張 怡

（成都理工大學(xué) 工程技術(shù)學(xué)院，四川 樂山 614000）

在礦山安全管理中，越來越注重智能化管理方法的應(yīng)用，以及時(shí)發(fā)現(xiàn)礦山中存在的安全隱患，且及時(shí)預(yù)警。礦井火災(zāi)事故是煤礦安全的一個(gè)重大隱患，一旦發(fā)生，會(huì)造成不可估計(jì)的損失。因此需要加強(qiáng)礦井火災(zāi)事故預(yù)測(cè)，消除事故隱患。其中數(shù)據(jù)挖掘是在海量數(shù)據(jù)中提取有用信息，及時(shí)掌握相關(guān)數(shù)據(jù)信息中的異常數(shù)據(jù)，實(shí)現(xiàn)對(duì)礦井火災(zāi)事故的有效預(yù)測(cè)［1－2］。為提升礦井火災(zāi)事故預(yù)測(cè)精確性，本文基于Apriori算法分析其相關(guān)影響因素，實(shí)現(xiàn)火災(zāi)預(yù)警，并結(jié)合預(yù)警情況制定應(yīng)急對(duì)策，以免發(fā)生重大事故、造成嚴(yán)重?fù)p失。

1 數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘是在數(shù)理模式下實(shí)現(xiàn)對(duì)海量存儲(chǔ)數(shù)據(jù)的分析，在隱含數(shù)據(jù)中獲取具有規(guī)律性及潛在價(jià)值的信息，所以數(shù)據(jù)挖掘也稱知識(shí)發(fā)現(xiàn)。數(shù)據(jù)挖掘過程包含數(shù)據(jù)準(zhǔn)備、規(guī)律尋找以及規(guī)律展現(xiàn)。數(shù)據(jù)挖掘是知識(shí)發(fā)展流程的重要組成部分，由大量特定挖掘算法構(gòu)成，在此過程中挖掘算法的應(yīng)用即為提取有效模式［3］。

數(shù)據(jù)挖掘算法由輸入、輸出以及算法處理組成。通常，將歷史數(shù)據(jù)輸入數(shù)據(jù)庫(kù)中，通過算法輸出發(fā)現(xiàn)規(guī)律，實(shí)現(xiàn)對(duì)數(shù)據(jù)的處理。相對(duì)而言算法處理更加復(fù)雜，包括具體的算法過程。在實(shí)際中也有專門屬性歸納方法，可以在不同類型挖掘任務(wù)下實(shí)現(xiàn)對(duì)數(shù)據(jù)挖掘方法的劃分［4］。本文基于挖掘任務(wù)視域，在挖掘算法的對(duì)比分析下，選擇與礦井火災(zāi)事故預(yù)測(cè)密切相關(guān)的關(guān)聯(lián)規(guī)則算法Apriori算法。

2 Apriori算法

Apriori算法是傳統(tǒng)生成布爾型關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集挖掘算法之一，是逐層搜索下構(gòu)建的迭代算法。這一算法基于靜態(tài)數(shù)據(jù)信息，實(shí)現(xiàn)對(duì)有價(jià)值數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則分析。應(yīng)用中的基本思路為：

1）掃描數(shù)據(jù)庫(kù)，統(tǒng)計(jì)分析所有單個(gè)項(xiàng)目支持度，可提取大于或等于給定最小支持度項(xiàng)目組，構(gòu)建頻繁項(xiàng)集L1。

2）再次對(duì)數(shù)據(jù)庫(kù)實(shí)施掃描，遞歸獲取最終頻繁項(xiàng)目。通過簡(jiǎn)化，主要為以下3個(gè)步驟：①連接步驟，在與k－1頻繁項(xiàng)集連接后建構(gòu)k項(xiàng)候選集。在連接過程中基本條件為：保證前k－2項(xiàng)相同，同時(shí)第1個(gè)k－1項(xiàng)集的第k－1項(xiàng)＜第2個(gè)k－1項(xiàng)集的第k－1項(xiàng)；②刪除步驟，在Apriori算法下一一剪去k項(xiàng)候選集。在剪枝中基本規(guī)則為：如果k項(xiàng)候選集中任意非空子集不是頻繁集，可以剪去這一候選集k項(xiàng)集；③計(jì)數(shù)步驟，針對(duì)數(shù)據(jù)庫(kù)實(shí)施掃描，實(shí)現(xiàn)對(duì)數(shù)據(jù)庫(kù)中k項(xiàng)候選集存在次數(shù)實(shí)施累加。其中計(jì)數(shù)中如果在交易記錄中存在有這一候選集，那么次數(shù)上加1。之后依照給定的最小支持度閾值即可構(gòu)建k項(xiàng)頻繁集［5－6］。

