牛嘉野军

（山西西山金城建筑有限公司，山西 太原 030053）

在煤矿生产过程中，存在多种安全隐患，顶板、瓦斯、放炮、地下水等都易造成安全事故，其中尤其以瓦斯危害最大。据相关统计，我国煤矿重大事故中80%以上是瓦斯事故[1]。瓦斯事故的主要形式为瓦斯爆炸、瓦斯中毒窒息、煤与瓦斯突出，同时容易衍生巷道垮塌、煤尘爆炸等次生灾害。因此，研究煤矿瓦斯涌出规律，发展瓦斯灾害预警技术，具有重要的现实意义。

井下各巷道中，掘进工作面由于开拓新鲜煤层，顶板及煤壁支护不足，通风困难，最易造成瓦斯积聚，从而引发瓦斯事故。传统炮采作业，造成掘进面瓦斯浓度断崖式变化，使得瓦斯预警难度极大。而目前大部分矿井已经实现机械化开采，掘进面进尺、落煤速率稳定，工作面瓦斯浓度变化也呈现出一定的规律性，为发展瓦斯灾害预警技术奠定了基础。本研究在搜集西山煤电下辖各煤矿掘进面瓦斯浓度检测数据的基础上，运用统计分析方法，分析掘进面瓦斯涌出规律，提出一种新的瓦斯灾害预警技术。

1 瓦斯灾害预警方法

煤矿巷道瓦斯预警是复杂的非线性问题，传统的钻孔碎屑法、碎屑解吸法等接触式探测手段都是静态的、断点的，且易干扰正常生产，因而新型瓦斯灾害预警方法的方向是发展非接触的瓦斯预警系统。目前主要的瓦斯预警方法有以下几种。

（1）神经网络预测法

神经网络算法是基于人工智能科学发展而来的分支，适用于非线性函数计算，具有自识别和自学习能力。已有研究将其与瓦斯监测相结合建立了瓦斯预测神经网络模型，应用于煤层、采空区等瓦斯涌出规律预测[2]。但模型中神经元个数以及对于瓦斯涌出影响因素的选取都具有较大的主观性，预测结果精准度不足。

（2）GIS 区域预测系统

GIS 区域预测系统主要基于矿井瓦斯地质信息进行编辑控制，将区域瓦斯等值线、瓦斯分布趋势图等进行图像化处理，为瓦斯涌出规律提供参考。该方法可视性强，但将地质构造作为瓦斯涌出的主要因素，不适用于掘进工作面作业条件。

（3）混沌时间序列预测法

混沌时间序列预测法可以分为两大类：基于非线性数学模型的动力学方法、基于实际观测数据的相空间重构法。研究表明，基于已有瓦斯涌出监测数据建立的预测模型，可以较好地预测瓦斯涌出规律并识别异常特征值，发出预警[3]。

混沌时间序列预测法科学依据充足，模型预测精度高，但建立模型所需数据繁多，算法庞杂[4]。因此本文选择相空间重构法，将掘进面瓦斯监测数据以统计分析方法进行分析，兼顾了计算量以及模型精度。

2 基础数据整理

数据的监测一般是通过布置在各观测点的传感器测得，传感器之间通过线路连接，通过电磁信号测定数据。井下生产环境复杂，不同型号的传感器也存在工作方式、测量精度的不同，因此对于搜集的掘进工作面瓦斯浓度监测数据必须进行二次处理，才能作为统计分析的依据。具体整理方法如下。

（1）异常值

异常的极大值或极小值是常见异常点之一，其形成原因较为复杂，难以确定，可能是由于传感器信号线接触不良、其他设备电磁干扰、数据记录设备异常等。一般对于极小值（零值）直接剔除，将该段时间之前10 min 的数据取均值进行替代。对于极大值则不能简单剔除，有可能是高浓度瓦斯瞬间积聚引起的，必须进行进一步分析。

（2）数据缺失

数据缺失的原因可能是供电系统断电、网络故障或传感器检修、损坏等。缺失数据具体区分为长时缺失（＞30 min）和短时缺失（≤30 min），含长时缺失的数据序列会造成模型模拟误差较大，因此予以剔除，短时缺失数据一般是利用前后相邻时间段的数据进行补齐。由于瓦斯监测数据可以视为是一组随时间序列随机排列的数列，因此适用于自回归模型（AR 模型）对其进行预测。即已知x1～x(t-1)之间的数据排列，假定xt时期与前述时期保持线性关系，从而预测该时期内数列值。

（3）数据精度不足

数据监测精度与传感器的工作方式、型号以及调较有关，现场安装调试操作不规范也有可能造成精度不足。对于这一类数据，为避免对于分析结果的影响，应当剔除，以保证基础数据精度相同。

