PSO-SVM模型在掘進工作面突出預警系統中的應用

李鑫靈，袁 梅，2，董 洪，陳國洪，許石青，2，隆能增

（1.貴州大學 礦業學院，貴州 貴陽 550025；2.復雜地質礦山開采安全技術工程中心，貴州 貴陽 550025；3.貴州林華礦業有限公司，貴州 畢節 551700）

由于煤與瓦斯突出的發生機理復雜，各影響因素間相互作用、彼此制約，導致工作面突出預警面臨較大困難，如何有效實現突出風險快速、準確預警是當前亟待解決的難題。隨著突出前兆特性研究的不斷深入，部分學者發現突出發生前總伴隨著工作面瓦斯體積分數異常波動的前兆現象[1-2]，可通過研究瓦斯體積分數的變化信息來實現采掘工作面的突出風險的實時預測，該種預測方式具有數據來源準確、時效性較好等優勢，是突出風險實時預測的研究熱點之一[3-4]，肖丹[5]利用灰色理論構建了基于瓦斯異常涌出的灰色預警模型；鄧明[6]在研究突出孕育階段瓦斯涌出量的動態變化特征及其內在聯系的基礎上，建立了多層次預警指標體系及突出預警的數學模型；關維娟[7]、陳亮[8]利用瓦斯體積分數變化特征構建了突出預警指標并開發了突出實時預警系統；楊艷國[9]對工作面瓦斯體積分數序列指標進行綜合評判，結合瓦斯涌出異常辨識模型，實現了突出危險性分級預警。但上述研究缺乏對具體掘進面突出主控影響因素及建立瓦斯體積分數特征變化的突出預警指標的針對性研究。對于海量監測數據與突出風險間的內在關聯信息挖掘深度不足，缺少高效、智能的預警判據確定方法，所建預警系統未能與預測模型有效融合，導致預警系統針對井下各類傳感器反饋的海量大數據信息堆積的計算能力弱且智能化程度較低的不足，在一定程度上制約了突出預警的可靠性及準確度。針對上述問題，從地應力、瓦斯及物理力學性質3方面出發，根據工作面瓦斯異常涌出的突出前兆規律構建反映“三因素”變化狀態的突出實時預警指標體系，借助數據挖掘算法建立突出預警模型，借助Spark大數據平臺開發掘進面突出預警系統，為高效準確預警提供理論指導。

1 煤與瓦斯突出實時預警指標體系

1.1 掘進工作面概況

選取貴州金沙某礦掘進工作面作為研究對象，工作面埋深為359～441 m，煤層傾角為10°，平均煤層厚度為3.3 m，平均煤層瓦斯含量為16.38 mL/g，工作面設計長度為1 264 m。在掘進過程中，該工作面容易遇到隱伏斷層，地質構造比較復雜，且該煤層的瓦斯含量較高，曾經發生過多次煤與瓦斯突出事故，突出危險性較大。

前人研究表明，當掘進工作面通風條件穩定、風量變化較小時，工作面瓦斯體積分數受地應力、瓦斯及煤體物理力學性質共同作用的影響，且突出前瓦斯涌出特征的異常變化包含上述因素隨采掘作業的推進而引起的時空演化信息，可實時反映工作面前方煤體的狀態變化信息。

1.2 實時預警指標體系

根據工作面瓦斯涌出特征，建立了綜合體現地應力、瓦斯及煤體物理力學性質變化規律的突出實時預警指標體系。

式中：GT為地應力系數；ST為周期瓦斯平均體積分數；Sn為移動平均線；Si為在時刻i時的瓦斯體積分數；i為某時間段內的記錄數；n為統計周期內循環數；m為記錄值的個數。

2）瓦斯體積分數。當風量穩定時，工作面掘進頭新暴露煤面的瓦斯體積分數易受前方煤體的瓦斯含量（壓力）及滲透條件的影響，故將工作面的瓦斯體積分數作為基礎參數反映瓦斯指標的對煤與瓦斯突出影響程度。

3）瓦斯涌出系數N。當工作面的落煤工藝與煤的破壞類型不變時，其落煤瞬間瓦斯最高體積分數M就取決于煤層瓦斯含量，故將M與Sn之比N作為反映周期內工作面前方瓦斯含量（壓力）動態變化的指標，其計算公式如下：

