基于K線圖理論的瓦斯異常模式診斷研究

魏連江，胡青偉，梁 偉，任 飛

（中國礦業大學 安全工程學院，江蘇 徐州 221116）

目前，K線圖廣泛應用于金融行業，并逐步延伸移植至礦業、橋梁、地震預測、房產及農貿市場等多個行業，并取得一定成果[1-5]。K線圖對海量數據存儲方式、相關指標的衍生、趨勢規律清晰直觀等優勢逐漸被其他行業研究者所認可。對于礦井瓦斯監測數據而言，受煤層內部和井巷外部復雜多變環境的影響，瓦斯監測數據呈現出趨勢性、周期性、相關性等較難處理的復雜特[6]，故在礦井瓦斯異常模式診斷研究中引入K線圖理論，并與現有理論分析技術相結合共同研究，可為瓦斯數據監測預警領域提供一種新的研究方法。

1 瓦斯K線圖理論

1.1 K線圖表示

將礦井瓦斯監測數據平分成若干個單位時間為tu的相鄰單元段，在其中任一單元段內存在以下變量，開始值Copen，最小值Clow，最大值Chigh，結束值Cclose，其為繪制單根K線圖的基礎數據，缺一不可。單根K線中間的矩形稱為實體，實體以上的細線為上影線，實體以下的細線為下影線。容易得知，實體的長短代表開始值與結束值之間的差值大小。開始值低于結束值代表了此周期內數值的上升，為陽線，實體部分用白色表示；開始值高于結束值代表了此周期內數值的下降，這種K線稱為陰線，實體部分用黑色表示，具體K線圖表示方式如圖1。

圖1 K線圖表示方式

礦井瓦斯K線圖兼具顏色、實體大小、影線長短、單元時間4個方面內容并各具含義。依據單元時間tu的不同可將K線化分為分鐘K線、小時K線、日K線及周K線等。單根K線圖能夠反映單元時間內瓦斯涌出濃度的變化趨勢，還可基于多種組合K線模式，綜合分析礦井瓦斯趨勢及異常模式。

1.2 K線基礎數據轉化

現代礦井監測監控系統數據庫基本采用變值變態的記錄方式。變值變態即在測點數值或狀態改變時才更新1條新的記錄。與定時記錄相比，變值變態記錄方式具有2方面優勢：①當監測值沒有變動或變動極小時，無需重復記錄相同值，傳輸便捷、節省內存；②當監測值出現較快，較大幅度變動時，又可詳細記錄每一變化的細節，而定時記錄方式則存在重復記錄與遺漏記錄等問題。

變值變態記錄方式的瓦斯監測數據在轉化為K線圖時存在界限不清晰、均值難以準確計算等問題，所以需要將變值變態的數據提取出以每分鐘為單位時間的開始值Copen、最小值Clow、最大值Chigh、結束值Cclose，為后續的K線圖生成、程序編寫奠定基礎。將變值變態記錄的瓦斯監測數據轉化K線圖基礎數據 Copen、Clow、Chigh、Cclose的算法思路不再贅述。

2 瓦斯監測數據K線

在研究分析時間序列時，總希望能夠發現其在不同時段的形態特征有何關聯，這種關聯關系一般表現為時間序列中頻繁出現的變化模式與極少出現的變化模式，其中后者出現的變化模式稱之為異常模式[7]。在礦井瓦斯監測監控領域，異常模式的發現對于研究者來說往往更有價值。煤礦井下環境復雜多變，會導致瓦斯監測數據呈現不同的瓦斯異常模式，深入分析各類異常模式是瓦斯監測數據趨勢預測研究的前提與基礎。傳統研究異常模式都是基于監測數據的實時曲線，或對監測數據進行相關數理分析等，因此，從全新角度出發，基于K線圖原理對瓦斯時異常模式進行總結分析。通過回顧和整理國內外研究成果，總結出瓦斯時間序列異常模式主要有煤與瓦斯突出、炮后瓦斯涌出、局部通風裝備故障、傳感器探頭校驗等模式[8-10]。

2.1 煤與瓦斯突出

礦井采掘過程中，在極短時間內，從煤、巖層內以極快的速度向采掘空間內噴出煤（巖）和瓦斯稱為煤與瓦斯突出。某采煤工作面2個測點瓦斯監測濃度K線圖如圖2。

圖2 煤與瓦斯突出瓦斯監測濃度K線圖

從圖2可知，突出發生時均是大陽線形態，即在短暫時間（單位時間tu）內出現了迅猛上升勢頭。在煤與瓦斯突出發生前，總會出現異常情況，如圖2（a）中出現的倒錐子線、圖2（b）中小陽線等都是異常情況，不同于正常狀態下的瓦斯K線表現形態。在瓦斯監測過程中，如能將此數據異常捕捉到，再結合其他突出判定指標，對于瓦斯突出的準確預警會有一定提升。

2.2 炮后瓦斯涌出

掘進工作面放炮后巷道內瓦斯涌出量會在短期內出現較大波動。某掘進工作面瓦斯涌出監測濃度K線圖如圖3。從圖3可觀測出當掘進工作面放炮后，瓦斯濃度會在短時內迅速上升，呈現出雙陽線或三連陽組合K線形態，待其升至峰值后又以四連陰或五連陰的K線形態緩慢回落，此時即是掘進通風稀釋瓦斯的過程。最終，回歸至瓦斯正常涌出范圍內波動。

