一种采煤工作面防火预警监测系统及防火方法与流程

本发明涉及煤矿安全，具体涉及一种采煤工作面防火预警监测系统及防火方法。

背景技术：

1、运河煤矿经过二十多年的开采，3煤层煤炭资源已逐渐枯竭，目前仅剩七、九采区边角块段，为了保证矿井的可持续发展，延长矿井服务年限，根据运河煤矿矿井生产初期3煤层采用的综采放顶煤工艺回采的煤量和原各综放工作面之间留设的煤柱，经过评估论证，首采区采空区还遗留有30％-40％的煤炭资源，决定对采空区遗留的煤炭资源进行复采，成为企业可持续生存的重要途径。为确保首采区遗留煤炭资源安全、可靠地回收，防止出现自然发火隐患，对复采工作面综合防灭火技术进行研究。

2、在采煤工作面，防火预警是通过布置在巷道内的温度传感器和气体传感器来实时监测煤岩体的温度和气体浓度。当检测到温度或气体浓度超过预设的安全阈值时，系统的报警装置会立即发出声光警报，通知现场工作人员，同时通信模块将预警信号发送至远程监控中心，以便及时采取相应的防火措施，确保工作面的安全。然而，在采煤过程中，由于复采工作面环境复杂，温度和气体传感器可能受到干扰，影响监测数据的准确性。且如果监测数据不准确可能掩盖实际存在的高风险区域，使工作人员误以为环境安全，从而忽视必要的防护和预防措施，增加了作业过程中的安全隐患。

技术实现思路

1、本发明的目的是提供一种采煤工作面防火预警监测系统及防火方法，以解决背景技术中不足。

2、为了实现上述目的，本发明提供如下技术方案：一种采煤工作面防火预警监测系统，包括数据获取模块、数据处理模块、特征提取和分析模块，安全阈值调整模块以及预警模块；

3、数据获取模块：用于将巷道划分为若干个监测区域，并获取各个监测区域内煤岩体的温度和气体浓度数据以及复采工作面的环境数据；

4、数据处理模块：用于将获取到的煤岩体的温度和气体浓度数据划分为不同的时间段，通过构建时间序列预测模型，评估数据的准确性；

5、特征提取和分析模块：当数据不准确时，对复采工作面的环境数据进行特征提取，对提取出的粉尘在传感器表面沉降的速率变化特征和采煤设备运行对传感器的振动频率干扰特征进行分析，评估复采工作面对传感器的干扰程度；

6、安全阈值调整模块：根据数据的准确性和复采工作面对传感器的干扰程度，对其使用模糊逻辑后动态调整预警系统预先设置的安全阈值；

7、预警模块：根据调整后的安全阈值，对实时采集到的煤岩体的温度和气体浓度进行预警。

8、优选的，在数据处理模块中，通过构建时间序列预测模型，评估数据的准确性，其中，时间序列预测模型为arima模型；

9、对各个滑动窗口内的数据进行预处理，使用时间段数据训练arima模型，将训练好的模型应用于新的时间段数据，生成预测值，将预测值与实际采集到的数据进行对比，计算每个时间段的预测误差，统计误差的均值和标准差，计算误差的标准差比上误差的均值的比值，记为数据异常指数，将计算得到的数据异常指数和数据异常指数参考阈值进行比较，若数据异常指数大于等于数据异常指数参考阈值，数据的准确性低，此时生成数据不准确信号；若数据异常指数小于数据异常指数参考阈值，数据的准确性高，此时生成数据准确信号。

10、优选的，特征提取和分析模块中，当数据不准确时，对复采工作面的环境数据进行特征提取，利用粉尘传感器实时监测巷道内的粉尘浓度，根据粉尘在传感器表面沉降的速率变化特征生成粉尘沉降速率异常指数，则粉尘沉降速率异常指数的获取方法为：

