煤炭生产安全监控系统及方法

摘要

本发明提供了一种煤炭生产安全监控系统及方法，涉及安全监控技术领域，该系统包括知识库模块、智能感知模块和业务处理模块；知识库模块中存储有安全知识内容和安全知识图谱；智能感知模块用于根据安全知识内容，对煤炭生产过程中的人员、设备和环境中的一种或多种进行实时安全监测，并当监测到异常情况发生时，发送报警信息至业务处理模块；业务处理模块用于根据安全知识内容和安全知识图谱，对接收到的报警信息进行消除处理；知识库模块用于根据业务处理模块对报警信息的处理结果，进行安全知识信息的更新。本发明减少了人工干预，提高了煤炭生产过程中的自动化水平和智能化水平。

说明书

技术领域

本发明涉及安全监控技术领域，尤其是涉及一种煤炭生产安全监控系统及方法。

背景技术

在煤炭工业的生产过程中，安全是一个比较复杂的问题，煤矿地下采掘生产系统管网式的布置，近封闭式的结构，瓦斯、地压、水、火、煤尘等多种致灾因子共存的环境，使煤矿易发多类灾害事故。灾害事故一旦发生，容易引起其他灾害的伴生或耦合，使应急处置、救援救助变得复杂、困难。因此，提高煤炭工业生产过程中的自动化安全管控水平是非常重要和必要的。

近年来，随着深度学习技术的发展和自动化水平的不断提高，越来越多的智能监控设备被用到煤炭的生产过程中，用于对煤炭的生产过程进行智能监控和识别。但是目前大多数的这种系统，安全监控的自动化水平和智能化水平仍然较低。

发明内容

本发明的目的在于提供一种煤炭生产安全监控系统及方法，以提高煤炭生产过程中的自动化水平和智能化水平。

第一方面，本发明实施例提供了一种煤炭生产安全监控系统，包括知识库模块、智能感知模块和业务处理模块；知识库模块中存储有安全知识信息，安全知识信息包括安全知识内容和安全知识图谱；

智能感知模块用于根据安全知识内容，对煤炭生产过程中的人员、设备和环境中的一种或多种进行实时安全监测，并当监测到异常情况发生时，发送报警信息至业务处理模块；

业务处理模块用于根据安全知识内容和安全知识图谱，对接收到的报警信息进行消除处理；

知识库模块用于根据业务处理模块对报警信息的处理结果，进行安全知识信息的更新。

进一步地，业务处理模块包括风险管控模型、隐患治理模型和事故管理模型；业务处理模块具体用于：

风险管控模型根据安全知识内容中的初始的应急预案，生成与报警信息对应的第一控制指令，通过第一控制指令对报警信息进行消除；

当经风险管控模型的处理后，报警信息未被消除时，隐患治理模型根据安全知识图谱，对报警原因进行推理，并根据推理结果生成第二控制指令，通过第二控制指令对报警信息进行消除；

当经隐患治理模型的处理后，报警信息未被消除时，事故管理模型对异常情况进行分析和总结，生成新的应急预案，并将新的应急预案提供给风险管控模型，直至报警信息消除。

进一步地，报警信息包括皮带跑偏报警、皮带空载报警、皮带撕裂报警、皮带堆煤报警、异物报警、水煤报警、大块煤报警和人员违规报警中的一种或多种。

进一步地，智能感知模块还用于获取用户对安全监测结果的第一反馈结果，并根据第一反馈结果进行相应识别模型的优化；业务处理模块还用于获取用户对风险管控模型、隐患治理模型和事故管理模型输出的决策的第二反馈结果，并根据第二反馈结果进行风险管控模型、隐患治理模型和事故管理模型的优化。

进一步地，知识库模块具体用于根据业务处理模块对报警信息的处理结果和第二反馈结果，对安全知识信息进行自适应动态优化；根据第一反馈结果，对未知安全问题进行自动关联和补充，以实现安全知识信息的自学习；以及根据知识引用度的统计结果，对热点知识进行追踪，对碎片知识进行维护，以实现安全知识信息的自演进。

