礦井智能通風關鍵科學技術問題綜述

劉 劍

（1.遼寧工程技術大學 安全科學與工程學院，遼寧 葫蘆島125105；2.遼寧工程技術大學 礦山熱動力災害與防治教育部重點實驗室，遼寧 葫蘆島125105）

所謂礦井智能通風，就是1 個在具有自學習功能的計算機智能程序系統控制下的、由智能通風動力、智能網絡、智能設施與裝備、智能監測、智能控制等功能系統組成的、能夠實現智能感知、智能重構、智能決策與控制的技術與裝備系統[1-3]。通風安全崗位的機械化換人、自動化減人、智能化無人是智能通風的目標點之一，但不是其全部。智能通風的核心定位與追求是實現礦內氣相介質對人的安全保障與健康要求，這種安全保障不但要考慮正常生產時期，還要考慮災變時期的實現。礦井智能通風的本質特征是系統具有自學習功能，這種學習過程不是在實驗室，而是在礦井的實際生產過程中，學習的數據來自實際生產礦井。通過學習，智能系統能夠對設計師沒有想到的、不可預知的、非智能技術難以解決的問題做出判斷和決策。礦井智能通風涵蓋的技術領域包括物聯網、大數據、云計算、邊緣計算、工業機器人、虛擬現實以及機器學習等人工智能科學領域。

智能通風是礦井智能開采的重要子系統，通過互聯互通與協同一致，實現礦井通風安全系統的自感知、自學習、自決策、自執行等基本能力。所謂互聯，不僅僅是把通風安全感知系統與通風網絡、通風動力以及風門、風窗等通風設施鏈接起來，而且還要與粉塵、瓦斯、自燃、火災、熱害防治系統鏈接起來，與采、掘、機、運等大系統實現互聯。這個由信息物理系統（CPS）形成的物聯網，使人與人、人與機器、機器與機器互聯共享。從時間上智能通風可以劃分為正常生產時期對通風的按需智能優化設計與管控、災變時期的應急控風2 個階段。從空間上劃分為以井巷為主要對象的管流、以采空區為主要對象的場流2 個氣相介質域。無論是從理論方法上，還是從技術裝備上，上述4 種時空模型都有較大的差異，但又是相互聯系的，互為邊界條件的。

為此對實現礦井智能通風亟待解決、正在解決或基本解決的關鍵科學技術問題的認識進行介紹，并簡要論述這些科學問題的重要屬性，具體的研究內容及研究現狀將另文介紹，沒有涉及與采空區關聯的智能通風問題。

1 實時礦井通風網絡解算

實時礦井通風網絡解算是正常生產時期智能通風所涉及的最核心的亟待解決的關鍵技術之一[3-6]。實時礦井通風網絡解算與礦井通風網絡實時解算在內涵上存在一定的差異性，前者體現的是通風網絡的復雜性與真實性，后者體現的是算法的時效性。實時礦井通風網絡解算研究的物理對象是井下真實狀態的實時映射，或者是井下真實狀態的實時數字重構。實時礦井通風網絡解算技術成熟的標志是實時解算結果與監測系統的傳感器示值保持同步并且一致。實時礦井通風網絡解算技術涉及的關鍵理論與技術問題至少包括：基于熱壓濕變風阻系數的通風網絡熱-流動態耦合理論[7-8]；實時礦井通風網絡拓撲結構同步技術；非線性觀測器構造技術[9]；傳感器位置優化[10]；熱壓濕變風阻系數實時反演技術[11]；阻變型故障診斷技術[12-14]；通風系統擾動識別等一系列技術問題。

