礦井煤自燃監(jiān)測(cè)預(yù)警技術(shù)研究現(xiàn)狀及智能化發(fā)展趨勢(shì)

仲曉星， 王建濤， 周昆

(1.中國(guó)礦業(yè)大學(xué) 煤礦瓦斯與火災(zāi)防治教育部重點(diǎn)實(shí)驗(yàn)室， 江蘇 徐州 221116；2.中國(guó)礦業(yè)大學(xué) 安全工程學(xué)院， 江蘇 徐州 221116)

0 引言

煤炭是我國(guó)的主體能源，對(duì)國(guó)民經(jīng)濟(jì)發(fā)展具有不可替代的作用[1-2]。煤自燃是煤炭開采過程中面臨的主要災(zāi)害之一，不僅會(huì)燒毀大量煤炭資源，造成巨大經(jīng)濟(jì)損失，而且會(huì)產(chǎn)生大量有毒有害氣體，嚴(yán)重威脅煤炭開采作業(yè)人員的生命安全[3]。煤炭開采過程中，煤自燃特征參數(shù)快速準(zhǔn)確監(jiān)測(cè)、危險(xiǎn)程度及時(shí)預(yù)警對(duì)于煤自燃防治極其重要。

近年來，隨著我國(guó)煤自燃監(jiān)測(cè)預(yù)警等防滅火技術(shù)不斷發(fā)展，礦井煤自燃災(zāi)害在一定程度上得到了控制，但煤炭開采技術(shù)和工藝的進(jìn)步也對(duì)煤自燃防治提出了新的要求[4]。2020年2月，國(guó)家八部委聯(lián)合印發(fā)的《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見》提出，到2025年大型煤礦和災(zāi)害嚴(yán)重煤礦基本實(shí)現(xiàn)智能化，到2035年各類煤礦基本實(shí)現(xiàn)智能化[5]。2021年，國(guó)家能源局、國(guó)家礦山安全監(jiān)察局制定了《煤礦智能化建設(shè)指南(2021年版)》，明確提出建設(shè)煤礦智能火災(zāi)監(jiān)控系統(tǒng)的要求[6]。可見，煤自燃防治正朝著“智能監(jiān)測(cè)、精準(zhǔn)預(yù)警、科學(xué)防治”的方向發(fā)展[7-8]。

為促進(jìn)礦井煤自燃監(jiān)測(cè)預(yù)警技術(shù)進(jìn)一步發(fā)展，加快提升煤自燃監(jiān)測(cè)預(yù)警能力，推動(dòng)構(gòu)建煤自燃智能化監(jiān)測(cè)預(yù)警體系，實(shí)現(xiàn)煤自燃信息動(dòng)態(tài)感知與智能預(yù)警，本文綜述了煤自燃前兆信息監(jiān)測(cè)技術(shù)和預(yù)測(cè)預(yù)報(bào)方法的研究與應(yīng)用現(xiàn)狀，分析了現(xiàn)有技術(shù)方法原理及存在的問題，并對(duì)其發(fā)展趨勢(shì)進(jìn)行了展望，以期為后續(xù)相關(guān)研究提供借鑒與參考。

1 煤自燃前兆信息監(jiān)測(cè)技術(shù)研究現(xiàn)狀

1.1 溫度信息監(jiān)測(cè)技術(shù)

溫度是反映煤自燃危險(xiǎn)程度最為直觀的前兆信息。目前，常用的測(cè)溫方法主要有壁面紅外測(cè)溫法(紅外測(cè)溫儀、紅外熱像儀)[9]和傳感器預(yù)埋測(cè)溫法(熱電偶、半導(dǎo)體、分布式光纖)[10]。壁面紅外測(cè)溫法是指在無障礙物遮擋條件下利用紅外測(cè)溫儀或紅外熱像儀直接讀取煤巖體溫度，適用于監(jiān)測(cè)井巷壁面等外露煤體的溫度；傳感器預(yù)埋測(cè)溫法是指因被測(cè)煤體難以直接接觸而預(yù)先將測(cè)溫傳感器布設(shè)于待測(cè)煤巖體附近以備后續(xù)溫度監(jiān)測(cè)，適用于監(jiān)測(cè)采空區(qū)等隱蔽區(qū)域內(nèi)部的溫度。