进一步地，安全知识信息还包括在安全知识内容和安全知识图谱的基础上构建的安全知识场景，安全知识场景用于供智能感知模块和业务处理模块调用。

进一步地，智能感知模块具体用于通过数字化设备获取煤炭生产过程中的人员、设备和环境中的一种或多种的实时数据，并通过预训练好的识别模型对实时数据进行异常情况的识别处理，数字化设备包括可穿戴设备、定位设备、传感器和摄像设备中的一种或多种。

第二方面，本发明实施例还提供了一种煤炭生产安全监控方法，应用于第一方面的煤炭生产安全监控系统，该煤炭生产安全监控方法包括：

智能感知模块根据安全知识内容，对煤炭生产过程中的人员、设备和环境中的一种或多种进行实时安全监测，并当监测到异常情况发生时，发送报警信息至业务处理模块；

业务处理模块根据安全知识内容和安全知识图谱，对接收到的报警信息进行消除处理；

知识库模块根据业务处理模块对报警信息的处理结果，进行安全知识信息的更新。

进一步地，业务处理模块包括风险管控模型、隐患治理模型和事故管理模型；业务处理模块根据安全知识内容和安全知识图谱，对接收到的报警信息进行消除处理，包括：

风险管控模型根据安全知识内容中的初始的应急预案，生成与报警信息对应的第一控制指令，通过第一控制指令对报警信息进行消除；

当经风险管控模型的处理后，报警信息未被消除时，隐患治理模型根据安全知识图谱，对报警原因进行推理，并根据推理结果生成第二控制指令，通过第二控制指令对报警信息进行消除；

当经隐患治理模型的处理后，报警信息未被消除时，事故管理模型对异常情况进行分析和总结，生成新的应急预案，并将新的应急预案提供给风险管控模型，直至报警信息消除。

进一步地，上述煤炭生产安全监控方法还包括：

智能感知模块获取用户对安全监测结果的第一反馈结果，并根据第一反馈结果进行相应识别模型的优化；

业务处理模块获取用户对风险管控模型、隐患治理模型和事故管理模型输出的决策的第二反馈结果，并根据第二反馈结果进行风险管控模型、隐患治理模型和事故管理模型的优化。

本发明实施例提供的煤炭生产安全监控系统及方法中，煤炭生产安全监控系统包括知识库模块、智能感知模块和业务处理模块；知识库模块中存储有安全知识信息，安全知识信息包括安全知识内容和安全知识图谱；智能感知模块用于根据安全知识内容，对煤炭生产过程中的人员、设备和环境中的一种或多种进行实时安全监测，并当监测到异常情况发生时，发送报警信息至业务处理模块；业务处理模块用于根据安全知识内容和安全知识图谱，对接收到的报警信息进行消除处理；知识库模块用于根据业务处理模块对报警信息的处理结果，进行安全知识信息的更新。这样将安全知识图谱引入到煤炭生产安全监控系统中，以安全知识内容和安全知识图谱为基础，实现了对智能感知模块传递过来的报警信息的自动消除处理，同时知识库模块还可以进行安全知识信息的自动更新，因此减少了人工干预，提高了煤炭生产过程中的自动化水平和智能化水平。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种煤炭生产安全监控系统的结构示意图；

