浅谈大数据在煤矿安全领域的应用——“智慧矿井”

朱红青 梁 晓 史宇辰

中国矿业大学（北京） 资源与安全工程学院

1 从大数据到“智慧矿井”

我们处于一个数据爆炸的时代，数据量从TB到PB加速增长，麦肯锡全球研究所报告《大数据：创新，竞争和生产力的下一个前沿》中称：数据，已经渗透到当今的各个行业和业务职能领域，成为一项重要的生产因素。通过对于海量数据的挖掘和运用，势必会带来新一波生长率的增长，也标志着可以利用大数据提前预测和发现新的规律和事物发展趋势[1]。

目前大数据渗透在各行各业，从医疗健康领域的“谷歌流感趋势预测”到社会管理领域的“美国大选候选人预测”再到与人们息息相关的物联网，都是大数据的应用。在煤炭安全领域大数据的应用甚少。如在《“互联网+”时代煤矿大数据应用分析》一文中，论文作者对煤矿大数据潜在价值的挖掘利用做了基础性的分析和探究[2]；在《煤矿安全生产大数据分析与管理平台设计研究》一文中，论文作者在理论层面给出了煤矿大数据分析模型，并设计了煤矿安全生产大数据分析与管理平台的功能架构与技术架构[3]。纵观国内的煤矿大数据研究现状，缺乏技术的实现和应用，落地成果寥寥无几。

2010年IBM在《智慧城市白皮书》中提出“智慧城市”一词，即智慧城市策略就是在城市发展过程中，充分利用信息通信技术，智慧的感知、分析、集成和应对地方政府在行使经济调节、市场监管、社会管理和公共服务政府职能的过程中的相关活动与需求，创造一个更好的生活、工作、休息和娱乐环境[4]。2012年，国家推出首批智慧城市试点名单。同理，矿井是一个“缩小且复杂”的城市体系。矿井中包含一个城市系统组成的基本要素：基础设施——地面地下工程、设备设施等；公民——煤矿工人；道路交通——运输线路；工业管路；还有岩体煤层水体通风供电等等。同时煤矿开采属地下作业，生产系统复杂，环节众多，地质条件频繁变化。采掘工作面的推进及随时移动等使井下的环境、生产和安全问题更为复杂。由此可以把“智慧城市”的概念引申过来提出“智慧矿井”的概念。

“智慧矿井”即按照科学的矿井开发理念，利用新一代信息技术，在物联网的基础上，对矿井安全生产事故数据进行分析整合，发掘事故发生前各种要素的相关性，建立预测模型，在对矿井监测监控数据、生产自动化数据和紧急救援数据的实时反馈和分析下，为各种险情和事故处理做出智能的监控和响应，形成预警，有效降低损失和伤亡，打造安全、智慧、高效的矿井。

2 大数据引入煤炭安全行业切实可行

2.1 大数据早已存在于煤矿安全生产中

大数据早已存在于煤矿安全生产中，煤矿安全生产管理中所用的安全生产法律法规、煤矿安全开采规范、安全规程等都是基于大量现场实践、事故教训数据积累得来的。一次煤矿安全生产事故产生大量的数据，包括危险源辨识和评价，生产中的各种台账，人员不安全行为记录，职工违章行为、类型，事故类型及事故前的各种征兆等。

煤矿安全管理的数据已具备大数据4V特征，即：规模性（Volume）——产生和积累了PB级的数据量；多样性（Variety）——台账、检查记录、图纸等纸质类数据及视频监控录像、音频等数据；快速性（Velocity）——生产各环节的视频监控系统、井下瓦斯浓度监测监控系统、人员定位系统等都需要快速实时的处理各种监测数据；价值性（Value）——挖掘数据间的相关关系，从而发现事故规律，对事故进行预警。煤矿数据分类，见表1。

