基于模糊模式识别的瓦斯含量指标异常预警技术.pdf

第 1 7 卷 第 9 期 2 0 0 7 年9 月 中国安全科学学报 ChinaSafetyScienceJournal Vol. 17No. 9 Sep.2 0 0 7 基于模糊模式识别的瓦斯含量指标异常预警技术 * 杨禹华 1 高级工程师 钟震宇 2 蔡康旭 3 教授 1湖南科技大学建筑与城乡规划学院, 湘潭 411201 2广东科学院自动化工程研制中心, 广州 510070 3湖南科技大学能源与安全工程学院, 湘潭 411201 学科分类与代码 620 . 5040 中图分类号 X936 文献标识码 A 摘 要 提出利用模糊模式识别技术对瓦斯涌出异常进行动态预警的新思路; 通过对已知巷道 的瓦斯含量监测数据和素描图进行分析, 提取引起瓦斯涌出异常的前兆特征作为模式识别的特征向 量, 来对实时监测的巷道的工况进行判断, 确定其是否存在瓦斯涌出异常的可能性。该方法将传统 煤矿安全监控系统事后报警转变成事前预警, 提高了系统的可用性。 关键词 模糊模式识别; 瓦斯涌出异常; 前兆特征; 特征向量; 动态预警 Gas Content Pre warni ng Technology Based on Fuzzy Pattern Recognition YANG Yuhua 1, Senior Engineer ZHONG Zhenyu2 CAIKangxu3, Prof . 1 School ofArchitecture abnor mal gaseffusing; precursory features; eigenvector ; dynam ic early warning 0 引 言 在煤矿安全生产监控系统的研究中, 如何利用 现场监测的瓦斯数据来进行有效的预警预测, 是当 前研究和关注的主要热点之一。监控系统采集的数 据是通过传感器对现场环境测量得到的, 而瓦斯传 感器所监测到的是空气中的瓦斯含量浓度, 对于采 掘生产场所而言, 其通风量在一定距离内可以看成 相对稳定的。因此, 基于瓦斯含量浓度指标动态预 警可看成基于相对瓦斯涌出量的预警, 即对瓦斯涌 出异常进行防范。 模式识别技术诞生于 20世纪 20年代, 自 50年 *文章编号 1003- 3033 2007 09- 0172- 05 ; 收稿日期 2007- 03- 23; 修稿日期 2007- 08- 30 代末以来得到了迅速的发展和广泛的应用。它是模 拟人脑形象思维, 根据事物的特征、 形象或关系, 辨 识、 判定和处理事物的一种智能决策方法和技术。 模糊模式识别是其主要方法之一, 它是采用隶 属度函数作为样品与模块间相似程度的度量, 允许 识别对象有相当程度的干扰与畸变。而在瓦斯涌出 异常的模式识别过程中识别对象本身存在着模糊 性, 故在瓦斯涌出异常的动态预警中, 模糊模式识别 技术较其他方法更为优越而实用。 1 瓦斯涌出异常预警技术 瓦斯涌出异常是指采掘时煤层或岩层中的瓦斯 在极短的时间内, 突然大量的涌出。瓦斯涌出异常 的范围是局部的、 短暂的、 突发性的, 但其危害极大。 造成瓦斯涌出异常的原因很多, 基本上和煤与瓦斯 突出成因一致, 但二者又有本质的区别。 在发生煤与瓦斯突出之前通常会出现瓦斯涌出 异常现象, 而出现瓦斯涌出异常现象不一定会发生 煤与瓦斯突出。尽管瓦斯涌出异常不一定会造成灾 害, 但通过对瓦斯涌出异常的动态预警, 可以有效地 预防煤与瓦斯突出的发生。 煤与瓦斯突出预测的研究已有许多年, 技术较 为成熟。从预测的范围与时间来分, 大致可分为区 域预测和局部预测。前者的任务是确定矿井、 煤层 和煤层区域的危险性, 其预测称为长期预测; 后者的 任务是及时预测局部地点即采掘工作面的突出危险 性, 其预测称为工作面预测。 在工作面预测指标的选取上, 已由 20 世纪 80年代的单因素假说发展到多因素假说。其中, 瓦 斯动态涌出指标法是一种典型代表。该方法是利用 煤矿安全生产监控系统连续监测工作面的瓦斯涌出 变化趋势, 结合其他引起突出的因素指标一起综合 考虑, 来分析瓦斯涌出与突出之间关系的预测预警 技术, 避免了单因素指标法的缺陷, 提高了预测 精度 [ 13]。 与突出预测一样, 瓦斯涌出异常预警技术就是 将瓦斯涌出量与各种引起瓦斯涌出异常的因素相结 合, 寻找它们之间的内在关系, 通过模式识别技术, 监控主机对采集到的瓦斯实时监测数据进行分析, 对可能出现的事故进行提前预警。 2 瓦斯涌出异常模式识别系统的实现 实现瓦斯涌出异常状态的识别的过程包括通过 监控系统获取瓦斯浓度监测数据, 预处理, 提取瓦斯 涌出异常的特征信息, 建立隶属函数, 模糊识别, 输 出识别结果。笔者着重探讨特征信息的提取、 隶属 函数的建立和模糊识别的方法。 