基于K线图理论的瓦斯异常模式诊断研究

魏连江，胡青伟，梁 伟，任 飞

（中国矿业大学 安全工程学院，江苏 徐州 221116）

目前，K线图广泛应用于金融行业，并逐步延伸移植至矿业、桥梁、地震预测、房产及农贸市场等多个行业，并取得一定成果[1-5]。K线图对海量数据存储方式、相关指标的衍生、趋势规律清晰直观等优势逐渐被其他行业研究者所认可。对于矿井瓦斯监测数据而言，受煤层内部和井巷外部复杂多变环境的影响，瓦斯监测数据呈现出趋势性、周期性、相关性等较难处理的复杂特[6]，故在矿井瓦斯异常模式诊断研究中引入K线图理论，并与现有理论分析技术相结合共同研究，可为瓦斯数据监测预警领域提供一种新的研究方法。

1 瓦斯K线图理论

1.1 K线图表示

将矿井瓦斯监测数据平分成若干个单位时间为tu的相邻单元段，在其中任一单元段内存在以下变量，开始值Copen，最小值Clow，最大值Chigh，结束值Cclose，其为绘制单根K线图的基础数据，缺一不可。单根K线中间的矩形称为实体，实体以上的细线为上影线，实体以下的细线为下影线。容易得知，实体的长短代表开始值与结束值之间的差值大小。开始值低于结束值代表了此周期内数值的上升，为阳线，实体部分用白色表示；开始值高于结束值代表了此周期内数值的下降，这种K线称为阴线，实体部分用黑色表示，具体K线图表示方式如图1。

图1 K线图表示方式

矿井瓦斯K线图兼具颜色、实体大小、影线长短、单元时间4个方面内容并各具含义。依据单元时间tu的不同可将K线化分为分钟K线、小时K线、日K线及周K线等。单根K线图能够反映单元时间内瓦斯涌出浓度的变化趋势，还可基于多种组合K线模式，综合分析矿井瓦斯趋势及异常模式。

1.2 K线基础数据转化

现代矿井监测监控系统数据库基本采用变值变态的记录方式。变值变态即在测点数值或状态改变时才更新1条新的记录。与定时记录相比，变值变态记录方式具有2方面优势：①当监测值没有变动或变动极小时，无需重复记录相同值，传输便捷、节省内存；②当监测值出现较快，较大幅度变动时，又可详细记录每一变化的细节，而定时记录方式则存在重复记录与遗漏记录等问题。

变值变态记录方式的瓦斯监测数据在转化为K线图时存在界限不清晰、均值难以准确计算等问题，所以需要将变值变态的数据提取出以每分钟为单位时间的开始值Copen、最小值Clow、最大值Chigh、结束值Cclose，为后续的K线图生成、程序编写奠定基础。将变值变态记录的瓦斯监测数据转化K线图基础数据 Copen、Clow、Chigh、Cclose的算法思路不再赘述。

2 瓦斯监测数据K线

在研究分析时间序列时，总希望能够发现其在不同时段的形态特征有何关联，这种关联关系一般表现为时间序列中频繁出现的变化模式与极少出现的变化模式，其中后者出现的变化模式称之为异常模式[7]。在矿井瓦斯监测监控领域，异常模式的发现对于研究者来说往往更有价值。煤矿井下环境复杂多变，会导致瓦斯监测数据呈现不同的瓦斯异常模式，深入分析各类异常模式是瓦斯监测数据趋势预测研究的前提与基础。传统研究异常模式都是基于监测数据的实时曲线，或对监测数据进行相关数理分析等，因此，从全新角度出发，基于K线图原理对瓦斯时异常模式进行总结分析。通过回顾和整理国内外研究成果，总结出瓦斯时间序列异常模式主要有煤与瓦斯突出、炮后瓦斯涌出、局部通风装备故障、传感器探头校验等模式[8-10]。

2.1 煤与瓦斯突出

矿井采掘过程中，在极短时间内，从煤、岩层内以极快的速度向采掘空间内喷出煤（岩）和瓦斯称为煤与瓦斯突出。某采煤工作面2个测点瓦斯监测浓度K线图如图2。

图2 煤与瓦斯突出瓦斯监测浓度K线图

从图2可知，突出发生时均是大阳线形态，即在短暂时间（单位时间tu）内出现了迅猛上升势头。在煤与瓦斯突出发生前，总会出现异常情况，如图2（a）中出现的倒锥子线、图2（b）中小阳线等都是异常情况，不同于正常状态下的瓦斯K线表现形态。在瓦斯监测过程中，如能将此数据异常捕捉到，再结合其他突出判定指标，对于瓦斯突出的准确预警会有一定提升。

2.2 炮后瓦斯涌出

掘进工作面放炮后巷道内瓦斯涌出量会在短期内出现较大波动。某掘进工作面瓦斯涌出监测浓度K线图如图3。从图3可观测出当掘进工作面放炮后，瓦斯浓度会在短时内迅速上升，呈现出双阳线或三连阳组合K线形态，待其升至峰值后又以四连阴或五连阴的K线形态缓慢回落，此时即是掘进通风稀释瓦斯的过程。最终，回归至瓦斯正常涌出范围内波动。

