研发建设瓦斯治理综合管控信息平台助推阳煤瓦斯治理工作全面提升

一、单位介绍

阳泉矿区是我国大型的煤炭生产基地之一，是我国典型的高突矿区，开采过程中矿井瓦斯涌出量普遍较大，最大可达77.45m3/t，平均多在10m3/t以上，矿井瓦斯严重威胁着矿井的安全生产和经济效益的发挥。由于矿井瓦斯本身的复杂性，其研究工作也是比较困难的，瓦斯涌出源和瓦斯涌出方式等瓦斯信息会随着矿井开采活动的进行不断改变，瓦斯信息具有数据量大和数据更新频繁的特点，这也进一步使得矿井瓦斯信息管理的难度增大。

随着阳煤矿区开采的推进以及矿井安全监测监控系统的普及，采矿工程信息和矿井瓦斯地质信息不但在数量上急剧增加，更体现很强的时效性；影响瓦斯赋存、运移及煤与瓦斯突出的数据源呈现错综复杂、相互影响的特点。对于阳泉矿区来说，现有的瓦斯治理工作积累了大量宝贵的数据，但如何利用这些数据仍是要重点研究的工作。

二、瓦斯治理综合管控信息平台

2.1项目实施背景

为了更好的开展阳煤集团瓦斯治理、管理工作，有必要系统的开展瓦斯相关资料的收集、分析与整理的研究工作，对瓦斯资料进行分类、对瓦斯参数进行分析研究，建立真正对瓦斯管理工作具有指导意义的瓦斯参数体系。在此基础上，利用现有的瓦斯数据库基础，研究瓦斯数据挖掘算法，对瓦斯数据进行处理分析，建立瓦斯害信息融合决策的数学模型，实现对瓦斯灾害的准确预测，保障矿井安全高效生产。

2.2项目内涵

随着计算机及数据库技术的发展，将数据挖掘和信息融合技术应用于瓦斯灾害预警技术研究中，对监测的大量的瓦斯相关信息进行滤波、变换、分析、处理，提取灾害特征信息，建立瓦斯灾害信息融合决策的数学模型，将为瓦斯灾害预测控制提供有效的理论依据。瓦斯灾害特征提取是数据处理中非常重要的一步，它的作用就是提取有用信息，避免以后的决策错误。特征提取的对象是瓦斯灾害的特征属性，其中包含了多个信号特征参数的集合，描述了不同的特征属性，所以当对这一对象中提取出不同的特征信息，则可以对瓦斯灾害准确识别提供有利的依据。建立瓦斯灾害信息融合决策的数学模型是实现瓦斯灾害预测控制的关键，多平台多源信息融合决策算法问题是解决瓦斯预测的关键技术。在技术实现上采用先进的人工智能理论、数据准备的基础上的挖掘理论和信息融合理论来建立瓦斯灾害融合决策模型。在进行粗糙集推理数据准备基础之上，分别建立基于时间序列和基于粗糙集规则的预测模型和决策模型，用以解决瓦斯灾害不同层次的特征信息融合的不确定性和不精确性的问题，为瓦斯灾害预测控制提供简单方便并且有效的方法和理论依据。

2.3项目实施

2.3.1研究目标

研究瓦斯不同来源、类型参数的收集、存储与表征方法，建立适用于阳煤集团的瓦斯参数体系。建立瓦斯治理综合管控信息平台，对不同平台来源的瓦斯数据进行信息提取与融合分析，指导矿井灾害防治、消突等工作，为瓦斯治理提供支撑。

2.3.2研究任务分解

本项目主要采用现场调研，实验室设计研究相结合的方法，研究瓦斯不同来源、类型参数的收集、存储与表征方法，研究瓦斯参数来源、提取、展现形式全过程的整体方案,建立适用于阳煤集团的瓦斯参数体系。研究瓦斯大数据分析方法并建立数学模型，基于阳煤集团瓦斯参数体系及瓦斯大数据分析算法，开发完成瓦斯治理综合管控信息平台，实现对于不同平台来源的瓦斯数据进行信息提取与融合分析；基于平台，实现地质地理信息、瓦斯信息与生产信息有效协同，建立瓦斯灾害信息融合决策的数据模型，指导矿井灾害防治、消突等工作，为瓦斯抽采、设计效果评价提供支撑，为生产技术决策提供支持，保障矿井安全生产、高进高效。具体工作如下：

