0 引言
煤矿安全生产是一个包括开采、掘进、通信、运输、控制等环节的复杂过程，涉及众多子系统，并且各子系统相互制约、相互影响[1]。目前，这些子系统独立采集与传输信息，信息共享程度低，不能有效对煤矿信息进行全面感知与深度挖掘，难以做出科学、有效的决策[2]。
许多学者针对上述问题进行了研究。在煤矿信息感知方面，主要应用K近邻算法、支持向量机、卷积神经网络等[3]。K近邻算法通过计算煤矿信息特征与数据库中每一个特征向量的距离，依据特征向量邻近样本数量进行分类，但其仅适用于包容型数据的简单特征提取且精度较低[4]。支持向量机是一种监督学习的方法，通过设计分类超平面，进行煤矿信息感知，但该方法分类只和少数支持向量有关，适用于小样本学习[5]。卷积神经网络利用卷积核提取煤矿信息特征[6]，但受卷积核大小限制，无法提取足够多的煤矿信息特征[7]，且池化操作导致煤矿信息特征之间的“位置关系”丢失，难以全面、准确地提取煤矿信息特征。在煤矿安全决策方面，林永明[8]提出了基于决策树模型的煤矿安全决策系统，通过选择最佳分裂属性对决策树节点进行递归分裂，直到决策树各节点均包含同级别属性，形成决策准则，但在决策精度上明显不足，且容易产生过拟合问题[9-10]。
本文通过构建针对“人、环、机”感知的胶囊网络与基于随机森林的智慧决策机制，设计了一种煤矿信息全面感知与智慧决策系统。该系统具有多源信息感知与智慧决策等功能，可解决煤矿信息感知能力差、煤矿安全决策水平低等问题，提高煤矿生产安全性。
1 系统架构
煤矿信息全面感知与智慧决策系统由胶囊网络层、数据传输层和云服务层构成，如图1所示。人员位置与行为感知胶囊感知人体血氧浓度、心率、体温等生理特征信息及人员位置、姿态变化等运动状态信息；设备状态感知胶囊感知设备运行电气参数、温度与振动、工况等信息；环境感知胶囊感知煤矿基本地质条件、瓦斯浓度、温湿度等信息。各感知胶囊间通过动态路由算法进行信息传递，形成煤矿区域胶囊网络。数据传输层采用无线传感器网络与有线网络结合的方法来实现煤矿井下数据可靠传输。其中，无线传感器网络采用低功耗广域网传输机制来进行部署。云服务层主要实现系统的感知信息整合，通过基于随机森林的智慧决策机制为煤矿生产提供高效、可靠的决策。
图1 煤矿信息全面感知与智慧决策系统架构
Fig.1 Architecture of coal mine information comprehensive perception and intelligent decision system
2 胶囊网络
胶囊网络构建过程如图2所示。在输入层建立数据输入矩阵，将煤矿感知信息按照时间顺序录入，构建成一个二维结构，类似于一个平面图像[11-12]。隐含层包括卷积层和初始胶囊层；卷积层利用卷积核进行特征提取与自抽样，将输入层信息转化成局部特征；初始胶囊层进一步抽取数据特征，将卷积特征图转化为胶囊[13]；输出层中每个胶囊的输出向量长度表示各种煤矿安全状况出现的概率。
图2 胶囊网络构建过程
Fig.2 Capsule network construction process
胶囊网络算法步骤如下。
(1)由于卷积层输入为二维数据，以n类感知信息矩阵X1,X2,…,Xn(t×m维，t为采样时刻，m为采样点数)作为输入变量，按照时间顺序录入，得到能够表征矿井运行状态的矩阵：
PT=[X1 X2…Xn]
(1)
(2)对矩阵P进行卷积操作，在卷积层使用T个过滤器ω重复卷积操作，产生T个特征图q1,q2,…,qT，构成特征图矩阵q=[q1 q2…qT]。
q=f(ω⊙P+b)
(2)
式中：f(·)为非线性激活函数；⊙为点乘操作；b为偏置项，b∈R。
(3)使用卷积得到的T个特征图重构成N(N<T)个胶囊，形成初始胶囊层。
(4)除初始胶囊层外，低层胶囊通过动态路由[14]连接到高层胶囊，如图3所示。
图3 胶囊动态路由连接
Fig.3 Capsule dynamic routing connection
假设低层第i个胶囊的输出向量为ui，将ui和权重矩阵wij相乘，生成“预测胶囊”向量
对低层所有“预测胶囊”向量与其对应的耦合系数cij的乘积求和，获得低层胶囊对高层第j个胶囊的输入向量sj。sj经squash激活函数压缩生成高层第j个胶囊的输出向量vj。
(3)
(4)
(5)
3 基于随机森林的智慧决策机制
基于随机森林的智慧决策机制如图4所示。对训练集中样本有放回抽样，生成多棵决策树，形成随机森林；再通过验证集进行多次试验，得到训练好的随机森林[15]；最后使用测试集进行可靠性验证。胶囊网络处理结果与随机森林中决策树叶子节点形成映射，以便对到达决策树最后叶子节点信息作出决策。