4）乘冪系數j。根據煤的解吸特征研究結論可知，煤的解吸規律[10]一般遵循式（3）：

式中：V為t時刻煤的瓦斯解吸速度；V1是t1時刻煤的瓦斯速度；kt為負指數；t為解吸時間。

積分后得出乘冪方程如下：

式中：Q為累計瓦斯體積分數；α為常數；j為乘冪系數。

而同一煤樣在不同瓦斯壓力下，kt與j是不變的，僅與煤體破壞類型有關；當j減小時，煤體的破壞程度增加，造成落煤瞬間巷道瓦斯體積分數升高，衰減速度加快，突出危險性增加。因此通過j來間接表征煤體結構類型對突出發生的影響。

5）偏離率DT。偏離率DT表示當前時刻T的瓦斯體積分數偏離移動平均線的程度，偏離率越高表明該時刻瓦斯體積分數與下一時刻瓦斯體積分數的發展趨勢一致性越低，異常程度也越大。計算公式如下：

其次，兜底條款并非著作權法設權的基礎性規則，而是法定類型的從屬規則。只有在主要權利類型不能適用時，從屬規則才有適用的空間。法院在適用法律時，既要保護權利人的合法權益，同時也要給予社會公眾某種程度的關懷。因為利益平衡始終是著作權保護的重要支點。? 孔祥俊著：《網絡著作權保護法律理念與裁判方法》， 中國法制出版社2015年版，第3頁。著作權法一方面要維護權利人的合法權益；另一方面也要促進知識的廣泛傳播，保障作品使用者的利益。易言之，對于被訴行為，法官首先應當尋找法律明確規定的條文進行適用，在法律條文未明確規定且通過法律解釋仍不能適用的情形下，再適用兜底條款。

式中：DT為偏離率；T為當前時刻。

6）標準差S。標準差S可靈敏地反映工作面瓦斯體積分數值偏離正常值時的異常變化，標準差越大，表明瓦斯體積分數異常變化的幅度越大，突出危險性越高。

式中：S為標準差；S軈為在統計周期內的平均瓦斯體積分數。

2 基于數據挖掘的突出預警模型

2.1 突出預警模型的構建

由于煤礦井下傳感器監測的數據量龐大，在監測過程中易受作業復雜環境因素影響，導致采集的數據含噪性較高、易產生錯漏和缺失，因此在選用數據挖掘算法進行分析預測時，需考慮算法的適用性。對比常用數據挖掘算法后發現，神經網絡算法對輸入樣本的質量要求較高，預測結果不穩定；決策樹算法對缺失樣本數據敏感，易忽略數據間的關聯；樸素貝葉斯算法的運算框架復雜，學習及訓練效率較低，不適用于突出風險實時預測；而支持向量機SVM算法只需少數支持向量便可決定最終結果，還可迅速抓住關鍵樣本、“剔除”大量冗余樣本，且算法編程簡單，具有較好的“魯棒”性，預測精度較高，對突出危險性實時預測的適用性較強。

但SVM算法的核函數對整個模型的影響較大，核函數的基本參數控制著SVM的經驗風險和置信范圍[11]，而人為選取核函數參數取值易造成模型運算速度慢、預測結果不穩定等問題。因此，利用PSO不易陷入局部最優、粒子搜索范圍大的優勢增強SVM模型的全局搜索范圍，重新分配解空間，引導粒子群跳出局部最優加速收斂，從而獲得最佳、最穩定的預測結果。將PSO及SVM 2種算法的應用特點相結合建立基于數據挖掘的突出風險預警模型。

模型的具體流程描述為：①收集需預測掘進工作面的原始瓦斯體積分數數據，獲取煤與瓦斯突出風險識別指標數據；②對突出風險指標數據進行預處理，隨機將數據分為訓練集及測試集，其中80%的數據為訓練集，20%的數據為測試集，隨機抽取后輸入模型，將測試集數據作為結果測試的驗證；③運用粒子群算法對支持向量機算法的參數C、g進行尋優計算，先設置粒子群算法的初始參數，根據適應度函數計算粒子最佳位置，并記錄其對應的最佳位置，從而獲得最優的C、g參數組合；④把優化后的C、g參數賦予支持向量機算法，訓練樣本輸入至SVM算法進行訓練，通過不斷更新C、g初始取值，不斷提高PSO算法的迭代精度，當迭代精度達到最佳精度則訓練完成，并保存PSO-SVM模型；⑤將測試樣本輸入訓練好的PSO-SVM模型，該模型的分類器進行預測分類后輸出最終的分類預測結果，觀察預測結果和實際結果的誤差和預測等級的擬合程度，并進行評價。PSO-SVM突出預警模型運行流程如圖1。

