煤矿瓦斯爆炸安全预警系统

1引言

目前,我国多数煤矿企业已经对矿井瓦斯含量、地下水位、温度、顶板压力等环节进行了自动化监测,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地报警、显示存储,获得的信息通常是相互独立的数据,且大多是非线性变化的,对监测数据之间的内部联系研究不足.此外,如何从模糊和随机的大量数据中挖掘有用的信息也是亟待解决的问题.

为此,针对煤矿监测系统所提供的数据具有冗余性、互补性与合作性的特点,以数据挖掘技术为基础,并结合数据融合技术的原理,构建出煤矿瓦斯爆炸安全预警管理系统.采用数据挖掘技术对安全监测数据进行处理,提取隐藏在其中的有用信息并分析规律,运用信息对新的监测数据进行融合,以期及时了解和发现事故的状态和趋势.

2煤矿瓦斯爆炸安全预警系统原理

在煤矿安全预警相关理论的指导下,借鉴文献研究成果,本文构建出基于数据挖掘的煤矿瓦斯爆炸安全预警系统,如下图所示.

煤矿瓦斯爆炸安全预警管理系统分为两步：首先通过对煤矿瓦斯爆炸历史监测数据进行数据挖掘,建立数据融合的模板；然后对监测数据进行融合：新监测数据被送到系统中,首先查询数据库,确定检测数据的融合结果是否已经存入库中,若已存入库中,则直接输出库中存储的结果；若未存入库中,则将其输入数据与融合结果一并存入数据库中,以降低数据库的模糊度.

该安全预警系统是周期性工作的.当大量新的有代表性的监测数据输入系统,数据融合模版与新的数据不再匹配,输出误差超出限制时,可启动预警系统的下一个工作周期：在存储了一定数量新数据的基础上,通过数据挖掘模块重新建立融合模板,并通过该模板融合新的数据.如此循环工作,不断的进行自我纠正,融合的模板将更为准确,数据库也更完备,使该系统的性能大大提高.

3安全预警管理系统数据挖掘模块设计

本文主要采用粗糙集(RS)理论和径向基(RBF)神经网络相结合的方法.粗糙集(RS)理论首先对检测数据进行属性约简,保持原信息系统分类能力不变的情况下,对数据属性进行约简,剔除冗余成分,导出问题的决策分析；径向基神经网络具有较强的分类能力,网络的权值可由线性方程组地推计算,从而大大加快了学习速度并避免了局部极值问题.

3.1评价指标体系的确定

评价指标体系的选择和确定是评价研究对象的基础和关键,直接影响到评价的精度和结果.指标体系应能反映掘进面瓦斯爆炸事故的特征和基本状况,以反映系统存在的危险状态为目标.因此,指标体系的构成要素对评价过程至关重要,选择的因素太多,可能过分增加系统指标体系结构的复杂程度和评价的难度,并且有可能掩盖了主要的关键因素；指标因素过少,评价过程虽然简单易行,但难以全面反应系统客观状况,因此必须科学、客观、全面的确定指标体系.

在遵循安全评价原则的前提下,依据三类危险源的观点,通过对瓦斯爆炸“三要素”诱发因子的分析,结合实地调查研究,确定瓦斯爆炸危险源评价指标体系.瓦斯爆炸危险源评价指标体系包括三大类,共涵盖28个评价指标：其中,第一类危险源是指固有存在的危险物质等因素,包括平均断层落差、瓦斯浓度、顶板状况、平均瓦斯涌出量、自燃发火期；第二类危险源是能够约束第一类危险物质能量的措施等因素,即机械设备保养维修合格率、瓦斯抽放设备完好率、设备故障率、安全防护设备完好率、风量供需比、温度控制合格率、通信设施完好率、通防设施完好率、局扇完好率；第三类危险源是指个人或组织管理等因素,即安全管理组织机构设置合理性、外部监察、技术人员平均工龄、专业安全管理人员占有率、工人受教育年限、工人平均工龄、工人技术水平达标率、“三违”发生频率、工人平均受培训时间、安全投入兑现率、监管有效性、管理干部安全监察水平、违规违章惩罚到位率、安全信息管理体系、安全系统信息化体系.

