基于聲音識別的煤礦重特大事故報警方法研究

孫繼平, 余星辰

(中國礦業大學(北京) 機電與信息工程學院， 北京 100083)

0 引言

煤炭是我國的主要能源，在我國能源生產與消費結構中所占比例最大[1-3]。在我國一次能源生產與消費結構中，煤炭產量約占70%，消費量約占60%[4]。煤炭行業是高危行業，瓦斯、水、火、沖擊地壓、頂板、運輸、機電、放炮等事故困擾著煤礦安全生產[5-9]。2020年全國煤礦共發生死亡事故122起、死亡225人，同比下降28.2%和28.8%，百萬噸死亡率約為0.058，全年未發生重特大瓦斯事故，是新中國成立以來首次。

煤礦重特大事故感知與報警是減少人員傷亡和財產損失的有效措施[10-11]。因此，研究煤礦重大事故報警方法具有重要的理論意義和實用價值[12-14]。本文針對煤礦重特大事故聲音特點，提出了煤礦瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、水災、頂板冒落等事故報警方法；論述了不同拾音設備的優缺點，礦用拾音設備宜采用麥克風陣列；研究了適用于煤礦重特大事故的聲音識別分類器。

1 基于聲音識別的煤礦瓦斯與煤塵爆炸報警方法

煤礦瓦斯與煤塵爆炸會產生爆炸聲[15]。煤與瓦斯突出、沖擊地壓、透水、頂板大面積冒落、工作面落煤、爆破作業、采煤設備(采煤機、液壓支架、刮板輸送機、轉載機、破碎機等)工作、掘進設備(掘進機、錨桿機、風鎬等)工作、運輸提升設備(帶式輸送機、膠輪車、電機車、提升機等)工作、供電設備(變壓器、高低壓控制設備等)工作、乳化液泵、水泵和局部通風機工作等也會產生聲音[15]。但爆炸聲的時域和頻域特征與其他聲音不同，可通過礦用防爆拾音設備和系統實時監測聲音，通過聲音智能分析和聲音頻率、幅度、短時能量等特征參數分析感知瓦斯與煤塵爆炸并報警。通過監測和分析不同監測地點聲音強度特征、監測到的瓦斯與煤塵爆炸聲音的先后關系和防爆拾音設備損壞的先后關系等判定爆源[15]。

煤礦瓦斯與煤塵爆炸具有如下特征：空氣中O2濃度迅速降低，CO2，CO等有毒有害氣體濃度迅速升高；環境溫度迅速升高，空氣壓力迅速增大后回落；產生較強的紅外和紫外輻射；產生高溫、高壓、高速的爆炸沖擊波和火焰鋒面；產生爆炸音與震動；產生大量煙霧和粉塵；風速迅速增大后回落，風流反向[15]。為提高瓦斯與煤塵爆炸識別準確率，除監測聲音外，還需監測氣體(O2,CO2,CO等)濃度、震動、氣壓、風速、風向、煙霧、粉塵、紅外線、紫外線和圖像等，通過多信息融合分析，減小煤與瓦斯突出、沖擊地壓、透水、頂板冒落、煤炭生產等產生的聲音對煤礦瓦斯與煤塵爆炸辨識的影響[5，15-16]。

2 基于聲音識別的煤與瓦斯突出報警方法

煤與瓦斯突出會產生煤炮聲(有的像炒豆聲、有的像鞭炮聲、有的像機關槍連射聲、有的像悶雷聲等)、支架發出的嘎嘎聲和破裂折斷聲等。瓦斯與煤塵爆炸、沖擊地壓、透水、頂板大面積冒落、工作面落煤、爆破作業、采煤設備工作、掘進設備工作、運輸提升設備工作、供電設備工作、乳化液泵、水泵和局部通風機工作等也會產生聲音。但煤與瓦斯突出聲音的時域和頻域特征與其他聲音不同，可通過礦用防爆拾音設備和系統實時監測聲音，通過聲音智能分析和聲音頻率、幅度、短時能量等特征參數分析感知煤與瓦斯突出并報警。通過監測和分析不同監測地點的聲音強度特征、監測到的煤與瓦斯突出聲音的先后關系和礦用防爆拾音設備損壞的先后關系等判定突出位置。

