CN106246226A

CN106246226A - 一种矿井瓦斯涌出异常的识别方法

Info

Publication number: CN106246226A
Application number: CN201610687338.8A
Authority: CN
Inventors: 董丁稳
Original assignee: Xian University of Science and Technology
Current assignee: Xian University of Science and Technology
Priority date: 2016-08-18
Filing date: 2016-08-18
Publication date: 2016-12-21
Anticipated expiration: 2036-08-18
Also published as: CN106246226B

Abstract

本发明公开了一种矿井瓦斯涌出异常的识别方法，将井下不同位置监测点的监测数据序列作为随机变量建立变量集，建立置信网络结构；再将各变量均匀离散化成取值区间；采用最小二乘法完成网络学习，并计算网络参数来定量表示各监测点位置瓦斯流量大小的依赖程度；再计算联合概率以及每个监测点的监测数据序列在不同取值区间上后验概率最大值，判断瓦斯涌出整体水平，最后通过概率推理计算得出瓦斯监测数据取值的最大后验概率，结合历史监测数据统计特征分析判断瓦斯涌出异常情况。本方法的计算结果有效且可靠，适用于现有煤矿安全监测监控系统产生海量监测数据条件下的大数据处理及安全预警应用。

Description

一种矿井瓦斯涌出异常的识别方法

【技术领域】

本发明属于煤矿安全监测与监控技术，具体涉及一种矿井瓦斯涌出异常的识别方法，基于安全监测监控系统实时数据的大数据处理及安全预警应用。

【背景技术】

瓦斯灾害是对矿井生产危害程度最大的灾害之一，严重威胁着煤矿安全生产，目前的矿井安全监测监控是煤矿现场预防瓦斯灾害的重要手段，而安全监测信息的处理与利用也成为了瓦斯灾害预防与控制技术体系中的重要方向。煤矿井下机电、材料硐室等重要地点和采掘工作面等重要区域是井下瓦斯监测的关键位置，传感器以设定监测周期源源不断的向监控主机传输瓦斯监测数据，从而为以大数据处理为手段的安全信息利用创造了基础条件。通过对大量瓦斯监测数据处理来提取瓦斯涌出规律，进而分析瓦斯涌出异常对于瓦斯灾害的预防有着重要的现实意义。

目前的瓦斯监测数据处理与利用研究主要集中在监测数据处理方法、瓦斯灾害信息特征提取和潜在规律挖掘等方面，研究较多采用了时间序列分析方法，主要包括回归分析法、灰色理论与方法、混沌理论、分形理论与方法、机器学习方法、信息融合等等。时间序列分析方法本身的缺陷是没有考虑到通风巷道中瓦斯流动特征，并且针对短期瓦斯浓度预测的精度难以控制，现有方法大多以单一监测点瓦斯监测数据形成的时间序列为对象进行建模，未考虑地质、生产、通风三类重要因素对瓦斯涌出的影响，及其在多因素影响下通风巷道中瓦斯浓度的变化情况，其计算精度的控制能力无法保证，难以提交现场应用。

【发明内容】

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种矿井瓦斯涌出异常的识别方法，推演采掘工作面等井下重要区域瓦斯涌出异常的情况，以提升瓦斯监测信息利用的效率。

本发明采用以下技术方案：一种矿井瓦斯涌出异常的识别方法，其特征在于，包括以下步骤：

S1、将井下不同位置监测点的监测数据序列作为随机变量建立变量集D，以监测点位置的上下游关系建立置信网络结构；

S2、根据步骤S1建立的置信网络结构，将各变量均匀离散化成4个取值区间；

S3、根据步骤S2的取值区间，采用最小二乘法完成网络学习，并计算网络参数来定量表示各监测点位置瓦斯流量大小的依赖程度；

S4、根据步骤S3的网络参数，计算联合概率P以及每个监测点的监测数据序列在不同取值区间上其它各变量的后验概率最大值，判断工作面区域瓦斯涌出大小的整体水平，以及不同位置瓦斯涌出大小的变化；

