CN104636560B

CN104636560B - 一种基于子图同构的高风险区域自动识别方法

Info

Publication number: CN104636560B
Application number: CN201510075457.3A
Authority: CN
Inventors: 闫振国; 王延平
Original assignee: Xian University of Science and Technology
Current assignee: Xian University of Science and Technology
Priority date: 2015-02-12
Filing date: 2015-02-12
Publication date: 2018-06-05
Anticipated expiration: 2035-02-12
Also published as: CN104636560A

Abstract

本发明公开了一种基于子图同构的高风险区域自动识别方法，包括以下步骤：(1)建立典型高风险区域的等效图模型，将典型高风险区域的拓扑结构和属性信息加以完整表达；(2)将要分析的通风系统和典型高风险区域转换为属性图形式；(3)利用子图同构算法在通风网络中找出与高风险区域同构的部分即为高风险区域。本发明能够准确识别出煤矿通风网络中的高风险区域，能够有效辅助安全管理人员分析复杂的通风系统，有助于提高煤矿对通风系统的管理和控制能力。

Description

一种基于子图同构的高风险区域自动识别方法

技术领域

本发明涉及煤矿通风领域，具体是一种基于子图同构的高风险区域自动识别方法。

背景技术

随着采煤生产活动和巷道掘进施工的进展，煤矿的通风系统不断地发生着变化。由于巷道间存在着复杂的拓扑结构和关联关系，因此通风系统内的条件变化有可能导致系统内某些区域的安全风险增大，如某些角联巷道在一定条件下会出现风流不稳定而导致瓦斯积聚，进而影响其所属的安全分区及其上下游，增大区域的安全风险。为了及时消除煤矿的生产安全隐患，首先需要对危险区域进行及时、有效的辨识。

角联巷道普遍被认为是一种可能的高风险区域，从而受到广泛的研究。但如果仅仅从图形拓扑结构的角度分析，通风系统中存在着大量的角联巷道，需要结合巷道的多种属性信息才能辨识出真正的高风险区域。另一方面，高风险巷道结构并不局限于角联巷道，其他一些巷道结构也可能是高风险的，还需要对可能影响煤矿通风安全的结构进行更全面的分析和整理。当前从复杂的通风系统中找出高风险区域的工作主要基于经验以人工方式展开，但随着煤矿的长期开采，井巷的不断拓展和延伸，矿井的风网结构将变得越来越复杂，高风险区域的人工辨识将变得十分困难。

学术界对于高风险区域的研究主要集中于角联巷道的识别。学者们已经对角联巷道结构的自动识别进行了深入的研究，为从拓扑特征的角度上识别这类高风险巷道结构提供了有效的手段，其中通路法即是得到了较广泛应用的方法之一。刘新，刘剑在《广义角联结构研究》中针对基于有向图的通路法集合算法不能够确定网络的全部角联结构，提出了确定网络全部角联结构的基于无向图的路径集合算法，得出了角联风路仅取决于网络的拓扑关系，而与通风系统参数无关的结论，从图论的角度给出了角联风路的广义定义；赵千里，刘剑在《矿井通风网络角联风路自动识别与分析》中采用通路集合运算的方法建立了MVSS角联风路自动识别算法；司俊鸿在《基于无向图的角联独立不相交通路法》一文中提出了寻找角联结构的独立不相交通路法，指出角联为贯通两条独立不相交通路的通路分支的并集，并提出了角联的分级递归识别算法；赵丹等人在《基于并行计算的通风网络角联结构识别分析》中提出了基于并行思想的角联结构自动识别的数学模型及算法。与此同时，从节点位置的角度也出现了一些角联结构的识别方法：2005年安徽理工大学蔡峰等人在《复杂矿井通风系统角联风路自动识别方法的研究》中提出了节点位置法，能够避免通路法搜索所有通路的耗时过程，因此具有很高的执行效率；张浪等人在《矿井通风角联风路识别的算法改进》中对节点位置法增加了一项判断准则，避免了算法的一些可能的错误识别现象。一般说来，节点位置法具有计算量较低的优点。

