一种矿井瓦斯监测异常数据识别方法与流程

本发明属于煤矿安全监测与监控技术领域，具体涉及一种矿井瓦斯异常数据监测识别方法，基于安全监测监控系统实时数据的大数据处理及安全预警应用。

背景技术：

瓦斯灾害是对矿井生产危害程度最大的灾害之一，严重威胁着煤矿安全生产，矿井瓦斯监测是预防瓦斯灾害的重要手段，煤矿井下重要地点和区域是瓦斯监测的关键位置，监测数据来源于检测元件甲烷传感器，传感器通过井下分站将监测数据传输到监控主机，监控主机可外接数据采集程序，将实时监测数据应用于安全预警分析，即通过对大量瓦斯监测数据处理来提取瓦斯涌出规律，从而可有效解读风流中瓦斯浓度所隐含的瓦斯涌出、流动、积聚的趋势，进而可实现瓦斯浓度预报警，属大数据处理范畴，对于推动安全关口前移有着重要的现实意义。

就瓦斯浓度检测来说，甲烷传感器本身的可靠性和准确性依靠现场质量准入和专业技术人员的调校来控制，在日常运行过程中，由于井下条件复杂，温度、水蒸汽、矿尘等环境因素会影响甲烷传感器的准确性；信号传输过程中的电磁干扰和通信线路受高压冲击等因素会导致虚假信号产生，因此传输至监控主机的监测数据中不可避免的会存在异常数据。

目前就瓦斯监测异常数据的识别尚无系统性研究成果提交现场应用，而基于瓦斯监测数据进行的数据处理及应用必须以较准确、真实的数据为基础，因而研究煤矿井下甲烷传感器监测异常数据的识别与显得至关重要。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种矿井瓦斯监测异常数据识别方法，能够有效识别煤矿井下瓦斯监测异常数据。

本发明采用以下技术方案：一种矿井瓦斯监测异常数据识别方法，所述方法考虑生产因素对瓦斯涌出的影响，对实时监测数据样本进行重构，设置初始质心向量进行聚类，对聚类中的判别样本进行分析，若存在突变情形，并在历史数据95％置信区间之外，则为小概率事件，确定为监测异常，否则为正常监测数据。

进一步的，包括以下步骤：

S1、将井下不同位置监测点风速、瓦斯浓度监测数据序列转化为瓦斯流量序列，形成序列集D，并分别计算历史监测数据均值μ和标准差σ；

S2、对步骤S1中序列集D中的监测数据进行m维样本重构，并设定4个类别，确定各类别初始质心向量；

S3、基于步骤S2的设定，计算每个样本与各个质心的欧式距离d(i,p)，确定误差平方和E(τ)，将所有样本划分至4个类别；

S4、分别计算步骤S3中划分的每个类别中样本的平均质心距离μ_p和标准差σ_p，确定待定样本，计算样本序列差值并与历史数据统计特征进行对比判断识别待定样本是否异常，用于瓦斯预警。

进一步的，所述步骤S1中，将各监测点监测情况转化为瓦斯流量数据序列Q_t建立变量集D，对变量集D＝{Q_1t,Q_2t,Q_3t,Q_4t,Q_5t}进行异常数据识别，其中，t＝1,2,…，Q_t＝x_t×v×S，x_t为监测点瓦斯监测数据序列，v为风速，S为巷道断面积，Q_1t为机电、材料硐室监测数据序列，Q_2t为进风巷道监测数据序列，Q_3t为回风巷道监测数据序列，Q_4t为回采工作面监测数据序列，Q_5t为上隅角监测数据序列。

进一步的，步骤S2中，取所述序列集D中的N个监测数据样本，进行m维样本重构，设定4个类别K₁,K₂,K₃,K₄，按照时间节点统计历史监测数据重构后的均值样本点，作为初始质心向量，计算每个样本与各质心的欧式距离d(i,p)：

