瓦斯多因素耦合关系分析及预警模型构建方法

1.本发明涉及煤矿安全技术领域，具体为瓦斯多因素耦合关系分析及预警模型构建方法。


背景技术：

2.在煤矿信息化、智能化建设的过程中，“数据海量，信息缺乏”是普遍存在的问题。对矿井监测数据进行分析研究，依据分析结果指导生产，对煤矿企业实现新时期煤炭工业及相关产业的高质量发展有着重要的意义。瓦斯监测数据是关乎煤矿生产安全的一类重要数据，而瓦斯监测数据中往往存在大量的异常数据，虽然煤矿井下瓦斯监测系统已逐渐较为完善，但对系统所采集数据的分析与处理还存在不足。大多仅对瓦斯数据进行了基于时间序列的预测分析及规律提取，缺乏对瓦斯异常值数据进行不同影响因素维度间关联规则的挖掘分析，较难满足煤矿安全生产的需求。
3.瓦斯监测数据是关乎煤矿生产安全的一类重要数据，但瓦斯监测数据中往往存在大量的异常数据，这些异常数据有可能是噪声引起，也有可能是危险发生的前兆，但目前矿井监控系统并不能有效区分，仅依据预设的瓦斯浓度阀值指标进行临灾预警，存在一定风险。而井下瓦斯异常成因多种多样，且瓦斯异常所导致的危险程度也有不同，因此亟需构建针对在不同危险程度下对瓦斯险情的分级预警机制，不仅可以提前预警瓦斯险情的存在，还可以提前设置预案应对不同级别的瓦斯险情。
4.现有技术多数是对井下固定某一监测点监测数据的分析与规律提取，对瓦斯突出、瓦斯超限建立预警模型，已有一定的研究成绩但仍存在一些不足：
5.(1)目前对瓦斯监测数据的规律分析和预测大多数情况下在数据处理过程中舍弃了瓦斯传感器所上传的异常值数据，未对该部分异常值进行充分利用和挖掘，发现其潜在的特征与规律，缺乏对该部分数据的二次利用。
6.(2)在瓦斯预警方面现有的技术仅考虑工作面瓦斯突出与涌出量等因素，在单维数据内进行考量和评估瓦斯风险，未考虑其它因素对工作面瓦斯浓度的影响，比如上隅角瓦斯浓度、本煤层瓦斯浓度以及由于采空区域的形成会造成底板压力波动，煤层的地质结构也会随之变化，从而使得工作面液压支架所承受的压力发生波动，影响煤层瓦斯的释放率，进一步影响工作面瓦斯浓度。


技术实现要素：

7.在以往研究工作面瓦斯特征的过程中大多是基于瓦斯浓度预测，瓦斯赋存规律等，对于所监测的瓦斯数据中的异常值的深度分析及通过分析建立瓦斯险情的分级预警机制方面较少。本发明的目的在于构建工作面瓦斯多因素耦合关系分析及分级预警模型，通过提取并分析瓦斯监测过程中的异常值，构建关联规则学习集，设计分级预警机制，解决对工作面瓦斯险情进行分级预警的技术问题。
8.为实现上述目的，本发明提供如下技术方案：瓦斯多因素耦合关系分析及预警模
型构建方法，具体包括以下步骤：
9.步骤一，采集工作面、上隅角、本煤层瓦斯浓度数据以及工作面液压支架压力数据；
10.步骤二，对四个维度数据进行基于簇新初始值选取优化的k
‑
均值算法异常值检测；
11.步骤三，提取异常值作为关联规则挖掘的原始数据；
12.步骤四，对原始数据进行降维处理，转换为0
‑
1布尔矩阵；
13.步骤五，采用基于支持度权值优化的apriori算法对矩阵进行关联规则挖掘；
14.步骤六，最终确定四个瓦斯影响因素之间的耦合关系，探索其关联规则，并确定瓦斯预警等级。
15.优选的，所述apriori算法采用逐层搜索迭代方法，用k项集搜索(k+1)项集，找出所有频繁项集，由频繁集产生强关联规则。
16.优选的，设φ＝{i1，i2，
…
，i
m
}是项的集合，设任务相关的数据d是数据库事务的集合，其中每个事务t是一个非空项集，使得每个事务都有一个标识符，称为tid；
17.设a是一个项集，事务t包含a，当且仅当关联规则是形如的蕴涵式，其中并且
18.规则在事务集中成立，具有支持度s，其中s是d中事务包含a∪b的百分比，为概率p(a∪b)；