图2为本发明实施例提供的一种“一库三环”的整体架构；

图3为本发明实施例提供的一种自优化知识库的原理示意图；

图4为本发明实施例提供的一种人机协同决策控制闭环的原理示意图；

图5为本发明实施例提供的一种单一业务环节闭环的原理示意图；

图6为本发明实施例提供的一种知识库与AI赋能过程的原理示意图；

图7为本发明实施例提供的一种全业务链闭环的原理示意图；

图8为本发明实施例提供的一种煤炭生产安全监控方法的流程示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在煤炭生产过程中，对整个生产过程进行安全有效的监控是非常有必要的。近年来，随着深度学习技术的不断提升，越来越多的企业将基于深度学习的图像视频处理技术用到自动监控中，来对整个生产过程进行自动化的监控。虽然这种方式在一定程度上提高了自动化的水平，但目前大多数的这种系统仅仅停留在智能感知方面，“智能化”的程度还远远不够，当存在潜在的安全风险或当安全事故发生时，无法自动的进行判断和预测，仍然需要依靠人工来进行判断和决策，安全管控的自动化和智能化水平较低且没有形成完整的体系。针对上述问题，本发明实施例提供的一种煤炭生产安全监控系统及方法，将知识图谱引入到基于深度学习的智能监控技术中，以知识图谱和规则引擎为基础，以深度学习和相关的人工智能算法为主要的技术手段，构建了包括智能感知模块、实现智能决策、智能溯源等的业务处理模块在内的完整的智能安全管控体系。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种煤炭生产安全监控系统进行详细介绍。

参见图1所示的一种煤炭生产安全监控系统的结构示意图，该煤炭生产安全监控系统包括知识库模块110、智能感知模块120和业务处理模块130；知识库模块110中存储有安全知识信息，安全知识信息包括安全知识内容和安全知识图谱；智能感知模块120用于根据安全知识内容，对煤炭生产过程中的人员、设备和环境中的一种或多种进行实时安全监测，并当监测到异常情况发生时，发送报警信息至业务处理模块130；业务处理模块130用于根据安全知识内容和安全知识图谱，对接收到的报警信息进行消除处理；知识库模块110用于根据业务处理模块对报警信息的处理结果，进行安全知识信息的更新。

本发明实施例提供的煤炭生产安全监控系统，将安全知识图谱引入到煤炭生产安全监控系统中，以安全知识内容和安全知识图谱为基础，实现了对智能感知模块传递过来的报警信息的自动消除处理，同时知识库模块还可以进行安全知识信息的自动更新，因此减少了人工干预，提高了煤炭生产过程中的自动化水平和智能化水平。

本发明实施例提供的煤炭生产安全监控系统中，知识库是基础，人工智能技术是手段，该煤炭生产安全监控系统的核心特点是“一库三环”，“一库”指的是构建知识库，将安全知识内容、安全知识图谱、以及相应的安全知识场景作为先验知识，构建整个系统的“大脑”，用来对智能感知模块120所处的感知层传递过来的数据进行综合的分析、预测以及决策推理、溯源，贯穿整个生产过程的始终；“三环”指的是在知识库的基础上形成三类生产过程中的闭环操作，即人机协同决策控制闭环、单一业务环节闭环和全业务链闭环。通过这样的系统架构和功能的设计，能够对生产过程中的各个环节实现很好的自动化的安全管控，且整个过程是一个的完整的环节。

为了实现上述功能，本实施例主要涉及的内容包括：智能感知、智能处理、智能决策、知识库的构建及优化。其中，主要核心的部分是知识库的构建及与人工智能(AI)模块的结合，从而形成“一库三环”的架构，在规则库的指引下不断地优化控制决策。

本实施例主要涉及以下几个部分：人员、设备和环境的数字化、AI模块、知识库的构建、人机协同决策控制闭环、单一业务环节闭环和全业务链闭环，具体如下：

1)较为全面的实现人员、设备和环境的数字化。可以通过可穿戴设备(对应于人员)、定位设备(对应于人员)、传感器(对应于设备和/或环境)和摄像设备(对应于人员、设备和环境中的一种或多种)等获取人员、设备和环境的实时数据，这是整个系统的数据基础。

