朱紅青 梁 曉 史宇辰

中國礦業(yè)大學（北京） 資源與安全工程學院

1 從大數據到“智慧礦井”

我們處于一個數據爆炸的時代，數據量從TB到PB加速增長，麥肯錫全球研究所報告《大數據：創(chuàng)新，競爭和生產力的下一個前沿》中稱：數據，已經滲透到當今的各個行業(yè)和業(yè)務職能領域，成為一項重要的生產因素。通過對于海量數據的挖掘和運用，勢必會帶來新一波生長率的增長，也標志著可以利用大數據提前預測和發(fā)現(xiàn)新的規(guī)律和事物發(fā)展趨勢[1]。

目前大數據滲透在各行各業(yè)，從醫(yī)療健康領域的“谷歌流感趨勢預測”到社會管理領域的“美國大選候選人預測”再到與人們息息相關的物聯(lián)網，都是大數據的應用。在煤炭安全領域大數據的應用甚少。如在《“互聯(lián)網+”時代煤礦大數據應用分析》一文中，論文作者對煤礦大數據潛在價值的挖掘利用做了基礎性的分析和探究[2]；在《煤礦安全生產大數據分析與管理平臺設計研究》一文中，論文作者在理論層面給出了煤礦大數據分析模型，并設計了煤礦安全生產大數據分析與管理平臺的功能架構與技術架構[3]。縱觀國內的煤礦大數據研究現(xiàn)狀，缺乏技術的實現(xiàn)和應用，落地成果寥寥無幾。

2010年IBM在《智慧城市白皮書》中提出“智慧城市”一詞，即智慧城市策略就是在城市發(fā)展過程中，充分利用信息通信技術，智慧的感知、分析、集成和應對地方政府在行使經濟調節(jié)、市場監(jiān)管、社會管理和公共服務政府職能的過程中的相關活動與需求，創(chuàng)造一個更好的生活、工作、休息和娛樂環(huán)境[4]。2012年，國家推出首批智慧城市試點名單。同理，礦井是一個“縮小且復雜”的城市體系。礦井中包含一個城市系統(tǒng)組成的基本要素：基礎設施——地面地下工程、設備設施等；公民——煤礦工人；道路交通——運輸線路；工業(yè)管路；還有巖體煤層水體通風供電等等。同時煤礦開采屬地下作業(yè)，生產系統(tǒng)復雜，環(huán)節(jié)眾多，地質條件頻繁變化。采掘工作面的推進及隨時移動等使井下的環(huán)境、生產和安全問題更為復雜。由此可以把“智慧城市”的概念引申過來提出“智慧礦井”的概念。

“智慧礦井”即按照科學的礦井開發(fā)理念，利用新一代信息技術，在物聯(lián)網的基礎上，對礦井安全生產事故數據進行分析整合，發(fā)掘事故發(fā)生前各種要素的相關性，建立預測模型，在對礦井監(jiān)測監(jiān)控數據、生產自動化數據和緊急救援數據的實時反饋和分析下，為各種險情和事故處理做出智能的監(jiān)控和響應，形成預警，有效降低損失和傷亡，打造安全、智慧、高效的礦井。

2 大數據引入煤炭安全行業(yè)切實可行

2.1 大數據早已存在于煤礦安全生產中

大數據早已存在于煤礦安全生產中，煤礦安全生產管理中所用的安全生產法律法規(guī)、煤礦安全開采規(guī)范、安全規(guī)程等都是基于大量現(xiàn)場實踐、事故教訓數據積累得來的。一次煤礦安全生產事故產生大量的數據，包括危險源辨識和評價，生產中的各種臺賬，人員不安全行為記錄，職工違章行為、類型，事故類型及事故前的各種征兆等。

煤礦安全管理的數據已具備大數據4V特征，即：規(guī)模性（Volume）——產生和積累了PB級的數據量；多樣性（Variety）——臺賬、檢查記錄、圖紙等紙質類數據及視頻監(jiān)控錄像、音頻等數據；快速性（Velocity）——生產各環(huán)節(jié)的視頻監(jiān)控系統(tǒng)、井下瓦斯?jié)舛缺O(jiān)測監(jiān)控系統(tǒng)、人員定位系統(tǒng)等都需要快速實時的處理各種監(jiān)測數據；價值性（Value）——挖掘數據間的相關關系，從而發(fā)現(xiàn)事故規(guī)律，對事故進行預警。煤礦數據分類，見表1。

