基于应急预案的煤矿应急救援辅助决策系统设计

高洪波

（应急管理部信息研究院，北京 100029）

0 引言

煤矿生产过程常伴随着安全风险和事故隐患。在煤矿事故发生时，迅速而有效的应急救援是保障人民群众生命安全和减少经济损失的关键。然而，煤矿事故救援工作既复杂又危险，对救援人员的专业知识和快速决策能力提出了极高的要求。传统的煤矿应急救援决策主要依赖于人工经验和现场指挥，在面临信息匮乏和时间紧迫的情况下，难以迅速做出准确的决策，而主观判断容易导致误判和错误决策。因此，煤矿应急救援工作迫切需要高效、科学的辅助决策系统。

目前，已有研究致力于煤矿应急救援辅助决策技术的探索。这些研究主要集中于应急预案的数字化技术、基于历史案例的推理技术等。在应急预案的数字化技术方面，一些学者通过将煤矿应急预案的文本内容进行数字化，建立相应的数据库，实现煤矿应急预案的编制、审核、存储、浏览及智能查询等功能，为煤矿应急救援提供了预案的快速生成和检索能力[1-4]。然而，目前应急预案的数字化技术主要集中在应急预案本身的数字化处理，对于应急预案的智能化处理如指令构建、任务规划、方案生成等方面研究较为有限，导致应急预案在实际救援过程中应用不足、应用效率低，难以发挥其在实战中的作用。在基于历史案例的推理技术方面，一些研究通过对历史事故案例进行分析、建模，并构建案例库和案例推荐系统，以在救援过程中匹配并推荐最相似的案例给指挥人员[5-8]。然而，目前基于历史案例的推理技术推荐的历史案例虽具有一定的参考价值，但缺乏与事故现场信息和煤矿实际应急能力的综合考量，难以在复杂多变的决策过程中生成适用于现场实际情况且具备可执行性的救援方案。

为提高我国煤矿应急救援辅助决策系统的决策准确性、科学性和智能化水平，提出了基于应急预案的煤矿应急救援辅助决策系统设计方法。采用信息提取技术从煤矿应急预案中获取救援任务信息并建立元任务库。当煤矿发生安全事故时，系统采集事故信息，从元任务库中匹配筛选出相关的元任务，并结合煤矿安全监控、人员定位等系统的实时数据，形成详细且可执行的指令清单。通过任务规划技术对指令优先级进行规划，最终生成救援方案并发送给指挥人员。

1 系统业务流程设计

系统业务流程如图1所示，主要包括5个步骤：① 预案信息抽取与元任务库构建；② 事故信息提取与元任务筛选；③ 动态信息采集；④ 救援指令构建；⑤ 任务规划。

1.1 预案信息抽取与元任务库构建

根据GB/T 29 639—2020《生产经营单位生产安全事故应急预案编制导则》的规定[9]，煤矿应急预案可分为综合应急预案、专项应急预案和现场处置方案。系统通过对应急预案的文本进行分析，运用基于大语言模型的信息抽取技术，从应急预案的组织机构及职责、应急响应、处置措施等文本内容中识别并提取关键的实体要素，并构建应急救援过程中的最小任务单元[10]，即元任务，包括任务名称、触发条件、执行部门和任务内容等属性。为了在事故发生时实现更高效的触发条件匹配、读取元任务和构建详细指令等功能，系统采用关系型数据库技术来存储和管理元任务，形成根据事故类型和级别对元任务进行分类存储的元任务库，同时采用索引优化和缓存机制，以减少磁盘I/O操作和网络传输延迟，确保快速检索和访问所需的元任务信息。