（1）建立瓦斯治理参数体系

系统的针对瓦斯参数来源、类型进行分析研究，其范围涵盖敏感及非敏感的瓦斯参数数据。矿井瓦斯参数来源不同、类型不同，参数的收集、存储和表现形式也各有特点。研究瓦斯参数来源、提取、展现形式全过程的整体方案。设计采掘前的原始瓦斯相关参数提取与表征方法，包括煤层赋存情况、区域地质构造赋存情况、瓦斯含量、瓦斯压力、涌出量等；设计消除突出危险性参数提取与表征方法，包括瓦斯抽采参数、钻孔分布、抽采量、区域抽采效果检验指标、效果评价、生产过程验证指标等。设计上述瓦斯参数的存储规则、传输标准与表征方式。

（2）地质信息、瓦斯信息、生产信息协同配合的管理平台设计

建立地理信息协同平台，实现地测、瓦斯治理、生产掘进等系统和专业协同工作、瓦斯地质图、瓦斯数据库等信息实时更新，指导矿井灾害防治、消突、瓦斯抽采等方面的工作。赋予图纸空间信息和属性信息，设计基于图纸的瓦斯参数存储方法，基于图纸导航的瓦斯参数查询方法。

（3）瓦斯大数据分析模块研究

1）瓦斯数据挖掘研究

利用现有的瓦斯信息平台，瓦斯数据库基础，研究瓦斯数据挖掘算法，研究瓦斯数据挖掘全过程，进行数据的清洗与集成，剔除冗余数据；选择与转换，把待挖掘的数据转换成易于挖掘的存储形式；进行数据建模分析，利用统计方法、关联规则方法进行知识发现，总结瓦斯参数如瓦斯浓度、风速、顶板状况等之间内在联系与相互影响机理；对分析结果进行评估。

2）瓦斯灾害信息特征提取与分析、信息融合研究。

结合现代信息处理技术和人工智能理论，通过对信息进行挖掘、分析、处理、综合操作等步骤，处理瓦斯监测系统中各个不同平台的多传感器采集监测到的海量数据，提取相应的瓦斯灾害征兆信息，建立SVM瓦斯灾害信息特征提取模型，研究基于独立分量分析的瓦斯灾害特征分析方法。

研究建立瓦斯信息特征级融合坐标匹配模块、瓦斯信息特征级融合时间匹配模块、基于神经元网络的瓦斯信息特征级融合模块、基于DS的瓦斯信息决策级融合模块、基于DRFNN的瓦斯数据决策模块。实现瓦斯信息的匹配与融合，并进行瓦斯灾害的预测，辅助瓦斯灾害治理决策分析。

（4）瓦斯专家分析模块

研究建立瓦斯数据专家授权模块、瓦斯数据专家远程接入接口，煤矿可通过授权模块给行业专家进行授权，使专家获取相关数据进行分析研究，解决问题。

建立瓦斯数据专家分析输出模块，使专家分析结果反馈至平台。

2.3.3技术路线

根据主要研究内容及研究目标，本项目拟采用现场调研、理论分析、实验室研究、规律总结、软件功能开发和现场试验相结合的研究方法。在瓦斯治理相关规程、理论和计算机相关技术的指导下，结合阳煤集团实际情况，研究适合于阳煤集团的瓦斯参数管理体系，建立阳煤集团瓦斯治理综合管控信息平台，实现阳煤集团瓦斯参数有序化、精确化、信息化管理，为矿井瓦斯抽采、设计、效果评价提供支撑，为区域瓦斯预测及灾害指导工作奠定基础，提高阳煤集团瓦斯管理效率，保障矿井安全生产、高进高效。项目技术路线如图2-1。

根据主要研究内容及研究目标，本项目拟采用现场调研、理论分析、实验室研究、规律总结、软件功能开发和现场试验相结合的研究方法。在瓦斯治理相关规程、理论和计算机相关技术的指导下，结合阳煤集团实际情况，研究适合于阳煤集团的瓦斯参数管理体系，建立阳煤集团瓦斯治理综合管控信息平台，实现阳煤集团瓦斯参数有序化、精确化、信息化管理，为矿井瓦斯抽采、设计、效果评价提供支撑，为区域瓦斯预测及灾害指导工作奠定基础，提高阳煤集团瓦斯管理效率，保障矿井安全生产、高进高效。项目技术路线如图2-1。

 