分布式光纖測(cè)溫系統(tǒng)(Distributed Temperature Sensing，DTS)具有測(cè)點(diǎn)分布廣、傳輸距離長(zhǎng)、信息容量多、測(cè)定精度大、穩(wěn)定可靠性高，以及抗腐蝕、耐高壓、抗電磁干擾等優(yōu)點(diǎn)，逐漸成為煤自燃溫度監(jiān)測(cè)優(yōu)先發(fā)展的技術(shù)[11]。煤礦常用的DTS包括激光器、波分復(fù)用器、傳感光纖、探測(cè)器、采集卡和數(shù)據(jù)處理系統(tǒng)[12]。DTS依據(jù)光時(shí)域反射原理和拉曼散射效應(yīng)對(duì)溫度的敏感性實(shí)現(xiàn)溫度監(jiān)測(cè)，其基本原理在于以激光器作為光源發(fā)射脈沖激光，經(jīng)波分復(fù)用器將載有不同信號(hào)的激光合成一束后進(jìn)入傳感光纖，于內(nèi)部傳輸過程中經(jīng)拉曼散射產(chǎn)生斯托克斯光和反斯托克斯光，二者再次經(jīng)波分復(fù)用器進(jìn)入探測(cè)器將光信號(hào)轉(zhuǎn)換為電信號(hào)，利用采集卡高速采集電信號(hào)并進(jìn)行累加平均，最后通過數(shù)據(jù)處理系統(tǒng)對(duì)其解調(diào)，進(jìn)而獲得溫度信息。實(shí)際應(yīng)用時(shí)，DTS的感溫光纜外包保護(hù)套裝，敷設(shè)于巷道和工作面，連接于井下分布式測(cè)溫分站(用于溫度信號(hào)解調(diào)、顯示與存儲(chǔ))，最后通過礦用工業(yè)以太環(huán)網(wǎng)傳輸至地面監(jiān)測(cè)系統(tǒng)并進(jìn)行溫度數(shù)據(jù)的后續(xù)處理。為了更加全面地反映采空區(qū)(采用插值法等對(duì)采空區(qū)內(nèi)部溫度場(chǎng)進(jìn)行重構(gòu))等區(qū)域的溫度信息分布情況及其變化規(guī)律，感溫光纜一般呈沿線(兩巷)或“L”形進(jìn)行布設(shè)(圖1)，隨著工作面向前推進(jìn)，感溫光纜逐漸埋入采空區(qū)內(nèi)部。當(dāng)某個(gè)區(qū)域出現(xiàn)煤自燃危險(xiǎn)，該處及其附近的溫度便會(huì)升高，據(jù)此建立煤自然發(fā)火趨勢(shì)圖，進(jìn)而判定危險(xiǎn)狀態(tài)。

圖1 煤礦DTS布置Fig.1 DTS distribution in coal mines

1.2 指標(biāo)氣體測(cè)定技術(shù)

由于煤是熱的不良導(dǎo)體，憑借溫度難以充分反映如采空區(qū)等隱蔽空間區(qū)域的整體危險(xiǎn)狀態(tài)。煤自燃消耗O2并釋放氣體產(chǎn)物,基于此，指標(biāo)氣體成為判定煤自燃危險(xiǎn)狀態(tài)的另一關(guān)鍵前兆信息，主要包括CO，CO2，CH4，C2H6，C3H8，C2H4，C2H2，H2等[13]。煤礦企業(yè)主要采用氣相色譜法[14]和吸收光譜法[15]對(duì)煤自燃指標(biāo)氣體進(jìn)行定量檢測(cè)，其中氣相色譜儀作為束管監(jiān)測(cè)系統(tǒng)的核心終端已被煤礦企業(yè)廣泛使用[16]。外標(biāo)法是氣相色譜法普遍采用的定量標(biāo)定方法，其原理在于利用提前制備的特定濃度標(biāo)準(zhǔn)樣品生成工作曲線(樣品量或濃度對(duì)峰面積或峰高作圖)，要求在進(jìn)樣量等參數(shù)保持完全一致的條件下對(duì)采集的指標(biāo)氣體進(jìn)行檢測(cè)，至各組分出峰且完全分離后輸出指標(biāo)氣體定量測(cè)定結(jié)果。