dt(x,θ)=σ(ft(x,θ))
(6)
式中：dt(x,θ)为决策树叶子节点映射结果；x为胶囊网络处理结果；θ为感知信息；σ(·)为sigmoid函数；ft(x,θ)为实值函数。
图4 基于随机森林的智慧决策机制
Fig.4 Intelligent decision mechanism based on random forest
定义由胶囊网络提取到的第λ(λ=1,2,…,Q,Q为煤矿信息特征向量总数)个煤矿信息特征向量为Mλ，Mλ对应标签为Lλ，样本eλ=(Mλ,Lλ)，样本集合S={e1,e2,…,eQ}。采用随机在S取样本eλ的方法对决策树进行训练，决策树每个节点分裂时，从全部煤矿信息特征中随机抽取一部分，再从其中选择最优煤矿信息特征作为分裂属性。
假设当前样本集合S的第k(k=1,2,…,η,η为煤矿信息特征分类类别总数)类样本所占比例为
则S的基尼系数为
(7)
在决策树每个节点上，使用分裂属性将样本集合S划分为左子树集合SL和右子树集合SR，分裂之后的基尼系数为
(8)
随机选择若干煤矿信息特征进行测试，将划分后基尼系数最小的煤矿信息特征作为最优分裂属性。
随机森林算法具体步骤如下。
(1)从样本集合S中随机选取α个样本组成训练集W={(M1,L1),(M2,L2),…,(Mα,Lα)}，选取β个样本组成验证集Q={(M1,L1),(M2,L2),…,(Mβ,Lβ)}，1<β<α<Q且α+β=Q。
(2)通过Bootstrap方法从W中有放回地抽取γ(γ<α)个样本并重复g次，生成g棵决策树。其中，对于单棵决策树的内部节点，从全部煤矿信息特征中随机选取煤矿信息特征，选择最优煤矿信息特征作为该节点的划分依据。
(3)生成g棵决策树R1,R2,…,Rg，组成随机森林F={R1,R2,…,Rg}。
(4)将验证集Q输入到F中，得到评价结果。
(5)根据评价结果，计算决策树间的相关性。将相关性强的决策树合并成1棵决策树组，若相关性较差，则该决策树单独作为1组。
(6)重复步骤(5)，直至所有决策树分组完成，获得新的决策树
(7)重新组成新的随机森林
4 实验分析
为验证煤矿信息全面感知与智慧决策系统的可行性，在某矿进行了实验。在矿井不同区域布置感知节点，每个节点以一定的采样时长和50 Hz的采样频率采样1 000次，得到有效样本共50 000条，其中40 000条样本用于训练，10 000条样本用于测试。
胶囊网络训练参数：起始卷积层卷积核数量为128，卷积核大小为9×9，卷积核每次移动步数为2，采用Relu激活函数，路由更新迭代4次。硬件环境：Intel Core i7处理器，GTX 1060 6 GB显卡，32 GB内存。软件环境：Windows 10操作系统，Python3.6.5+CUDA-9.2编程环境，TensorFlow-GPU 1.11.0深度学习框架。随机森林训练参数：决策树数量为160，每棵决策树分裂属性初始数量为3。硬件环境：Intel Core i7处理器，Intel(R)Core(TM)i5-4200M显卡，32 GB内存。软件环境：Windows10操作系统，Python3.6.5编程环境，Sklearn学习框架。
系统分别基于卷积神经网络与决策树、卷积神经网络与随机森林、胶囊网络与决策树、胶囊网络与随机森林的不同组合算法进行煤矿信息感知与决策，测试决策准确率、召回率与时间消耗，对比结果见表1。可看出基于胶囊网络与随机森林的煤矿信息全面感知与智慧决策系统在准确率、召回率、时间消耗方面占据优势。这是由于胶囊网络用胶囊输出向量代替卷积神经网络的输出标量，使得煤矿信息特征的表达更丰富，此外胶囊网络的动态路由将煤矿感知信息特征动态传递到煤矿信息特征所属分类中，有效提升了煤矿信息特征提取性能；随机森林集成多棵决策树进行学习，能很好地适应煤矿信息的随机性与复杂性，决策精度与运算效率较高。
表1 准确率、召回率及时间消耗对比
Table 1 Comparison of accuracy,recall rate and time consumption
注：准确率=准确煤矿安全决策数据条数/实际处理数据条数；召回率=准确煤矿安全决策数据条数/总处理数据。
5 结语
煤矿信息全面感知与智慧决策系统基于人员位置与行为感知胶囊、设备状态感知胶囊、环境感知胶囊构建煤矿区域胶囊网络，深度挖掘煤矿潜在信息，全面感知煤矿安全状态，解决了煤矿信息感知能力差的问题；使用随机森林算法进行智慧决策，实现了煤矿安全准确决策。实验结果验证了该系统的可靠性。
参考文献（References）：
[1] 孙彦景,华钢,窦林名,等.矿山工程信息物理系统研究及挑战[J].煤炭科学技术,2018,46(2):103-111.
