煤矿联网数据分析模型设计与实现

陈 清

（中煤科工集团重庆研究院有限公司，重庆 400039）

煤炭是我国最重要的基础能源，2020年我国煤炭占一次能源消费比例57%左右，我国仍然是以煤炭为主导能源[1]，但我国的煤矿开采条件复杂，灾害威胁严重，煤矿事故繁发[2]。随着网络技术和信息技术的发展，煤矿企业都安装了安全监控系统与人员定位系统，随着国家对政府安监信息化的不断投入，全国主要产煤省份已完成安全监控系统和人员定系统联网，初步实现了数据“看得见”的目标，为企业自身安全管理和政府远程监管监察奠定了基础[3-5]。但是这些联网数据主要用来进行数据展示，没有进行深入挖掘分析利用，数据利用率偏低，只是解决了数据“有无”的问题，未解决数据有用、有效的问题，为上级监管部门提供的参考有限。目前全国大部分煤矿监管联网平台存在以下问题：

1）数据利用率低。大部分煤矿联网数据主要用于实时数据展示以及历史数据查询，数据大部分时间存储于数据库中，只有在数据需要展示的时候才会被调用，这种数据利用模式以数据被动使用为主，利用率低，未能发挥数据的应有作用。

2）关键数据不突出。煤矿监管部门对煤矿联网数据关注点主要集中在少量关键数据上，例如主要关注安全监控系统历史报警数据以及井下有无带班领导，对于联网数据中其他可能存在较大价值的数据关注度较低。同时联网平台对于联网数据中的关键数据挖掘分析力度不够，未能及时从海量数据中分析出有价值的数据，并将这些关键数据推送给监管人员以辅助其监管工作。

3）数据关联不强。煤矿联网数据基本都是单独上传与存储的，未能将数据之间可能存在的关联关系进行有效梳理与利用。

目前，一些学者开展了相关方面研究[6-7]，这些研究主要集中在瓦斯监测数据自身处理上，没有从海量数据挖掘分析的角度对煤矿监测数据进行研究。因此，提出一套煤矿安全监控和人员定位联网监测大数据分析系统，对海量的联网数据进行挖掘分析，找到价值较高的数据，辅助煤矿排除存在的安全隐患，保障煤矿安全生产，同时也有助于政府监管部门建立智能化监管模式。

1 联网数据

主要针对煤矿安全监控系统和人员定位系统的联网数据进行挖掘分析。

1）安全监控系统联网数据。主要包括监测点实时数据、报警数据、模拟量分钟统计数据、设备调校数据和设备运行记录数据等。监测点实时数据更新频率为10～30 s左右，一般情况下数据变化幅度不大。其余数据的更新频率较长，报警数据和设备运行记录数据的更新频率不固定，会不定期产生数据。

2）人员定位系统联网数据。主要包括入井人员基本信息、井下人员实时位置数据、人员活动轨迹数据、人员出入井记录以及人员历史异常数据等。人员基本信息、人员出入井记录和人员历史异常数据不定期更新，井下人员实时位置数据更新频率为1 min左右，由于人员活动轨迹数据的数据量大，因此它的更新频率为5 min。

2 数据分析模型

对煤矿联网监测数据进行数据清洗后，就能够进行数据挖掘分析[6-7]。煤矿联网监测大数据分析系统主要根据联网数据内容，分为安全监控数据分析和人员定位数据分析，共研究了瓦斯微小波动分析、瓦斯偏离均值分析、瓦斯上升趋势分析、疲劳作业分析和轨迹相似分析等5种数据分析模型[8]，数据分析模型如图。

图1 数据分析模型Fig.1 Data analysis model

2.1 安全监控数据分析模型

2.1.1 瓦斯微小波动分析

依据《煤矿安全规程》、AQ 1029—2019煤矿安全监控系统及检测仪器使用管理规范（以下简称AQ 1029—2019）等规定，监控系统设备需要定期进行调校，甲烷传感器每15 d进行1次风电闭锁测试。

