CN106874671A - 一种用于煤矿自燃火灾大数据平台的数据驱动的算法 - Google Patents
一种用于煤矿自燃火灾大数据平台的数据驱动的算法 Download PDFInfo
- Publication number
- CN106874671A CN106874671A CN201710081267.1A CN201710081267A CN106874671A CN 106874671 A CN106874671 A CN 106874671A CN 201710081267 A CN201710081267 A CN 201710081267A CN 106874671 A CN106874671 A CN 106874671A
- Authority
- CN
- China
- Prior art keywords
- data
- gas
- symbolic
- colliery
- fire
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 63
- 230000002269 spontaneous effect Effects 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 54
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000005065 mining Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000007418 data mining Methods 0.000 claims description 12
- 238000005086 pumping Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002485 combustion reaction Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 239000013307 optical fiber Substances 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 229920000768 polyamine Polymers 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 92
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000004587 chromatography analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- AMXBISSOONGENB-UHFFFAOYSA-N acetylene;ethene Chemical group C=C.C#C AMXBISSOONGENB-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Alarm Systems (AREA)
Abstract
本发明提供了一种用于煤矿自燃火灾大数据平台的数据驱动的算法，是一种用于煤矿自燃火灾标志气体发生率的概率估算方法，包括如下步骤，1)收集煤矿标志气体浓度数据，2)数据预处理，3)用hypothesis test判定标志气体增长率所属概率分布类型；4)利用Maximum Likelihood Estimation的方法用所有的标志气体发生率的数据去计算此概率分布的参数；5)利用求得的概率分布的参数，可以用蒙特卡洛仿真Monte Carlo Simulation的方法用大量的数据点去仿真标志气体变化率的真实概率分布；6)利用上步求得的标志气体真实变化率分布，乘以想要预测的时间，求得在未来预测时间时的标志气体浓度分布；7)设定一个标志气体浓度报警界限，求得发生概率。
Description
技术领域
本发明涉及自然火灾检测技术领域，特别是涉及一种用于煤矿自燃火灾大数据平台的数据驱动的算法。
背景技术
我国煤矿具有百年以上的开采历史，随着矿井开采年限的增长、开采深度增加、开采范围的逐渐扩大，煤炭自燃灾害日趋严重。煤田火灾不仅仅是损失了数亿吨的煤炭，而且由此引发的地质环境、生态环境、大气环境等问题，对我国今后经济的可持续发展将带来无法估量的危害。而矿井火灾造成的煤尘瓦斯爆炸更会酿成煤矿重大恶性事故，冻结大量煤炭资源和生产设备，造成了巨大的经济损失和人员伤亡。因此，矿井煤炭自然发火事故的预防必然成为煤矿安全研究的重点。及时准确地发出火灾早期预报，不仅可以及时采取防灭火措施，将火灾事故消除于萌芽状态，而且还可以减少防灭火造成的经济损失，防止火灾事故的发生。
目前，我国多数煤矿企业已经对煤矿自燃火灾灾害进行了气体成分分析、温度监测等监测手段，这对保障煤矿的安全生产起到了积极的作用。但是，大多企业只是对原始数据进行简单的报警、显示存储和打印，获得的气体组分通常是相互独立的数据，且大多是非线性变化的，而对监测数据之间的内部联系研究不足。
