PSO-SVM模型在掘进工作面突出预警系统中的应用

2021-10-17李鑫灵陈国洪许石青隆能增

煤矿安全 2021年9期

李鑫灵，袁梅，2，董洪，陈国洪，许石青，2，隆能增

（1.贵州大学矿业学院，贵州贵阳 550025；2.复杂地质矿山开采安全技术工程中心，贵州贵阳 550025；3.贵州林华矿业有限公司，贵州毕节 551700）

由于煤与瓦斯突出的发生机理复杂，各影响因素间相互作用、彼此制约，导致工作面突出预警面临较大困难，如何有效实现突出风险快速、准确预警是当前亟待解决的难题。随着突出前兆特性研究的不断深入，部分学者发现突出发生前总伴随着工作面瓦斯体积分数异常波动的前兆现象[1-2]，可通过研究瓦斯体积分数的变化信息来实现采掘工作面的突出风险的实时预测，该种预测方式具有数据来源准确、时效性较好等优势，是突出风险实时预测的研究热点之一[3-4]，肖丹[5]利用灰色理论构建了基于瓦斯异常涌出的灰色预警模型；邓明[6]在研究突出孕育阶段瓦斯涌出量的动态变化特征及其内在联系的基础上，建立了多层次预警指标体系及突出预警的数学模型；关维娟[7]、陈亮[8]利用瓦斯体积分数变化特征构建了突出预警指标并开发了突出实时预警系统；杨艳国[9]对工作面瓦斯体积分数序列指标进行综合评判，结合瓦斯涌出异常辨识模型，实现了突出危险性分级预警。但上述研究缺乏对具体掘进面突出主控影响因素及建立瓦斯体积分数特征变化的突出预警指标的针对性研究。对于海量监测数据与突出风险间的内在关联信息挖掘深度不足，缺少高效、智能的预警判据确定方法，所建预警系统未能与预测模型有效融合，导致预警系统针对井下各类传感器反馈的海量大数据信息堆积的计算能力弱且智能化程度较低的不足，在一定程度上制约了突出预警的可靠性及准确度。针对上述问题，从地应力、瓦斯及物理力学性质3方面出发，根据工作面瓦斯异常涌出的突出前兆规律构建反映“三因素”变化状态的突出实时预警指标体系，借助数据挖掘算法建立突出预警模型，借助Spark大数据平台开发掘进面突出预警系统，为高效准确预警提供理论指导。

1 煤与瓦斯突出实时预警指标体系

1.1 掘进工作面概况

选取贵州金沙某矿掘进工作面作为研究对象，工作面埋深为359～441 m，煤层倾角为10°，平均煤层厚度为3.3 m，平均煤层瓦斯含量为16.38 mL/g，工作面设计长度为1 264 m。在掘进过程中，该工作面容易遇到隐伏断层，地质构造比较复杂，且该煤层的瓦斯含量较高，曾经发生过多次煤与瓦斯突出事故，突出危险性较大。

前人研究表明，当掘进工作面通风条件稳定、风量变化较小时，工作面瓦斯体积分数受地应力、瓦斯及煤体物理力学性质共同作用的影响，且突出前瓦斯涌出特征的异常变化包含上述因素随采掘作业的推进而引起的时空演化信息，可实时反映工作面前方煤体的状态变化信息。

1.2 实时预警指标体系

根据工作面瓦斯涌出特征，建立了综合体现地应力、瓦斯及煤体物理力学性质变化规律的突出实时预警指标体系。

式中：GT为地应力系数；ST为周期瓦斯平均体积分数；Sn为移动平均线；Si为在时刻i时的瓦斯体积分数；i为某时间段内的记录数；n为统计周期内循环数；m为记录值的个数。

2）瓦斯体积分数。当风量稳定时，工作面掘进头新暴露煤面的瓦斯体积分数易受前方煤体的瓦斯含量（压力）及渗透条件的影响，故将工作面的瓦斯体积分数作为基础参数反映瓦斯指标的对煤与瓦斯突出影响程度。

