$ m:{2^\varTheta } \to \left[ {0,1} \right] $$ (1) $$ \left\{ \begin{gathered} m\left( \phi \right) = 0 \\ \sum\limits_{A \subset \varTheta } {m\left( A \right) = 1} \\ \end{gathered} \right. $$ (2) 式中：Θ为识别框架，即所有可能出现的判决结果的集合；$\phi $为空集；A为所包含的假设，称为焦元。
若满足式（1）和式（2），则m（A）为A的基本概率赋值Mass函数。m 可称为框架Θ的基本可信度分配。
多组数据融合则是对多个数据概率进行正交和运算，n 个传感器的数据融合概率为[28]
$$ m\left( A \right) = {m_1} \oplus {m_2} \oplus \cdots \oplus m{}_n\left( A \right) {\text{ }} = \frac{{\displaystyle\sum\limits_{ \cap A_i = A} {\prod\limits_{i = 1}^n {{m_i}\left( {{A_i}} \right)} } }}{K} $$ (3) $$ {{K}} = 1 - \sum\limits_{ \cap A_i = \phi } {\prod\limits_{i = 1}^n {{m_i}\left( {{A_i}} \right)} } = \sum\limits_{ \cap A_i \ne \phi } {\prod\limits_{i = 1}^n {{m_i}\left( {{A_i}} \right)} } $$ (4) 式中：K为各传感器数据结果之间的冲突系数；mi为第i个传感器的基本可信度分配；Ai为mi对应的焦元。
多参量融合预警结果包含 3 种互斥事件，分别为起火、不起火和不确定。为了使 3 种互斥事件的概率之和为 1，满足 Mass赋值函数成立的条件，对其进行归一化处理：
$$ {P_{{\mathrm{R}}1}} = \frac{{{P_{{\mathrm{R}}1}}}}{{{P_{{\mathrm{R}}1}} + {P_{{\mathrm{R}}2}} + {P_{{\mathrm{R}}3}}}} $$ (5) $$ {P_{{\mathrm{R}}2}} = \frac{{{P_{{\mathrm{R}}2}}}}{{{P_{{\mathrm{R}}1}} + {P_{{\mathrm{R}}2}} + {P_{{\mathrm{R}}3}}}} $$ (6) $$ {P_{{\mathrm{R}}{\text{3}}}} = \frac{{{P_{{\mathrm{R}}{\text{3}}}}}}{{{P_{{\mathrm{R}}1}} + {P_{{\mathrm{R}}2}} + {P_{{\mathrm{R}}3}}}} $$ (7) 式中PR1、PR2和PR3分别为起火、不起火和不确定的初始概率。
在红柳林煤矿井下机电硐室及其配电点、带式输送机系统布置温度、烟雾、CO传感器监测设备，将基于D−S 证据理论的多参量融合预警方法用于煤矿外因火灾预警[29]，预警规则及对策措施见表3。
表 3 基于 D−S 证据理论的多参量融合预警规则及对策措施Table 3. Multi parameter fusion warning rules and countermeasures based on D-S evidence theory阶段 起火概率Pfire 安全风险等级 预警级别 对策措施 Ⅰ 0＜Pfire＜0.25 低风险 蓝色预警 喷淋喷粉等预防性防灭火措施 Ⅱ 0.25≤Pfire＜0.5 一般风险 黄色预警 应加强监测，采取喷淋、喷粉等预防性防灭火措施 Ⅲ 0.5≤Pfire＜0.75 较大风险 橙色预警 应加强喷淋、喷粉等防灭火措施的时间和工程量 Ⅳ 0.75≤Pfire＜1 重大风险 红色预警 封闭火区，对该区域封闭处理，继续采取注喷淋、喷粉等防灭火措施 5. 应用实例
红柳林煤矿现开采煤层3−1煤、4−2煤和5−2煤，自燃倾向性等级均为Ⅰ类，属容易自燃煤层。依据《智能化示范煤矿验收管理办法（试行）》，为达到智能化示范煤矿的要求，在全矿井范围内针对重点火灾危险区域建设完善的智能化防灭火系统。
试验期间部署了信息采集终端、服务器和客户端，依托工业以太环网平台，搭建了网络环境，布署了数据库，植入火灾预测预警模型与协同联动防控机制，构建煤矿火灾智能预警系统。以25211综采工作面为例，火灾预警平台结合煤自然发火实验、热重实验及现场测试等基础数据，图像化动态展现光纤测温系统、束管监测系统实时监测数据；基于二维 GIS 平台建立地图服务和协同服务，通过火灾特征预警模型，反演矿井火灾监测点的安全态势，划分矿井重点防火区域，依据红、橙、黄、蓝4级颜色预警，实时展现矿井火灾监控预警区域，并协同远程联动灌浆注氮防灭火系统。系统同时具备火灾智能模拟演示功能，可实现智能火灾仿真与报警，以及避灾路线的动态规划，提供避灾路线的辅助决策。煤矿火灾智能预警系统“一张图”平台如图3 所示。