学者们对角联巷道的特性也进行了研究：兰尧等人在《角联巷道风流稳定性分析及危险性探讨》指出当巷道风流稳定性系数接近于1时，会造成风流的不稳定并容易导致煤炭自燃、巷道内瓦斯浓度超限、对相邻巷道风流稳定性造成影响等问题；蔡永乐等人在《角联风路风向稳定性分析及在矿井救灾中的应用》中指出了角联风路对实施均压灭火的有利之处，并提出可利用角联风路进行局部反风，建立灾害条件下的安全撤离路线。

从以上分析可以看出，辨识各种不同的危险区域需要满足如下条件：(1)从错综复杂的通风网络图中找出具有特定连接关系的巷道群；(2)对巷道的具体情况加以分析，如风量、风压、有无通风构筑物等信息都会对一个区域的安全风险造成影响；(3)辨识方法必须具备通用性。煤矿通风安全面临的危险形式多种多样，辨识方法只有在能够覆盖绝大多数情况时，才能有较高的实用性。

因此，研究高风险区域的自动识别方法成为了亟待解决的问题。

发明内容

本发明的目的在于提供一种基于子图同构的高风险区域自动识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于子图同构的高风险区域自动识别方法，包括以下步骤：

(1)建立典型高风险区域的等效图模型，将典型高风险区域的拓扑结构和属性信息加以完整表达；

(2)将要分析的通风系统和典型高风险区域转换为属性图形式；

(3)利用子图同构算法在通风网络中找出与高风险区域同构的部分即为高风险区域。

作为本发明进一步的方案：步骤(1)中所述建立典型高风险区域的等效图模型，用G＝{V,E,A}表示。其中，V表示风网节点集合；E表示巷道和通路的集合；A表示属性集合。

作为本发明进一步的方案：步骤(1)中所述典型高风险区域的属性信息是一个取值范围，根据高风险区域识别对属性信息的需求，结合煤矿巷道的特点建立如下的属性指标和数据类型：

A(e_i)＝{A_Name(e_i),A_Type(e_i),A_Structure(e_i),A_P(e_i),A_Q(e_i),A_D(e_i)}

其中，A_Name(e_i)为巷道名称，所述巷道名称中包含了巷道的编号和名称，该属性主要用于巷道的唯一标识，所述巷道名称属于定性属性；

A_Type(e_i)为巷道类型，所述巷道类型是风险性判断的重要依据，不同类型的巷道具有不同的特性，在相同的通风结构中具有不同的意义，所述巷道类型是定性属性；

A_P(e_i)为巷道风压，所述巷道风压用巷道两端的绝对风压的差值来确定，所述巷道风压是定量属性；

A_Q(e_i)为巷道风量，所述巷道风量表示巷道中通风量的大小，通过风量传感器来测量，所述巷道风量表是定量属性；

A_Structure(e_i)为巷道通风构筑物，所述巷道通风构筑物表示巷道中的通风构筑物的情况，包括其类型、重要指标等信息，所述巷道通风构筑物是定性属性；

A_D(e_i)为巷道风向，所述巷道风向表示巷道内风流的方向，所述巷道风向用布尔值表示，所述巷道风向是定性属性

作为本发明再进一步的方案：步骤(1)中典型高风险区域的巷道属性信息的判别方法包括定量比较和定性比较，所述典型高风险区域的巷道定量属性为一个范围值，设巷道属性范围的上下限为A(e_i)_max和A(e_i)_min，在进行判断时采用下式：

表示巷道e_k的第j个属性处于高风险范围中。

所述典型高风险区域的巷道定性属性为一个定值，在同构分析时以巷道定性属性是否一致来进行比较，如下式所示：

当两条巷道的所有属性都相符时，表明两条巷道e_k,e_i是相匹配的。

作为本发明再进一步的方案：步骤(2)中将待分析的通风网络和典型高风险区域转换为子图同构算法可分析的图，其具体过程如下：

1)待分析的通风网络转换为属性图；

待分析的矿井通风网络转换为属性图G_T，该图为子图同构中的大图，将其中的巷道表示为集合E_T，巷道数为|E_T|，将巷道的属性信息表示为A(e_i)；并建立相应的节点集V_T，节点个数为|V_T|。巷道的属性按权利要求3中的方法标明。

