矿山作业环境的复杂性、地质条件的多变性以及生产活动的高风险性，使得矿山重大灾害，如矿井瓦斯爆炸、突水、火灾、边坡滑坡等^[1-2]，时刻威胁着矿山的安全生产，矿山灾害一旦发生，往往造成难以挽回的严重后果。因此，加强矿山重大灾害风险预警，提前识别并有效应对潜在风险，对于保障矿山安全生产、保护人民生命财产安全、促进矿业可持续发展具有重要意义。Yin H^[3]等人采用多变量长短期记忆对矿山数据建模，结合预测误差等变量提取数据特征，输入至隔离森林模型中，识别矿山灾害预兆，依据检测到的异常数据，构建矿山重大灾害风险等级评估规则，实现预警。但隔离森林模型是一种黑盒模型，其内部决策过程难以直观理解，导致在矿山灾害风险预警中，难以解释模型为何将某些数据点识别为异常值，从而影响决策者的信任度和决策效果。李贤功^[4]等人构建矿山灾害评价指标体系并量化评价指标，联合长短期记忆网络和贝叶斯网络构建矿山灾害风险预警模型，将矿山相关数据输入长短期记忆网络预测评价指标值，通过贝叶斯网络推理得到灾害风险等级，实现预警，但将长短期记忆网络的预测结果作为贝叶斯网络输入时，其预测误差会累积到贝叶斯网络的推理过程中。Zhang D^[5]等人融合矿山多传感器所采集数据，通过D-S理论和BP神经网络融合多传感器数据，并对灾害特征加以评价，对重点区域进一步实行风险和脆弱性评价，实现矿山重大灾害风险预警，结合D-S理论和BP神经网络虽然能够充分利用两者优势，但融合算法的设计和实现较为复杂，影响响应速度。

侯克鹏^[6]等人选取矿山灾害特征构建评价指标体系，通过改进的模糊层次分析法和CRITIC权重法在主观和客观上实行赋权，并引入博弈论进一步确定最优权重，利用云模型对各指标等级隶属度加以计算，依据最大隶属度确定矿山灾害风险等级。但该方法主要基于静态数据开展评估，难以反映矿山灾害风险的动态变化特性。

为了解决上述方法中存在的问题，提出基于BES-RBF神经网络的矿山重大灾害风险预警方法。创新、重点、难点、

矿山灾害风险预警数据来源是多方面的，包括各类灾害监测系统实时数据、生产执行系统数据、地质勘探数据、其他子系统数据以及第三方数据等，数据中包含大量复杂信息，直接分析这些数据计算量大，且容易引入噪声和冗余信息，响应速度低，往往难以有效识别出灾害风险信息，而通过特征提取，能够从庞大的数据中筛选出与灾害发生紧密相关的关键特征，从而提高后续预警的实时性和准确性。

主成分分析法（Principal Component Analysis， PCA）能够在数据众多属性参数中^[7]，获取数量较少且相互独立的综合变量，并采用综合变量表征原始属性参数，转换数据为线性组合且正交的主成分，如下所示：

式（1）中， y ₁ ， y ₂ ，⋯， y_m表示原始属性参数的m个主成分， x ₁， x ₂，⋯， x_p表示原始属性参数， m<p， a_i1， a_i2，⋯， a_ip表示特征值i所对应特征向量，用γ ₁， γ ₂，⋯， γ_m表示y ₁， y ₂，⋯， y_m的特征向量的特征值，满足γ₁≥γ₂≥⋯≥γ_m，则可 采用ξ= 描述主成分贡献，ξ与主成分分量呈正相关。

虽然PCA能够有效处理变量之间的线性关系，但矿山灾害相关数据属性之间的关系并非全部为线性关系，通过PCA得到的主成分无法全面描述属性特性，因此，引入非线性变换ψ将PCA改进为KPCA，用x ₁， x ₂，⋯， x_M表示矿山灾害相关数据集，通过ψ映射处于输入空间R^N的数据至特征空间G^[8]，并在G中依据PCA实行关键分量提取，即ψ：R^N →G。将全部待处理数据零均值化处理，即 =0，k=1， 2，⋯， M，则其协方差矩阵D如下所示：

利用D获取特征值γ和特征向量W，满足γW=DW，因为W处于ψ(x₁) ,ψ(x₂) ,⋯,ψ(x_M)张成的空间中，所以可将γW=DW等价为γ(ψ(x_k)W)=( ψ (x_k)DW )，且存在系数μ_i使特征向量满足W= ，i=1, 2,⋯, M，由此可得：将(ψ(x_j) ψ(x_i))表示为K_ij，j=1,2,⋯, M，并采用全部K_ij构建M×M维矩阵K，由此可将上式表示为下式形式：

Mγμ=Kμ（4）

式（4）中， μ表示μ ₁ , μ ₂ ,⋯, μ_M构成的列向量。对K对角化处理，可得到特征值γ₁, γ₂,⋯, γ_M和对应特征向量μ ₁ , μ ₂ ,⋯, μ_M^[9]。