19.规则在事务集d中具有置信度c，其中c是d中包含a的事务的同时也包含b的事务的百分比。这是条件概率p(b|a)。即：
[0020][0020][0021][0022][0023]
其中，support_count(a∪b)是包含项集a∪b的事务数，而support_count(a)是包含项集a的事务数。同时满足最小支持度阈值(min_sup)和最小置信度阈值(min_conf)的规则为强规则。
[0024]
优选的，传统的apriori算法在挖掘频繁项集过程中会将低于最小支持度阈值标准的项集在剪枝过程中被删除，若存在对工作面瓦斯险情影响较大但却检测出的瓦斯异常数值较少无法达到所设定的支持度阈值大小的部分数据时，此时，算法便会将其删除，从而缺失该部分的险情规则。鉴于此，对算法支持度进行优化，将在支持度计算过程中加入一个权重参数，使其出现频率不高的瓦斯异常数值得以加入频繁项集。设计支持度阈值函数为：
[0025][0026]
其中support(x)为所给定项集的支持度，λ
x
为权重参数，d为事务集。对于任意一个x＝{x1,x2,
…
,x
r
}，其中x
i
∈i(i＝1,2,
…
,r)，若x为单项，其权重系数在项集产生后赋值，否则，需从包含的各项中获得权重参数，即：
[0027]
λ
x
＝f(λ
x1
,λ
x2
,
…
,λ
xr
)＝min(λ
x1
,λ
x2
,
…
,λ
xr
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0028]
表示权重参数计算函数为权重参数中的最小值。
[0029]
优选的，瓦斯数据中的异常值可视为聚类过程中的离群点，因此对于异常值的提取可基于聚类的方法通过考察对象与簇之间的关系检测离群点，使用k
‑
均值聚类，对于每个对象o，都可以根据该对象与最近簇中心的距离，赋予该对象一个离群点得分。
[0030]
优选的，假设到o的最近中心为c
o
，则o与c
o
之间的距离为dist(o,c
o
)，c
o
与指派到c
o
的对象之间的平均距离为
[0031]
比率度量dist(o,c
o
)与平均值的差异程度，将远离对应中心的点被怀疑为离群点；
[0032]
k
‑
均值算法目的是将n个m维数据x＝{x1,x2,...,x
n
}，x
i
∈r
m
(1≤i≤n)，聚类到k个集合。
[0033]
优选的，上述算法采用随机抽取初始簇心的方法聚类数据，其会导致不同的初始值对应不同的聚类结果，因此须对初始簇心的选取方法进行优化。由于煤矿采掘工作面的生产具有周期性，即采煤机进刀－割煤－装煤－运煤－移架，一日三班循环作业，期间或进行检修、钻眼、支护等工序，且每天的生产工序较为固定，因此所采集的数据集中前序数据聚类簇心和后序数据的簇心存在相似性，所以利用前序数据子集的聚类簇心来优化所有数据的初始聚类簇心是可行的，算法描述如下：
[0034]
设瓦斯监测数据集为n个m维数据x＝{x1,x2,...,x
n
}，x
i
∈r
m
(1≤i≤n)，聚类到k个集合，抽取瓦斯数据集x的前序数据子集集，采用轮廓系数发确定前序数据集x
pro
的最适宜的聚类数值k，对于前序数据集x
pro
，随机确定k个聚类簇心c
pro
＝{c
pro1
,c
pro2
,...,c
prok
}，然后根据每个聚类集合中所包含的数据，采用公式计算待聚类数据和簇心之间的距离，采用公式作为准则函数更新迭代簇心值，直至确定最终聚类结果，得到前序数据子集的最终聚类中心集合c
pro
＝{c
pro1
,c
pro2
,...,c
prok
}；
[0035]
设定数据集x的k个初始聚类簇心c＝c
pro
，应用k
‑
