蔡安江，上海人，教授，博士生导师，主要从事数字化与智能化技术及其工业应用方面的科研与开发工作。围绕煤矿井下无轨胶轮车弯道事故多发的问题，提出了综合考虑多因素的井下无轨胶轮车弯道风险预警指标体系。建立了煤矿井下无轨胶轮车弯道事故风险分级预警机制；相关成果对煤矿井下无轨胶轮车弯道事故风险预警提供了重要理论支撑。承担国家级、省部级重点科研项目与大型企业科研攻关项目50余项，发表论文170余篇，主编出版著作17部，授权国家发明专利27项、计算机软件著作权9项，国际领先水平科研成果1项，获省部级科技奖励6项。

主要内容

以煤矿井下无轨胶轮车弯道事故为研究对象，构建弯道事故风险预警指标体系[8]，建立了SSA-BP井下无轨胶轮车(以下简称“车辆”)弯道事故风险分级预警模型，为提高井下车辆弯道危险事故风险预警的准确性与稳定性提供参考。

1.  井下车辆弯道事故风险预警指标体系构建

1.1   弯道事故影响因素的确定

图  1   煤矿井下车辆弯道事故风险因素

1.2   预警指标体系构建及数据获取

     1.2.1   车辆因素

参考《国务院关于预防煤矿生产安全事故的特别规定》，按车辆弯道风险程度，将车辆因素分为4个等级，采用五级计分法[12]将正常安全工作计1分，其余违规风险计分情况见表 1。

表  1  车辆一级指标A1设置

图  2  井下弯道UWB定位布置图

相关的车辆指标风险程度判定如下：

1) 超员判定

2) 超速判定

3) 轨迹判定

4) 违规停车判定

1.2.2   其他因素

表  2  其他因素指标设置

2.   井下车辆弯道事故风险预警模型构建及分析

2.1   各预警指标权重确定

表  3  最优权重

2.2   预警结果判定

表  4  预警分级结果

2.3   基于SSA-BP神经网络的井下车辆弯道事故风险预警模型

图  3  SSA-BP神经网络结构图

3.  仿真结果与分析

3.1   数据准备与分析

表  5  部分预警数据样本

3.2   参数设置与预警效果分析

图  4  SSA-BP误差迭代图

图  5  SSA-BP神经网络预测结果

3.3   预警效果对比

图  6  SVM与BP测试结果

表  6  算法指标结果比较

4. 结论

1) 针对煤矿井下车辆弯道事故多发的问题，基于车辆因素、驾驶员因素、环境因素、煤矿管理因素，提出并建立了由4个一级指标和14个二级指标构建的煤矿井下车辆弯道事故风险预警指标体系。 

2) 结合煤炭行业标准，通过对陕西小保当煤矿进行调研获取驾驶员、环境、管理指标数据，通过井下弯道UWB定位装置获取车辆指标数据，利用五级评分法对数据进行处理归纳，并采用博弈组合权重对每类数据的权重影响进行评定，获得权重因子，以此为基础建立了四级预警机制，对煤矿井下车辆弯道事故风险进行了分级预警。

3) 建立SSA-BP神经网络模型，与SVM、BP神经网络模型仿真对比结果表明，SSA-BP神经网络模型的预测准确度及网络稳定性都较为良好，预测准确性较高，在煤矿井下车辆的弯道事故风险预警中具有实用价值。