11、在巷道内均匀布置粉尘传感器，用于实时获取s时间段内的粉尘浓度数据，计算连续两个时间点之间的粉尘浓度变化，表达式为：δct＝ct-ct-1；其中，ct为当前时刻的粉尘浓度，ct-1为上一时刻的粉尘浓度，计算粉尘沉降速率，表达式为：其中，δt为时间间隔，rt为粉尘沉降速率，计算s时间段内的平均沉降速率，表达式为：式中，rˉ为平均沉降速率，n为时间段内的采样次数，ri为每次采样的沉降速率，计算沉降速率的变化率δrt，表达式为：δrt＝rt-rˉ；对沉降速率变化率进行标准化处理后计算粉尘沉降速率异常指数，表达式为：式中，μδrt为沉降速率变化率的均值，σδrt为沉降速率变化率的标准差，hk为粉尘沉降速率异常指数。

12、优选的，在特征提取和分析模块中，利用振动传感器监测采煤工作面设备运行时的振动频率和幅度，根据采煤设备运行对传感器的振动频率干扰特征生成振动频率波动指数，则振动频率波动指数的获取方法为：

13、将振动传感器布置在采煤工作面设备附近，振动传感器以固定的时间间隔采集振动信号，对振动信号进行去直流处理后将振动信号的时间域信号转换为频域信号，提取振动的频率成分和幅度，表达式为：其中，x(f)为频率信号在f个频率点的值，x(n)是时域信号在第n个样本点的值，n是信号长度，e-j2πfn/n是傅里叶变换的核函数，j是虚数单位；从频谱中提取主频率成分及其对应的幅度值，选择频谱中幅度最高的k个频率成分，计算主频率成分在连续时间段内的变化率，表达式为：δft＝ft-ef；式中，δft为频率变化率，ft为当前时刻的主频率，ef为t时间段内的平均频率，获取预先设置的标准状态下的频率变化率范围：δftmin～δftmax；将实时计算得到的频率变化率与其进行比较，计算振动频率波动指数，若δft>δftmax，表达式为：dr＝|δft-δftmax|；若δft<δftmin，表达式为：dr＝δftmin-δft|；式中，dr为振动频率波动指数。

14、优选的，将粉尘沉降速率异常指数和振动频率波动指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测复采工作面对传感器的干扰程度值标签为预测目标，以最小化对所有复采工作面对传感器的干扰程度值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定复采工作面对传感器的干扰程度值，其中，机器学习模型为多项式回归模型。

15、优选的，将瞬时功率偏移值和信号频率波动指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测逆变器内部出现隐形故障的风险值标签为预测目标，以最小化对所有运行模式下的节能效果值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定逆变器内部出现隐形故障的风险值，其中，机器学习模型为多项式回归模型。

16、优选的，安全阈值调整模块中，使用模糊逻辑后动态调整预警系统预先设置的安全阈值，具体为：

17、将复采工作面对传感器的干扰程度值和数据异常指数作为模糊逻辑的输入项，将预警系统预先设置的安全阈值作为输出项；

18、将复采工作面对传感器的干扰程度值和数据异常指数进行模糊化处理，将其分为若干模糊集合，根据复采工作面对传感器的干扰程度值和数据异常指数的不同组合，制定模糊规则来确定输出项预警系统预先设置的安全阈值；