表1 煤矿数据分类

2.2 大数据是相关性分析，不求因果关系

煤矿灾害预警是避免瓦斯、水害、火灾、设备故障等事故发生，减少人员伤亡和财产损失的有效措施。从目前的研究来看，人们还没有完全掌握煤与瓦斯突出、顶板事故、水害事故等事故的发生机理，还不能利用现在掌握的规律建立准确可靠的预警模型来预测此类事故。而大数据研究的一个特点就是研究事件间的相关性，而不是因果关系，只需要研究相关数据间的关联性来预测发展趋势和结果，不需要研究煤矿事故发生的原因和作用规律。用大数据研究煤与瓦斯突出、顶板、水害、火灾等事故的预警方法，只需要通过大量的事故分析，采集事故发生前相关因素的信息，研究哪些数据变化并呈现某种变化趋势时，就可能引发煤与瓦斯突出、顶板、水害、火灾等事故，而不需要研究并明确煤与瓦斯突出、顶板、水害、火灾等事故的发生机理。

将大数据应用于煤矿安全生产，对煤矿中大量的历史数据进行挖掘学习，从而发现事故规律和事故发生前某些因素和事故的相关关系，数据量越多，数据间隐含的相关关系也越清晰，也就越容易挖掘我们需要的信息。再通过对监控监测数据实时的监控分析，建立预警模型，提高预警水平。

2.3 物联网在煤矿安全生产管理中的普及和应用扩充着数据库（如图1）

图1 大数据和矿井物联网

随着煤矿上传数据的积累和现代矿业全自动化系统建设，物联网在煤炭行业的广泛应用，煤矿安全生产管理相关数据也将出现数据爆炸现象，特别是煤矿井下环境、灾害、人员活动系统，复杂且多变，数据越多，也就越容易建立起煤矿事故灾害的预测预警模型，预警预报也就越准确[5]。

3 2012～2016年煤矿事故统计分析

随着煤矿生产机械化、自动化和信息化程度的提高，煤矿监控监测、通信与避难系统的推广应用，2012年后煤矿安全形势明显好转，事故起数、死亡人数、百万吨死亡率均大幅下降。故统计2012～2016年最近5年的煤矿安全事故数据进行分析。根据国家煤矿安全监察局煤矿事故查询系统，按事故类别统计分析了2012～2016年全国煤矿事故，但由于系统一般事故数据的统计不全以及地方小煤窑瞒报，会造成数值上的误差[6]。但死亡人数超过3人及以上的事故均有记录，故统计煤矿较大、重大和特别重大安全生产事故作为样本。

根据2012～2016年《全国煤矿事故分析报告》，本文按照事故类别分析了2012～2016年全国煤矿安全生产事故，见表2。5年期间，我国煤矿共发生死亡3人以上事故193起，死亡1365人。其中，瓦斯事故76起，死亡743人，事故起数和死亡人数分别占39.4%和54.4%，事故起数和死亡人数均最多；顶板事故42起，死亡162人，分别占21.8%和11.9%，事故起数位居第2，死亡人数位居第3；水害事故30起，死亡204人，分别占15.5%和14.9%，事故起数位居第3，死亡人数位居第2；中毒事故17起，死亡100人，分别占8.8%和7.3%，事故起数和死亡人数均位居第4；运输事故10起，死亡55人，分别占5.2%和4.0%，事故起数和死亡人数均位居第5；2012～2016年全国煤矿各类事故起数占比，如图2。2012～2016年全国煤矿各类事故死亡人数占比，如图3。

图2 2012～2016年煤矿安全事故起数占比统计

图3 2012～2016年煤矿安全事故死亡人数占比统计

综上，瓦斯事故起数和死亡人数最多，煤矿开采生产过程中瓦斯突出和爆炸发生频繁，且极易造成群死群伤，其作用机理目前尚不清晰；顶板事故位列其次，一次顶板事故造成的人员伤亡不多，但顶板事故发生频繁，其累积危害大。近几年水害事故发生频繁；但综合来看煤矿各类事故起数和死亡人数均大幅下降；瓦斯和顶板事故起数所占比例仍然比较大。以下主要探讨大数据在煤与瓦斯突出、顶板、水害、火灾等事故预警方面的应用。

3.1 煤与瓦斯突出事故预警

研究表明，煤与瓦斯突出事故发生前，瓦斯涌出量、瓦斯浓度和环境温度等会发生明显变化，因此，通过井下各处设置的瓦斯浓度传感器、温度传感器、风速传感器监测井下瓦斯浓度、环境温度、风速等。分析这些数据的变化和趋势与煤与瓦斯突出事故的相关性。瓦斯涌出量可以根据瓦斯浓度、风量、落煤量等进行计算。环境温度与监测的环境温度、风速、进风温度、设备开停、排风量等有关。此外，还可以研究瓦斯含量、瓦斯压力、采掘位置、赋存条件、地质构造等与煤与瓦斯突出事故的关系，建立预警模型，进行煤与瓦斯突出预警[7]。

