CN117037428A - 基于大数据的露天煤矿边坡安全预警预测系统及方法 - Google Patents

Abstract

本发明涉及煤矿边坡预警技术领域，且公开了基于大数据的露天煤矿边坡安全预警预测系统及方法，包括数据采集模块、数据预处理模块、边坡数据分析模块、环境数据分析模块、人力数据分析模块、安全系数分析模块、安全预警模块、人机交互模块以及自动优化模块，通过设有安全系数计算单元，有利于通过对边坡数据、环境数据以及人力数据进行分析，加入密切因子，由于边坡数据、环境数据以及人力数据之间互相存在影响关系，因此通过密切因子表达各数据之间的联系度，使安全系数ζ的结果更加精准，更具有可靠性，在考虑边坡自身因素的同时，也考虑了边坡的地质结果、力学特性以及外界环境等因素，因此应用范围广泛。

Description

基于大数据的露天煤矿边坡安全预警预测系统及方法

技术领域

本发明涉及煤矿边坡预警技术领域，更具体地涉及基于大数据的露天煤矿边坡安全预警预测系统及方法。

背景技术

露天煤矿边坡稳定是生产工作安全有序推进的基础，露天矿勘察、设计、建设、生产以及闭坑全过程应贯穿边坡研究工作，其涉及边坡稳定性评价、监测、治理等多方面内容，随着我国露天煤矿开采规模的逐步扩大，采掘深度的增加，边坡工程存在的问题也呈多样化、复杂化，我国露天煤矿受其他地质条件的影响，边坡问题频发，安全隐患不容忽视，因此对露天煤矿边坡的安全预警十分必要。

传统边坡变形监测技术存在效率低、监测周期长、费时费力以及无法实时监测等缺点，但随着边坡变形监测技术的发展，新兴的变形监测技术弥补了传统边坡变形监测的不足，且更加自动化与智能化，并且有实时观测、方便快捷以及远程无接触监测等优点，现有的边坡变形监测技术是在边坡变形监测结果的基础上对监测数据进行分析，通过预警模型进行预警，为边坡变形监测的最终产物，但同时也存在一些缺点。

现有的煤矿边坡预警系统大多在对多种历史数据的基础上进行统计和分析，而对边坡的地质结构、力学特性以及自身的演变过程等因素考虑较少，由于各边坡演化过程不同，因此现有的煤矿边坡预警系统具有一定的局限性，只能用于特定类型或阶段的预警，且预警效果不理想，存在一定的滞后性，无法做到提前预测。

发明内容

为了克服现有技术的上述缺陷，本发明提供了基于大数据的露天煤矿边坡安全预警预测系统及方法，以解决上述背景技术中存在的问题。

本发明提供如下技术方案：基于大数据的露天煤矿边坡安全预警预测系统，包括数据采集模块、数据预处理模块、边坡数据分析模块、环境数据分析模块、人力数据分析模块、安全系数分析模块、安全预警模块、人机交互模块以及自动优化模块；

所述数据采集模块用于通过采集设备对边坡n个采集点的目标数据进行采集，所述数据采集模块包括边坡数据采集单元、环境数据采集单元以及人力数据采集单元，所述边坡数据采集单元用于对边坡数据进行采集，所述环境数据采集单元用于对环境数据进行采集，所述人力数据采集单元用于对人力数据进行采集；