S5、通过计算工作面和上隅角监测点实时瓦斯监测数据取值的最大后验概率，并与工作面和上隅角监测点历史瓦斯监测数据取值的最大后验概率对比分析，识别瓦斯涌出异常情况用于瓦斯预警。

进一步的，所述步骤S1具体为：将各监测点瓦斯监测数据序列x_t转化为瓦斯流量数据序列Q_t建立变量集D，将变量集D＝{Q_j,Q_z,Q_s,Q_h}按顺序a＝{Q_j,Q_z,Q_s,Q_h}依次加入网络建立置信网络结构，其中，t＝1,2,…，Q_t＝x_t×v×S，v为风速，S为巷道断面积，Q_j为进风巷监测数据序列，Q_z为工作面监测数据序列，Q_s为上隅角监测数据序列，Q_h为回风巷监测数据序列。

进一步的，所述建立置信网络结构具体为：首先加入Q_j，依据通风巷道中流体的流动特征确定Q_z依赖于Q_j，即π(Q_z)＝{Q_j}，并从Q_j画一条有向边到Q_z，以此类推加入其它变量，直至加入变量Q_h，Q_j经过虚拟点Q_x与Q_h连接，Q_x表示实际矿井中可能存在的其它专用巷道。

进一步的，对Q_j离散化处理得到Q_j∈{q_jk|k＝1,2,…,4}，q_j为Q_j离散化后的取值区间，通过历史监测数据统计，计算网络参数P(Q_h|Y)，其中，Y＝{Q_j,Q_z,Q_s}。

进一步的，所述联合概率P(Q_h∈q_hk)具体为：

P (Q_{h}) = \underset{Q_{j}, Q_{z}, Q_{s}}{Σ} P (Q_{j}, Q_{z}, Q_{s}, Q_{h}) = P (Q_{j}) P (Q_{z} | Q_{j}) p (Q_{s}) P (Q_{z} | Q_{s}) \times P (Q_{z}) P (Q_{h} | Q_{z}) \times P (Q_{z} | Q_{j}, Q_{s}) - - - (1)

其中，q_h为Q_h离散化后的取值区间，k表示取值区间序号，Q_h在不同取值区间上，其它各变量的后验概率最大值为Y＝{Q_j,Q_z,Q_s}，y_k表示其它三个变量数据离散化后的取值区间。

进一步的，以Q_h在某个取值区间上，Q_s∈q_sk，后验概率具体为：

P (Q_{h} &Element; q_{h k} | Q_{s} &Element; q_{s k}) = \frac{P (Q_{j}, Q_{z}, Q_{s} &Element; q_{j k}, q_{z k}, q_{s k})}{P (Q_{h} &Element; q_{h k})} - - - (2)

其中，q_sk表示Q_s离散化后的第k个取值区间，q_zk表示Q_z离散化后的第k个取值区间，q_jk表示Q_j离散化后的第k个取值区间。

进一步的，所述后验概率具体计算方法为：

设b＝{P(Q_j)P(Q_z|Q_j)p(Q_s)P(Q_z|Q_s)P(Q_z)P(Q_h|Q_z)×P(Q_z|Q_j,Q_s)}是网络中所有概率，首先从b删除包含变量Q_j的函数，生成函数ψ₁＝p(Q_j)P(Q_z|Q_j)P(Q_z|Q_j,Q_s)，将函数ψ₁加入b中得b＝{ψ₁(Q_j,Q_z,Q_s),p(Q_s),P(Q_z|Q_s),P(Q_z),P(Q_h|Q_z)}；

然后删除包含Q_z的函数生成函数ψ₂＝ψ₁(Q_j,Q_z,Q_s)P(Q_z|Q_s)P(Q_z)P(Q_h|Q_z)，将函数ψ₂加入b中得b＝{ψ₂(Q_j,Q_z,Q_s),P(Q_s)}；

