发明内容
为了克服现有技术中的缺陷和不足,本发明提出一种实用性强、准确性高,可灵活扩展的实时监测煤矿瓦斯监测值异常的方法。该方法根据煤矿的实际情况,对特定区域内的瓦斯历史数据进行分析,得出这一区域内的瓦斯波动规律,并根据这一规律制定出符合本区域的自身报警预警方法。
本发明公开一种实时监测煤矿瓦斯监测值异常的方法,包括如下步骤:
S1:在一段时间内按照预定采样周期重复采集相对当前最近2个月内的回风巷固定区域瓦斯浓度值,获得历史数据样本;
S2:根据步骤S1中的历史数据样本,按照每天0到24点中相对时间的同一时刻的数据进行重新排列,得到一个在每天0到24点内相对时间的瓦斯浓度分布情况重排样本;
S3:将所述重排样本按照时间划分成对应于连续的时间段间隔的多个子重排样本;
S4:针对每个子重排样本按正态分布计算对应时间段间隔内的瓦斯浓度置信区间,利用计算得到所有时间段间隔的瓦斯浓度置信区间获得0到24点内的瓦斯浓度置信区间分布,所述瓦斯浓度置信区间表示在对应时间段间隔内测量位置的正常的瓦斯浓度范围;
S5:判断所述回风巷固定区域瓦斯浓度的实时监测值是否在监测时间所属的时间段间隔对应的瓦斯浓度置信区间内,若是,则判断煤矿瓦斯监测值正常,若否,则判断煤矿瓦斯监测值异常。
进一步地,所述步骤S3中多个子重排样本以5分钟作为时间段间隔划分得到。
进一步地,所述步骤S4中瓦斯浓度置信区间分布区间值能够根据置信水平P进行调整,其中,置信水平P为小于1的正数。
进一步地,所述步骤S4中计算瓦斯浓度置信区间的步骤包括:
S401:根据下述公式(1)计算瓦斯浓度置信区间所对应时间段间隔内数据样本的数学期望
(式1)
其中,n为瓦斯浓度置信区间所对应时间段间隔内的瓦斯监测值个数;xi为所在对应时间段间隔内第i个瓦斯浓度检测值;
S402:根据下述公式(2)计算瓦斯浓度置信区间所对应时间段间隔内数据样本的标准差s,
(式2);
S403:根据下述公式(3)计算瓦斯浓度置信区间的上下限值,得到瓦斯浓度置信区间,
(式3)
其中,为双侧置信区间,θ与分别为双侧置信下限与双侧置信上限,zα/2为双侧置信区间的置信因子,根据显著性水平α,zα/2值通过查正态分布表得到。
进一步地,步骤S401中还包括通过选取数据样本中位数的方法得到对应时间段间隔内数据样本的数学期望。
进一步地,该方法能够根据回风巷瓦斯监测值异常判断回风巷上游工作面和上隅角的瓦斯信息异常。
本发明实时监测煤矿瓦斯监测值异常的方法克服了现有煤矿瓦斯监控***的阈值报警方法单一、无法判断瓦斯异常等不足,根据同一时刻煤矿瓦斯浓度变化符合正态分布规律,选择回风巷固定区域相对当前最近一段时间的历史数据建立瓦斯浓度置信区间分布,相对当前最近一段时间历史数据与当前瓦斯传感器浓度监测值具有较强的相关性,能够较准确的反映瓦斯监测值情况,异常判断准确性高;同时,该方法可根据实际情况进行调整,可灵活扩展,具有较强的实用性。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以详细说明。
如图1所示,为采用本发明实时监测煤矿瓦斯监测值异常时传感器分布示意图,其中T0为上隅角、T1为工作面、T2为回风巷、T3为进风巷。工作面T1和上隅角T0的瓦斯浓度据随时间的推移分布极不规律,波动起伏很大,主要原因是工作面受采动影响,瓦斯释放不均匀。上隅角T0瓦斯随风流呈现涡流状态,浓度极不稳定。回风巷T2中的瓦斯已与空气充分混合,并且风流相对未定,浓度变化较均匀。所以回风巷T2数据相对平滑稳定,并一定程度上呈现周期性变化。
回风巷T2中的瓦斯大都来自工作面(自身也有少量释放,但涌出较均匀,波动较小)。在正常的工作面瓦斯涌出情况下(不包括瓦斯突出),工作面T1和上隅角T0发生瓦斯超限报警时,回风巷T2中的瓦斯浓度也会升高。据此可以得出,回风巷T2与上游的工作面T1和上隅角T0存在一定的波动关系,虽然有些滞后。当上游瓦斯异常涌出之前,位处下游不远的回风巷中瓦斯已经有所上升,据此根据回风巷的瓦斯波动情况可以反推出工作面和上隅角的瓦斯异动。本方法选择回风巷T2作为研究对象进行分析。在回风巷T2的固定区域放置传感器进行瓦斯浓度异常监测,根据回风巷T2的瓦斯浓度情况,在工作面T1和上隅角T0用传感器对瓦斯浓度进行辅助监测。
图2为本发明实施例的一种实时监测煤矿瓦斯监测值异常的方法流程图。该方法包括:
S1:在一段时间内按照预定周期重复采集回风巷固定区域瓦斯浓度值,获得历史数据样本。