3 數(shù)據(jù)挖掘模型構(gòu)建

這里選擇頂尖數(shù)據(jù)挖掘平臺(tái)TipDM進(jìn)行模型構(gòu)建。TipDM平臺(tái)在應(yīng)用中可以從各種數(shù)據(jù)源中獲取數(shù)據(jù)，完成數(shù)據(jù)挖掘模型的構(gòu)建。模型輸入包括建模專家樣本數(shù)據(jù)輸入以及建模參數(shù)輸入兩部分。基本參數(shù)設(shè)置見表1。

表1 建模參數(shù)設(shè)置

建模仿真過程見圖1。

圖1 建模仿真過程

4 基于Apriori算法的礦井火災(zāi)事故預(yù)測(cè)分析

4.1 Apriori算法應(yīng)用過程

在Apriori算法應(yīng)用過程中，需要注重?cái)?shù)據(jù)收集，盡可能提升數(shù)據(jù)的實(shí)效性以及準(zhǔn)確性。具體過程包括：①將感應(yīng)器及數(shù)據(jù)收集系統(tǒng)設(shè)置在井下巷道及采掘工作面上；②所采集數(shù)據(jù)及時(shí)傳輸?shù)接?jì)算機(jī)分析終端，以實(shí)現(xiàn)對(duì)數(shù)據(jù)的分析；③結(jié)合分析結(jié)果，在關(guān)鍵位置發(fā)布結(jié)果；④依照分析結(jié)果，由管理人員實(shí)施預(yù)警處理；⑤結(jié)合預(yù)警事項(xiàng)及相關(guān)規(guī)范，實(shí)現(xiàn)對(duì)礦井現(xiàn)場(chǎng)防治［7］。

4.2 實(shí)例應(yīng)用

4.2.1 數(shù)據(jù)采集

以某礦井為例，以2019年3月監(jiān)測(cè)數(shù)據(jù)作為原始數(shù)據(jù)，每小時(shí)實(shí)施一次監(jiān)測(cè)，構(gòu)建原始數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)中數(shù)據(jù)記錄達(dá)到2 900條，實(shí)現(xiàn)對(duì)5項(xiàng)參數(shù)的監(jiān)測(cè)。其中采掘深度－150～－120 m的相關(guān)參數(shù)見表2。

表2 原始監(jiān)測(cè)數(shù)據(jù)

4.2.2 數(shù)據(jù)預(yù)處理

礦井監(jiān)測(cè)原始數(shù)據(jù)所構(gòu)建的數(shù)據(jù)庫(kù)中包括大量實(shí)施數(shù)據(jù)，其特點(diǎn)為異構(gòu)性、隨機(jī)性、多維性以及不完全性。然而監(jiān)測(cè)所得原始數(shù)據(jù)并非有效挖掘數(shù)據(jù)，因此還需對(duì)其深入分析。為便于實(shí)施數(shù)據(jù)挖掘，提升數(shù)據(jù)有效性，先對(duì)數(shù)據(jù)實(shí)施預(yù)處理，在分析過程中從1開始進(jìn)行排序，相應(yīng)的預(yù)處理規(guī)則見表3。在礦井危險(xiǎn)等級(jí)評(píng)估中依照我國(guó)《煤礦安全規(guī)程》［8］中的相關(guān)規(guī)定實(shí)施分級(jí)，分別為較弱、中等以及嚴(yán)重，本次研究分別以1、2、3替代，關(guān)聯(lián)規(guī)則下實(shí)施轉(zhuǎn)換所得事務(wù)見表4。