当前对于煤矿自燃火灾监测数据的使用还十分的简单，对于煤矿自燃火灾的趋势预测往往以理论模型等确定性的预测方法为主，预测结果是一个确定值。这类方法主要有两种不足：(1)由于井下状况是复杂多变的。环境因素和人为因素，如通风、瓦斯含量、温度、施工方案、工作面推进速度等条件多而且复杂，会对火灾发展趋势的预测产生极大地影响，而传统的理论模型等确定性的预测方法则无法考虑所有的变量条件，只能机械的去拟合火灾发展趋势，预测的准确度往往很低；(2)井下的环境、人为因素中蕴含着大量的不确定性。由于环境、人为因素的多变，很多变量都是随机的、不确定性的，而传统的理论模型的预测无法体现这些随机性的影响，严重影响着传统方法预测结果的可信度，对煤矿的安全指导缺乏实际意义。
为解决以上问题，本发明基于构建的煤矿自燃火灾大数据平台，利用平台采集存储的数据，提出了一种数据驱动的算法。算法利用数据平台采集的煤矿采空区的标志气体的组分信息，抛开理论模型，利用数据驱动的方式构建一个概率模型。算法的优点在于一方面可以充分利用数据中蕴含的不确定性，利用概率模型的特点将数据中的不确定性体现在标志气体变化的概率分布中；另一方面可以以概率模型去预测煤矿采空区的发火趋势，以概率预测去替代传统的确定性预测，使预测结果更加准确，对煤矿的安全指导更具备参考意义。
发明内容
本发明的主要目的是设计一种用于煤矿自燃火灾分布式大数据平台的数据驱动的算法，对煤矿生产的整个过程进行实时监控，高效快速的获取有价值的煤矿生产信息，确定煤矿生产过程中自然因素对煤矿安全生产的影响，使用数据挖掘中的关联规则算法对原始数据进行统计分析和深度挖掘，发现各种自然因素之间的关系，以便决策者确定合理的控制方案。
本发明是通过以下技术方案来实现的：一种用于煤矿自燃火灾分布式大数据平台的数据驱动的算法，其为一种用于煤矿自燃火灾标志气体发生率的概率估算方法，由于标志气体是煤矿自燃火灾发火趋势判断的最重要的依据，而对于标志气体发生率的估算可以有效地预测标志气体在未来的变化趋势，因此可以有效地预判煤矿未来发火状况并结合开采工作情况采取必要的灭火准备措施，包括如下步骤，
1)收集煤矿标志气体浓度数据，煤矿自燃火灾大数据平台的感知层会将布置在某采空区的监测束管进行井下气体样本的周期循环抽取，然后将气样输送至井上进行气体浓度分析，得到此采空区的标志气体浓度的周期数据；
2)数据预处理，计算标志气体增长率，在积累标志气体浓度周期数据至一定量后，将标志气体浓度周期数据依次求差然后除以时间间隔，得到标志气体变化率数据，如下公式
St是t点时的标志气体变化率，Ct和Ct-1分别是t点和t-1点时的标志气体浓度，T是t点和t-1点间的时间间隔
3)用hypothesis test判定标志气体增长率所属概率分布类型，将已收集数据的标志气体变化率分布用Kolmogorov-Smirnov test检验法去依次判断此标志气体变化率分布属于哪个概率分布类型；
4)利用Maximum Likelihood Estimation的方法用所有的标志气体发生率的数据去计算此概率分布的参数，如高斯分布的期望和方差；
5)利用求得的概率分布的参数，可以用蒙特卡洛仿真Monte Carlo Simulation的方法用大量的数据点去仿真标志气体变化率的真实概率分布；
6)利用上步求得的标志气体真实变化率分布，乘以想要预测的时间，如100天后，可以求得在未来预测时间时的标志气体浓度分布；
7)设定一个标志气体浓度报警界限，如24ppm，可以由上步的100天后的标志气体浓度分布，求得100天后标志气体到达24ppm的概率。
进一步的，以数据驱动算法构架的标志气体发生率的概率估算方法，其中想要预测时间和设定的浓度界限都是可调的，根据煤矿想要预测的参数来修改。
进一步的，以数据驱动算法构架的标志气体发生率的概率估算方法步骤8)中所述的指标气体为CO、CH4、CO2、O2、C2H6、C2H4、C2H2。
进一步的，以数据驱动算法构架的CO发生率的概率估算方法步骤4)中包括Likelihood计算公式、Log-Likelihood计算公式及maximum likelihood estimator计算公式，Likelihood计算公式如下，
Log-Likelihood计算公式如下，
maximum likelihood estimator计算公式如下，
本发明还包括一种基于上述一种用于煤矿自燃火灾大数据平台的数据驱动的算法的煤矿自然火灾大数据平台，其包括煤矿自然火灾监测感知层、数据分布式存储模块、所述的数据挖掘模块和数据表达模块，
所述的煤矿自燃火灾监测的智能物联网感知层面向煤矿的各种特性，通过部署系列各种监测系统和装置，获取煤矿自燃火灾检测数据，其包括正压输气束管监测系统、井下微色谱气体监测系统、束管红外气体监测系统、光纤束管监测系统；
所述的数据分布式存储模块是煤矿自燃火灾监测感知层采集数据的存储端，通过部署在各个煤矿的火灾感知层设备和系统采集数据，然后将数据上传至各煤矿专有的存储服务器上，利用分布式的存储结构有效的管理自燃火灾监测的初始数据；
所述的数据挖掘模块是部署在煤矿上层矿业集团中心计算服务器上，各煤矿的分布式存储数据首先汇总至中心服务器，然后利用其计算能力，通过数据驱动算法将各煤矿分别采集的初始数据进行数据挖掘，有效的分析数据所含有的关于煤矿自燃火灾标志气体的变化趋势、预测时间等深度信息；
