矿井智能通风关键科学技术问题综述

刘 剑

（1.辽宁工程技术大学 安全科学与工程学院，辽宁 葫芦岛125105；2.辽宁工程技术大学 矿山热动力灾害与防治教育部重点实验室，辽宁 葫芦岛125105）

所谓矿井智能通风，就是1 个在具有自学习功能的计算机智能程序系统控制下的、由智能通风动力、智能网络、智能设施与装备、智能监测、智能控制等功能系统组成的、能够实现智能感知、智能重构、智能决策与控制的技术与装备系统[1-3]。通风安全岗位的机械化换人、自动化减人、智能化无人是智能通风的目标点之一，但不是其全部。智能通风的核心定位与追求是实现矿内气相介质对人的安全保障与健康要求，这种安全保障不但要考虑正常生产时期，还要考虑灾变时期的实现。矿井智能通风的本质特征是系统具有自学习功能，这种学习过程不是在实验室，而是在矿井的实际生产过程中，学习的数据来自实际生产矿井。通过学习，智能系统能够对设计师没有想到的、不可预知的、非智能技术难以解决的问题做出判断和决策。矿井智能通风涵盖的技术领域包括物联网、大数据、云计算、边缘计算、工业机器人、虚拟现实以及机器学习等人工智能科学领域。

智能通风是矿井智能开采的重要子系统，通过互联互通与协同一致，实现矿井通风安全系统的自感知、自学习、自决策、自执行等基本能力。所谓互联，不仅仅是把通风安全感知系统与通风网络、通风动力以及风门、风窗等通风设施链接起来，而且还要与粉尘、瓦斯、自燃、火灾、热害防治系统链接起来，与采、掘、机、运等大系统实现互联。这个由信息物理系统（CPS）形成的物联网，使人与人、人与机器、机器与机器互联共享。从时间上智能通风可以划分为正常生产时期对通风的按需智能优化设计与管控、灾变时期的应急控风2 个阶段。从空间上划分为以井巷为主要对象的管流、以采空区为主要对象的场流2 个气相介质域。无论是从理论方法上，还是从技术装备上，上述4 种时空模型都有较大的差异，但又是相互联系的，互为边界条件的。

为此对实现矿井智能通风亟待解决、正在解决或基本解决的关键科学技术问题的认识进行介绍，并简要论述这些科学问题的重要属性，具体的研究内容及研究现状将另文介绍，没有涉及与采空区关联的智能通风问题。

1 实时矿井通风网络解算

实时矿井通风网络解算是正常生产时期智能通风所涉及的最核心的亟待解决的关键技术之一[3-6]。实时矿井通风网络解算与矿井通风网络实时解算在内涵上存在一定的差异性，前者体现的是通风网络的复杂性与真实性，后者体现的是算法的时效性。实时矿井通风网络解算研究的物理对象是井下真实状态的实时映射，或者是井下真实状态的实时数字重构。实时矿井通风网络解算技术成熟的标志是实时解算结果与监测系统的传感器示值保持同步并且一致。实时矿井通风网络解算技术涉及的关键理论与技术问题至少包括：基于热压湿变风阻系数的通风网络热-流动态耦合理论[7-8]；实时矿井通风网络拓扑结构同步技术；非线性观测器构造技术[9]；传感器位置优化[10]；热压湿变风阻系数实时反演技术[11]；阻变型故障诊断技术[12-14]；通风系统扰动识别等一系列技术问题。

1.1 基于热压湿变风阻系数的通风网络热-流动态耦合

矿井风流是一种有黏、不可压缩、与外部有热湿交换的流体流动，这种流动是空气动力过程与热力过程的动态耦合。纳维斯托克斯方程较好地描述了这2 种过程的耦合机制。但是在工程实践中，只有在进行通风阻力测定读取数据那一刻体现了这种过程的耦合。通风网络解算俗称已知风阻求风量，其算法忽略了热力过程的影响。理论和实验均表明，通风阻力系数与大气压力、温度和湿度密切相关，亦即通风阻力系数除了与井巷长度、断面积、断面形状、支护方式相关外，还是大气压力、温度、湿度的函数。为此引出热压湿变风阻概念，利用热压湿变风阻进行网络解算，早晨的解算结果与中午的解算结果是不一样的。建立热压湿变风阻系数这一新概念，不但能够解决早晨与中午网络解算的差异问题，而且冬季和夏季的自然风压差异也会在网络解算中自然体现出来，所谓的高海拔矿井通风、高温深井通风，甚或火灾时期的风流状态也都在1 个方程的一次解算中获得解决。需要指出的是，在流体力学里，可压缩性表征的是流体的跟随密度、散度，而非流体密度对时间、空间的导数，所以深井通风仍属不可压缩流体运动。所在的实验室已经完成热压湿变风阻系数的相关实验和回归器的机器学习。