吸收光譜法具有壽命長(zhǎng)、選擇性好、靈敏度強(qiáng)和檢測(cè)精度高等優(yōu)點(diǎn)，是煤礦優(yōu)先發(fā)展的氣體測(cè)定技術(shù)[17]，其原理在于特定的氣體分子在紫外/可見光波長(zhǎng)范圍(0.2～0.78 μm)發(fā)生電子躍遷、在近紅外波長(zhǎng)范圍(0.78～2.5 μm)和中紅外波長(zhǎng)范圍(2.5～14 μm)發(fā)生分子轉(zhuǎn)動(dòng)和振動(dòng)而表現(xiàn)出特定的吸收特性。部分煤自燃指標(biāo)氣體在近紅外波段的吸收譜線如圖2所示[18]。可利用吸收光譜法進(jìn)行氣體濃度測(cè)定，氣體對(duì)紅外輻射的吸收遵循Lambert-Beer定律[19]。吸收光譜法主要有使用寬帶光源的傅里葉變換紅外(Fourier Transform Infrared，F(xiàn)TIR)光譜和非分散紅外(Non-Dispersive Infrared，NDIR)光譜技術(shù)[20]，以及使用窄帶光源的紅外激光光譜檢測(cè)技術(shù)〔如可調(diào)諧半導(dǎo)體激光吸收光譜(Tunable Diode Laser Absorption Spectroscopy，TDLAS)技術(shù)〕[19]，其中以NDIR和TDLAS技術(shù)的發(fā)展應(yīng)用最為廣泛。基于NDIR技術(shù)的氣體傳感器主要部件有寬帶光源、測(cè)量氣室、紅外探測(cè)器及與之配套的窄帶濾波器[21]。該窄帶濾波器主要用來消除光束中所有不需要的波長(zhǎng)[22]，只允許待測(cè)氣體的特征吸收波長(zhǎng)到達(dá)探測(cè)器，從而檢測(cè)經(jīng)過氣體路徑長(zhǎng)度之后的光強(qiáng)衰減[20]。與使用寬帶光源的NDIR技術(shù)相比，紅外激光光譜檢測(cè)技術(shù)采用單色性較高的紅外激光作為光源，因而具有更高的分辨率，不需要使用額外的分光器件，更易于實(shí)現(xiàn)小型化，同時(shí)高功率密度激光光源更便于實(shí)現(xiàn)長(zhǎng)光程檢測(cè)[19]。在過去的許多年中，隨著近紅外激光技術(shù)的發(fā)展，基于近紅外激光光譜氣體檢測(cè)技術(shù)得到了長(zhǎng)足發(fā)展，以TDLAS技術(shù)為甚，其主要利用可調(diào)諧半導(dǎo)體激光器的窄線寬和波長(zhǎng)隨注入電流改變的特性，實(shí)現(xiàn)對(duì)氣體分子的單個(gè)或幾個(gè)因距離很近而難以分辨的吸收譜線進(jìn)行測(cè)量，能夠同時(shí)在線監(jiān)測(cè)CO，CO2，CH4，C2H6，C2H4，C2H2濃度，具有靈敏度強(qiáng)、分辨率高、檢測(cè)速度快等優(yōu)點(diǎn)，具有良好的應(yīng)用前景[17-18]。

圖2 部分煤自燃指標(biāo)氣體在近紅外波段的吸收譜線Fig.2 Absorption spectrum of partial index gases for coal spontaneous combustion in near infrared band

2 煤自燃預(yù)測(cè)預(yù)報(bào)方法研究現(xiàn)狀

2.1 基于指標(biāo)體系的預(yù)測(cè)預(yù)報(bào)方法

根據(jù)《煤礦安全規(guī)程》規(guī)定，開采容易自燃和自燃煤層時(shí)，必須開展自然發(fā)火監(jiān)測(cè)工作，建立自然發(fā)火監(jiān)測(cè)系統(tǒng)，確定煤層自然發(fā)火標(biāo)志氣體及臨界值，健全自然發(fā)火預(yù)測(cè)預(yù)報(bào)及管理制度。煤自燃過程中不同階段會(huì)產(chǎn)生不同的氣相產(chǎn)物，煤礦企業(yè)據(jù)此建立其適用的煤層自然發(fā)火預(yù)測(cè)預(yù)報(bào)指標(biāo)體系。根據(jù)氣體生成原因，可劃分為氧化氣體(CO，CO2)和熱解氣體(CH4，C2H6，C3H8，C2H4，C2H2等)。因其初現(xiàn)溫度和濃度與煤溫之間存在良好的對(duì)應(yīng)關(guān)系，故可根據(jù)各類氣體的識(shí)別狀態(tài)(濃度或變化趨勢(shì))判定煤自燃危險(xiǎn)狀況，即煤自燃標(biāo)志性氣體分析法。然而，利用單一指標(biāo)分析煤自燃危險(xiǎn)狀態(tài)易受到漏風(fēng)稀釋、外來氣源干擾等因素影響，導(dǎo)致氣體檢測(cè)值(濃度或初現(xiàn)溫度)與所設(shè)定的閾值不符而出現(xiàn)漏報(bào)、誤報(bào)情況。隨著氣體檢測(cè)技術(shù)的發(fā)展，對(duì)煤自燃指標(biāo)氣體成分測(cè)定的速度和精度得以提升。為了克服單一指標(biāo)分析的不足，雙氣體或多氣體等復(fù)合指標(biāo)(即復(fù)合指標(biāo)預(yù)測(cè)預(yù)報(bào)方法[23]，見表1)不斷被提出并得到廣泛應(yīng)用，極大地豐富了煤自燃預(yù)測(cè)預(yù)報(bào)指標(biāo)體系，有力地推動(dòng)了煤自燃危險(xiǎn)程度判定方法進(jìn)步。余明高等[24]結(jié)合標(biāo)志氣體優(yōu)選原則，提出了立體瓦斯抽采條件下煤自燃預(yù)測(cè)預(yù)報(bào)標(biāo)志氣體的優(yōu)化選擇方法。史全林等[25]通過指標(biāo)氣體優(yōu)選實(shí)驗(yàn)確定了煤自燃早期預(yù)測(cè)預(yù)報(bào)氣體，并分析了指標(biāo)氣體隨工作面動(dòng)態(tài)推進(jìn)過程中的變化規(guī)律。陳曉坤[26]將實(shí)驗(yàn)數(shù)據(jù)與現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)相結(jié)合，提出了基于指標(biāo)體系的煤自燃多源信息融合預(yù)警方法。王福生等[27]運(yùn)用灰色關(guān)聯(lián)法綜合分析各復(fù)合指標(biāo)與煤溫的關(guān)系，確定指標(biāo)預(yù)報(bào)優(yōu)先級(jí)，構(gòu)建了全礦井各煤層的煤自燃多參數(shù)預(yù)測(cè)預(yù)報(bào)指標(biāo)體系。費(fèi)金彪[28]、Zhang Duo等[29]對(duì)容易自燃煤層危險(xiǎn)等級(jí)進(jìn)行劃分，以此為依據(jù)構(gòu)建了多指標(biāo)融合協(xié)同的煤自燃分級(jí)預(yù)警體系，并結(jié)合現(xiàn)場(chǎng)實(shí)際對(duì)其有效性進(jìn)行了量化分析。