圖1 PSO-SVM突出預警模型運行流程Fig.1 Outburst risk prediction model based on PSO-SVM

2.2 突出預警等級標簽劃分原則

由于前述所建模型在進行數據挖掘時需提前設定所需的分類學習對象，即實時預警指標數據的對應突出預警等級，故參考《防治煤與瓦斯突出規定》[12]將掘進工作面的整個掘進過程劃分為安全、威脅及危險3個突出預警等級，突出預警等級劃分原則見表1，其中p為瓦斯壓力；W為瓦斯含量；K1為鉆屑瓦斯解吸指標；Smax為鉆屑量；Q為風排瓦斯量。

表1 突出預警等級劃分原則Table 1 Principle of outburst early warning classification

其劃分原則主要根據該礦現有的日常防突預警指標及工作面在采掘過程中實際發生的突出動力現象規定各等級的劃分原則。且該礦在區域防突中工作面突出風險預測主要是依據煤層瓦斯壓力p和煤層瓦斯含量W進行預測，局部防突則主要是依據K1值和鉆屑量Smax進行突出風險預報。而按照《礦井瓦斯抽采達標暫行規定》[13]掘進工作面絕對瓦斯涌出量大于3 m3/min的礦井必須進行瓦斯抽采，實現抽采達標，且在掘進過程中，一條巷道的絕對瓦斯涌出量在數值上等于風排瓦斯量Q，同時根據貴州?。?019］147號文件規定[14]煤層瓦斯參數達到消突判定標準80%以上。

2.3 突出預警模型的訓練及結果分析

為驗證實時預警指標體系及所建突出預警模型的準確性，收集了該掘進面2019年4月至5月的瓦斯體積分數監測數據，根據上述突出等級劃分原則，以0.5 h為日常防突預測指標及突出動力現象的控制時長，篩選其中最具代表性的1 059組實時預警指標數據及相應的突出預警等級標簽，導入預警模型進行訓練及預測，其中安全、威脅及危險3個突出預警等級依次用數字1、2、3表示，掘進工作面突出實時預警指標數據見表2。

設置PSO算法初始參數，設置種群數量為40、迭代次數為100，輸入標準化后的表2數據進行PSO-SVM模型訓練，將共1 059組數據隨機切分成3份，每份數據抽取80%作為訓練集，剩余20%為測試集用于驗證模型預測精度，模型準確率為3份數據對應的平均值，測試集迭代精度如圖2，測試集結果與實際結果對比如圖3。

表2 掘進工作面突出實時預警指標數據Table 2 Outburst real-time warning index data of heading face

圖3 測試集結果與實際結果對比Fig.3 Comparison of test set results with actual results

由圖2可知，在迭代過程中，PSO算法種群適應度在第56次迭代時達到最佳迭代精度，迭代的速度較快，收斂性較強，比較適合SVM算法的參數尋優。在預測結果中顯示測試集的樣本訓練精度的最佳為92%，分類預測精度較高。

從圖3可知，測試集樣本的預測等級與實際的突出風險等級重疊性較高，表明PSO算法在尋找SVM算法最優組合參數時，可有效地降低和避免陷入局部最優。另外，PSO-SVM模型在搜索全局最優解的過程中表現出較好的迭代性能和更高的分類準確率，適合該工作面的突出預警。

3 掘進工作面突出預警系統應用

3.1 系統功能設計及開發

由于突出事故發生的復雜、瞬時性，單純的非接觸式的突出預警已很難滿足礦井智能化需求，而礦井監測監控系統每天都會采集如瓦斯、風速傳感器等各類海量數據，若上述數據的計算仍在單機中進行，會產生計算量大，耗時及浪費資源等缺陷。為提高突出預警模型的計算速度及效率，在設計煤與瓦斯突出預警系統時引入Spark大數據平臺作為并行計算框架來加強對數據的計算及模型的調用。

