李衛(wèi)龍 ，汪 青 ，劉 欣 ，張燦明

（1.安徽省煤炭科學研究院，安徽 合肥 230001；2.安徽新華學院，安徽 合肥 230000）

0 引言

隨著煤礦開采深度與強度不斷增加，礦井以及開采工作臺周圍逐漸出現彈性形變，礦井彈性沖擊災害發(fā)生的頻次也隨之增多，預防沖擊地壓動力災害是煤礦安全生產的重中之重[1-3]。在煤礦開采深度不斷加深過程中，彈性形變集聚能量的過程會由線型狀態(tài)向指數型狀態(tài)轉變。該形變所攜帶的能量會造成很強的破壞性，嚴重威脅煤礦開采安全。在煤層集聚的能量達到或超過沖擊地壓臨界能量時，煤巖層由彈性形變所聚積的能量瞬間釋放，該能量釋放時將煤巖體拋出；同時，由爆炸引發(fā)工作面周圍氣體急劇膨脹，對井下設備和開采工作面造成破壞，并有可能對正在工作的人員造成傷亡，甚至該能量瞬間釋放所造成的振動會給其他工作面帶來安全隱患[4-6]。

針對監(jiān)測煤礦沖擊地壓問題，大致有以下幾種方法：鉆屑法、煤巖體觀察法和電磁輻射法等[7-13]。許多研究者根據煤礦環(huán)境多因素共同作用等問題，提出大量災害預測模型，如朱麗媛等提出深部礦井沖擊地壓、瓦斯突出復合災害發(fā)生機理，在隨著瓦斯壓力的增大，煤巖層的能量指標降低，降低其沖擊傾向性[3]。在沖擊地壓危險預測方面，根據溫廷新等提出的基于預處理的果蠅優(yōu)化算法優(yōu)化極限學習機（AFOA-ELM）模型能夠有效預測沖擊地壓發(fā)生，但果蠅優(yōu)化算法是在一個固定范圍隨機搜索步長，在面對混合參數時難以做到自適應調整尋優(yōu)能力[2]。在當煤礦頂板巖層剛度小于礦柱抗變形剛度時，礦井彈性沖擊地壓會隨之發(fā)生，當煤巖層承受的負荷達到極限強度時，煤礦工作面也會遭到破壞，沖擊地壓誘導災害發(fā)生。煤礦沖擊地壓的過程包括多個沖擊階段，李振雷等通過研究煤礦開采工作面破裂過程的同源聲電響應特征及煤礦沖擊破壞的時序演變規(guī)律和空間孕育特征來為沖擊地壓監(jiān)測預警研究提供依據[7]。

1 沖擊地壓機理研究

礦井沖擊地壓的形成與礦區(qū)地質環(huán)境、煤層深度以及開采作業(yè)強度有關[13-14]。礦區(qū)地質形成的應力與采動應力耦合影響，致使開采工作面能量集聚，當能量綜合超過沖擊地壓的臨界能量時沖擊地壓災害發(fā)生。開采工作面生產時能量變化具體分析如下：

開采工作時，沖擊地壓綜合能量Wd為：

其中，能量Ws是地質應力所形成的能量，所述地質構造所產生的能量為：

其中，ρ、ε（x）分別為地質無損傷時的彈性能量系數和彈性能量。

能量Ws是采動應力形成的能量，如下所示：

其中，E 為地質應力系數，α、β、γ 分別為空間方向上3個應變系數，μ 為地質粘性參數，χ為地質彈性參數，h為采動深度，R 為采動半徑。

如圖1 所示，工作面在生產過程中，隨著開采面的逐步推進能量聚集也隨之向前推進，在此過程中設煤巖層損失的能量為Ud；沖擊地壓發(fā)生的臨界能量為Ul；開采條件下，隨工作面推進煤巖層總能量為Ut-d。

圖1 沖擊地壓模擬示意圖

當Ut-d＞0時，煤巖層內積聚的能量多于煤巖層在開采過程中損失的能量，Ut-d隨開采面不斷推進而不斷增加；當Ut-d＝0時，煤巖層內積聚的能量與煤巖層在開采過程中損失的能量相等，能量積聚與消耗處于平衡狀態(tài)；當Ut-d＜0時，煤巖層內積聚的能量少于煤巖層在開采過程中損失的能量，Ut-d隨開采面不斷推進而不斷降低。