表1 部分煤自燃預(yù)測(cè)預(yù)報(bào)氣體指標(biāo)Table 1 Partial gas indexes for forecasting coal spontaneous combustion

2.2 基于統(tǒng)計(jì)分析的預(yù)測(cè)預(yù)報(bào)方法

為了進(jìn)一步精細(xì)化判定煤自燃氧化程度，基于實(shí)驗(yàn)分析所得的氣體指標(biāo)與煤溫之間的非線性特征[40]，結(jié)合煤自燃氧化階段劃分[28,41-42]，學(xué)者們提出基于統(tǒng)計(jì)分析的煤自燃預(yù)測(cè)預(yù)報(bào)方法，即對(duì)氣體指標(biāo)與煤溫進(jìn)行一元或多元回歸分析等，構(gòu)建函數(shù)化或統(tǒng)計(jì)模型用以判定煤自燃狀態(tài)。仲曉星等[41]根據(jù)CO濃度隨煤溫的變化特征，提出了基于程序升溫條件下的煤自燃臨界溫度測(cè)試方法。沈云鴿等[43]分析不同自燃傾向性煤自燃氧化特性，得出了氧化時(shí)間隨煤溫的變化關(guān)系及氣體指標(biāo)隨煤溫的變化規(guī)律。周西華等[44]研究了不同氧濃度條件下O2和CO濃度及其變化速率隨煤溫的變化關(guān)系。朱紅青等[45]分析氣煤自燃標(biāo)志性氣體產(chǎn)生規(guī)律，研究了煤自燃特征參數(shù)在不同溫度范圍下的變化特征。Dong Xianwei等[46]研究不同變質(zhì)程度煤自燃升溫氧化過程中指標(biāo)氣體產(chǎn)生量隨煤溫的變化規(guī)律，確定了氣體濃度-煤溫的趨勢(shì)表征形式。基于氣體指標(biāo)隨煤溫的變化特征，學(xué)者們建立了基于統(tǒng)計(jì)分析的預(yù)測(cè)模型用以判定煤自燃程度。王福生等[47]基于程序升溫氧化實(shí)驗(yàn)，以CO濃度和烯烷比作為指標(biāo)，分別采用指數(shù)和線性擬合法建立了煤自燃各階段適用的溫度預(yù)測(cè)模型。朱令起等[48]優(yōu)選指數(shù)函數(shù)作為最佳擬合方法，提出了低溫條件下以CO2與CO濃度比值為指標(biāo)的煙煤自然發(fā)火預(yù)測(cè)模型的統(tǒng)一形式。Wang Junfeng等[49]分析煤自燃氧化過程中耗氧量與氣態(tài)產(chǎn)物釋放量的關(guān)系，建立了以耗氧速率與氣相產(chǎn)物釋放率比值為指標(biāo)的多元線性回歸煤自燃狀態(tài)評(píng)價(jià)模型。文虎等[50]根據(jù)煤自燃升溫氧化實(shí)驗(yàn)獲得的氣體變化規(guī)律，選取不同類型回歸模型構(gòu)建各指標(biāo)氣體與煤溫之間的回歸方程，依據(jù)回歸方程導(dǎo)數(shù)(即變化靈敏度)確定了煤自燃階段性指標(biāo)氣體。王磊等[51]以CO絕對(duì)發(fā)生量為指標(biāo)，引入平均殘差法對(duì)預(yù)測(cè)值進(jìn)行修正，構(gòu)建了煤自燃灰色馬爾科夫預(yù)測(cè)模型。

2.3 基于智能算法的預(yù)測(cè)預(yù)報(bào)方法

隨著計(jì)算機(jī)與信息科學(xué)技術(shù)的進(jìn)步，煤自燃預(yù)測(cè)預(yù)報(bào)方法正朝著智能化的方向發(fā)展。針對(duì)統(tǒng)計(jì)分析法受變量數(shù)目限制較大等問題，為進(jìn)一步提升煤自燃預(yù)警的準(zhǔn)確性、泛化性及求解效率，基于預(yù)測(cè)指標(biāo)與煤自燃程度之間的復(fù)雜非線性關(guān)系，從有限的煤自燃觀測(cè)數(shù)據(jù)中學(xué)習(xí)出具有一般性的規(guī)律(即預(yù)測(cè)模型)，進(jìn)而將其應(yīng)用到未觀測(cè)樣本上，學(xué)者們提出以多指標(biāo)為輸入、危險(xiǎn)度為輸出，采用群智能算法、機(jī)器學(xué)習(xí)等進(jìn)行煤自燃預(yù)測(cè)預(yù)報(bào)。