19、根据模糊规则库和当前的复采工作面对传感器的干扰程度值和数据异常指数，进行模糊推理，得出模糊化的输出结果；

20、将模糊推理得到的模糊化输出结果进行去模糊化处理，得到具体的安全阈值。

21、优选的，预警模块中，根据调整后的安全阈值，对实时采集到的煤岩体的温度和气体浓度进行预警，具体为：

22、启动数据采集模块，确保温度和气体浓度传感器正常工作，导入动态调整后的安全阈值，温度阈值为t_threshold，气体浓度阈值为g_threshold；

23、通过传感器每分钟采集一次煤岩体的温度和气体浓度数据；将采集到的数据传输到预警模块；

24、比较当前温度数据t_current与t_threshold：若t_current>t_threshold，则超出温度安全阈值；

25、比较当前气体浓度数据g_current与g_threshold：若g_current>g_threshold，则超出气体浓度安全阈值；

26、如果温度或气体浓度数据超出阈值，根据超出程度判断预警级别，并生成相应级别的预警信号，若温度或气体浓度数据超出阈值10％以内，触发低级预警信号；若温度或气体浓度数据超出阈值10％-30％，触发中级预警信号；若温度或气体浓度数据超出阈值30％以上，触发高级预警信号。

27、本发明还提供了一种采煤工作面防火方法，包括以下步骤：

28、s1：用于将巷道划分为若干个监测区域，并获取各个监测区域内煤岩体的温度和气体浓度数据以及复采工作面的环境数据；

29、s2：用于将获取到的煤岩体的温度和气体浓度数据划分为不同的时间段，通过构建时间序列预测模型，评估数据的准确性；

30、s3：当数据不准确时，对复采工作面的环境数据进行特征提取，对提取出的粉尘在传感器表面沉降的速率变化特征和采煤设备运行对传感器的振动频率干扰特征进行分析，评估复采工作面对传感器的干扰程度；

31、s4：根据数据的准确性和复采工作面对传感器的干扰程度，对其使用模糊逻辑后动态调整预警系统预先设置的安全阈值；

32、s5：根据调整后的安全阈值，对实时采集到的煤岩体的温度和气体浓度进行预警；

33、s6：根据各个监测区域内在固定时间段内生成的预警信号将其划分为不同等级的风险区域，并根据风险等级，采取相应的防火措施。

34、优选的，s6中，根据各个监测区域内在固定时间段内生成的预警信号将其划分为不同等级的风险区域，并根据风险等级，采取相应的防火措施，具体为：

35、在固定时间段[t1,t2]内，计算每个监测区域的预警信号总数si，表达式为：将获取到的固定时间段内的预警信号总数与梯度预警信号风险比例阈值进行比较，梯度预警信号风险比例阈值包括第一风险比例阈值和第二风险比例阈值，且第一风险比例阈值小于第二风险比例阈值，将固定时间段内的预警信号总数分别与第一风险比例阈值和第二风险比例阈值进行对比；

36、若固定时间段内的预警信号总数大于第二风险比例阈值，该区域内发生风险事件的可能性高，将其划分为高风险区域；

37、若固定时间段内的预警信号总数大于等于第一风险比例阈值且小于等于第二风险比例阈值，该区域内发生风险事件的可能性一般，将其划分为中风险区域；

38、若固定时间段内的预警信号总数小于第一风险比例阈值，该区域内发生风险事件的可能性低，将其划分为低风险区域。

39、在上述技术方案中，本发明提供的技术效果和优点：

40、1、本发明通过多模块的协同工作，确保采煤工作面防火预警系统的高效性和准确性。首先，通过将巷道划分为若干个监测区域并获取详细的温度和气体浓度数据，结合时间序列预测模型评估数据准确性。在数据不准确时，提取粉尘沉降速率和振动频率等环境特征进行分析，评估干扰程度。然后，根据评估结果，使用模糊逻辑动态调整预警系统的安全阈值，从而在实时监测过程中确保预警信号的可靠性和准确性。预警模块根据调整后的阈值进行预警，并根据不同级别的风险信号采取相应的防火措施。

41、2、本发明通过细化监测区域和精确的数据处理，显著提升了防火预警系统的数据准确性和响应能力，有效防范了因传感器数据不准确而可能掩盖的高风险区域，确保及时发现并应对火灾隐患。此外，通过动态调整预警阈值和智能化风险等级划分，能够根据实际情况灵活应对，减少误报和漏报，提高防火措施的精准性和及时性，全面保障采煤工作面的安全运行。