所述的数据表达模块包括标志气体概率模型分析预测模块、实时监控看板、危险矿区重点关注模块、专家意见反馈诊断平台、手机报警模块、报表模块等，其为集团公司和下属各煤矿公司提供一个数据查询、浏览，并以表格图形等方式展示的综合管理平台；同时，矿务局有关人员可以利用本系统，对下属各矿的束管监测结果进行实时监控，查询各矿的历史数据，显示用于煤矿自燃预警的趋势图表，提供日、旬、月、季、年的报表，并能在出现报警时通知到有关人员的手机上，并且系统可通过数据传输接口，进一步将监测数据上传到云端大数据中心；通过大数据技术破解煤矿自燃防治领域里的难题，为监测、分析、管理、决策、诊断、治理、实施等过程提供完整解决方案。
进一步的，所述的正压输气束管监测系统包括正压输气泵、输气泵站、输气束管、系统控制柜，正压输气泵站安装在取气地点附近，采用近距离负压取气，样气经过除尘，进入输气泵站，在泵站的自动加压除水的作用下，除去大部分的水分，以正压输送的方式，将过滤和除水后的样气经输气束管传输到井上的系统控制柜；再由软件控制的取样系统，将样品抽取到煤矿专用色谱仪，进行分析，最后得到取样地点的样气成分。
进一步的，煤矿自燃火灾大数据安全管理中心采用主流的B/S架构设计，并采用先进分布式设计理念、多层次的用户权限设计，同时还具有多种数据转发接口。
本发明的有益之处在于，通过煤矿自燃火灾大数据平台采集、存储的反应煤矿火情的标志气体数据，利用本发明提出的一种数据驱动的算法，将海量数据中蕴含的环境、人为因素的不确定性，以概率预测的得以表达，最终可以给煤矿火灾监测和防治提供更准确和可靠的判断依据。算法利用数据平台采集的煤矿采空区的标志气体的组分信息，抛开理论模型，利用数据驱动的方式构建一个概率模型。算法的优点在于一方面可以充分利用数据中蕴含的不确定性，利用概率模型的特点将数据中的不确定性体现在标志气体变化的概率分布中；另一方面可以以概率模型去预测煤矿采空区的发火趋势，以概率预测去替代传统的确定性预测，使预测结果更加准确，对煤矿的安全指导更具备参考意义。
当前，煤矿自燃火灾的监测和防治主要依靠对于监测数据的直观判断和粗略的线性估计，通过传统方式去判断预测煤矿的自燃火灾的发火趋势易受到主观因素影响，且很难界定安全与危险状态，可靠性差。通过应用海量数据库，建立数据驱动的大数据模型，可以将影响因素的不确定性充分计算在内，从而有效界定事物状态是否构成安全隐患。大数据的发展为海量事故数据提供了有效的分析工具，将大数据原理运用到安全生产中，通过对海量安全生产事故数据进行分析，分析和查找事故发生的季节性、周期性、关联性等规律、特征，从而找出事故根源，有针对性地制定预防方案，提升源头治理能力，降低安全生产事故的发生。
附图说明
图1是本发明基于数据驱动算法的煤矿自燃火灾大数据平台构架图；
图2是本发明算法流程图；
图3是本发明CO在不同天数到达特定浓度的概率图。
具体实施方式
为了使本发明的技术方案能更清晰地表示出来，下面结合附图和实施例对本发明作进一步说明。
一种用于煤矿自燃火灾分布式大数据平台的数据驱动的算法是一种用于煤矿自燃火灾标志气体发生率的概率估算方法，由于标志气体是煤矿自燃火灾发火趋势判断的最重要的依据，而对于标志气体(CO、CH4、CO2、O2、C2H6、C2H4、C2H2等)发生率的估算可以有效地预测标志气体在未来的变化趋势，因此可以有效地预判煤矿未来发火状况并结合开采工作情况采取必要的灭火准备措施，以下以标志气体CO浓度为例，算法包括如下步骤：
1)收集煤矿CO浓度数据，煤矿自燃火灾大数据平台的感知层会在布置在某采空区某个监测束管进行井下气体样本的周期循环抽取，然后将气样输送至井上进行气体浓度分析，得到此采空区的CO浓度的周期数据；
2)数据预处理，计算CO增长率，在积累CO浓度周期数据至一定量后，将CO浓度周期数据依次求差然后除以时间间隔，得到CO变化率数据，如下公式
St是t点时的CO变化率，Ct和Ct-1分别是t点和t-1点时的CO浓度，T是t点和t-1点间的时间间隔
3)用hypothesis test判定CO增长率所属概率分布类型，将已收集数据的CO变化率分布用Kolmogorov-Smirnov test检验法去依次判断此CO变化率分布属于哪个概率分布类型；
4)利用Maximum Likelihood Estimation的方法用所有的CO发生率的数据去计算此概率分布的参数，如高斯分布的期望和方差；
5)利用求得的概率分布的参数，可以用蒙特卡洛仿真Monte Carlo Simulation的方法用大量的数据点去仿真CO变化率的真实概率分布；
6)利用上步求得的CO真实变化率分布，乘以想要预测的时间，如100天后，可以求得在未来预测时间时的CO浓度分布；
7)设定一个CO浓度界限，如24ppm，可以由上步的100天后的CO浓度分布，求得100天后CO到达24ppm的概率。
以数据驱动算法构架的CO发生率的概率估算方法，其中想要预测时间和设定的浓度界限都是可调的，根据煤矿想要预测的参数来修改。
以数据驱动算法构架的CO发生率的概率估算方法步骤8)中所述的其它指标气体为乙烯乙炔。
以数据驱动算法构架的CO发生率的概率估算方法步骤4)中包括Likelihood计算公式、Log-Likelihood计算公式及maximum likelihood estimator计算公式，Likelihood计算公式如下，
Log-Likelihood计算公式如下，
maximum likelihood estimator计算公式如下，