1.2 矿井通风系统非线性观测器构造

实时矿井通风系统重构是实时网络解算的关键，有了重构的通风系统，那么网络解算方法甚至可以摒弃现在普遍采用的诸如斯考德-恒斯雷等一系列迭代法。通过掘进工作面、回采工作面的定位传感器，可以解决网络拓扑关系实时重构问题，但是，风流状态重构就比较复杂了。构造矿井通风系统非线性观测器是风流状态重构的关键，通风系统具有较强的鲁棒性，无论是有监督学习还是无监督学习都可用于构造非线性观测器。

非线性观测器除了要解决热压湿变风阻系数实时反演问题，还要解决稀疏观测点布设位置问题，也就是传感器位置优化问题。文献[10]研究表明，邻域粗糙集λ 取值、传感器位置，传感器所在巷道风阻值的关系形如一把扫帚，称之为传感器位置优化扫帚模型。较大风阻值的巷道构成了扫帚把，较小风阻值的巷道构成了扫帚头。传感器应优先布置在扫帚把上，而扫帚把的位置与巷道的灵敏度是没有任何关系的。阻变型故障诊断试验、通风阻力系数反演试验均表明，利用扫帚模型确定的试验特征值观测点，故障诊断及阻力系数反演的准确性均好于非扫帚模型确定的传感器位置。

尽管从实验室层面证明了非线性观测器构造技术的可行性，但是距离工业实践尚有相当的距离。在有监督学习的试验中，一般都是通过蒙特卡洛仿真技术生成学习样本，样本受专家主观因素影响甚至干预是难免的。利用实时监测数据训练有监督学习的观测器，或作为无监督学习观测器的目标适应值是下一步攻关的重点。

有学者认为，随着质优价廉的传感器出现，通过安装大量传感器来解决通风系统重构问题。姑且不论通讯系统对传感器数量的制约，即使传感器数量足够多，毕竟也是有限的。有限的离散传感器解决不了系统的连续性问题。传感器只能解决系统表征参量的实时通报，而非数学模型控制的重构体。解决不了系统的规律变化问题，也就做不到实时预警。在灾变时期通信及电力系统受损，利用残缺信息解决重构问题显得尤为重要。

1.3 阻变型故障诊断

将矿井发生巷道垮落变形、风门未关闭或者破损、风机故障、巷道延伸及报废、巷道垮落变形、煤仓放空等变化引起通风系统风量发生异常变化的现象称为阻变型故障，甚至火灾引起的通风系统变化也可以称之为阻变型故障。阻变型故障要解决的问题是故障位置和故障量，所谓故障量亦即等效风阻变化值。确定故障位置属于分类器问题，确定故障量属于回归器问题。支持向量机（SVM）和人工神经网络（ANN）都成功应用于基于有监督学习的故障诊断。遗传算法（GA）、粒子群算法（PSO）、进化策略（EA）以及差分进化（DEA）也都成功应用于无监督学习的故障诊断。从机器学习以及观测器特征值选择来看，无论是风量单一特征还是风量风压复合特征，都能进行故障诊断。有监督学习的故障诊断存在的问题如同前文所述的蒙特卡洛仿真样本问题，无监督学习存在着运算资源消耗过大问题。将智能诊断技术真正应用到矿井中，需要解决以传感器实时监测数据为特征值的机器学习问题。

1.4 通风系统扰动识别

系统扰动与阻变型故障其本质都是风阻发生变化，二者的区别在于故障具有一定的稳定性和延续性，而扰动却是随机发生的，延续时间较短，具有统计意义上的类周期性。扰动主要产生于罐笼的提升、无轨车辆和有轨矿车运行的弱活塞作用、风门的开关，以及井下影响巷道通风断面的其它活动。利用激光多普勒测速仪（LDA）、热线风速仪（CTA）以及粒子图像测速仪（PIV）对井下湍流的脉动变化规律进行了大量研究[15-16]，但是，如何准确地判断扰源位置并将其用于非线性观测器设计，目前尚无可行的算法，这也是网络解算结果与监测系统传感器示值保持同步一致需要攻克的1 个关键问题。国家自然科学基金项目（编号：51904143）借鉴电能质量电信号扰动识别的思想，研究过滤湍流脉动后的时均风速扰波隐含特征及其识别方法。

2 灾变时期智能控风

2.1 灾变时期风流状态

火灾时期井下风流状态来仍遵从有黏、不可压缩的纳维斯托克斯方程。但是，热阻力以及节流效应等对风流的自然分配有较大影响，火风压甚至会造成风流逆转。尽管如此，正常生产时期的通风系统非线性观测器仍能满足火灾时期通风网络重构要求，但对瓦斯、煤尘等爆炸场景不适用。爆炸造成的冲击波以马赫数量级传播，空气处于可压缩状态，爆炸时的风流流态是极其复杂的。