![]()
图 3 煤矿火灾智能预警系统“一张图”平台Figure 3. "One Picture" platform for intelligent early warning system of coal mine fire系统部署运行期间，同时对矿井 3 个综采工作面、251个采空区密闭、38个人工自然发火观测点、北二盘区4−2煤变电所、主斜井一部胶带及安全监控系统监测点进行了跟踪预警。智能预警系统共发布蓝色预警32次、黄色预警1 次、橙色预警 0 次、红色预警 0 次。预警跟踪考察结果见表4。预警原因分析：综采工作面蓝色预警次数最多，因感温光纤埋入采空区，顶板岩层垮落，岩石冲击力破坏感温光纤原有组织，形成局部挤压区，造成局部温度异常；发生黄色预警是因温度及CO联合指标异常，预警准确率高达90.9%。北二盘区4−2煤变电所发生蓝色预警，是因为作业人员例行巡视检查，误操作触碰七氟丙烷灭火器瓶组电磁阀，预警准确率为100%。主斜井一部胶带发生蓝色预警，是因为烟雾传感器长期处于高湿、高温度环境下，空气动力学直径为7.07 μm以下的粉尘颗粒物堵塞烟雾光电感烟器件，改变了光的传播特性，造成误报警，预警准确率为66.6%。软件平台发布预警信息后，管理人员立即增派技术人员至现场确认预警，避免火灾事故的发生。
表 4 煤矿火灾预警跟踪考察结果Table 4. Results of coal mine fire warning tracking and inspection考察区域 实际危险次数 蓝色预警次数 黄色预警次数 橙色预警次数 红色预警次数 预警准确率/% 综采工作面 33 29 1 0 0 90.90 密闭采空区 0 0 0 0 0 − 人工自然发火观测点 0 0 0 0 0 − 北二盘区4−2煤变电所 1 1 0 0 0 100.00 主斜井一部胶带 3 2 0 0 0 66.00 安全监控系统监测点 0 0 0 0 0 − 6. 结论
1） 基于合理性、科学性、可监测性及时效性原则，阐述了煤矿火灾危险因素，提出一种分源分区监测火情态势的方法，建立了“动、静、关联”相结合指标体系。
2） 设计了火灾智能预警系统的总体架构和业务流程，并给出了系统关键技术实现，采用基于多指标联合逻辑推理的预警方法、基于D−S 证据理论的多参量融合预警方法实现矿井火灾多源信息融合预警。
3） 现场试验结果表明：火灾智能预警系统实现了对矿井火灾的有效监测预警，具有煤矿火灾风险预警“一张图”可视化展示功能，同时具备火灾智能模拟演示功能及避灾路线动态规划功能。
-
![]()
图 1 基于RoBERTa−BiLSTM−MLP−CRF实体识别过程
Figure 1. RoBERTa-BiLSTM-MLP-CRF based entity recognition
![]()
图 7 部分煤矿井下不安全行为知识图谱
Figure 7. Knowledge graph of underground unsafe behavior in some underground coal mines
表 1 实体待预测标签
Table 1 Entity to be predicted labels
实体类型 开始标签 中间或结尾标签 遗忘性行为 B−forget I−forget 粗心性行为 B−careless I−careless 错误性行为 B−error I−error 违反性行为 B−violate I−violate 关联因素影响性行为 B−factor I− factor 导致后果 B−cause I−cause 
下载: 导出CSV
表 2 实体相似度计算实例
Table 2 Example of entity similarity calculation
实体1 实体2 Sconsine SJarccard 粉尘瓦斯爆炸 粉尘瓦斯事故 0.67 0.50 违章指挥 违章命令 0.67 0.60 不安全动作 不安全行为 0.60 0.43 安全培训 安全训练 0.67 0.60
下载: 导出CSV
表 3 基于Neo4j的知识存储方案
Table 3 Neo4j-based knowledge storage solutions
类型 作用 对象范围 节点 描述知识实体 井下扒车、穿化纤衣入井等 标签 描述知识概念类 违章指挥、违规操作等 边 描述实体关系 包含关系、关联关系等
下载: 导出CSV
表 4 实体类型识别效果
Table 4 Entity type identification effect
% 实体类别 P R F1 遗忘性行为 63.5 67.4 65.4 粗心性行为 77.4 84.1 80.6 错误性行为 80.7 83.1 81.9 违反性行为 80.3 83.7 82.0 关联因素影响性行为 73.0 76.0 74.5 导致后果 86.7 90.0 88.3
下载: 导出CSV
表 5 模型对比结果
Table 5 Model contrast results
