煤礦聯網數據分析模型設計與實現

陳 清

（中煤科工集團重慶研究院有限公司，重慶 400039）

煤炭是我國最重要的基礎能源，2020年我國煤炭占一次能源消費比例57%左右，我國仍然是以煤炭為主導能源[1]，但我國的煤礦開采條件復雜，災害威脅嚴重，煤礦事故繁發[2]。隨著網絡技術和信息技術的發展，煤礦企業都安裝了安全監控系統與人員定位系統，隨著國家對政府安監信息化的不斷投入，全國主要產煤省份已完成安全監控系統和人員定系統聯網，初步實現了數據“看得見”的目標，為企業自身安全管理和政府遠程監管監察奠定了基礎[3-5]。但是這些聯網數據主要用來進行數據展示，沒有進行深入挖掘分析利用，數據利用率偏低，只是解決了數據“有無”的問題，未解決數據有用、有效的問題，為上級監管部門提供的參考有限。目前全國大部分煤礦監管聯網平臺存在以下問題：

1）數據利用率低。大部分煤礦聯網數據主要用于實時數據展示以及歷史數據查詢，數據大部分時間存儲于數據庫中，只有在數據需要展示的時候才會被調用，這種數據利用模式以數據被動使用為主，利用率低，未能發揮數據的應有作用。

2）關鍵數據不突出。煤礦監管部門對煤礦聯網數據關注點主要集中在少量關鍵數據上，例如主要關注安全監控系統歷史報警數據以及井下有無帶班領導，對于聯網數據中其他可能存在較大價值的數據關注度較低。同時聯網平臺對于聯網數據中的關鍵數據挖掘分析力度不夠，未能及時從海量數據中分析出有價值的數據，并將這些關鍵數據推送給監管人員以輔助其監管工作。

3）數據關聯不強。煤礦聯網數據基本都是單獨上傳與存儲的，未能將數據之間可能存在的關聯關系進行有效梳理與利用。

目前，一些學者開展了相關方面研究[6-7]，這些研究主要集中在瓦斯監測數據自身處理上，沒有從海量數據挖掘分析的角度對煤礦監測數據進行研究。因此，提出一套煤礦安全監控和人員定位聯網監測大數據分析系統，對海量的聯網數據進行挖掘分析，找到價值較高的數據，輔助煤礦排除存在的安全隱患，保障煤礦安全生產，同時也有助于政府監管部門建立智能化監管模式。

1 聯網數據

主要針對煤礦安全監控系統和人員定位系統的聯網數據進行挖掘分析。

1）安全監控系統聯網數據。主要包括監測點實時數據、報警數據、模擬量分鐘統計數據、設備調校數據和設備運行記錄數據等。監測點實時數據更新頻率為10～30 s左右，一般情況下數據變化幅度不大。其余數據的更新頻率較長，報警數據和設備運行記錄數據的更新頻率不固定，會不定期產生數據。

2）人員定位系統聯網數據。主要包括入井人員基本信息、井下人員實時位置數據、人員活動軌跡數據、人員出入井記錄以及人員歷史異常數據等。人員基本信息、人員出入井記錄和人員歷史異常數據不定期更新，井下人員實時位置數據更新頻率為1 min左右，由于人員活動軌跡數據的數據量大，因此它的更新頻率為5 min。

2 數據分析模型

對煤礦聯網監測數據進行數據清洗后，就能夠進行數據挖掘分析[6-7]。煤礦聯網監測大數據分析系統主要根據聯網數據內容，分為安全監控數據分析和人員定位數據分析，共研究了瓦斯微小波動分析、瓦斯偏離均值分析、瓦斯上升趨勢分析、疲勞作業分析和軌跡相似分析等5種數據分析模型[8]，數據分析模型如圖。

圖1 數據分析模型Fig.1 Data analysis model

2.1 安全監控數據分析模型

2.1.1 瓦斯微小波動分析

依據《煤礦安全規程》、AQ 1029—2019煤礦安全監控系統及檢測儀器使用管理規范（以下簡稱AQ 1029—2019）等規定，監控系統設備需要定期進行調校，甲烷傳感器每15 d進行1次風電閉鎖測試。