预定周期可根据实际情况进行设定。煤矿的生产活动安排通常是以天(24小时)为周期进行班次轮循,本技术方案以天(24小时)为预定周期进行数据采集,选择相对当前最近2个月的历史数据作为数据样本进行分析,原因在于,时间太久的数据可能已经不符合当前的工作面环境,时间太短又不能充分表达当前的瓦斯涌出规律。相对当前最近2个月的历史数据具有可参考性。历史数据样本可以根据工作面的实际生产变化情况来选取,可以是1个月或3个月等,重点在于选取的数据样本能够更好的体现出当前情况下的瓦斯涌出情况。其中,历史数据样本需要通过过滤方法去除伪数据,如异常大数、传感器调校数据等。
S2:以数据样本采集在所述预定周期内的相对时间为参考重新排列所述历史数据样本,获得用于反映在一个预定周期内的瓦斯浓度的分布情况的重排样本;
将过滤筛选后的数据样本分布到一个二维坐标上,纵轴为瓦斯浓度,横轴为时间(预定周期)。根据以预定周期(24小时)为周期的历史数据样本,按照预定周期(24小时)中相对时间的同一时刻的数据进行重新排列,得到一个在预定周期内相对时间的瓦斯浓度分布情况重排样本。如回风巷T2监测点在相对当前近两个月的历史数据样本,按照每天24小时的相对时间的同一时刻瓦斯浓度值进行排列,形成以24小时为周期的从0点到24点的瓦斯浓度分布数据样本。
S3:将所述重排样本按照时间划分成对应于连续的时间段间隔的多个子重排样本。
所述时间段间隔可以根据实际情况进行选择,可以按照分钟进行划分或者按照工作班次等进行划分,如5分钟或10分钟等。
S4:针对每个子重排样本按正态分布计算对应时间段间隔内的瓦斯浓度置信区间,利用计算得到所有时间段间隔的瓦斯浓度置信区间获得所述预定周期内的瓦斯浓度置信区间分布,所述瓦斯浓度置信区间表示在对应时间段间隔内测量位置的正常的瓦斯浓度范围。
瓦斯涌出量和生产活动有很大关系,产量大时,瓦斯涌出量也大,产量小,瓦斯涌出量也随之减少。由于瓦斯涌出量不规律,对整个数据样本而言,不可能通过数学公式得到如图3所示的两条平滑的曲线作为瓦斯浓度置信区间分布的边界,因此,本发明通过对预定周期按照时间划分成多个时间段间隔来对数据进行分割,每个对应时间段间隔内的数据样本符合正态分布规律,对每个时间段间隔进行计算得到一个瓦斯浓度置信区间,再将所有瓦斯浓度置信区间组成瓦斯浓度置信区间分布。参见图4,为所述瓦斯浓度置信区间分布组成示意图。设以24小时为预定周期,将以24小时为周期的瓦斯浓度重排数据样本按照5分钟的时间间隔分成288个连续的子重排样本。按照此种分割方式,相对当前最近2个月的重排历史数据样本中,每5分钟内的样本数据量大该在300~~600个之间,根据每5分钟时间段间隔内的数据样本符合正态分布规律计算得到对应5分钟时间段间隔的瓦斯浓度置信区间。在24小时预定周期中,需要计算得到共288(24*60/5)个瓦斯浓度置信区间。
选取所述相对当前最近2个月历史数据样本重排后得到的反映在一个预定周期内的瓦斯浓度的分布情况的重排样本中第一个5分钟段(00:00~~00:05)内的重排数据样本计算得到一个瓦斯浓度置信区间。
设x1,x2,…,xn是取自总体X的一个样本,n即第一个5分钟内的全部监测值个数。
设P=1-α(0<α<1)为置信水平,在本发明的实施例中取P=0.99,则显著性水平α=1-P=0.01。P=0.99的置信水平只是一个常用的值,这个值可以根据实际使用情况和现场情况进行调整。例如在实际应用中有很多异常点落在了置信水平P=0.99的置信区间之内,则说明P的取值过大;如果很多正常点落在了置信水平P=0.99的置信区间之外,则说明P的取值过小。因此要根据具体的应用情况对置信水平P的取值做出适当调整。
将所述5分钟内数据样本的数学期望(平均值)作为较优估计量μ,既计算第一个5分钟的瓦斯浓度置信区间,步骤包括:
S401:根据如下公式(1)并利用样本数据计算得出瓦斯浓度置信区间对应的第一个5分钟内的数据样本的数学期望
(式1)
其中,n为瓦斯浓度置信区间所对应时间段间隔内的瓦斯监测值个数;xi为所在对应时间段间隔内第i个瓦斯浓度检测值;
本发明实施例中,所述数据样本属于离散型的随机的瓦斯浓度值,对于离散型数据样本求数学期望也就是求数据样本的平均值(较优估计量)。此外,本实施例中的数据样本的数学期望也可以根据情况通过选取数据样本中位数的方法将得到。
S402:根据如下公式(2)计算得到第一个5分钟内的样本标准差s
(式2);
