仲晓星， 王建涛， 周昆

(1.中国矿业大学 煤矿瓦斯与火灾防治教育部重点实验室， 江苏 徐州 221116；2.中国矿业大学 安全工程学院， 江苏 徐州 221116)

0 引言

煤炭是我国的主体能源，对国民经济发展具有不可替代的作用[1-2]。煤自燃是煤炭开采过程中面临的主要灾害之一，不仅会烧毁大量煤炭资源，造成巨大经济损失，而且会产生大量有毒有害气体，严重威胁煤炭开采作业人员的生命安全[3]。煤炭开采过程中，煤自燃特征参数快速准确监测、危险程度及时预警对于煤自燃防治极其重要。

近年来，随着我国煤自燃监测预警等防灭火技术不断发展，矿井煤自燃灾害在一定程度上得到了控制，但煤炭开采技术和工艺的进步也对煤自燃防治提出了新的要求[4]。2020年2月，国家八部委联合印发的《关于加快煤矿智能化发展的指导意见》提出，到2025年大型煤矿和灾害严重煤矿基本实现智能化，到2035年各类煤矿基本实现智能化[5]。2021年，国家能源局、国家矿山安全监察局制定了《煤矿智能化建设指南(2021年版)》，明确提出建设煤矿智能火灾监控系统的要求[6]。可见，煤自燃防治正朝着“智能监测、精准预警、科学防治”的方向发展[7-8]。

为促进矿井煤自燃监测预警技术进一步发展，加快提升煤自燃监测预警能力，推动构建煤自燃智能化监测预警体系，实现煤自燃信息动态感知与智能预警，本文综述了煤自燃前兆信息监测技术和预测预报方法的研究与应用现状，分析了现有技术方法原理及存在的问题，并对其发展趋势进行了展望，以期为后续相关研究提供借鉴与参考。

1 煤自燃前兆信息监测技术研究现状

1.1 温度信息监测技术

温度是反映煤自燃危险程度最为直观的前兆信息。目前，常用的测温方法主要有壁面红外测温法(红外测温仪、红外热像仪)[9]和传感器预埋测温法(热电偶、半导体、分布式光纤)[10]。壁面红外测温法是指在无障碍物遮挡条件下利用红外测温仪或红外热像仪直接读取煤岩体温度，适用于监测井巷壁面等外露煤体的温度；传感器预埋测温法是指因被测煤体难以直接接触而预先将测温传感器布设于待测煤岩体附近以备后续温度监测，适用于监测采空区等隐蔽区域内部的温度。

分布式光纤测温系统(Distributed Temperature Sensing，DTS)具有测点分布广、传输距离长、信息容量多、测定精度大、稳定可靠性高，以及抗腐蚀、耐高压、抗电磁干扰等优点，逐渐成为煤自燃温度监测优先发展的技术[11]。煤矿常用的DTS包括激光器、波分复用器、传感光纤、探测器、采集卡和数据处理系统[12]。DTS依据光时域反射原理和拉曼散射效应对温度的敏感性实现温度监测，其基本原理在于以激光器作为光源发射脉冲激光，经波分复用器将载有不同信号的激光合成一束后进入传感光纤，于内部传输过程中经拉曼散射产生斯托克斯光和反斯托克斯光，二者再次经波分复用器进入探测器将光信号转换为电信号，利用采集卡高速采集电信号并进行累加平均，最后通过数据处理系统对其解调，进而获得温度信息。实际应用时，DTS的感温光缆外包保护套装，敷设于巷道和工作面，连接于井下分布式测温分站(用于温度信号解调、显示与存储)，最后通过矿用工业以太环网传输至地面监测系统并进行温度数据的后续处理。为了更加全面地反映采空区(采用插值法等对采空区内部温度场进行重构)等区域的温度信息分布情况及其变化规律，感温光缆一般呈沿线(两巷)或“L”形进行布设(图1)，随着工作面向前推进，感温光缆逐渐埋入采空区内部。当某个区域出现煤自燃危险，该处及其附近的温度便会升高，据此建立煤自然发火趋势图，进而判定危险状态。

图1 煤矿DTS布置Fig.1 DTS distribution in coal mines

1.2 指标气体测定技术

由于煤是热的不良导体，凭借温度难以充分反映如采空区等隐蔽空间区域的整体危险状态。煤自燃消耗O2并释放气体产物,基于此，指标气体成为判定煤自燃危险状态的另一关键前兆信息，主要包括CO，CO2，CH4，C2H6，C3H8，C2H4，C2H2，H2等[13]。煤矿企业主要采用气相色谱法[14]和吸收光谱法[15]对煤自燃指标气体进行定量检测，其中气相色谱仪作为束管监测系统的核心终端已被煤矿企业广泛使用[16]。外标法是气相色谱法普遍采用的定量标定方法，其原理在于利用提前制备的特定浓度标准样品生成工作曲线(样品量或浓度对峰面积或峰高作图)，要求在进样量等参数保持完全一致的条件下对采集的指标气体进行检测，至各组分出峰且完全分离后输出指标气体定量测定结果。

