数据挖掘算法在矿井灾害预警系统的应用

景 娟

（晋能控股煤业集团挖金湾煤业公司，山西 大同 037000）

0 引 言

随着国家关于安全生产的重视，煤矿企业对于安全监控预警系统的投入和研发支出加大。传统的安全预警存在预警信息单一，预警迟缓等问题。对于煤矿井下存在的安全问题不能及时发现和排除，缺少可靠的预警信息[1-2]。煤矿井下的安全生产一定是以预测作为重要的手段，把能够采取的措施在灾难发生之前开展。对于矿井可能的灾害建立一定的模型，预测其发生。引入大数据概念，挖掘不同数据之间的联系，从瓦斯泄露、矿井水、火灾、矿井顶板灾害等事故预防结合，提高煤矿井下安全水平。在预警系统中，引入大数据概念，结合矿井可能存在的危害，进行报警处理，降低风险的发生。

1 大数据与矿井灾害

1.1 大数据概述

大数据（Big Data）属于抽象概念，关于大数据的定义：一种庞大的、超出传统数据分析能力范围的数据集合[3]。开展大数据分析能够找到事务之间的联系，用于工业生产和实际生活中，开展大数据分析能够获得良好的效果。

1.2 矿井灾害大数据特性

煤矿生产过程中，由于煤矿的开采工作会导致大量的其他和固体，产生大量的数据和各种参数。矿井参数包括瓦斯浓度、风速、井下压力、CO 含量、矿井温湿、烟雾等环境参数。煤矿井下不仅包括环境参数，还包括设备参数，煤炭生产量、矿储位、瓦斯抽采量、水仓水位、风机风压、带式输送机开停等机电设备参数。与矿井灾害相关的数据量巨大且种类繁多，与大数据的5V 特性吻合，即大量、多样、高速、价值、真实。分析这些数据所包含的信息及数据之间的关联关系，可得到矿井安全状况、灾害发生的预兆及其影响因素。

2 矿井灾害大数据预警模型

2.1 基于大数据的矿井灾害预警

煤矿井下不同的灾害在发生时，会产生各种不安全的因素和生成物，这些物体的产生很难察觉。采用大数据技术对煤矿井下的各种灾害的发生源进行研究。大数据技术为这方面研究提供了研究方法，通过数据挖掘追求各因素存在的相关关系，以分析数据与过往实例进行对比研究，得出结论，最终达到研究目的-灾害预测。

基于大数据的矿井灾害预警，将大数据与矿井灾害预防机理结合，对煤矿所产生的各种数据进行收集和处理。数据处理完毕后，将其与以往收集的事故发生时的各类数据进行相关比较。通过对比，找出不同参数大小可能引发的灾难，设定一定的参数预警，从而实现煤矿井下安全预警。根据矿井各灾害的不同特点，对数据模型进行设计和预警，考虑灾害的发生，进行大数据预测。矿井灾害预测，这要求在设计灾害预警模型时，全面考虑灾害的情况发生，进行灾害预警。

2.2 基于大数据的煤与瓦斯预警模型

在煤矿井下瓦斯突然发生事故前，一般会有一定形式的前兆，这种前兆可以分为有声和无声2 种不同的形式。主要表现为煤矿井下压力增大、煤矿岩层脱落。根据测量得到的瓦斯浓度、温度、压力等数据，能够计算瓦斯事故前的数据，从而对灾害做出预警。

2.3 基于大数据的矿井水害预警模型

矿井水害属于地质灾害，是因为煤矿井下的煤层被挖掘后导致地质结构发生变化，水的流动受到影响，从而出现的一种灾害性事故。煤矿井下水灾害发生时，井下会出现不正常的状况。根据灾害前的数据监测，对未来可能出现的水灾进行预测。

在煤矿井下，水害发生前会发生挂红、挂汗，即煤矿井下壁周围出现红锈和水蒸气的现象。煤矿井下的有害气体也会增加，煤层发潮发暗、底板鼓起等现象。对于空气湿度、水压等参数都可以用大数据技术处理，与之前进行对比，可以作为灾害预警的判断依据，从而建立预警模型，煤矿井下水害预警模型如图1 所示。

图1 煤矿水害发生的预警模型

2.4 基于大数据的矿井火灾预警模型

煤矿井下的水灾也是一种灾害，这种灾害对于设备和人员都会造成巨大的破坏。严重的时候导致矿场停产，引发瓦斯爆炸，造成人员伤亡。在火灾发生前，会有一定的预警信号，能够抓住这些信号和数据，可以获得矿井火灾的预警。大数据能够分析的火灾数据包括各种可燃气体的含量。煤矿井下的可燃气体达到一定的含量时，在遇到明火的情况下，非常容易发生火灾。有效的数据包括C2H4浓度、O2浓度、C2H2浓度、CO 浓度、气味、电机温度等，对这些重要的数据进行大数据的分析处理，能够对煤矿井下的突发情况做出及时可靠的预警。

