大数据挖掘采煤工作面安全预警管理分析.docxVIP

PAGE 1 PAGE 1 大数据挖掘采煤工作面安全预警管理分析  应用大数据挖掘技术的采煤工作面安全预警专家系统，构建采煤工作面安全预警方法，以工作面安全监测、安全管理数据为基础，通过挖掘数据间的关联关系，实现工作面安全风险的识别与预警，对预防煤矿事故的发生起到积极作用。  采煤工作面作为煤炭的主要生产场所，空间狭窄，环境复杂，设备多，作业人员集中，是一个复杂的社会技术系统。系统中存在多种动态变化的风险因素，增加了工作面的风险防控的复杂性。应用系统工程分析方法，全面分析影响采煤工作面的风险因素，建立采煤工作面安全预警专家系统，对风险进行预警和采取应急预案。学问获取是专家系统学问库建立的核心问题，也是建筑专家系统的瓶颈，打算了专家系统的质量好坏。  数据挖掘(DataMining，DM)从大量的、不完全的、模糊的、随机的数据中，提取隐含的有价值的信息，一个重要过程就是从数据中挖掘学问的过程，又称为数据库中学问发觉(KnowledgeDiscoveryinDatabase，KDD)，是从数据中发觉模式的算法的最好的方式。  因此本文研究主要是研究将数据挖掘技术于专家系统中，改善采煤工作面安全预警专家系统中的学问获取“瓶颈”问题，以便更好的实现采煤工作面安全预警管理。  1采煤工作面安全预警专家系统  一般传统采煤工作面安全预警专家系统由学问库、数据库、推理机、解释器、学问获取系统与人机接口组成。学问库、推理机作为系统的核心，用来存储采煤安全专家经验学问和已知的事实、产生式规则等，系统结构如图1所示。 图1采煤工作面安全预警专家系统结构图 学问的获取根据采煤工作面安全预警系统目标要求及其领域限定问题的求解范围，收集专家学问，经过抽取学问、转换学问、输入学问、检测学问几个环节，通常由学问工程师与采煤安全领域专家反复交流而手工完成。但由于领域专家学问的局限性或者主观因素影响，或者学问工程师技能受限，在学问获取过程中，所获取的学问存在不完整、片面性或者不精确。学问获取是构建学问库的核心，由于学问获取时出现了问题，导致学问库构建过程中，领域学问表示存在非独立性和非唯一性，所归纳总结的学问元存在相关性的可能性大，这样推理机应用的前提条件变得不确定，导致推理结论不精确。  为了解决这个问题，采用数据挖掘技术与采煤安全领域专家充分结合的思路与方法构建学问库，改造传统的采煤工作面安全预警专家系统。  2基于大数据挖掘的专家系统  2.1采煤工作面安全预警多元数据源  采煤工作面安全预警需要对测量的参数进行选择和采集，参数的主要来源通过传感器进行采集、传输，直接测量的参数包括工作面环境参数，如瓦斯浓度、风速、风量、CO浓度等；顶板压力参数，如液压支架柱前端压力、后端压力；采煤设备运行参数，如采煤机转速、割刀转速、电机温度等。此外还有视频、维护修理管理等大量的非结构化数据，数据的发展趋势符合大数据容量大、处理速度快、类型多样化、价值大的特征。  采煤工作面多元数据构成安全预警数据库的大数据来源，主要包括：  （1）初始数据库。初始数据库主要是采煤工作面设计与建设阶段的数据，包括采煤工作面各类学问清单及各项规章制度、资料、文件等。学问清单如采煤作业系统学问、运输系统学问、通风系统学问、供电系统学问、排水系统学问、辅助作业系统学问；顶板管理学问、瓦斯与粉尘治理学问、水灾防治学问、火灾危害学问、机电事故学问、运输事故学问以及放炮事故风险学问。  （2）运行数据库。采煤工作面运行数据库由采煤工作面环境、设备运行、顶板压力等状态信息构成。如前所述，这些信息通过自动化监测传感器收集。  （3）管理数据库。管理数据库包括工作面日常维护、修理以及相关的维护设备材料、事故处理和管理人员等数据。维护数据通常是指工作面的日常班组修理记录、维护人员处理事件的报告、材料消耗以及相应技术支持的数据。修理数据指工作面（主要是机电设备、支护材料、监测仪表等）的定期检修记录、设备修理与更换数据等。管理人员数据主要包括修理人员的学历、专业水平、个人技能、工作年限、岗位职责等。  （4）其他相关数据库。相关数据库是与采煤工作面有关但还不能确认的相关联数据，如大巷运输系统、井底车场提升系统对采煤工作面的影响。  2.2采煤工作面安全预警大数据挖掘分析  采煤工作面安全预警大数据技术应用，重点关注的数据采集以及挖掘分析。由于安全预警大数据结构复杂，包括结构化、半结构化及非结构化数据，平凡的信息化处理系统难以实现数据的处理，需要利用大数据处理技术才能对其进行有效存储和处理。  大数据处理架构Hadoop是一个能够针对大量数据进