楊忠超等[52]綜合分析煤炭開采過程中的影響因素，以其作為輸入變量，將煤層自然發(fā)火情況(無發(fā)火征兆、有征兆和發(fā)生自燃3個(gè)等級(jí))作為輸出，提出一種基于反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Nerual Network,BPNN)的煤自燃預(yù)測(cè)預(yù)報(bào)方法。侯媛彬[53]以最小浮煤厚度作為煤自燃預(yù)警閾值，提出一種基于粗糙集神經(jīng)網(wǎng)絡(luò)(Rough Set Neural Network，RSNN)的煤自燃預(yù)測(cè)方法。王亞軍[54]引入時(shí)間序列模式，建立了適合于采空區(qū)煤自燃早期和中長(zhǎng)期預(yù)測(cè)預(yù)報(bào)的BPNN模型和TD-BPNN模型。徐楊等[55]在采用自組織特征映射網(wǎng)(Self-Organizing Feature Map，SOFM)對(duì)采空區(qū)煤自然發(fā)火與否進(jìn)行識(shí)別的基礎(chǔ)上，建立了以抽放孔氣體和位置為指標(biāo)的煤自燃BPNN預(yù)測(cè)模型。周福寶等[56]提出了一種基于BPNN的煤礦火區(qū)啟封后復(fù)燃的多參數(shù)預(yù)測(cè)方法。為了克服BPNN易陷入局部最優(yōu)解、收斂慢等問題，靳玉萍[57]提出基于代數(shù)神經(jīng)網(wǎng)絡(luò)的煤自燃預(yù)測(cè)模型。隨著指標(biāo)氣體檢測(cè)精度和效率的提高，以氣體指標(biāo)作為輸入變量，學(xué)習(xí)向量量化(Learning Vector Quantization，LVQ)神經(jīng)網(wǎng)絡(luò)[58]、改進(jìn)粒子群小波神經(jīng)網(wǎng)絡(luò)[59]等逐漸得到應(yīng)用。

針對(duì)人工神經(jīng)網(wǎng)絡(luò)在樣本數(shù)據(jù)采集量少的情況下預(yù)測(cè)準(zhǔn)確性差且容易出現(xiàn)“過擬合”等問題，適合于小樣本學(xué)習(xí)的支持向量機(jī)〔Support Vector Machine, SVM，包括分類機(jī)(Support Vector Classification，SVC)[60]和回歸機(jī)(Support Vector Regression，SVR)[61]〕算法逐漸應(yīng)用于煤自燃預(yù)測(cè)預(yù)報(bào)。高原等[62]以氧濃度、推進(jìn)度、漏風(fēng)強(qiáng)度等參數(shù)為輸入指標(biāo)，將實(shí)際自燃情況劃分為極易自燃、易自燃和安全3個(gè)等級(jí)，采用SVC建立煤自燃預(yù)測(cè)模型對(duì)自然發(fā)火狀態(tài)進(jìn)行分類識(shí)別。為了提高SVM模型的預(yù)測(cè)準(zhǔn)確度，學(xué)者們采用優(yōu)化算法對(duì)SVM超參數(shù)進(jìn)行優(yōu)化。鄧軍等[63]以現(xiàn)場(chǎng)實(shí)測(cè)的氣體和溫度數(shù)據(jù)構(gòu)造樣本，采用粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法優(yōu)化SVR超參數(shù)，構(gòu)建煤自燃溫度的PSO-SVR預(yù)測(cè)模型，并對(duì)比分析了標(biāo)準(zhǔn)SVR模型、BPNN模型和多元線性回歸(Multiple Linear Regression，MLR)模型的性能，證明了優(yōu)化后SVR模型的有效性。此外，基于實(shí)驗(yàn)室測(cè)試樣本數(shù)據(jù)，超球體SVM[64]、相關(guān)向量機(jī)(Relevance Vector Machine,RVM)[65]及SVM相關(guān)改進(jìn)變體[66-67]等被用于煤自燃程度預(yù)測(cè)。針對(duì)煤自燃預(yù)測(cè)指標(biāo)維數(shù)大、樣本不平衡問題，主成分分析[68]、粗糙集[69-70]、過采樣算法[71]等被用于實(shí)現(xiàn)數(shù)據(jù)的維度約簡(jiǎn)及樣本平衡。此外，為了進(jìn)一步提升模型預(yù)測(cè)性能，AdaBoost[72]、隨機(jī)森林[73-74]等集成學(xué)習(xí)方法逐漸應(yīng)用于煤自燃程度預(yù)測(cè)，并與其他算法進(jìn)行對(duì)比[75]，從模型泛化性、魯棒性和準(zhǔn)確性等方面證明了該方法的優(yōu)越性。

