基于瓦斯浓度参数的井下工作面作业类型智能识别方法与流程

本发明涉及矿井瓦斯灾害监测防治领域，尤其涉及一种基于瓦斯浓度数据特征的矿井采掘工作面作业类型智能分析与识别方法。

背景技术：

中国是世界第一煤炭大国，根据我国《能源中长期发展规划纲要(2004-2020年)》明确指出在未来一段时期内我国仍将坚持以煤炭为主体能源。目前，我国煤炭开采业已进入深部开采时期，且开采深度正逐年增加。在深部开采时期，矿井瓦斯压力增大、地温增高、地应力增大，矿井灾害日益严重。煤矿事故灾害严重妨害着我国煤炭安全生产形势，阻碍了煤炭工业的健康、持续、稳定发展。健全煤矿事故灾害防治安全管理策略，深化煤矿事故灾害防控意识理念，提升煤矿事故灾害监管防控技术，对于确保煤矿安全生产、促进国民经济全面、健康发展具有重要意义。

煤矿生产中的瓦斯事故、突出、冲击地压、煤尘事故、水灾、火灾、顶板事故等主要灾害绝大多数发生在采掘工作面，与采掘、打钻等作业关系密切，且以掘进作业期间事故居多。矿井安全监测是矿井事故灾害防控的重要手段，及时获取和有效利用井下工作面的有效信息，有助于提升事故预防和灾害控制的工作质量。当前，国内外对工作面作业环境监测监控技术研究的主要侧重于瓦斯浓度、风速、温度等作业环境参数的监测。高瓦斯煤巷掘进工作面，工作面的瓦斯状况是与作业状况密切相关的环境参数，监测监控系统的长期运行使得煤矿现场积累了大量的瓦斯监测数据。国内外研究人员对瓦斯监测数据的利用早已有所关注，并用数据挖掘、人工智能等先进技术手段进行了大量的研究，如利用瓦斯参数序列进行瓦斯浓度预测、利用瓦斯涌出量来判读突出危险性等，这些均对矿井安全监测工作起到了巨大的促进作用。

然而，前人对工作面前方作业情况的直接关注较少，井下的作业施工情况主要来源于工作调度安排计划或者人为的统计记录，难免存在错误和纰漏，并且在时效性上受到了极大的限制。目前，作为事故灾害防控的常态化手段，矿井安全监测现阶段已经由单纯的安全监测面向灾害诊断、作业调度和生产管理等功能多元化、综合化、智能化方向发展并且呈现出非接触、动态化、多参量综合化、模块集成化的特点。采动作业的影响往往是很多事故的直接原因，通过井下的相关信息主动、精准、快速的辨识工作面的作业工序，并纳入系统数据库，对于事故机理分析、灾害诊断、应急处置和事故调查等工作均具有重大的实际意义，将为煤矿安全监测预警技术的发展提供基础信息支持。

技术实现要素：

针对现有技术应用的缺失，本发明提供了一种基于矿井瓦斯浓度参数的井下工作面作业类型智能识别方法。该方法特殊针对瓦斯监测的浓度数据进行预处理，有效降低原始时间序列的噪声信号，保留和凸显有效瓦斯浓度序列特征，在次基础上通过构建瓦斯参数敏感参数体系和作业类型样本训练库，采用误差逆向传播算法训练的多层前馈神经网络，对井下工作面的作业工序类型进行智能辨识。

本发明的技术方案具体包括如下主要步骤：

步骤1、通过井下瓦斯浓度传感器获取瓦斯浓度的原始信号序列x(t)，作为历史数据存入瓦斯浓度数据库；

步骤2、根据矿井生产的实际情况，将各个原始信号序列x(t)根据工作面的作业类型进行划分；

步骤3、对瓦斯浓度数据库中的瓦斯浓度数据进行基于局域均值分解的特殊自适应滤波降噪处理，获得降噪后的瓦斯浓度序列；

步骤4、将降噪后的瓦斯浓度序列作为混沌时间序列，根据作业类型的划分对各类作业类型对应的数据分别提取敏感特征参数，构建作业类型划分敏感参数体系；

步骤5、构建井下工作面的作业类型神经网络智能识别模型，根据已建立的瓦斯浓度数据库和敏感特征参数输入到模型中进行训练；

步骤6、利用训练后的模型对新获取的待测瓦斯浓度数据进行作业类型的智能识别，获得待测瓦斯浓度数据对应的作业类型结果。

本发明创造性地利用瓦斯浓度参数来判断井下工作面作业类型，发挥了数据的作用，其中自适应滤波降噪处理作出了特殊的降噪处理使得看似与作业类型不相关的瓦斯浓度参数能体现表征井下工作面作业类型。