2.3.4瓦斯参数体系的研究

本次参数设计主要为三方面：煤层瓦斯基础参数、瓦斯窒息和瓦斯爆炸灾害防治技术参数和煤与瓦斯突出灾害防治技术参数。

（1）煤层瓦斯基础参数

煤层瓦斯基础参数包括地质条件、煤层瓦斯赋存条件、煤体结构参数，如下图所示。

2.3.5瓦斯数据挖掘与信息融合算法的研究

2.3.5.1瓦斯灾害数据观测模型

该块内容主要包括决策树观测模型、关联规则观测模型以及神经网络观测模型，其中神经网络观测模型具有结构复杂、网络训练时间长、结果表示不容易理解等缺点，但其对噪声数据的高承受能力和低错误率，神经网络具有较好的并行性，这些优点是其他方法所不及的，而且各种网络训练算法的陆续提出与优化，尤其是各种网络剪枝算法和规则提取算法的不断提出与完善，使得神经网络在数据挖掘的应用中越来越受到大家的青睐。其中使用较为广泛的有多层前馈式（muliti-layerfeed-forward）神经网络和后向传播（back-propagation，BP）神经网络。多层前馈式神经网络迭代学习用于元组类标号预测的一组权重，而BP神经网络搜索一组权重，这组权重可对数据建模，使得神经元组的网络类预测和实际类标号之间的均方距离最小，可用于语言综合、语音识别、自适应控制等。现在已经提出来一些神经网络方面的数据挖掘算法改进，用以弥补神经网络结构复杂、网络训练时间长、结构表示不易理解等不足，比如，提出的基于模糊神经网络的数据挖掘算法，把模糊理论和神经网络结合起来构造、训练模糊神经网络。

2.3.5.2瓦斯灾害数据挖掘技术

瓦斯灾害预测的数据挖据

瓦斯数据挖掘是从大量数据中提取隐含的、以前未知的、具有潜在灾害预测价值的信息的过程，它研究和探索在数据库中抽取有用知识的算法和技术，使用基于发现的方法，运用模式配合其他算法决定数据之间的重要联系。在通常情况下，常把瓦斯数据挖掘视为数据库中的知识发现的同义词，不加区分地使用“知识发现”和“数据挖掘”这两个术语。

瓦斯灾害预测的数据挖据可以被粗略的理解为三部曲：瓦斯灾害相关的数据准备（data preparation）、数据挖据（data mining）及结果的解释评估（interpretation and evaluation）。

1）数据准备数据准备又可分为三个子步骤，数据准备三个步骤及各部分作用如表2-1所示。

数据准备三个子步骤分别为瓦斯数据选取（data selection）瓦斯数据预处理（data preprocessing）和瓦斯数据变换（data transformation）。

表2-1 数据准备子步骤及作用

步骤 作用

1：瓦斯数据选取（data selection） 确定挖掘任务的操作对象，即目标对象

2：瓦斯数据预处理（data preprocessing） 消除干扰信号，推导计算缺值数据，消除重复记录，完成数据类型转换等

3：瓦斯数据变换（data transformation） 消减数据维数或降维，即从瓦斯数据的初始特征中找出真正有用的预测特征，以减少数据开采时要考虑的特征或变量数

2）数据挖据

在选择合适的数据挖掘算法之前需要确定数据挖掘的主要目的，这样可以根据目的来选择合适的算法，目前数据挖掘的主要目的一般可以分为数据分类、聚类、关联规则挖掘或序贯模式挖掘等。根据以下两个因素来选择合适的算法：一是不同的瓦斯数据有不同的特点，如瓦斯突出、瓦斯燃烧等都有不同的特征数据，因此需要选择适合这些特点的相关的算法来进行挖掘和预测，必要时可开发设计专门的数据挖掘算法；另外，实际运行系统的要求不相同，也可能导致需要选择使用不同的算法，如一些系统要求获取可描述的、易理解的知识，而有些系统则希望获取预测准确尽可能高的预测知识。那么挖掘算法的实施是获取有用的特征信息的有效模式。

3）瓦斯灾害预测结果的评估

瓦斯数据挖掘出来的灾害预测信息，经过评价后剔除可能存在冗余的模式，或者是模式无法满足煤矿企业的实际要求，这种情况下数据挖掘过程会重复挖掘阶段的操作，换句话说数据挖掘将选取一组新的数据，选择新的数据变换方法，改变数据挖掘参数的，或换一种挖掘算法。此外发现的模式需要被可视化或者把结果转换为煤矿企业利于应用的另一种解释。

2.3.5.3瓦斯管控平台数据挖掘过程

瓦斯数据挖掘系统的结构如图2.5所示。数据挖掘是一个反复跌代的数据处理过程，它利用一种或多种计算机学习技术，从存放在瓦斯数据库、瓦斯数据仓库、瓦斯灾害数据库或其他信息库中的大量数据中自动分析并提取有用的知识信息。

瓦斯数据挖掘系统的结构如图2.5所示。数据挖掘是一个反复跌代的数据处理过程，它利用一种或多种计算机学习技术，从存放在瓦斯数据库、瓦斯数据仓库、瓦斯灾害数据库或其他信息库中的大量数据中自动分析并提取有用的知识信息。