3 煤自燃監(jiān)測(cè)預(yù)警技術(shù)存在的問題

目前，我國(guó)礦井煤自燃監(jiān)測(cè)預(yù)警技術(shù)已取得長(zhǎng)足發(fā)展，但仍存在諸多問題：

(1) 煤自燃前兆信息一體化監(jiān)測(cè)受井下環(huán)境干擾大。利用氣相色譜儀的傳統(tǒng)人工采樣檢測(cè)方法效率低且存在時(shí)間滯后性。井下束管采樣、地面色譜分析的束管監(jiān)測(cè)系統(tǒng)存在可靠性差、測(cè)試周期長(zhǎng)、管路破漏難以尋源等問題。基于吸收光譜的氣體檢測(cè)技術(shù)易受水蒸氣及煤塵顆粒的干擾，且受限于光源問題，目前基于該技術(shù)的檢測(cè)裝置代價(jià)高昂且大多集中在近紅外波段。此外，由于CH4濃度達(dá)到一定值時(shí)，其吸收譜帶會(huì)覆蓋其他煤自燃?xì)怏w的吸收譜帶，導(dǎo)致煤自燃多組分氣體檢測(cè)存在較大誤差。壁面紅外測(cè)溫法要求待測(cè)煤巖體無障礙物遮擋。熱電偶測(cè)溫法和半導(dǎo)體測(cè)溫法要求所使用的監(jiān)測(cè)傳感器須與被測(cè)煤巖體相點(diǎn)接觸，需設(shè)置的監(jiān)測(cè)點(diǎn)數(shù)量大，且由于煤的熱傳導(dǎo)能力差，致使該技術(shù)僅能探測(cè)設(shè)置點(diǎn)局部范圍的溫度情況，靈敏度較低，且傳感器經(jīng)常因放頂而遭到毀壞，維護(hù)困難。

(2) 預(yù)警指標(biāo)體系和模型構(gòu)建側(cè)重實(shí)驗(yàn)，難以與現(xiàn)場(chǎng)實(shí)際有效銜接。無論采用單一標(biāo)志性氣體還是復(fù)合指標(biāo)對(duì)煤自燃危險(xiǎn)程度進(jìn)行預(yù)測(cè)預(yù)報(bào)，相應(yīng)建立的煤自燃預(yù)測(cè)預(yù)報(bào)指標(biāo)體系皆是通過在實(shí)驗(yàn)室開展小型煤自燃模擬實(shí)驗(yàn)獲得的預(yù)測(cè)指標(biāo)范圍與危險(xiǎn)程度之間的對(duì)應(yīng)關(guān)系。然而，煤礦實(shí)際供風(fēng)條件、采空區(qū)漏風(fēng)狀況等具有復(fù)雜性，在實(shí)驗(yàn)室條件下難以對(duì)其進(jìn)行有效模擬，致使其衍生出來的煤自然發(fā)火特征難以與現(xiàn)場(chǎng)有效關(guān)聯(lián)。換言之，因現(xiàn)場(chǎng)預(yù)警閾值難以確定，在實(shí)際應(yīng)用時(shí)，即使指標(biāo)值滿足指標(biāo)體系所圈定的范圍，由于采空區(qū)內(nèi)部的不可接觸性，使得實(shí)際危險(xiǎn)狀態(tài)仍不能被切實(shí)準(zhǔn)確判定。此外，基于實(shí)驗(yàn)所得數(shù)據(jù)，采用統(tǒng)計(jì)分析和智能算法所建立的煤自燃程度預(yù)測(cè)模型同樣與現(xiàn)場(chǎng)實(shí)際有很大偏差。

(3) 煤自然發(fā)火有效樣本少，預(yù)測(cè)時(shí)效缺乏超前性。在信息方面：煤炭開采過程中多為不發(fā)火狀態(tài)，使得以現(xiàn)場(chǎng)監(jiān)測(cè)方式得到的預(yù)測(cè)模型訓(xùn)練樣本多為安全狀態(tài)樣本，發(fā)火和未發(fā)火樣本數(shù)據(jù)量極不平衡，導(dǎo)致所建立的預(yù)測(cè)模型無法有效學(xué)習(xí)煤自然發(fā)火規(guī)律。此外，采空區(qū)的隱蔽性特征致使無法準(zhǔn)確標(biāo)記采空區(qū)內(nèi)部煤自燃危險(xiǎn)程度。在狀態(tài)方面：目前多以靜態(tài)采空區(qū)作為研究對(duì)象，所使用的煤自燃預(yù)測(cè)模型訓(xùn)練樣本均屬靜態(tài)，所建立的預(yù)測(cè)模型難以適用于煤礦動(dòng)態(tài)開采所監(jiān)測(cè)的時(shí)序性數(shù)據(jù)。在時(shí)效方面：利用智能算法建立的基于靜態(tài)歷史樣本的預(yù)測(cè)模型僅能夠根據(jù)當(dāng)前的煤炭開采情況判定當(dāng)前的煤自燃危險(xiǎn)程度(即時(shí)預(yù)報(bào))，缺乏超前預(yù)警性能，且無法實(shí)現(xiàn)煤自燃風(fēng)險(xiǎn)態(tài)勢(shì)研判。