所述步骤2中，工作面的作业类型划分为如放炮、割煤、落煤、交接班、打钻作业、临时支护、安装锚杆、检修和其他无关作业。也可以添加其他作业形式或者有规律的组合其中若干个作业类型，其主要依据根据安全监测预警实际需求和作业类型辨识的可行性而确定的。

所述步骤4中，所述的敏感特征参数包括瓦斯浓度数据的均值、均方差、方差、极差、差分特征值等。具体也可以选用特定的乘积分量作为敏感特征参数。具体实施中，或者此类参数基础上的改良参数或其他二次挖掘参数；也可以使用在数据降噪预处理过程中产生的包括乘积分量序列等在内的其他敏感特征参数。

所述步骤3中，自适应滤波降噪处理具体为：

3.1，获得原始信号序列x(t)的全部极值点ni，i＝1,2,3…,i，i为极值点数，然后根据极值点，求得所有相邻局域极值点的平均值作为局域均值mi＝(ni+ni+1)/2和局域包络估计值作为局域包络值ai＝(ni-ni+1)/2；

3.2，对所有局域均值mi和所有局域包络值ai采用滑动平均法进行多次平滑处理分别得到局域均值函数m′1(t)、m′2(t)、…和局域包络函数a′1(t)、a′2(t)、…，下标1、2表示第一次、第二次平滑处理所得出的函数结果；

3.3，步骤3.2的每一次平滑处理后均处理迭代直至获得纯调频信号sk(t)：

在步骤3.2的第一次平滑处理后，从原始信号序列x(t)中分离出第一次平滑处理获得的局域均值函数m′1(t)而保留得到第一中间分离信号序列h1(t)＝x(t)-m′1(t)，然后再根据第一次平滑处理获得的局域包络函数a′1(t)进行解调得第一中间解调信号序列s1(t)＝h1(t)/a′1(t)；

然后将第一中间解调信号序列s1(t)视为原始信号序列x(t)重复步骤，结合第二次平滑处理获得的局域均值函数m′1(t)和局域包络函数a′1(t)计算获得第二中间分离信号序列和第二中间解调信号序列；

以此迭代处理直到第k次的中间解调信号序列满足-1≤sk(t)≤1且其下一次的局域包络函数a′k+1(t)＝1，k为进行迭代的次数，则将第k次的中间解调信号序列sk(t)作为纯调频信号，停止迭代处理；具体迭代过程表示为：

式中，k为进行迭代的总次数；

3.4，将以上纯调频信号sk(t)在迭代过程产生的所有局域包络函数a′k(t)相乘获得第一乘积分量(productionfunction，pf)的包络信号a1(t)＝a′1(t)a′2(t)…a′k(t)，k＝1,2,3…，k，接着将第一乘积分量的包络信号a1(t)和其对应的纯调频信号sk(t)相乘得到原始信号序列的第一乘积分量pf1(t)＝a1(t)sk(t)；

3.5，将第一乘积分量pf1(t)从原始信号序列x(t)中分离出来，保留得到第一残余信号u1(t)，并以第一残余信号u1(t)为原始信号序列x(t)重复上述步骤3.1-3.4迭代处理，直至通过j次循环分离出所有乘积分量，且满足第j残余信号uj(t)为一个单调函数，由此构建以下原始信号序列x(t)的分解表达式：

其中，j表示步骤3.1-3.4迭代处理的次序数，j＝1,2,3…，j，j表示步骤3.1-3.4迭代处理的总次数；

原始瓦斯浓度信号变换为一组乘积分量和一个残余分量的和。

3.6，对获得的各个乘积分量和原始信号序列x(t)一起进行相关性分析，取所有乘积分量的能量值构成序列的全局极小值作为高低频成分的调频分界点，将调频分界点之前的乘积分量的高频分量全部作为噪声乘积分量，将剔除噪声乘积分量后对信号进行重构处理，得到降噪后的瓦斯浓度序列dx(t)。