% 模型 P R F1 BiLSTM−CRF 71.2 74.8 73.0 BERT−BiLSTM−CRF 74.9 79.1 77.0 RoBERTa−BiLSTM−CRF 75.6 79.1 77.3 RoBERTa−BiLSTM−MLP−CRF 77.2 80.6 78.9
下载: 导出CSV
-
[1] 黄辉,张雪. 煤矿员工不安全行为研究综述[J]. 煤炭工程,2018,50(6):123-127. HUANG Hui,ZHANG Xue. Review of research on unsafe behavior of miners[J]. Coal Engineering,2018,50(6):123-127.
[2] GUARINO N,WELTY C. Evaluating ontological decisions with OntoClean[J]. Communications of the ACM,2002,45(2):61-65. DOI: 10.1145/503124.503150
[3] HORROCKS,IAN,PATEL-SCHNEIDER,et al. SWRL:a semantic web rule language combining OWL and RuleML[J]. W3C Member Submission,2004,21(79):1-31.
[4] BORDES A,USUNIER N,GARCIA-DURAN A,et al. Translating embeddings for modeling multi-relational data[C]. Neural Information Processing Systems,South Lake Tahoe,2013:1-9.
[5] WANG Zhen,ZHANG Jianwen,FENG Jianlin,et al. Knowledge graph embedding by translating on hyperplanes[C]. The 28th AAAI Conference on Artificial Intelligence,2014.
[6] 刘文聪,张春菊,汪陈,等. 基于BiLSTM−CRF的中文地质时间信息抽取[J]. 地球科学进展,2021,36(2):211-220. LIU Wencong,ZHANG Chunju,WANG Chen,et al. Geological time information extraction from Chinese text based on BiLSTM-CRF[J]. Advances in Earth Science,2021,36(2):211-220.
[7] 吴闯,张亮,唐希浪,等. 航空发动机润滑系统故障知识图谱构建及应用[J/OL]. 北京航空航天大学学报:1-14[2023-05-22]. https://doi.org/10.13700/j.bh.1001-5965.2022.0434. WU Chuang,ZHANG Liang,TANG Xilang,et al. Construction and application of fault knowledge graph for aero-engine lubrication system[J/OL]. Journal of Beijing University of Aeronautics and Astronautics:1-14[2023-05-22]. https://doi.org/10.13700/j.bh.1001-5965.2022.0434.
[8] SHAO Zhou,YUAN Sha,WANG Yongli,et al. ELAD:an entity linking based affiliation disambiguation framework[J]. IEEE Access,2020,8:70519-70526. DOI: 10.1109/ACCESS.2020.2986826
[9] FANG Yuan,CHANG Mingwei. Entity linking on microblogs with spatial and temporal signals[J]. Transactions of the Association for Computational Linguistics,2014,2:259-272. DOI: 10.1162/tacl_a_00181
[10] SIMONE F,ANSALDI S,AAGNELLO P,et al. Industrial safety management in the digital era:constructing a knowledge graph from near misses[J]. Computers in Industry,2023,146. DOI: 10.1016/j.compind.2022.103849.