均值算法确定最终的聚类中心。给定阈值θ，若某数据值和聚类中心的距离大于θ，则判断其为异常值。
[0036]
与现有技术相比，本发明的有益效果是：
[0037]
本发明打破了传统瓦斯预警方法，采用异常值检测和数据挖掘的方法将对瓦斯监测数据进行分析，构建针对在不同危险程度下对瓦斯险情的分级预警机制，不仅可以提前预警瓦斯险情并将其按照危险程度分级，还可以提前设置预案应对不同级别的瓦斯险情。
附图说明
[0038]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领
域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为瓦斯浓度数据三维分布图；
[0040]
图2为压力数据散点分布图；
[0041]
图3为前序和后序瓦斯浓度数据热力相关系数图；
[0042]
图4a为轮廓系数法中k不同取值下轮廓系数折线图；
[0043]
图4b为轮廓系数法中不同k值与轮廓系数下的聚类示意图；
[0044]
图5为前两天数据集聚类效果图；
[0045]
图6为前两天数据异常值标识图；
[0046]
图7为七天数据集聚类效果图值检测；
[0047]
图8为七天数据异常值标识图；
具体实施方式
[0048]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0049]
请参阅图1～8，本发明提供以下种技术方案：
[0050]
实施例一
[0051]
以某矿某工作面作为试验工作面对上述模型进行验证，分别对本煤层抽放管道、回采工作面及上隅角布置瓦斯浓度传感器，对工作面液压支架布置压力传感器。
[0052]
工作面、本煤层以及上隅角的瓦斯数据以5秒为间隔进行采集，取5分钟内瓦斯最大值作为实验数据值，将压力数据每5分钟进行一次取值与瓦斯数据抽取值的时间节点相对应，共整理了7天的数据，分别记为：u
x
、w
x
、c
x
以及s
x
，4个维度各采集数据2016组。从而得到上隅角、工作面、本煤层抽取的瓦斯浓度，数据三维分布图如图1所示，压力数据散点图分布如图2所示，从图中可看出数据中存在部分异常点，需采用异常值检测算法对其检测。在采集瓦斯的同时对瓦斯监测监控系统中所出现的瓦斯险情报警信息进行记录，共记录瓦斯险情55条。
[0053]
设定前2天上隅角、工作面、本煤层瓦斯浓度数据前序数据集分别为及各576组，后5天的数据集分别为及各1440组。前、后序瓦斯数据集最大值、最小值及均值特征如下表1所示，
[0054][0055]
表1初始聚类中心对比
[0056]
对前后序数据进行热力相关性分析，得到热力相关性系数图如图3所示，可以看出
上隅角、工作面及本煤层前后序数据的相关性系数绝对值均大于0.1，具有较强的相关性。
[0057]
采用k
‑
means聚类算法将待分类数据分为k个簇，采用轮廓系数法分别计算簇中每个向量到所有它属于的簇中其它点的距离a(i)以及到与它相邻最近的一簇内的所有点的平均距离b(i)，那么i向量的轮廓系数即为：可见轮廓系数的值是介于[
‑
1,1]，越趋近于1代表内聚度和分离度都相对较优。将k分别取值为2、3、4、5、8，分别计算其轮廓系数如下图4a、4b所示，由图得知，当时所计算得轮廓系数值最大为s(i)＝0.89，根据轮廓系数法得知此时的聚类效果最优。
[0058]
由上述得，取对前序数据集进行聚类，其聚类效果如图6所示。对聚类后的散点进行异常值及离散点进行检测，设定，阈值为2时检测出异常数据为29组，检测效果如图5所示。
[0059]
采用前序数据集聚类簇心优化全数据集的聚类簇心，并对整个数据集进行异常值检测，全数据集的聚类效果三维图如下图7所示，全数据集异常值标识图如下图8所示，优化簇心同随机初始簇心簇心变化情况对比如表2所示。