1.2 事故信息提取与元任务筛选

发生煤矿安全事故时，系统从煤矿值班值守系统中提取事故信息，包括事故类型、人员伤亡情况、事故内容、发生地点和发生时间等关键信息，并根据事故类型和人员伤亡情况对事故进行分类和分级。事故分类包括瓦斯、顶板、机电、放炮、水灾、火灾、运输和其他等8类事故。事故分级主要根据伤亡人数划分：若造成30人以上死亡，为特别重大事故；造成10人以上30人以下死亡，为重大事故；造成3人以上10人以下死亡，为较大事故；造成3人以下死亡，为一般事故。

事故分类分级后，系统利用语义匹配技术进一步从元任务库中筛选出与当前事故最匹配的元任务集。在语义匹配过程中，事故内容和任务触发条件的文本被转换为向量形式，通过计算相似度筛选出与当前事故匹配度最高的元任务。由于元任务是基于应急预案生成的，而应急预案是在事故发生前事先编制的，所以匹配出的元任务仅包含触发条件、执行部门和任务内容等信息，需通过救援指令构建过程对元任务补充行动地点、行动时间、执行人员及周边环境等现场动态信息，才能使救援指令具体化和可执行。

1.3 动态信息采集

由于井下现场环境复杂且事故态势瞬息万变，为确保救援任务的可行性和及时性，系统必须实时采集现场动态信息并融合到救援任务中。系统对接煤矿安全监控、人员定位、水文地质监控、顶板监控及矿用重大设备监控系统，实时采集事故区域的主要环境参数（如甲烷、一氧化碳、风速、烟雾等）、被困人员数量、人员位置信息、行走轨迹，以及水位、水温、顶板压力和井下重大设备的运行状态等动态信息数据。由于安全感知数据产生频率高，系统采用Kafka消息队列作为数据传输媒介。动态信息数据经过Flink流式处理[11]后被存入时序数据库中。系统与煤矿通信录系统进行接口对接，获取救援人员的联系方式和相关信息。系统与煤矿应急物资管理系统进行对接，获取可用的救援物资类型和库存数量等信息。这些数据通过Kettle数据抽取工具从源系统中提取，通过ETL（Extract-Transform-Load）过程同步到系统中。系统通过整合来自不同系统的各类数据，构建全面且准确的现场动态数据集，以供后续的指令构建过程使用。

1.4 救援指令构建

煤矿应急救援方案的核心为救援指令集，因此，构建完整且明确的救援指令成为辅助决策过程的关键步骤。系统基于指令模板进行指令构建，模板的构成要素包括任务名称、触发条件、执行部门、执行人员、任务内容、任务周边环境、任务时间、任务空间及行动物资等，如图2所示。系统将采集到的静态信息和实时数据替换至指令模板的相应占位符中，生成详细的救援指令。在救援指令构建过程中，需确保替换的数据与模板中的占位符类型和格式相匹配，避免数据丢失或错误。

图2 煤矿应急救援指令模板构成要素Fig.2 Coal mine emergency rescue instruction template components

1.5 任务规划

救援指令构建后，系统运用任务规划技术确定任务指令的优先级。任务规划技术是一种基于约束条件的优化算法，它根据任务的目标、资源限制、时间要求等因素来比较不同的任务组合，从而确定最优的任务执行顺序和资源分配方案，即形成救援方案。系统将救援方案推送给指挥人员，指挥人员可对其进行手动修订，一旦确认批准，方案即被下发给执行人员进行实施。随着事故应急处置工作的推进和现场情况的变化，系统的数据持续获取和指令动态生成能力确保救援方案在不断变化的情况下保持高效和准确，直至应急救援工作结束。

2 系统架构设计

煤矿应急救援辅助决策系统架构如图3所示，自下而上依次为数据层、模型层、业务层、应用层、访问层。数据层负责采集和存储系统需要的应急预案、通信录、环境监测、人员定位、应急物资等数据。模型层主要部署大语言模型ChatGLM[12]及语义匹配模型SBERT[13]等，模型层基于从数据层获取的各类数据，通过数据标注、模型训练、模型发布、迭代优化等过程对模型进一步训练，为业务层提供支持。业务层实现主要业务逻辑，包括预案信息抽取、元任务库构建、事故信息抽取、任务匹配筛选、任务清单构建、任务清单规划、救援方案生成等。应用层承载系统的主要功能和应用服务，包括安全态势、数字预案、辅助决策、方案管理等功能模块。访问层实现指挥人员、救援人员等系统用户通过大屏端、PC端、移动端等方式访问系统。

