基于大数据的煤与瓦斯突出预警技术

宁小亮

(1.瓦斯灾害监控与应急技术国家重点实验室，重庆 400037； 2.中煤科工集团重庆研究院有限公司，重庆 400037)

煤与瓦斯突出(以下简称“突出”)是威胁煤矿安全生产的主要灾害之一，而且随着矿井采深和开采强度的增加，突出灾害日益严重。对突出风险进行全方位有效辨识和准确预警是遏制突出事故的有效手段[1-3]。突出预警技术目前在煤矿现场已得到一定程度的应用，其典型代表是中煤科工集团重庆研究院有限公司研发的突出综合监控预警系统、中国矿业大学开发的声电突出实时监测预警系统、重庆梅安森科技股份有限公司开发的基于瓦斯涌出特征的突出实时诊断系统[4-10]，上述技术及系统的应用大幅提升了矿井对突出风险的辨识、分析及预警能力，对突出事故的防范起到了积极作用，但现有技术仍然存在预警指标相对单一或未完全覆盖主要影响因素、在大数据技术方面的探索较少、对数据的利用和挖掘还不够充分等问题。

大数据应用起源于互联网，正在向以数据生产、流通和利用为核心的各个产业渗透，全球主要国家掀起了新一轮以“信息技术与制造业融合”为共同特征的工业革命，并推动其与全球工业系统的深入融合，以期抢占新一轮产业竞争的制高点，为此，我国先后发布了《促进大数据发展行动纲要》《工业大数据白皮书(2017版)》等政策文件[11-13]，其中明确指出要强化大数据技术产品研发、深化工业大数据创新应用。因此，将大数据技术与煤矿灾害治理、防控相结合是未来必然的发展趋势。

突出致因复杂，涉及生产系统、地质构造、煤层赋存、瓦斯赋存、瓦斯监测、矿压监测、声发射、工程措施等多源、多类信息，随着时间的累积，数据量巨大，已初步呈现“数据爆炸”的大数据特征，但这些海量数据尚没有得到充分的利用，因此，十分有必要利用大数据技术对突出相关数据进行深度挖掘，以实现突出风险的分析与预警。

1 基于大数据的突出预警技术架构

基于大数据的突出预警技术，其基本思路是以数据资源本身为立足点，以洞悉数据价值为导向，以提升突出预警技术自动化、智能化水平为原则，从数据产生、采集、传输、存储、处理、分析、发布与展示等大数据生命周期的各技术环节入手，进行突出相关安全信息的动态获取、深度挖掘分析、实时预警，以及多渠道、多方式发布与展现，最终达到突出风险精准预警的目的。

突出预警技术流程主要包括信息监测检测、信息采集、风险判识、预警分析、结果发布等步骤，涵盖了警源监测、警兆识别、警情分析、警度发布等方面的内容，具体为：首先，利用监测监控系统和检测仪器等装备，对突出相关致因进行全面监测、检测；其次，通过数据采集接口程序和传输网络，对监测检测的各种安全信息进行实时动态采集，并将其存储到专门的数据库中；然后，对获得的数据进行分析，自动判识突出风险，确定工作面突出预警等级；最后，采用网站、移动终端APP等多种方式，对预警结果进行实时发布，提醒相关人员采取措施。其总体技术架构如图1所示。

2 突出灾害大数据类型及获取

数据是大数据价值发现的基础，获取海量、全面的突出相关基础数据是突出预警的前提。突出灾害大数据主要包括矿山数字化基础数据、日常防突数据、瓦斯含量(压力)数据、物探数据、瓦斯浓度数据、风速风向数据、声发射数据、电磁辐射数据、矿压数据、钻孔轨迹数据、瓦斯抽采数据、进度数据等。其中矿山数字化基础数据具体包括煤层赋存、瓦斯赋存、采掘部署、突出事故数据等；日常防突数据具体包括钻屑瓦斯解吸指标、钻屑量、软分层厚度、工作面煤厚、动力现象、片帮深度、防突钻孔验收数据等；物探数据具体包括断层、褶曲、陷落柱等；声发射及电磁辐射数据具体包括振铃数、事件数、能量等；瓦斯抽采数据具体包括抽采瓦斯浓度、负压、流量等。上述数据按数据源和采集手段的不同，分为井下监测数据、检测数据和观测数据，以及矿山数字化基础数据，其中井下获取的数据根据传输方式的不同，又分为井下自动监测数据、井下可传输的检测与观测数据、需地面传输的检测与观测数据。主要通过井下工业环网、井下无线网、地面办公网络进行数据的传输，并通过数据接口程序将数据采集并存储到预警数据库中。各类数据具体获取方式见图2。