然后删除包含Q_s的变量，生成函数ψ₃(Q_j,Q_z,Q_s)即为P(Q_h)。

进一步的，所述步骤S5中，

当且若x_z＞μ_z+1.96σ_z，表明工作面瓦斯涌出异常；

当且时，若x_s＞μ_s+1.96σ_s，表明采空区向工作面瓦斯涌出异常；

当且若x_h＞μ_h+1.96σ_h表明该区域内整体瓦斯涌出异常应当查明原因并采取应对措施；

其中，表示工作面监测点瓦斯监测数据在其取值区间上的最大后验概率均值，表示上隅角监测点瓦斯监测数据在其取值区间上的最大后验概率，p_z表示工作面监测点包含实时监测值的样本在其取值区间上的最大后验概率，p_s表示上隅角监测点包含实时监测值的样本在其取值区间上的最大后验概率，x_z表示实时工作面瓦斯监测值，x_s表示上隅角实时瓦斯监测值，x_h表示回风巷实时瓦斯监测值。

进一步的，其特征在于，用条件概率表示不同位置瓦斯浓度之间的因果关联关系，上游监测点瓦斯浓度升高引起下游监测点瓦斯浓度增高，当工作面与采空区瓦斯涌出增大超出历史数据95％置信区间时即为小概率事件，出现瓦斯涌出异常。

进一步的，所述识别方法能够与监测主机联机实时判定工作面瓦斯涌出异常情况并进行预警。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种矿井瓦斯涌出异常的识别方法，在考虑多因素影响的情况下，充分利用历史监测数据统计特征、用网络结构表示瓦斯流动过程中，不同监测点位置瓦斯浓度大小的依赖关系，并用网络参数定量表示了不同监测点位置之间瓦斯浓度大小的依赖程度，采用概率推理方法得出瓦斯涌出异常情况，不仅可以反映出工作面区域内瓦斯浓度变化的整体水平，而且可以定量分析不同位置瓦斯涌出增大对整个区域内瓦斯浓度大小的影响程度，概率推理方法的计算结果有效且可靠，适用于现有煤矿安全监测监控系统产生海量监测数据条件下的大数据处理及安全预警应用。

进一步的，通过对进风巷、工作面、上隅角和回风巷的数据监测，用条件概率表示不同位置瓦斯浓度之间的因果关联关系，上游测点瓦斯浓度升高会引起下游测点瓦斯浓度增高，而当工作面与采空区瓦斯涌出增大超出历史数据95％置信区间时即为小概率事件，出现瓦斯涌出异常。

进一步的，联合概率的分解计算简化了概率推理计算的复杂度，置信网络可完成双向推理，在本发明的网络结构中，既可以通过推理计算分析工作面、上隅角监测点瓦斯浓度变化引起回风流中瓦斯浓度变化的程度，也可以通过反向推理计算后验概率，定量分析回风流中瓦斯浓度增大后，其它监测点瓦斯浓度变化大小，即溯源分析。并且可以与监测监控主机联机实时判定工作面瓦斯涌出异常，为瓦斯浓度预警提供依据。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

【附图说明】

图1为本发明工作面瓦斯监测点置信网络结构；

图2为本发明流程图；

图3为工作面瓦斯监测数据序列示意图图；

图4为工作面监测点布置示意图；

图5为工作面瓦斯涌出异常分析结果示意图。

【具体实施方式】

本发明提供了一种矿井瓦斯涌出异常的识别方法，为有效分析煤矿井下采掘工作面等重要区域的瓦斯涌出异常情况，从井巷结构中瓦斯流动特征出发，将工作面区域内的瓦斯监测点看作整体，建立瓦斯监测数据的因果分析模型，以置信网络中的节点代表监测点，以网络中的边代表监测点瓦斯流量的因果关系，基于监测数据离散化，以先验概率来定量表示监测点瓦斯涌出特征，以条件概率表示监测点之间瓦斯流动特征，采用概率推理计算一定置信水平下监测点瓦斯流量来识别小概率瓦斯浓度值，确定瓦斯涌出异常情况，采用该方法可与安全监测监控主机联机，实现实时在线的瓦斯浓度预警。