1.1 基于熱壓濕變風阻系數的通風網絡熱-流動態耦合

礦井風流是一種有黏、不可壓縮、與外部有熱濕交換的流體流動，這種流動是空氣動力過程與熱力過程的動態耦合。納維斯托克斯方程較好地描述了這2 種過程的耦合機制。但是在工程實踐中，只有在進行通風阻力測定讀取數據那一刻體現了這種過程的耦合。通風網絡解算俗稱已知風阻求風量，其算法忽略了熱力過程的影響。理論和實驗均表明，通風阻力系數與大氣壓力、溫度和濕度密切相關，亦即通風阻力系數除了與井巷長度、斷面積、斷面形狀、支護方式相關外，還是大氣壓力、溫度、濕度的函數。為此引出熱壓濕變風阻概念，利用熱壓濕變風阻進行網絡解算，早晨的解算結果與中午的解算結果是不一樣的。建立熱壓濕變風阻系數這一新概念，不但能夠解決早晨與中午網絡解算的差異問題，而且冬季和夏季的自然風壓差異也會在網絡解算中自然體現出來，所謂的高海拔礦井通風、高溫深井通風，甚或火災時期的風流狀態也都在1 個方程的一次解算中獲得解決。需要指出的是，在流體力學里，可壓縮性表征的是流體的跟隨密度、散度，而非流體密度對時間、空間的導數，所以深井通風仍屬不可壓縮流體運動。所在的實驗室已經完成熱壓濕變風阻系數的相關實驗和回歸器的機器學習。

1.2 礦井通風系統非線性觀測器構造

實時礦井通風系統重構是實時網絡解算的關鍵，有了重構的通風系統，那么網絡解算方法甚至可以摒棄現在普遍采用的諸如斯考德-恒斯雷等一系列迭代法。通過掘進工作面、回采工作面的定位傳感器，可以解決網絡拓撲關系實時重構問題，但是，風流狀態重構就比較復雜了。構造礦井通風系統非線性觀測器是風流狀態重構的關鍵，通風系統具有較強的魯棒性，無論是有監督學習還是無監督學習都可用于構造非線性觀測器。

非線性觀測器除了要解決熱壓濕變風阻系數實時反演問題，還要解決稀疏觀測點布設位置問題，也就是傳感器位置優化問題。文獻[10]研究表明，鄰域粗糙集λ 取值、傳感器位置，傳感器所在巷道風阻值的關系形如一把掃帚，稱之為傳感器位置優化掃帚模型。較大風阻值的巷道構成了掃帚把，較小風阻值的巷道構成了掃帚頭。傳感器應優先布置在掃帚把上，而掃帚把的位置與巷道的靈敏度是沒有任何關系的。阻變型故障診斷試驗、通風阻力系數反演試驗均表明，利用掃帚模型確定的試驗特征值觀測點，故障診斷及阻力系數反演的準確性均好于非掃帚模型確定的傳感器位置。

盡管從實驗室層面證明了非線性觀測器構造技術的可行性，但是距離工業實踐尚有相當的距離。在有監督學習的試驗中，一般都是通過蒙特卡洛仿真技術生成學習樣本，樣本受專家主觀因素影響甚至干預是難免的。利用實時監測數據訓練有監督學習的觀測器，或作為無監督學習觀測器的目標適應值是下一步攻關的重點。

有學者認為，隨著質優價廉的傳感器出現，通過安裝大量傳感器來解決通風系統重構問題。姑且不論通訊系統對傳感器數量的制約，即使傳感器數量足夠多，畢竟也是有限的。有限的離散傳感器解決不了系統的連續性問題。傳感器只能解決系統表征參量的實時通報，而非數學模型控制的重構體。解決不了系統的規律變化問題，也就做不到實時預警。在災變時期通信及電力系統受損，利用殘缺信息解決重構問題顯得尤為重要。

