煤与瓦斯突出智能预警方法及系统

赵旭生，马国龙，周 密

(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(简称“突出”)是煤矿井下严重的灾害之一，一旦发生极易引发群死群伤灾害事故。随着煤矿开采深度和强度的增加，我国突出灾害日益严重[1-2]。目前，全国突出矿井数量超过700座，产能约7亿t，分别占全国煤矿总数量的16%、总产能的13%左右[3]。近两年来，我国煤矿突出事故死亡人数在瓦斯事故死亡人数中的占比超过了50%[4]。现阶段煤与瓦斯突出灾害尚未得到根本控制，是我国煤矿安全生产的重要威胁。

对突出风险的全面辨识和准确预警是遏制突出事故的重要手段[5-7]。突出预测预警技术经过多年发展，实现了由静态点预测预报向单因素连续预测预警，再到多因素综合预警的转变，目前已形成了基于固定规则模型的煤与瓦斯突出综合预警系统[8-10]，并在煤矿现场得到了一定程度的推广应用，对防范突出事故起到了积极的作用。但是，现有技术大多采用阈值法，其预警指标和预警规则通常根据人工经验或现场考察确定，存在的主要问题有：人为因素影响较大；指标和模型相对固化，自学习、自优化能力不足；多源信息融合度不高，数据挖掘利用不充分等。突出预警的智能化水平和准确性有待提升。

当代信息技术蓬勃发展，并在传统产业迅速渗透，掀起了以智能化为主要特征的新一轮技术革命。为了推动煤炭行业高质量发展，我国先后发布了《关于推进煤矿智能化发展的指导意见》和《煤矿智能化建设指南(2021年版)》等文件，将灾害智能感知与预警作为煤矿智能化建设的重要内容，明确提出：通过大数据分析，构建煤与瓦斯突出预警模型，实现突出灾害超前预警[11-12]。因此，将大数据、云计算等技术与突出灾害防治技术深度融合，实现突出灾害智能预警，势在必行。

笔者对煤与瓦斯突出智能预警技术进行了探索，基于关联分析、证据理论等数据分析方法，研究建立突出预警指标优选方法和多指标融合决策模型，开发具有自学习能力的突出智能预警系统，初步实现突出风险多因素、多指标融合预警，以及预警指标和模型参数的自主动态调优，可为煤矿防突决策提供有效技术支撑。

1 突出预警指标自主动态优选方法

1.1 突出预警指标体系

对突出风险的监测、识别和预警是通过对一系列指标的监测和分析完成的，科学、合理的突出预警指标体系是有效预警的前提。根据突出事故原因统计和事故树分析结果[13-14]，将突出风险因素根据属性不同分为生产系统缺陷、客观突出危险、防突措施缺陷和防突管理隐患4类，根据风险因素作用时空范围分为矿井、区域和工作面3类风险因素(如图1所示)。基于突出风险因素分析结果，结合煤矿现场突出预警实际需求，遵循系统性、科学性、可行性原则，构建多层次突出预警指标体系(如表1所示)，包含工作面、区域、矿井3大类、12小类预警指标，实现对环境、措施、装备、管理等突出风险的全覆盖监测分析。

图1 煤与瓦斯突出风险因素(按属性分类)

表1 煤与瓦斯突出预警指标体系

1.2 预警指标动态优选方法

我国煤矿分布地域广泛，不同矿井之间煤层赋存、地质条件、开采工艺、开采强度、技术装备水平、从业人员素质等各不相同，突出灾害主控因素、发生规律、前兆特征等差异较大。即使同一矿井，不同的采(盘)区、煤层、开采深度之间，开采条件也不相同，突出规律和突出预兆存在差别。因此，应根据矿井具体条件针对性选择突出预警指标，并随着开采条件的变化进行动态调整。

关联分析也叫关联规则挖掘，可用于发现隐含在数据集中的相关关系，查找对象集合之间的频繁模式和关联结构，是一种十分重要的大数据分析方法[15-16]。采用关联规则算法对突出预警指标进行自主优选的流程如图2所示。

图2 预警指标动态优选流程

突出预警指标优选具体步骤如下：

1)突出危险判识事务集构建

突出危险判识事务集是预警指标与突出危险之间关联关系挖掘的基础。基于矿井突出危险预测预报历史数据，构建突出危险判识事务集。将每一次突出危险判识行为看作一个事务，对应事务集中的一行；将突出危险判识所采用的指标(即预警指标)和实际突出危险性作为事务的属性，分别对应事务集中的列，其结构如表2所示。事务的属性称为“项”，不同项的组合称为“项集”。