2)典型高风险区域的等效属性图转换为属性图；

高风险区域库中包含了多个等效图，用G_F＝{G_f(1),G_f(2),…,G_f(m)}表示，其中G_fi表示第i种类型的典型高风险区域，而每种类型的高风险区域又可以实例化为多种具体情况，即类型G_f1转化为实例集合{G_f(1,1),G_f(1,2),…,G_f(1,n)}。高风险区域的一个巷道标记为等效巷道时，该巷道可以是一条巷道也可以是一条通路，在实例化的过程中可转变为包含任意多个节点的通路，每个高风险区域实例用G_f(1,1)表示，其节点集为V_f(1,1)，节点数为|V_f(1,1)|，巷道集为E_f1,1，巷道数为|E_f(1,1)|，该图为子图同构中的小图。

作为本发明再进一步的方案：步骤(3)中所述子图同构算法采用Ullman算法，基于Ullman方法的高风险区域检验过程如下：按步骤(2)的方法建立待分析通风网络属性图G_T和高风险区域实例图G_f(k,l)，建立子图同构映射布尔矩阵M，其任意一个元素m_i,j(0≤i≤|V_f(k,l)|,0≤j≤|V_T|)，取值为0或1，当m_i,j＝1则表示图G_f(k,l)的第i个节点和图G_T的第j个节点相对应，即属性判断中两条巷道的所有属性都相符，按步骤(1)中的公式1和公式2进行。如果一个映射矩阵M满足：1)每行有且只有一个元素为1；2)每列最多有一个元素为1，则该映射矩阵M表示了图G_T和G_f(k,l)的一种子图对应关系，在该对应关系下满足图同构条件，则说明图G_T和G_f(k,l)子图同构成立。

初始映射矩阵的构建以节点的度为依据，如果大图节点所连接的边数小于小图对应节点的连接边数，则不可能匹配。以此建立初始映射矩阵M⁰：

作为本发明再进一步的方案：所述Ullman算法中子图同构的过程为：1)，进行初始化，按公式3建立初始化映射矩阵M；初始化搜索深度为1；初始化当前深度选择的列为空，回溯为“真”；所有记录列选择的F_i为空；2)，开始进行搜索遍历过程，直到d为0表明同构失败；3)，按大图的节点数遍历每个m_d,k；4)-6)，在第d行找到m_d,k为1，且当前列还未被选中的，则将该行其它元素都变为0，回溯标示置为“假”；7)，如果所有行都完成搜索，且映射矩阵产生的对应关系满足同构定义，则输出该映射矩阵；8)-10)，如果回溯为“真”则取消当前列k的选中状态，深度减1，并重载上次迭代的映射矩阵和选中的列；11)-12)，如果回溯为“假”，则对当前行选中的列和映射矩阵进行存储，深度增加；13)，重置回溯标示；14)，如果遍历完成且没有找到子图同构关系，则输出“未能同构”。

与现有技术相比，本发明的有益效果是：建立了高风险区域的等效属性图模型，分析了巷道在拓扑结构方面的等效性，能够将多种具体的巷道形式综合为典型结构，较好覆盖特定类型区域的不同表现形式，从而避免了高风险区域库内高风险区域形式表达信息过于庞杂的问题；提出了基于子图同构的矿井通风网络高风险区域的自动识别方法，在兼顾拓扑结构分析和属性分析的基础上，实现了各种类型高风险区域的识别，该自动识别过程能将所有高风险区域找出，避免了人工方法进行分析时难免出现的识别不全问题；能够准确识别出煤矿通风网络中的高风险区域，能够有效辅助安全管理人员分析复杂的通风系统，有助于提高煤矿对通风系统的管理和控制能力。