所述数据预处理模块用于对数据采集模块的数据进行预处理，得到可以直接使用的边坡数据、环境数据以及人力数据，所述数据预处理模块包括：

边坡数据预处理单元：用于接收边坡数据采集单元的数据，进行预处理后传输至边坡数据分析模块；

环境数据预处理单元：用于接收环境数据采集单元的数据，进行预处理后传输至环境数据分析模块；

人力数据预处理单元：用于接收人力数据采集单元的数据，进行预处理后传输至人力数据分析模块；

所述边坡数据分析模块用于接收边坡数据预处理单元的边坡数据，计算得出边坡安全指数α并传输至安全系数分析模块；

所述环境数据分析模块用于接收环境数据预处理单元的环境数据，计算得出环境安全指数β并传输至安全系数分析模块；

所述人力数据分析模块用于接收人力数据预处理单元的人力数据，计算得出人力安全指数γ并传输至安全系数分析模块；

所述安全系数分析模块用于接收边坡数据分析模块、环境数据分析模块以及人力数据分析模块的数据，所述安全系数分析模块包括：

安全系数计算单元：基于边坡数据分析模块、环境数据分析模块以及人力数据分析模块的数据，同时加入密切因子计算得出安全系数ζ并传输至安全预警模块；

安全数据预测单元：利用ARMA预测模型对边坡安全指数、环境安全指数、人力安全指数以及安全系数进行预测，并将预测结果传输至安全预警模块；

所述安全预警模块用于接收安全系数分析模块的预测结果数据，并进行预警判定；

所述人机交互端用于将安全预警模块的数据通过终端进行人机交互并执行预警指令，发出预警提示，同时将接收的预警指令次数传输至自动优化模块；

所述自动优化模块用于接收人机交互端传输的数据，计算出预警预测准确率若准确率未达到设定标准值，则对系统进行自动优化升级。

优选的，所述边坡安全指数α的计算包括以下步骤：

步骤S01：将第d天采集的第i个采集点的地表坐标表示为(x_id，y_id，z_id)，将每个边坡倾角记为θ_i(i＝1、2、3……n)，若边坡裂缝有m条，则第j条边坡裂缝记为L_j，裂缝面积记为L_jS；

步骤S02：将第d天地表的位移坐标表示为(Δx_id，Δy_id，Δz_id)，Δx_id表示地表横向位移程度，Δy_id表示地表纵向位移程度，Δz_id表示地表隆起变形程度，

步骤S03：计算第i个采集点的边坡安全指数α_i，计算公式为：其中，Y_i为第i个采集点的土壤应力，N_i为第i个采集点的土壤黏聚力，Y_i＝G×h_i，其中，G为土壤天然重量，h_i为第i个采集点的深度；

步骤S04：计算煤矿边坡安全指数α：所述煤矿边坡安全指数计算公式为：

优选的，所述环境安全指数β的计算公式为：其中，β_i为第i个采集点的环境安全指数，/>其中，s_i为第i个采集点的渗流量，P_i为第i个采集点的渗流压力。

优选的，所述人力安全指数γ的计算包括以下步骤：

步骤S11：计算第i个采集点的支护结构的应力ω_i：其中，Q_ij为第i个采集点的支护结构所采用的第j种材料的屈服强度，N为第i个采集点所采用的支护结构的材料种类，ε_i为第i个采集点的支护材料的应变；

步骤S12：计算第i个采集点的人力安全指数γ_i：其中，v_i为第i个采集点的边坡质点移动速度，C_i为第i个采集点发生人力活动导致边坡质点速度变化的次数；

步骤S13：计算煤矿边坡的人力安全指数γ：

优选的，所述安全系数ζ的计算包括以下步骤：

步骤S21：将n个采集点的边坡安全指数α_i记为集合U₁＝{α₁，α₂，α₃……α_n}，将n个采集点的环境安全指数β_i记为集合U₂＝{β₁，β₂，β₃……β_n}，将n个采集点的人力安全指数γ_i记为集合U₃＝{γ₁，γ₂，γ₃……γ_n}；

步骤S22：计算集合U₁、U₂和U₃之间的密切因子ρ₁、ρ₂和ρ₃，所述ρ₁的计算公式为：所述ρ₂的计算公式为：所述ρ₃的计算公式为：其中，τ的取值范围为τ∈(0，1)；