表2 突出危险判识事务集结构

2)事务数据非对称二元化转换

预警指标大多为分类变量或数值变量，并不能直接用于关联规则挖掘，需要对这些指标进行非对称二元化转换，将其转化为可由“0、1”“是、否”“真、假”等描述的非对称二元变量。

①分类变量二元化处理

当预警指标为分类变量时，通过为预警指标的每一个分类属性创建一个新的项，实现由分类变量向非对称二元变量的转换。以“打钻异常”预警指标为例，包含“喷孔”“卡钻”“顶钻”3个分类属性，因此“打钻异常”项可以用“打钻异常=喷孔”“打钻异常=卡钻”“打钻异常=顶钻”3个二元项代替。

②连续变量二元化处理

当预警指标为连续变量时，在预警指标的取值区间内，取一系列彼此不等的子区间，分别为每个子区间创建新的项，进行非对称二元属性转换。

假设某个突出预警指标G的取值(zmin,zmax)，其具体转化步骤如下：

首先，根据防突经验设定一个基准值z0，z0∈(zmin，zmax)。当预警指标与突出危险正相关时，z0应靠近zmin；负相关时z0应靠近zmax。

然后，用等距法提取数据系列Zk={z1,z2,…,zk}，zk∈(zmin，zmax)，且当预警指标与突出危险正相关时：

zk=z0+(k-1)L

(1)

当预警指标与突出危险负相关时：

zk=z0-(k-1)L

(2)

式中：k为正整数；L为分析步长，根据预警指标测量精度和分析精度综合确定。

再后，将提取的数据系列值和预警指标取值范围边界值作为区间边界，构建预警指标取值范围的系列子区间：正相关为[zk，zmax)，负相关为(zmin，zk]。

最后，分别为每个子区间创建新的项“G∈[zk，zmax)”或“G∈(zmin，zk]”，用其代替原来的预警指标项“G”，从而将一个定量连续项转化为k个非对称二元项。

3)关联规则分析

关联分析的目的在于对预警指标与突出危险之间的相关性进行量化评判，确定各预警指标反映突出危险的敏感程度，为预警指标优选提供依据。

将突出危险判识事务集非对称二元化处理后的预警指标项作为前项，将“实际突出危险性”项作为后项，构建关联规则：

X→Y

(3)

式中：X为预警指标项；Y为“实际突出危险性”项。

该关联规则反映了预警指标满足X的情况下，实际有突出危险的规律性。

传统关联分析采用支持度s(X→Y)和置信度c(X→Y)对关联规则进行评价，其计算公式如下：

s(X→Y)=σ(X∪Y)/N

(4)

c(X→Y)=σ(X∪Y)/σ(X)

(5)

式中：σ(X∪Y)为事务集中同时包含X和Y的事务数量；N为事务集中事务的总数量；σ(X)为事务集中包含X的事务数量。

置信度c(X→Y)表示突出危险判识事务集中，Y在包含X的事务中出现的概率，反映了根据X预判突出危险的准确性，置信度c(X→Y)越高，预判突出危险的准确性越高，虚报率越低。

支持度s(X→Y)表示突出危险判识事务集中，X和Y同时出现的概率。在煤矿生产过程中，实际真正有突出危险的概率较小，Y在突出危险事故集中出现的概率本身就小，因此支持度s(X→Y)不适用于突出危险判识事务集关联规则X→Y的评价。为此构建新的函数p(X→Y)：

p(X→Y)=σ(X∪Y)/σ(Y)

(6)

式中σ(Y)为事务集中包含Y的事务的数量。

函数p(X→Y)表示突出危险判识事务集中，X在包含Y的事务中出现的概率，反映了根据X预测突出危险时对突出危险的漏报情况。p(X→Y)越大，漏报率越低；当p(X→Y)=1时，无漏报现象。

4)预警指标优选

根据置信度c(X→Y)和函数p(X→Y)，将关联规则的关联强度从高到低分为强、较强、较弱、弱4个等级，如表3所示。关联强度越高，利用关联规则前项X预判突出危险的准确性越好，漏报风险越低。关联强度为“强”和“较强”的关联规则，其前项X即为优选出的预警指标及对应的突出危险判识准则。

表3 关联强度分级

表3中参数c0和p0分别为判定关联规则关联强度等级的置信度c(X→Y)和函数p(X→Y)的阈值。c0和p0应根据煤矿现场实际情况进行确定，一般条件下c0应不小于70%，p0应不小于60%。

当预警指标为连续变量时，会出现同一指标对应多个“强”或“较强”关联规则的情况，这时选择其中置信度c(X→Y)最高的关联规则作为该指标的优选规则，其对应的判定条件即为该指标的突出危险判识准则。