1.3 阻變型故障診斷

將礦井發生巷道垮落變形、風門未關閉或者破損、風機故障、巷道延伸及報廢、巷道垮落變形、煤倉放空等變化引起通風系統風量發生異常變化的現象稱為阻變型故障，甚至火災引起的通風系統變化也可以稱之為阻變型故障。阻變型故障要解決的問題是故障位置和故障量，所謂故障量亦即等效風阻變化值。確定故障位置屬于分類器問題，確定故障量屬于回歸器問題。支持向量機（SVM）和人工神經網絡（ANN）都成功應用于基于有監督學習的故障診斷。遺傳算法（GA）、粒子群算法（PSO）、進化策略（EA）以及差分進化（DEA）也都成功應用于無監督學習的故障診斷。從機器學習以及觀測器特征值選擇來看，無論是風量單一特征還是風量風壓復合特征，都能進行故障診斷。有監督學習的故障診斷存在的問題如同前文所述的蒙特卡洛仿真樣本問題，無監督學習存在著運算資源消耗過大問題。將智能診斷技術真正應用到礦井中，需要解決以傳感器實時監測數據為特征值的機器學習問題。

1.4 通風系統擾動識別

系統擾動與阻變型故障其本質都是風阻發生變化，二者的區別在于故障具有一定的穩定性和延續性，而擾動卻是隨機發生的，延續時間較短，具有統計意義上的類周期性。擾動主要產生于罐籠的提升、無軌車輛和有軌礦車運行的弱活塞作用、風門的開關，以及井下影響巷道通風斷面的其它活動。利用激光多普勒測速儀（LDA）、熱線風速儀（CTA）以及粒子圖像測速儀（PIV）對井下湍流的脈動變化規律進行了大量研究[15-16]，但是，如何準確地判斷擾源位置并將其用于非線性觀測器設計，目前尚無可行的算法，這也是網絡解算結果與監測系統傳感器示值保持同步一致需要攻克的1 個關鍵問題。國家自然科學基金項目（編號：51904143）借鑒電能質量電信號擾動識別的思想，研究過濾湍流脈動后的時均風速擾波隱含特征及其識別方法。

2 災變時期智能控風

2.1 災變時期風流狀態

火災時期井下風流狀態來仍遵從有黏、不可壓縮的納維斯托克斯方程。但是，熱阻力以及節流效應等對風流的自然分配有較大影響，火風壓甚至會造成風流逆轉。盡管如此，正常生產時期的通風系統非線性觀測器仍能滿足火災時期通風網絡重構要求，但對瓦斯、煤塵等爆炸場景不適用。爆炸造成的沖擊波以馬赫數量級傳播，空氣處于可壓縮狀態，爆炸時的風流流態是極其復雜的。

2.2 應急狀態下致災因子傳播快速推演技術

應急狀態下，追求精準的通風狀態參數是沒有意義的。將足以造成通風系統失效的壓力、溫度、有毒有害氣體稱之為致災因子。災變發生后，尤其是爆炸發生后，快速確定爆炸沖擊波的壓力、溫度等致災因子在全風網的傳播情況，對快速確定礦井通風系統級聯失效模式、決策救避災方案具有極其重要的意義。FLACS 等商用軟件可以較好的模擬瓦斯爆炸沖擊波的傳播過程，但是這種模擬從建模到獲得結果耗時以天為單位。利用FLACS 等CFD 數值模擬軟件或爆炸實驗獲得瓦斯爆炸沖擊波的壓力、溫度、有毒有害氣體等致災因子傳播學習樣本，利用ANN 或SVM 建立瓦斯爆炸致災因子傳播快速分類器及回歸器都獲得了成功。文獻[17]建立的ANN 回歸器模擬試驗表明，在給定爆炸位置和爆炸當量的均直巷道，獲得任一點的爆炸沖擊波壓力、溫度等所需時間是瞬時的，全風網預測也會在60 s 內完成。ANN 回歸器試驗結果與FLACS 數值模擬結果相比較，ANN 平均訓練誤差為6.92%，有訓練樣本的驗證誤差為5.24%，無訓練樣本的驗證誤差為6.88%。