请参阅图1和图2所示，本发明公开了一种矿井瓦斯涌出异常的识别方法，包括以下步骤：

S1、将井下不同位置监测点的监测数据序列作为随机变量建立变量集D，依据通风巷道中瓦斯流动特征,以监测点位置的上下游关系建立置信网络结构；

工作面作为井下重要区域，瓦斯涌出、流动、积聚规律比较复杂，但总体遵循质量守恒定律，即进入工作面区域的瓦斯流量与该区域内瓦斯涌出量之和等于流出该区域的瓦斯流量，从而将该区域内各监测点瓦斯监测数据序列x_t,t＝1,2,…，转化为瓦斯流量数据序列Q_t,t＝1,2,…，Q_t＝x_t×v×S，v、S分别为风速和巷道断面积，针对目前普遍采用的“U型”通风工作面，用数据集D＝{Q_j,Q_z,Q_s,Q_h}表示该进风巷、工作面、上隅角、回风巷4个监测点的监测数据序列，依据以下方法建立置信网络，通过概率推理分析瓦斯涌出异常。

(1)网络结构建立

将D中各监测数据序列看作随机变量{Q_j,Q_z,Q_s,Q_h}，按顺序a＝{Q_j,Q_z,Q_s,Q_h}开始将变量依次加入网络，首先加入Q_j，依据通风巷道中流体的流动特征可知Q_z依赖于Q_j，即π(Q_z)＝{Q_j}，并从Q_j画一条有向边到Q_z，以此类推加入其它变量，直至加入变量Q_h时，网络中包含Q_j,Q_z,Q_s,Q_h，从而构建了置信网络如图1所示，图中Q_x为虚拟点，表示实际矿井中可能存在的其它专用巷道，置信网络结构定性表示了不同监测点位置之间瓦斯流量大小的因果关系。

网络学习具体为：

依据网络结构的建立，首先对各变量均匀离散化成4个取值区间，如对Q_j离散化处理得到Q_j∈{q_jk|k＝1,2,…,4}，q_j为Q_j离散化后的取值区间。

S3、根据步骤S2的取值区间，采用最小二乘法完成网络学习，通过历史监测数据统计，得出网络参数，P(Q_h|Y)，Y＝{Q_j,Q_z,Q_s}，定量表示各监测点位置瓦斯流量大小的依赖程度，即用条件概率定量表示不同监测点位置瓦斯浓度在某个范围内变化引起其它监测点位置瓦斯浓度变化的可能性，概率值越大表明依赖程度较强，反之亦然。

网络推理具体为：

计算联合概率P(Q_h∈q_hk)，并计算Q_h在不同取值区间上，其它各变量的后验概率最大值y_k表示其它三个变量数据离散化后的取值区间，计算方法如下：

①联合概率

P (Q_{h}) = \underset{Q_{j}, Q_{z}, Q_{s}}{Σ} P (Q_{j}, Q_{z}, Q_{s}, Q_{h}) = P (Q_{j}) P (Q_{z} | Q_{j}) p (Q_{s}) P (Q_{z} | Q_{s}) \times P (Q_{z}) P (Q_{h} | Q_{z}) \times P (Q_{z} | Q_{j}, Q_{s}) - - - (1)

②后验概率

以Q_h在某个取值区间上，以Q_s∈q_sk为例，

P (Q_{h} &Element; q_{h k} | Q_{s} &Element; q_{s k}) = \frac{P (Q_{j}, Q_{z}, Q_{s} &Element; q_{j k}, q_{z k}, q_{s k})}{P (Q_{h} &Element; q_{h k})} - - - (2)

其中，q_sk表示Q_s离散化后的第k个取值区间，q_zk表示Q_z离散化后的第k个取值区间，q_jk表示Q_j离散化后的第k个取值区间，

式(2)中P(Q_j,Q_z,Q_s∈q_jk,q_zk,q_sk)和式(1)中的P(Q_h)计算方法一致，采用下述方法计算：

设b＝{P(Q_j)P(Q_z|Q_j)p(Q_s)P(Q_z|Q_s)P(Q_z)P(Q_h|Q_z)×P(Q_z|Q_j,Q_s)}是网络中所有概率，首先从b删除包含变量Q_j的函数，生成函数ψ₁＝p(Q_j)P(Q_z|Q_j)P(Q_z|Q_j,Q_s)，将函数ψ₁加入b中得b＝{ψ₁(Q_j,Q_z,Q_s),p(Q_s),P(Q_z|Q_s),P(Q_z),P(Q_h|Q_z)}；然后删除包含Q_z的函数生成函数ψ₂＝ψ₁(Q_j,Q_z,Q_s)P(Q_z|Q_s)P(Q_z)P(Q_h|Q_z)，将函数ψ₂加入b中得b＝{ψ₂(Q_j,Q_z,Q_s),P(Q_s)}，然后删除包含Q_s的变量，生成函数ψ₃(Q_j,Q_z,Q_s)即为P(Q_h)。

