王月红，高 萌，赵帅博

(华北理工大学矿业工程学院，河北 唐山 063210)

矿尘不仅危害井下工作人员的身体，当矿尘达到一定浓度也会引发爆炸，还会造成更严重的井下灾害事故。在煤矿生产作业过程中，如钻井、爆破作业、采煤机及掘进机作业、煤矿的运输转运等多个环节都会产生矿尘[1]。在不同矿井中，由于地质条件、煤的变质程度以及采掘方法、机械化程度等不同，矿尘的产生量也有很大的差异；在同一矿井内，矿尘量也处于动态变化中。为了减小矿尘事故，预测井下矿尘浓度，许多学者进行了相关研究。相关文献表明，学者们主要采用神经网络模型对粉尘浓度进行预测，如：改进的神经网络模型[2]、BP神经网络模型[3]、熵权法RBF神经网络[4]。对矿尘浓度进行预测的同时，也建立了相关模型预测尘肺病。谭强等[5]、王维等[6]基于灰色数列模型GM(1,1)对职业病的发病情况进行预测，时冬青[7]在灰色GM(1,1)模型的基础上结合马尔科夫过程构建灰色GM(1,1)-马尔科夫预测模型探讨该模型在职业病预测领域的应用，王永斌等[8]等建立灰色-广义回归神经网络组合模型，研究该模型对尘肺病预测的准确性。通过对尘肺病进行预测，使煤矿管理人员根据尘肺病的发病情况制定具有针对性的预防措施。

ARIMA模型在尘肺病的预测方面有一定的应用[9]，但在粉尘浓度预测方面的研究尚少，本文通过建立ARIMA模型并结合实例，具体分析了ARIMA模型在井下粉尘浓度预测方面的应用。

1 ARIMA模型理论基础

ARIMA模型称为求和自回归滑动平均模型，由博克思(Box)和詹金斯(Jenkins)于20世纪70年代初提出的一种著名时间序列预测方法，所以又称为Box-Jenkins模型、博克思-詹金斯法。……