附图说明

图1为现有典型的角联通风区域的示意图。

图2为基于子图同构的高风险区域自动识别方法中高风险区域自动识别思路示意图。

图3为基于子图同构的高风险区域自动识别方法中角联巷道区域的多种情况示意图。

图4为现有典型角联巷道的等效图。

图5为基于子图同构的高风险区域自动识别方法中高风险区域库实例化过程图。

图6为现有典型角联区域的实例化示意图。

图7为基于子图同构的高风险区域自动识别方法的识别流程图。

图8为基于子图同构的高风险区域自动识别方法中一种自然发火高风险区域的典型模型示意图。

图9为基于子图同构的高风险区域自动识别方法中以109巷为中心的高风险区域示意图。

图10为基于子图同构的高风险区域自动识别方法中以121巷为中心的高风险区域示意图。

图11为基于子图同构的高风险区域自动识别方法中以134巷为中心的高风险区域示意图。

图12为基于子图同构的高风险区域自动识别方法中以139巷为中心的高风险区域示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

如图1所示，角联巷道就是由其拓扑结构来定义的。角联巷道的通风状况受相邻风道风阻的变化影响，有可能会发生风流反向，并有导致瓦斯异常积聚的可能。

另一方面，巷道具有的特性也影响着安全风险的高低，如通风网络中大量出现的角联巷道只有在一定的条件下才具有较高的危险性。如图1所示的角联通风区域，只有当节点υ₂和υ₃之间风压差比较小，e₁～e₄巷道由于通风构筑物或人员、车辆的运行而易于(或可能)导致风阻的较显著变化，且巷道e₅是重点通风监控对象时，风向和风量的不稳定才会带来较大的生产安全问题。而在其它情况下，角联通风反而因为能够降低通风系统总阻力、增加局部调风灵活性而显示出一些较好的通风特性。

因此，在进行高风险区域的分析时，不仅要对巷道间的连接关系进行分析，同时也要对巷道自身所具有的属性进行分析。当区域的拓扑结构和井巷属性综合显示出较高的安全风险时，该区域才应被认定为为高风险区域。

1.建立典型高风险区域的等效图模型，将典型高风险区域的拓扑结构和属性信息加以完整表达；

(1)建立属性图表示模型G＝{V,E,A}，其中V表示风网节点集合；E表示巷道的集合；A表示属性集合，包括节点属性A(υ_i)和分支的属性A(e_i)。并在基本图模型的基础上进行扩展E的内容，使得E不仅表示巷道而且表示通路，用一条通路的形式表示一种拓扑结构；

典型高风险区域是具有相同特性的一类高风险区域的代表，并不是一个具体的、确定的通风结构，而是一类具有相同拓扑结构，类似属性信息的通风区域的总结和抽象。如图3所示的角联巷道区域，其中包含了四种不同样式的图，每个图的节点数量和连接形式并不完全相同，但都满足角联巷道的拓扑特征，本质上都是角联结构。

由于典型高风险区域的这种特性，一种典型高风险区域能对应多种具体的实际情况，因而在建立典型高风险区域库时，需要同时考虑多种结构类似、属性不同的情况，将这些在拓扑结构上具有共性的结构加以综合，建立起能涵盖多种情况和属性关系的等效图，如图4所示。

(2)所述典型高风险区域的属性信息是一个取值范围，满足该取值范围的巷道都认定为具有较高风险性，由于引起风险的情况多种多样，因此需要从多种角度建立属性值。根据高风险区域识别对属性信息的需求，结合煤矿巷道的特点建立如下的属性指标和数据类型：