S5、通过计算工作面和上隅角监测点实时瓦斯监测数据取值的最大后验概率，并与工作面和上隅角监测点历史瓦斯监测数据取值的最大后验概率均值对比分析，识别瓦斯涌出异常情况用于瓦斯预警。

具体为，通过概率推理计算历史监测数据中，回风巷监测点瓦斯监测数据在数值最大的取值区间上时，工作面与上隅角监测点瓦斯监测数据取值的最大后验概率均值，同时计算工作面与上隅角监测点实时瓦斯监测数据取值最大后验概率，结合历史监测数据统计特征分析判断瓦斯涌出异常情况。

瓦斯涌出异常分析具体为：

请参阅图2所示，为了考虑地质条件等因素的对瓦斯涌出的影响，选取最近1a的历史监测数据，以时间长度1个月来进行离散化来建立网络，通过步骤S4概率推理计算回风巷监测点瓦斯监测数据在数值最大取值区间上，工作面与上隅角监测点瓦斯监测数据取值的最大后验概率的均值作为历史监测数据，同时计算各监测点历史监测数据均值μ_j,μ_z,μ_s,μ_h及标准差σ_j,σ_z,σ_s,σ_h。

基于此，对于实时数据序列x_t,t＝1,2,…，以最近1个月的监测数据建模，考虑通风因素，将序列转化成瓦斯流量(计算结果还原为瓦斯浓度序列)，通过步骤S4概率推理计算工作面和上隅角监测点实时瓦斯监测数据取值的最大后验概率p_z、p_s作为实时监测数据，

当且若x_z＞μ_z+1.96σ_z，表明工作面瓦斯涌出异常；

当且若x_h＞μ_h+1.96σ_h表明该区域内整体瓦斯涌出异常应当查明原因并采取应对措施。

采用判断分析工作面瓦斯涌出异常的实质在于用条件概率表示不同位置瓦斯浓度之间的因果关联关系，上游测点瓦斯浓度升高会引起下游测点瓦斯浓度增高，而当工作面与采空区瓦斯涌出增大超出历史数据95％置信区间时即为小概率事件，出现瓦斯涌出异常。采用该方法可以与监测监控主机联机实时判定工作面瓦斯涌出异常，为瓦斯浓度预警提供依据。

实施例

请参阅图3至图5所示，选取陕西某矿回采工作面区域2015年的监测数据作为历史数据，对2016年1月监测数据分析，图3为该工作面区域监测点瓦斯监测数据序列，为了显示清晰，序列采用了每10min重采样，图3中的4个子图自上而下分别是工作面、进风巷、回风巷、上隅角监测数据序列，由图3中各监测点监测数据形成的曲线走势来看，工作面监测点瓦斯浓度波动性较强，而其他3个测点瓦斯浓度变化趋势有相似特征，这种相似特征的实质是监测点在通风巷道中有着上下游关系瓦斯流动过程中在巷道节点位置符合质量守恒，从而体现出自上游至下游监测点瓦斯浓度大小的因果关系，从而保证了采用置信网络推理分析的理论可行性。

井下监测点布置如图4所示，图4中T_j,T_z,T_s,T_h分别表示进风巷、工作面、上隅角和回风巷监测点，监测点的位置决定了置信网络中各变量之间的因果关联关系，伴随图4中各监测点实时数据的产生，可同时完成网络学习，生成新的网络参数。