3.2评价等级的确定

根据煤矿安全生产的特点及其影响因素,可将瓦斯爆炸安全评价等级分为五个级别,如下表所示.

3.3应用RS方法进行评价样本属性约简

对监测数据进行属性约简,从而简化网络结构,缩短网络训练时间,提高识别精度,简化表中的内容也更直观,同时简化后的决策表要与原决策表具有相同的功能.

3.4运用径向基(RBF)神经网络模型进行分类

使用粗糙集对原始瓦斯爆炸危险源评价指标样本数据属性约简后保留了瓦斯爆炸危险源评价指标体系的核心属性,这大大减少了计算量,简化了计算过程.然后根据约减后的核属性对所研究的瓦斯爆炸危险源评价样本进行多级分类.

4实际算例

4.1样本数据收集

本文在建立煤矿瓦斯爆炸安全管理模型的基础上,以山西官地煤矿等各主要煤矿所收集的历史数据作为评价专家样本,结合生产现场的实际情况收集资料进行安全评价,以此检验评价模型的可行性、适用性.

4.2RS约简

用Rosetta工具对样本数据进行预处理,对预处理后的决策表属性约简,约简得到的结果为：平均断层落差、瓦斯浓度、平均瓦斯涌出量、机械设备保养维修合格率、设备故障率、安全防护设备完好率、通防设施完好率、安全管理组织机构设置合理性、外部监察、技术人员平均工龄、工人平均工龄、工人平均受培训时间、安全信息管理体系与安全系统信息化体系.

4.3RBF神经网络分类

运用粗糙集理论对原始样本进行属性约简保留了14个核属性,进而运用RBF神经网络的基本原理对这14个核属性进行多级分类.评价结果为第三种安全等级――中等级(Ⅲ).

4.4结果分析

通过上述指标分析,第一类危险源对第二类危险源中的子因素作业环境有显著效应；第二类危险源中的子因素防护设备对第一类危险源有显著效应；第三类危险源中的子因素安全管理组织因素对第一类危险源有显著效应；第三类危险源中的子因素安全管理组织因素对第二类危险源中的机械设备可靠性子因素和防护设备子因素有显著效应；第三类危险源中的子因素安全信息管理体系因素和子因素安全系统信息化体系因素对第一类危险源与第二类危险源有显著效应.由此可见,三类危险源中的评价指标是相互联系,相互影响的.

另一方面,上述评价样本的评价结果比对实际情况,两者相符合.因此,样本在经过粗糙集理论的约简后,保留下的核属性依然保有较高的评价分类能力.同时,径向基神经网络的功能就在于它能够对评价样本作出较为正确的区分,这表明,该评价模型有良好的适用性.

粗糙集约简后保留下了14个核属性,对应的危险源评价指标分别是平均断层落差、瓦斯浓度、平均瓦斯涌出量、机械设备保养维修合格率、设备故障率、安全防护设备完好率、通防设施完好率、安全管理组织机构设置合理性、外部监察、技术人员平均工龄、工人平均工龄、工人平均受培训时间、安全信息管理体系与安全系统信息化体系.这样的分析结论正是指导我们要在平日的安全工作中加强对这些保留下的核属性的监控和防范,与此同时,对其余较为薄弱的环节也不可掉以轻心,这样才能起到对煤矿瓦斯事故的预防和控制的目的.

5结论

煤矿安全事故是在多个方面共同作用下发生的,对煤矿事故的管理必须要从“硬件”和“软件”两方面同时着手,既要不断完善安全管理法规、保证安全设备、机械等的可靠性,同时更要科学管理,提高基层职工安全意识,完善安全信息管理体系.

本文只针对煤矿瓦斯爆炸危险源进行研究,而煤矿有瓦斯、水、火、顶板、矿尘五大灾害,且各种灾害之间往往联系紧密,相互影响.因此,对每一种灾害系统进行充分研究是进行矿井综合安全评价的基础,对矿井的综合评价及预警还需要开展大量的研究.