2.3 災變時期智能控風關鍵技術

災變時期智能控風的關鍵是明災情、快決策。如果不考慮機電裝備本身，災變時期智能控風的難點在于爆炸等強破壞對井下供電和通訊系統造成損毀，導致監測系統部分甚至全部失效，給判斷爆源及強度帶來困難。信息殘缺情況下的通風系統重構、災情判識、致災因子傳播與通風系統級聯失效的快速推演技術是災變時期智能控風的重要研究內容與關鍵技術。

3 通風參數高精度快速測試

無論是人工智能模型的學習訓練，還是預警決策，依賴的都是大量有效的通風數據。風量與風壓（壓差）是礦井通風的核心參數，也是通風系統非線性觀測器的輸入及重構參數[18]。

礦用風速傳感器多采用熱球、渦街、超聲波等感應原理，風壓（壓差）傳感器多采用電容或半導體感壓原理。這些傳感器都存在測試精度低，反應不靈敏等問題。

測試精度低的根本原因在于測試原理沒有考慮井下風流為湍流這個根本事實。文獻[19-21]利用LDA、CTA、PIV 進行的大量實驗表明，即使是所謂測風站穩定流動，風流的脈動幅度也超過均值的30%以上，脈動頻率在微秒級別，而且還不是真實的脈動頻率，只是LDA、CTA 采集數據的頻率。實驗還發現無論是風機進出口處的復雜流場，還是測風站的穩定流場，其速度場結構都是恒定的，與風速的大小無關，這就為井巷斷面平均風速的單點測試奠定了基礎。如果高精度、高數據采集頻次的單點三維測風傳感器取得突破，并結合湍流平均的數據處理方法，風量測試技術將會取得突破。單點三維測風傳感器的發展方向是激光多普勒技術。

4 井下智能網絡與智能裝備

4.1 智能網絡

智能算法依賴強大的計算資源，云計算能夠較好解決計算資源問題，但是從井下到云端頻繁地進行海量數據的傳輸交換，其無線通信開銷會成為智能通風系統性能的瓶頸。考慮災變時期通訊及電力系統失效情況，研發地面集中監控與井下分區聯動協同運行技術很有必要，如果金屬礦山的多級機站反風、煤礦井下的防火隔離門、防爆門等應急裝備能夠實施集中控制與分區聯動相結合的協同模式，對提高應急控風技術的可靠性具有重要意義。這也就意味著未來的智能通風需要在井下分區設置邊緣計算，而且，邊緣計算要有除學習訓練之外的大部分智能模塊。智能向邊緣控制轉化也就是智能網絡，它是建立在適應性邊緣架構(AEA)的基礎之上的，使網絡邊緣具有更高的靈活度、適應性和更高的能力。所以，智能通風對井下智能網絡的要求比智能開采更具挑戰性，這也是未來需要解決的問題。

4.2 智能裝備

正常生產時期主通風機、井下機站、局部通風機、風門、風窗等通風設施與裝備的智能化關鍵還是在參數的測試及智能軟件的實現上。但是在災變時期，尤其是爆炸等強破壞災變發生的情況下，研發沖擊波實時全向智能感知觸發技術、研發能夠先行躲避沖擊波、隨即阻截火焰和有毒有害氣體的智能隔離門的避波截氣延時閉合技術、抗沖擊防爆門智能快速復位技術是智能裝備亟待解決的關鍵問題，這些技術的突破，同時配合基于智能網絡的分區聯動技術，就能夠實現災變區域自動隔離與通風主系統快速自恢復這一應急控風目標。

5 結 語

礦井智能通風的達成是一個漸進過程，從整體技術來看目前仍處于實驗室階段，但是，這絲毫不影響它已經并將繼續為礦山安全生產與礦工的職業健康所發揮的作用。人工智能理論和技術已經達到非常成熟的階段，礦井智能通風的“卡脖子”關鍵是通風參數的精確快速測試技術，有了高可信度的基礎數據，人工智能在礦井通風領域的應用就變成了特征值選擇的反復嘗試與反復調參過程。