2 突出预警多指标融合决策模型

煤与瓦斯突出是多种因素综合作用的结果。传统的通过多条件简单堆砌的突出危险评判方法，对多因素作用下“1加1大于2”的系统效应考虑不充分，预警准确性有待提升。D-S证据理论作为一种重要的不确定性推理方法，为不确定性信息的表达和合成提供了强有力的工具[17-18]。因此，采用D-S证据理论对突出预警进行多指标融合决策，其具体方法如下：

1)识别框架建立

识别框架是所有可能判识结果的穷举集合。假设一个判识事件x，其所有可能的判识结果为θ1，θ2，…，θn,则称Θ={θ1，θ2，…,θi,…,θn}为x的识别框架，其中Θ的元素θi是互斥的。突出危险判识包含“有突出危险”和“无突出危险”2种结果，由此建立突出危险识别框架Θ={T，F}，其中T表示“有突出危险”，F表示“无突出危险”。

2)证据体基本概率分配规则

由每一个优选出的预警指标及对应的判识条件构成一个证据体。在对各证据体进行融合之前，通过以下规则进行证据体基本概率分配：

当预警指标对应的判识条件成立时：

(7)

当预警指标对应的判识条件不成立时：

(8)

式(7)、式(8)中C和E分别为预警指标及判识条件对应关联规则的置信度c(X→Y)和函数e(X→Y)的计算结果。函数e(X→Y)的计算公式如下：

(9)

函数e(X→Y)反映了条件X不满足时工作面实际有突出危险的可能性。

3)证据合成

证据合成是融合决策的核心，利用D-S证据合成方法对突出危险判识证据体进行合成。假设m1，m2，…，mn为各证据体的基本概率指派函数，则其合成之后的基本概率指派函数m(A)为：

(10)

(11)

式中：K为冲突系数，表示各证据之间的冲突程度；n为证据体个数，即优选的预警指标的个数；i为证据体序号，1≤i≤n；j为识别框架各子集的序号，对于突出危险识别框架mi={T，F}，子集{T}、{F}、{T，F}，∅的序号分别为1、2、3、4。

4)预警决策

证据理论中的信任函数Bel(A)表示对命题A的总信任程度，似然函数Pl(A)表示不反对命题A的信任程度[19-20]。对于煤与瓦斯突出预警，重点关注的是命题T(即“有突出危险”)，其信任函数和似然函数的计算公式分别为：

Bel({T})=m({T})

(12)

Pl({T})=1-m({F})=m({T})+m({T,F})

(13)

基于命题T的信任函数和似然函数，构建函数J({T})：

J({T})=Bel({T})+[Pl({T})-Bel({T})]/2

=[Bel({T})+Pl({T})]/2

(14)

J({T})反映了有突出危险的总体概率。将J({T})与预警等级判定阈值进行比较，确定最终的突出预警结果等级。预警等级判定阈值根据煤矿现场实际情况进行确定，推荐：J({T})≥0.8时为“红色预警”；0.6≤J({T})<0.8时为“橙色预警”；J({T})<0.6时为“绿色预警”。

3 突出智能预警系统

突出预警系统是突出预警指标、方法和模型的承载体，是突出预警技术的具象化展现[21]。以预警指标动态优选方法和多指标融合决策模型为基础，基于层次架构设计，开发了突出智能预警系统。

3.1 系统架构

突出智能预警系统整体采用分层架构设计，包括数据存储层、数据访问层、业务逻辑层和表现层等4层架构，如图3所示。

图3 突出智能预警系统分层架构

1)数据存储层。用于存储与突出预警相关的各种数据，包括：动态采集的各种基础安全信息、实时计算的各种预警指标信息、优选指标及基本概率分配等预警模型相关参数、突出预警结果信息和系统运维信息等。

2)数据访问层。用于提供对数据库的访问，实现对数据库中各类信息的输入、更新、读取、查询、修改、删除等操作，并为业务逻辑层和表现层提供数据服务。

3)业务逻辑层。用于完成数据的业务逻辑处理，是预警专业功能实现的关键所在，主要包括：预警指标计算、指标关联分析、证据体基本概率分配、预警融合决策等业务对象。

4)表现层。即用户界面，主要用于数据展示和用户交互，重点在于实现多终端、多操作系统场景下突出预警信息的多渠道联动发布、远程查询和运维管理。

3.2 系统功能

突出智能预警系统采用服务架构模式，由预警分析服务、预警网站和移动终端APP等模块构成。其中，预警分析服务作为后端，主要实现信息采集、分析决策、指标优选和模型调优等；预警网站和移动终端APP作为前端，主要负责预警信息的多渠道联动发布和预警系统运维管理。预警网站主界面如图4所示。