$d(i,p)=\sqrt{{(x_{ik}-x_{pk})}^2}---\left(1\right)$

其中，p＝1,2,3,4，i＝1,2,…,N，k＝1,2,…,m，x_t为监测点瓦斯监测数据序列。

进一步的，根据计算得到时的p来分类x_i∈K_p，若划分到某个类别中的样本个数为N_p，各类质心样本为c_p，则误差平方和E(τ)具体为：

$E\left(\mathrm{\τ}\right)=\underset{p=1}{\overset{4}{\Σ}}\underset{j=1}{\overset{N_p}{\Σ}}{(x_{ik}-c_p)}^2---\left(2\right).$

进一步的，对所述误差平方和E(τ)进行迭代计算，若E(τ)＜E(τ-1)，则以各类样本均值向量为质心重新计算样本距离，否则聚类完成。

进一步的，所述聚类完成后，计算的各聚类中的平均质心距离μ_p具体为：

${\mathrm{\μ}}_p=\frac{1}{N_p}\underset{j=1}{\overset{N_p}{\Σ}}d(j,p)---\left(3\right)$

其中，N_p为第p个聚类中的样本个数，d(j,p)为第j个样本到质心的距离。

进一步的，初选样本与质心距离大于所述平均质心距离μ_p的样本，计算的聚类中所有样本与平均质心距离的标准差σ_p具体为：

${\mathrm{\σ}}_p=\sqrt{\frac{1}{N_p}\underset{j=1}{\overset{N_p}{\Σ}}{\left(d\right(j,p)-{\mathrm{\μ}}_p)}^2}---\left(4\right)$

其中，μ_p为第p个聚类中的平均质心距离。

进一步的，所述步骤S4中，对于实时数据所属样本，以正态分布95％置信水平估计，若d(j,p)-μ_p＞1.96σ_p，则确定为待定异常数据样本。

进一步的，计算所述待定异常样本的相邻两元素之差Δx_j，若该向量中存在大于历史数据序列最大差值Δax的分量，且实际瓦斯监测值x_jk＞μ+1.96σ或x_jk＜μ-1.96σ，则识别为异常数据。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种矿井瓦斯监测异常数据识别方法，考虑生产因素对瓦斯涌出的影响，采用样本重构及其聚类分析能够有效避免将实际瓦斯涌出异常引起风流中瓦斯浓度较高(包括突发性的高瓦斯涌出情况)被误判为监测异常的情况。

进一步的，本发明通过将各监测点瓦斯监测数据转化为瓦斯流量数据序列Q_t建立变量集D，能够识别出由于环境因素、电磁干扰、传输故障等原因出现的瓦斯监测异常值，对本方法识别的异常数据采取适当处理，即可得到接近真实的瓦斯监测数据序列，避免监测异常值的存在影响瓦斯监测数据序列的规律提取和后续处理及分析应用，将该方法封装到监测监控系统可避免由于监测异常引起的误报现象。

进一步的，本方法还可以与外部监控主机连接，通过安全监测监控系统联机分析，对瓦斯监测异常数据进行甄别，解决瓦斯监测信息中虚假信号影响监测数据处理计算精度不高的问题与监测误报问题。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

【附图说明】

图1为本发明流程示意图；

图2为材料库监测数据序列及异常值识别示意图；

图3为工作面监测数据序列及异常值识别示意图。

【具体实施方式】

为有效识别煤矿井下瓦斯监测异常数据，从井下不同位置瓦斯涌出、流动与积聚特征出发，系统开展井下重要位置与区域甲烷传感器监测异常分析，综合考虑通风因素，通风网络中流体的流动规律与上隅角瓦斯积聚源等因素，以历史监测数据统计分析为基础，分析不同监测点瓦斯监测数据的变化规律来识别异常数据，采用本方法可完成与安全监测监控系统联机分析过程中，瓦斯监测异常数据的甄别，解决瓦斯监测信息中虚假信号影响监测数据处理计算精度不高的问题与监测误报问题。