與此同時，當Ut-d=Ul時，沖擊地壓處于臨界平衡狀態(tài)，若煤巖層總能量（Ut-d）小于沖擊地壓發(fā)生的臨界能量（Ul），沖擊地壓災害不會出現；若煤巖層總能量（Ut-d）大于沖擊地壓發(fā)生的臨界能量（Ul），沖擊地壓災害會隨著能量的進一步積聚而爆發(fā)。

在沖擊地壓災害爆發(fā)過程中，釋放的能量有兩種：一是煤層損傷裂開消耗的能量UD，另一種是破碎煤顆粒拋出的能量UF，煤層損傷裂開消耗的能量與破碎煤體拋出能量之和定義為沖擊地壓臨界能量，其中φ 為煤層完全裂開臨界值，ζ 為煤層裂開臨界值，τ 為造成煤層損傷裂開所需沖擊力，ρ 為碎煤顆粒拋出的能量系數，v 為碎煤顆粒拋出的平均速度，則在沖擊地壓災害爆發(fā)過程中所釋放的總能量US表示為：

2 預測模型特性

針對井下安全異常監(jiān)測和危險評估，本文提出基于隱馬爾可夫模型來完成數據分析，該模型被廣泛應用于大多數工業(yè)監(jiān)控與威嚴評估中。隱馬爾可夫模型不僅可以處理工業(yè)安全數據的全狀態(tài)屬性，而且可以記錄工業(yè)生產過程中完整動態(tài)作業(yè)信息。對工業(yè)控制過程進行監(jiān)控時，通常需要實時在線記錄當前屬性，為后續(xù)工業(yè)控制過程監(jiān)控提供數據分析和危險評估基礎。

在煤炭開采沖擊預測模型中，利用隱馬爾可夫模型（HMM）參與訓練，設定煤炭開采沖擊預測系統在某一時間段內存在系統狀態(tài)的隱變量為qt，表示t 時刻的隱含狀態(tài)模型，該狀態(tài)是無法通過直接觀測得到的。其中，由于每個當前狀態(tài)均趨向于前一狀態(tài)變化可用集合W=（S1，S2，S3，…，SN）來表示。測得安全監(jiān)測系統在某一時間段內存在N 種監(jiān)測狀態(tài)，該系列的狀態(tài)數據表示系統中當前所發(fā)生的變化即趨向于前一階段系統所處變化，為Q=（Q1，Q2，Q3，…，QN），其中初始狀態(tài)表示為Q0，根據隱馬爾可夫模型有隱含狀態(tài)在初始時刻的概率分布為π，表示為π=（π1，π2，π3，…，πn）。在隱馬爾可夫模型中，每個狀態(tài)之間的轉換矩陣稱為狀態(tài)轉移概率矩陣，由當前的隱藏狀態(tài)i 轉換到j 的概率aij組成，在事件的任意t時間點有狀態(tài)轉移概率矩陣為：

在隱馬爾可夫模型中，在事件的任意t 時間點，從當前的隱藏狀態(tài)i 變換到觀測狀態(tài)j 的概率為bij，由此構成觀測狀態(tài)概率矩陣如下：

則模型可記為λ=（π，A，B）。在對煤炭開采沖擊預測系統模型進行訓練時，首先計算給定HMM 模型的3 參數以及觀測序列，再對觀測序列給定在最大似然度下學習得出其系統模型的最大概率，通過匹配得到當前煤炭開采沖擊預測狀態(tài)。

3 預測模型訓練

在煤炭開采沖擊預測模型中，根據要求本文對煤礦中出現異常噪聲報警信號進行有效提取。對于該系統，安全分析狀態(tài)變量包含3 個變量，表示為：（xi，si，ei），其中xi表示測量變量，si表示服從高斯分布的獨立數據，ei表示為均值為0 以及方差為0.2 的狀態(tài)變量。系統中信號為時域信號，該類信號不可直接送至HMM 進行信號訓練處理，在提取特征信號時，首先對數據進行預處理，即將某段時長內的數據信號分成等值的若干幀，接著在構造其特征序列后提取出上述3 種特征向量，送入HMM進行在線訓練。本文依據噪聲信號選取梅爾倒譜系數（MFCC）作為特征信號進行學習。系統數據在經過上述處理后，開始進入MFCC 數據分析狀態(tài)，即將噪聲信號輸入功率譜完成轉換，轉換后的功率信號通過梅爾濾波器組進行濾波得特征系數，對此系數取對數后再進行余弦變換，變換后的特征信號進行MFCC 提取，并與一階的MFCC 信號融合后進行判定，最終得到實驗所需的特征參數。