4 煤自燃監(jiān)測(cè)預(yù)警智能化發(fā)展趨勢(shì)及研究展望

隨著傳感、網(wǎng)絡(luò)通信、人工智能等計(jì)算機(jī)與信息科學(xué)技術(shù)水平的日益提升，科學(xué)研究正朝著高智能化方向快速發(fā)展，為煤自燃動(dòng)態(tài)感知與智能預(yù)警技術(shù)研發(fā)提供了良好的技術(shù)支撐。由于煤礦井下構(gòu)造環(huán)境復(fù)雜，致使現(xiàn)場(chǎng)煤自燃有效參數(shù)難于收集，多源信息變化規(guī)律尚不明確，實(shí)驗(yàn)所得指標(biāo)體系和預(yù)測(cè)模型難于現(xiàn)場(chǎng)實(shí)際應(yīng)用，煤自燃智能化監(jiān)測(cè)預(yù)警技術(shù)亟待提升。為此，提出以下研究展望：

(1) 建立煤自燃超前預(yù)警與即時(shí)預(yù)報(bào)聯(lián)合預(yù)測(cè)模式。建立工作面推進(jìn)下采空區(qū)及封閉區(qū)域煤自燃預(yù)測(cè)模型的訓(xùn)練樣本不斷變化、實(shí)時(shí)更新，利用智能算法學(xué)習(xí)基于時(shí)間序列的動(dòng)態(tài)樣本是實(shí)現(xiàn)超前預(yù)警的關(guān)鍵基礎(chǔ)；同時(shí)，以往采空區(qū)煤自燃靜態(tài)預(yù)測(cè)模型采用的指標(biāo)缺乏時(shí)序銜接性，不適用于動(dòng)態(tài)預(yù)警，確定含時(shí)序性的有效預(yù)警指標(biāo)是超前預(yù)警樣本數(shù)據(jù)采集的重要載體，同時(shí)也可作為及時(shí)調(diào)整開采參數(shù)的指導(dǎo)參考；在實(shí)驗(yàn)分析基礎(chǔ)上，構(gòu)建以工程應(yīng)用為導(dǎo)向的煤自燃危險(xiǎn)程度精細(xì)化判定準(zhǔn)則是樣本標(biāo)記的主要依據(jù)；基于含時(shí)序性指標(biāo)和樣本數(shù)據(jù)優(yōu)選最適合的機(jī)器學(xué)習(xí)算法是提升預(yù)測(cè)準(zhǔn)確性的重要依托。設(shè)計(jì)適用于煤自燃危險(xiǎn)程度超前預(yù)警的時(shí)序性新型深度神經(jīng)網(wǎng)絡(luò)架構(gòu)、學(xué)習(xí)方法與性能評(píng)估方法，有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)方法相結(jié)合，建立煤自燃危險(xiǎn)程度超前預(yù)警與態(tài)勢(shì)研判機(jī)制，形成煤自燃危險(xiǎn)態(tài)勢(shì)超前預(yù)警(動(dòng))與發(fā)火程度即時(shí)預(yù)報(bào)(靜)聯(lián)合預(yù)測(cè)模式。

(2) 發(fā)展機(jī)理建模與機(jī)器學(xué)習(xí)相結(jié)合的多源信息融合分析方法。針對(duì)礦井煤自燃預(yù)測(cè)中出現(xiàn)的小樣本、不平衡、多維數(shù)、異構(gòu)等數(shù)據(jù)特征，采用數(shù)值模擬技術(shù)確定監(jiān)測(cè)點(diǎn)最佳布設(shè)方案，構(gòu)造工作面動(dòng)態(tài)推進(jìn)全過程的全因素、多場(chǎng)景、高仿真煤自然發(fā)火案例庫(kù)，建立虛擬源域煤自燃預(yù)測(cè)模型，建立數(shù)值模擬與現(xiàn)場(chǎng)實(shí)景之間及不同開采工藝礦井之間的預(yù)測(cè)模型遷移適配機(jī)制；設(shè)計(jì)異常信息自反饋學(xué)習(xí)體系，實(shí)現(xiàn)煤礦井下復(fù)雜環(huán)境的預(yù)測(cè)模型動(dòng)態(tài)自適應(yīng)。此外，建立與現(xiàn)場(chǎng)實(shí)景相吻合的煤自燃氧化升溫時(shí)空演化數(shù)值模擬是獲取預(yù)測(cè)模型有效初始訓(xùn)練樣本的前提，因此亟需開展數(shù)值模擬動(dòng)態(tài)隨機(jī)優(yōu)化方法研究，為建立煤礦數(shù)字孿生體系提供技術(shù)支撐，實(shí)現(xiàn)煤礦開采過程中的煤自燃信息的實(shí)時(shí)虛實(shí)交互。