本发明提供了一种矿井瓦斯监测异常数据识别方法，基于历史监测数据统计分析，以实时监测数据样本重构后的聚类分析来确定异常数据。样本重构及其聚类分析的意义在于考虑生产因素对瓦斯涌出的影响，避免将实际瓦斯涌出异常引起风流中瓦斯浓度较高(包括突发性的高瓦斯涌出情况)被误判为监测异常，若存在瓦斯涌出异常情况，瓦斯监测数据会显著增加并持续一段时间，将聚类数目确定为4类代表了3个不同班次和由于生产班次对下一个班次的影响所形成瓦斯监测数据的大小水平等级，由此显著的高瓦斯浓度监测值会被划分在同一个聚类之中，并产生一个待定判别样本，该样本中的m个数据，依据其变化率再进行判别，若存在突变情形，并在历史数据95％置信区间之外，即为小概率事件，即认为是监测异常，反之为瓦斯涌出异常；历史数据统计分析的意义在于考虑由于地质条件等长周期影响因素变化对瓦斯涌出的影响，来界定小概率的瓦斯监测数据。

请参阅图1所示，本发明提供了一种矿井瓦斯监测异常数据识别方法，包括以下步骤：

S1、将井下不同位置监测点风速、瓦斯浓度的监测数据序列转化为瓦斯流量序列，形成序列集D，并分别计算历史监测数据均值μ和标准差σ；

其中，将各监测点监测情况转化为瓦斯流量数据序列Q_t建立变量集D，对变量集D＝{Q_1t,Q_2t,Q_3t,Q_4t,Q_5t}进行异常数据识别，其中，t＝1,2,…，Q_t＝x_t×v×S，x_t为监测点瓦斯监测数据序列，v为风速，S为巷道断面积，Q_1t为机电、材料硐室监测数据序列，Q_2t为进风巷道监测数据序列，Q_3t为回风巷道监测数据序列，Q_4t为回采工作面监测数据序列，Q_5t为上隅角监测数据序列。由于井下不同位置瓦斯涌出、流动、积聚各有其特点，对监测点瓦斯监测数据序列x_t,t＝1,2,…，若源于机电、材料硐室，主要考虑低风速引起的瓦斯积聚情况，将其转化为瓦斯流量序列Q_1t,t＝1,2,…，Q_1t＝x_t×v×S，v、S分别为风速和巷道断面积；若源于采掘工作面等重要区域需详细分析，设进、回风巷道监测点瓦斯流量Q_2t、Q_3t，回采工作面监测点主要考虑煤壁和落煤瓦斯涌出，将其转化为差值序列Q_4t＝Q_4t-Q_2t，上隅角监测点主要考虑采空区瓦斯涌出，转化为差值序列Q_5t＝Q_4t-Q_5t。以Q_1t,Q_2t,Q_3t,Q_4t,Q_5t共同组成瓦斯监测数据分析序列集D，采用以下方法进行异常数据识别。

S2、对步骤S1中序列集D中的监测数据进行m维样本重构，并设定4个类别，确定各类别初始质心向量；

具体为：对于D中的N个监测数据样本，其重构维数为m，设定4个类别K₁,K₂,K₃,K₄，按照时间节点0点、8点、10点、16点统计3个月的历史监测数据重构后的均值样本点，作为初始质心向量，计算每个样本与各质心的欧式距离

$d(i,p)=\sqrt{{(x_{ik}-x_{pk})}^2}---\left(1\right)$

其中，p＝1,2,3,4，i＝1,2,…,N，k＝1,2,…,m，x_t为监测点瓦斯监测数据序列。

S3、基于步骤S2的设定，计算每个样本与各个质心的欧式距离d(i,p)，确定误差平方和E(τ)，将所有样本划分至4个类别；

由计算得到时的p来分类x_i∈K_p，若划分到每个类别中的样本个数为N_p，各类质心样本为c_p，计算误差平方和

$E\left(\mathrm{\τ}\right)=\underset{p=1}{\overset{4}{\Σ}}\underset{j=1}{\overset{N_p}{\Σ}}{(x_{ik}-c_p)}^2---\left(2\right)$