图2 各类数据获取方式示意图

3 基于大数据的预警指标及模型

数据分析是大数据价值挖掘的关键，工业数据的分析需要融合工业机理模型，以“数据驱动+机理驱动”的双驱动模式来进行大数据分析，从而建立高精度、高可靠性的模型来真正解决实际的工业问题，因此，工业大数据分析的特征是强调专业领域知识和数据挖掘的深度融合。突出预警数据分析的关键就是采用“双驱动”模式建立科学的预警指标及模型。

3.1 预警指标

指标是对客观事物属性的刻画和描述，而预警过程中需要对预警要素、危险源、征兆，以及预警对象危险状态进行描述，这就需要通过一系列指标来完成。突出影响因素众多，原因复杂，由突出机理的综合假说、突出事故演变规律与致因分析结果可知，突出风险因素主要包括工作面风险因素、区域风险因素、生产系统风险因素等3个方面因素(见图3)，这些因素是突出预警监测和跟踪的对象[14-15]。依据风险因素，并遵循指标选取的可行性、针对性、目的性等原则，建立三级突出预警指标体系(见图4)，实现对环境、技术措施的全面监测。

图3 突出风险因素分析框图

图4 突出预警指标体系框图

3.2 预警模型

预警模型是根据预警指标进行警情分析和警度确定的方法、规则和算法，是实现预警的核心。突出预警涉及的指标众多，既有定量指标又有定性指标，且各指标对工作面突出危险的影响程度也有所差异，由此可见预警分析是典型的多指标、多源数据处理问题。因此，需要建立科学的模型对多指标进行综合分析，以实现可靠、准确预警。

层次分析法是一种在工程中得到广泛应用的多参量、多目标综合分析决策方法[16-17]，可用于突出预警的多指标分析与决策。根据突出预警需求及指标特点，建立突出预警层次结构模型，如图5所示。其中，方案层为划分的3个预警结果等级，即“绿色、橙色、红色”；准则层由三级预警指标体系构成，划分为3层；目标层为工作面突出危险程度，即最终确定的预警等级。

图5 突出预警层次结构模型

为解决层次分析法权重难以确定、主观性大的问题，采用多层关联规则算法对历史预警指标数据进行分析，以自动确定权重。关联规则顶层项目B为实际突出危险情况，第二层项目A1由一级指标构成，第三层项目A2由二级指标构成，底层项目A3由三级指标及其演化事件构成。预警指标既有定量指标又有定性指标，因此关联规则既包含多值属性型又包括类别属性型，其处理方法是将多值属性关联规则挖掘问题转化为布尔型关联规则挖掘问题，即将多值属性的值划分为多个区间，每个区间作为一个项目，具体方法参考文献[18]；将类别属性的每一个类别当作一个项目。定义如下关联规则：A1⟹B、A2⟹A1、A3⟹A2、A3⟹B。

层次分析中权重确定具体步骤如下：

1)根据文献[18]所述方法，采用关联规则算法对历史预警指标数据进行分析，分析关联规则A3⟹B，计算出关联规则底层各项目对于顶层项目的支持度和置信度，同时对三级指标进行优选，并得出量化指标临界值。

2)根据优选后的三级指标及其临界值，按照安全原则，判断各组历史数据情况下一级及二级指标是否异常，得出关联规则A1⟹B、A2⟹A1、A3⟹A2的事务集，并分别计算出一、二、三级指标对于上一层项目的置信度，随着历史数据的累积，可对置信度重新计算，实现置信度的迭代优化；接着，根据置信度计算层次分析方法中不同因素重要性之比aij，计算方法如下：

(1)

式中Ci、Cj为同一层不同指标的置信度。

3)进行层次单排序并进行一致性检验，计算判断矩阵最大特征根的特征向量，经归一化后记为W，其元素即为同一层次元素对于上一层某因素相对重要性的排序权值。

4)进行层次总排序并进行一致性检验，计算某一层次所有因素对于目标层相对重要性的权值，最终可得到方案层“红色”“橙色”“绿色”3个预警等级对目标层的层次总排序，组合权重最大的方案即为最终预警结果。