3）瓦斯涌出系数N。当工作面的落煤工艺与煤的破坏类型不变时，其落煤瞬间瓦斯最高体积分数M就取决于煤层瓦斯含量，故将M与Sn之比N作为反映周期内工作面前方瓦斯含量（压力）动态变化的指标，其计算公式如下：

4）乘幂系数j。根据煤的解吸特征研究结论可知，煤的解吸规律[10]一般遵循式（3）：

式中：V为t时刻煤的瓦斯解吸速度；V1是t1时刻煤的瓦斯速度；kt为负指数；t为解吸时间。

积分后得出乘幂方程如下：

式中：Q为累计瓦斯体积分数；α为常数；j为乘幂系数。

而同一煤样在不同瓦斯压力下，kt与j是不变的，仅与煤体破坏类型有关；当j减小时，煤体的破坏程度增加，造成落煤瞬间巷道瓦斯体积分数升高，衰减速度加快，突出危险性增加。因此通过j来间接表征煤体结构类型对突出发生的影响。

5）偏离率DT。偏离率DT表示当前时刻T的瓦斯体积分数偏离移动平均线的程度，偏离率越高表明该时刻瓦斯体积分数与下一时刻瓦斯体积分数的发展趋势一致性越低，异常程度也越大。计算公式如下：

其次，兜底条款并非著作权法设权的基础性规则，而是法定类型的从属规则。只有在主要权利类型不能适用时，从属规则才有适用的空间。法院在适用法律时，既要保护权利人的合法权益，同时也要给予社会公众某种程度的关怀。因为利益平衡始终是著作权保护的重要支点。㊱孔祥俊著：《网络著作权保护法律理念与裁判方法》，中国法制出版社2015年版，第3页。著作权法一方面要维护权利人的合法权益；另一方面也要促进知识的广泛传播，保障作品使用者的利益。易言之，对于被诉行为，法官首先应当寻找法律明确规定的条文进行适用，在法律条文未明确规定且通过法律解释仍不能适用的情形下，再适用兜底条款。

式中：DT为偏离率；T为当前时刻。

6）标准差S。标准差S可灵敏地反映工作面瓦斯体积分数值偏离正常值时的异常变化，标准差越大，表明瓦斯体积分数异常变化的幅度越大，突出危险性越高。

式中：S为标准差；S軈为在统计周期内的平均瓦斯体积分数。

2 基于数据挖掘的突出预警模型

2.1 突出预警模型的构建

由于煤矿井下传感器监测的数据量庞大，在监测过程中易受作业复杂环境因素影响，导致采集的数据含噪性较高、易产生错漏和缺失，因此在选用数据挖掘算法进行分析预测时，需考虑算法的适用性。对比常用数据挖掘算法后发现，神经网络算法对输入样本的质量要求较高，预测结果不稳定；决策树算法对缺失样本数据敏感，易忽略数据间的关联；朴素贝叶斯算法的运算框架复杂，学习及训练效率较低，不适用于突出风险实时预测；而支持向量机SVM算法只需少数支持向量便可决定最终结果，还可迅速抓住关键样本、“剔除”大量冗余样本，且算法编程简单，具有较好的“鲁棒”性，预测精度较高，对突出危险性实时预测的适用性较强。

但SVM算法的核函数对整个模型的影响较大，核函数的基本参数控制着SVM的经验风险和置信范围[11]，而人为选取核函数参数取值易造成模型运算速度慢、预测结果不稳定等问题。因此，利用PSO不易陷入局部最优、粒子搜索范围大的优势增强SVM模型的全局搜索范围，重新分配解空间，引导粒子群跳出局部最优加速收敛，从而获得最佳、最稳定的预测结果。将PSO及SVM 2种算法的应用特点相结合建立基于数据挖掘的突出风险预警模型。