步骤S23：基于密切因子ρ₁、ρ₂和ρ₃计算安全系数ζ：ζ＝ρ₁(α+β)+ρ₂(β+γ)+ρ₃(γ+α)。

优选的，所述预警预测准确率的计算公式为：/>其中，y为接收的预警指令次数，y′为预警成功的次数，y₀为发生状况但未接收到预警指令的次数。

基于大数据的露天煤矿边坡安全预警预测方法，包括以下步骤：

步骤S31：采集数据：通过采集设备对边坡n个采集点的边坡数据、环境数据以及人力数据进行采集；

步骤S32：对步骤S31中采集的数据进行预处理，得到可直接使用的边坡数据、环境数据以及人力数据；

步骤S33：计算得出边坡安全指数α、环境安全指数β以及人力安全指数γ；

步骤S34：基于步骤S33的数据，加入密切因子计算得出安全系数ζ，并对边坡安全指数、环境安全指数、人力安全指数以及安全系数进行预测；

步骤S35：根据步骤S34中的预测结果数据进行预警判定，若判定结果为符合预警，则执行步骤S36，若不符合预警，则执行步骤S37；

步骤S36：发出预警提示，同时根据预警指令次数计算出预警预测准确率若准确率未达到设定标准值，则对系统进行自动优化升级；

步骤S37：通过终端显示边坡安全指数、环境安全指数、人力安全指数、安全系数以及预测结果。

本发明的技术效果和优点：

1、本发明通过设有安全系数计算单元，有利于通过对边坡数据、环境数据以及人力数据进行分析，基于边坡安全指数α、环境安全指数β以及人力安全指数γ，加入密切因子，由于边坡数据、环境数据以及人力数据之间互相存在影响关系，因此通过密切因子表达各数据之间的联系度，使安全系数ζ的结果更加精准，更具有可靠性，在考虑边坡自身因素的同时，也考虑了边坡的地质结果、力学特性以及外界环境等因素，因此应用范围广泛。

2、本发明通过设有安全数据预测单元，有利于通过ARMA预测模型对边坡安全指数、环境安全指数、人力安全指数以及安全系数进行预测，能够对各指数进行提前预测，能够对可能存在的危险情况进行及时的预警，以保障露天煤矿区域的人员生命财产安全。

附图说明

图1为本发明的基于大数据的露天煤矿边坡安全预警预测系统结构图。

图2为本发明的基于大数据的露天煤矿边坡安全预警预测系统流程图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的基于大数据的露天煤矿边坡安全预警预测系统及方法并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。

本发明提供了基于大数据的露天煤矿边坡安全预警预测系统，包括数据采集模块、数据预处理模块、边坡数据分析模块、环境数据分析模块、人力数据分析模块、安全系数分析模块、安全预警模块、人机交互模块以及自动优化模块；

所述数据采集模块对数据进行采集，并将采集的数据传输至数据预处理模块，所述数据预处理模块对数据进行预处理后将数据传输至边坡数据分析模块、环境数据分析模块以及人力数据分析模块，所述边坡数据分析模块对数据进行分析后将数据传输至安全系数分析模块，所述环境数据分析模块对数据进行分析后将数据传输至安全系数分析模块，所述人力数据分析模块对数据进行分析后将数据传输至安全系数分析模块，所述安全系数分析模块对安全系数进行计算分析并进行数据预测，将分析结果传输至安全预警模块，所述安全预警模块对数据进行预警分析，同时将结果传输至人机交互模块；

所述数据采集模块用于通过采集设备对边坡n个采集点的目标数据进行采集，所述采集点按照测点规定设置，所述采集设备包括但不限于渗压计、水位计、雨量计、测斜仪、沉降仪、土压力计以及拾振器，所述目标数据包括边坡数据、环境数据以及人力数据，所述数据采集模块包括边坡数据采集单元、环境数据采集单元以及人力数据采集单元，所述边坡数据采集单元用于对边坡数据进行采集，所述环境数据采集单元用于对环境数据进行采集，所述人力数据采集单元用于对人力数据进行采集，所述边坡数据包括但不限于边坡倾角、边坡裂缝数据、边坡位移数据以及边坡土壤数据，所述边坡裂缝数据包括但不限于边坡裂缝数量、裂缝长度以及裂缝宽度，所述边坡位移数据包括但不限于地表位移、地表裂缝、地下位移以及地表隆起高度，所述边坡土壤数据包括但不限于土壤内部应力、自重应力以及黏聚力，所述环境数据包括但不限于降雨量、地下水位、渗流量以及渗流压力，所述人力数据包括但不限于爆破震动时的边坡质点速度与人力活动产生震动时的边坡质点速度；

所述数据预处理模块用于对数据采集模块的数据进行预处理，得到可以直接使用的边坡数据、环境数据以及人力数据，所述数据预处理模块包括边坡数据预处理单元、环境数据预处理单元以及人力数据预处理单元，所述边坡数据预处理单元用于接收边坡数据采集单元的数据，进行预处理后传输至边坡数据分析模块，所述环境数据预处理单元用于接收环境数据采集单元的数据，进行预处理后传输至环境数据分析模块，所述人力数据预处理单元用于接收人力数据采集单元的数据，进行预处理后传输至人力数据分析模块；