S403:根据如下公式(3)计算得到第一个5分钟的瓦斯浓度置信区间,
(式3),
其中,设为双侧置信区间,分别称θ与为双侧置信下限与双侧置信上限;设zα/2为双侧置信区间的置信因子,根据显著性水平α和置信水平P的关系(P=1-α),zα/2值通过查正态分布表得到。当取置信水平P=0.99时,显著性水平α=1-P=0.01,通过查表得到zα/2=2.58,从而求得第一个瓦斯浓度置信区间。
依照上述方法分别求得共计288个瓦斯浓度置信区间,此288个瓦斯浓度置信区间作为一个整体得到瓦斯浓度置信区间分布。此瓦斯浓度置信区间分布作为判断回风巷瓦斯监测值异常的依据。
上述方案除以5分钟作为时间段间隔进行分割外,还可根据具体情况选择其他时间段间隔或改为按班次分段取值计算瓦斯浓度置信区间。
根据具体的应用情况,瓦斯浓度置信区间分布可通过调整置信水平P的取值适当调整区间分布范围,以达到最优的判断结果。
S5:判断所述回风巷固定区域瓦斯浓度的实时监测值是否在监测时间所属的时间段间隔对应的瓦斯浓度置信区间内,如是,则判断煤矿瓦斯监测值正常,若否,则判断煤矿瓦斯监测值异常。
回风巷固定区域的传感器对瓦斯浓度值进行实时监测,将所述监测值与在监测时间所属的时间段间隔对应的瓦斯浓度置信区间进行匹配,如监测值在瓦斯浓度置信区间内,则判断煤矿瓦斯监测值正常,如瓦斯浓度置信区间外(越界),则判断煤矿瓦斯监测值异常。
参见图3,为本发明检测煤矿瓦斯信息量异常的方法的瓦斯浓度置信区间分布示意图。如图3所示,例如在6:02监测值为0.5,把这一点与瓦斯浓度置信区间分布进行匹配,得到一个A1点,这一点正好落在第73个瓦斯浓度置信区间中,由此判断,这是一个正常的监测值。在9:11分监测值为0.62,把这一值与瓦斯浓度置信区间分布进行匹配,得到点A2,这一点落在第110个置信区间之外,并且超越上界。虽然监测值没有达到国家规定的报警值1.0,但按照长时间的数据累计来看,此时的瓦斯涌出明显高于正常情况,属于小概率事件,由此判断,回风巷中的瓦斯非常规涌出,同时关注上隅角T0和工作面T1点,此时上隅角T0和工作面T1可能已经超限报警或即将发生超限报警。在17:11分监测值为0.05,把这一值与瓦斯浓度置信区间分布进行匹配,得到点A3,这一点落在第206个置信区间之外,并且超越该置信区间的下界。按照长时间的数据累计来看,此时的瓦斯涌出明显低于正常情况,由此判断,回风巷中的瓦斯量非常规涌出,有可能是停工停产导致工作面瓦斯涌量确实较低,也有可能是传感器出现异常(传感器零点漂移或催化元件老化或探头被异物堵塞等等)。如果是传感器发生异常需及时排查原因,采取措施,保证传感器能正常工作。
按照上述方法,选取某矿一个回风巷的监测数据(测点编号102A)进行具体分析。选取最近2个月(2011-10-1~2011-11-30)的数据量作为历史数据样本,数据样本如表1所示:
序号 |
测点编号 |
监测值 |
监测时间 |
1 |
102A |
0.2 |
2011-10-01 00:00:01 |
2 |
102A |
0.21 |
2011-10-01 00:01:41 |
3 |
102A |
0.15 |
2011-10-01 00:01:56 |
4 |
102A |
0.17 |
2011-10-01 00:02:11 |
...... |
...... |
...... |
...... |
95159 |
102A |
0.16 |
2011-11-30 23:58:01 |
95160 |
102A |
0.20 |
2011-11-30 23:58:31 |
95161 |
102A |
0.21 |
2011-11-30 23:59:21 |
95162 |
102A |
0.20 |
2011-11-30 23:59:51 |
表1
从表1中选取每天的第一个5分钟时间段间隔内的数据作为第1个瓦斯浓度置信区间的计算样本。如表2所示:
序号 |
测点编号 |
监测值 |
监测时间 |
1 |
102A |
0.2 |
2011-10-01 00:00:01 |
2 |
102A |
0.21 |
2011-10-01 00:01:41 |
3 |
102A |
0.35 |
2011-10-01 00:01:56 |
4 |
102A |
0.37 |
2011-10-01 00:02:11 |
...... |
...... |
...... |
...... |
312 |