图4 煤与瓦斯突出智能预警网站界面

突出智能预警系统主要功能如下：

1)预警基础安全信息动态采集及集中管理。通过预警系统的系列数据接口服务程序，能够对瓦斯参数、突出参数、构造探测、瓦斯抽采、钻孔施工、安全监控、矿压监测等信息进行在线采集，并集中存储到预警数据库中，实现了防突安全信息的全面、及时、准确获取和集中管理。

2)突出风险智能分析与实时预警。从预警数据库中实时提取采集的基础安全信息，根据预警指标优选结果和多指标融合决策模型，自动计算指标值、置信度c、函数e，进行基本概率分配、证据合成，计算信任函数Bel、似然函数Pl和类概率函数J，确定突出预警结果等级。

3)预警结果联动发布及预警信息远程查询。通过预警网站、移动终端APP或短信等方式，向用户自动推送最新预警结果，提醒矿井相关工作人员加强管理或采取防突措施。通过预警网站和移动终端APP，用户还可以便捷地对实时预警信息和历史预警信息进行详细查询。

4)预警指标自主优选及模型动态调优。系统具有自学习能力，能够根据突出危险反馈信息，自动评估历史预警结果的准确性；同时，随着突出预警数据的不断积累，定期对预警指标与突出危险之间的关联关系进行挖掘分析，根据分析结果动态更新优选预警指标，并对融合决策模型的证据体基本概率分配函数进行自动调优，不断提升预警指标和模型参数的合理性。

5)预警结果及预警原因统计分析。能够从时间、工作面、等级、类型等角度，对突出预警结果和预警原因进行分类统计，自动生成相应的曲线图、柱状图、雷达图等统计图表，指导用户有针对性地加强管理和采取措施。

4 现场应用

4.1 矿井概况

山西一煤矿为典型的高产高效突出矿井，其核定生产能力为4 Mt/a，开采的4个煤层均为突出煤层，煤层瓦斯含量高达30.7 m3/t，自建矿以来出现过200余次瓦斯动力现象及典型突出预兆。

矿井前期建设有突出综合预警系统，采用固定规则模型，其预警规则主要基于专家知识和现场防突经验确定，预警准确性不能很好地满足矿井现场防突需求。

试验期间部署了突出预警信息采集终端、预警服务器和预警客户端，依托井下环网和地面局域网，搭建了突出预警网络环境，部署了预警数据库、预警采集分析服务、预警网站及移动终端APP，构建了突出智能预警系统。

4.2 预警指标优选及预警模型初始化

将矿井瓦斯动力现象和典型突出预兆数据，以及近8个月的防突历史数据导入预警数据库，智能预警系统基于这些数据进行了关联规则分析，自动优选了突出预警指标及判识准则，确定了预警模型基本概率分配函数的基础参数c和e，完成了预警系统的初始化，如表4所示。

表4 矿井预警指标优选结果

对预警指标优选结果与矿井瓦斯动力现象发生规律所反映的突出主控因素和前兆特征进行对比，发现二者具有较好的一致性，说明突出智能预警系统具有较强的自主学习能力。

4.3 预警准确性考察

分别利用突出智能预警系统和突出综合预警系统，同时对矿井4个掘进工作面和2个回采工作面进行了跟踪预警，累计跟踪巷道掘进长度近1 500 m，回采工作面推进470余m。期间，突出智能预警系统共发布“橙色”预警212次、“红色”预警95次，突出综合预警系统共发布“橙色”预警223次、“红色”预警109次。

对预警结果进行验证和统计，结果如表5所示。从表5中可以看出，智能预警系统对各工作面突出预警准确率为90%～94%，全矿井预警准确率为91.53%，无漏报现象；综合预警系统对各工作面突出预警准确率为81.82%～86.54%，全矿井预警准确率为84.64%，且存在漏报现象。通过比较可以看出，智能预警系统突出预警准确性明显优于综合预警系统。

表5 突出预警跟踪考察结果

5 结语

超前预警是有效防突的前提，智能预警是突出预警技术的发展方向。针对突出灾害多指标融合智能预警，构建了包含工作面、区域和矿井3个层面的多层次、多参量突出预警指标体系，建立了基于关联规则分析的突出预警指标自主优选方法和基于证据合成理论的多指标融合决策模型，开发了基于服务架构模式的突出智能预警系统平台，实现了预警信息动态采集与集中管理、突出风险融合分析与实时预警、预警信息的在线发布与远程查询，以及预警指标自主优选及模型动态调优，突出预警准确率达到91.53%，为矿井防突决策提供了有力技术支撑。整体而言，我国突出智能预警技术总体还处于起步阶段，距离自主感知、自主学习、自主决策的高级智能化突出预警的目标还有不小差距，存在的诸多技术难题亟待解决。