如果上传的瓦斯传感器监测值长期不发生变化或者变化幅度很小，那么这种情况可能是瓦斯传感器故障或者人为因素引起。因此，站在监管的角度必须排查出这类数据。

采用多时间窗微小波动识别方法，即通过对瓦斯浓度历史数据分析，并考虑到传感器测量精度，发现瓦斯浓度波动的范围处于0～0.02时基本可判定瓦斯处于微小波动范围，以此为标准，分析最近3、7、15 d等时间窗内数据变化情况。

2.1.2 瓦斯偏离均值分析

在外界环境未发生明显变化的情况下，瓦斯监测值一般在固定的监测值上下波动且波动幅度较小，瓦斯偏离均值同样采用多时间窗偏离均值分析方法，分析最近1、3、7 d均值偏离情况。

瓦斯偏离均值分析的数据分析方法采用瓦斯分钟统计数据进行分析，主要利用最近5 min的平均值与指定时间窗的平均值之间的差值，瓦斯分钟统计数据包含信息见表1。

表1 瓦斯分钟统计数据格式Table 1 Gas minute statistics data format

以计算偏离3 d均值为例说明具体计算方法：①计算出3 d均值，计算方法为3 d内的所有分钟数据的平均值v1；②计算出5 min内的平均值v2；③计算出v2减v1的差值dv；④保存dv大于0的记录。

根据模型训练结果，煤矿监管部门将重点关注dv大于0.2的瓦斯监测点。

2.1.3 瓦斯上升趋势分析

瓦斯上升趋势分析的目的是挖掘出一段时间内处于缓慢上升趋势，但是监测值小于报警门限的瓦斯监测点。

2019年6月5日5时10分，重庆天弘矿业有限责任公司盐井一矿井下21403风巷C3-4综合掘进工作面发生1起煤与瓦斯突出事故，造成1人死亡。通过分析该工作面的甲烷传感器“21403C3-4风巷回风CH4”在事故发生时的监测曲线（图略）和在事故发生前15 d左右的监测曲线（图略）可知，该瓦斯监测点的报警门限已设置为0.9，该瓦斯监测点的监测值在事故前15 d的监测值虽然未超过报警门限，但是监测值总体呈现上升趋势，该监测点事故发生前15 d的每日瓦斯体积分数平均值基本呈递增趋势，监测值逐日统计见表2。

表2 监测值逐日统计Table 2 Daily statistics of monitoring value

根据案例分析以及模型训练结果，瓦斯上升趋势分析方法如下：

1）分别计算最近15 d的瓦斯体积分数的每日均值、每2 d均值和每3 d均值（调校数据除外）。

2）如果都满足下列3个条件，那么就判定该点处于上升趋势：①至少2/3的每日均值是递增；②至少3/4的每2 d均值是递增；③后3 d均值大于前3 d均值。

2.2 人员定位数据分析模型

2.2.1 疲劳作业分析

疲劳会造成人的警觉性降低、注意力和记忆力水平下降，进而在井下作业过程中易发生“错、忘、漏”事件[9]，因此，疲劳是导致井下作业人为差错的重要原因。根据煤矿井下作业人员的实际作业情况，人员健康状态、排班制度、人员岗位安排以及睡眠状况为煤矿的主要疲劳致因。特别是针对煤矿采煤队和掘进队，连续作业时长、夜班等因素将直接反映煤矿人员疲劳状况[10-12]。

可以用煤矿人员疲劳指数来衡量煤矿人员疲劳状况。煤矿人员疲劳指数F采用加权平均方法来计算，煤矿人员疲劳指数构成及权重见表3。

表3 煤矿人员疲劳指数构成及权重Table 3 The composition and weight of the fatigue indexex of coal mine personnel