2)自优化的知识库的构建。知识库是整个系统的“大脑”，存储了大量的信息和规则，包含了重大危险源信息库、企业安全标准化信息库、安全生产事故隐患信息库、安全知识库、作业标准流程库在内的知识库。相比于传统意义上的知识库，本实施例提出的知识库不是静态的，而是能够根据AI模型与人员的交互在决策的过程中不断更新和自我优化的，是动态的。

3)以知识库为基础的人机协同决策控制闭环。在以往的方法中，往往是由机器或人一方做出决策，机器做出的决策主要是依靠固定的规则，不能根据环境和实际情况的变化而变化；人做出的决策主要是依靠经验，缺少来自机器的辅助和有效的数据分析。因此，本实施例提出了一种将机器和人协同进行决策的控制方法，将机器基于规则库发出的决策和人员指定的决策进行相互优化，从而得到最优的控制决策。

4)单一业务环节闭环。对于生产过程中的单个业务的管理环节，在风险控制(风险管控模型)、隐患治理(隐患治理模型)、应急与事故管理(事故管理模型)等多个业务环节中实现闭环，即每个管理环节中的业务环节都是闭环的。

5)全业务链闭环。主要是实现对多个业务(例如皮带跑偏报警、皮带空载报警等)的风险管控、隐患治理、事故管理的协调处理。

接下来先介绍一下系统的整体架构，从整体框架和流程上阐述本方案中的“一库三环”，使得对系统的自动化设计有比较清晰的了解；然后再详细介绍一下架构中模块的各个部分的详细情况。

本系统的整体架构如图2所示，从图2中可以看出，整个架构在知识库的基础上，遵循“PDCA”的逻辑。具体地，在“D(执行)”中，首先，利用预训练好的AI模型对生产中的人员、设备和环境实现实时的监测，例如利用基于深度学习的检测模型(识别模型)实现对皮带中异物、水煤、皮带跑偏、皮带撕裂、人员违规操作等的检测识别，即智能感知。当检测到异常情况之后，立即报警，同时还可以做出自动控制。例如，利用皮带跑偏模型检测到皮带跑偏之后，进行报警并给出停机的建议决策。注意这里的停机的建议决策是根据“P(计划)”中给出的。

接下来，智能感知模块120将跑偏报警信息传递给业务处理模块130(即图2中的“AI风险管控、AI隐患治理”……等)。业务处理模块130对该报警信息进行风险管控、隐患治理、事故管理等一系列操作，并给出最终的决策。例如，对于皮带跑偏异常报警信息，风险管控模型给出了初步的控制指令，若该指令并没有解除报警信息，此时则进入隐患治理环节；在隐患治理环节，隐患治理模型结合知识库模块110中的知识图谱，对可能引起异常报警的原因进行推理(例如找到的原因是左右两边的机器转速不同引起的)，根据该推理结果给出相应的控制指令，若此时报警信息还未解除，则进入事故管理环节；在事故管理环节，事故管理模型对该异常情况进行分析和总结，给出AI模型最终的决策方案。

然后，在“C(评价)”中，由知识库中的指标对决策方案在实际生产过程中产生的影响进行评价，然后在“A(优化)”中系统再根据评价结果对该决策进行优化。

基于此，上述业务处理模块130包括风险管控模型、隐患治理模型和事故管理模型；业务处理模块130具体用于：

风险管控模型根据安全知识内容中的初始的应急预案，生成与报警信息对应的第一控制指令，通过第一控制指令对报警信息进行消除；

当经风险管控模型的处理后，报警信息未被消除时，隐患治理模型根据安全知识图谱，对报警原因进行推理，并根据推理结果生成第二控制指令，通过第二控制指令对报警信息进行消除；

当经隐患治理模型的处理后，报警信息未被消除时，事故管理模型对异常情况进行分析和总结，生成新的应急预案，并将新的应急预案提供给风险管控模型，直至报警信息消除。

上述智能感知模块120还用于获取用户对安全监测结果的第一反馈结果，并根据第一反馈结果进行相应识别模型的优化；业务处理模块130还用于获取用户对风险管控模型、隐患治理模型和事故管理模型输出的决策的第二反馈结果，并根据第二反馈结果进行风险管控模型、隐患治理模型和事故管理模型的优化。

