牛嘉野軍

（山西西山金城建筑有限公司，山西 太原 030053）

在煤礦生產(chǎn)過程中，存在多種安全隱患，頂板、瓦斯、放炮、地下水等都易造成安全事故，其中尤其以瓦斯危害最大。據(jù)相關(guān)統(tǒng)計，我國煤礦重大事故中80%以上是瓦斯事故[1]。瓦斯事故的主要形式為瓦斯爆炸、瓦斯中毒窒息、煤與瓦斯突出，同時容易衍生巷道垮塌、煤塵爆炸等次生災(zāi)害。因此，研究煤礦瓦斯涌出規(guī)律，發(fā)展瓦斯災(zāi)害預(yù)警技術(shù)，具有重要的現(xiàn)實意義。

井下各巷道中，掘進工作面由于開拓新鮮煤層，頂板及煤壁支護不足，通風(fēng)困難，最易造成瓦斯積聚，從而引發(fā)瓦斯事故。傳統(tǒng)炮采作業(yè)，造成掘進面瓦斯?jié)舛葦嘌率阶兓?，使得瓦斯預(yù)警難度極大。而目前大部分礦井已經(jīng)實現(xiàn)機械化開采，掘進面進尺、落煤速率穩(wěn)定，工作面瓦斯?jié)舛茸兓渤尸F(xiàn)出一定的規(guī)律性，為發(fā)展瓦斯災(zāi)害預(yù)警技術(shù)奠定了基礎(chǔ)。本研究在搜集西山煤電下轄各煤礦掘進面瓦斯?jié)舛葯z測數(shù)據(jù)的基礎(chǔ)上，運用統(tǒng)計分析方法，分析掘進面瓦斯涌出規(guī)律，提出一種新的瓦斯災(zāi)害預(yù)警技術(shù)。

1 瓦斯災(zāi)害預(yù)警方法

煤礦巷道瓦斯預(yù)警是復(fù)雜的非線性問題，傳統(tǒng)的鉆孔碎屑法、碎屑解吸法等接觸式探測手段都是靜態(tài)的、斷點的，且易干擾正常生產(chǎn)，因而新型瓦斯災(zāi)害預(yù)警方法的方向是發(fā)展非接觸的瓦斯預(yù)警系統(tǒng)。目前主要的瓦斯預(yù)警方法有以下幾種。

（1）神經(jīng)網(wǎng)絡(luò)預(yù)測法

神經(jīng)網(wǎng)絡(luò)算法是基于人工智能科學(xué)發(fā)展而來的分支，適用于非線性函數(shù)計算，具有自識別和自學(xué)習(xí)能力。已有研究將其與瓦斯監(jiān)測相結(jié)合建立了瓦斯預(yù)測神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用于煤層、采空區(qū)等瓦斯涌出規(guī)律預(yù)測[2]。但模型中神經(jīng)元個數(shù)以及對于瓦斯涌出影響因素的選取都具有較大的主觀性，預(yù)測結(jié)果精準(zhǔn)度不足。

（2）GIS 區(qū)域預(yù)測系統(tǒng)

GIS 區(qū)域預(yù)測系統(tǒng)主要基于礦井瓦斯地質(zhì)信息進行編輯控制，將區(qū)域瓦斯等值線、瓦斯分布趨勢圖等進行圖像化處理，為瓦斯涌出規(guī)律提供參考。該方法可視性強，但將地質(zhì)構(gòu)造作為瓦斯涌出的主要因素，不適用于掘進工作面作業(yè)條件。

（3）混沌時間序列預(yù)測法

混沌時間序列預(yù)測法可以分為兩大類：基于非線性數(shù)學(xué)模型的動力學(xué)方法、基于實際觀測數(shù)據(jù)的相空間重構(gòu)法。研究表明，基于已有瓦斯涌出監(jiān)測數(shù)據(jù)建立的預(yù)測模型，可以較好地預(yù)測瓦斯涌出規(guī)律并識別異常特征值，發(fā)出預(yù)警[3]。

混沌時間序列預(yù)測法科學(xué)依據(jù)充足，模型預(yù)測精度高，但建立模型所需數(shù)據(jù)繁多，算法龐雜[4]。因此本文選擇相空間重構(gòu)法，將掘進面瓦斯監(jiān)測數(shù)據(jù)以統(tǒng)計分析方法進行分析，兼顧了計算量以及模型精度。

2 基礎(chǔ)數(shù)據(jù)整理

數(shù)據(jù)的監(jiān)測一般是通過布置在各觀測點的傳感器測得，傳感器之間通過線路連接，通過電磁信號測定數(shù)據(jù)。井下生產(chǎn)環(huán)境復(fù)雜，不同型號的傳感器也存在工作方式、測量精度的不同，因此對于搜集的掘進工作面瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)必須進行二次處理，才能作為統(tǒng)計分析的依據(jù)。具體整理方法如下。