所述边坡数据分析模块用于接收边坡数据预处理单元的边坡数据，计算得出边坡安全指数α并传输至安全系数分析模块；

所述环境数据分析模块用于接收环境数据预处理单元的环境数据，计算得出环境安全指数β并传输至安全系数分析模块；

所述人力数据分析模块用于接收人力数据预处理单元的人力数据，计算得出人力安全指数γ并传输至安全系数分析模块；

所述安全系数分析模块用于接收边坡数据分析模块、环境数据分析模块以及人力数据分析模块的数据，所述安全系数分析模块包括安全系数计算单元与安全数据预测单元，所述安全系数计算单元基于边坡数据分析模块、环境数据分析模块以及人力数据分析模块的数据，同时加入密切因子计算得出安全系数ζ并传输至安全预警模块，所述安全数据预测单元利用ARMA预测模型对边坡安全指数、环境安全指数、人力安全指数以及安全系数进行预测，并将预测结果传输至安全预警模块；

所述安全预警模块用于接收安全系数分析模块的预测结果数据，并进行预警判定，所述预警判定的结果包括符合预警与不符合预警，若预警判定的结果为符合预警，则将预警指令传输至人机交互模块，同时显示预测结果，若预警判定的结果为不符合预警，则不发送预警指令，只将边坡安全指数、环境安全指数、人力安全指数、安全系数以及预测结果传输至人机交互端进行显示；

所述人机交互端用于将安全预警模块的数据通过终端进行人机交互并执行预警指令，发出预警提示，同时将接收的预警指令次数传输至自动优化模块；

所述自动优化模块用于接收人机交互端传输的数据，计算出预警预测准确率若准确率未达到设定标准值，则对系统进行自动优化升级，所述标准值须大于98％，本实施例不对具体数值做具体限定。

本实施例中，需要具体说明的是，所述边坡安全指数α的计算包括以下步骤：

步骤S01：将第d天采集的第i个采集点的地表坐标表示为(x_id，y_id，z_id)，将每个边坡倾角记为θ_i(i＝1、2、3……n)，若边坡裂缝有m条，则第j条边坡裂缝记为L_j，裂缝面积记为L_jS；

步骤S02：将第d天地表的位移坐标表示为(Δx_id，Δy_id，Δz_id)，Δx_id表示地表横向位移程度，Δy_id表示地表纵向位移程度，Δz_id表示地表隆起变形程度，

步骤S03：计算第i个采集点的边坡安全指数α_i，计算公式为：其中，Y_i为第i个采集点的土壤应力，N_i为第i个采集点的土壤黏聚力，Y_i＝G×h_i，其中，G为土壤天然重量，h_i为第i个采集点的深度；

步骤S04：计算煤矿边坡安全指数α：所述煤矿边坡安全指数计算公式为：

本实施例中，需要具体说明的是，所述环境安全指数β的计算公式为：其中，β_i为第i个采集点的环境安全指数，/>其中，s_i为第i个采集点的渗流量，P_i为第i个采集点的渗流压力。

本实施例中，需要具体说明的是，所述人力安全指数γ的计算包括以下步骤：

步骤S11：计算第i个采集点的支护结构的应力ω_i：其中，Q_ij为第i个采集点的支护结构所采用的第j种材料的屈服强度，N为第i个采集点所采用的支护结构的材料种类，ε_i为第i个采集点的支护材料的应变；

步骤S12：计算第i个采集点的人力安全指数γ_i：其中，v_i为第i个采集点的边坡质点移动速度，C_i为第i个采集点发生人力活动导致边坡质点速度变化的次数；

步骤S13：计算煤矿边坡的人力安全指数γ：

本实施例中，需要具体说明的是，所述安全系数ζ的计算包括以下步骤：

步骤S21：将n个采集点的边坡安全指数α_i记为集合U₁＝{α₁，α₂，α₃……α_n}，将n个采集点的环境安全指数β_i记为集合U₂＝{β₁，β₂，β₃……β_n}，将n个采集点的人力安全指数γ_i记为集合U₃＝{γ₁，γ₂，γ₃……γ_n}；

步骤S22：计算集合U₁、U₂和U₃之间的密切因子ρ₁、ρ₂和ρ₃，所述ρ₁的计算公式为：所述ρ₂的计算公式为：所述ρ₃的计算公式为：其中，τ的取值范围为τ∈(0，1)，本实施例不对τ的具体数值做具体限定；

步骤S23：基于密切因子ρ₁、ρ₂和ρ₃计算安全系数ζ：ζ＝ρ₁(α+β)+ρ₂(β+γ)+ρ₃(γ+α)。

本实施例中，需要具体说明的是，所述预警判定的标准为：若预测的边坡安全指数、环境安全指数、人力安全指数以及安全系数中存在任一项达到预警值，则提前进行预警，所述预警提示包括声音预警提示与文字预警提示。