下面详细介绍一下各部分的功能：

(1)智能感知

该部分主要是通过可穿戴设备、定位设备、传感器和摄像设备等实现对人员、皮带、设备等生产过程中的重要组成要素的监控。主要通过AI识别算法实现对生产过程中的视频图像等的实时处理，实现智能感知。例如，通过AI识别算法实现对跟机移架工序、刮板机推直、液压支架护帮状态、机尾刮板运行状态、皮带异物、皮带撕裂、人员跨入危险区域等的识别和监测。其中，跟机移架工序识别指：智能识别采煤作业区域内采煤机位置、运行方向，刮板输送机煤量、速度，片帮、护帮板收放等工序衔接状态，异常声光报警提醒集控人员干预；刮板机推直识别指：智能识别工作面刮板推直情况，尽可能在当前采煤工序中直接确保工作面三直两平；液压支架护帮状态监测指：智能识别工作面液压支架护帮状态，发现护帮板异常及时提醒集控人员处理，避免因护帮板护帮不到位导致的煤壁大面积片帮；机尾刮板运行状态监测指：智能识别工作面刮板输送机运行过程中缺刮板、断链、斜链等异常状态，通知检修人员及时处理。

基于此，上述智能感知模块120具体用于通过数字化设备获取煤炭生产过程中的人员、设备和环境中的一种或多种的实时数据，并通过预训练好的识别模型对实时数据进行异常情况的识别处理，数字化设备包括可穿戴设备、定位设备、传感器和摄像设备中的一种或多种。

(2)自优化知识库

知识库是“一库三环”的重要组成部分，知识库包含了生产环节中的各种规则和知识，相当于整个系统的“大脑”，是整个系统的决策者。在传统的方式是中，知识库是静态的，是不会更新的。例如，当皮带跑偏模型检测到跑偏值超过规定值之后就停机，这种规则知识在任何情况下都是不变的。即使这种情况是皮带跑偏模型误报的，整个系统也会执行。显然，这种静态知识库是不合理的。

因此，在本实施例中，构建了动态的自优化知识库。如图3所示，知识库内容主要包含安全知识内容、安全知识图谱、安全知识场景等三个主要的部分。其中，安全知识内容介绍的是业务的相关知识，即考核培训、作业标准、风险管控、安全条例法规等(例如，在皮带运行时，工作人员不能进入规定的危险区域)。安全知识图谱则主要指的是各个业务之间的关系网络，包含了事件之间的因果关系，从而根据该因果关系找到安全事件发生的原因(实现溯源)和后续可能造成的结果，并给出相应的解决方案。安全知识场景则是在安全知识内容和安全知识图谱的基础上构建的，用于实现对具体应用场景的“风险管控、隐患治理、事故管理、应急管理”等。同时，“风险管控、隐患治理、事故管理、应急管理”会将相应的结果反馈到知识库中去更新安全知识内容、安全知识图谱、安全知识场景的相关内容，从而实现知识库的动态更新。

基于此，上述安全知识信息还包括在安全知识内容和安全知识图谱的基础上构建的安全知识场景，安全知识场景用于供智能感知模块120和业务处理模块130调用。

自优化知识库指的是知识库可以实现“自优化、自学习、自演进”等功能。这三个功能都是根据异常事件的“风险管控、隐患治理、事故管理、应急管理”的相应反馈结果对知识库进行更新的。

1、自优化

“自优化”指的是基于风险管控、隐患治理、事故管理等重点活动的反馈结果，对知识库进行自适应动态优化。例如，以皮带跑偏为例，当皮带跑偏识别错误识别到跑偏并发出报警信息之后，在下面介绍的“人机协同决策”环节，人会根据真实的情况对跑偏识别模型给出相应的反馈，从而知识库也随时更新。