（1）異常值

異常的極大值或極小值是常見異常點之一，其形成原因較為復(fù)雜，難以確定，可能是由于傳感器信號線接觸不良、其他設(shè)備電磁干擾、數(shù)據(jù)記錄設(shè)備異常等。一般對于極小值（零值）直接剔除，將該段時間之前10 min 的數(shù)據(jù)取均值進行替代。對于極大值則不能簡單剔除，有可能是高濃度瓦斯瞬間積聚引起的，必須進行進一步分析。

（2）數(shù)據(jù)缺失

數(shù)據(jù)缺失的原因可能是供電系統(tǒng)斷電、網(wǎng)絡(luò)故障或傳感器檢修、損壞等。缺失數(shù)據(jù)具體區(qū)分為長時缺失（＞30 min）和短時缺失（≤30 min），含長時缺失的數(shù)據(jù)序列會造成模型模擬誤差較大，因此予以剔除，短時缺失數(shù)據(jù)一般是利用前后相鄰時間段的數(shù)據(jù)進行補齊。由于瓦斯監(jiān)測數(shù)據(jù)可以視為是一組隨時間序列隨機排列的數(shù)列，因此適用于自回歸模型（AR 模型）對其進行預(yù)測。即已知x1～x(t-1)之間的數(shù)據(jù)排列，假定xt時期與前述時期保持線性關(guān)系，從而預(yù)測該時期內(nèi)數(shù)列值。

（3）數(shù)據(jù)精度不足

數(shù)據(jù)監(jiān)測精度與傳感器的工作方式、型號以及調(diào)較有關(guān)，現(xiàn)場安裝調(diào)試操作不規(guī)范也有可能造成精度不足。對于這一類數(shù)據(jù)，為避免對于分析結(jié)果的影響，應(yīng)當(dāng)剔除，以保證基礎(chǔ)數(shù)據(jù)精度相同。

3 掘進面瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)統(tǒng)計分析

該研究從西山煤電各下轄十多個煤礦搜集了各個工作面巷道掘進過程瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)57組，經(jīng)預(yù)處理后，選擇48 組作為基礎(chǔ)數(shù)據(jù)，利用Matlab 軟件進行統(tǒng)計分析，最終將其分為離散分布、正態(tài)分布、復(fù)雜非線性分布。結(jié)合樣本數(shù)量，利用改進的K-S 檢驗法，即軟件自帶的D 檢驗法，并結(jié)合W 檢驗進行檢驗。采用95%的置信區(qū)間，當(dāng)數(shù)據(jù)顯著水平＞0.05 時，接受假設(shè)，即認(rèn)為該組數(shù)據(jù)符合正態(tài)分布；當(dāng)數(shù)據(jù)顯著水平≤0.05 時，拒絕假設(shè)，即認(rèn)為該組數(shù)據(jù)不符合正態(tài)分布。經(jīng)統(tǒng)計分析后發(fā)現(xiàn)，基礎(chǔ)數(shù)據(jù)中符合正態(tài)分布的有46 組，占比80.7%；符合復(fù)雜非線性分布的有6 組，占比10.5%；符合離散分布的有5 組，占比8.8%。各類型分布中的典型分布曲線如下。

（1）正態(tài)分布

杜兒坪礦15310 工作面南回風(fēng)巷掘進過程中瓦斯監(jiān)測數(shù)據(jù)如下，經(jīng)分析得該組數(shù)據(jù)符合正態(tài)分布。瓦斯?jié)舛入S時間的變化曲線如圖1。

圖1 杜兒坪礦15310 南回風(fēng)掘進頭瓦斯?jié)舛葧r間變化曲線

利用Matlab 軟件繪制瓦斯?jié)舛确植贾狈綀D并作正態(tài)分布擬合曲線如圖2。

圖2 杜兒坪礦15310 南回風(fēng)掘進頭瓦斯?jié)舛确植贾狈綀D

該樣本的D 檢驗和W 檢驗的結(jié)果見表1。

表1 杜兒坪礦15310 南回風(fēng)樣本D-W 檢驗結(jié)果

由上表可知，數(shù)據(jù)顯著水平（sig）大于0.05，接受假設(shè)，即認(rèn)為該組數(shù)據(jù)符合正態(tài)分布。

（2）復(fù)雜非線性分布

西銘礦9408 工作面運輸巷掘進過程中瓦斯監(jiān)測數(shù)據(jù)如下，經(jīng)分析得該組數(shù)據(jù)不符合正態(tài)分布，屬于復(fù)雜非線性分布。瓦斯?jié)舛入S時間的變化曲線如圖3。