图3展示了一个计算结果实例，在这个例子中我们分别设定两个CO的浓度报警线，为24ppm和50ppm。线1表示CO到达浓度报警界限24ppm的概率，线2表示CO到达浓度报警线50ppm的概率。从下图可看出，随着天数的增加，CO浓度到达报警线的概率也会大幅提高，其中CO在100天时到达24ppm的概率为68.3％；到达50ppm的概率为44.6％。传统的标志气体的预测方法多为线性回归的方法，对标志气体的变化趋势预测多为确定性预测(例如预测CO变化，80天时为22.3ppm，90天时为23.7ppm，100天时为25.6ppm，如果以24ppm为警戒线，则80天和90天的预测就容易产生误判)，忽略了各种环境因素(通风、湿度、温度等)，及人为因素(施工速度、巷道结构等)造成的不确定性影响，因此以传统算法预测的标志气体浓度很容易造成误判。而该算法以采集的煤矿真实数据为基础，以数据驱动的方式去计算标志气体变化的概率，这样结果中就包含了以上提到的各种不确定性因素，对于煤矿安全管理角度来说具有更重要的参考价值。
一种基于上述数据驱动算法的煤矿自然火灾大数据平台，其包括煤矿自然火灾监测感知层、数据分布式存储模块、所述的数据挖掘模块和数据表达模块，基于煤矿自燃火灾监测感知层对煤矿自燃火灾各种数据进行采集，数据收集并存储到数据分布式存储模块，进一步数据向上汇总到数据挖掘模块利用本发明公开的一种数据驱动算法对数据进行分析处理，从原始数据中提取出对于自燃火灾预测有用的信息，最后将处理过的数据传输到数据表达模块给用户进行煤矿自燃火灾趋势分析、预警预报等直观的数据表达。
所述的煤矿自燃火灾监测感知层面向煤矿的各种特性，通过部署系列各种监测系统和装置，获取煤矿自燃火灾检测数据，其包括正压输气束管监测系统、井下微色谱气体监测系统、束管红外气体监测系统、光纤束管监测系统。
所述的数据分布式存储模块是煤矿自燃火灾监测感知层采集数据的存储端。通过部署在各个煤矿的火灾感知层设备和系统采集数据，然后将数据上传至各煤矿专有的存储服务器上，利用分布式的存储结构有效的管理自燃火灾监测的初始数据。
所述的数据挖掘模块是部署在煤矿上层矿业集团中心计算服务器上，各煤矿的分布式存储数据首先汇总至中心服务器，然后利用其计算能力，通过数据驱动算法，将各煤矿分别采集的初始数据进行数据挖掘，有效的分析数据所含有的关于煤矿自燃火灾标志气体的变化趋势、预测时间等深度信息。
所述的数据表达模块包括标志气体概率模型分析预测模块、实时监控看板、危险矿区重点关注模块、专家意见反馈诊断平台、手机报警模块、报表模块等，其为集团公司和下属各煤矿公司提供一个数据查询、浏览，并以表格图形等方式展示的综合管理平台；同时，矿务局有关人员可以利用本系统，对下属各矿的束管监测结果进行实时监控，查询各矿的历史数据，显示用于煤矿自燃预警的趋势图表，提供日、旬、月、季、年的报表，并能在出现报警时通知到有关人员的手机上，并且系统可通过数据传输接口，进一步将监测数据上传到云端大数据中心；通过大数据技术破解煤矿自燃防治领域里的难题，为监测、分析、管理、决策、诊断、治理、实施等过程提供完整解决方案。
所述的正压输气束管监测系统包括正压输气泵、输气泵站、输气束管、系统控制柜，正压输气泵站安装在取气地点附近，采用近距离负压取气，样气经过除尘，进入输气泵站，在泵站的自动加压除水的作用下，除去大部分的水分，以正压输送的方式，将过滤和除水后的样气经输气束管传输到井上的系统控制柜；再由软件控制的取样系统，将样品抽取到煤矿专用色谱仪，进行分析，最后得到取样地点的样气成分。
所述的井下微色谱气体监测系统采用美国航天技术的微型色谱仪技术改造的K-3000为核心分析单元，结合束管取气控制模块，组成全自动智能微色谱监控单元，独立完成取气，分析，再利用远程通讯模块与远端的井上监控平台通讯，完成控制和监控结果数据传输。如果进一步结合输气束管监测系统，监控分站还同时起到对井下正压输气泵站的集成控制作用。
所述的光纤束管检测系统是利用光纤分布式测温技术以及激光多种气体监测技术在工作面回采过程中，对工作面入风巷、回风巷及切眼位置进行温度、多种气体监测，及时发现温度异常，将煤的自燃抑制在早期阶段，对控制预防采空区(工作面)自然发火具有重要意义。本光纤束管监测系统为分布式光纤测温系统，光纤传感器与光纤一体化既采集信息又传输信息，通过改变光纤内所传输的激光特性来实现对温度、应变、声音、气体等参数的精确监测。
所述的煤矿自燃火灾大数据平台用于将所属煤矿自燃火灾监测感知层的数据统进行联网汇总，通过数据存储模块，在数据处理模块进行以数据驱动算法为主的数据挖掘，最后将分析结果上报至数据表达模块，为集团公司和下属各煤矿公司提供一个数据查询、浏览，并且可以综合管理平台。数据表达模块具体的包括，
(1)标志气体概率模型分析预测模块
该模块主要是应用发明所提及的数据驱动算法所获得的结果，主要以概率模型的方式展示。其中，根据用户需求，该模块可以计算各标志气体变化率的概率分布、标志气体到达警戒线时的天数的概率预测，标志气体在某个时间点时的气体组分浓度概率预测等。
(2)实时监控看板
该页面是用户最常使用显示页面，集中以滚动的方式，显示每个矿区的最新束管监测结果，其中主要包括矿区最新数据栏、重点关注及趋势跟踪栏、专家意见栏和报警提示栏。重点关注栏可以指定显示某些特别重要的监测点，并通过动态的趋势图帮助进行发火趋势分析。专家意见栏，可以动态显示最新的专家指导意见。报警提示栏，显示发生监测点数据超限的检测点，提醒用户关注。
(3)危险矿区重点关注模块
危险矿区重点关注模块是通过将某矿区的某个检测点设置为重点关注对象，从而引起工作人员的重点关注。
(4)专家意见反馈诊断平台
