一种煤自燃无监督预警方法、系统、设备及介质

本发明涉及煤矿安全监测与预警，特别涉及一种煤自燃无监督预警方法、系统、设备及介质。

背景技术：

1、煤炭是我国能源结构的基石，其安全高效开采对国民经济发展至关重要。随着我国煤炭开采逐步走向深部，采深普遍超过800米，部分矿井已达1500米以上。深部开采环境具有高地应力、高地温、高渗透压的“三高”特征，导致采空区遗煤的氧化速率加快，自燃倾向性增强。煤自燃火灾是煤矿五大灾害之一，不仅造成巨大的资源浪费和经济损失，更严重的是，其可能诱发瓦斯或煤尘爆炸，或产生大量有毒有害气体，对井下作业人员的生命安全构成致命威胁。因此，建立一套能够对深部矿井采空区煤自燃风险进行准确、及时、超前预警的智能化技术体系，具有极其重要的现实意义和应用价值。

2、煤自燃的物理化学本质是煤在常温下与空气中的氧气发生缓慢的氧化反应，该反应为放热反应。在散热条件不良时，热量不断积聚，导致煤体温度持续升高，进而加速氧化反应，形成恶性循环，最终达到燃点而自行燃烧。在这一从低温氧化到高温燃烧的演化过程中，煤体会分解并释放出一系列标志性的气体，如一氧化碳(co)、二氧化碳(co2)、甲烷(ch4)以及乙烯(c2h4)、乙烷(c2h6)等低分子烃类气体。这些气体的种类和浓度随着煤体温度的变化呈现出规律性的演变特征，因此被广泛用作判断煤自燃发展阶段的指标气体。目前，基于指标气体浓度监测的预警方法是煤矿现场应用最广泛的技术手段。

3、然而，现有的煤自燃预警技术在实际应用中仍面临诸多严峻挑战，主要体现在以下几个方面：

4、第一，预警等级划分标准主观性强，缺乏客观量化依据。目前，无论是国家安全规程还是各矿区的内部规定，对煤自燃预警等级的划分多是基于对co等单一气体浓度绝对值的经验性阈值。这些阈值的设定高度依赖专家经验和历史事故反演，缺乏统一和科学的理论基础。不同煤种、不同地质及通风条件下的煤自燃过程差异巨大，一套固定的阈值标准难以普适，导致在不同矿井间应用时，预警标准的可靠性与可比性均较差，误报和漏报现象时有发生。

5、第二，智能预警模型依赖人工标注样本，获取成本高且质量难以保证。近年来，随着人工智能技术的发展，支持向量机(svm)、人工神经网络(ann)等监督学习算法被引入煤自燃预警领域。这类方法的有效性高度依赖于大量带有精确预警等级标签的训练样本。但在实际中，获取这样的样本集极为困难。一方面，煤矿安全生产要求严苛，能够记录到完整自燃过程的真实事故数据极为稀少；另一方面，通过实验室程序升温实验获取数据，周期长、成本高。更关键的是，为这些实验数据打上的“标签”本身，依然源于前述充满主观性的经验标准，这使得标签的准确性和一致性存疑，从而从根本上制约了监督学习模型的性能上限和泛化能力。

6、第三，传统分析方法难以有效刻画指标间的复杂非线性关系。煤的氧化是一个多组分、多阶段、强耦合的复杂物理化学过程。各指标气体浓度与温度之间的关系，以及气体与气体之间的相互影响，均表现出高度的非线性特征。传统的线性分析工具，如皮尔逊相关系数，仅能衡量变量间的线性相关性，无法有效捕捉和量化这些非线性关联。这可能导致在特征选择阶段遗漏重要的非线性指示信息。同样，主成分分析(pca)等线性降维方法在处理这类高维非线性数据时，难以保持数据原有的复杂拓扑结构，降维后不同状态的数据点可能发生混叠，影响后续聚类或分类的准确性。

7、第四，对高维多元气体特征的综合利用不足。煤自燃预警所涉及的监测数据是多维度的，包括多种气体的浓度绝对值、浓度变化率、气体浓度比值等。如何从这些高维、冗余且充满噪声的数据中，系统性地挖掘出与自燃风险演化最相关的综合特征，是提升预警精度的核心。现有方法多倾向于使用少数几个指标进行独立或简单组合判断，未能充分利用多元数据间的协同信息，信息挖掘深度有限。

8、综上所述，当前煤自燃预警领域迫切需要一种能够摆脱对人工先验标注的依赖，能够从数据自身的内在结构出发客观地划分风险等级，并且能够有效处理多元指标间非线性关系的全新智能预警方法，以解决深部矿井复杂工况下的煤自燃防治难题。

技术实现思路

1、本发明的目的在于克服现有技术的上述缺陷，提供一种煤自燃无监督预警方法、系统、设备及介质。本发明通过有机融合最大信息系数、t分布随机邻域嵌入、k均值聚类和支持向量分类器等多种先进算法，构建了一个无需人工干预即可客观划分预警等级并实现实时智能预告的完整技术方案，旨在从根本上解决预警标准主观性强、样本标注困难、非线性特征提取不足等核心技术瓶颈。