选取累积贡献率超过85%的主成分表征原始数据，计算其特征向量以及输入属性，即可降低其余非线性关系数据量，同步减少噪声和冗余信息的干扰，得到能够反映大部分信息的关键属性参数G_i，如下所示：

G_i =μ_i1 x₁ + μ_i2 x₂ + ⋯ + μ_iM x_M（5）

矿山灾害的发生往往受到地质条件、开采方式、环境参数、设备状态等多种因素影响，因素间关系错综复杂，难以用简单的线性模型描述，而RBF神经网络通过其独特的网络结构和激活函数能够有效地处理矿山重大灾害风险预警中涉及的复杂因素间非线性关系，为预警模型提供更为精确的预测基础^[10]；同时，在矿山生产过程中，及时、准确的预警信息对于灾害防控具有决定性作用，而RBF神经网络在学习与训练过程中表现出较高效率，对于矿山重大灾害风险预警至关重要；此外，实际生产情况千变万化，矿山重大灾害风险预警模型需要具备应对各种复杂情况的能力，而RBF神经网络在训练过程中能够学习到关键属性参数的内在规律，从而对未见过的数据也能做出合理预测，使其在面对新的、未知的矿山灾害情况时仍能保持较高的预警准确性。因此，所提方法采用RBF神经网络作为矿山重大灾害风险预警模型。

设矿山灾害特征为 x_i，构成向量， y=[ y ₁， y ₂，⋯， y _m ]表示输出值，即矿山灾害相对风险值，其中第k个输出值y_k如下所示：

式（6）中， W_ik表示连接权值， c_i和δ_i分别表示基函数中心和宽度。针对矿山重大灾害风险预警的特点，所提方法选取Gaussian函数作为基函数^[11]，如下所示：

由于W_ik、 c_i和δ_i直接影响RBF神经网络性能，进而影响最终矿山灾害风险预警效果，因此，所提方法引入BES算法寻优网络参数^[12]。

BES算法是依据秃鹰狩猎行为提出的智能优化算法，基于秃鹰狩猎过程，可划分算法为以下3个阶段：

2.1 选择搜索空间

秃鹰在该阶段的任务为选择搜索空间，通过下式更新并搜索包含最多猎物的区域：

式（8）中， X ⁱ_{n e w}表示秃鹰i更新后位置， Xⁱ表示当前位置，X_best表示当前最优位置，ε表示位置变化控制参数，rand (0, 1) 表示(0，1)内随机数， 表示上次更新后平均分布位置，。

2.2 搜索猎物

秃鹰在该阶段的任务为在选择的空间中搜索猎物，其飞行遵循螺旋形状，并在形成的螺旋空间中向不同方向飞行，确定捕捉的目标猎物后，秃鹰提升搜索速度，确定最优俯冲位置，该阶段可通过下式描述：

式（9）中，θ(i) 和r(i) 分别表示螺旋方程的极角和极径，(x⋅r (i)， y⋅r (i) )表示直角坐标，α和λ表示控制轨迹的参数。得到直角坐标后，还需对其归一化处理，将其缩放到[-1， 1]范围内，归一化结果(x₁(i) ， y₁(i) )如下所示：

式（10）中，max (|x⋅r )| 和max (|y⋅r )| 表示在秃鹰种群全部个体中的直角坐标最大值。

由此可将位置更新规则表示为下式形式：

2.3 俯冲捕获猎物

秃鹰由最优俯冲位置出发，快速向目标猎物飞行，其他秃鹰个体也向最优位置飞行并攻击猎物，该阶段如下所示：

式（1 2）中， σ_x和σ_y表示秃鹰位置调整项， τ ₁和τ ₂分别表示秃鹰向中心位置和最优位置飞行的强度。

通过BES算法优化网络参数具体流程如下图所示：

RBF神经网络输出的矿山灾害风险预警结果为描述灾害的相对风险值，为了更准确的反映灾害风险程度，所提方法对输出结果分级管理，如下所示：

可忽略风险：风险度取值为[0，0.3]，此时风险较小，对于矿山安全的危害可近似忽略；

可容许风险：风险度取值为（0.3，0.5]，为有条件接受风险，需要确定风险源位置与特征，尽降低风险；

中度风险：风险度取值为（0.5，0.7]，需要采取相应措施降低风险，允许边整改边生产；

较高风险：风险度取值为（0.7，0.9]，需要整改并降低风险后再恢复正常生产；

不容许风险：风险度取值为（0.9，1]，此时为无法承受风险，务必将风险降到安全阈值下再恢复生产。

为了验证基于BES-RBF神经网络的矿山重大灾害风险预警方法整体有效性，需要测试基于BES-RBF神经网络的矿山重大灾害风险预警方法。

图1 BES算法优化RBF神经网络流程图Fig.1 Flowchart of the RBF neural network optimized by the BES algorithm