(3) 構(gòu)建礦井一站式、可視化、智能化煤自燃監(jiān)測(cè)預(yù)警平臺(tái)。開發(fā)與礦井煤自燃智能預(yù)警相適配的指標(biāo)參數(shù)智能監(jiān)測(cè)設(shè)備是保障預(yù)測(cè)結(jié)果準(zhǔn)確可靠的基礎(chǔ)性關(guān)鍵條件。針對(duì)井下煤塵多、濕度大對(duì)探測(cè)器信號(hào)干擾問題，研發(fā)透氣性好、機(jī)械強(qiáng)度大、材料利用率高的除塵降濕裝置；針對(duì)井下多氣體組分譜線混疊干擾問題，研究光譜信號(hào)處理與譜線解調(diào)分離方法；研發(fā)集指標(biāo)氣體、溫度、濕度、壓差、風(fēng)速等多參量的原位一體化長(zhǎng)期免校準(zhǔn)的實(shí)時(shí)監(jiān)測(cè)、動(dòng)態(tài)感知裝置；發(fā)展采空區(qū)分布式光纖測(cè)溫系統(tǒng)的網(wǎng)絡(luò)化、密集式布置，實(shí)現(xiàn)煤自燃征兆信息的動(dòng)態(tài)對(duì)應(yīng)、實(shí)時(shí)校對(duì)、樣本標(biāo)記及溫度場(chǎng)分布信息可視化呈現(xiàn)；聯(lián)合井下光纖環(huán)網(wǎng)、5G通信技術(shù)，實(shí)現(xiàn)礦井煤自然發(fā)火數(shù)據(jù)的實(shí)時(shí)監(jiān)測(cè)與上傳；發(fā)展煤層自然發(fā)火數(shù)據(jù)邊緣處理技術(shù),建立健全數(shù)據(jù)管理系統(tǒng)，實(shí)現(xiàn)監(jiān)測(cè)數(shù)據(jù)的轉(zhuǎn)換、緩存、抽取、清洗等，內(nèi)嵌煤自燃危險(xiǎn)程度智能化動(dòng)-靜預(yù)測(cè)模型，構(gòu)建礦井煤層自然發(fā)火智能化精準(zhǔn)監(jiān)測(cè)預(yù)警平臺(tái),如圖3所示。

圖3 煤層自然發(fā)火危險(xiǎn)程度智能化監(jiān)測(cè)預(yù)警平臺(tái)架構(gòu)Fig.3 Intelligent monitoring and early warning platform framework for danger degree of spontaneous combustion in coal seam

5 結(jié)語(yǔ)

現(xiàn)階段礦井煤自燃監(jiān)測(cè)預(yù)警技術(shù)已取得一定研究進(jìn)展，但尚處于智能化開發(fā)初級(jí)階段，發(fā)展?jié)摿εc挑戰(zhàn)并存。為了進(jìn)一步適應(yīng)煤礦智能化開采需求，今后可從煤自燃前兆信息多參量原位一體化感知裝置、傳感與網(wǎng)絡(luò)通信等技術(shù)的聯(lián)合應(yīng)用、煤層自然發(fā)火數(shù)據(jù)管理系統(tǒng)、煤自燃氧化升溫時(shí)空演化數(shù)值模擬動(dòng)態(tài)隨機(jī)優(yōu)化方法、煤自燃危險(xiǎn)程度智能化超前預(yù)警與態(tài)勢(shì)研判機(jī)制、煤自燃超前預(yù)警與即時(shí)預(yù)報(bào)聯(lián)合預(yù)測(cè)模式、數(shù)值模擬與現(xiàn)場(chǎng)實(shí)景之間及不同開采工藝礦井之間的預(yù)測(cè)模型遷移適配機(jī)制、機(jī)理建模與機(jī)器學(xué)習(xí)相結(jié)合的多源信息融合分析方法等方面做進(jìn)一步深入研究，實(shí)現(xiàn)礦井煤自然發(fā)火監(jiān)測(cè)設(shè)備協(xié)同化、數(shù)據(jù)采集實(shí)時(shí)化、信息分析動(dòng)態(tài)化、預(yù)測(cè)預(yù)報(bào)精準(zhǔn)化、危險(xiǎn)預(yù)警超前化、風(fēng)險(xiǎn)態(tài)勢(shì)可視化，有效促進(jìn)煤自燃監(jiān)測(cè)預(yù)警技術(shù)智能化發(fā)展，著力提高煤自燃監(jiān)測(cè)預(yù)警能力，全面提升煤礦智能化和信息化水平，深度助力礦井煤炭防患于未“燃”，以保障我國(guó)煤礦安全高效生產(chǎn)，減少人員傷亡和財(cái)產(chǎn)損失，降低防滅火處理成本，提高煤礦企業(yè)經(jīng)濟(jì)效益。