图2.5. 瓦斯数据挖掘系统的结构

瓦斯数据库、煤矿数据仓库用于对数据清理和集成；数据库或数据仓库服务器，主要是根据用户的挖掘请求，提取相关数据。知识库是用于指导搜索或评估预测结果模式，这里的知识可以包括概念分层，将属性或属性值组成不同的抽象层。数据挖掘模型是数据挖掘的基本部分，理想情况下有一组功能模式组成，用于执行瓦斯灾害特征分析、关联和相关分析、分类、预测、聚类分析、变化趋势分析的预测任务。模式评估模块与挖掘模块集成在一起，依赖所用的数据挖掘方法实现，对于有效的数据挖掘，应深入的将瓦斯灾害模式评估推进到数据挖掘过程中。

2.3.6基于SVM的瓦斯灾害信息特征提取模型

支持向量机的产生是建立在统计学习理论基础上的发展而来的一种特别的特征提取方法，它在解决很多问题上具有很大的优势，比如在解决有限样本、非线性及高维模式识别问题等方面。支持向量机方法是在仅有有限的样本情况下，寻求在模型的复杂性和学习能力之间的最佳折衷，从而获得最好的推广能力。针对有限的瓦斯数据样本，支持向量机方法的目标是得到现有瓦斯样本信息下的最优解，而不是瓦斯样本数目无限大时的最佳值。在算法实现上，支持向量机的算法是一个寻优过程，并把问题转化为一个二次寻优问题，就理论而言，可认为获得了一个全局最优值，从而可以解决应用神经网络方法时无法回避的过度早熟问题。该算法的实现过程主要是将实际中待解决的非线性问题通过变换到高维特征空间，然后在高维特征空间中构造出相应的线性判别函数，以此来实现原空间中的实际预测模型中的非线性判别函数问题，支持向量机的算法的复杂度与样本维数无关。在 SVM 方法中，可利用定义一组不同的内积函数，从而可以实现大量的现有学习算法。

2.3.6瓦斯数据在线挖掘与识别

瓦斯灾害特征瓦斯数据的关联规则挖掘与识别技术，就是从瓦斯数据集中抽取小部分瓦斯数据及部分特征形成小于原瓦斯数据集的集合，就是从瓦斯数据集中抽取小部分瓦斯数据及部分特征形成小于原瓦斯数据集的集合，这个集合称为原瓦斯数据集的关键瓦斯数据，在以传统瓦斯数据库为基础的应用中，研究人员已经对关键瓦斯数据技术进行了深入的研究，但是，由于瓦斯灾害特征瓦斯数据库及瓦斯灾害特征瓦斯数据库系统本身特点，传统方法不能直接引用语瓦斯灾害特征瓦斯数据库系统中。

通过分析现有方法的特点和不足，提出瓦斯灾害特征瓦斯数据的概念，将但输入瓦斯灾害特征瓦斯数据库的瓦斯数据挖掘与识别技术推广到多输入瓦斯灾害特征瓦斯数据库环境，给出了瓦斯灾害特征瓦斯数据挖掘与识别算法。

瓦斯灾害特征瓦斯数据的在线挖掘时解决瓦斯灾害预测的实时性、快速性的一种有效方法，但现有的在线挖掘方法存在很多不足之处：瓦斯灾害特征瓦斯数据在线挖掘的快速性与精确性之间形成一对矛盾。在快速在线挖掘的情况下，在线挖掘误差的量化模型和估计方法不能真实全面的反映出瓦斯数据样本集与原始瓦斯数据集的信息差异，导致最终得到的瓦斯数据样本大小不能达到最优化。现有的瓦斯灾害特征瓦斯数据在线挖掘算法欠缺灵活，不能根据实际瓦斯灾害特征瓦斯数据库的情况与现有的瓦斯数据挖掘算法相匹配。瓦斯灾害特征瓦斯数据在线挖掘算法的执行效率太低。

针对以上问题，对瓦斯灾害数据的特征进行分析，提出了一种有效的瓦斯灾害特征瓦斯数据的快速在线挖掘算法，并在此基础上采用多尺度，基于关联规则挖掘的快速、自适应、增量式瓦斯灾害特征瓦斯数据在线挖掘算法。

2.3.7瓦斯信息融合算法

该算法的研究主要包括瓦斯信息融合坐标匹配、瓦斯信息融合时间匹配、瓦斯信息特征匹配与合并、基于神经网络的瓦斯灾害特征级信息融合、基于Dempster-Shafer的瓦斯灾害决策级信息融合以及基于DRFNN的瓦斯数据分析决策等。

2.3.8软件系统的开发

2.3.8.1瓦斯结构化与非结构化数据传输机制

（1）数据共享机制

瓦斯信息综合管控，需实现各工程师的工程数据实时共享，但彼此的数据只能查询参照，不能修改。文档类数据利用通用的文档数据共享机制即可实现，但对于工程图形数据，采用该方式实现实时数据共享，工作效率较低，文件不断的上传下载和工程图形数据的参照需要大量的人力劳动。