图5中显示了1月26日～1月30日5d 720个监测数据，采用以上方法分析得出了瓦斯涌出异常情况，将计算结果还原为瓦斯浓度监测数据来显示，瓦斯异常涌出导致的高瓦斯监测值用星号标识，在1月28日的前2个8h内工作面瓦斯浓度没有显著增大，而上隅角瓦斯浓度后验概率超出历史平均水平并且在此条件下回风巷瓦斯浓度后验概率增大，即通过双向推理得出上隅角瓦斯涌出增大引起回风流中瓦斯浓度增大，并且实时监测值超出了历史数据95％置信区间，因而判定为采空区瓦斯涌出增大导致上隅角浓度异常。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims

1.一种矿井瓦斯涌出异常的识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种矿井瓦斯涌出异常的识别方法，其特征在于，所述步骤S1具体为：将各监测点瓦斯监测数据序列x_t转化为瓦斯流量数据序列Q_t建立变量集D，将变量集D＝{Q_j,Q_z,Q_s,Q_h}按顺序a＝{Q_j,Q_z,Q_s,Q_h}依次加入网络建立置信网络结构，其中，t＝1,2,…，Q_t＝x_t×v×S，v为风速，S为巷道断面积，Q_j为进风巷监测数据序列，Q_z为工作面监测数据序列，Q_s为上隅角监测数据序列，Q_h为回风巷监测数据序列。

3.根据权利要求2所述的一种矿井瓦斯涌出异常的识别方法，其特征在于，所述建立置信网络结构具体为：首先加入Q_j，依据通风巷道中流体的流动特征确定Q_z依赖于Q_j，即π(Q_z)＝{Q_j}，并从Q_j画一条有向边到Q_z，以此类推加入其它变量，直至加入变量Q_h，Q_j经过虚拟点Q_x与Q_h连接，Q_x表示实际矿井中可能存在的其它专用巷道。

4.根据权利要求3所述的一种矿井瓦斯涌出异常的识别方法，其特征在于，对Q_j离散化处理得到Q_j∈{q_jk|k＝1,2,…,4}，q_j为Q_j离散化后的取值区间，通过历史监测数据统计，计算网络参数P(Q_h|Y)，其中，Y＝{Q_j,Q_z,Q_s}。

5.根据权利要求4所述的一种矿井瓦斯涌出异常的识别方法，其特征在于，所述联合概率P(Q_h∈q_hk)具体为：

P (Q_{h}) = \underset{Q_{j}, Q_{z}, Q_{s}}{Σ} P (Q_{j}, Q_{z}, Q_{s}, Q_{h}) = P (Q_{j}) P (Q_{z} | Q_{j}) p (Q_{s}) P (Q_{z} | Q_{s}) \times P (Q_{z}) P (Q_{h} | Q_{z}) \times P (Q_{z} | Q_{j}, Q_{s}) - - - (1)

6.根据权利要求5所述的一种矿井瓦斯涌出异常的识别方法，其特征在于：以Q_h在某个取值区间上，Q_s∈q_sk，后验概率具体为：

P (Q_{h} &Element; q_{h k} | Q_{s} &Element; q_{s k}) = \frac{P (Q_{j}, Q_{z}, Q_{s} &Element; q_{j k}, q_{z k}, q_{s k})}{P (Q_{h} &Element; q_{h k})} - - - (2)

7.根据权利要求6所述的一种矿井瓦斯涌出异常的识别方法，其特征在于，所述后验概率具体计算方法为：

然后删除包含Q_s的变量，生成函数ψ₃(Q_j,Q_z,Q_s)即为P(Q_h)。

8.根据权利要求1所述的一种矿井瓦斯涌出异常的识别方法，其特征在于：所述步骤S5中，当且若x_z＞μ_z+1.96σ_z，表明工作面瓦斯涌出异常；

9.根据权利要求1至8中任一项所述的一种矿井瓦斯涌出异常的识别方法，其特征在于，用条件概率表示不同位置瓦斯浓度之间的因果关联关系，上游监测点瓦斯浓度升高引起下游监测点瓦斯浓度增高，当工作面与采空区瓦斯涌出增大超出历史数据95％置信区间时即为小概率事件，出现瓦斯涌出异常。

10.根据权利要求9所述的一种矿井瓦斯涌出异常的识别方法，其特征在于，所述识别方法能够与监测主机联机实时判定工作面瓦斯涌出异常情况并进行预警。