专家分析专家指导意见页面是提供给专家用户查询监测数据，对基层矿区提供指导意见和发布指令的页面。以列表的方式，查询检索所有的指导意见，已经生成的意见可以进行修改。
(5)手机报警模块：
该页面用来管理报警的手机号码，可以根据不同的矿区分配号码，以类似卡片或表格的形式设置管理号码(进行增加、删除、修改、查询等操作)；具体的报警数据根据检测区域的具体情况设定。
(6)报表模块
此模块可根据导航选择日报、旬报、月报、季报、年报；同时在数据查询页面，同时提供报表打印功能。
煤矿自燃火灾监控平台实施联网平台，将各矿区的自燃火灾束管系统的监测数据，即时传输到集团公司的数据中心。通过集团中心调度系统，实时动态显示在大屏幕上。同其他煤矿安全系统一样，方便集团公司随时监控矿井火灾灾害的发展趋势。将过去纸质报表汇报，升级成及时的数据汇报，并可随时在集团公司生产报表，显著提高了管理效率和管理水平。通过联网平台的专家会诊功能，对火灾风险高的煤矿，可以充分利用集团公司技术专家优势资源，利用分布式的管理技术，把对火灾风险评估，火灾治理等技术难题，通过进行专家诊断，实时反馈到矿区，实现远程关注，远程诊断，远程治理。通过集团调度中心，也大大加快了专家诊断意见传达与落实的效率，为将有监测点的发火隐患消灭在萌芽状态提供了有力保障，防患于未燃，从而数十倍的减少火灾治理的成本。通过联网平台的实施，实现了将各厂商的束管监测系统的数据进行统一接口，接入到网络平台的可能。为建立束管监测系统的数据标准，提供一个实现的版本。此举势必推进束管系统的数据标准化的进程，进而推进煤矿数据标准化进程。
煤矿自燃火灾大数据安全管理中心采用主流的B/S架构设计，方便集团公司灵活地实施和应用场景，系统功能只需一台服务器即可实现，不同的部门通过各自终端电脑的浏览器，就可以进行系统管理、数据分析、专家诊断等操作。并采用先进分布式设计理念，各矿束管监控系统可以独立运作，不受干扰，分析数据和工作状态只在传输的时候才使用网络资源进行传输，对集团的网络数据流量占用极小。多层次的用户权限设计，保障数据对内和对外的安全性，电子签名技术保障数据完整可靠。还提供多厂商支持，平台不仅可以对本公司的束管监测系统进行联网，对国内主要厂商都设计专用的数据转发接口，有效利用企业的资源。多层次的用户权限设计，同时还具有多种数据转发接口。
Claims (6)
1.一种用于煤矿自燃火灾大数据平台的数据驱动的算法，其特征在于，是一种用于煤矿自燃火灾标志气体发生率的概率估算方法，包括如下步骤，
1)收集煤矿标志气体浓度数据，煤矿自燃火灾大数据平台的感知层会将布置在某采空区的监测束管进行井下气体样本的周期循环抽取，然后将气样输送至井上进行气体浓度分析，得到此采空区的标志气体浓度的周期数据；
2)数据预处理，计算标志气体增长率，在积累标志气体浓度周期数据至一定量后，将标志气体浓度周期数据依次求差然后除以时间间隔，得到标志气体变化率数据，如下公式
St是t点时的标志气体变化率，Ct和Ct-1分别是t点和t-1点时的标志气体浓度，T是t点和t-1点间的时间间隔
3)用hypothesis test判定标志气体增长率所属概率分布类型，将已收集数据的标志气体变化率分布用Kolmogorov-Smirnov test检验法去依次判断此标志气体变化率分布属于哪个概率分布类型；
4)利用Maximum Likelihood Estimation的方法用所有的标志气体发生率的数据去计算此概率分布的参数，如高斯分布的期望和方差；
5)利用求得的概率分布的参数，可以用蒙特卡洛仿真Monte Carlo Simulation的方法用大量的数据点去仿真标志气体变化率的真实概率分布；
6)利用上步求得的标志气体真实变化率分布，乘以想要预测的时间，如100天后，可以求得在未来预测时间时的标志气体浓度分布；
7)设定一个标志气体浓度报警界限，如24ppm，可以由上步的100天后的标志气体浓度分布，求得100天后标志气体到达24ppm的概率。
2.根据权利要求1所述的一种用于煤矿自燃火灾大数据平台的数据驱动的算法，其特征在于，以数据驱动算法构架的标志气体发生率的概率估算方法，其中想要预测时间和设定的浓度界限都是可调的，根据煤矿想要预测的参数来修改。
3.根据权利要求1所述的一种用于煤矿自燃火灾大数据平台的数据驱动的算法，其特征在于，以数据驱动算法构架的标志气体发生率的概率估算方法步骤8)中所述的指标气体为CO、CH4、CO2、O2、C2H6、C2H4、C2H2。
4.根据权利要求1所述的一种用于煤矿自燃火灾大数据平台的数据驱动的算法，其特征在于，以数据驱动算法构架的标志气体发生率的概率估算方法步骤4)中包括Likelihood计算公式、Log-Likelihood计算公式及maximum likelihood estimator计算公式，Likelihood计算公式如下，
Log-Likelihood计算公式如下，
maximum likelihood estimator计算公式如下，
5.一种基于权利要求1一种用于煤矿自燃火灾大数据平台的数据驱动的算法的煤矿自然火灾大数据平台，其特征在于，其包括煤矿自然火灾监测感知层、数据分布式存储模块、所述的数据挖掘模块和数据表达模块，
所述的煤矿自燃火灾监测的智能物联网感知层面向煤矿的各种特性，通过部署系列各种监测系统和装置，获取煤矿自燃火灾检测数据，其包括正压输气束管监测系统、井下微色谱气体监测系统、束管红外气体监测系统、光纤束管监测系统；