矿山大部分工程图形数据基于同一张地质图形数据，在地质信息的基础上，根据专业不同分为各类工程图形数据，一般有采掘工程数据层、采掘设计数据层、井下地测数据层、生产巷道数据层、井下掘进数据层、井下物探数据层、矿井水文数据层、矿区地形地质数据层等等，工程师们在各自的工程图形数据上工作。工程师获取最新的工程图形数据后，利用AutoCAD进行大量的图纸操作，将各自的工程图形数据以图层区分重叠，以参照分析。

图2.6工程图形数据分层共享机制

（2）用户权限机制

在CSCW系统中集成了大量数据，矿业工程的数据并不是对所有用户开放的。针对矿业工程协同工作的CSCW系统应设计相应数据访问权限，保障数据的安全和共享。

根据矿业工程协同工作组织分析，用户可以分为普通用户、管理员用户和专家用户。还有一类用户是专家用户，专家用户可以远程协助矿山解决问题，管理员给专家授权后，专家就可查看授权范围内的数据，授权信息包括时间段、数据层和坐标范围。

2.3.8.2系统平台架构设计

（1）设计目标

建立地理信息协同平台，实现地测、瓦斯治理、生产掘进等系统和专业协同工作、瓦斯地质图、瓦斯数据库等信息实时更新，指导矿井灾害防治、消突、瓦斯抽采等方面的工作。赋予图纸空间信息和属性信息，设计基于图纸的瓦斯参数存储方法，基于图纸导航的瓦斯参数查询方法。

（2）架构设计

瓦斯治理综合管控信息平台是指应用CSCW理论，将瓦斯管理工作所需的各种数据、软件等均存储于云端，各协同工作人员通过客户端接入云端在同一云端平台下协同工作，在云端软件的支持下进行交互和协同工作等活动，所有的数据都将安全的存储于云端，任何拥有权限的用户接入云端都能使用。云端为客户端提供了所需的软件、计算能力和存储能力，降低了客户端对硬件的要求。云端可连接空间数据库、表单数据库、文件数据库、关联数据数据库、监测数据数据库，分别为协同云平台的空间数据可视化、数据查询、数据监测、权限要求等活动提供了相应支持。瓦斯治理综合管控信息平台的主要功能包括：空间数据可视化、数据分层、用户权限、表单和文件数据协同。

图6.2 瓦斯治理综合管控信息平台总架构

（3）瓦斯参数查询与可视化展现

本平台自主研发专业针对瓦斯信息管理应用的基于云的采矿空间数据可视化程序（Cloud Mining Space Design），简称Cloud-MSD。

Cloud-MSD是指基于windows系统的图形设备接口GDI+从底层研发实现数据可视化和基于MySQL数据库云端存储，针对矿业工程协同工作、数据高效传输、数据协同监测、数据关联和矿业工程扩展需求，实现空间数据可视化、高可控性空间数据、计算机可“理解”的矿业工程空间元数据、可高效传输的矿业工程空间数据结构、静态数据关联和动态数据关联等。

相对于AutoCAD，Cloud-MSD不再将数据以文件存储在本地电脑，而是数据高效传输存储于云数据库，用户不仅可以通过数据库共享数据实现协同工作，而且可以得到以前的数据，拥有更好的数据共享和管理模式。

图2.7 Cloud-MSD结构

（4）空间数据可视化

Cloud-MSD客户端的空间数据可视化媲美AutoCAD可视化效果和大量数据绘制效率，它能充分利用CPU高效计算，呈现出完美的显示效果。

Cloud-MSD除了拥有基础空间数据（直线、矩形、曲线、圆、弧等）的数据结构并实现可视化，它还拥有矿业工程空间元数据结构，它是一个工程数据集成体，拥有几何信息和工程意义数据。根据采矿制图标准实现矿业工程空间元数据可视化，不仅减轻矿山工作人员的工作量，提高工作效率，而且统一了制图标准，工作人员在制图时不会做出不符合标准的工程图形数据。

 

图2.10 可视化交互原理

（5）用户交互

Cloud-MSD的用户交互专业针对多用户协同工作，用户可以任意操作自己的空间数据，可以查询参照其它用户的空间数据，但不能操作其它用户的空间数据。Cloud-MSD中每个空间数据都拥有用户ID，Cloud-MSD根据当前用户ID将空间数据分为当前用户数据和其它用户数据。对于当前用户数据，用户可以进行任意操作（移动、复制、镜像、阵列、旋转、缩放、修剪、延伸、删除等）。对于其它用户数据，用户只能查询参照和调整显示透明度，无法修改和删除。