煤與瓦斯突出具有下列特征：在突出前，工作面瓦斯涌出量忽大忽小；煤巖體破裂會釋放一定的能量，并伴隨聲、光、電、磁、熱等煤巖體動力災害前兆現象，即地音、微震、電磁輻射、熱輻射等。為提高煤與瓦斯突出識別準確率，除監測聲音外，還需監測甲烷濃度、溫度、地音、微震、氣壓、風速、風向、煙霧、粉塵、電磁輻射、紅外線、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、沖擊地壓、透水、頂板冒落、煤炭生產等產生的聲音對煤與瓦斯突出辨識的影響[5，17-19]。

3 基于聲音識別的沖擊地壓報警方法

沖擊地壓會產生巨大的巖石破碎聲響和震動等。瓦斯與煤塵爆炸、煤與瓦斯突出、透水、頂板大面積冒落、工作面落煤、爆破作業、采煤設備工作、掘進設備工作、運輸提升設備工作、供電設備工作、乳化液泵、水泵和局部通風機工作等也會產生聲音。但沖擊地壓聲音的時域和頻域特征與其他聲音不同，可通過礦用防爆拾音設備和系統實時監測聲音，通過聲音智能分析和聲音頻率、幅度、短時能量等特征參數分析感知沖擊地壓并報警。通過監測和分析不同監測地點的聲音強度特征、監測到的沖擊地壓聲音的先后關系和礦用防爆拾音設備損壞的先后關系等判定沖擊地壓位置。

沖擊地壓具有下列特征：煤巖體破裂會釋放一定的能量，并伴隨聲、光、電、磁、熱等煤巖體動力災害前兆現象，即地音、微震、電磁輻射、熱輻射等。為提高沖擊地壓識別準確率，除監測聲音外，還需監測甲烷濃度、溫度、地音、微震、氣壓、風速、風向、煙霧、粉塵、電磁輻射、紅外線、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、煤與瓦斯突出、透水、頂板冒落、煤炭生產等產生的聲音對沖擊地壓辨識的影響[5，18-19]。

4 基于聲音識別的煤礦透水報警方法

煤礦透水會發出“嘶嘶”的水叫聲,大量透水會產生水流聲等。瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、頂板大面積冒落、工作面落煤、爆破作業、采煤設備工作、掘進設備工作、運輸提升設備工作、供電設備工作、乳化液泵、水泵和局部通風機工作等也會產生聲音。但透水聲音的時域和頻域特征與其他聲音不同，可通過礦用防爆拾音設備和系統實時監測聲音，通過聲音智能分析和聲音頻率、幅度、短時能量等特征參數分析感知礦井透水并報警。通過監測和分析不同監測地點的聲音強度特征、監測到的透水聲音的先后關系和礦用防爆拾音設備損壞的先后關系等判定礦井透水位置。

煤礦透水具有下列特征：掛紅、掛汗、空氣變冷、出現霧氣、水叫、頂板淋水加大、頂板來壓、底板鼓起或產生裂隙、出現滲水、水色發渾、有臭味等。為提高礦井透水識別準確率，除監測聲音外，還需監測水質、涌水量、水位、水溫、氣溫、濕度、電阻率、應力、微震、地音、水文、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、頂板冒落、煤炭生產等產生的聲音對礦井透水辨識的影響[5，20-22]。

5 基于聲音識別的頂板冒落報警方法

煤礦頂板冒落會發出頂板斷裂聲、煤巖落地撞擊聲、支護損毀聲等。瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、工作面落煤、爆破作業、采煤設備工作、掘進設備工作、運輸提升設備工作、供電設備工作、乳化液泵、水泵和局部通風機工作等也會產生聲音。但頂板冒落聲音的時域和頻域特征與其他聲音不同，可通過礦用防爆拾音設備和系統實時監測聲音，通過聲音智能分析和聲音頻率、幅度、短時能量等特征參數分析感知頂板冒落并報警。通過監測和分析不同監測地點的聲音強度特征、監測到的頂板冒落聲音的先后關系和礦用防爆拾音設備損壞的先后關系等判定頂板冒落位置。

頂板冒落具有下列特征：頂板出現裂縫并張開、出現離層、煤質變軟、有片幫和掉碴現象，瓦斯涌出量增大,頂板淋水水量增加等。為提高頂板冒落識別準確率，除監測聲音外，還需監測頂板下沉量、巷道變形、錨桿應力、微震、地音、甲烷濃度、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、煤炭生產等產生的聲音對頂板冒落辨識的影響[5，18-19]。

6 拾音設備

拾音設備主要有單麥克風拾音設備和麥克風陣列拾音設備。

傳統的音頻監控系統通常采用單麥克風拾音設備，即用1個麥克風拾取目標源發出的聲音。單麥克風采集到的聲音受到周圍環境及監測環境的混響等干擾，影響聲音識別。因此，單麥克風拾音需要內部增加噪聲抑制、聲音提取和聲音分離等算法[23]。