4 预警软件系统

软件系统是预警技术的载体和表现形式，数据的采集、分析及预警结果的发布等都需要通过软件来实现。采用B/S架构模式，开发了支持跨平台的突出智能预警系统，主要包括预警数据库、预警服务、预警网站和移动终端APP。

1)预警数据库主要用于存储预警基础信息、预警分析结果和预警模型参数，包含预警主信息表、预警详细信息表、预警指标定义表、预警指标实时表、层次分析因素表、关联规则指标分析表、层次分析权重分配表、历史数据表等。

2)预警服务采用Windows服务模式，无人机交互接口，开机自动启动，预警过程中在系统后台连续运行。预警服务主要功能是：实时采集预警相关基础数据存储至数据库中，并根据预警模型，自动计算预警指标，分配置信度，确定指标权重，并进行综合分析，确定突出预警结果等级；同时根据历史预警反馈信息，进行预警指标关联分析，重新计算指标权重，实现模型的优化调整。

3)预警网站主要用于预警结果发布和预警信息查询，用户可通过客户端电脑网络浏览器对矿井最新预警结果、历史预警结果、预警指标和预警基础数据等进行查询和统计，其功能结构如图6所示。

图6 预警网站功能结构框图

4)移动终端APP主要包括Android版和IOS版，用户可通过手机、平板电脑等移动终端对预警结果、基础信息等进行查询和统计。

5 现场应用试验

新景矿是典型的高产高效突出矿井，主采3号、8号和15号煤层，均为突出煤层，煤层瓦斯含量高达30.71 m3/t，建矿以来发生突出事故17次，并发生过200余次有记录的瓦斯动力现象[19-20]。

在新景矿构建了基于大数据的突出预警系统，部署了预警数据库、预警服务、预警网站(见图7)和移动终端APP(见图8)。

图7 预警网站界面

(a)最新预警结果 (b)预警结果分析

在新景矿3109回风巷、3217辅助进风巷和3213回采工作面等8个区域进行试验，累计跟踪考察1 800余m巷道，发布橙色预警194次、红色预警75次，经统计验证，预警总准确率达91.5%，无漏报现象，实现了预警数据的动态采集与智能分析、预警结果的实时发布与访问、预警指标的在线查询与分析，为现场突出防治提供了决策支撑。

典型案例：2019年1月15日8点班，3109回风巷日常预测指标K1值不超标，煤厚正常，但反映瓦斯量的瓦斯涌出特征预警指标Q=0.56，指标值偏大，预警系统对各类信息进行融合分析后发布了“橙色”预警，允许掘进，安排专人对工作面跟踪关注；至2019年1月16日8点班，掘进5.8 m后，指标Q值持续增大至0.66，工作面煤层显著变薄，变化率达到29%，系统发布了“红色”预警，随即停止作业，并再次进行预测，指标K1值超标，且施钻过程中出现吸钻现象，工作面实际具有突出危险，随后补充防突措施；2019年2月12日8点班进行了措施效果检验，指标K1值正常，且工作面无其他突出征兆，系统发布“绿色”预警结果，之后工作面进行了安全掘进。上述案例进一步说明预警系统能够对突出风险进行综合分析与准确预警，比传统方法更全面、更可靠。

6 结论

1)突出灾害大数据按数据源和采集手段的不同，分为井下监测数据、检测数据和观测数据，以及矿山数字化基础数据，其中井下获取的数据根据传输方式的不同，又分为井下自动监测数据、井下可传输的检测与观测数据、需地面传输的检测与观测数据。

2)从工作面风险、区域风险和生产系统风险 3个方面分析得到了突出风险因素，并依此建立了三级突出预警指标体系；构建了基于层次分析法的突出预警模型，层次结构主要分为目标层、准则层和方案层，其中准则层按指标体系结构划分为3层；采用多层关联规则算法对历史指标数据进行分析，计算出各层指标的置信度，并根据置信度可自动计算层次分析算法中各层因素相对重要度，能有效解决层次分析法权重确定主观性大的问题，实现了指标权重的自动确定与优化。

3)开发了基于B/S架构模式的突出预警系统，主要包括预警数据库、预警服务、预警网站和移动终端APP。现场应用结果表明：预警总准确率达91.5%，无漏报现象，实现了预警数据的动态获取、智能分析、实时预警、在线发布与远程查询，为煤矿现场突出防治提供了决策支撑。