本实施例中，需要具体说明的是，所述预警预测准确率的计算公式为：其中，y为接收的预警指令次数，y′为预警成功的次数，y₀为发生状况但未接收到预警指令的次数。

基于大数据的露天煤矿边坡安全预警预测方法，包括以下步骤：

步骤S31：采集数据：通过采集设备对边坡n个采集点的边坡数据、环境数据以及人力数据进行采集；

步骤S32：对步骤S31中采集的数据进行预处理，得到可直接使用的边坡数据、环境数据以及人力数据；

步骤S33：计算得出边坡安全指数α、环境安全指数β以及人力安全指数γ；

步骤S34：基于步骤S33的数据，加入密切因子计算得出安全系数ζ，并对边坡安全指数、环境安全指数、人力安全指数以及安全系数进行预测；

步骤S35：根据步骤S34中的预测结果数据进行预警判定，若判定结果为符合预警，则执行步骤S36，若不符合预警，则执行步骤S37；

步骤S36：发出预警提示，同时根据预警指令次数计算出预警预测准确率若准确率未达到设定标准值，则对系统进行自动优化升级；

步骤S37：通过终端显示边坡安全指数、环境安全指数、人力安全指数、安全系数以及预测结果。

本实施例中，需要具体说明的是，本实施与现有技术的区别主要在于本实施例具备安全系数计算单元，有利于通过对边坡数据、环境数据以及人力数据进行分析，基于边坡安全指数α、环境安全指数β以及人力安全指数γ，加入密切因子，由于边坡数据、环境数据以及人力数据之间互相存在影响关系，因此通过密切因子表达各数据之间的联系度，使安全系数ζ的结果更加精准，更具有可靠性，在考虑边坡自身因素的同时，也考虑了边坡的地质结果、力学特性以及外界环境等因素，因此应用范围广泛。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.基于大数据的露天煤矿边坡安全预警预测系统，其特征在于：包括数据采集模块、数据预处理模块、边坡数据分析模块、环境数据分析模块、人力数据分析模块、安全系数分析模块、安全预警模块、人机交互模块以及自动优化模块；

所述数据采集模块用于通过采集设备对边坡n个采集点的目标数据进行采集，所述数据采集模块包括边坡数据采集单元、环境数据采集单元以及人力数据采集单元，所述边坡数据采集单元用于对边坡数据进行采集，所述环境数据采集单元用于对环境数据进行采集，所述人力数据采集单元用于对人力数据进行采集；

所述数据预处理模块用于对数据采集模块的数据进行预处理，得到可以直接使用的边坡数据、环境数据以及人力数据，所述数据预处理模块包括：

边坡数据预处理单元：用于接收边坡数据采集单元的数据，进行预处理后传输至边坡数据分析模块；

环境数据预处理单元：用于接收环境数据采集单元的数据，进行预处理后传输至环境数据分析模块；

人力数据预处理单元：用于接收人力数据采集单元的数据，进行预处理后传输至人力数据分析模块；

所述边坡数据分析模块用于接收边坡数据预处理单元的边坡数据，计算得出边坡安全指数α并传输至安全系数分析模块；

所述环境数据分析模块用于接收环境数据预处理单元的环境数据，计算得出环境安全指数β并传输至安全系数分析模块；

所述人力数据分析模块用于接收人力数据预处理单元的人力数据，计算得出人力安全指数γ并传输至安全系数分析模块；

所述安全系数分析模块用于接收边坡数据分析模块、环境数据分析模块以及人力数据分析模块的数据，所述安全系数分析模块包括：

安全系数计算单元：基于边坡数据分析模块、环境数据分析模块以及人力数据分析模块的数据，同时加入密切因子计算得出安全系数ζ并传输至安全预警模块；

安全数据预测单元：利用ARMA预测模型对边坡安全指数、环境安全指数、人力安全指数以及安全系数进行预测，并将预测结果传输至安全预警模块；

所述安全预警模块用于接收安全系数分析模块的预测结果数据，并进行预警判定；

所述人机交互端用于将安全预警模块的数据通过终端进行人机交互并执行预警指令，发出预警提示，同时将接收的预警指令次数传输至自动优化模块；

所述自动优化模块用于接收人机交互端传输的数据，计算出预警预测准确率若准确率未达到设定标准值，则对系统进行自动优化升级。

2.根据权利要求1所述的基于大数据的露天煤矿边坡安全预警预测系统，其特征在于：所述边坡安全指数α的计算包括以下步骤：

步骤S01：将第d天采集的第i个采集点的地表坐标表示为(x_id，y_id，z_id)，将每个边坡倾角记为θ_i(i＝1、2、3……n)，若边坡裂缝有m条，则第j条边坡裂缝记为L_j，裂缝面积记为L_jS；

