基于物联网的稀有矿安全生产监管系统研究

张亚妮

(宝鸡职业技术学院，陕西 宝鸡 721013)

1 概 述

矿山安全监管系统是确保矿山企业正常运行的必要设施，其稳定性和安全性对于矿业企业的正常生产和区域生态安全至关重要[1]。针对这种情况相关学者研究了矿山开采过程中的安全生产监管体系，利用当前先进的物联网、云计算等技术，结合实际的矿山生产模型实现实时监管。利用数学模型实现矿山安全生产监管在文献[2-4]中均有相应的研究，主要提出了基于支持向量回归集合矿山监测数据进行潜水线预测；以及基于灰色理论和支持向量机应用于矿坝位移和潜水线的预测，基于矿坝位移和潜水线监测结果，为矿坝稳定性分析和可靠性预测提供了一种新的方法；TANG Y等[5]提出了水位变化引起的地下水响应问题的一般近似方法，并研究了具有倾斜水—陆边界的Boussinesq方程的近似解析解，可用于在确定不同条件下的潜水线来观测孔的实测数据的矿坝水位。同时相关研究人员还利用地理信息系统(GIS)中的高精度EDM高程测量技术来检测稀有矿生产过程中的矿坝的沉降，并建立沉降监测数据模型，探讨沉降规律，预测沉降变化趋势。

而对于稀有矿生产过程中的安全评价工作，传统采用安全系数法和随机可靠性法则在实时监测中是无效的，这是由于安全系数法不能考虑参数的随机性；而尽管随机可靠性方法考虑了参数的随机性，但由于在实际项目中重复试验的工作量巨大且成本高，常常假定或通过简单的计算获得变异系数，而不考虑时间相关性。为了解决实时监测问题，相关专家研究了基于区间理论的结构，当样本数量稀少时，区间值可以更好地反映参数值的不确定性，从而减少对数据信息的需求；本文在实现安全监管系统中采用安全系数，随机可靠度和区间非概率可靠度综合评价稀有矿安全生产的稳定性。传统的矿产安全生产监管的方法基本基于矿坝体的应力和水位，然而该模式不具备评估稳定性条件的功能，借助物联网、云计算、无线传感器网络以及人工智能等先进技术，能够实时的将矿坝的各项关键数据进行采集回传，因此在对监测数据进行分析和预测发展趋势的基础上，采用数值模拟的方法对尾矿坝的未来状况进行评估，从而构建稀有矿的安全生产监管系统[6-7]。

本文以利用传感器探测潜水线、监测孔水位、内外变形、水库水位等影响稀有矿生产稳定性的无线网络系统，构件基础信息库。在云平台中，首先利用人工智能的方法基于实时监测数据预测潜水线的未来状态；其次，将潜水线方程纳入数值模型，求解出安全系数、随机可靠度、区间非概率可靠度等关键稳定性参数。在应用系统中，结合关键稳定性参数和实时监测变形趋势，以及裂缝扩展情况，可以对稀有矿的安全生产情况进行预警。

2 系统架构介绍

本文提出了基于物联网和云计算的稀有矿实时监测与数值模拟的安全生产监管系统，通过物联网和信息中心开发了综合监测安全情况，预警在矿山生产过程中可能发生的危害。首先通过稀有矿特定地点铺设多种类型的无线传感器，将相应的数据通过互联网接收并上传到云计算平台；然后，通过计算参数和指标，由云计算平台进行处理，这对于稀有矿安全生产过程中的实时性安全分析是非常必要和重要的；最后，计算结果将应用于各种应急指挥系统。系统架构采用四层架构，如图1所示，分别为传感层，物联网层，云计算层和应用层。

图1 系统架构

1)传感层

传感层不仅是基础层，也是系统的基本层，包括静水压力监测，上游降雨监测，水位监测，干滩长度监测，水平位移监测，内部变形和应力监测，渗漏监测，裂缝监测和沉降监测等。从水位传感器，水压传感器，位移传感器，应力传感器等各种传感器获得反映和解释物理情况的大量数据。传感层采用的传感器是无线传感器，可以作为无线传感器网络的节点，具有低功耗和时间同步的特点。另外，传感器件通过无线介质连续数十个小时相互通信，具有稳定的感知效果。

2)物联网层

物联网层是安全生产监管系统的第二层，由感知控制，数据采集，无线接入，无线传感器网络，分布式站点，时间同步时钟等组成。根据接收到的来自传感层的数据，数据可以通过互联网上传到云计算平台进一步处理。因此，物联网层是传感层和云计算层之间的连接桥，随着无线传感器网络，分布式站点和无线网络的应用，数据传输的速度和稳定性将有明显的提高，这正是稀有矿安全生产监管系统实现的基础。