吸收光谱法具有寿命长、选择性好、灵敏度强和检测精度高等优点，是煤矿优先发展的气体测定技术[17]，其原理在于特定的气体分子在紫外/可见光波长范围(0.2～0.78 μm)发生电子跃迁、在近红外波长范围(0.78～2.5 μm)和中红外波长范围(2.5～14 μm)发生分子转动和振动而表现出特定的吸收特性。部分煤自燃指标气体在近红外波段的吸收谱线如图2所示[18]。可利用吸收光谱法进行气体浓度测定，气体对红外辐射的吸收遵循Lambert-Beer定律[19]。吸收光谱法主要有使用宽带光源的傅里叶变换红外(Fourier Transform Infrared，FTIR)光谱和非分散红外(Non-Dispersive Infrared，NDIR)光谱技术[20]，以及使用窄带光源的红外激光光谱检测技术〔如可调谐半导体激光吸收光谱(Tunable Diode Laser Absorption Spectroscopy，TDLAS)技术〕[19]，其中以NDIR和TDLAS技术的发展应用最为广泛。基于NDIR技术的气体传感器主要部件有宽带光源、测量气室、红外探测器及与之配套的窄带滤波器[21]。该窄带滤波器主要用来消除光束中所有不需要的波长[22]，只允许待测气体的特征吸收波长到达探测器，从而检测经过气体路径长度之后的光强衰减[20]。与使用宽带光源的NDIR技术相比，红外激光光谱检测技术采用单色性较高的红外激光作为光源，因而具有更高的分辨率，不需要使用额外的分光器件，更易于实现小型化，同时高功率密度激光光源更便于实现长光程检测[19]。在过去的许多年中，随着近红外激光技术的发展，基于近红外激光光谱气体检测技术得到了长足发展，以TDLAS技术为甚，其主要利用可调谐半导体激光器的窄线宽和波长随注入电流改变的特性，实现对气体分子的单个或几个因距离很近而难以分辨的吸收谱线进行测量，能够同时在线监测CO，CO2，CH4，C2H6，C2H4，C2H2浓度，具有灵敏度强、分辨率高、检测速度快等优点，具有良好的应用前景[17-18]。

图2 部分煤自燃指标气体在近红外波段的吸收谱线Fig.2 Absorption spectrum of partial index gases for coal spontaneous combustion in near infrared band

2 煤自燃预测预报方法研究现状

2.1 基于指标体系的预测预报方法

根据《煤矿安全规程》规定，开采容易自燃和自燃煤层时，必须开展自然发火监测工作，建立自然发火监测系统，确定煤层自然发火标志气体及临界值，健全自然发火预测预报及管理制度。煤自燃过程中不同阶段会产生不同的气相产物，煤矿企业据此建立其适用的煤层自然发火预测预报指标体系。根据气体生成原因，可划分为氧化气体(CO，CO2)和热解气体(CH4，C2H6，C3H8，C2H4，C2H2等)。因其初现温度和浓度与煤温之间存在良好的对应关系，故可根据各类气体的识别状态(浓度或变化趋势)判定煤自燃危险状况，即煤自燃标志性气体分析法。然而，利用单一指标分析煤自燃危险状态易受到漏风稀释、外来气源干扰等因素影响，导致气体检测值(浓度或初现温度)与所设定的阈值不符而出现漏报、误报情况。随着气体检测技术的发展，对煤自燃指标气体成分测定的速度和精度得以提升。为了克服单一指标分析的不足，双气体或多气体等复合指标(即复合指标预测预报方法[23]，见表1)不断被提出并得到广泛应用，极大地丰富了煤自燃预测预报指标体系，有力地推动了煤自燃危险程度判定方法进步。余明高等[24]结合标志气体优选原则，提出了立体瓦斯抽采条件下煤自燃预测预报标志气体的优化选择方法。史全林等[25]通过指标气体优选实验确定了煤自燃早期预测预报气体，并分析了指标气体随工作面动态推进过程中的变化规律。陈晓坤[26]将实验数据与现场观测数据相结合，提出了基于指标体系的煤自燃多源信息融合预警方法。王福生等[27]运用灰色关联法综合分析各复合指标与煤温的关系，确定指标预报优先级，构建了全矿井各煤层的煤自燃多参数预测预报指标体系。费金彪[28]、Zhang Duo等[29]对容易自燃煤层危险等级进行划分，以此为依据构建了多指标融合协同的煤自燃分级预警体系，并结合现场实际对其有效性进行了量化分析。