A(e_i)＝{A_Name(e_i),A_Type(e_i),A_Structure(e_i),A_P(e_i),A_Q(e_i),A_D(e_i)}

A_D(e_i)为巷道风向，所述巷道风向表示巷道内风流的方向，所述巷道风向用布尔值表示，所述巷道风向是定性属性。

(3)典型高风险区域的巷道属性信息明确以后，在具体子图同构比较时，需要对比两条对应巷道是否匹配，本发明分别建立了不同属性信息的比较判别方法，包括定量比较和定性比较。

a.定量比较

典型高风险区域的巷道定量属性为一个范围值，而待分析通风系统图的巷道属性为一个定值，当被分析的通风网络中的巷道属性值处于该范围之内，就认为这两条巷道的属性是匹配的。设巷道属性范围的上下限为A(e_i)_max和A(e_i)_min，在进行判断时采用下式：

表示巷道e_k的第j个属性处于高风险范围中。

b.定性判断

典型高风险区域的巷道定性属性为一个定值，在同构分析时以巷道定性属性是否一致来进行比较，如下式所示：

遍历巷道的所有属性，当两条巷道的所有属性都相符时，表明两条巷道e_k,e_i是相匹配的。

2.将要分析的通风系统和典型高风险区域转换为属性图形式；

利用子图同构来识别高风险区域，需要将待分析的通风网络和典型高风险区域转换为子图同构算法可分析的图，由于典型高风险区域采用等效属性图表示，因而还需要通过转换等过程进行预处理。具体过程如下：

(1)待分析的通风网络转换为属性图；

待分析的矿井通风网络转换为属性图G_T，该图为子图同构中的大图，将其中的巷道表示为集合E_T，巷道数为|E_T|，将巷道的属性信息表示为A(e_i)；并建立相应的节点集V_T，节点个数为|V_T|，巷道的属性按步骤2的方法标明。

(2)典型高风险区域的等效属性图转换为属性图；

高风险区域库中包含了多个等效图，用G_F＝{G_f(1),G_f(2),…,G_f(m)}表示，其中G_fi表示第i种类型的典型高风险区域，而每种类型的高风险区域又可以实例化为多种具体情况，即类型G_f1转化为实例集合{G_f(1,1),G_f(1,2),…,G_f(1,n)}。高风险区域的一个巷道标记为等效巷道时，该巷道可以是一条巷道也可以是一条通路，在实例化的过程中可转变为包含任意多个节点的通路，每个高风险区域实例用G_f(1,1)表示，其节点集为V_f(1,1)，节点数为|V_f(1,1)|，巷道集为E_f1,1，巷道数为|E_f(1,1)|，该图为子图同构中的小图，如图5所示，将高风险区域库中的所有高风险类型实例化后，作为子图同构的输入。

在进行煤矿高风险区域识别过程中，需要对典型高风险区域进行多重实例化，对每一条通路上增加有限数量的节点，然后将这些实例化后的具体结构与通风网络进行子图同构分析，在通风系统中找出高风险区域。

3.利用子图同构算法在通风网络中找出与高风险区域同构的部分即为高风险区域。

所述所述子图同构算法采用Ullman算法，基于Ullman方法的高风险区域检验过程如下：按步骤2的方法建立待分析通风网络属性图G_T和高风险区域实例图G_f(k,l)，建立子图同构映射布尔矩阵M，其任意一个元素m_i,j(0≤i≤|V_f(k,l)|,0≤j≤|V_T|)，取值为0或1，当m_i,j＝1则表示图G_f(k,l)的第i个节点和图G_T的第j个节点相对应，即两条巷道的所有属性都相符，按步骤(3)中的公式1和公式2进行判断。如果一个映射矩阵M满足：(1)每行有且只有一个元素为1；(2)每列最多有一个元素为1，则该映射矩阵M表示了图G_T和G_f(k,l)的一种子图对应关系，在该对应关系下满足图同构条件，则说明图G_T和G_f(k,l)子图同构成立。