麥克風陣列是以特定方式排列[24]、準確獲取監測區域不同空間方向聲音信息的一組麥克風。麥克風陣列所涉及的算法主要包括聲源定位、波束形成、去混響和處理增強等，具有噪聲抑制、回聲抑制、去混響、單或多聲源定位、聲源數目估計、源分離等功能。麥克風陣列可分為均勻線性陣列、非均勻線性陣列、非線性陣列、環形陣列、球形陣列、二維陣列和三維陣列等。

麥克風陣列拾音與單麥克風拾音相比，具有下列優點[23-24]：① 可以解決單麥克風遠距離拾音困難的問題。② 可以彌補單麥克風在噪聲抑制、聲音提取和聲音分離等方面的不足。③ 可以解決單麥克風拾音聲音信號失真的問題。因此，礦用聲音識別宜選用麥克風陣列。

7 聲音識別分類器

瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落、工作面落煤、采煤設備工作、掘進設備工作、運輸提升設備工作、供電設備工作、乳化液泵、水泵和局部通風機工作產生的聲音，其時域和頻域特征不同。為提高通過聲音辨識瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落等的準確性，需進行聲音頻率、幅度、短時能量等特征參數分析，并采用聲音識別分類器辨識。

聲音識別分類器[25]有高斯混合模型(Gaussian Mixture Model，GMM)、隱馬爾科夫模型(Hidden Markov Model，HMM)、矢量量化(Vector Quantization，VQ)技術、支持向量機(Support Vector Machine，SVM)、K近鄰分類器(K-Nearest Neighbor Classifier,KNN)和卷積神經網絡(Convolutional Neural Networks,CNN)等。

GMM[25]是一種業界廣泛使用的聚類算法，使用高斯分布作為參數模型，使用期望最大算法進行訓練，采用高斯概率密度函數(正態分布曲線)量化事物，將一個事物分解為若干個基于高斯概率密度函數(正態分布曲線)形成的模型。目前，GMM是應用最為廣泛的機器學習算法之一，適用于圖像處理、聲音識別、文字識別、設備故障診斷等領域。

HMM[25]是一種概率統計模型，是應用最為廣泛的機器學習算法之一，適用于聲音識別、自然語言處理、文字識別和生物信息等領域[26]。

VQ[25]是將標量數據進行矢量化壓縮，可在不影響主體數據的前提下，減少數據冗余量，是一種應用非常廣泛的信息壓縮技術[26]，在語音識別和聲音編碼中得到了廣泛應用。

SVM[25]是最早的概率統計模型，在小樣本、非線性和高維數據的分類識別中得到了廣泛應用。SVM是一種概率統計模型，以結構風險最小化為核心，構造最優超平面，使得不同樣本到此平面的最小距離最大，從而實現數據分類。相對于傳統模式匹配算法，SVM具有運算速度快、整體構造簡單、魯棒性好、泛化能力強等優點，是發展最快的分類識別算法之一[26]。

KNN[25]是假定相似的事物彼此接近，已作為一種非參數技術用于統計估計和模式識別。KNN是一種非參數的惰性學習算法，作為最簡單的分類算法之一，其目的是將數據集的所有樣本劃分為若干類，并用以預測新樣本的分類。

近年來，隨著人工智能的發展和圖形處理器(Graphics Processing Unit,GPU)計算能力的提升，以CNN[25，27]為代表的深度學習方案的訓練速度大大加快，具備了實際應用能力，且在聲音識別技術中表現突出。不同維度的CNN適用的領域也有差別，一維CNN適合處理序列類型的數據，二維CNN適合處理一般圖像的分類識別和聲音識別，三維CNN主要應用在視頻處理和醫學圖像識別等領域。

8 結語

煤炭是我國主要能源。煤炭行業是高危行業，瓦斯、水、火、沖擊地壓、頂板、運輸、機電、放炮等事故困擾著煤礦安全生產。煤礦重特大事故感知與報警是減少人員傷亡和財產損失的有效措施。煤礦瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落都會產生聲音。不同類型事故產生的聲音不同，并與工作面落煤、爆破作業、采煤設備、掘進設備、運輸提升設備、供電設備、乳化液泵、水泵和局部通風機工作等煤炭生產聲音差異較大，可通過聲音監測和智能分析辨識煤礦瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落等煤礦重特大事故并報警。通過聲音、圖像和多種傳感器信息融合，排除煤炭生產等聲音的影響。