所述的数据分布式存储模块是煤矿自燃火灾监测感知层采集数据的存储端，通过部署在各个煤矿的火灾感知层设备和系统采集数据，然后将数据上传至各煤矿专有的存储服务器上，利用分布式的存储结构有效的管理自燃火灾监测的初始数据；
所述的数据挖掘模块是部署在煤矿上层矿业集团中心计算服务器上，各煤矿的分布式存储数据首先汇总至中心服务器，然后利用其计算能力，通过数据驱动算法将各煤矿分别采集的初始数据进行数据挖掘，有效的分析数据所含有的关于煤矿自燃火灾标志气体的变化趋势、预测时间等深度信息；
所述的数据表达模块包括标志气体概率模型分析预测模块、实时监控看板、危险矿区重点关注模块、专家意见反馈诊断平台、手机报警模块、报表模块等，其为集团公司和下属各煤矿公司提供一个数据查询、浏览，并以表格图形等方式展示的综合管理平台；同时，矿务局有关人员可以利用本系统，对下属各矿的束管监测结果进行实时监控，查询各矿的历史数据，显示用于煤矿自燃预警的趋势图表，提供日、旬、月、季、年的报表，并能在出现报警时通知到有关人员的手机上，并且系统可通过数据传输接口，进一步将监测数据上传到云端大数据中心；通过大数据技术破解煤矿自燃防治领域里的难题，为监测、分析、管理、决策、诊断、治理、实施等过程提供完整解决方案。
6.根据权利要求5所述的一种煤矿自然火灾大数据平台，其特征在于，所述的正压输气束管监测系统包括正压输气泵、输气泵站、输气束管、系统控制柜，正压输气泵站安装在取气地点附近，采用近距离负压取气，样气经过除尘，进入输气泵站，在泵站的自动加压除水的作用下，除去大部分的水分，以正压输送的方式，将过滤和除水后的样气经输气束管传输到井上的系统控制柜；再由软件控制的取样系统，将样品抽取到煤矿专用色谱仪，进行分析，最后得到取样地点的样气成分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710081267.1A CN106874671B (zh) | 2017-02-15 | 2017-02-15 | 一种用于煤矿自燃火灾大数据平台的数据驱动的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710081267.1A CN106874671B (zh) | 2017-02-15 | 2017-02-15 | 一种用于煤矿自燃火灾大数据平台的数据驱动的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106874671A true CN106874671A (zh) | 2017-06-20 |
| CN106874671B CN106874671B (zh) | 2019-11-19 |
Family
ID=59166215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710081267.1A Active CN106874671B (zh) | 2017-02-15 | 2017-02-15 | 一种用于煤矿自燃火灾大数据平台的数据驱动的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106874671B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108691564A (zh) * | 2018-05-10 | 2018-10-23 | 淄博祥龙测控技术有限公司 | 煤矿自燃火灾监控平台 |
| CN111582603A (zh) * | 2020-05-19 | 2020-08-25 | 中煤科工集团重庆研究院有限公司 | 基于多源信息融合的煤与瓦斯突出的智能预警方法 |
| CN111812278A (zh) * | 2020-07-31 | 2020-10-23 | 中煤科工集团重庆研究院有限公司 | 基于数据融合的煤矿采空区气体监测预警系统及方法 |
| CN112667704A (zh) * | 2020-12-22 | 2021-04-16 | 煤炭科学研究总院 | 煤矿工业互联网数据中台体系结构 |
| CN113051791A (zh) * | 2021-03-09 | 2021-06-29 | 中国安全生产科学研究院 | 硫化矿石新建矿床开采过程安全预防管控方法 |
| WO2021213545A1 (zh) * | 2020-05-29 | 2021-10-28 | 青岛海尔电冰箱有限公司 | 冰箱预测煤气浓度的方法、设备及冰箱 |
| US11170217B2 (en) | 2019-08-30 | 2021-11-09 | Accenture Global Solutions Limited | Method and system for prediction and mitigation of spontaneous combustion in coal stock piles |
| CN115083123A (zh) * | 2022-05-17 | 2022-09-20 | 中国矿业大学 | 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 |