2、自学习

“自学习”指的是对未知安全问题自动关联和补充，逐步维护知识阵列，形成知识图谱及知识沉淀。自动关联指的将知识图谱中原本不存在任何关系(即没有连接)的两个事件，通过重点活动的反馈结果找到它们之间的某种关系，从而将它们关联起来。例如，假设在原始的知识图谱中存在以下关系：“皮带过载”导致“皮带寿命变短”，“皮带被大石块划伤”导致“皮带撕裂”，“皮带撕裂”和“皮带寿命变短”之间存在互相的因果关系，而“皮带过载”和“皮带被大石块划伤”之间没有任何的关系；然而，当系统发出“皮带撕裂”异常警报之后，经过一系列的溯源查出是因为“皮带过载”，那么就会对知识图谱进行更新，建立它们之间的连接。

3、自演进

“自演进”指的是基于知识引用度的统计结果，对热点知识进行追踪，对碎片知识进行维护。例如，假设对于“皮带撕裂”这一异常情况，根据在给定周期内导致这一异常情况发生的原因的统计中，“皮带使用时间过长”这一安全知识被引用的比例达到了80％，则“皮带使用时间过长”就属于热点知识，我们对其长期保持跟踪，学习它在知识图谱的连接中的变化趋势；而“皮带被大型煤矿划伤造成撕裂”这一安全知识只占到1％，则其属于知识碎片，我们只需维持好它和“皮带撕裂”之间的连接即可，无需进行特别的学习。

基于此，知识库模块110具体用于根据业务处理模块130对报警信息的处理结果和上述第二反馈结果，对安全知识信息进行自适应动态优化；根据第一反馈结果，对未知安全问题进行自动关联和补充，以实现安全知识信息的自学习；以及根据知识引用度的统计结果，对热点知识进行追踪，对碎片知识进行维护，以实现安全知识信息的自演进。

(3)人机协同决策控制闭环

随着AI技术的发展，主要利用“AI技术+静态知识库”的方式来实现对安全隐患的发现和报警，并进行自主决策。为了便于理解，我们以皮带中的异常监测及自动控制为例来进行说明。首先利用已经预训练好的基于深度学习的AI识别算法对皮带中的跑偏、异物、大煤矿、水煤、人员违规、皮带撕裂等进行检测和识别，实现智能感知。当AI识别算法得到的监测值超出知识库中规定的值后，就会进行报警，并做出相应的自主控制。例如，在皮带跑偏识别中，基于皮带机跑偏识别模型，设置皮带跑偏量、报警值及停机值，系统识别到皮带机跑偏值达到定义的报警值后，及时报警，识别到皮带机跑偏值达到定义的停机值后，联动皮带集控系统停机。需要注意的是，此时的皮带跑偏量、报警值及停机值都是在知识库中已经规定好的(是不变的)，且做出的停机等自动控制决策也是根据已经提前设置好的规则库中的静态知识来执行的，即，当AI模型检测到跑偏超过规定的范围后，就简单粗暴地做出停机的操作。这种简单的“停机”并不是最优的控制策略，因为停机的过程也会存在大量的能耗，并且不利于生产过程的高效性。所以，针对生产过程中的风险管控，无论是仅依靠人工或仅依靠“AI技术+静态知识库”的模式都不是最优的选择。

在本实施例中，我们将人和AI技术相结合，实现“人机协同决策控制闭环”。这种闭环是一种“AI技术+动态知识库”的模式，即利用人的经验和操作来不断优化AI模型的学习能力和知识库中的规则和执行策略，从而实现决策过程中的动态知识库。整个过程利用强化学习来实现，具体的原理为：若AI模型的识别结果、决策建议都比较准确，则人给出正反馈；若识别结果属于误报或漏报，或决策建议在当前不是最佳的或错误的，则人对识别结果和决策建议给出负反馈，并发送给AI模型，AI模型根据反馈结果对识别模型和决策建议进行修改和优化，从而不断提升识别的准确率和执行策略。在整个决策过程中，重复循环上述步骤。