[11] 尉桢楷,程梦,周夏冰,等. 基于类卷积交互式注意力机制的属性抽取研究[J]. 计算机研究与发展,2020,57(11):2456-2466. WEI Zhenkai,CHENG Meng,ZHOU Xiabing,et al. Convolutional interactive attention mechanism for aspect extraction[J]. Journal of Computer Research and Development,2020,57(11):2456-2466.
[12] 刘峤,李杨,段宏,等. 知识图谱构建技术综述[J]. 计算机研究与发展,2016,53(3):582-600. LIU Qiao,LI Yang,DUAN Hong,et al. Knowledge graph construction techniques[J]. Journal of Computer Research and Development,2016,53(3):582-600.
[13] HOCHREITER S,SCHMIDHUBER J. Long short-term memory[J]. Neural Computation,1997,9(8):1735-1780. DOI: 10.1162/neco.1997.9.8.1735
[14] SEKI K. On cross-lingual text similarity using neural translation models[J]. Journal of Information Science,2020,27:315-321.
[15] 李红霞,樊欣怡. 人因视角下国内煤矿安全领域研究现状与发展趋势[J]. 煤炭工程,2022,54(1):181-186. LI Hongxia,FAN Xinyi. Status and development trend of coal mine safety research from the perspective of human factors[J]. Coal Engineering,2022,54(1):181-186.
[16] BENGIO Y,DUCHARME RVINCENT P. A neural probabilistic language model[J]. Journal of Machine Learning Research,2003,3:1137-1155.
[17] PENNINGTON J,SOCHER R,MANNING C. Glove:global vectors for word representation[C]. Conference on Empirical Methods in Natural Language Processing,Doha,2014:1532-1543.
[18] PETERS M E,NEUMANN M,LYYER M,et al. Deep contextualized word representations[C]. Conference of the North American Chapter of the Association for Computational Linguistics,New Orleans,2018:2227-2237.
[19] DEVLIN J,CHANG Mingwei,LEE K,et al. BERT:pre-training of deep bidirectional transformers for language understanding[C]. Conference of the North American Chapter of the Association for Computational Lingristics,Jill Burstein,2019:4171-4186.
[20] XU Wencong,HU Yue,LI Jianxun. A data-driven Dir-MUSIC method based on the MLP model[J]. IET Science,Measurement & Technology,2022(6):367-376.
[21] 王智广,文红英,鲁强,等. 地质领域开放式实体关系联合抽取[J]. 计算机工程与设计,2021,42(4):996-1005. WANG Zhiguang,WEN Hongying,LU Qiang,et al. Joint extraction of open entity relation in geological field[J]. Computer Engineering and Design,2021,42(4):996-1005.
[22] 赵晓娟,贾焰,李爱平,等. 多源知识融合技术研究综述[J]. 云南大学学报(自然科学版),2020,42(3):459-473. ZHAO Xiaojuan,JIA Yan,LI Aiping,et al. A survey of the research on multi-source knowledge fusion technology[J]. Journal of Yunnan University(Natural Sciences Edition),2020,42(3):459-473.
[23] 乔骥,王新迎,闵睿,等. 面向电网调度故障处理的知识图谱框架与关键技术初探[J]. 中国电机工程学报,2020,40(18):5837-5849. QIAO Ji,WANG Xinying,MIN Rui,et al. Framework and key technologies of knowledge-graph-based fault handling system in power grid[J]. Proceedings of the CSEE,2020,40(18):5837-5849.
[24] 曹现刚,张梦园,雷卓,等. 煤矿装备维护知识图谱构建及应用[J]. 工矿自动化,2021,47(3):41-45. CAO Xiangang,ZHANG Mengyuan,LEI Zhuo,et al. Construction and application of knowledge graph for coal mine equipment maintenance[J]. Industry and Mine Automation,2021,47(3):41-45.
-
期刊类型引用(2)
1. 江耀森，杨超宇，刘晓蕾. 基于ChatGLM3-6B的煤矿事故知识图谱构建及应用研究. 中国安全生产科学技术. 2024(10): 12-21 . 
百度学术
2. 罗睿. 高速公路交通事故领域知识图谱构建方法. 交通建设与管理. 2024(04): 93-97 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 830
- HTML全文浏览量: 111
- PDF下载量: 130
- 被引次数: 5