子图同构的过程为：1，进行初始化，按公式3建立初始化映射矩阵M；初始化搜索深度为1；初始化当前深度选择的列为空，回溯为“真”；所有记录列选择的F_i为空；2，开始进行搜索遍历过程，直到d为0表明同构失败；3，按大图的节点数遍历每个m_d,k；4-6，在第d行找到m_d,k为1，且当前列还未被选中的，则将该行其它元素都变为0，回溯标示置为“假”；7，如果所有行都完成搜索，且映射矩阵产生的对应关系满足子图同构检验过程，则输出该映射矩阵；8-10，如果回溯为“真”则取消当前列k的选中状态，深度减1，并重载上次迭代的映射矩阵和选中的列；11-12，如果回溯为“假”，则对当前行选中的列和映射矩阵进行存储，深度增加；13，重置回溯标示；14，如果遍历完成且没有找到子图同构关系，则输出“未能同构”。

实施例

矿井黄陵二号矿设计生产能力为每年700万吨，矿井采用斜井开拓方式，单煤层单水平开拓，分区式通风。通过对以往的生产安全状况和灾害情况进行分析，辨识处一种容易引起煤层自然发火的高风险区域，其拓扑结构如图8所示。

经分析该区域容易导致煤层自然发火的原因是：(1)由于巷道e1,e2是进风大巷，而e3,e4是回风大巷，导致节点υ2和υ5间的风压差很大；(2)巷道e5为煤巷，有瓦斯涌出；(3)巷道e5中有通风构筑物(密闭墙)，巷道风量很小。

在矿井实际条件下，由于矿压的长期作用，巷道e5的煤壁变酥，而巷道e5的密闭墙两侧压差很大，通过密闭墙周边煤壁裂隙的漏风量增大，在煤壁裂隙深部为煤层创造了微量供风自热的条件；同时煤壁裂隙的增加也有利于煤壁瓦斯涌出量的增加，与该巷道风量较小的条件相耦合，也容易形成局部瓦斯积聚。因此，该模型代表了一类典型的高风险区域。

根据该矿多年的经验，总结得出如图8所示的等效结构图，在此基础上以巷道e5的属性为主建立起高风险原因的属性值，其中：类型A_Type(e_i)为“煤巷”；构筑物A_Structure(e_i)为“密闭墙”或“风门”；风压A_P(e_i)为“800Pa以上”；风量A_Q(e_i)为“2m³/min以下”。该组属性值在下文中称为“煤巷自然发火高风险模型”。

以该“煤巷自然发火高风险模型”为模板，采用本文提出的基于子图同构的高风险区域识别方法，对黄陵二矿的通风网络进行分析。首先，从拓扑结构角度入手，得出该网络有13个类似的高风险结构，分别表示在表1中。然后，结合高风险区域的属性判断，由于其中240、268、297、304、377、403巷道的风压不满足典型高风险区域的属性要求，从而将其排除在高风险区域之外。最终得到7个高风险区域，其风险巷道分别为：109、121、134、139、149、166、151，其中109、121、134、139巷道的高风险区域的通风系统图及其数据展示如9-12图所示。

表1

通过实例验证表明，本发明所提方法能够准确识别出煤矿通风网络中的高风险区域，能够有效辅助安全管理人员分析复杂的通风系统，有助于提高煤矿对通风系统的管理和控制能力。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims

1.一种基于子图同构的高风险区域自动识别方法，其特征在于，包括以下步骤：

(3)利用子图同构算法在通风网络中找出与高风险区域同构的部分即为高风险区域；

步骤(1)中所述典型高风险区域的等效图模型，用G＝{V,E,A}表示；其中，V表示风网节点集合；E表示巷道和通路的集合；A表示属性集合；

步骤(1)中等效图模型的属性信息是一个取值范围，根据高风险区域识别对属性信息的需求，结合煤矿巷道的特点建立如下的属性指标和数据类型：

A(e_i)＝{A_Name(e_i),A_Type(e_i),A_Structure(e_i),A_P(e_i),A_Q(e_i),A_D(e_i)}

A_D(e_i)为巷道风向，所述巷道风向表示巷道内风流的方向，所述巷道风向用布尔值表示，所述巷道风向是定性属性；

典型高风险区域的巷道属性信息的判别方法包括定量比较和定性比较，所述典型高风险区域的巷道定量属性为一个范围值，设巷道属性范围的上下限为A(e_i)_max和A(e_i)_min，在进行判断时采用下式：