表1 煤礦數據分類

2.2 大數據是相關性分析，不求因果關系

煤礦災害預警是避免瓦斯、水害、火災、設備故障等事故發(fā)生，減少人員傷亡和財產損失的有效措施。從目前的研究來看，人們還沒有完全掌握煤與瓦斯突出、頂板事故、水害事故等事故的發(fā)生機理，還不能利用現(xiàn)在掌握的規(guī)律建立準確可靠的預警模型來預測此類事故。而大數據研究的一個特點就是研究事件間的相關性，而不是因果關系，只需要研究相關數據間的關聯(lián)性來預測發(fā)展趨勢和結果，不需要研究煤礦事故發(fā)生的原因和作用規(guī)律。用大數據研究煤與瓦斯突出、頂板、水害、火災等事故的預警方法，只需要通過大量的事故分析，采集事故發(fā)生前相關因素的信息，研究哪些數據變化并呈現(xiàn)某種變化趨勢時，就可能引發(fā)煤與瓦斯突出、頂板、水害、火災等事故，而不需要研究并明確煤與瓦斯突出、頂板、水害、火災等事故的發(fā)生機理。

將大數據應用于煤礦安全生產，對煤礦中大量的歷史數據進行挖掘學習，從而發(fā)現(xiàn)事故規(guī)律和事故發(fā)生前某些因素和事故的相關關系，數據量越多，數據間隱含的相關關系也越清晰，也就越容易挖掘我們需要的信息。再通過對監(jiān)控監(jiān)測數據實時的監(jiān)控分析，建立預警模型，提高預警水平。

2.3 物聯(lián)網在煤礦安全生產管理中的普及和應用擴充著數據庫（如圖1）

圖1 大數據和礦井物聯(lián)網

隨著煤礦上傳數據的積累和現(xiàn)代礦業(yè)全自動化系統(tǒng)建設，物聯(lián)網在煤炭行業(yè)的廣泛應用，煤礦安全生產管理相關數據也將出現(xiàn)數據爆炸現(xiàn)象，特別是煤礦井下環(huán)境、災害、人員活動系統(tǒng)，復雜且多變，數據越多，也就越容易建立起煤礦事故災害的預測預警模型，預警預報也就越準確[5]。

3 2012～2016年煤礦事故統(tǒng)計分析

隨著煤礦生產機械化、自動化和信息化程度的提高，煤礦監(jiān)控監(jiān)測、通信與避難系統(tǒng)的推廣應用，2012年后煤礦安全形勢明顯好轉，事故起數、死亡人數、百萬噸死亡率均大幅下降。故統(tǒng)計2012～2016年最近5年的煤礦安全事故數據進行分析。根據國家煤礦安全監(jiān)察局煤礦事故查詢系統(tǒng)，按事故類別統(tǒng)計分析了2012～2016年全國煤礦事故，但由于系統(tǒng)一般事故數據的統(tǒng)計不全以及地方小煤窯瞞報，會造成數值上的誤差[6]。但死亡人數超過3人及以上的事故均有記錄，故統(tǒng)計煤礦較大、重大和特別重大安全生產事故作為樣本。

根據2012～2016年《全國煤礦事故分析報告》，本文按照事故類別分析了2012～2016年全國煤礦安全生產事故，見表2。5年期間，我國煤礦共發(fā)生死亡3人以上事故193起，死亡1365人。其中，瓦斯事故76起，死亡743人，事故起數和死亡人數分別占39.4%和54.4%，事故起數和死亡人數均最多；頂板事故42起，死亡162人，分別占21.8%和11.9%，事故起數位居第2，死亡人數位居第3；水害事故30起，死亡204人，分別占15.5%和14.9%，事故起數位居第3，死亡人數位居第2；中毒事故17起，死亡100人，分別占8.8%和7.3%，事故起數和死亡人數均位居第4；運輸事故10起，死亡55人，分別占5.2%和4.0%，事故起數和死亡人數均位居第5；2012～2016年全國煤礦各類事故起數占比，如圖2。2012～2016年全國煤礦各類事故死亡人數占比，如圖3。

圖2 2012～2016年煤礦安全事故起數占比統(tǒng)計

圖3 2012～2016年煤礦安全事故死亡人數占比統(tǒng)計

綜上，瓦斯事故起數和死亡人數最多，煤礦開采生產過程中瓦斯突出和爆炸發(fā)生頻繁，且極易造成群死群傷，其作用機理目前尚不清晰；頂板事故位列其次，一次頂板事故造成的人員傷亡不多，但頂板事故發(fā)生頻繁，其累積危害大。近幾年水害事故發(fā)生頻繁；但綜合來看煤礦各類事故起數和死亡人數均大幅下降；瓦斯和頂板事故起數所占比例仍然比較大。以下主要探討大數據在煤與瓦斯突出、頂板、水害、火災等事故預警方面的應用。

3.1 煤與瓦斯突出事故預警

研究表明，煤與瓦斯突出事故發(fā)生前，瓦斯涌出量、瓦斯?jié)舛群铜h(huán)境溫度等會發(fā)生明顯變化，因此，通過井下各處設置的瓦斯?jié)舛葌鞲衅鳌囟葌鞲衅?、風速傳感器監(jiān)測井下瓦斯?jié)舛?、環(huán)境溫度、風速等。分析這些數據的變化和趨勢與煤與瓦斯突出事故的相關性。瓦斯涌出量可以根據瓦斯?jié)舛?、風量、落煤量等進行計算。環(huán)境溫度與監(jiān)測的環(huán)境溫度、風速、進風溫度、設備開停、排風量等有關。此外，還可以研究瓦斯含量、瓦斯壓力、采掘位置、賦存條件、地質構造等與煤與瓦斯突出事故的關系，建立預警模型，進行煤與瓦斯突出預警[7]。

