基于矿工行为分析的井下预警机制

摘要

一种基于矿工行为分析的井下预警机制，属于井下预警机制。井下预警机制：对矿工的历史活动轨迹进行统计；方法是对井下矿工的移动轨迹数据进行随机抽样，抽样轨迹数据的时间长度为1个月，采集矿工的移动轨迹；对抽样的数据进行观察，剔除其中存在安全隐患和异常行为多的矿工；之后按照隐马尔可夫模型对其地点与行为进行建模，获取其三个状态参数λ＝(A,B,Π)。在井下，矿工的移动数据蕴涵了该矿工的行为特征，通过对矿工的行为进行分析，建立一套矿工行为的评价标准，使用该标准对矿工的行为进行评估，发现矿工的异常行为，起到预警的作用。优点：对矿工的不规范行为，通过其移动轨迹进行发现，建立一套预警机制，防范于未然，提高矿工的在井下工作的安全性。

说明书

技术领域

本发明涉及一种井下预警机制，特别是一种基于矿工行为分析的井下预警机制。

背景技术

在如今，矿工井下的预警机制多数集中在井下对工作环境的监控，如对瓦斯浓度的监 控，但是对矿工异常行为的监控，多数是录像监控，或者用安全规范约束矿工的异常行为， 对矿工异常行为没有一套完整行为评价标准，因此无法评估矿工的行为是否为异常行为， 更无法对矿工异常行为进行预警。

发明内容

本发明的目的是要提供一种基于矿工行为分析的井下预警机制，解决无法评估矿工的 行为是否为异常行为，更无法对矿工异常行为进行预警的问题。

本发明的目的是这样实现的：井下预警机制：先要对矿工的历史活动轨迹进行统计； 统计的方法是对井下矿工的移动轨迹数据进行随机抽样，抽样轨迹数据的时间长度为1个 月，采集矿工的移动轨迹；对抽样的数据进行观察，剔除其中存在安全隐患和异常行为多 的矿工；之后按照隐马尔可夫模型对其地点与行为进行建模，获取其三个状态参数 λ＝(A,B,Π)；其中：

A：状态转移概率：

其中a_ij＝p(q_t+1＝S_j|q_t＝S_i)，Si,$S_j⋐S=\{S_1,S_2,...,S_N\}$

B：观测概率：

其中b_j(m)≡p(O_t＝v_M|q_t＝S_i)，$V_m⋐V=\{v_1,v_2,...,v_M\}$

Π：表示初始概率：

Π＝[π_i]，其中π_i≡p(q₁＝S_i)；

具体方法如下：

对矿工的移动行为进行停留点的发现，停留点的定义是在矿工在一段时间内，其滞留 的区域；发现停留区域后，将停留区域参照井下地图发现其在井下的地点对其进行标注；

按照时段对矿工在井下的活动时间进行划分，划分的规则为，选取停留点的作为时间 粒度，将矿工的井下活动时间进行均分；

将矿工在井下的移动轨迹按照时间划分产生一个矿工井下移动序列，该序列作为隐马 尔可夫过程的观测序列；

调取这一个月内的井下视频监控，对矿工的行为按照时间划分进行发现，对其进行统 计；将井下的矿工活动状态转移序列作为隐马尔可夫过程中的状态转移序列进行统计，计 算出矿工的状态转移矩阵A，通过与之前矿工轨迹观测序列进行统计，计算获得发射概率 B,这样便基于隐马尔可夫模型建立了矿工的在井下的移动模型；

通过对行为规范度高的矿工的行为进行建模，得到一个行为规范的矿工隐马尔可夫参 数及X＝{λ₁,λ₂...λ_n}其中n为抽样中矿工的个数；

将该参数集评价机制，对矿工的井下工作轨迹进行评价。

评价的方法是：对该矿工进行停留点发现，并且按照时段，获得该矿工在井下移动轨 迹观测序列，获得该观测序列后对其进行评估，评估的值为：

$P=\frac{\underset{i=1}{\overset{n}{\Sigma }}P\left(O\right|{\lambda }_i)}{n}$             (式1)