表1 部分煤自燃预测预报气体指标Table 1 Partial gas indexes for forecasting coal spontaneous combustion

2.2 基于统计分析的预测预报方法

为了进一步精细化判定煤自燃氧化程度，基于实验分析所得的气体指标与煤温之间的非线性特征[40]，结合煤自燃氧化阶段划分[28,41-42]，学者们提出基于统计分析的煤自燃预测预报方法，即对气体指标与煤温进行一元或多元回归分析等，构建函数化或统计模型用以判定煤自燃状态。仲晓星等[41]根据CO浓度随煤温的变化特征，提出了基于程序升温条件下的煤自燃临界温度测试方法。沈云鸽等[43]分析不同自燃倾向性煤自燃氧化特性，得出了氧化时间随煤温的变化关系及气体指标随煤温的变化规律。周西华等[44]研究了不同氧浓度条件下O2和CO浓度及其变化速率随煤温的变化关系。朱红青等[45]分析气煤自燃标志性气体产生规律，研究了煤自燃特征参数在不同温度范围下的变化特征。Dong Xianwei等[46]研究不同变质程度煤自燃升温氧化过程中指标气体产生量随煤温的变化规律，确定了气体浓度-煤温的趋势表征形式。基于气体指标随煤温的变化特征，学者们建立了基于统计分析的预测模型用以判定煤自燃程度。王福生等[47]基于程序升温氧化实验，以CO浓度和烯烷比作为指标，分别采用指数和线性拟合法建立了煤自燃各阶段适用的温度预测模型。朱令起等[48]优选指数函数作为最佳拟合方法，提出了低温条件下以CO2与CO浓度比值为指标的烟煤自然发火预测模型的统一形式。Wang Junfeng等[49]分析煤自燃氧化过程中耗氧量与气态产物释放量的关系，建立了以耗氧速率与气相产物释放率比值为指标的多元线性回归煤自燃状态评价模型。文虎等[50]根据煤自燃升温氧化实验获得的气体变化规律，选取不同类型回归模型构建各指标气体与煤温之间的回归方程，依据回归方程导数(即变化灵敏度)确定了煤自燃阶段性指标气体。王磊等[51]以CO绝对发生量为指标，引入平均残差法对预测值进行修正，构建了煤自燃灰色马尔科夫预测模型。

2.3 基于智能算法的预测预报方法

随着计算机与信息科学技术的进步，煤自燃预测预报方法正朝着智能化的方向发展。针对统计分析法受变量数目限制较大等问题，为进一步提升煤自燃预警的准确性、泛化性及求解效率，基于预测指标与煤自燃程度之间的复杂非线性关系，从有限的煤自燃观测数据中学习出具有一般性的规律(即预测模型)，进而将其应用到未观测样本上，学者们提出以多指标为输入、危险度为输出，采用群智能算法、机器学习等进行煤自燃预测预报。

杨忠超等[52]综合分析煤炭开采过程中的影响因素，以其作为输入变量，将煤层自然发火情况(无发火征兆、有征兆和发生自燃3个等级)作为输出，提出一种基于反向传播神经网络(Back Propagation Nerual Network,BPNN)的煤自燃预测预报方法。侯媛彬[53]以最小浮煤厚度作为煤自燃预警阈值，提出一种基于粗糙集神经网络(Rough Set Neural Network，RSNN)的煤自燃预测方法。王亚军[54]引入时间序列模式，建立了适合于采空区煤自燃早期和中长期预测预报的BPNN模型和TD-BPNN模型。徐杨等[55]在采用自组织特征映射网(Self-Organizing Feature Map，SOFM)对采空区煤自然发火与否进行识别的基础上，建立了以抽放孔气体和位置为指标的煤自燃BPNN预测模型。周福宝等[56]提出了一种基于BPNN的煤矿火区启封后复燃的多参数预测方法。为了克服BPNN易陷入局部最优解、收敛慢等问题，靳玉萍[57]提出基于代数神经网络的煤自燃预测模型。随着指标气体检测精度和效率的提高，以气体指标作为输入变量，学习向量量化(Learning Vector Quantization，LVQ)神经网络[58]、改进粒子群小波神经网络[59]等逐渐得到应用。