步骤S02：将第d天地表的位移坐标表示为(Δx_id，Δy_id，Δz_id)，Δx_id表示地表横向位移程度，Δy_id表示地表纵向位移程度，Δz_id表示地表隆起变形程度，

步骤S03：计算第i个采集点的边坡安全指数α_i，计算公式为：其中，Y_i为第i个采集点的土壤应力，N_i为第i个采集点的土壤黏聚力，Y_i＝G×h_i，其中，G为土壤天然重量，h_i为第i个采集点的深度；

步骤S04：计算煤矿边坡安全指数α：所述煤矿边坡安全指数计算公式为：

3.根据权利要求1所述的基于大数据的露天煤矿边坡安全预警预测系统，其特征在于：所述环境安全指数β的计算公式为：其中，β_i为第i个采集点的环境安全指数，其中，s_i为第i个采集点的渗流量，P_i为第i个采集点的渗流压力。

4.根据权利要求1所述的基于大数据的露天煤矿边坡安全预警预测系统，其特征在于：所述人力安全指数γ的计算包括以下步骤：

步骤S11：计算第i个采集点的支护结构的应力ω_i：其中，Q_ij为第i个采集点的支护结构所采用的第j种材料的屈服强度，N为第i个采集点所采用的支护结构的材料种类，ε_i为第i个采集点的支护材料的应变；

步骤S12：计算第i个采集点的人力安全指数γ_i：其中，v_i为第i个采集点的边坡质点移动速度，C_i为第i个采集点发生人力活动导致边坡质点速度变化的次数；

步骤S13：计算煤矿边坡的人力安全指数γ：

5.根据权利要求1所述的基于大数据的露天煤矿边坡安全预警预测系统，其特征在于：所述安全系数ζ的计算包括以下步骤：

步骤S21：将n个采集点的边坡安全指数α_i记为集合U₁＝{α₁，α₂，α₃……α_n}，将n个采集点的环境安全指数β_i记为集合U₂＝{β₁，β₂，β₃……β_n}，将n个采集点的人力安全指数γ_i记为集合U₃＝{γ₁，γ₂，γ₃……γ_n}；

步骤S22：计算集合U₁、U₂和U₃之间的密切因子ρ₁、ρ₂和ρ₃，所述ρ₁的计算公式为：所述ρ₂的计算公式为：所述ρ₃的计算公式为：其中，τ的取值范围为τ∈(0，1)；

步骤S23：基于密切因子ρ₁、ρ₂和ρ₃计算安全系数ζ：ζ＝ρ₁(α+β)+ρ₂(β+γ)+ρ₃(γ+α)。

6.根据权利要求1所述的基于大数据的露天煤矿边坡安全预警预测系统，其特征在于：所述预警预测准确率的计算公式为：/>其中，y为接收的预警指令次数，y′为预警成功的次数，y₀为发生状况但未接收到预警指令的次数。

7.基于大数据的露天煤矿边坡安全预警预测方法，用于使用上述权利要求1-6任一项所述的基于大数据的露天煤矿边坡安全预警预测系统，包括以下步骤：

步骤S31：采集数据：通过采集设备对边坡n个采集点的边坡数据、环境数据以及人力数据进行采集；

步骤S32：对步骤S31中采集的数据进行预处理，得到可直接使用的边坡数据、环境数据以及人力数据；

步骤S33：计算得出边坡安全指数α、环境安全指数β以及人力安全指数γ；

步骤S34：基于步骤S33的数据，加入密切因子计算得出安全系数ζ，并对边坡安全指数、环境安全指数、人力安全指数以及安全系数进行预测；

步骤S35：根据步骤S34中的预测结果数据进行预警判定，若判定结果为符合预警，则执行步骤S36，若不符合预警，则执行步骤S37；

步骤S36：发出预警提示，同时根据预警指令次数计算出预警预测准确率若准确率未达到设定标准值，则对系统进行自动优化升级；

步骤S37：通过终端显示边坡安全指数、环境安全指数、人力安全指数、安全系数以及预测结果。