SUN Yanjing,HUA Gang,DOU Linming,et al.Study and challenges on cyber-physical system of mine engineering[J].Coal Science and Technology,2018,46(2):103-111.
[2] 张梅,牛士会,李敬兆.煤矿信息物理融合系统架构及其感控节点研究[J].工矿自动化,2019,45(2):30-34.
ZHANG Mei,NIU Shihui,LI Jingzhao.Research on architecture of coal mine cyber-physical system and its sensing and control node[J].Industry and Mine Automation,2019,45(2):30-34.
[3] 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.Survey on cyber-physical systems[J].Acta Automatica Sinica,2019,45(1):37-50.
[4] 甘胜江,白艳宇,孙连海,等.融合改进K近邻和随机森林的机器学习方法[J].计算机工程与设计,2017,38(8):2251-2255.
GAN Shengjiang,BAI Yanyu,SUN Lianhai,et al.Machine learning method fusing improved K-nearest neighbor and random forest[J].Computer Engineering and Design,2017,38(8):2251-2255.
[5] 李振,曹庆贵,杨涛.基于支持向量机与连续蚁群算法建立的煤矿企业安全投入模型研究[J].矿业安全与环保,2019,46(1):109-113.
LI Zhen,CAO Qinggui,YANG Tao.Research on safety investment model of coal mine enterprises based on support vector machine and continuous ant colony algorithm[J].Mining Safety & Environmental Protection,2019,46(1):109-113.
[6] 陈梓华,李敬兆.煤矿安全隐患智能语义采集与智慧决策支持系统[J].工矿自动化,2018,44(11):7-13.
CHEN Zihua,LI Jingzhao.Intelligent semantic acquisition and smart decision support system of coal mine safety hazards[J].Industry and Mine Automation,2018,44(11):7-13.
[7] 王忠民,张琮,衡霞.CNN与决策树结合的新型人体行为识别方法研究[J].计算机应用研究,2017,34(12):3569-3572.
WANG Zhongmin,ZHANG Cong,HENG Xia.Research on new human behavior recognition method based on CNN and decision tree[J].Application Research of Computers,2017,34(12):3569-3572.
[8] 林永明.基于决策树模型的煤矿安全事故严重程度分析与预测[J].安全与环境学报,2017,17(2):591-596.
LIN Yongming.Analysis and prediction of injury severity of coal mine accidents based on decision tree[J].Journal of Safety and Environment,2017,17(2):591-596.
[9] 冀汶莉,郗刘涛,王斌.面向不平衡数据集的煤矿监测系统异常数据识别方法[J].工矿自动化,2020,46(1):18-25.
JI Wenli,XI Liutao,WANG Bin.Abnormal data recognition method of coal mine monitoring system based on imbalanced data set[J].Industry and Mine Automation,2020,46(1):18-25.
[10] 郑茂全,侯媛彬,李学文,等.基于决策树改进随机逼近煤矿输送机系统智能群启动算法[J].西安科技大学学报,2016,36(1):104-110.
ZHENG Maoquan,HOU Yuanbin,LI Xuewen,et al.Intelligent group-starting algorithm for coal mine belt conveyor-system based on improved stochastic approximation of decision tree[J].Journal of Xi'an University of Science and Technology,2016,36(1):104-110.
[11] AFSHAR P,MOHAMMADI A,PLATANIOTIS K N.Brain tumor type classification via capsule networks[C]//IEEE International Conference on Image Processing,Athens,2018:3129-3133.
[12] ZHANG Xiaoqing,ZHAO Shuguang.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.
[13] 林少丹,洪朝群,陈雨雪.结合胶囊网络和卷积神经网络的目标识别模型[J].电讯技术,2019,59(9):987-994.
LIN Shaodan,HONG Chaoqun,CHEN Yuxue.An object recognition model combining capsule network and convolutional neural network[J].Telecommunication Engineering,2019,59(9):987-994.
[14] KHASAWNEH A,LATIFF M S B A,KAIWARTYA O,et al.A reliable energy-efficient pressure-based routing protocol for underwater wireless sensor network[J].Wireless Networks,2017,24(6):2061-2075.
[15] CHAUDHARY A,KOLHE S,KAMAL R.An improved random forest classifier for multi-class classification[J].Information Processing in Agriculture,2016,3(4):215-222.