2.3 局部通風裝備故障

掘進工作面風量不足會造成瓦斯含量上升而發生超限報警，稱此瓦斯異常模式為局部通風裝備故障[3]。局部通風裝備故障瓦斯濃度K線圖如圖4。

圖4（a）為掘進工作面磧頭傳感器監測K線圖，圖4（b）為掘進工作面回風傳感器監測K線圖，兩者為同一工作面。局部通風裝備故障模式在磧頭與回風不同位置監趨勢有所不同，在磧頭位置瓦監測濃度是緩慢上升，表現為小陽線、中陽線連續攀升至峰值，然后迅速下降，表現為大陰線、中陰線為主，最終趨于正常濃度范圍內波動延伸；在回風位置瓦斯監測濃度上升趨勢與在磧頭位置一致，呈小陽線或中陽線的連續較慢上升，而下降不同，此位置下降趨勢并非大陰線形態，而是出現小陰線與中陰線的連續較慢回落至正常范圍。

圖3 炮后瓦斯涌出監測濃度K線圖

圖4 局部通風裝備故障瓦斯濃度K線圖

2.4 瓦斯傳感器校驗

煤礦井下復雜惡劣環境造成傳感器零點漂移的現象，為達準確監測，需要定期對傳感器進行校驗。瓦斯傳感器探頭校驗K線圖如圖5。

圖5 瓦斯傳感器探頭校驗K線圖

圖5中表現特征相似，即倒錐子線或倒T型線的單根K線形態，表明在單位時間內出現異常突變，瓦斯監測濃度快速上升至2%左右后快速回落。

3 瓦斯K線異常診斷

煤礦安全管理對于井下瓦斯超限報警高度關注，如能準確辨識瓦斯異常報警原因，及時感知井下作業環境，則對于煤礦安全生產決策具有重要作用。目前煤礦針對此瓦斯超限報警都是人工調出瓦斯異常監測曲線進行分析總結，時效性不強。故提出煤礦井下瓦斯異常K線圖診斷問題，研究瓦斯異常模式K線圖形態特征，確立相關準則進行異常原因診斷，輔助煤礦安全監控人員快速識別井下瓦斯超限報警原因，及時作出正確決策。

3.1 確立診斷準則

從瓦斯監測數據K線圖中對幾種瓦斯異常模式進行分析研究，可發現每種瓦斯異常段具有以下特點：①每條異常段都包含至少1次超限報警信號，即大于0.8%（通過煤礦實地調研分析，設定報警濃度為0.8%）；②K線圖單元時間tu不固定，即異常段持續時間不固定；③每段瓦斯K線圖以中陽線、小陽線、中陰線及倒T形態等為主要形態。

依據上述分析及圖表統計，確定相關瓦斯K線圖診斷準則，對上文總結的4種瓦斯異常模式辨識分類。作如下定義：每條瓦斯K線異常段有n根K線組成；首次超限的單根陽線記為p，其附近記為k1段；峰值的單根陽線記為q，其附近記為k2段。通過對大量瓦斯異常K線圖基礎數據統計與分析，再結合各瓦斯異常K線模式的形態特征，最終確定各瓦斯K線異常模式具體診斷準則及主要特征，瓦斯K線異常模式形態特征見表1。

表1 瓦斯K線異常模式形態特征

3.2 數據準備及算法分析

礦井瓦斯異常監測數據的收集主要為查閱相關文獻，調研煤礦現場及提取監測監控數據庫3方面，其中對PDS煤礦、LYZ煤礦、ZY煤礦、XZZ煤礦及SHJ煤礦考察調研，直接獲取以上煤礦安全監測監控系統數據庫中海量存儲數據，進而附加至本地實驗室服務器sqlsever 2008數據庫中。

對上述3方面獲取的數據進行分析與篩選，最終確定105條礦井瓦斯異常時間序列，即煤與瓦斯突出6條、炮后瓦斯涌出6條、局部通風裝備故障6條、瓦斯探頭校驗31條及其他異常數據56條。將105條瓦斯異常時間序列轉化為OHLC型數據并簡要數據處理即完成實驗數據準備。基于表1的診斷準則及瓦斯K線異常數據特征，確立瓦斯K線異常診斷算法并進行編程實驗。

3.3 實驗與分析

基于Visual Studio 2013開發平臺，運用VB.NET程序語言實現了上述的瓦斯異常K線診斷算法，建立了瓦斯異常K線診斷程序，具體代碼不再贅述。通過對105條礦井瓦斯K線異常序列進行混合診斷，結果表明，在目前主流配置的計算機上可實現瓦斯異常分類辨識，準確率達到93.33%。由于實驗數據來自5個不同礦井的監測監控系統，普適性較強，具體瓦斯K線異常診斷結果見表2。

4 結 論

1）提出了礦井瓦斯K線圖基礎數據生成算法。結合井下復雜多變環境與瓦斯監測實況，對單根瓦斯K線進行由表及里的描述與分析，重點研究分析大陽線、錐子線與倒錐子線、旋轉陀螺K線、一字K線、T型線與倒T型線6組單根K線形態。

2）總結出瓦斯時間序列異常模式主要有煤與瓦斯突出、炮后瓦斯涌出、局部通風裝備故障及傳感器探頭校驗，并基于K線原理、應用實測數據從全新角度對瓦斯異常模式進行了分析，得出煤與瓦斯突出時呈大陽線形態，炮后瓦斯涌出呈兩連陽或三連陽形態等。

3）確立瓦斯異常K線診斷準則，并運用VB.NET編程語言建立了瓦斯異常K線診斷系統。通過對105條不同礦井瓦斯K線異常序列進行混合診斷，結果表明，準確率達到93.33%，普適性較強。