模型的具体流程描述为：①收集需预测掘进工作面的原始瓦斯体积分数数据，获取煤与瓦斯突出风险识别指标数据；②对突出风险指标数据进行预处理，随机将数据分为训练集及测试集，其中80%的数据为训练集，20%的数据为测试集，随机抽取后输入模型，将测试集数据作为结果测试的验证；③运用粒子群算法对支持向量机算法的参数C、g进行寻优计算，先设置粒子群算法的初始参数，根据适应度函数计算粒子最佳位置，并记录其对应的最佳位置，从而获得最优的C、g参数组合；④把优化后的C、g参数赋予支持向量机算法，训练样本输入至SVM算法进行训练，通过不断更新C、g初始取值，不断提高PSO算法的迭代精度，当迭代精度达到最佳精度则训练完成，并保存PSO-SVM模型；⑤将测试样本输入训练好的PSO-SVM模型，该模型的分类器进行预测分类后输出最终的分类预测结果，观察预测结果和实际结果的误差和预测等级的拟合程度，并进行评价。PSO-SVM突出预警模型运行流程如图1。

图1 PSO-SVM突出预警模型运行流程Fig.1 Outburst risk prediction model based on PSO-SVM

2.2 突出预警等级标签划分原则

由于前述所建模型在进行数据挖掘时需提前设定所需的分类学习对象，即实时预警指标数据的对应突出预警等级，故参考《防治煤与瓦斯突出规定》[12]将掘进工作面的整个掘进过程划分为安全、威胁及危险3个突出预警等级，突出预警等级划分原则见表1，其中p为瓦斯压力；W为瓦斯含量；K1为钻屑瓦斯解吸指标；Smax为钻屑量；Q为风排瓦斯量。

表1 突出预警等级划分原则Table 1 Principle of outburst early warning classification

其划分原则主要根据该矿现有的日常防突预警指标及工作面在采掘过程中实际发生的突出动力现象规定各等级的划分原则。且该矿在区域防突中工作面突出风险预测主要是依据煤层瓦斯压力p和煤层瓦斯含量W进行预测，局部防突则主要是依据K1值和钻屑量Smax进行突出风险预报。而按照《矿井瓦斯抽采达标暂行规定》[13]掘进工作面绝对瓦斯涌出量大于3 m3/min的矿井必须进行瓦斯抽采，实现抽采达标，且在掘进过程中，一条巷道的绝对瓦斯涌出量在数值上等于风排瓦斯量Q，同时根据贵州省［2019］147号文件规定[14]煤层瓦斯参数达到消突判定标准80%以上。

2.3 突出预警模型的训练及结果分析

为验证实时预警指标体系及所建突出预警模型的准确性，收集了该掘进面2019年4月至5月的瓦斯体积分数监测数据，根据上述突出等级划分原则，以0.5 h为日常防突预测指标及突出动力现象的控制时长，筛选其中最具代表性的1 059组实时预警指标数据及相应的突出预警等级标签，导入预警模型进行训练及预测，其中安全、威胁及危险3个突出预警等级依次用数字1、2、3表示，掘进工作面突出实时预警指标数据见表2。

设置PSO算法初始参数，设置种群数量为40、迭代次数为100，输入标准化后的表2数据进行PSO-SVM模型训练，将共1 059组数据随机切分成3份，每份数据抽取80%作为训练集，剩余20%为测试集用于验证模型预测精度，模型准确率为3份数据对应的平均值，测试集迭代精度如图2，测试集结果与实际结果对比如图3。

表2 掘进工作面突出实时预警指标数据Table 2 Outburst real-time warning index data of heading face

图3 测试集结果与实际结果对比Fig.3 Comparison of test set results with actual results

由图2可知，在迭代过程中，PSO算法种群适应度在第56次迭代时达到最佳迭代精度，迭代的速度较快，收敛性较强，比较适合SVM算法的参数寻优。在预测结果中显示测试集的样本训练精度的最佳为92%，分类预测精度较高。

