张 怡

（成都理工大学 工程技术学院，四川 乐山 614000）

在矿山安全管理中，越来越注重智能化管理方法的应用，以及时发现矿山中存在的安全隐患，且及时预警。矿井火灾事故是煤矿安全的一个重大隐患，一旦发生，会造成不可估计的损失。因此需要加强矿井火灾事故预测，消除事故隐患。其中数据挖掘是在海量数据中提取有用信息，及时掌握相关数据信息中的异常数据，实现对矿井火灾事故的有效预测［1－2］。为提升矿井火灾事故预测精确性，本文基于Apriori算法分析其相关影响因素，实现火灾预警，并结合预警情况制定应急对策，以免发生重大事故、造成严重损失。

1 数据挖掘算法

数据挖掘是在数理模式下实现对海量存储数据的分析，在隐含数据中获取具有规律性及潜在价值的信息，所以数据挖掘也称知识发现。数据挖掘过程包含数据准备、规律寻找以及规律展现。数据挖掘是知识发展流程的重要组成部分，由大量特定挖掘算法构成，在此过程中挖掘算法的应用即为提取有效模式［3］。

数据挖掘算法由输入、输出以及算法处理组成。通常，将历史数据输入数据库中，通过算法输出发现规律，实现对数据的处理。相对而言算法处理更加复杂，包括具体的算法过程。在实际中也有专门属性归纳方法，可以在不同类型挖掘任务下实现对数据挖掘方法的划分［4］。本文基于挖掘任务视域，在挖掘算法的对比分析下，选择与矿井火灾事故预测密切相关的关联规则算法Apriori算法。

2 Apriori算法

Apriori算法是传统生成布尔型关联规则的频繁项集挖掘算法之一，是逐层搜索下构建的迭代算法。这一算法基于静态数据信息，实现对有价值数据挖掘的关联规则分析。应用中的基本思路为：

1）扫描数据库，统计分析所有单个项目支持度，可提取大于或等于给定最小支持度项目组，构建频繁项集L1。

2）再次对数据库实施扫描，递归获取最终频繁项目。通过简化，主要为以下3个步骤：①连接步骤，在与k－1频繁项集连接后建构k项候选集。在连接过程中基本条件为：保证前k－2项相同，同时第1个k－1项集的第k－1项＜第2个k－1项集的第k－1项；②删除步骤，在Apriori算法下一一剪去k项候选集。在剪枝中基本规则为：如果k项候选集中任意非空子集不是频繁集，可以剪去这一候选集k项集；③计数步骤，针对数据库实施扫描，实现对数据库中k项候选集存在次数实施累加。其中计数中如果在交易记录中存在有这一候选集，那么次数上加1。之后依照给定的最小支持度阈值即可构建k项频繁集［5－6］。

3 数据挖掘模型构建

这里选择顶尖数据挖掘平台TipDM进行模型构建。TipDM平台在应用中可以从各种数据源中获取数据，完成数据挖掘模型的构建。模型输入包括建模专家样本数据输入以及建模参数输入两部分。基本参数设置见表1。

表1 建模参数设置

建模仿真过程见图1。

图1 建模仿真过程

4 基于Apriori算法的矿井火灾事故预测分析

4.1 Apriori算法应用过程

在Apriori算法应用过程中，需要注重数据收集，尽可能提升数据的实效性以及准确性。具体过程包括：①将感应器及数据收集系统设置在井下巷道及采掘工作面上；②所采集数据及时传输到计算机分析终端，以实现对数据的分析；③结合分析结果，在关键位置发布结果；④依照分析结果，由管理人员实施预警处理；⑤结合预警事项及相关规范，实现对矿井现场防治［7］。

4.2 实例应用

4.2.1 数据采集

以某矿井为例，以2019年3月监测数据作为原始数据，每小时实施一次监测，构建原始数据库。数据库中数据记录达到2 900条，实现对5项参数的监测。其中采掘深度－150～－120 m的相关参数见表2。

表2 原始监测数据

4.2.2 数据预处理

矿井监测原始数据所构建的数据库中包括大量实施数据，其特点为异构性、随机性、多维性以及不完全性。然而监测所得原始数据并非有效挖掘数据，因此还需对其深入分析。为便于实施数据挖掘，提升数据有效性，先对数据实施预处理，在分析过程中从1开始进行排序，相应的预处理规则见表3。在矿井危险等级评估中依照我国《煤矿安全规程》［8］中的相关规定实施分级，分别为较弱、中等以及严重，本次研究分别以1、2、3替代，关联规则下实施转换所得事务见表4。

表3 数据预处理规则

表4 转换后事务表

4.2.3 Apriori算法下的数据挖掘

登录TipDM平台后，选择Apriori算法，将以上所得数据导入平台中，即可得到相应的关联规则，见表5。

表5 关联规则表

4.2.4 结果研究

通过以上分析可以发现，矿井火灾事故发生的影响因素主要为瓦斯含量以及日产量。管理人员在分析中发现出现高瓦斯浓度情况，需要加强对矿井火灾事故的预防，结合这一情况实施监控指挥，可有效预防矿井火灾事故的发生。以此实现对矿井火灾事故隐患的有效预测分析，最大化消除相关隐患。

4.3 Apriori算法在矿井火灾事故预测中的优劣分析

Apriori算法在矿井火灾事故预测分析中具有一定可行性，主要优势为：矿井火灾多因素特性和Apriori算法规则具有良好的契合性；可以及时发现矿井火灾事故隐患，便于早期实施火灾防治［9］；应用Apriori算法可实现对相关安全因素较为准确的评估。但在实际应用中，也存在一定的不足，例如矿井中通常日常数据量非常大，因此在应用中无法保证数据实效性及真实性。另外在数据设计中，因数据不断扩大，存在较多数据关联频繁项，在此情况下管理者也需及时更改报警数据规约模型参数，以能够取得良好的预测效果。

5 结 语

基于Apriori算法实现了关于矿井火灾事故的预测分析，通过数据挖掘分析研究可以发现瓦斯浓度以及日产量是矿井火灾事故预测的主要参数，结合相关因素关联关系实现对矿井火灾事故的预测分析，构建相应的预警系统，有助于提升矿井火灾事故预测预警准确性，进而有助于降低矿井火灾事故发生率。虽然以上研究证明Apriori算法在矿井火灾事故预测中具有一定使用价值，但在矿井火灾事故预测分析中，数据挖掘针对性及其准确性直接影响关联规则算法应用效果。想要实现对矿井火灾事故的有效预测和分析，也需要针对Apriori算法应用中存在的不足实施改进，以提高Apriori算法在煤矿风险预测中的应用价值。