表2 2012～2016年全国煤矿各类安全生产事故起数及死亡人数

例：瓦斯浓度监控监测传感器监测到瓦斯浓度超限并且浓度增加很快时，就会发出煤与瓦斯突出预警。监测到瓦斯浓度超限的同时，根据瓦斯浓度、风压风速以及井下人员所处的位置等信息，还可以进行瓦斯扩散的趋势和所用的时间分析。利用井下人员定位系统，计算当前最优逃生路线，并自动发送逃生预案。

3.2 顶板事故预警

顶板事故在煤矿事故中占的比例很大，虽不像瓦斯事故造成群死群伤的严重损失，但其发生频率高，累计起来危害也很大。顶板事故预警模型可以借鉴大数据桥梁专项研究——城市生命线安全运行监测。在顶板上设置多个监控监测点，研究顶板压力变化、导致顶板事故时压力变化的趋势和应力应变等，建立预测预警模型。

3.3 火灾事故预警

根据燃烧的三要素分析，煤矿火灾事故发生时，矿井发火处的温度、CH4浓度、C2H4浓度、C2H2浓度等和氧气浓度会发生变化，且伴随发光发热的现象并有气味发出。因此，通过大数据研究，研究温度、湿度、气味、CH4C2H4、C2H2浓度、氧气浓度等与煤矿发火的关系，提出预警模型，当环境温度、氧气浓度以及瓦斯浓度达到预设的临界值时，系统发出火灾预警信号，进行煤矿发火预警。

3.4 水害事故预警

近几年煤矿水害事故发生频率变高，矿井水害主要是由于在开采的过程中碰到了断层水、采空区水、开采作业水、地表水等不同的水源且无法正常排出造成的。通过查阅有关资料，煤矿水害事故发生前，矿井涌水量和水压等会发生明显变化。首先对水位、水压、水泵流速、排水量、排水管路状况等相关信息进行收集，基于大数据研究分析，监测流量、水位和排水量的变化，研究涌水量，通过水压传感器，研究水压的变化及发生水害时水压变化的趋势等与水害事故的关系，建立预警模型，进行水害预警。

4 结论

在煤炭安全行业引入大数据切实可行，随着传统数据的积累和现代矿业全自动化系统建设，物联网在煤炭行业的应用，煤矿安全生产管理相关数据也将出现数据爆炸现象，数据越多，也就越容易建立起煤矿事故灾害的预测预警模型，预警预报也就越准确。利用大数据分析数据间的相关关系，对瓦斯事故、顶板事故、水害事故等可以建立起有效可靠的预测预警模型，再通过小数据样本进行拟合模拟来检测预警模型的准确性。这些模型可以在各种险情和事故前做出智能的响应，从而有效地降低人员的伤亡和财产损失，使打造“智慧矿井”成为现实，使矿井生产更安全更高效。

[1] 麦肯锡全球研究院.Big Data: the Next Frontier for Innovation, Competition and Productivity[EB/OL].(2011-6)[2017-10-31].https://www.mckinsey.com/mgi/overview

[2] 王海军,武先利.“互联网+”时代煤矿大数据应用分析[J].煤炭科学技术,2016,44(2):139-143

[3] 刘香兰.煤矿安全生产大数据分析与管理平台设计研究[J].煤炭工程,2017,49(6):32-35

[4] IBM.智慧城市白皮书.[EB/OL].(2014-3)[2017-10-31].http://www.ibm.com/smarterplanet/cn/zh/smarter_cities/overview/

[5] 薛志明.“大数据”引入煤矿安全生产管理的可行性分析[J].神华科技,2016,(2):16-18

[6] 安宇,李丹.2008年～2014年我国煤矿事故统计分析及防治措施[J].煤矿现代化,2016,(1):56-59

[7] 孙继平.煤矿事故分析与煤矿大数据和物联网[J].工矿自动化,2015,(3):1-5