2.5 基于大数据的矿井顶板灾害预警模型

矿井顶板事故是井巷掘进、回采过程中的多发性事故。顶板事故会导致人员伤亡和煤矿企业严重的经济损失。借鉴以往的数据可知，矿井顶板事故的发生伴随着很大的规律。顶板出现时，裂缝、漏顶、掉渣等现象都会发生。利用大数据对这些正在发生或者可能发生的情况进行分析，对超过设定标准的参数做出预警。建立大数据顶板灾害预警模型，模型如图2 所示。

图2 煤矿顶板灾害发生的预警模型

3 数据分析及矿井灾害预警步骤

3.1 Apriori 关联算法

当某个事情发生的数据量足够多，这些数据就可以与事件发生建立一种联系，当数据出现时，这种联系的概率增大，大数据就可以以此做出判断。某种关联或相关关系的数据能够使用Apriori 关联算法建立联系，从而做出判断。

Apriori 算法是一种重要的数据挖掘，能够对大数据建立关联，利用最小置信区间进行筛选。筛选过程遵循“逐层搜索，层层淘汰”迭代方式，能够找到最强的关联。各项目的支持度与置信度的算法定义如下[4-5]：

式中：support为支持度；confidencd为置信度；A、B为项集；P为关联函数。

Apriori 算法的基本思想是对所有可能出现的项目进行统计，找出不小于最小支撑项，然后循环处理，直到找不出最大项为止。

3.2 Apriori 在灾害预警中的实现

对某矿井的不同参数进行测试，总计监测4 次，统计结果如表1 所示。统计的都是矿井下变量参数，分别是瓦斯浓度、风量、氧气浓度、风压及温度。

表1 监测结果

1）算法第1 次迭代，对每个项出现的次数统计，每个项属于集合C1，设minsupport＝2，确定集合L1。

2）对L1 进行处理，使其相乘，得项集集合C2。对L2 交叉相乘L2，得项集集合C3。C2 和C3 分别具有最小支持度的项集组成L2 和L3。

3.3 矿井灾害预警步骤

煤矿井下灾害分析的关键问题在于获取最初数据，最初数据和煤矿井下灾害的发生建立某种联系，通过建立的这种联系对可能再次发生的灾害进行预测。为此，数据挖掘算法在矿井灾害预警中的步骤需要获取有效数据，然后依据步骤对可能的灾害做出预警。预警步骤分为5 步，如下所示：

1）设置煤矿井下传感器，获得井下环境数据。

2）将所收集数据通过计算机分类整理，处理完成的数据传输到服务终端。

3）由大数据处理分析监测数据和煤矿井下目前的安全状况。

4）将煤矿井下安全信息反馈至计算机服务器，不同关键岗位的预警信息由管理人员发送。

5）数据接收后，针对存在的隐患问题进行整改，消除煤矿安全隐患。

4 煤矿灾害风险预警模型在A 企业的应用

为了验证所设计的数据挖掘算法在煤矿井下灾害预警的应用，采用A 企业进行检验。将煤矿井下传感器检测的水压、流量、水温等重要参数进行监控，对检测的数据实时显示。当检测数据超过安全范围，系统开启自动报警和语音播报功能。同时，灾害预警模型能够生成和绘制水文曲线，附带其他功能，包括导航查询、监测记录、报警记录和历史曲线模块。

图3 灾害危险源在线检测系统

4.1 火灾预警系统功能与实现

火灾预警系统功能是集实时数据采集、数据分析、数据存储及数据发布。危险预警系统如图4 所示，该火灾预警系统主要采集C2H4浓度、O2浓度、C2H2浓度、CO 浓度，并实现远程监控。对矿井中的气体和危险物的含量进行实时监测，监测结果可以生成图形，方便查询和打印。

图4 火灾危险源实时监测功能

4.2 应用效益分析

将数据挖掘算法应用到A 企业的安全风险预警，能够对灾害及时做出预警。降低了煤矿灾害的发生，水、火、瓦斯、顶板等威胁得以有效解除，瓦斯超限频率显著降低，如表2 所示。

表2 A 公司至年度瓦斯超限情况

5 结束语

建立一种数据挖掘算法灾害预警模型，将大数据技术与瓦斯泄露、矿井水火灾、矿井顶板灾害等危险预防结合，提高煤矿井下安全水平。在预警系统中，引入大数据概念，结合矿井可能存在的危害，进行报警处理。采用Apriori 算法分析不同因素之间的联系，建立一定的规则，作为预警的判断依据，从而做出煤矿井下灾害预警，保证煤矿企业安全生产和工人生命安全。