| CN117993559A (zh) * | 2024-02-05 | 2024-05-07 | 兖矿能源集团股份有限公司 | 一种采空区煤自燃预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120123981A1 (en) * | 2010-08-04 | 2012-05-17 | Graves Spencer B | Software to facilitate design, data flow management, data analysis and decision support in structural health monitoring systems |
| CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
| CN104751286A (zh) * | 2015-03-27 | 2015-07-01 | 国家安全生产监督管理总局通信信息中心 | 煤矿安全监控系统数据的自动化检查分析方法及系统 |
| CN104898494A (zh) * | 2015-03-27 | 2015-09-09 | 北京和利时自动化驱动技术有限公司 | 一种对煤矿安全监控系统进行数据采集的方法及装置 |
| CN205068673U (zh) * | 2015-10-15 | 2016-03-02 | 广州天赋人财光电科技有限公司 | 一种互联网+电气火灾监控设备 |
| CN105488938A (zh) * | 2015-12-31 | 2016-04-13 | 黑龙江省科学院技术物理研究所 | 基于互联网+技术的家庭火灾及室内环境监测系统及其监测方法 |
-
2017
- 2017-02-15 CN CN201710081267.1A patent/CN106874671B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120123981A1 (en) * | 2010-08-04 | 2012-05-17 | Graves Spencer B | Software to facilitate design, data flow management, data analysis and decision support in structural health monitoring systems |
| CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
| CN104751286A (zh) * | 2015-03-27 | 2015-07-01 | 国家安全生产监督管理总局通信信息中心 | 煤矿安全监控系统数据的自动化检查分析方法及系统 |
| CN104898494A (zh) * | 2015-03-27 | 2015-09-09 | 北京和利时自动化驱动技术有限公司 | 一种对煤矿安全监控系统进行数据采集的方法及装置 |
| CN205068673U (zh) * | 2015-10-15 | 2016-03-02 | 广州天赋人财光电科技有限公司 | 一种互联网+电气火灾监控设备 |
| CN105488938A (zh) * | 2015-12-31 | 2016-04-13 | 黑龙江省科学院技术物理研究所 | 基于互联网+技术的家庭火灾及室内环境监测系统及其监测方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108691564A (zh) * | 2018-05-10 | 2018-10-23 | 淄博祥龙测控技术有限公司 | 煤矿自燃火灾监控平台 |
| US11170217B2 (en) | 2019-08-30 | 2021-11-09 | Accenture Global Solutions Limited | Method and system for prediction and mitigation of spontaneous combustion in coal stock piles |
| CN111582603A (zh) * | 2020-05-19 | 2020-08-25 | 中煤科工集团重庆研究院有限公司 | 基于多源信息融合的煤与瓦斯突出的智能预警方法 |
| WO2021213545A1 (zh) * | 2020-05-29 | 2021-10-28 | 青岛海尔电冰箱有限公司 | 冰箱预测煤气浓度的方法、设备及冰箱 |
| CN111812278A (zh) * | 2020-07-31 | 2020-10-23 | 中煤科工集团重庆研究院有限公司 | 基于数据融合的煤矿采空区气体监测预警系统及方法 |
| CN112667704A (zh) * | 2020-12-22 | 2021-04-16 | 煤炭科学研究总院 | 煤矿工业互联网数据中台体系结构 |
| CN113051791A (zh) * | 2021-03-09 | 2021-06-29 | 中国安全生产科学研究院 | 硫化矿石新建矿床开采过程安全预防管控方法 |
| CN115083123A (zh) * | 2022-05-17 | 2022-09-20 | 中国矿业大学 | 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 |