2、第一方面，本发明公开了一种煤自燃无监督预警方法，包括如下步骤：

3、获取涵盖多种煤样在程序升温实验中生成的多元指标气体浓度与对应温度的实验数据，建立高维特征数据库；

4、采用最大信息系数，量化所述高维特征数据库中各指标气体浓度与温度在预设的多个温度区间内的非线性关联强度，基于所述非线性关联强度动态确定各指标气体在不同温度区间下的贡献权重，并依据所述贡献权重筛选出高于预设贡献度的指标气体构成特征子集；

5、采用t分布随机邻域嵌入算法对由所述特征子集构成的多样本高维特征数据进行非线性降维，获得保留原始数据局部与全局拓扑结构的低维嵌入表示；

6、采用k均值聚类算法对所述低维嵌入表示进行无监督聚类，并依据轮廓系数自适应确定最优聚类数目，得到多个聚类簇；

7、构建二维风险评估空间，其中第一维度为各聚类簇的代表性温度，第二维度为各聚类簇内高于预设贡献度指标气体的代表性浓度变化率，根据各聚类簇在所述二维风险评估空间中的位置分布，将各个聚类簇客观映射为安全、低风险、中等风险、高风险、严重风险、极严重风险中的一个预警等级，从而为所述高维特征数据库中的每一组实验数据生成预警等级标签；

8、基于带有预警等级标签的实验数据训练支持向量分类器，构建煤自燃预警等级分类模型；

9、将现场实时监测的多元指标气体浓度数据输入所述煤自燃预警等级分类模型，输出当前状态对应的预警等级。

10、作为本技术第一方面的一种可选实施方式，获取涵盖多种煤样在程序升温实验中生成的多元指标气体浓度与对应温度的实验数据，建立高维特征数据库的步骤包括：采集覆盖不同煤化程度与地质赋存条件的多个矿区煤样；对所述煤样开展程序升温油浴实验，在升温过程中按预设温度间隔采集气体样本并进行成分分析，记录包括一氧化碳、二氧化碳、乙烯、乙烷、甲烷中至少三种指标气体的浓度数据，以及对应的实验温度，形成所述高维特征数据库。

11、作为本技术第一方面的一种可选实施方式，采用最大信息系数，量化所述高维特征数据库中各指标气体浓度与温度在预设的多个温度区间内的非线性关联强度，基于所述非线性关联强度动态确定各指标气体在不同温度区间下的贡献权重的步骤包括：对于任一指标气体，分别计算其浓度数据与温度数据在每个预设温度区间内的最大信息系数值；将各温度区间内计算所得的最大信息系数值组合，形成所述指标气体的动态权重向量，所述动态权重向量表征了所述指标气体在煤自燃不同阶段的重要性；当某指标气体的动态权重向量中所有元素值均低于预设权重阈值时，将该指标气体从特征子集中剔除，保留高于或等于预设权重阈值的指标气体，以此得到各指标气体在不同温度区间下的贡献权重。

12、作为本技术第一方面的一种可选实施方式，采用t分布随机邻域嵌入算法对由所述特征子集构成的多样本高维特征数据进行非线性降维的步骤包括：在高维特征空间中，采用高斯分布计算样本点之间的条件概率以构建相似度矩阵；在目标低维空间中，采用自由度为1的t分布计算嵌入点之间的概率分布；通过采用梯度下降法最小化所述高维相似度矩阵与所述低维概率分布之间的kl散度，迭代优化低维嵌入点坐标，直至收敛；其中，所述降维的目标维度设置为二维或三维。

13、作为本技术第一方面的一种可选实施方式，采用k均值聚类算法对所述低维嵌入表示进行无监督聚类，并依据轮廓系数自适应确定最优聚类数目的步骤包括：在预设的聚类数目候选范围内，针对每一个候选聚类数目执行k均值聚类算法；对每一次聚类结果，计算数据集中所有样本点的轮廓系数均值；选取使所述轮廓系数均值达到最大值时对应的候选聚类数目作为所述最优聚类数目。

14、作为本技术第一方面的一种可选实施方式，将各个聚类簇客观映射为安全、低风险、中等风险、高风险、严重风险、极严重风险中的一个预警等级的步骤包括：对于每一个聚类簇，统计其包含的所有样本点对应的温度数据，绘制温度频率分布直方图，并将频率分布峰值对应的温度值确定为该聚类簇的代表性温度；对于每一个聚类簇，计算其包含的所有样本点中、筛选出的至少一种高于预设贡献度指标气体在相邻采样时刻间的浓度增量，并将所述浓度增量的均值或中位数确定为该聚类簇的代表性浓度变化率；在以代表性温度为横轴、代表性浓度变化率为纵轴的二维风险评估空间中，标定出每个聚类簇对应的坐标点；依据各坐标点的位置，按照从低风险区域到高风险区域的顺序，依次将各个聚类簇映射为安全、低风险、中等风险、高风险、严重风险、极严重风险六个预警等级。