图3 煤矿应急救援辅助决策系统架构Fig.3 Architecture of coal mine emergency rescue auxiliary decision system

3 系统功能模块设计

3.1 安全态势

安全态势功能模块通过对煤矿井下实时数据的监控、分析和视觉化呈现，实现对煤矿安全态势的全面把握。实时数据包括系统接收的环境感知信息、人员定位信息、应急物资信息及事故信息。通过采用趋势分析和关联分析等方法深入挖掘和分析数据，形成安全态势分析结果，并以多维度的形式进行可视化展示。

3.2 数字预案

数字预案功能模块基于煤矿各类典型事故灾害预案实现快速生成数字化应急预案。预案编制必须严格遵循预先设定的数字化模板，确保预案的规范性和一致性。系统支持对预案进行修改、删除、查询等维护管理功能，同时也支持对纸质预案的导入和处理，方便预案管理。

3.3 辅助决策

辅助决策功能模块从值班值守系统获取事故信息，通过语义匹配技术从元任务库中筛选出与事故相关的救援任务，结合现场实时动态数据生成详细的任务指令集，应用任务规划技术在有限资源、时间要求等约束条件下对指令执行顺序进行优化和调整，形成包含详细任务指令、时间计划、资源需求等信息的高效科学的救援方案。

3.4 方案管理

方案管理功能模块实现救援方案的预览、查询和导出功能。预览功能帮助决策人员全面了解方案内容和细节；查询功能允许按照关键词和特定条件筛选救援方案，以协助做出科学的救援决策；导出功能支持将救援方案以不同格式（如Word、PDF等）进行分享和交流。此外，该模块还具备自动备份能力，以防止因系统故障等原因导致救援方案的丢失。

4 系统实现关键技术

4.1 基于大语言模型的信息抽取技术

信息抽取技术是一种处理自然语言文本的关键技术[14-16]，旨在根据特定的抽取需求从非结构化文本中提取出任务所需的实体、关系和属性等关键信息，以结构化形式进行描述并存入结构化数据库中。信息抽取技术应用于元任务构建过程中从煤矿应急预案文本中抽取任务实体要素和任务筛选过程中从事故接报信息中抽取事故关键要素。

常用的信息抽取方法包括基于规则引擎、词典匹配或传统机器学习算法，这些方法通常需依赖领域知识、规则设计和手动特征工程。相比之下，以GPT为代表的大语言模型具有更高的自动化程度、更强的上下文理解能力、更少的数据需求、更好的灵活性[17-19]。系统采用开源大语言模型ChatGLM实现信息抽取。ChatGLM是一款基于GLM架构的大语言模型，由多个编码器和解码器组成，可支持本地部署，最多拥有1 300亿个参数。在预训练阶段，ChatGLM使用了大量的无监督和有监督数据进行训练，从而学习到自然语言文本中的通用知识和语言规律。在微调阶段，通过使用煤矿应急救援领域的数据集进行微调，模型能够强化领域知识，进一步提高信息抽取的质量。经过微调的ChatGLM模型在处理煤矿应急预案的实体要素抽取任务时，能够准确识别并提取出关键的任务要素，包括任务名称、触发条件、执行部门和任务内容等，即构建元任务，而在处理事故接报信息的事故关键要素抽取任务时，同样能够准确提取出事故类型、时间、地点及伤亡情况等关键信息，为事故分类分级和元任务的筛选奠定基础。

