煤与瓦斯突出(以下简称瓦斯突出)是煤矿开采过程中最具破坏性的危害之一,对矿工安全和采矿作业的经济可持续性构成了重大威胁。动态监测和预警系统在确保煤矿的安全稳定运行中发挥着关键作用。1, 2, 3 基于流体-固体耦合理论的气体突出机制模型,4, 5, 6, 7 瓦斯突出的预防和预警应重点关注掘进工作面处气体压力与煤层应力之间的耦合相互作用。掘进工作面前方煤层应力与气体压力之间的耦合相互作用会导致气体排放率的不稳定性,从而引起气体浓度的波动,这些波动由气体传感器实时监测。8, 9 因此,可以利用气体浓度的波动特征来分析煤层应力与气体压力之间的耦合相互作用,这对瓦斯突出的预警具有重要意义。
目前,常用的预测煤层掘进工作面突出风险的指标包括气体分析指数△ h 2 、钻屑指数和初始气体排放速度q 。10, 11, 12 这些指标从多个角度综合评估了瓦斯突出的可能性。瓦斯突出事件的频繁发生凸显了使用单一预测指标获得可靠预警结果的挑战。因此,学者们开发了多指标评估方法来评估突出风险,包括层次分析法(AHP),13 模糊综合评估,14 贝叶斯方法,15 机器学习模型,16 以及神经网络框架。17 此外,研究人员还进行了瓦斯突出模拟实验和数值建模,进一步分析了气体含量、气体压力以及煤与瓦斯吸附和解吸能力等因素对瓦斯突出的影响。18, 19, 20, 21 这些评估方法依赖于传统的突出预测指标;然而,这些指标的测量需要钻孔,这耗费了大量时间和资源。此外,由于钻孔过程的复杂性,这些指标的确定往往缺乏连续性和及时性。因此,学者们利用各种监测传感器来分析微震、声发射和电磁辐射信号的时间域、频域、波形和能量分布特征。通过使用深度学习模型识别危险信号,他们实现了动态风险评估。22, 23, 24, 25 然而,安装地球物理监测传感器存在某些限制。此外,地球物理监测信号通常包含由机械设备运行、液压冲击和钻孔等地下活动产生的大量干扰噪声。目前,这些干扰信号的识别和过滤仍是一个重大的科学挑战。
在掘进过程中,必须在工作面配备不易受干扰的气体浓度传感器。监测气体浓度数据能够有效监控和预警掘进工作面的瓦斯突出危险。26, 27 原始气体浓度数据曲线包含有限的有效信息,如统计特征的阈值、线性趋势和变化率。为了从气体浓度数据中进一步提取有意义的信息,学者们采用了变分模态分解、混沌分析和奇异值分解等方法来提取与风险相关的特征。由于不同煤层中的气体含量和物理性质存在差异,气体浓度监测数据的特征表现出较大的变异性。然而,这些特征与静态指标仍然相关,表明气体浓度特征的波动遵循一定的规律性,局部气体浓度监测数据本身包含与风险相关的信息。31
时间序列特征挖掘已在众多领域得到广泛应用。例如,在电力系统中,数据挖掘技术已被用于在小波算法下提取高质量和稳定的信号特征,32 并从多尺度时间数据中推导电池健康指标。33 在医疗保健领域,从脑电图信号34 和其他生物传感器数据35 中挖掘出包含时频、统计和非线性方面的有效特征,以评估患者健康状况。此外,特征挖掘技术在机械故障诊断,36 股票价格和交易量等金融数据的风险值测量,37 以及计算机网络安全评估中也有广泛应用。38
上述研究表明,静态指标不足以实现瓦斯突出的动态预警,而微震、声发射和电磁辐射等传感器数据往往受到大量干扰的污染。相比之下,气体浓度监测数据本身包含预警信息,且气体浓度传感器普遍安装在采矿掘进工作面,为动态瓦斯突出预警提供了可靠的数据基础。然而,关于从原位气体浓度时间序列数据中提取特征的研究较少,这限制了气体浓度监测在瓦斯突出预警中的有效性。
在掘进工作面的过程中,使用EN-TSFRESH方法收集并分析了气体浓度监测数据,从中提取了七类特征,包括时频、线性和非线性以及与趋势相关的特征(对应于一个工作班次)。采用半监督特征选择框架来提取气体浓度数据的低维表示,并通过t-SNE和PCA可视化方法的比较分析评估了降维的有效性。此外,应用无监督聚类方法对与高风险条件和掘进过程中的瓦斯突出相关的气体浓度数据进行了分类。本研究为瓦斯突出的预防和预警提供了理论支持,对提高煤矿生产的安全性和运营效率具有重要意义。