102A |
0.18 |
2011-11-30 00:03:01 |
313 |
102A |
0.21 |
2011-11-30 00:03:31 |
314 |
102A |
0.24 |
2011-11-30 00:04:21 |
315 |
102A |
0.25 |
2011-11-30 00:04:51 |
表2
该瓦斯浓度置信区间,根据上述公式(1)计算得到第一个5分钟内的样本平均值其中n=315(每个置信区间的样本数可能不同)。通过上述公式(2)计算得到第一个5分钟内的样本标准差s=0.51。当置信水平P=0.99时,根据显著性水平α=1-P=0.01,查询正态分布表得到zα/2=2.58。根据上述公式(3)可求得第一个5分钟的置信区间
以此类推,计算得到全部288个瓦斯浓度置信区间如表3所示:
表3
取测点102A一条近期监测数据(见表4第1条数据),监测值为0.20,监测时间为2011-12-0110:20:32,计算可知这条数据对应表3中的第10×12+20/5+1=125个瓦斯浓度置信区间;已知则0.24-0.05<0.2<0.24+0.05,对比得知,此条数据的监测值0.2落在置信区间内,由此判断,此条数据无异常,此时瓦斯监测值正常。
取测点102A一条近期监测数据(见表4第128条数据),监测值为0.39,时间为2011-12-01 16:20:32,计算可知这条数据对应表3中第16×12+27/5+1=198个瓦斯浓度置信区间;已知则0.23-0.07<0.23+0.07<0.39,对比得知,此条数据的监测值0.39落在置信区间之外并高于上限,由此判断,此条数据有异常(虽然没有超限,但超过了平时正常的浓度)。通过查找102A对应的工作面瓦斯测点105A(表5)相应时间内的数据,发现在表5中相应的时间点(与表4中第128条数据时间相近)第130条数据的监测值已经有所上升,并在1分钟后105A测点发生超限报警。
取测点102A一条近期监测数据(见表4第3893条数据),监测值为0.01,时间为2011-12-29 23:55:12,计算可知这条数据对应表3中第23×12+55/5+1=288个瓦斯浓度置信区间,已知则0.01<0.24-0.1<0.24+0.1,对比得知,此条数据的监测值0.01落在置信区间之外并低于下限,由此判断,此条数据有异常。经过检查,发现102A测点传感器被粉尘堵住了探头气孔,清理后传感器正常。
序号 |
测点编号 |
监测值 |
监测时间 |
1 |
102A |
0.20 |
2011-12-01 10:20:32 |
...... |
...... |
...... |
...... |
128 |
102A |
0.39 |
2011-12-01 16:20:32 |
129 |
102A |
0.40 |
2011-12-01 16:21:01 |
...... |
...... |
...... |
...... |
3893 |
102A |
0.01 |
2011-12-29 23:55:12 |
...... |
...... |
...... |
...... |
表4
序号 |
测点编号 |
监测值 |
监测时间 |
1 |
105A |
0.40 |
2011-12-01 10:20:11 |
...... |
...... |
...... |
...... |
130 |
105A |
0.65 |
2011-12-01 16:19:50 |
131 |
105A |
0.97 |
2011-12-01 16:20:28 |
132 |
105A |
1.17 |
2011-12-01 16:21:31 |
...... |
...... |
...... |
...... |
表5
本发明实时监测煤矿瓦斯监测值异常的方法根据煤矿瓦斯浓度随时间周期性变化,不同周期的同一时刻监测值符合正态分布规律,选择回风巷固定区域的相对当前最近一段时间的历史数据得到瓦斯浓度置信区间分布,通过判断当前瓦斯传感器监测值与该监测时间所属的时间段间隔对应的瓦斯浓度置信区间匹配情况,判断煤矿瓦斯监测值异常情况,该方法异常判断准确性高,同时,该方法可根据实际情况进行调整,可灵活扩展,具有较强的实用性。
上述仅为本发明的较佳实施例及所运用技术原理,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。