如果上傳的瓦斯傳感器監測值長期不發生變化或者變化幅度很小，那么這種情況可能是瓦斯傳感器故障或者人為因素引起。因此，站在監管的角度必須排查出這類數據。

采用多時間窗微小波動識別方法，即通過對瓦斯濃度歷史數據分析，并考慮到傳感器測量精度，發現瓦斯濃度波動的范圍處于0～0.02時基本可判定瓦斯處于微小波動范圍，以此為標準，分析最近3、7、15 d等時間窗內數據變化情況。

2.1.2 瓦斯偏離均值分析

在外界環境未發生明顯變化的情況下，瓦斯監測值一般在固定的監測值上下波動且波動幅度較小，瓦斯偏離均值同樣采用多時間窗偏離均值分析方法，分析最近1、3、7 d均值偏離情況。

瓦斯偏離均值分析的數據分析方法采用瓦斯分鐘統計數據進行分析，主要利用最近5 min的平均值與指定時間窗的平均值之間的差值，瓦斯分鐘統計數據包含信息見表1。

表1 瓦斯分鐘統計數據格式Table 1 Gas minute statistics data format

以計算偏離3 d均值為例說明具體計算方法：①計算出3 d均值，計算方法為3 d內的所有分鐘數據的平均值v1；②計算出5 min內的平均值v2；③計算出v2減v1的差值dv；④保存dv大于0的記錄。

根據模型訓練結果，煤礦監管部門將重點關注dv大于0.2的瓦斯監測點。

2.1.3 瓦斯上升趨勢分析

瓦斯上升趨勢分析的目的是挖掘出一段時間內處于緩慢上升趨勢，但是監測值小于報警門限的瓦斯監測點。

2019年6月5日5時10分，重慶天弘礦業有限責任公司鹽井一礦井下21403風巷C3-4綜合掘進工作面發生1起煤與瓦斯突出事故，造成1人死亡。通過分析該工作面的甲烷傳感器“21403C3-4風巷回風CH4”在事故發生時的監測曲線（圖略）和在事故發生前15 d左右的監測曲線（圖略）可知，該瓦斯監測點的報警門限已設置為0.9，該瓦斯監測點的監測值在事故前15 d的監測值雖然未超過報警門限，但是監測值總體呈現上升趨勢，該監測點事故發生前15 d的每日瓦斯體積分數平均值基本呈遞增趨勢，監測值逐日統計見表2。

表2 監測值逐日統計Table 2 Daily statistics of monitoring value

根據案例分析以及模型訓練結果，瓦斯上升趨勢分析方法如下：

1）分別計算最近15 d的瓦斯體積分數的每日均值、每2 d均值和每3 d均值（調校數據除外）。

2）如果都滿足下列3個條件，那么就判定該點處于上升趨勢：①至少2/3的每日均值是遞增；②至少3/4的每2 d均值是遞增；③后3 d均值大于前3 d均值。

2.2 人員定位數據分析模型

2.2.1 疲勞作業分析

疲勞會造成人的警覺性降低、注意力和記憶力水平下降，進而在井下作業過程中易發生“錯、忘、漏”事件[9]，因此，疲勞是導致井下作業人為差錯的重要原因。根據煤礦井下作業人員的實際作業情況，人員健康狀態、排班制度、人員崗位安排以及睡眠狀況為煤礦的主要疲勞致因。特別是針對煤礦采煤隊和掘進隊，連續作業時長、夜班等因素將直接反映煤礦人員疲勞狀況[10-12]。

可以用煤礦人員疲勞指數來衡量煤礦人員疲勞狀況。煤礦人員疲勞指數F采用加權平均方法來計算，煤礦人員疲勞指數構成及權重見表3。

表3 煤礦人員疲勞指數構成及權重Table 3 The composition and weight of the fatigue indexex of coal mine personnel

