數據挖掘算法在礦井災害預警系統的應用

景 娟

（晉能控股煤業集團挖金灣煤業公司，山西 大同 037000）

0 引 言

隨著國家關于安全生產的重視，煤礦企業對于安全監控預警系統的投入和研發支出加大。傳統的安全預警存在預警信息單一，預警遲緩等問題。對于煤礦井下存在的安全問題不能及時發現和排除，缺少可靠的預警信息[1-2]。煤礦井下的安全生產一定是以預測作為重要的手段，把能夠采取的措施在災難發生之前開展。對于礦井可能的災害建立一定的模型，預測其發生。引入大數據概念，挖掘不同數據之間的聯系，從瓦斯泄露、礦井水、火災、礦井頂板災害等事故預防結合，提高煤礦井下安全水平。在預警系統中，引入大數據概念，結合礦井可能存在的危害，進行報警處理，降低風險的發生。

1 大數據與礦井災害

1.1 大數據概述

大數據（Big Data）屬于抽象概念，關于大數據的定義：一種龐大的、超出傳統數據分析能力范圍的數據集合[3]。開展大數據分析能夠找到事務之間的聯系，用于工業生產和實際生活中，開展大數據分析能夠獲得良好的效果。

1.2 礦井災害大數據特性

煤礦生產過程中，由于煤礦的開采工作會導致大量的其他和固體，產生大量的數據和各種參數。礦井參數包括瓦斯濃度、風速、井下壓力、CO 含量、礦井溫濕、煙霧等環境參數。煤礦井下不僅包括環境參數，還包括設備參數，煤炭生產量、礦儲位、瓦斯抽采量、水倉水位、風機風壓、帶式輸送機開停等機電設備參數。與礦井災害相關的數據量巨大且種類繁多，與大數據的5V 特性吻合，即大量、多樣、高速、價值、真實。分析這些數據所包含的信息及數據之間的關聯關系，可得到礦井安全狀況、災害發生的預兆及其影響因素。

2 礦井災害大數據預警模型

2.1 基于大數據的礦井災害預警

煤礦井下不同的災害在發生時，會產生各種不安全的因素和生成物，這些物體的產生很難察覺。采用大數據技術對煤礦井下的各種災害的發生源進行研究。大數據技術為這方面研究提供了研究方法，通過數據挖掘追求各因素存在的相關關系，以分析數據與過往實例進行對比研究，得出結論，最終達到研究目的-災害預測。

基于大數據的礦井災害預警，將大數據與礦井災害預防機理結合，對煤礦所產生的各種數據進行收集和處理。數據處理完畢后，將其與以往收集的事故發生時的各類數據進行相關比較。通過對比，找出不同參數大小可能引發的災難，設定一定的參數預警，從而實現煤礦井下安全預警。根據礦井各災害的不同特點，對數據模型進行設計和預警，考慮災害的發生，進行大數據預測。礦井災害預測，這要求在設計災害預警模型時，全面考慮災害的情況發生，進行災害預警。

2.2 基于大數據的煤與瓦斯預警模型

在煤礦井下瓦斯突然發生事故前，一般會有一定形式的前兆，這種前兆可以分為有聲和無聲2 種不同的形式。主要表現為煤礦井下壓力增大、煤礦巖層脫落。根據測量得到的瓦斯濃度、溫度、壓力等數據，能夠計算瓦斯事故前的數據，從而對災害做出預警。

2.3 基于大數據的礦井水害預警模型

礦井水害屬于地質災害，是因為煤礦井下的煤層被挖掘后導致地質結構發生變化，水的流動受到影響，從而出現的一種災害性事故。煤礦井下水災害發生時，井下會出現不正常的狀況。根據災害前的數據監測，對未來可能出現的水災進行預測。

在煤礦井下，水害發生前會發生掛紅、掛汗，即煤礦井下壁周圍出現紅銹和水蒸氣的現象。煤礦井下的有害氣體也會增加，煤層發潮發暗、底板鼓起等現象。對于空氣濕度、水壓等參數都可以用大數據技術處理，與之前進行對比，可以作為災害預警的判斷依據，從而建立預警模型，煤礦井下水害預警模型如圖1 所示。

圖1 煤礦水害發生的預警模型

2.4 基于大數據的礦井火災預警模型

煤礦井下的水災也是一種災害，這種災害對于設備和人員都會造成巨大的破壞。嚴重的時候導致礦場停產，引發瓦斯爆炸，造成人員傷亡。在火災發生前，會有一定的預警信號，能夠抓住這些信號和數據，可以獲得礦井火災的預警。大數據能夠分析的火災數據包括各種可燃氣體的含量。煤礦井下的可燃氣體達到一定的含量時，在遇到明火的情況下，非常容易發生火災。有效的數據包括C2H4濃度、O2濃度、C2H2濃度、CO 濃度、氣味、電機溫度等，對這些重要的數據進行大數據的分析處理，能夠對煤礦井下的突發情況做出及時可靠的預警。