Spark大數據平臺目前在礦業領域應用比較少，而Spark平臺在迭代計算、交互式查詢及突出實時預警指標等流式數據處理等工作及模型的加載上擁有優越的性能，主要優勢為[15]：運算速度快、易于實現、通用性強、運行模式多樣及容錯性高等，比較適用于突出預警系統的開發。因此在突出預警模型的基礎上，結合Spark大數據平臺，并借助Python程序設計語言、MyAQL數據庫及Amazeui可視化等計算機編程技術開發集成用戶管理、數據管理、模型管理、Spark配置、風險識別、實時風險報警、礦井管理及系統說明8個系統功能模塊的突出預警系統。

用戶管理可實現注冊、賬戶編輯管理等功能；礦井管理主要對工作面基本數據信息進行管理；系統說明則提供系統的版本信息、記錄系統的更新日志及Bug反饋等。數據管理模塊主要功能是將實時預警指標監測數據導入至MySQL數據庫進行存儲；模型管理模塊則將上述構建的突出預警模型嵌入系統中，對儲存在數據庫的指標數據進行抽取，并在后臺分別加載PSO-SVM模型與SVM模型，在調整模型參數后對數據進行智能化訓練，輸出最優的精度結果并進行對比。

Spark配置模塊主要為系統的模型調用、數據計算提供平臺，在系統中配置Spark基本環境和設置Spark的基本運行參數，能確保模型調用更順暢、數據計算快捷。Spark環境參數配置流程如圖4。

圖4 Spark環境參數配置流程Fig.4 Spark environment parameter configuration process

風險識別模塊的主要作用是將系統中的多個模塊串聯起來，形成一套集新數據導入、數據訓練、數據可視化及風險報警的風險預測功能；實時數據風險報警模塊能將當天工作面的實時預警指標數據趨勢清晰呈現、并展示預警等級、報警提醒。

3.2 系統應用實例

為檢驗系統的突出預警效果，選用了該工作面2019年8月17日全天24 h的實時預警指標數據，利用數據管理中的數據導入功能將上述實時預警指標數據輸入數據庫中，借助Spark大數據平臺加載訓練完成的突出預警模型，并通過風險識別模塊對實時預警指標數據及預警等級進行可視化展示。該系統將當天突出預警指標的監測數據以折線圖的形式進行了可視化展示，并根據每一時刻的數據信息快速進行突出預警。

系統中瓦斯體積分數曲線在當天13:00—16:00時劇烈波動，忽大忽小的異常涌出現象明顯，并且其他指標數據曲線的波動特征與瓦斯體積分數曲線波動特征相對應。而在當天的10：30—12：30時段內，系統的預警結果均為2級（即威脅等級），與該工作面早班在10：30—12：30測定的K1值指標數據等級一致，此時工作面繼續往前掘進，系統于13：33發出工作面危險等級報警，而工作面于13：55突然發生突出動力現象，系統的突出預警結果與工作面的實際出現的突出動力現象情況相一致，且在此次預警中該系統在工作面開始出現突出動力現象的前22 min就已發出危險等級情況下的預警信息，印證該系統在現場應用的可靠性、準確性。

4 結語

1）從地應力、瓦斯及煤體物理力學性質3方面出發，根據工作面突出3因素與瓦斯體積分數的突然升高或“忽大忽小”的異常涌出的煤與瓦斯突出前兆特征關系，建立包括地應力系數、瓦斯體積分數、瓦斯涌出系數、乘冪系數、變動率及標準差6個風險識別指標的掘進工作面突出實時預警指標體系。

2）經數據挖掘算法對比分析，綜合SVM、PSO 2種算法特點，構建了數據挖掘算法的掘進面突出預警模型，將貴州某礦掘進工作面1 059組突出指標數據導入模型進行智能化學習及訓練，深入挖掘預警指標數據與預警等級之間關系，運算結果該預警模型測試集的預測精度為92%，預警準確性較高。

3）為實現模型的迅速調用及大量監測數據的快速運算，將Spark大數據平臺與突出預警模型融合，開發了掘進面突出預警系統，包括用戶管理、數據管理、模型管理、Spark配置、風險識別、實時數據風險報警、礦井管理及系統說明8個模塊。

4）為驗證系統預警效果，將該掘進工作面2019年8月17日全天的預警指標數據導入數據庫，調用突出預警模型分析該天的預警指標數據及預警等級的可視化結果，并對預警系統進行了應用效果檢驗。運行結果表明，系統比當天掘進工作面發生突出動力現象提前22 min進行報警。