4.2 基于SBERT模型的语义匹配技术

语义匹配技术实现根据煤矿事故信息从元任务库中筛选元任务。系统采用孪生网络SBERT模型进行语义相似度计算，以提升语义匹配的准确性和效率。SBERT是一种基于预训练语言模型BERT[20]实现的句子级嵌入模型，通过对输入的句子进行编码，生成语义丰富的句子向量表示，并用于语义相似度计算。

SBERT模型结构如图4所示，SBERT模型的子网络均使用BERT模型，且2个BERT模型共享参数。在语义匹配的过程中，系统首先从煤矿事故接报信息中提取关键文本要素，将其输入到BERT模型中，并应用池化策略（pooling）生成句子表示向量u。同时，系统还将各个元任务触发条件文本输入BERT模型中，通过池化策略生成句子表示向量v。通过对煤矿事故接报信息与元任务触发条件的余弦相似度进行计算（cosine-sim（u，v）），实现精准、高效的语义匹配。

图4 SBERT模型结构Fig.4 SBERT model structure

4.3 任务规划技术

在完成基本任务指令列表创建之后，由于多个任务之间可能存在时间或资源依赖关系，且现有应急资源有限，可能无法完全满足所有任务的需求。所以，有必要将这些任务按照优先级进行划分，以确保高优先级任务优先执行。

系统采用层次任务网络（Hierarchical Task Network，HTN）[21-22]规划器JSHOP2来实现救援任务规划。JSHOP2具有灵活的规划语言和丰富的规划功能，能够有效应对复杂的任务规划需求。其规划过程如下：

1） 领域建模。在JSHOP2中，定义救援任务的领域模型，包括操作（Actions）和谓词（Predicates）。操作描述可执行的救援任务，如现场侦察、瓦斯排放、人员搜寻等，谓词描述救援任务中的状态和约束，如可用的应急物资数量、遇险人员位置信息等。

2） 问题建模。在JSHOP2中，定义具体的救援任务问题，包括初始状态和目标状态。初始状态描述救援任务的触发条件，如瓦斯爆炸、水害、火灾等不同事故情景下的现场环境和人员状况；目标状态描述救援任务的期望目标，如控制灾情、救出被困人员等。

3） 规划策略制定。JSHOP2规划器使用启发式搜索算法，重点关注如何合理调配有限的队伍、物资、设备等应急资源，解决任务间的时间和资源依赖关系，并生成符合实际情况的救援方案。

4） 优先级规划。在问题模型中，为每个任务操作定义优先级属性，以指定任务的优先级，如优先确保遇险人员的生命安全、维持通风系统的正常运行等。

5） 解决方案生成。当JSHOP2规划器找到一个可行的解决方案时，系统将解析该方案，并生成规划结果，包括每项任务的执行顺序、责任归属团队及预期的完成时间等。

通过使用JSHOP2规划器，系统可根据任务的优先级和约束，生成适应紧急情况的任务规划解决方案，从而可高效地管理和分配有限的资源，确保高优先级任务得到及时执行。

5 结论

1） 煤矿应急救援辅助决策系统业务流程主要包括：预案信息抽取与元任务库构建、事故信息提取与元任务筛选、动态信息采集、救援指令构建、任务规划。系统架构自下而上依次为数据层、模型层、业务层、应用层、访问层。

2） 应用基于大语言模型的信息抽取技术，实现从应急预案中自动识别和提取关键任务要素，并建立元任务库，形成后续救援任务规划和决策的数据基础，提升了应急预案信息的易用性和检索效率。

3） 应用基于SBERT模型的语义匹配技术，迅速而精准地从元任务库中筛选出与当前事故情景高度相关的任务集合，加快了响应时间，增强了救援计划的相关性与适应性。

4） 通过预设的指令模板生成结合现场数据与元任务信息的行动指令，通过任务规划技术对指令的执行顺序进行优化和调整，形成更具可操作性和高效率的救援方案。