如图4所示，机器(AI模型)对智能感知的结果进行分析、预警，并做出决策建议。收到决策建议之后，人根据自己的经验和现场的实际情况，判断智能感知模块120的感知模型输出的报警信息是否属于“误报、漏报”，若属于，则将这一信息反馈给智能感知模块120的识别模型，并做出维持现有情况的决策。若不属于，则结合自己的经验和实际现场情况，判断感知模型给出的决策建议是不是当下最优的，若是，则接受感知模型的决策建议，若不是，则给出自己的决策，用自己的决策代替感知模型的决策。接下来，感知模型接收到控制指令和“误报、漏报”的反馈信息之后，及时检查影响模型识别的因素，提升识别效能，并根据最后的决策优化执行策略。然后再识别、再预警、再决策，重复上面的人机交互过程。需要注意的是，在整个人机交互的过程中，整个知识库中的规则和AI模型的识别、决策策略并不是静态的，而是在人和AI技术在上述的交互过程中，决策策略呈现动态变化，知识库和规则引擎在协同策略过程中不断动态优化。

为了更加便于理解，依然以皮带跑偏为例来进行说明。皮带跑偏模型识别到跑偏值超出停机值之后，发出停机的决策建议。此时，人观察到这一预警属于误报，就给出负反馈，并做出正常运行的决策，发出正常运行的控制指令，并对误报反馈给识别模型。识别模型接收到指令之后，及时检查影响模型识别的因素，优化识别结果；若人观察到这一预警属于正确的识别，则给出正反馈，同时如果对于当前的情况，停机属于比较正确的决定，则也对这一决策建议给出正反馈；若人根据自己的经验觉得有比停机更优的选择，则用自己的决策过程代替感知模型给出的决策建议，同对知识库中的规则进行更新。至此，完成了整个协同决策的动态过程。

(4)单一业务环节闭环

如图5所示，在风险管控部分，首先由智能感知模块120对异常情况进行识别和报警，并进行自动控制，若报警信息消除则管控成功，否则管控失败。管控失败则进入隐患治理环节，该环节主要根据构建好的知识图谱来推测事件之间的因果关系，找到异常事件发生的可能原因，从而触发风险管控部分的控制模块，对报警信息进行消除。若报警信息依旧没有解除，则隐患治理失败，并将隐患治理转化为事故，从而按照事故管理这一环节中的顺序进行处理。事故管理模型给出应急预案对隐患进行治理，隐患治理给出相应的控制指令到风控环节，直到报警信息解除，则整个环节解除。从图5中可以看出，风险管控、隐患治理、事故管理三个环节换换相扣，对于单个业务来说，找寻其发生异常的原因和处理异常的过程是按照知识图谱中所给出的事件之间的因果关系全程可追溯的，实现了完美闭环。

该部分的具体实现如图6所示。其中，知识库基于先验知识为推理机提供管控规则，模型库基于数学模型为规则提供智能感知、智能控制，推理机完成了基于先验知识库、模型库、感知源实现基于场景的推理服务，为安全管控过程赋能。

该部分的具体创新在于：1、风险管控、隐患治理、事故管理等三部分都由不同的AI模型结合知识图谱来驱动系统自主完成，不需要过多的人工干预。具体实现：平台提供可视化的场景识别规则引擎工具，内置判定函数。用户利用规则引擎工具，可按需构建场景识别需求。构建成功后，系统按需执行感知分析，报警处置、联动控制。2、在隐患管理和事故管理部分，根据知识图谱中事件之间的因果关系逐步排查异常事件的原因和解决方案。