对所述误差平方和E(τ)进行迭代计算，经过迭代计算后，若E(τ)＜E(τ-1)则以各类样本均值向量为质心重新计算样本距离，否则聚类完成。

S4、分别计算步骤S3中划分的每个类别中的平均质心距离μ_p和标准差σ_p，确定待定样本，计算样本序列差值并与历史数据统计特征进行对比判断待定样本是否异常。

其中，对于实时数据所属样本，以正态分布95％置信水平估计，若d(j,p)-μ_p＞1.96σ_p，则确定为待定异常数据样本；计算所述待定异常样本的相邻元素差向量Δx_j，若该向量中存在大于历史数据序列最大差值Δax的分量，且实际瓦斯监测值x_jk＞μ+1.96σ或x_jk＜μ-1.96σ，则判断为异常数据。

完成聚类后计算各类中的平均质心距离μ_p，初选样本与质心距离大于平均质心距离的样本，计算类中所有样本与质心平均距离的标准差σ_p，以正态分布95％置信水平估计，若d(j,p)-μ_p＞1.96σ_p，则确定该样本为待定异常数据样本。在待定样本x_j中包含m个监测数据，求样本相邻元素差向量Δx_j，若Δx_j＞Δax，Δax为历史数据最大差值，且存在x_jk＞μ+1.96σ或x_jk＜μ-1.96σ，则可确定为异常数据，反之，为正常数据，其中μ、σ分别为历史监测数据均值和标准差，历史监测数据取1a的数据分析。对于已识别的监测异常数据进行插值或平滑替代即可得到弱化由于监测异常值对后续计算精度的影响。

通过与外部安全监测监控系统联机，能够在线实时对瓦斯监测异常数据的进行甄别，通过计算机处理解决瓦斯监测信息中虚假信号影响监测数据处理计算精度不高的问题与监测误报问题。

实施例

请参阅图2所示，为陕西某矿材料库监测点瓦斯监测数据序列，选取了2015年3月生产班3000个监测数据，监测周期为30s，采用以上方法辨识了其中的监测异常值，监测异常值包含可能由于电磁干扰、传输故障等原因导致监测值为零的情况，以及瞬时较大值，这两类异常值明显偏离瓦斯监测数据序列整体走势，监测值为零的情形为监测异常值是显而易见的，瓦斯监测值中的瞬时较大值呈突变状态，并超出历史数据95％置信区间，视为小概率情形，并且经过聚类分析排除了异常瓦斯涌出的可能，因而判定为异常监测数据；

请参阅图3所示，为该矿回采工作面监测点瓦斯监测数据序列，选取同一班次的700个监测数据，采用以上方法识别的异常数据在前300个数据点以前，在此时间段瓦斯浓度整体不高，但由于环境因素、电磁干扰、传输故障等原因导致监测异常值的出现这些监测异常数据明显偏离该时间段内的瓦斯浓度大小整体趋势，表现出突变性并且超出历史数据95％置信区间，视为小概率情形，并且经过聚类分析排除了异常瓦斯涌出的可能，因而判定为异常监测数据；在此时段之后瓦斯浓度有上升趋势并且波动性较强，部分监测值接近于前半段的监测异常值，但由聚类分析判别属于瓦斯涌出量增大所致。通过采用该方法，识别出瓦斯监测异常值，并对其采用适当的方法处理，即可得到接近真实的瓦斯监测数据序列，避免监测异常值的存在影响瓦斯监测数据序列的规律提取和后续处理及分析应用，将该方法封装到监测监控系统可避免由于监测异常引起的误报现象。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。