1）超时指数F1。统计煤矿作业人员最近30 d入井时长班次占比，设入井时长10～12 h、12～14 h、超过14 h的班次占比分别为a1、b1、c1，根据式（1）计算超时指数F1=0.2f（a1）+0.3f（b1）+0.5f（c1）。

式中：x分别为a1、b1、c1。

2）2班作业间隔指数F2。设煤矿作业人员最近30 d 2班作业时间间隔小于12 h的次数占比为a2，根据式（2）计算2班作业间隔指数F2=f（a2）。

3）夜班指数F3。设煤矿作业人员最近30 d夜班的占比为a3，根据式（3）计算夜班指数F3=f（a3）。

4）连续作业指数F4。设煤矿最近30 d连续作业时间最大的天数与30 d的比例为a4，根据式（4）计算连续作业指数F4=f（a4）。

2.2.2 轨迹相似分析

通过对员工和带班领导的轨迹数据进行相似性分析，判断带班领导是否存在代打卡情况。可根据出入井时间和经过读卡器时间进行比对分析，计算出人员轨迹相似度。轨迹相似分析流程如图2。

图2 轨迹相似分析流程Fig.2 Analysis process of trajectory similarity algorithm

具体步骤如下：①筛选出指定日期的全矿所有的出勤人员信息以及他们的轨迹数据；②获取当日出勤人员列表和当日带班领导列表；③遍历当日带班领导，将每名领导的轨迹数据与每名员工的轨迹数据进行对比分析，如果2人的入井时间相近（5 min以内）且有85%的时间段是在相同地点，那么就判定2个人的轨迹相似；④保存所有轨迹相似的记录。

3 系统功能设计与实现

煤矿联网监测大数据分析系统采用B/S结构开发模式，以.NET为基础开发平台，利用C#作为开发语言，采用ASP.NET MVC4+Html5+jQuery作为开发框架，以Microsoft SQL Server 2016数据库作为数据存储系统。

本系统采用经典的3层架构，包括数据访问层、业务逻辑层和表现层。根据5种数据分析模型，本系统包含综合数据看板、瓦斯专项分析模块和人员专项分析模块等功能。

1）综合数据看板。针对数据分析模型的实时分析结果，采用关键指标展示、统计表格以及趋势柱图的方式，为监管人员呈现综合数据看板，使监管人员能够快速了解整个监管区域内的煤矿异常数据情况，能够从宏观层面感知辖区的煤矿安全态势。

2）瓦斯专项分析。根据煤矿安全监控系统传感器类型以及安装地址类型，重点分析瓦斯传感器在隅角、工作面、进风、回风、碛头等关键位置的监测值分布特征，利用Apache Echarts开源技术，采用散点图、柱图和南丁格尔玫瑰图等可视化手段形象展现瓦斯大数据分析结果[13]。

3）人员专项分析。以人员定位大数据分析结果为基础，采用面积图、曲线、柱图和条形图等方式，向监管人员直观展现辖区煤矿井下人员情况、领导带班情况和井下人员疲劳指数等信息。

煤矿联网监测大数据分析系统作为安徽煤矿安全监察局煤矿事故风险分析平台的1个子系统在现场部署应用。通过现场应用表明，自从煤矿联网监测大数据分析系统部署应用之后，煤矿监管人员不必对着一大堆联网监测数据无从下手。该系统能够帮助煤矿监管人员从海量联网监测数据中迅速锁定关键信息，从而提高了煤矿监管效率。

4 结 语

提出的瓦斯微小波动分析模型、瓦斯偏离均值分析模型、瓦斯上升趋势分析模型、疲劳作业分析模型和轨迹相似分析模型，是利用大数据分析技术，在海量煤矿联网监测数据中进行数据挖掘分析，找到价值高的数据，并在煤矿远程监管监察端搭建大数据分析系统，为煤矿远程监管监察提供数据“有用”、“有效”的数据挖掘分析结果，促进煤矿监管部门早日实现智能化监管目标。