对信号进行重构处理是指将各个乘积分量进行加合。

所述的作业类型神经网络智能识别模型采用粗糙集理论和人工神经网络相结合的粗神经网络(roughmembershipneuralnetwork，rmnn)，以实现对井下采掘工作面工作类型的智能识别，利用神经网络输入层的粗神经元分别计算各作业类型时瓦斯浓度数据敏感特征参数，并采用模糊神经元代替普通神经元，采用部分历史瓦斯浓度数据的敏感特征参数作为训练样本，完成对新近瓦斯数据对应的作业类型进行智能识别。

本发明针对当前矿井瓦斯浓度数据中通常含有大量噪声影响预测模型预测精度的问题，通过局域均值分解将历史瓦斯浓度序列数据分解成多个纯调频信号分量，再将分解后的调频信号函数经过低通滤波器自适应阈值降噪滤波，在有效去除噪声的同时，能够最大限度的保留瓦斯浓度时间序列中的有效信息，除噪效果理想。

本发明的有益效果是：

本发明针对人工记录作业工序及类型的时效延迟性和不准确性等缺陷，构建一个自适应模块化的粗神经网络预测模型，模型可以基于多种瓦斯浓度参数的统计参数或其构成的综合参数根据瓦斯浓度序列，用于实现工作面作业类型的分析和识别，能够较好的实现瓦斯浓度数据的深度挖掘和二次利用。

本发明方法降噪效果显著，在有效去除噪声的同时能保留获得瓦斯浓度时间序列中的有效信息。

本发明方法可实现对井下实际工作类型的精准判识，符合当前矿井安全监测系统的发展要求。

附图说明

图1为本发明实施例方法流程图；

图2为本发明实施例提供的原始瓦斯浓度数据时间序列图；

图3为本发明实施例提供的降噪后的瓦斯浓度数据时间序列图；

图4为本发明实施例提供的基于综合参数的粗神经网络模型作业类型分类图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明实施例具体如下：

通过瓦斯浓度传感器采集某煤矿采掘工作面的瓦斯浓度数据，作为实施例研究对象，同时人工进行周期段内的作业类型跟踪和记录，作为样本库，具体实施流程如图1所示，具体方法如下。

步骤1、通过矿井安全监控系统自动连续获取掘进面瓦斯涌出动态时间序列数据，本实施例中矿井采用kj90(分站-f16)安全监控系统获取的瓦斯数据，其瓦斯浓度传感器为kg9701a甲烷传感器，瓦斯浓度数据采集频率为每5分钟一个数据。记井下瓦斯浓度传感器获取原始瓦斯浓度原始序列x(t)，作为历史数据存入数据库，任意截取某时段的瓦斯浓度信号如图2所示；

步骤2、根据矿井生产的实际情况，对工作面的作业类型进行合理划分。本实施例中矿井作业方式采用“四六制”，整个作业周期放炮、割煤、落煤、交接班、打钻作业、临时支护、安装锚杆、检修和其他无关作业等多种作业形式，为便于阐述，本实施例中仅根据采动作业的强烈程度将作业类型划分为“无作业”、“打钻作业”和“掘进作业”三种。

步骤3、根据对作业类型的人工记录，在相应时段内分别筛选n组瓦斯浓度序列样本，并对数据进行基于局域均值分解的自适应滤波降噪处理，其具体实施过程如下；

3.1，获得原始信号序列x(t)的全部极值点ni，i＝1,2,3…,i，i为极值点数，然后根据极值点，求得所有相邻局域极值点的平均值作为局域均值mi＝(ni+ni+1)/2和局域包络估计值作为局域包络值ai＝(ni-ni+1)/2；

3.2，对所有局域均值mi和所有局域包络值ai采用滑动平均法进行多次平滑处理分别得到局域均值函数m′1(t)、m′2(t)、…和局域包络函数a′1(t)、a′2(t)、…；

3.3，步骤3.2的每一次平滑处理后均处理迭代直至获得纯调频信号sk(t)：

在步骤3.2的第一次平滑处理后，从原始信号序列x(t)中分离出第一次平滑处理获得的局域均值函数m′1(t)而保留得到第一中间分离信号序列h1(t)＝x(t)-m′1(t)，然后再根据第一次平滑处理获得的局域包络函数a′1(t)进行解调得第一中间解调信号序列s1(t)＝h1(t)/a′1(t)；