2.2 应急状态下致灾因子传播快速推演技术

应急状态下，追求精准的通风状态参数是没有意义的。将足以造成通风系统失效的压力、温度、有毒有害气体称之为致灾因子。灾变发生后，尤其是爆炸发生后，快速确定爆炸冲击波的压力、温度等致灾因子在全风网的传播情况，对快速确定矿井通风系统级联失效模式、决策救避灾方案具有极其重要的意义。FLACS 等商用软件可以较好的模拟瓦斯爆炸冲击波的传播过程，但是这种模拟从建模到获得结果耗时以天为单位。利用FLACS 等CFD 数值模拟软件或爆炸实验获得瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子传播学习样本，利用ANN 或SVM 建立瓦斯爆炸致灾因子传播快速分类器及回归器都获得了成功。文献[17]建立的ANN 回归器模拟试验表明，在给定爆炸位置和爆炸当量的均直巷道，获得任一点的爆炸冲击波压力、温度等所需时间是瞬时的，全风网预测也会在60 s 内完成。ANN 回归器试验结果与FLACS 数值模拟结果相比较，ANN 平均训练误差为6.92%，有训练样本的验证误差为5.24%，无训练样本的验证误差为6.88%。

2.3 灾变时期智能控风关键技术

灾变时期智能控风的关键是明灾情、快决策。如果不考虑机电装备本身，灾变时期智能控风的难点在于爆炸等强破坏对井下供电和通讯系统造成损毁，导致监测系统部分甚至全部失效，给判断爆源及强度带来困难。信息残缺情况下的通风系统重构、灾情判识、致灾因子传播与通风系统级联失效的快速推演技术是灾变时期智能控风的重要研究内容与关键技术。

3 通风参数高精度快速测试

无论是人工智能模型的学习训练，还是预警决策，依赖的都是大量有效的通风数据。风量与风压（压差）是矿井通风的核心参数，也是通风系统非线性观测器的输入及重构参数[18]。

矿用风速传感器多采用热球、涡街、超声波等感应原理，风压（压差）传感器多采用电容或半导体感压原理。这些传感器都存在测试精度低，反应不灵敏等问题。

测试精度低的根本原因在于测试原理没有考虑井下风流为湍流这个根本事实。文献[19-21]利用LDA、CTA、PIV 进行的大量实验表明，即使是所谓测风站稳定流动，风流的脉动幅度也超过均值的30%以上，脉动频率在微秒级别，而且还不是真实的脉动频率，只是LDA、CTA 采集数据的频率。实验还发现无论是风机进出口处的复杂流场，还是测风站的稳定流场，其速度场结构都是恒定的，与风速的大小无关，这就为井巷断面平均风速的单点测试奠定了基础。如果高精度、高数据采集频次的单点三维测风传感器取得突破，并结合湍流平均的数据处理方法，风量测试技术将会取得突破。单点三维测风传感器的发展方向是激光多普勒技术。

4 井下智能网络与智能装备

4.1 智能网络

智能算法依赖强大的计算资源，云计算能够较好解决计算资源问题，但是从井下到云端频繁地进行海量数据的传输交换，其无线通信开销会成为智能通风系统性能的瓶颈。考虑灾变时期通讯及电力系统失效情况，研发地面集中监控与井下分区联动协同运行技术很有必要，如果金属矿山的多级机站反风、煤矿井下的防火隔离门、防爆门等应急装备能够实施集中控制与分区联动相结合的协同模式，对提高应急控风技术的可靠性具有重要意义。这也就意味着未来的智能通风需要在井下分区设置边缘计算，而且，边缘计算要有除学习训练之外的大部分智能模块。智能向边缘控制转化也就是智能网络，它是建立在适应性边缘架构(AEA)的基础之上的，使网络边缘具有更高的灵活度、适应性和更高的能力。所以，智能通风对井下智能网络的要求比智能开采更具挑战性，这也是未来需要解决的问题。

4.2 智能装备

正常生产时期主通风机、井下机站、局部通风机、风门、风窗等通风设施与装备的智能化关键还是在参数的测试及智能软件的实现上。但是在灾变时期，尤其是爆炸等强破坏灾变发生的情况下，研发冲击波实时全向智能感知触发技术、研发能够先行躲避冲击波、随即阻截火焰和有毒有害气体的智能隔离门的避波截气延时闭合技术、抗冲击防爆门智能快速复位技术是智能装备亟待解决的关键问题，这些技术的突破，同时配合基于智能网络的分区联动技术，就能够实现灾变区域自动隔离与通风主系统快速自恢复这一应急控风目标。

5 结 语

矿井智能通风的达成是一个渐进过程，从整体技术来看目前仍处于实验室阶段，但是，这丝毫不影响它已经并将继续为矿山安全生产与矿工的职业健康所发挥的作用。人工智能理论和技术已经达到非常成熟的阶段，矿井智能通风的“卡脖子”关键是通风参数的精确快速测试技术，有了高可信度的基础数据，人工智能在矿井通风领域的应用就变成了特征值选择的反复尝试与反复调参过程。