利用设计模式中的命令模式设计软件，Cloud-MSD实现了友好方便的用户交互。按照面向对象编程的思想，将用户的每个操作封装到对象中。分析用户操作，包括用户数据输入、绘制请求、绘制取消或绘制完成。用户数据输入包括鼠标数据输入和字符数据输入。Cloud-MSD的操作类会提供以上接口，每次操作过程实例化一个对象，各种请求调用对象接口即可实现。

用户交互主要类为IneractDraw，拥有交互接口，LineDraw继承于InteractDraw，是直线交互绘制的实现类。InteracrParameter类记录交互过程的数据，Invoker为调用InteractDraw的类的接口实现绘制，Invoker提供接口供外部交互事件调用。

图2.11 用户交互主要类图

（6）数据关联

瓦斯参数包括各类数据，这些数据分散于各数据集中，需要某个工程的全部信息时，根据工程相关信息查询各数据集获取数据。例如一个掘进巷道施工信息，包括掘进巷道的几何信息、施工文档和巷道断面图等信息，需要一个掘进巷道的全部施工数据时，需查询各数据集。

云平台提供可视化的以图为导向的数据查询机制，该机制基于Cloud-MSD的数据关联功能，将相关数据和图元关联。例如在工程图形数据中找到掘进巷道，查询该巷道关联数据，即可得到该掘进巷道的断面图和施工文档等。

根据图元ID将数据和图元关联，包括静态数据关联和动态数据关联。静态数据分为文档数据和图形数据，动态数据是数据库中的实时数据，如瓦斯数据和摄像头数据等。

图形数据关联图元对象，这样的可视化表达方式既全面的体现矿山的工程信息，也具体的展现工程信息。可以将矿山机械图元对象和机械图形数据关联，将巷道对象和巷道断面图关联等。查询图元即可查看相关联的图形数据，有权限的用户可以修改该图形数据。

图元对象可以关联各种文件，如word文件、图片和其他文件等。关联时将文件上传至服务器，用户查询图元即可得到文件，下载文件后客户端可以自动加载已安装默认软件打开该文件。

图2.13 动态数据关联

图2.14 文件关联

（7）空间数据结构

针对瓦斯参数图形数据应用，Cloud-MSD设计了独有的空间数据结构，分为瓦斯空间元数据结构和基础图元数据结构。瓦斯空间元数据结构包含几何信息和相关工程数据，基础图元数据精简易传输。

数据在传输过程中采用独有的数据结构且经过多层加密，其它程序无法读取这些数据，很好的保障了用户的数据安全。数据传输到Cloud-MSD不会产生本地文件，访问过该数据的电脑上不会留下任何数据。通过云端对Cloud-MSD设置，可以设置数据是否允许导出为本地数据。

（8）空间数据传输

客户端通过Http协议连接应用服务器，应用服务器连接云数据库，实现数据的传输。

1）数据上传

数据上传分为基础图元数据上传和矿业工程空间元数据上传。矿业工程空间元数据直接将字段数据上传至服务器，服务器将数据存储于空间数据库中。

对于基础图元数据，将图元数据序列化后加密，然后通过WebAPI将数据上传到服务器，服务器将数据存储到文件数据库中。

2）数据加载

数据加载是通过WebAPI服务器从云数据库中加载用户自己的数据层和需要参考的最新数据层，加载数据过程中存在的对数据解密的过程和反序列化方法。

用户通过Web API服务器从文件系统中获取的数据是加密过后的数据，在反序列化之前，对加密过的数据使用与加密方法相匹配的解密方法，对数据进行解密。

用户解密获取序列化的二进制数据后，如果数据不为空，则对其进行反序列化，取出当前二进制数据的前四个字节，解析成图元类型的枚举值，再取出的四个字节，转化为整型得到当前图元类型的序列化数据长度，根据这个长度，从二进制数据中取出序列化后的图元数据。根据图元类型的枚举值和从二进制数据中取出序列化后的图元数据，通过ProtoBuf.Serializer.Deserialize反序列化得到一类的图元数据，重复以上过程，直到序列化的二进制数据读取完毕。

二进制数据全部转换为图元数据结构存在于内存中后，Cloud-MSD根据图元的用户ID将图元分为当前用户数据和其它用户数据，之后实现数据可视化。

图2.15 数据上传原理

 

图2.16 数据加载原理

2.3.8.3瓦斯参数存储与数据库开发

数据库是信息系统的核心和基础。它将系统中的大量数据按照一定的模型组织起来，并提供存储、查询和维护等功能，使信息可以及时、方便、准确的从数据库中提取出来。一个系统的各个功能是否能够准确、紧密的结合实现，关键在于数据库。所以，必须对数据库进行合理的设计。