3 掘进面瓦斯浓度监测数据统计分析

该研究从西山煤电各下辖十多个煤矿搜集了各个工作面巷道掘进过程瓦斯浓度监测数据57组，经预处理后，选择48 组作为基础数据，利用Matlab 软件进行统计分析，最终将其分为离散分布、正态分布、复杂非线性分布。结合样本数量，利用改进的K-S 检验法，即软件自带的D 检验法，并结合W 检验进行检验。采用95%的置信区间，当数据显著水平＞0.05 时，接受假设，即认为该组数据符合正态分布；当数据显著水平≤0.05 时，拒绝假设，即认为该组数据不符合正态分布。经统计分析后发现，基础数据中符合正态分布的有46 组，占比80.7%；符合复杂非线性分布的有6 组，占比10.5%；符合离散分布的有5 组，占比8.8%。各类型分布中的典型分布曲线如下。

（1）正态分布

杜儿坪矿15310 工作面南回风巷掘进过程中瓦斯监测数据如下，经分析得该组数据符合正态分布。瓦斯浓度随时间的变化曲线如图1。

图1 杜儿坪矿15310 南回风掘进头瓦斯浓度时间变化曲线

利用Matlab 软件绘制瓦斯浓度分布直方图并作正态分布拟合曲线如图2。

图2 杜儿坪矿15310 南回风掘进头瓦斯浓度分布直方图

该样本的D 检验和W 检验的结果见表1。

表1 杜儿坪矿15310 南回风样本D-W 检验结果

由上表可知，数据显著水平（sig）大于0.05，接受假设，即认为该组数据符合正态分布。

（2）复杂非线性分布

西铭矿9408 工作面运输巷掘进过程中瓦斯监测数据如下，经分析得该组数据不符合正态分布，属于复杂非线性分布。瓦斯浓度随时间的变化曲线如图3。

图3 西铭矿9408 工作面运输巷掘进头瓦斯浓度时间变化曲线

利用Matlab 软件绘制瓦斯浓度分布直方图并作正态分布拟合曲线如图4。

图4 西铭矿9408 工作面运输巷掘进头瓦斯浓度分布直方图

该样本的D 检验和W 检验的结果见表2。

表2 西铭矿9408 工作面运输巷样本D-W 检验结果

由上表可知，数据显著水平（sig）为0，该组数据不属于正态分布，而属于复杂非线性分布。

（3）离散分布

马兰矿15314 工作面回风巷掘进过程中瓦斯监测数据如下，经分析得该组数据不符合正态分布，属于离散分布。瓦斯浓度随时间的变化曲线如图5。

图5 马兰矿15314 工作面回风巷掘进头瓦斯浓度时间变化曲线

利用Matlab 软件绘制瓦斯浓度分布散点图如图6。

图6 马兰矿15314 工作面回风巷掘进头瓦斯浓度分布散点图

该样本的D 检验和W 检验的结果见表3。

表3 马兰矿15314 工作面回风巷样本D-W 检验结果

由上表可知，数据显著水平（sig）为0，该组数据不属于正态分布，而属于离散分布。

4 掘进工作面瓦斯涌出异常实例分析

通过对基本数据的分析，可以发现大部分巷道掘进工作面的瓦斯浓度监测数据是符合正态分布的一列随时间序列随机分布的数据。因此，可以以正态分布为特征研究掘进工作面瓦斯浓度变化，判断出瓦斯浓度变化的异常点，提前预警以及时采取措施。在统计的数据之中，存在瓦斯浓度异常涌出数据，通过对其分析，发现在异常点之前，瓦斯浓度数据符合正态分布，而异常点出现后，数据序列由正态分布转为复杂非线性分布。

以斜沟矿11103 工作面回风巷掘进过程中瓦斯浓度变化为例，前80 个数据符合正态分布，从第81 个数据开始，数据序列呈复杂非线性分布。前80 个数据的瓦斯浓度-时间曲线如图7。

图7 斜沟矿11103 工作面回风巷掘进头瓦斯浓度-时间曲线

对样本作容量为80、81、82 的D 检验和W 检验的结果见表4。

表4 斜沟矿11103 工作面回风巷样本D-W 检验结果

可以看到，自第81 个数据开始，数据显著水平（sig）开始小于0.05，说明数据偏离正态分布，经Matlab 检验得，样本容量为80 时，数据符合正态分布，样本数量为81、82 时，数据呈复杂非线性分布。

据此可以认定81 数据处为瓦斯浓度异常点，结合煤矿监测资料显示，该特征点后约17 个小时，该巷道发生瓦斯突出，印证了以此判断瓦斯浓度异常是合理的。

5 结论

本文通过对西山煤电各煤矿掘进工作面48 组瓦斯浓度监测数据的统计分析，得到结论：井下工作面正常瓦斯浓度监测数据符合正态分布；运用统计分布进行瓦斯浓度分析是合理而简便易行的预警方式；当工作面瓦斯浓度监测数据开始偏离正态分布时，可能是瓦斯异常涌出的预兆，应及时采取预防措施。