针对人工神经网络在样本数据采集量少的情况下预测准确性差且容易出现“过拟合”等问题，适合于小样本学习的支持向量机〔Support Vector Machine, SVM，包括分类机(Support Vector Classification，SVC)[60]和回归机(Support Vector Regression，SVR)[61]〕算法逐渐应用于煤自燃预测预报。高原等[62]以氧浓度、推进度、漏风强度等参数为输入指标，将实际自燃情况划分为极易自燃、易自燃和安全3个等级，采用SVC建立煤自燃预测模型对自然发火状态进行分类识别。为了提高SVM模型的预测准确度，学者们采用优化算法对SVM超参数进行优化。邓军等[63]以现场实测的气体和温度数据构造样本，采用粒子群优化(Particle Swarm Optimization，PSO)算法优化SVR超参数，构建煤自燃温度的PSO-SVR预测模型，并对比分析了标准SVR模型、BPNN模型和多元线性回归(Multiple Linear Regression，MLR)模型的性能，证明了优化后SVR模型的有效性。此外，基于实验室测试样本数据，超球体SVM[64]、相关向量机(Relevance Vector Machine,RVM)[65]及SVM相关改进变体[66-67]等被用于煤自燃程度预测。针对煤自燃预测指标维数大、样本不平衡问题，主成分分析[68]、粗糙集[69-70]、过采样算法[71]等被用于实现数据的维度约简及样本平衡。此外，为了进一步提升模型预测性能，AdaBoost[72]、随机森林[73-74]等集成学习方法逐渐应用于煤自燃程度预测，并与其他算法进行对比[75]，从模型泛化性、鲁棒性和准确性等方面证明了该方法的优越性。

3 煤自燃监测预警技术存在的问题

目前，我国矿井煤自燃监测预警技术已取得长足发展，但仍存在诸多问题：

(1) 煤自燃前兆信息一体化监测受井下环境干扰大。利用气相色谱仪的传统人工采样检测方法效率低且存在时间滞后性。井下束管采样、地面色谱分析的束管监测系统存在可靠性差、测试周期长、管路破漏难以寻源等问题。基于吸收光谱的气体检测技术易受水蒸气及煤尘颗粒的干扰，且受限于光源问题，目前基于该技术的检测装置代价高昂且大多集中在近红外波段。此外，由于CH4浓度达到一定值时，其吸收谱带会覆盖其他煤自燃气体的吸收谱带，导致煤自燃多组分气体检测存在较大误差。壁面红外测温法要求待测煤岩体无障碍物遮挡。热电偶测温法和半导体测温法要求所使用的监测传感器须与被测煤岩体相点接触，需设置的监测点数量大，且由于煤的热传导能力差，致使该技术仅能探测设置点局部范围的温度情况，灵敏度较低，且传感器经常因放顶而遭到毁坏，维护困难。

(2) 预警指标体系和模型构建侧重实验，难以与现场实际有效衔接。无论采用单一标志性气体还是复合指标对煤自燃危险程度进行预测预报，相应建立的煤自燃预测预报指标体系皆是通过在实验室开展小型煤自燃模拟实验获得的预测指标范围与危险程度之间的对应关系。然而，煤矿实际供风条件、采空区漏风状况等具有复杂性，在实验室条件下难以对其进行有效模拟，致使其衍生出来的煤自然发火特征难以与现场有效关联。换言之，因现场预警阈值难以确定，在实际应用时，即使指标值满足指标体系所圈定的范围，由于采空区内部的不可接触性，使得实际危险状态仍不能被切实准确判定。此外，基于实验所得数据，采用统计分析和智能算法所建立的煤自燃程度预测模型同样与现场实际有很大偏差。

(3) 煤自然发火有效样本少，预测时效缺乏超前性。在信息方面：煤炭开采过程中多为不发火状态，使得以现场监测方式得到的预测模型训练样本多为安全状态样本，发火和未发火样本数据量极不平衡，导致所建立的预测模型无法有效学习煤自然发火规律。此外，采空区的隐蔽性特征致使无法准确标记采空区内部煤自燃危险程度。在状态方面：目前多以静态采空区作为研究对象，所使用的煤自燃预测模型训练样本均属静态，所建立的预测模型难以适用于煤矿动态开采所监测的时序性数据。在时效方面：利用智能算法建立的基于静态历史样本的预测模型仅能够根据当前的煤炭开采情况判定当前的煤自燃危险程度(即时预报)，缺乏超前预警性能，且无法实现煤自燃风险态势研判。