2.5 基于大數據的礦井頂板災害預警模型

礦井頂板事故是井巷掘進、回采過程中的多發性事故。頂板事故會導致人員傷亡和煤礦企業嚴重的經濟損失。借鑒以往的數據可知，礦井頂板事故的發生伴隨著很大的規律。頂板出現時，裂縫、漏頂、掉渣等現象都會發生。利用大數據對這些正在發生或者可能發生的情況進行分析，對超過設定標準的參數做出預警。建立大數據頂板災害預警模型，模型如圖2 所示。

圖2 煤礦頂板災害發生的預警模型

3 數據分析及礦井災害預警步驟

3.1 Apriori 關聯算法

當某個事情發生的數據量足夠多，這些數據就可以與事件發生建立一種聯系，當數據出現時，這種聯系的概率增大，大數據就可以以此做出判斷。某種關聯或相關關系的數據能夠使用Apriori 關聯算法建立聯系，從而做出判斷。

Apriori 算法是一種重要的數據挖掘，能夠對大數據建立關聯，利用最小置信區間進行篩選。篩選過程遵循“逐層搜索，層層淘汰”迭代方式，能夠找到最強的關聯。各項目的支持度與置信度的算法定義如下[4-5]：

式中：support為支持度；confidencd為置信度；A、B為項集；P為關聯函數。

Apriori 算法的基本思想是對所有可能出現的項目進行統計，找出不小于最小支撐項，然后循環處理，直到找不出最大項為止。

3.2 Apriori 在災害預警中的實現

對某礦井的不同參數進行測試，總計監測4 次，統計結果如表1 所示。統計的都是礦井下變量參數，分別是瓦斯濃度、風量、氧氣濃度、風壓及溫度。

表1 監測結果

1）算法第1 次迭代，對每個項出現的次數統計，每個項屬于集合C1，設minsupport＝2，確定集合L1。

2）對L1 進行處理，使其相乘，得項集集合C2。對L2 交叉相乘L2，得項集集合C3。C2 和C3 分別具有最小支持度的項集組成L2 和L3。

3.3 礦井災害預警步驟

煤礦井下災害分析的關鍵問題在于獲取最初數據，最初數據和煤礦井下災害的發生建立某種聯系，通過建立的這種聯系對可能再次發生的災害進行預測。為此，數據挖掘算法在礦井災害預警中的步驟需要獲取有效數據，然后依據步驟對可能的災害做出預警。預警步驟分為5 步，如下所示：

1）設置煤礦井下傳感器，獲得井下環境數據。

2）將所收集數據通過計算機分類整理，處理完成的數據傳輸到服務終端。

3）由大數據處理分析監測數據和煤礦井下目前的安全狀況。

4）將煤礦井下安全信息反饋至計算機服務器，不同關鍵崗位的預警信息由管理人員發送。

5）數據接收后，針對存在的隱患問題進行整改，消除煤礦安全隱患。

4 煤礦災害風險預警模型在A 企業的應用

為了驗證所設計的數據挖掘算法在煤礦井下災害預警的應用，采用A 企業進行檢驗。將煤礦井下傳感器檢測的水壓、流量、水溫等重要參數進行監控，對檢測的數據實時顯示。當檢測數據超過安全范圍，系統開啟自動報警和語音播報功能。同時，災害預警模型能夠生成和繪制水文曲線，附帶其他功能，包括導航查詢、監測記錄、報警記錄和歷史曲線模塊。

圖3 災害危險源在線檢測系統

4.1 火災預警系統功能與實現

火災預警系統功能是集實時數據采集、數據分析、數據存儲及數據發布。危險預警系統如圖4 所示，該火災預警系統主要采集C2H4濃度、O2濃度、C2H2濃度、CO 濃度，并實現遠程監控。對礦井中的氣體和危險物的含量進行實時監測，監測結果可以生成圖形，方便查詢和打印。

圖4 火災危險源實時監測功能

4.2 應用效益分析

將數據挖掘算法應用到A 企業的安全風險預警，能夠對災害及時做出預警。降低了煤礦災害的發生，水、火、瓦斯、頂板等威脅得以有效解除，瓦斯超限頻率顯著降低，如表2 所示。

表2 A 公司至年度瓦斯超限情況

5 結束語

建立一種數據挖掘算法災害預警模型，將大數據技術與瓦斯泄露、礦井水火災、礦井頂板災害等危險預防結合，提高煤礦井下安全水平。在預警系統中，引入大數據概念，結合礦井可能存在的危害，進行報警處理。采用Apriori 算法分析不同因素之間的聯系，建立一定的規則，作為預警的判斷依據，從而做出煤礦井下災害預警，保證煤礦企業安全生產和工人生命安全。