15、作为本技术第一方面的一种可选实施方式，基于带有预警等级标签的实验数据训练支持向量分类器，构建煤自燃预警等级分类模型的步骤包括：采用径向基函数作为支持向量分类器的核函数；采用网格搜索方法设定惩罚参数和核函数参数的候选值组合；对每一组候选参数组合，采用k折交叉验证方法评估分类模型的性能，并选取性能最优的参数组合；使用性能最优的参数组合在全部带有预警等级标签的实验数据上重新训练，得到最终的煤自燃预警等级分类模型。

16、第二方面，本技术公开了一种煤自燃无监督预警系统，包括：

17、数据获取模块，用于获取涵盖多种煤样在程序升温实验中生成的多元指标气体浓度与对应温度的实验数据，建立高维特征数据库；

18、特征权重模块，用于采用最大信息系数，量化所述高维特征数据库中各指标气体浓度与温度在预设的多个温度区间内的非线性关联强度，基于所述非线性关联强度动态确定各指标气体在不同温度区间下的贡献权重，并依据所述贡献权重筛选出高于预设贡献度的指标气体构成特征子集；

19、降维处理模块，用于采用t分布随机邻域嵌入算法对由所述特征子集构成的多样本高维特征数据进行非线性降维，获得保留原始数据局部与全局拓扑结构的低维嵌入表示；

20、聚类映射模块，用于采用k均值聚类算法对所述低维嵌入表示进行无监督聚类，并依据轮廓系数自适应确定最优聚类数目，得到多个聚类簇；并用于构建二维风险评估空间，其中第一维度为各聚类簇的代表性温度，第二维度为各聚类簇内高于预设贡献度指标气体的代表性浓度变化率，根据各聚类簇在所述二维风险评估空间中的位置分布，将各个聚类簇客观映射为安全、低风险、中等风险、高风险、严重风险、极严重风险中的一个预警等级，从而为所述高维特征数据库中的每一组实验数据生成预警等级标签；

21、模型训练模块，用于基于带有预警等级标签的实验数据训练支持向量分类器，构建煤自燃预警等级分类模型；

22、预警输出模块，用于将现场实时监测的多元指标气体浓度数据输入所述煤自燃预警等级分类模型，输出当前状态对应的预警等级。

23、第三方面，本技术公开了一种电子设备，包括：

24、存储器，用于保存计算机程序；

25、处理器，用于执行所述计算机程序，以实现如第一方面所述的方法的步骤。

26、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。

27、与现有技术相比，本发明具有以下有益效果：

28、1.预警等级划分的客观性与科学性：本发明彻底摒弃了依赖专家经验设定阈值或人工标注样本的传统模式。通过无监督聚类，方法从海量实验数据的内在结构和分布特性出发，自动识别出煤自燃过程中的不同演化阶段。特别是，创新性地构建了基于“代表性温度-代表性浓度变化率”的二维风险评估空间，使得聚类结果到预警等级的映射不仅考虑了状态量（温度），还融入了动态趋势量（气体浓度变化率），其物理意义更加清晰、完备，从而保证了预警等级划分的客观性、科学性和合理性。

29、2.非线性特征的深度挖掘与表征：本发明采用最大信息系数（mic）来量化指标气体与温度间的非线性关联，并创新性地提出了动态权重概念，能够准确识别出不同气体在煤自燃不同温度阶段（低温氧化、中温加速、高温热解）的不同重要性，实现了更精细化的特征筛选。结合t分布随机邻域嵌入（t-sne）非线性降维算法，能够有效保留高维气体特征空间中复杂的非线性拓扑结构，为后续高质量的聚类分析奠定了坚实基础，优于传统的线性分析方法。

30、3.全流程自动化与高工程适用性：本发明构建了一套从原始数据到最终预警输出的全流程自动化智能分析方法。一旦实验室数据库建立，预警等级的划分和分类模型的训练均无需人工干预。最终生成的支持向量分类模型，计算效率高，鲁棒性强，可直接部署于矿井监测系统，对现场实时数据进行快速、准确的等级判别。这种“一次离线建模，长期在线应用”的模式，极大降低了应用门槛，增强了方法的工程适用性和跨矿区推广能力。

31、4.预警体系的完整性与精细化：本发明通过数据驱动自适应确定的聚类数目，并结合二维风险评估空间，能够客观地将煤自燃风险划分为六个精细化的等级。这个从“安全”到“极严重风险”的完整预警体系，覆盖了煤自燃从孕育、发展到剧烈的全过程，能够为矿井实施差异化、递进式的分级管控措施（如常规监测、加强通风、注氮、灌浆、区域封闭、人员撤离等）提供明确、可靠的决策依据，从而实现对煤自燃灾害的精准防控。