从图3可知，测试集样本的预测等级与实际的突出风险等级重叠性较高，表明PSO算法在寻找SVM算法最优组合参数时，可有效地降低和避免陷入局部最优。另外，PSO-SVM模型在搜索全局最优解的过程中表现出较好的迭代性能和更高的分类准确率，适合该工作面的突出预警。

3 掘进工作面突出预警系统应用

3.1 系统功能设计及开发

由于突出事故发生的复杂、瞬时性，单纯的非接触式的突出预警已很难满足矿井智能化需求，而矿井监测监控系统每天都会采集如瓦斯、风速传感器等各类海量数据，若上述数据的计算仍在单机中进行，会产生计算量大，耗时及浪费资源等缺陷。为提高突出预警模型的计算速度及效率，在设计煤与瓦斯突出预警系统时引入Spark大数据平台作为并行计算框架来加强对数据的计算及模型的调用。

Spark大数据平台目前在矿业领域应用比较少，而Spark平台在迭代计算、交互式查询及突出实时预警指标等流式数据处理等工作及模型的加载上拥有优越的性能，主要优势为[15]：运算速度快、易于实现、通用性强、运行模式多样及容错性高等，比较适用于突出预警系统的开发。因此在突出预警模型的基础上，结合Spark大数据平台，并借助Python程序设计语言、MyAQL数据库及Amazeui可视化等计算机编程技术开发集成用户管理、数据管理、模型管理、Spark配置、风险识别、实时风险报警、矿井管理及系统说明8个系统功能模块的突出预警系统。

用户管理可实现注册、账户编辑管理等功能；矿井管理主要对工作面基本数据信息进行管理；系统说明则提供系统的版本信息、记录系统的更新日志及Bug反馈等。数据管理模块主要功能是将实时预警指标监测数据导入至MySQL数据库进行存储；模型管理模块则将上述构建的突出预警模型嵌入系统中，对储存在数据库的指标数据进行抽取，并在后台分别加载PSO-SVM模型与SVM模型，在调整模型参数后对数据进行智能化训练，输出最优的精度结果并进行对比。

Spark配置模块主要为系统的模型调用、数据计算提供平台，在系统中配置Spark基本环境和设置Spark的基本运行参数，能确保模型调用更顺畅、数据计算快捷。Spark环境参数配置流程如图4。

图4 Spark环境参数配置流程Fig.4 Spark environment parameter configuration process

风险识别模块的主要作用是将系统中的多个模块串联起来，形成一套集新数据导入、数据训练、数据可视化及风险报警的风险预测功能；实时数据风险报警模块能将当天工作面的实时预警指标数据趋势清晰呈现、并展示预警等级、报警提醒。

3.2 系统应用实例

为检验系统的突出预警效果，选用了该工作面2019年8月17日全天24 h的实时预警指标数据，利用数据管理中的数据导入功能将上述实时预警指标数据输入数据库中，借助Spark大数据平台加载训练完成的突出预警模型，并通过风险识别模块对实时预警指标数据及预警等级进行可视化展示。该系统将当天突出预警指标的监测数据以折线图的形式进行了可视化展示，并根据每一时刻的数据信息快速进行突出预警。

系统中瓦斯体积分数曲线在当天13:00—16:00时剧烈波动，忽大忽小的异常涌出现象明显，并且其他指标数据曲线的波动特征与瓦斯体积分数曲线波动特征相对应。而在当天的10：30—12：30时段内，系统的预警结果均为2级（即威胁等级），与该工作面早班在10：30—12：30测定的K1值指标数据等级一致，此时工作面继续往前掘进，系统于13：33发出工作面危险等级报警，而工作面于13：55突然发生突出动力现象，系统的突出预警结果与工作面的实际出现的突出动力现象情况相一致，且在此次预警中该系统在工作面开始出现突出动力现象的前22 min就已发出危险等级情况下的预警信息，印证该系统在现场应用的可靠性、准确性。