4 煤自燃监测预警智能化发展趋势及研究展望

随着传感、网络通信、人工智能等计算机与信息科学技术水平的日益提升，科学研究正朝着高智能化方向快速发展，为煤自燃动态感知与智能预警技术研发提供了良好的技术支撑。由于煤矿井下构造环境复杂，致使现场煤自燃有效参数难于收集，多源信息变化规律尚不明确，实验所得指标体系和预测模型难于现场实际应用，煤自燃智能化监测预警技术亟待提升。为此，提出以下研究展望：

(1) 建立煤自燃超前预警与即时预报联合预测模式。建立工作面推进下采空区及封闭区域煤自燃预测模型的训练样本不断变化、实时更新，利用智能算法学习基于时间序列的动态样本是实现超前预警的关键基础；同时，以往采空区煤自燃静态预测模型采用的指标缺乏时序衔接性，不适用于动态预警，确定含时序性的有效预警指标是超前预警样本数据采集的重要载体，同时也可作为及时调整开采参数的指导参考；在实验分析基础上，构建以工程应用为导向的煤自燃危险程度精细化判定准则是样本标记的主要依据；基于含时序性指标和样本数据优选最适合的机器学习算法是提升预测准确性的重要依托。设计适用于煤自燃危险程度超前预警的时序性新型深度神经网络架构、学习方法与性能评估方法，有监督学习与无监督学习方法相结合，建立煤自燃危险程度超前预警与态势研判机制，形成煤自燃危险态势超前预警(动)与发火程度即时预报(静)联合预测模式。

(2) 发展机理建模与机器学习相结合的多源信息融合分析方法。针对矿井煤自燃预测中出现的小样本、不平衡、多维数、异构等数据特征，采用数值模拟技术确定监测点最佳布设方案，构造工作面动态推进全过程的全因素、多场景、高仿真煤自然发火案例库，建立虚拟源域煤自燃预测模型，建立数值模拟与现场实景之间及不同开采工艺矿井之间的预测模型迁移适配机制；设计异常信息自反馈学习体系，实现煤矿井下复杂环境的预测模型动态自适应。此外，建立与现场实景相吻合的煤自燃氧化升温时空演化数值模拟是获取预测模型有效初始训练样本的前提，因此亟需开展数值模拟动态随机优化方法研究，为建立煤矿数字孪生体系提供技术支撑，实现煤矿开采过程中的煤自燃信息的实时虚实交互。

(3) 构建矿井一站式、可视化、智能化煤自燃监测预警平台。开发与矿井煤自燃智能预警相适配的指标参数智能监测设备是保障预测结果准确可靠的基础性关键条件。针对井下煤尘多、湿度大对探测器信号干扰问题，研发透气性好、机械强度大、材料利用率高的除尘降湿装置；针对井下多气体组分谱线混叠干扰问题，研究光谱信号处理与谱线解调分离方法；研发集指标气体、温度、湿度、压差、风速等多参量的原位一体化长期免校准的实时监测、动态感知装置；发展采空区分布式光纤测温系统的网络化、密集式布置，实现煤自燃征兆信息的动态对应、实时校对、样本标记及温度场分布信息可视化呈现；联合井下光纤环网、5G通信技术，实现矿井煤自然发火数据的实时监测与上传；发展煤层自然发火数据边缘处理技术,建立健全数据管理系统，实现监测数据的转换、缓存、抽取、清洗等，内嵌煤自燃危险程度智能化动-静预测模型，构建矿井煤层自然发火智能化精准监测预警平台,如图3所示。

图3 煤层自然发火危险程度智能化监测预警平台架构Fig.3 Intelligent monitoring and early warning platform framework for danger degree of spontaneous combustion in coal seam

5 结语

现阶段矿井煤自燃监测预警技术已取得一定研究进展，但尚处于智能化开发初级阶段，发展潜力与挑战并存。为了进一步适应煤矿智能化开采需求，今后可从煤自燃前兆信息多参量原位一体化感知装置、传感与网络通信等技术的联合应用、煤层自然发火数据管理系统、煤自燃氧化升温时空演化数值模拟动态随机优化方法、煤自燃危险程度智能化超前预警与态势研判机制、煤自燃超前预警与即时预报联合预测模式、数值模拟与现场实景之间及不同开采工艺矿井之间的预测模型迁移适配机制、机理建模与机器学习相结合的多源信息融合分析方法等方面做进一步深入研究，实现矿井煤自然发火监测设备协同化、数据采集实时化、信息分析动态化、预测预报精准化、危险预警超前化、风险态势可视化，有效促进煤自燃监测预警技术智能化发展，着力提高煤自燃监测预警能力，全面提升煤矿智能化和信息化水平，深度助力矿井煤炭防患于未“燃”，以保障我国煤矿安全高效生产，减少人员伤亡和财产损失，降低防灭火处理成本，提高煤矿企业经济效益。