（1）数据库架构

图2.17 数据库系统架构

（2）关系表数据架构

在云平台中协同工作的群体内各成员间有大量的实时信息交流需求，实时信息交流需要高效的数据操作支持。为了满足协同云平台高效的数据操作，根据系统需求设计关系表是至关重要的，以下列出了部分重要的关系表的设计。

用户关系表主要被用于验证登录，查询用户所属矿山和授权。

（3）表单系统

协同工作与管理需要各类数据，部分数据可以和图元关联，还有其它数据不易和图元关联，对于这类静态文件数据，平台的表单系统可以将这类数据统一存储管理，实现数据共享。将表单数据和文档数据统一协同管理，避免数据分散混乱，降低工作人员填报管理数据的难度，实现各相关人员获得实时数据，保障数据安全。

图2.18 K值钻孔记录表单

 

图2.19 表单结构图

2.3.8.4瓦斯预警模块

（1）瓦斯含量预测模块

瓦斯含量预测利用回归分析方法，通过对已有埋深与瓦斯含量关系进行回归分析，从而当输入新的埋深数据时，根据回归分析所获得的关系进行瓦斯含量的预测，如图2.20所示。

图2.20 瓦斯含量预测

6.5.2 瓦斯涌出量预测模块

（1）回采工作面瓦斯涌出量预测

软件模块功能实现如图2.21，通过输入围岩瓦斯涌出系数、原始瓦斯含量、工作面回采率、采落煤残存瓦斯含量、采高、煤层总厚度、回采工作面长度、巷道瓦斯预排等值宽度，计算出开采煤层相对瓦斯涌出量；通过输入本煤层瓦斯涌出量、邻近层绝对瓦斯涌出量，计算出邻近层相对瓦斯涌出量，进而计算出回采工作面相对瓦斯涌出量。

图2.21 回采工作面相对瓦斯涌出量计算

（2）掘进工作面瓦斯涌出量计算

通过输入巷道平均掘进速度、巷道长度、煤中挥发分含量、煤层原始瓦斯含量、巷道高度及宽度（厚煤层）、开采层厚度（中厚煤层），计算出掘进巷道煤壁瓦斯涌出量；通过输入掘进巷道面积、煤的视密度、采落煤残存瓦斯含量，计算出掘进落煤的瓦斯涌出量，进而计算出掘进工作面的瓦斯涌出量。如图2.22。

（3）生产采区瓦斯涌出量

根据计算的回采工作面瓦斯涌出量和掘进工作面瓦斯涌出量，输入生产采区平均日产量、采空区瓦斯涌出系数，计算出生产采区瓦斯涌出量，如图6.19。

（4）矿井瓦斯涌出量

根据生产采区瓦斯涌出量，输入已采采区采空区瓦斯涌出量系数，计算矿井瓦斯涌出量，如图6.20。

根据生产采区瓦斯涌出量，输入已采采区采空区瓦斯涌出量系数，计算矿井瓦斯涌出量，如图6.20。

 

 

图2.22 回采工作面相对瓦斯涌出量计算

 

图2.23 生产采区瓦斯涌出量计算

 

图2.24 矿井瓦斯涌出量计算

（2）敏感指标计算模块

输入预测校验总次数、预测校验有突出危险次数、预测有危险次数中真正有危险次数、预测无突出危险次数、预测无突出危险次数中果真无突出危险次数，点击分析分析出相应突出预测准确率。

图2.25 敏感参数计算

（3）瓦斯数据专家模块

开发完成了瓦斯数据专家授权模块、瓦斯数据专家分析接口和瓦斯数据专家分析输出模块。矿级用户通过点击授权，可进入系统后台专家库并查看相关专家信息，选定相关专家并进行授权，为专家提供远程协助接口，授权后专家即可通过账号密码远程登陆系统并查看授权的数据，进行技术指导，技术指导之后所留下的数据，我们也可以通过下载数据来保存专家指导意见。

 

开发完成了瓦斯数据专家授权模块、瓦斯数据专家分析接口和瓦斯数据专家分析输出模块。矿级用户通过点击授权，可进入系统后台专家库并查看相关专家信息，选定相关专家并进行授权，为专家提供远程协助接口，授权后专家即可通过账号密码远程登陆系统并查看授权的数据，进行技术指导，技术指导之后所留下的数据，我们也可以通过下载数据来保存专家指导意见。

 

图2.26 瓦斯数据专家协助模块

2.3.8.5掘进工作面突出预警实践分析

采用支持向量机的人工智能数据处理方法进行掘进工作面瓦斯突出预警的分析。

根据设定的突出预测框架，将危险程度分成了3个等级，因此对应的将预测结果根据落在的区间范围归化至所对应的等级范围，即如果如下图。

 

图2.27 3405辅助进风巷训练集数据预测结果

 