表2 2012～2016年全國煤礦各類安全生產事故起數及死亡人數

例：瓦斯?jié)舛缺O(jiān)控監(jiān)測傳感器監(jiān)測到瓦斯?jié)舛瘸薏⑶覞舛仍黾雍芸鞎r，就會發(fā)出煤與瓦斯突出預警。監(jiān)測到瓦斯?jié)舛瘸薜耐瑫r，根據瓦斯?jié)舛?、風壓風速以及井下人員所處的位置等信息，還可以進行瓦斯擴散的趨勢和所用的時間分析。利用井下人員定位系統(tǒng)，計算當前最優(yōu)逃生路線，并自動發(fā)送逃生預案。

3.2 頂板事故預警

頂板事故在煤礦事故中占的比例很大，雖不像瓦斯事故造成群死群傷的嚴重損失，但其發(fā)生頻率高，累計起來危害也很大。頂板事故預警模型可以借鑒大數據橋梁專項研究——城市生命線安全運行監(jiān)測。在頂板上設置多個監(jiān)控監(jiān)測點，研究頂板壓力變化、導致頂板事故時壓力變化的趨勢和應力應變等，建立預測預警模型。

3.3 火災事故預警

根據燃燒的三要素分析，煤礦火災事故發(fā)生時，礦井發(fā)火處的溫度、CH4濃度、C2H4濃度、C2H2濃度等和氧氣濃度會發(fā)生變化，且伴隨發(fā)光發(fā)熱的現(xiàn)象并有氣味發(fā)出。因此，通過大數據研究，研究溫度、濕度、氣味、CH4C2H4、C2H2濃度、氧氣濃度等與煤礦發(fā)火的關系，提出預警模型，當環(huán)境溫度、氧氣濃度以及瓦斯?jié)舛冗_到預設的臨界值時，系統(tǒng)發(fā)出火災預警信號，進行煤礦發(fā)火預警。

3.4 水害事故預警

近幾年煤礦水害事故發(fā)生頻率變高，礦井水害主要是由于在開采的過程中碰到了斷層水、采空區(qū)水、開采作業(yè)水、地表水等不同的水源且無法正常排出造成的。通過查閱有關資料，煤礦水害事故發(fā)生前，礦井涌水量和水壓等會發(fā)生明顯變化。首先對水位、水壓、水泵流速、排水量、排水管路狀況等相關信息進行收集，基于大數據研究分析，監(jiān)測流量、水位和排水量的變化，研究涌水量，通過水壓傳感器，研究水壓的變化及發(fā)生水害時水壓變化的趨勢等與水害事故的關系，建立預警模型，進行水害預警。

4 結論

在煤炭安全行業(yè)引入大數據切實可行，隨著傳統(tǒng)數據的積累和現(xiàn)代礦業(yè)全自動化系統(tǒng)建設，物聯(lián)網在煤炭行業(yè)的應用，煤礦安全生產管理相關數據也將出現(xiàn)數據爆炸現(xiàn)象，數據越多，也就越容易建立起煤礦事故災害的預測預警模型，預警預報也就越準確。利用大數據分析數據間的相關關系，對瓦斯事故、頂板事故、水害事故等可以建立起有效可靠的預測預警模型，再通過小數據樣本進行擬合模擬來檢測預警模型的準確性。這些模型可以在各種險情和事故前做出智能的響應，從而有效地降低人員的傷亡和財產損失，使打造“智慧礦井”成為現(xiàn)實，使礦井生產更安全更高效。

[1] 麥肯錫全球研究院.Big Data: the Next Frontier for Innovation, Competition and Productivity[EB/OL].(2011-6)[2017-10-31].https://www.mckinsey.com/mgi/overview

[2] 王海軍,武先利.“互聯(lián)網+”時代煤礦大數據應用分析[J].煤炭科學技術,2016,44(2):139-143

[3] 劉香蘭.煤礦安全生產大數據分析與管理平臺設計研究[J].煤炭工程,2017,49(6):32-35

[4] IBM.智慧城市白皮書.[EB/OL].(2014-3)[2017-10-31].http://www.ibm.com/smarterplanet/cn/zh/smarter_cities/overview/

[5] 薛志明.“大數據”引入煤礦安全生產管理的可行性分析[J].神華科技,2016,(2):16-18

[6] 安宇,李丹.2008年～2014年我國煤礦事故統(tǒng)計分析及防治措施[J].煤礦現(xiàn)代化,2016,(1):56-59

[7] 孫繼平.煤礦事故分析與煤礦大數據和物聯(lián)網[J].工礦自動化,2015,(3):1-5