3)云计算层

云计算层包括潜水线预测，极限状态方程，数值模拟，安全系数，随机可靠性和区间非概率可靠性等。利用物联网层传输的数据，通过云计算平台可以解决潜水线，安全系数，随机可靠性，间隔非概率可靠性等重要参数。此外，这些计算结果也存储在这个云计算平台上，意味着计算结果可以在需要时从平台下载。

4)应用层

应用层作为系统的顶层，包括应急指挥、预警系统，矿体可视化系统和应急救援计划等。根据云计算平台的输出结果，按照国家的相应安全制度，安全程度分为三级，即一级预警，二级预警，三级预警：一级表示轻度安全隐患，二级表示中等安全隐患，三级表示严重安全隐患。

3 系统关键算法实现

传感器网络布置为监测矿体在生产过程中的物理数据，获取监测点位移、监测点沉降、监测孔水位等的数据。如图2所示为常见的矿坝的组成图。

图2 矿坝结构

通过灰色模型(Grey Model，GM)和通用回归神经网络耦合模型(Generalized Regression Neural Network，GRNN)对观测孔水位数据进行训练，预测潜水线，具体耦合过程如图3所示。

图3 耦合流程

具体步骤介绍如下：

1)建立GM(1,1)模型进行数据训练，数据包含了矿坝监测时间和监测孔水位；

2)根据得到的灰色模型，可以解决矿坝监测孔未来水位变化的问题，然后，将获得预测序列；

3)以预测值，坝高和库水位为输入数据，以监测孔初始水位数据为预期，对广义回归神经网络进行训练。根据待预测月份的灰色预测值，坝高和水库水位，得到相应的水位输出因子，即网络输出；然后，可以建立GRNN模型。由于网络的性能也受到平滑因素的影响，所以通过重复计算来确定最优值；

4)在建立的GRNN模型中，输入待预测年份的灰色模型预测值，坝高和水库水位时，可以获得具有足够精度的监测孔水位预测值；然后，潜水线的预测将顺利完成。

以下介绍潜水线预测方程，即安全生产监管系统中的核心算法，主要参数包括安全系数、随机可靠性和区间非概率可靠性。如图4所示为通用稀有矿模型结构图，滑动面、坡度和潜水线的方程分别为f(x)，g(x)和ω(x)，W表示由潜水线，坡度和滑动面建模部分的面积，D表示该区域上的液压力，液压力到滑动面中心的臂是L1。h1i和h2i分别表示潜水线上下垂直矿井的长度，c和φ是凝聚力和内在摩擦力。γ、γw和γsat是矿井的平均单位重量，水的单位重量和矿井的饱和单位重量。

图4 通用稀有矿模型结构

滑动面的方程表示：

f(x)=135-[168.282-(x-75)2]0.5

斜率的方程可以表示如下：

潜水线的方程可以表示如下：

根据以上对矿坝结构的分析，利用云平台可解决安全系数、随机可靠性和区间非概率可靠性问题。在实际的检测过程中，各类型传感器获取的数据代入预测模型中即可获取矿井的安全运行的预警信息。

4 结 论

随着信息技术的不断发展，利用物联网技术解决矿井开采过程中安全生产监管的任务成为业界的主要手段。本文提出一种基于四层架构的稀有矿安全生产监管系统架构，并对各层的主要组成进行了介绍，引入灰色模型和通用回归神经网络耦合模型作为监管预警的预测模型，提出了模型自学习的实现流程以及相关理论依据，为后期的系统实现提供了合理的理论依据。

参考文献：

[1] ZHANG H, ZHAO Y, LI X. Research on monitoring of tailing reservoirsbased on the Internet of Things——A case study of huangmailingphosphorus chemical tailing reservoir[J]. Saf. Environ. Eng., 2015, 22(6): 143-150.

[2] JIANG Q, TANG Y. A general approximate method for the groundwaterresponse problem caused by water level variation[J]. J. Hydrol., 2015(529): 398-409.

[3] GUO S X, LU Z Z. A non-probabilistic robust reliability method foranalysis and design optimization of structures with uncertain-but-boundedparameters[J]. Appl. Math. Model., 2015, 39(7): 1985-2002.

[4] NI B Y, JIANG C, HAN X. An improved multidimensional parallelepipednon-probabilistic model for structural uncertainty analysis[J]. Appl. Math. Model., 2016,40(7-8): 4727-4745.

[5] TANG Y, JIANG Q, ZHOU C. Approximate analytical solution to theBoussinesq equation with a sloping water-land boundary[J]. Water Resour.Res., 2016, 52(4): 2529-2550.

[6] HAN G, LIU L, CHAN S, et al. HySense: A hybridmobile CrowdSensing framework for sensing opportunities compensationunder dynamic coverage constraint[J]. IEEE Commun. Mag., 2017, 55(3): 93-99.

[7] LIU R, WANG J. Internet of things: Application and prospect[C]. in Proc.MATEC Web Conf., Zhengzhou, China, 2017.