3.1 实验设置与实验过程

实验数据来源于某煤矿企业的智慧矿山平台公共数据，智慧矿山平台如图2所示。

图2 实验智慧矿山平台Fig.2 The experimental smart mine platform

为了模拟矿山重大灾害，对其中部分数据加以改动，通过收集整理共选取员工风险、矿山自然条件风险、工作环境风险、机械设备风险和管理风险5个类型共30组数据900个数据，容量达101 GB，其中包含视频数据46 GB、图像数据33 GB、文本数据21 GB三种格式，作为实验数据。每组数据中包含该矿一个月的各项数据值，以5：1比例划分数据为训练集和测试集。

设置所提方法相关参数，如下所示：

表1 所提方法参数设置Table 1 Parameter settings of the proposed method

基于上述参数设置和数据，进行实验，实验过程如下：通过所提方法提取数据特征，最终在员工风险、矿山自然条件风险、工作环境风险、机械设备风险和管理风险5个方面确定36项指标作为特征，如下图所示：

图3 矿山灾害数据指标特征Fig.3 Characteristics of the mine disaster data indicators

将矿山灾害数据特征输入RBF神经网络风险预警模型中，并通过BES算法寻优该模型参数，输出矿山灾害风险预警的相对风险值，对输出结果分级管理，获得风险预警结果。

实验引入基于长短期记忆和隔离森林的矿山重大灾害风险预警方法和基于改进模糊层次分析法-CRITIC权重法与云模型的矿山重大灾害风险预警方法作为对比，KS值作为实验指标。KS值小于0.2时认为模型预警能力较弱，无法有效区分正样本和负样本；KS值在0.2~0.3之间时认为模型具有一定的预警能力，但在实际应用中仍需进一步优化，KS值在0.3~0.5之间时，模型具有较强的预警能力，且KS值越高，预警性能越优异；而KS值大于0.75时，虽然KS值很高，但模型极有存在过拟合等异常问题。

3.2 实验结果分析

不同方法在矿山灾害风险预警中的结果如下所示：

图4 不同方法KS曲线对比Fig.4 Comparison of KS curves for different methods

由上可以看出，所提方法和基于改进模糊层次分析法-CRITIC权重法与云模型的矿山重大灾害风险预警方法的KS值处于0.3~0.5之间，具有较强的预警能力，同时所提方法KS值高于基于改进模糊层次分析法-CRITIC权重法与云模型的矿山重大灾害风险预警方法，性能更为优异，而基于长短期记忆和隔离森林的矿山重大灾害风险预警方法KS值超过0.75，预警模型极有存在过拟合问题，在动态变化的矿山重大灾害风险预警中适应性相对较弱。

在矿山重大灾害风险预警中，发出预警的实时性至关重要，实验通过CPU占用率和内存占用率评价不同方法的运行性能，结果如下表所示：

表2 不同方法运行性能对比Table 2 Performance comparison of different methods

由上表可以看出，所提方法的CPU占用率和内存占用率均低于基于长短期记忆和隔离森林的矿山重大灾害风险预警方法和基于改进模糊层次分析法-CRITIC权重法与云模型的矿山重大灾害风险预警方法，说明所提方法能够更流畅地运行且能够避免响应迟缓等问题，在对实时性要求较高的矿山重大灾害风险预警中具有重要的意义。

实验通过预警准确率、误报率和漏报率进一步评价不同方法的风险预警准确性，指标数据的均值统计结果如表3所示.

表3 不同方法预警准确率、误报率和漏报率对比Table 3 Comparison of accuracy，false alarm rate and missed alarm rate of different early warning methods

由表3可以看出，所提方法的误报率均值和漏报率均值均低于其他两种风险预警方法，而预警准确率均值为93.4%，明显高于其他方法，说明所提方法能够更准确地预警矿山重大灾害风险。

为了检验BES算法在RBF神经网络参数寻优值中的优越性，将其与传统梯度下降法对比，检测两者收敛速度和适应度值，结果如下图所示：

图5 不同方法RBF神经网络参数寻优对比Fig.5 Comparison of parameter optimization for the RBF neural network using different methods

由上图可以看出，在RBF神经网络参数优化中，BES算法迭代至第30次左右即进入平稳状态，而梯度下降法在50次迭代完成后仍为达到稳定，且适应度值始终低于BES算法，说明BES算法能够以更快的速度获取到更为优异的RBF神经网络参数。

将研究方法实际应用在实验对象煤矿企业中，经过一个月的应用，期间成功预警该企业1次岩溶水透水事故和瓦斯突出事故，灾害风险预警成功预警率为100%，应用效果较优。

随着科学技术的发展，尤其是复杂性理论、人工智能、大数据分析及计算机技术在矿山灾害预警领域的应用，为矿山重大灾害风险预警提供了新的思路和方法，通过引进先进算法模型，有效避免或减少灾害事故的发生。为了解决目前存在的KS值过大或较小以及CPU占用率和内存占用率较高问题，提出基于BES-RBF神经网络的矿山重大灾害风险预警方法，通过KPCA算法提取矿山灾害影响特征，利用BES算法寻优RBF神经网络参数构建矿山灾害风险预警模型，将提取的特征输入至模型中，实现矿山重大灾害风险预警。该方法能够有效地提升KS值，降低CPU占用率和内存占用率，为提升矿山安全生产奠定基础。