2.3 局部通风装备故障

掘进工作面风量不足会造成瓦斯含量上升而发生超限报警，称此瓦斯异常模式为局部通风装备故障[3]。局部通风装备故障瓦斯浓度K线图如图4。

图4（a）为掘进工作面碛头传感器监测K线图，图4（b）为掘进工作面回风传感器监测K线图，两者为同一工作面。局部通风装备故障模式在碛头与回风不同位置监趋势有所不同，在碛头位置瓦监测浓度是缓慢上升，表现为小阳线、中阳线连续攀升至峰值，然后迅速下降，表现为大阴线、中阴线为主，最终趋于正常浓度范围内波动延伸；在回风位置瓦斯监测浓度上升趋势与在碛头位置一致，呈小阳线或中阳线的连续较慢上升，而下降不同，此位置下降趋势并非大阴线形态，而是出现小阴线与中阴线的连续较慢回落至正常范围。

图3 炮后瓦斯涌出监测浓度K线图

图4 局部通风装备故障瓦斯浓度K线图

2.4 瓦斯传感器校验

煤矿井下复杂恶劣环境造成传感器零点漂移的现象，为达准确监测，需要定期对传感器进行校验。瓦斯传感器探头校验K线图如图5。

图5 瓦斯传感器探头校验K线图

图5中表现特征相似，即倒锥子线或倒T型线的单根K线形态，表明在单位时间内出现异常突变，瓦斯监测浓度快速上升至2%左右后快速回落。

3 瓦斯K线异常诊断

煤矿安全管理对于井下瓦斯超限报警高度关注，如能准确辨识瓦斯异常报警原因，及时感知井下作业环境，则对于煤矿安全生产决策具有重要作用。目前煤矿针对此瓦斯超限报警都是人工调出瓦斯异常监测曲线进行分析总结，时效性不强。故提出煤矿井下瓦斯异常K线图诊断问题，研究瓦斯异常模式K线图形态特征，确立相关准则进行异常原因诊断，辅助煤矿安全监控人员快速识别井下瓦斯超限报警原因，及时作出正确决策。

3.1 确立诊断准则

从瓦斯监测数据K线图中对几种瓦斯异常模式进行分析研究，可发现每种瓦斯异常段具有以下特点：①每条异常段都包含至少1次超限报警信号，即大于0.8%（通过煤矿实地调研分析，设定报警浓度为0.8%）；②K线图单元时间tu不固定，即异常段持续时间不固定；③每段瓦斯K线图以中阳线、小阳线、中阴线及倒T形态等为主要形态。

依据上述分析及图表统计，确定相关瓦斯K线图诊断准则，对上文总结的4种瓦斯异常模式辨识分类。作如下定义：每条瓦斯K线异常段有n根K线组成；首次超限的单根阳线记为p，其附近记为k1段；峰值的单根阳线记为q，其附近记为k2段。通过对大量瓦斯异常K线图基础数据统计与分析，再结合各瓦斯异常K线模式的形态特征，最终确定各瓦斯K线异常模式具体诊断准则及主要特征，瓦斯K线异常模式形态特征见表1。

表1 瓦斯K线异常模式形态特征

3.2 数据准备及算法分析

矿井瓦斯异常监测数据的收集主要为查阅相关文献，调研煤矿现场及提取监测监控数据库3方面，其中对PDS煤矿、LYZ煤矿、ZY煤矿、XZZ煤矿及SHJ煤矿考察调研，直接获取以上煤矿安全监测监控系统数据库中海量存储数据，进而附加至本地实验室服务器sqlsever 2008数据库中。

对上述3方面获取的数据进行分析与筛选，最终确定105条矿井瓦斯异常时间序列，即煤与瓦斯突出6条、炮后瓦斯涌出6条、局部通风装备故障6条、瓦斯探头校验31条及其他异常数据56条。将105条瓦斯异常时间序列转化为OHLC型数据并简要数据处理即完成实验数据准备。基于表1的诊断准则及瓦斯K线异常数据特征，确立瓦斯K线异常诊断算法并进行编程实验。

3.3 实验与分析

基于Visual Studio 2013开发平台，运用VB.NET程序语言实现了上述的瓦斯异常K线诊断算法，建立了瓦斯异常K线诊断程序，具体代码不再赘述。通过对105条矿井瓦斯K线异常序列进行混合诊断，结果表明，在目前主流配置的计算机上可实现瓦斯异常分类辨识，准确率达到93.33%。由于实验数据来自5个不同矿井的监测监控系统，普适性较强，具体瓦斯K线异常诊断结果见表2。

4 结 论

1）提出了矿井瓦斯K线图基础数据生成算法。结合井下复杂多变环境与瓦斯监测实况，对单根瓦斯K线进行由表及里的描述与分析，重点研究分析大阳线、锥子线与倒锥子线、旋转陀螺K线、一字K线、T型线与倒T型线6组单根K线形态。

2）总结出瓦斯时间序列异常模式主要有煤与瓦斯突出、炮后瓦斯涌出、局部通风装备故障及传感器探头校验，并基于K线原理、应用实测数据从全新角度对瓦斯异常模式进行了分析，得出煤与瓦斯突出时呈大阳线形态，炮后瓦斯涌出呈两连阳或三连阳形态等。

3）确立瓦斯异常K线诊断准则，并运用VB.NET编程语言建立了瓦斯异常K线诊断系统。通过对105条不同矿井瓦斯K线异常序列进行混合诊断，结果表明，准确率达到93.33%，普适性较强。