图2.28 3405辅助进风巷测试集数据预测结果

从图2.27可以看出，训练集数据mse为0.00009，R2为0.99995，预测结果与真实情况完全吻合，图2.28测试集mse为0.18674，R2为0.38111，预测结果7组中有1组出现偏差，综合来看，模型具有较好的泛化能力。

对31004巷道数据采用SVR进行突出预测。

根据设定的突出预测框架，将危险程度分成了3个等级，因此对应的将预测结果根据落在的区间范围归化至所对应的等级范围，即如果如下图。

 

图2.29 34001辅助进风巷测试集数据预测结果

 

图2.30 34001辅助进风巷测试集数据预测结果

从图2.29可以看出，测试集数据mse为0.00008，预测结果与真实情况完全吻合，测试集mse为0.29，R2为0.53111，预测结果40组中有3组出现偏差，综合来看，模型具有较好的泛化能力。

2.4实施效果

（1）经济效益：瓦斯治理综合管控信息系统的应用简化了繁琐的瓦斯业务管理流程，提高了煤矿企业的信息化水平。本项目经济效益主要体现两方面，一方面是利用本系统提高了对瓦斯数据管理工作的项目，起到了减员增效的效果。另一方面体现在对事故的早期预警，由于事故发生后，必定会造成矿井长时间停产整改，甚至关井，造成的直接经济损失数以亿计。本项目的运行可遏制事故发生，减少事故造成的人员伤亡和巨大财产损失，具有较好的经济效益。

因煤矿事故损失巨大，负面影响严重，即使不采用科学的方面计算，其间接经济效益也是很直观并可观的。

从瓦斯治理综合管控信息系统在新元公司的运行情况来看，该系统不但在技术上解决了复杂地质条件下瓦斯突出预警的问题，而且是煤矿规范管理的重要手段。现将其应用效益总结如下：

1）实现了煤矿瓦斯参数管理与突出预警技术方法上的创新，提高了管理水平。

瓦斯治理综合管控信息系统的应用改变了传统的煤炭企业瓦斯信息管理模式，极大地提高了试验矿井的安全生产信息化水平，树立了良好的企业形象，提升了企业的无形资产，产生了很大的间接效益。

2）瓦斯治理综合管控信息系统应用极大地改变了煤矿现场工程技术人员和管理干部安全管理的理念和工作方法，瓦斯的威胁得以有效解除，不但有效遏止了重大灾害的发生，同时瓦斯超限频率显著降低。本系统在新元矿3#煤一采区3109辅助进风巷、二采区3210辅助进风巷、四采区3405辅助进风巷、十采区31004辅助进风巷以及9#煤9102回风巷的掘进工作面5个工作面进行瓦斯预警应用，利用系统预警结果每循环可减少施工钻孔时间450分钟，根据试验矿井掘进速度，每循环可增产63t煤炭产量，在该试验巷道总计可增加14000t煤炭产量，按500元坑口煤价计算，约产生700万元经济效益。

3）简化工作流程，提高工作效率，减少人工成本，实现降本增效。

经测算，瓦斯治理综合管控信息系统在新元公司应用后，极大提升了瓦斯管理工作的效率。工作时间由过去的3个工作日缩短为1个工作日，实现了人工节约提高工效在10倍以上。

（2）社会效益：

2）提高煤矿市场竞争力

利用矿业工程协同数据云处理平台，提高煤矿各科室工作效率，减少人员数量，将煤矿建设为大型化、数字化企业，提升煤炭在国家能源中的优势，提高煤炭市场的竞争力。

3）维护社区稳定

通过使用协同平台，保留企业的核心人员，打造高效的工作团队，对矿区社会稳定具有重大的意义。

本项目通过系统的开展瓦斯相关资料的收集、分析与整理的研究工作，对瓦斯资料进行分类、对瓦斯参数进行分析研究，建立真正对瓦斯管理工作具有指导意义的瓦斯参数体系。在此基础上，利用现有的瓦斯数据库基础，研究瓦斯数据挖掘算法，对瓦斯数据进行处理分析，建立瓦斯害信息融合决策的数学模型，实现对瓦斯灾害的准确预测，保障矿井安全高效生产，提高了煤矿危险源的预测预警能力，降低了安全事故发生的概率，对保障煤矿职工的生命和煤矿财产安全具有重要意义，社会效益十分显著。

本研究成果适应了国家两化融合战略的发展要求，可向全国的煤炭企业进行推广，并且具有广泛的推广应用价值，对提高煤炭行业信息化水平、提高国民经济发展具有有力的推动作用，同时可向其它行业的信息化建设拓展，将产生巨大的社会效益。

附件：研发建设瓦斯治理综合管控信息平台助推阳煤瓦斯治理工作全面提升.doc