1）超時指數F1。統計煤礦作業人員最近30 d入井時長班次占比，設入井時長10～12 h、12～14 h、超過14 h的班次占比分別為a1、b1、c1，根據式（1）計算超時指數F1=0.2f（a1）+0.3f（b1）+0.5f（c1）。

式中：x分別為a1、b1、c1。

2）2班作業間隔指數F2。設煤礦作業人員最近30 d 2班作業時間間隔小于12 h的次數占比為a2，根據式（2）計算2班作業間隔指數F2=f（a2）。

3）夜班指數F3。設煤礦作業人員最近30 d夜班的占比為a3，根據式（3）計算夜班指數F3=f（a3）。

4）連續作業指數F4。設煤礦最近30 d連續作業時間最大的天數與30 d的比例為a4，根據式（4）計算連續作業指數F4=f（a4）。

2.2.2 軌跡相似分析

通過對員工和帶班領導的軌跡數據進行相似性分析，判斷帶班領導是否存在代打卡情況。可根據出入井時間和經過讀卡器時間進行比對分析，計算出人員軌跡相似度。軌跡相似分析流程如圖2。

圖2 軌跡相似分析流程Fig.2 Analysis process of trajectory similarity algorithm

具體步驟如下：①篩選出指定日期的全礦所有的出勤人員信息以及他們的軌跡數據；②獲取當日出勤人員列表和當日帶班領導列表；③遍歷當日帶班領導，將每名領導的軌跡數據與每名員工的軌跡數據進行對比分析，如果2人的入井時間相近（5 min以內）且有85%的時間段是在相同地點，那么就判定2個人的軌跡相似；④保存所有軌跡相似的記錄。

3 系統功能設計與實現

煤礦聯網監測大數據分析系統采用B/S結構開發模式，以.NET為基礎開發平臺，利用C#作為開發語言，采用ASP.NET MVC4+Html5+jQuery作為開發框架，以Microsoft SQL Server 2016數據庫作為數據存儲系統。

本系統采用經典的3層架構，包括數據訪問層、業務邏輯層和表現層。根據5種數據分析模型，本系統包含綜合數據看板、瓦斯專項分析模塊和人員專項分析模塊等功能。

1）綜合數據看板。針對數據分析模型的實時分析結果，采用關鍵指標展示、統計表格以及趨勢柱圖的方式，為監管人員呈現綜合數據看板，使監管人員能夠快速了解整個監管區域內的煤礦異常數據情況，能夠從宏觀層面感知轄區的煤礦安全態勢。

2）瓦斯專項分析。根據煤礦安全監控系統傳感器類型以及安裝地址類型，重點分析瓦斯傳感器在隅角、工作面、進風、回風、磧頭等關鍵位置的監測值分布特征，利用Apache Echarts開源技術，采用散點圖、柱圖和南丁格爾玫瑰圖等可視化手段形象展現瓦斯大數據分析結果[13]。

3）人員專項分析。以人員定位大數據分析結果為基礎，采用面積圖、曲線、柱圖和條形圖等方式，向監管人員直觀展現轄區煤礦井下人員情況、領導帶班情況和井下人員疲勞指數等信息。

煤礦聯網監測大數據分析系統作為安徽煤礦安全監察局煤礦事故風險分析平臺的1個子系統在現場部署應用。通過現場應用表明，自從煤礦聯網監測大數據分析系統部署應用之后，煤礦監管人員不必對著一大堆聯網監測數據無從下手。該系統能夠幫助煤礦監管人員從海量聯網監測數據中迅速鎖定關鍵信息，從而提高了煤礦監管效率。

4 結 語

提出的瓦斯微小波動分析模型、瓦斯偏離均值分析模型、瓦斯上升趨勢分析模型、疲勞作業分析模型和軌跡相似分析模型，是利用大數據分析技術，在海量煤礦聯網監測數據中進行數據挖掘分析，找到價值高的數據，并在煤礦遠程監管監察端搭建大數據分析系統，為煤礦遠程監管監察提供數據“有用”、“有效”的數據挖掘分析結果，促進煤礦監管部門早日實現智能化監管目標。