当fit(A_j(e_k),A_j(e_i))＝1时表示巷道e_k的第j个属性处于高风险范围中；

2.根据权利要求1所述的基于子图同构的高风险区域自动识别方法，其特征在于，步骤(2)中将待分析的通风网络和典型高风险区域转换为子图同构算法可分析的图，其具体过程如下：

1)待分析的通风网络转换为属性图；

待分析的矿井通风网络转换为属性图G_T，该图为子图同构中的大图，将其中的巷道表示为集合E_T，巷道数为|E_T|，将巷道的属性信息表示为A(e_i)；并建立相应的节点集V_T，节点个数为|V_T|；巷道的属性按集合A(e_i)＝{A_Name(e_i),A_Type(e_i),A_Structure(e_i),A_P(e_i),A_Q(e_i),A_D(e_i)}的方法标明；

2)典型高风险区域的等效属性图转换为属性图；

高风险区域库中包含了多个等效图，用G_F＝{G_f(1),G_f(2),…,G_f(m)}表示，其中G_fi表示第i种类型的典型高风险区域，而每种类型的高风险区域又可以实例化为多种具体情况，即类型G_f1转化为实例集合{G_f(1,1),G_f(1,2),…,G_f(1,n)}，高风险区域的一个巷道标记为等效巷道时，该巷道可以是一条巷道也可以是一条通路，在实例化的过程中可转变为包含任意多个节点的通路，每个高风险区域的第一个实例用G_f(1,1)表示，其节点集为V_f(1,1)，节点数为|V_f(1,1)|，巷道集为E_f1,1，巷道数为|E_f(1,1)|，该图为子图同构中的小图。

3.根据权利要求2所述的基于子图同构的高风险区域自动识别方法，其特征在于，步骤(3)中所述子图同构算法采用Ullman算法，基于Ullman方法的高风险区域检验过程如下：按步骤(2)的方法建立待分析通风网络属性图G_T和高风险区域实例图G_f(k,l)，建立子图同构映射布尔矩阵M，其任意一个元素m_i,j，其中0≤i≤|V_f(k,l)|,0≤j≤|V_T|，取值为0或1，当m_i,j＝1则表示图G_f(k,l)的第i个节点和图G_T的第j个节点相对应，进行属性判断时，如果两条巷道的所有属性都相符，按步骤(1)中的公式1和公式2进行；如果一个映射矩阵M满足：1)每行有且只有一个元素为1；2)每列最多有一个元素为1，则该映射矩阵M表示了图G_T和G_f(k,l)的一种子图对应关系，在该对应关系下满足图同构条件，则说明图G_T和G_f(k,l)子图同构成立；

初始映射矩阵的构建以节点的度为依据，如果大图节点所连接的边数小于小图对应节点的连接边数，则不可能匹配；以此建立初始映射矩阵M⁰：

4.根据权利要求3所述的基于子图同构的高风险区域自动识别方法，其特征在于，所述Ullman算法中子图同构的过程为：1)，进行初始化，按公式3建立初始化映射矩阵M；初始化搜索深度为1；初始化当前深度选择的列为空，回溯为“真”；所有记录列选择的F_i为空；2)，开始进行搜索遍历过程，直到d为0表明同构失败；3)，按大图的节点数遍历每个m_d,k；4)-6)，在第d行找到m_d,k为1，且当前列还未被选中的，则将该行其它元素都变为0，回溯标示置为“假”；7)，如果所有行都完成搜索，且映射矩阵产生的对应关系满足子图同构检验过程，则输出该映射矩阵；8)-10)，如果回溯为“真”则取消当前列k的选中状态，深度减1，并重载上次迭代的映射矩阵和选中的列；11)-12)，如果回溯为“假”，则对当前行选中的列和映射矩阵进行存储，深度增加；13)，重置回溯标示；14)，如果遍历完成且没有找到子图同构关系，则输出“未能同构”。