圖3 西銘礦9408 工作面運輸巷掘進頭瓦斯?jié)舛葧r間變化曲線

利用Matlab 軟件繪制瓦斯?jié)舛确植贾狈綀D并作正態(tài)分布擬合曲線如圖4。

圖4 西銘礦9408 工作面運輸巷掘進頭瓦斯?jié)舛确植贾狈綀D

該樣本的D 檢驗和W 檢驗的結(jié)果見表2。

表2 西銘礦9408 工作面運輸巷樣本D-W 檢驗結(jié)果

由上表可知，數(shù)據(jù)顯著水平（sig）為0，該組數(shù)據(jù)不屬于正態(tài)分布，而屬于復(fù)雜非線性分布。

（3）離散分布

馬蘭礦15314 工作面回風(fēng)巷掘進過程中瓦斯監(jiān)測數(shù)據(jù)如下，經(jīng)分析得該組數(shù)據(jù)不符合正態(tài)分布，屬于離散分布。瓦斯?jié)舛入S時間的變化曲線如圖5。

圖5 馬蘭礦15314 工作面回風(fēng)巷掘進頭瓦斯?jié)舛葧r間變化曲線

利用Matlab 軟件繪制瓦斯?jié)舛确植忌Ⅻc圖如圖6。

圖6 馬蘭礦15314 工作面回風(fēng)巷掘進頭瓦斯?jié)舛确植忌Ⅻc圖

該樣本的D 檢驗和W 檢驗的結(jié)果見表3。

表3 馬蘭礦15314 工作面回風(fēng)巷樣本D-W 檢驗結(jié)果

由上表可知，數(shù)據(jù)顯著水平（sig）為0，該組數(shù)據(jù)不屬于正態(tài)分布，而屬于離散分布。

4 掘進工作面瓦斯涌出異常實例分析

通過對基本數(shù)據(jù)的分析，可以發(fā)現(xiàn)大部分巷道掘進工作面的瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)是符合正態(tài)分布的一列隨時間序列隨機分布的數(shù)據(jù)。因此，可以以正態(tài)分布為特征研究掘進工作面瓦斯?jié)舛茸兓袛喑鐾咚節(jié)舛茸兓漠惓｜c，提前預(yù)警以及時采取措施。在統(tǒng)計的數(shù)據(jù)之中，存在瓦斯?jié)舛犬惓Ｓ砍鰯?shù)據(jù)，通過對其分析，發(fā)現(xiàn)在異常點之前，瓦斯?jié)舛葦?shù)據(jù)符合正態(tài)分布，而異常點出現(xiàn)后，數(shù)據(jù)序列由正態(tài)分布轉(zhuǎn)為復(fù)雜非線性分布。

以斜溝礦11103 工作面回風(fēng)巷掘進過程中瓦斯?jié)舛茸兓癁槔?，?0 個數(shù)據(jù)符合正態(tài)分布，從第81 個數(shù)據(jù)開始，數(shù)據(jù)序列呈復(fù)雜非線性分布。前80 個數(shù)據(jù)的瓦斯?jié)舛?時間曲線如圖7。

圖7 斜溝礦11103 工作面回風(fēng)巷掘進頭瓦斯?jié)舛?時間曲線

對樣本作容量為80、81、82 的D 檢驗和W 檢驗的結(jié)果見表4。

表4 斜溝礦11103 工作面回風(fēng)巷樣本D-W 檢驗結(jié)果

可以看到，自第81 個數(shù)據(jù)開始，數(shù)據(jù)顯著水平（sig）開始小于0.05，說明數(shù)據(jù)偏離正態(tài)分布，經(jīng)Matlab 檢驗得，樣本容量為80 時，數(shù)據(jù)符合正態(tài)分布，樣本數(shù)量為81、82 時，數(shù)據(jù)呈復(fù)雜非線性分布。

據(jù)此可以認(rèn)定81 數(shù)據(jù)處為瓦斯?jié)舛犬惓｜c，結(jié)合煤礦監(jiān)測資料顯示，該特征點后約17 個小時，該巷道發(fā)生瓦斯突出，印證了以此判斷瓦斯?jié)舛犬惓Ｊ呛侠淼摹?/p>

5 結(jié)論

本文通過對西山煤電各煤礦掘進工作面48 組瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)的統(tǒng)計分析，得到結(jié)論：井下工作面正常瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)符合正態(tài)分布；運用統(tǒng)計分布進行瓦斯?jié)舛确治鍪呛侠矶啽阋仔械念A(yù)警方式；當(dāng)工作面瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)開始偏離正態(tài)分布時，可能是瓦斯異常涌出的預(yù)兆，應(yīng)及時采取預(yù)防措施。