然后将第一中间解调信号序列s1(t)视为原始信号序列x(t)重复步骤，结合第二次平滑处理获得的局域均值函数m′1(t)和局域包络函数a′1(t)计算获得第二中间分离信号序列和第二中间解调信号序列；

以此迭代处理直到第k次的中间解调信号序列满足-1≤sk(t)≤1且其下一次的局域包络函数a′k+1(t)＝1，k为进行迭代的次数，则将第k次的中间解调信号序列sk(t)作为纯调频信号，停止迭代处理；具体迭代过程表示为：

式中，k为进行迭代的总次数；

3.4，将以上纯调频信号sk(t)在迭代过程产生的所有局域包络函数a′k(t)相乘获得第一乘积分量的包络信号a1(t)＝a′1(t)a′2(t)…a′k(t)，k＝1,2,3…，k，接着将第一乘积分量的包络信号a1(t)和其对应的纯调频信号sk(t)相乘得到原始信号序列的第一乘积分量pf1(t)＝a1(t)sk(t)；

3.5，将第一乘积分量pf1(t)从原始信号序列x(t)中分离出来，保留得到第一残余信号u1(t)，并以第一残余信号u1(t)为原始信号序列x(t)重复上述步骤3.1-3.4迭代处理，直至通过j次循环分离出所有乘积分量，且满足第j残余信号uj(t)为一个单调函数，从而将原始瓦斯浓度信号变换为一组乘积分量和一个残余分量的和。

3.6，对获得的各个乘积分量和原始信号序列x(t)一起进行相关性分析，取乘积分量的全局极小值作为高低频成分的调频分界点，将调频分界点之前的乘积分量的高频分量全部作为噪声乘积分量，将剔除噪声乘积分量后对信号进行重构处理，将各个乘积分量进行加合，得到降噪后的瓦斯浓度序列dx(t)，如图3所示。

步骤4、取降噪后时间步长为t的瓦斯浓度数据，构建作业类型划分敏感参数体系。本实施例选用的敏感参数主要包括有瓦斯浓度均值、均方差、方差、极差、差分特征值等统计参数，分别代表不同作业类型条件下的瓦斯涌出特征，各统计参数如表1所示。

表1瓦斯浓度序列敏感特征参数集

其中，t表示用以计算各敏感参数瓦斯数据的时间步长，xmax表示所取时段内瓦斯浓度的最大值和xmin分别表示所取时段内瓦斯浓度的最小值。

步骤5、构建井下工作面的作业类型神经网络智能识别模型，根据已建立的瓦斯浓度数据库和敏感特征参数输入到模型中进行训练。

本实施例选用了三个作业类型，即掘进作业、钻孔作业和无作业三种情况，分别记为w1、w2和w3，根据不同作业类型的样本分别计算各自的统计参数特征，汇总如表2所示。采用粗糙集理论和人工神经网络相结合的粗神经网络(roughmembershipneuralnetwork，rmnn)，提取瓦斯浓度均值、均方差、方差、极差、差分特征值等作为分类的特征量，根据各个特征量的特点进行作业类型分类。实施例中，分别根据不同的参数参数进行样本训练，并根据各参数的精度和贡献赋予权重i，而后确定综合参数y＝d1i1+d2i2+…+d8i8。其中i1～i8分别表示前述8个敏感指标的贡献权重。

使用综合y值和前述构建的神经网络模型，重新进行样本训练，直到能够较好的实现作业类型的精准识别，该实施例根据综合y值的识别结果如图4所示。

表2不同作业类型样本统计参数特征值汇总

步骤6、利用训练后的模型对新获取的待测瓦斯浓度数据进行作业类型的智能识别，并自适应地进行改进。

由上述提供的算法方案可以看出，本发明所述的基于瓦斯浓度特征的作业工序智能识别方法，主要以瓦斯浓度参数为研究对象，以实现工作面作业类型智能识别为目的，进行特殊降噪处理，采用粗神经网络模型实现对井下采掘工作面工作类型的智能识别，算法的实现有助于快速有效的获取井下的作业情况，能够扩宽矿井安全监测系统在灾害诊断、作业调度和生产管理等方面的功能多样化和智能化，同时，辨识结果对于事故机理分析、应急处置和事故调查等工作也具有参考价值。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。