(5)全业务链闭环

如图7所示，该部分以覆盖安全管控业务链闭环为目标，基于大数据分析，构建事前、事中、事后管控链条，遵循图2中的PDCA方法，持续优化安全管理体系闭环。

从图7中可以看出，该部分的整体逻辑和“单业务链闭环”中的整体逻辑是相似的。即先对异常情况进行风险管控，若管控失败则进入隐患治理环节，若隐患治理失败，则转入事故环节。和“单业务链闭环”不同的是，该部分的输入是多业务的异常，所以要实现多个业务的风险管控、隐患治理、事故管理的协调处理。其中“风险管控”属于“事前”，这部分主要是利用AI智能感知对异常情况及时发现、报警及做出自动控制；“隐患治理”属于“事中”，该部分主要是利用知识库、知识图谱和AI中枢，找到造成异常情况的原因；事故管理属于“事后”，通过对事故进行分析和总结，看看是因为规则库中缺少哪些知识或哪些规则不合理造成了此次事故，即找到事故的因果链。最后，以此来对整个环节中的安全管理规则或知识库进行更新，从而实现全业务链的闭环。

例如，当有皮带跑偏、皮带空载等异常情况同时发生时，皮带跑偏、皮带空载都启动对应的报警和自动控制模块，发出相应的控制指令。若报警信息都未解除，则都进入“隐患治理”阶段。在该阶段，以知识库和知识图谱为基础，对皮带跑偏、皮带空载这两个异常情况同时进行溯源排查和推理，然后根据溯源的结果，发出相应的控制指令。若报警信息还未解除，则进入事故管理阶段，通过在该阶段的一些技术手段(如图5所示)找到导致异常事件的最终原因并进行解决。

基于此，上述报警信息可以是单业务异常的报警信息，也可以是多业务异常的报警信息，报警信息可以包括皮带跑偏报警、皮带空载报警、皮带撕裂报警、皮带堆煤报警、异物报警、水煤报警、大块煤报警和人员违规报警中的一种或多种。

本发明实施例还提供了一种煤炭生产安全监控方法，该煤炭生产安全监控方法应用于上述的煤炭生产安全监控系统，参见图8所示的一种煤炭生产安全监控方法的流程示意图，该煤炭生产安全监控方法主要包括如下步骤S802～步骤S806：

步骤S802，智能感知模块根据安全知识内容，对煤炭生产过程中的人员、设备和环境中的一种或多种进行实时安全监测，并当监测到异常情况发生时，发送报警信息至业务处理模块。

步骤S804，业务处理模块根据安全知识内容和安全知识图谱，对接收到的报警信息进行消除处理。

步骤S806，知识库模块根据业务处理模块对报警信息的处理结果，进行安全知识信息的更新。

进一步地，上述业务处理模块包括风险管控模型、隐患治理模型和事故管理模型；步骤S804可以通过如下过程实现：风险管控模型根据安全知识内容中的初始的应急预案，生成与报警信息对应的第一控制指令，通过第一控制指令对报警信息进行消除；当经风险管控模型的处理后，报警信息未被消除时，隐患治理模型根据安全知识图谱，对报警原因进行推理，并根据推理结果生成第二控制指令，通过第二控制指令对报警信息进行消除；当经隐患治理模型的处理后，报警信息未被消除时，事故管理模型对异常情况进行分析和总结，生成新的应急预案，并将新的应急预案提供给风险管控模型，直至报警信息消除。

进一步地，上述煤炭生产安全监控方法还包括：智能感知模块获取用户对安全监测结果的第一反馈结果，并根据第一反馈结果进行相应识别模型的优化；业务处理模块获取用户对风险管控模型、隐患治理模型和事故管理模型输出的决策的第二反馈结果，并根据第二反馈结果进行风险管控模型、隐患治理模型和事故管理模型的优化。

本实施例所提供的煤炭生产安全监控方法，其实现原理及产生的技术效果和前述煤炭生产安全监控系统实施例相同，为简要描述，煤炭生产安全监控方法实施例部分未提及之处，可参考前述煤炭生产安全监控系统实施例中相应内容。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。