表3 數(shù)據(jù)預(yù)處理規(guī)則

表4 轉(zhuǎn)換后事務(wù)表

4.2.3 Apriori算法下的數(shù)據(jù)挖掘

登錄TipDM平臺(tái)后，選擇Apriori算法，將以上所得數(shù)據(jù)導(dǎo)入平臺(tái)中，即可得到相應(yīng)的關(guān)聯(lián)規(guī)則，見表5。

表5 關(guān)聯(lián)規(guī)則表

4.2.4 結(jié)果研究

通過以上分析可以發(fā)現(xiàn)，礦井火災(zāi)事故發(fā)生的影響因素主要為瓦斯含量以及日產(chǎn)量。管理人員在分析中發(fā)現(xiàn)出現(xiàn)高瓦斯?jié)舛惹闆r，需要加強(qiáng)對(duì)礦井火災(zāi)事故的預(yù)防，結(jié)合這一情況實(shí)施監(jiān)控指揮，可有效預(yù)防礦井火災(zāi)事故的發(fā)生。以此實(shí)現(xiàn)對(duì)礦井火災(zāi)事故隱患的有效預(yù)測(cè)分析，最大化消除相關(guān)隱患。

4.3 Apriori算法在礦井火災(zāi)事故預(yù)測(cè)中的優(yōu)劣分析

Apriori算法在礦井火災(zāi)事故預(yù)測(cè)分析中具有一定可行性，主要優(yōu)勢(shì)為：礦井火災(zāi)多因素特性和Apriori算法規(guī)則具有良好的契合性；可以及時(shí)發(fā)現(xiàn)礦井火災(zāi)事故隱患，便于早期實(shí)施火災(zāi)防治［9］；應(yīng)用Apriori算法可實(shí)現(xiàn)對(duì)相關(guān)安全因素較為準(zhǔn)確的評(píng)估。但在實(shí)際應(yīng)用中，也存在一定的不足，例如礦井中通常日常數(shù)據(jù)量非常大，因此在應(yīng)用中無法保證數(shù)據(jù)實(shí)效性及真實(shí)性。另外在數(shù)據(jù)設(shè)計(jì)中，因數(shù)據(jù)不斷擴(kuò)大，存在較多數(shù)據(jù)關(guān)聯(lián)頻繁項(xiàng)，在此情況下管理者也需及時(shí)更改報(bào)警數(shù)據(jù)規(guī)約模型參數(shù)，以能夠取得良好的預(yù)測(cè)效果。

5 結(jié) 語(yǔ)

基于Apriori算法實(shí)現(xiàn)了關(guān)于礦井火災(zāi)事故的預(yù)測(cè)分析，通過數(shù)據(jù)挖掘分析研究可以發(fā)現(xiàn)瓦斯?jié)舛纫约叭债a(chǎn)量是礦井火災(zāi)事故預(yù)測(cè)的主要參數(shù)，結(jié)合相關(guān)因素關(guān)聯(lián)關(guān)系實(shí)現(xiàn)對(duì)礦井火災(zāi)事故的預(yù)測(cè)分析，構(gòu)建相應(yīng)的預(yù)警系統(tǒng)，有助于提升礦井火災(zāi)事故預(yù)測(cè)預(yù)警準(zhǔn)確性，進(jìn)而有助于降低礦井火災(zāi)事故發(fā)生率。雖然以上研究證明Apriori算法在礦井火災(zāi)事故預(yù)測(cè)中具有一定使用價(jià)值，但在礦井火災(zāi)事故預(yù)測(cè)分析中，數(shù)據(jù)挖掘針對(duì)性及其準(zhǔn)確性直接影響關(guān)聯(lián)規(guī)則算法應(yīng)用效果。想要實(shí)現(xiàn)對(duì)礦井火災(zāi)事故的有效預(yù)測(cè)和分析，也需要針對(duì)Apriori算法應(yīng)用中存在的不足實(shí)施改進(jìn)，以提高Apriori算法在煤礦風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用價(jià)值。