21 特征的提取与选择 瓦斯浓度监测值曲线的 x 轴为时间坐标, 单位 是小时; y轴为瓦斯含量坐标, 单位是 。在对瓦斯 浓度监测值曲线分析时, 主要需识别以下两种目标 1 炮采方式下纯放炮引起的瓦斯涌出异常 特征。 2 掘进过程中其他因素引起的瓦斯涌出异常 特征。 通过对某矿区的现场监测资料进行分析可知 在掘进过程中, 在没有其他因素影响的情况下, 瓦斯 浓度监测 值通常是平稳的。在 放炮过程中, 如 图 1 a所示, 瓦斯浓度监测值曲线在很短时间内会 超过预警值, 然后再回落到放炮前的水平, a- b段 内通常呈现出三角形, 一般周期为 2 3小时。 掘进过程中其他因素引起的瓦斯浓度监测值曲 线波动通常是渐变的, 波动周期较长, 在发生涌出异 常前通常有一定的前兆特征, 通过分析可得到两类 前兆特征 图 1 几种瓦斯涌出异常状况的瓦斯浓度监测值曲线 ∀173∀ 第 9期 杨禹华等 基于模糊模式识别的瓦斯含量指标异常预警技术 一类是多峰型, 如图 1 b所示, 即在放炮后, 曲 线在高端出现振荡, 形成多个尖峰, 出现这种特征后 的一到两次放炮过程中就会发生瓦斯涌出异常; 另一类是增量型, 如图 1 c所示, 在起始位置 a- b段斜率较低, 过 b 点后突然升高, 经较长一段 时间后回落到正常值, b点位置是放炮点, 其先兆特 征的识别即是对 a- b段的识别判断。因此, 放炮是 诱发瓦斯涌出异常的主要因素, 要对瓦斯涌出异常 进行动态预警, 就必须对其先兆特征进行识别 [ 46]。 通过对瓦斯浓度监测值曲线分析, 根据待识别 类的特点, 可以提取以下几种特征 特征 1 瓦斯浓度值 F1。F1为曲线的幅值, 可 描述为 低∃11、 中等 ∃12和 高 ∃13。 特征 2 增量 F2。F2为图 1 c中的 a- b段的增 量, 可描述为 下降∃21、 平缓∃22和上升 ∃23。 特征 3 峰值 F3。F3为放炮后曲线出现的尖峰 数, 可描述为 无峰∃31、 单峰∃32和 多峰 ∃33。 22 隶属函数度的选取 在完成特征的提取与选择后, 需要将输入变量 模糊化。输入变量是导致瓦斯涌出异常的各种因素 论域内的某一确定值, 输入变量经过隶属度函数模 糊化后, 变换为由隶属度表示的 0 和 1 之间的 某个值 [ 7]。 瓦斯浓度值 F1采用梯形函数, 其隶属函数的数 学表达式如下 11x 10 0 a b- x b- a a x b 0 x b x - a b- a a x b 1b x c d- x d- c c x 0 . 8 , 故待检样本应归为 ∀175∀ 第 9期 杨禹华等 基于模糊模式识别的瓦斯含量指标异常预警技术 增量型异常状态, 若不作处理放炮的话, 将可能会导 致瓦斯涌出异常。实际掘进过程中并未作处理, 在 随后的放炮过程中出现瓦斯涌出异常, 经分析为地 质构造因素引起的涌出异常。 4 结 论 1 利用瓦斯监测数据和相配套的巷道素描图 上的信息, 提取在掘进过程中因地质构造、 顶板破碎 等特殊因素造成瓦斯涌出异常的区段内瓦斯监测数 据的变化趋势, 建立出瓦斯含量浓度指标动态监测 预警模型。 2 在模糊模式识别中, 隶属函数中参数阈值的 选取会对预测结果准确率有影响, 如果希望进一步 提高预警的精度, 应当考虑结合区域预测的结果进 行综合分析, 这样可以增加识别准确率。 3 该方法应用有其个性, 在其他煤矿使用时, 应先对已有的监控资料进行分析, 提取适合于该矿 的特征向量, 但具体实现方式可以借鉴该方案。 4 基于瓦斯含量浓度指标动态监测预警技术 是一种趋势预测, 它的应用将煤矿安全生产监控系 统的事后报警转变成事前预警, 提高了监控系统的 可用性。 参 考 文 献 [ 1] 聂百胜, 何学秋, 王恩元等. 煤与瓦斯突出预测技术研究现状及发展趋势 [ J]. 中国安全科学学报, 2003 , 136 40 43 [ 2] 于不凡. 煤和瓦斯突出机理 [ J]. 北京 煤炭工业出版社, 1985 . 2 [ 3] 苏文叔. 利用瓦斯涌出动态指标预测煤与瓦斯突出 [ J]. 煤炭工程师, 1996 5 1 7 [ 4] 赵红英, 郑国强, 鲍建军. 模糊模式识别在车型分类中的应用 [ J]. 拖拉机与农用运输车, 2005 2 27 29 [ 5] 芮绍发, 陈富勇, 宋三胜. 煤矿中小型构造控制瓦斯涌出规律 [ J]. 矿业安全与环保, 2001 , 286 18 19 [ 6] 南存全, 冯夏庭. 基于模式识别的煤与瓦斯突出区域预测 [ J]. 东北大学学报 自然科学版 , 2004 , 25 9 903 906 [ 7] 孙即祥. 现代模式识别 [M ]. 长沙 国防科技大学出版社, 2002. 1 ∀176∀ 中国安全科学学报 ChinaSafetyScienceJournal 第 17卷 2007年