| CN115083123B (zh) * | 2022-05-17 | 2023-05-02 | 中国矿业大学 | 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 |
| CN117993559A (zh) * | 2024-02-05 | 2024-05-07 | 兖矿能源集团股份有限公司 | 一种采空区煤自燃预测方法 |
| CN117993559B (zh) * | 2024-02-05 | 2024-10-18 | 兖矿能源集团股份有限公司 | 一种采空区煤自燃预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106874671B (zh) | 2019-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874671B (zh) | 一种用于煤矿自燃火灾大数据平台的数据驱动的方法 | |
| CN103824131A (zh) | 油气井钻井施工作业现场的风险预测系统及方法 | |
| CN103456136B (zh) | 物联网构架水利水电工程重大事故安全隐患监测预警系统 | |
| CN106680894B (zh) | 一种基于c/s架构的隧洞地质超前预报方法 | |
| CN105741498A (zh) | 一种地质灾害监测与预警的方法和装置 | |
| Li et al. | Optimize the early warning time of coal and gas outburst by multi-source information fusion method during the tunneling process | |
| CN202140117U (zh) | 煤矿井下重大危险源检测、识别及预测、预警系统 | |
| CN102128022A (zh) | 钻井工程预警方法及系统 | |
| Kung et al. | Designing intelligent disaster prediction models and systems for debris-flow disasters in Taiwan | |
| Zhou et al. | Development of a database exclusively for subway construction accidents and corresponding analyses | |
| CN103244186B (zh) | 基于煤与瓦斯突出孕育发展过程的辨识与跟踪预警系统 | |
| CN107656325A (zh) | 一种城市内涝自动预警系统及预警方法 | |
| CN115830829A (zh) | 一种煤矿水害通用预报预警系统 | |
| CN112765257B (zh) | 一种基于时序序列预测温度的环境采集系统设计的方法 | |
| CN104454009A (zh) | 一种基于传感网络的瓦斯预测预警系统及其预测预警方法 | |
| CN112215458A (zh) | 灾害分析方法和电子设备 | |
| CN115018343A (zh) | 矿井海量瓦斯监测数据异常识别与处置系统及方法 | |
| CN111651491A (zh) | 一种基于矿井全息一张图的数据获取方法 | |
| CN104159087A (zh) | 钻机现场监控平台 | |
| CN115965246A (zh) | 一种岩溶塌陷灾害的预警分析方法 | |
| Liu et al. | Slope displacement prediction using sequential intelligent computing algorithms | |
| CN116777085A (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
| Tu et al. | Comprehensive risk assessment and engineering application of mine water inrush based on normal cloud model and local variable weight | |
| CN204013912U (zh) | 钻机现场监控平台 | |
| CN117935518A (zh) | 基于大数据的地质灾害异常监测与防控方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231215 Address after: No. 61-47, 1st Floor, No. 6 Xinda Road, High tech Zone, Chengdu, Sichuan Province, 610000 Patentee after: Chengdu Shengze Technology Co.,Ltd. Address before: 255100 No. 168, Songling East Road, Zichuan District, Shandong, Zibo Patentee before: ZIBO XIANGLONG DETECTING AND CONTROLLING TECHNOLOGIES CO.,LTD. |