在本系統系統中，HMM 模型訓練過程如下：首先通過采集煤炭開采離線狀態(tài)下的歷史數據，建立如下狀態(tài)訓練數據集：

其中煤炭開采沖擊預測系統的狀態(tài)總量為n，式中xi表示在第i 種狀態(tài)變量下的煤炭開采沖擊預測系統當前訓練樣本，且同一時刻狀態(tài)變量的初始概率分布均為：

根據煤炭開采沖擊預測模型系統的各個狀態(tài)參數可知，在最大似然度約束下，通過模型學習可預測下一狀態(tài)下其狀態(tài)轉移概率。

根據上述HMM 模型進行相應離線訓練，可得到系統的3 參數模型公式，可記為λ=（π，A，B）。估計煤炭開采沖擊預測模型系統的初始狀態(tài)概率矩陣與狀態(tài)轉移概率矩陣得到觀測狀態(tài)概率矩陣，再通過分析系統的概率分布模型得到系統的觀測概率分布函數并進行訓練，最終得到完整的煤炭開采沖擊預測模型。在煤炭開采環(huán)境出現異常時，通過在線檢測當前環(huán)境數據和系統模型離線訓練，得到當前系統的狀態(tài)轉移概率矩陣與觀測概率分布函數，將歷史環(huán)境中系統所處正常狀態(tài)下的隱馬爾可夫模型參數λk=（π，Ak，Bk）與開采環(huán)境發(fā)生異常狀態(tài)時對應的系統模型參數λq=（π，Aq，Bq）作為煤炭開采沖擊預測模型進行對比分析，煤炭開采沖擊預測模型中各個環(huán)節(jié)進行安全分析。

4 實驗測試及分析

4.1 實驗模擬測試

利用隱馬爾可夫模型進行模擬訓練評估，測試安排如下：部署3 個煤炭開采子系統，完成現場環(huán)境監(jiān)測，提取100 s 內每個子系統特征信號。采集信息點如下：采空區(qū)與煤頂層連接面4處，其中2 處為采空區(qū)、煤頂層以及采煤層接壤處，另外2 處為采空區(qū)、煤底層以及采煤層接壤處；采空區(qū)與采煤層連接面1 處。模擬測試如圖2 所示。

圖2 模擬測試圖

對模擬系統進行干預，統計安全風險發(fā)生次數。首先對上述采集點采集到的數據樣本進行預處理得到每個子系統100 s 內的時域噪聲信號，然后根據第3 節(jié)的處理步驟對每一組數據樣本進行分幀處理，選定每幀周期時長為0.5 s，數據樣本分為200 幀子數據集，再對每一單幀數據集進行MFCC 特征提取，得到每一個單幀數據集所對應特征向量送入HMM 進行在線訓練，得到對應的模型參數。

4.2 實驗結果分析

由上述實驗測試提取某段時間內每個子系統采集信息點處的特征信號，經過對數據進行預處理，將某段時長內的數據信號分成等值的若干幀，構造其特征序列后提取出3 種特征向量，送入HMM 進行在線訓練。實驗數據如表1 所示。由表可知，在每個子系統采集信息點處的特征信號經過處理后其錯誤識別率分別為4.5%、5.0%、6.5%，表明系統接收數據的完整性高，具有可靠性。

表1 子系統采集樣本識別明細表

根據數據處理得到圖3 顯示結果，在100 s 內監(jiān)測環(huán)境異常均處于波動狀態(tài)，其中3 號子系統在12 s 和70 s左右出現異常信號監(jiān)測波峰，1 號子系統在58 s 和77 s左右出現異常信號監(jiān)測波峰，2 號子系統在38 s 和76 s左右出現異常信號監(jiān)測波峰。本次試驗結果表明，系統能夠穩(wěn)定有效地工作，實時監(jiān)測到3 個子系統分別在不同時間段處出現較為明顯的異常數據。

圖3 安全監(jiān)測數據圖

5 結論

本文針對煤炭開采沖擊問題提出基于隱馬爾可夫模型分析煤炭井下開采安全預測機制，通過監(jiān)測煤炭開采現場狀態(tài)進行試驗，先收集數據提取特征信號，再利用隱馬爾可夫模型對其進行訓練，在最大似然度下學習得出其最大概率，通過匹配得到煤炭開采現場當前運行狀態(tài)。結果顯示，該系統能夠有效監(jiān)測煤炭開采現場安全，同時通過模型訓練能夠有效提高安全評估精度。