[0060]
本次数据采集过程中支架压力数据初始值均为24mpa，随着采动影响，煤层应力结构发生变化时，支架压力也随之发生变化。同样采用上述异常值检测方法对支架压力数据进行检测。此次通过异常值检测共检测出253组异常数据，其包含：工作面瓦斯浓度异常值56组，上隅角瓦斯浓度异常值58组，本煤层瓦斯浓度异常值56组，支架压力数据异常值83组，共记录险情(d)55组。将所检测出异常数据值及险情记录转化为0
‑
1布尔矩阵，异常数据记为1，正常数据为0，有险情为1，无险情为0，共有125组异常数据组合。部分转换的0
‑
1布尔矩阵如表2所示，对其进行基于上述构建的优化过后的apriori算法进行关联规则挖掘。
[0061]
[0062][0063]
表2部分异常数据组0
‑
1布尔矩阵表
[0064]
利用apriori算法对工作面、上隅角、本煤层瓦斯浓度及支架压力检测出的异常值之间的耦合关系进行分析。设定最小支持度阈值为20％，最小置信度阈值为60％，得到关联规则结果如表3所示，共得到16条关联规则，表中con表示关联规则的前提条件，此次挖掘产生的关联规则中分别有1个、2个和3个的前提条件，re表示关联规则中前提条件导致的结果，sup表示关联规则支持度，cof表示关联规则置信度。
[0065][0066]
表3工作面、上隅角、本煤层和支架压力数据耦合关系规则表
[0067]
通过上表以及图中可以看出工作面、上隅角及本煤层瓦斯浓度、支架压力之间有着较强的关联关系。任意两个维度的数据出现异常均会导致除本煤层外的其他维度数据的异常，本煤层瓦斯浓度主要受到采动过程中矿山压力和瓦斯赋存自然因素的影响，因此在关联规则中导致本煤层出现异常的关联规则有2条且均是压力维度数据异常为前提条件。
[0068]
同样采用上述方法探索工作面、上隅角、本煤层、支架压力四个维度与井下瓦斯险情之间的关联关系，设定最小支持度阈值为20％，最小置信度阈值为60％，得到14组关联规则，如下表4。
[0069][0070]
表4井下瓦斯险情与煤矿异常数据训练集部分关联规则
[0071]
通过以上结果可以看出上隅角、本煤层和工作面瓦斯浓度数据及压力数据中有三个维度以上的数据检测出异常时，是有100％的置信度导致瓦斯险情的发生。在两个因素导致结果的关联规则中仅有当本煤层，工作面和工作面压力，工作面两组数据异常前提条件
下险情发生的置信度才为100％，其余两个因素导致结果的关联规则置信度均在95％以上；单个因素导致险情的关联规则置信度较前两者较低，在75％左右。因此可以看出井下多种异常因素较单种异常因素而言更容易导致瓦斯险情的发生。
[0072]
通过设定不同的置信度得到强、较强、较弱及弱关联规则，将规则根据置信度由高到低将险情预警等级由强到弱依次分为ⅰ级、ⅱ级、ⅲ级、ⅳ级四个等级，具体如下表5所示。
[0073][0074][0075]
表5井下瓦斯险情预警等级表
[0076]
由上表可以看出ⅰ级(sup≥0.2，cof≥0.99)险情预警置信度均为100％，且大多均为3个维度数据同时异常所导致的，本煤层、上隅角、工作面及支架压力数据检测到异常值时可能是在采动过程中破坏了煤层结构也使得水文等条件发生了变化，导致多处出现瓦斯涌出；ⅱ级(sup≥0.2，0.99＞cof≥0.7)险情预警主要由2个维度数据异常导致的，从此类关联规则的前提条件中可以看出本煤层和上隅角瓦斯浓度异常出现频率较高；ⅲ级(sup≥0.2，0.7＞cof≥0.5)和ⅳ级(sup≥0.2，0.5＞cof≥0.4)险情成因较为单一，仅由一个维度的数据异常导致瓦斯的险情。
[0077]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。