式中，O表示观测序列，λ_i表示在第i个模型，n代表模型的总数；

设定一个阈值，当评估值小于该阈值时，可以怀疑该矿工在井下的移动行为存在不规 范；对其在井下的录像进行调查监控，发现其异常行为，起到预警的作用。

有益效果，由于采用了上述方案，在井下，矿工的移动数据蕴涵了该矿工的行为特征， 通过对矿工的行为进行分析，建立一套矿工行为的评价标准，使用该标准对矿工的行为进 行评估，发现矿工的异常行为，起到预警的作用。解决了无法评估矿工的行为是否为异常 行为，更无法对矿工异常行为进行预警的问题，达到了本发明的目的。

优点：对矿工的不规范行为，通过其移动轨迹进行发现，建立一套预警机制，防范于 未然，提高矿工的在井下工作的安全性。

附图说明：

图1是本发明的状态和矿工行为的关系图。

具体实施方式

实施例1：井下预警机制：先要对矿工的历史活动轨迹进行统计；统计的方法是对井下矿 工的移动轨迹数据进行随机抽样，抽样轨迹数据的时间长度为1个月，采集矿工的移动轨 迹；对抽样的数据进行观察，剔除其中存在安全隐患和异常行为多的矿工；之后按照隐马 尔可夫模型对其地点与行为进行建模，获取其三个状态参数λ＝(A,B,Π)；其中：

A：状态转移概率：

其中a_ij＝p(q_t+1＝S_j|q_t＝S_i)，S_i,$S_j⋐S=\{S_1,S_2,...,S_N\}$

B：观测概率：

其中b_j(m)≡p(O_t＝v_M|q_t＝S_i)，$V_m⋐V=\{v_1,v_2,...,v_M\}$

Π：表示初始概率：

Π＝[π_i]，其中π_i≡p(q₁＝S_i)；

具体方法如下：

对矿工的移动行为进行停留点的发现，停留点的定义是在矿工在一段时间内，其滞留 的区域；发现停留区域后，将停留区域参照井下地图发现其在井下的地点对其进行标注；

按照时段对矿工在井下的活动时间进行划分，划分的规则为，选取停留点的作为时间 粒度，将矿工的井下活动时间进行均分；

将矿工在井下的移动轨迹按照时间划分产生一个矿工井下移动序列，该序列作为隐马 尔可夫过程的观测序列；

调取这一个月内的井下视频监控，对矿工的行为按照时间划分进行发现，对其进行统 计；将井下的矿工活动状态转移序列作为隐马尔可夫过程中的状态转移序列进行统计，计 算出矿工的状态转移矩阵A，通过与之前矿工轨迹观测序列进行统计，计算获得发射概率 B,这样便基于隐马尔可夫模型建立了矿工的在井下的移动模型；

通过对行为规范度高的矿工的行为进行建模，得到一个行为规范的矿工隐马尔可夫参 数及X＝{λ₁,λ₂...λ_n}其中n为抽样中矿工的个数；

将该参数集评价机制，对矿工的井下工作轨迹进行评价。

评价的方法是：对该矿工进行停留点发现，并且按照时段，获得该矿工在井下移动轨 迹观测序列，获得该观测序列后对其进行评估，评估的值为：

$P=\frac{\underset{i=1}{\overset{n}{\Sigma }}P\left(O\right|{\lambda }_i)}{n}$             (式1)

式中，O表示观测序列，λ_i表示在第i个模型，n代表模型的总数；

设定一个阈值，当评估值小于该阈值时，可以怀疑该矿工在井下的移动行为存在不规 范；对其在井下的录像进行调查监控，发现其异常行为，起到预警的作用。

具体的：

在采用该预警机制时，先要对矿工的移动轨迹进行抽样，并从其中筛选出规范员工的 移动数据，然后对其按照隐马尔可夫过程进行建模，获取参数集X。对矿井下的其他矿工 按照该参数集进行评估。得到评估值，并对评估值设定阈值，高于该阈值的矿工为规范矿 工，定于该阈值的为不规范员工，对其视频监控进行监控发现其异常状态，起到预警作用。

图1为状态和矿工行为的关系图，图中，S₁、表示矿工的第一个状态；S₂、表示矿 工的第二个状态；S₃、表示矿工的第三个状态；tra₁、表示矿工的第一个地点；tra₂、表 示矿工的第二个地点；tra₃、表示矿工的第三个地点；tra₄、表示矿工的第四个地点；a、 表示状态转移的概率；a₁₂、表示状态1向状态2转移的概率；b、表示状态引发移动的发 射概率，如b₁₂，由状态1观测到矿工处于第二个地点的概率。