掘进工作面瓦斯异常涌出特征图像识别技术研究

发布时间：2020-05-20 05:58

【摘要】：从国际和国内能源生产和消费上来看,煤炭的位置至关重要。我国煤矿生产条件复杂,各类灾害事故时有发生,其中以瓦斯事故最易造成人员伤亡,因此,对瓦斯灾害的预测预警至关重要。前人对井下动力灾害预警的研究集中在瓦斯、应力、电磁和微震等方向。瓦斯是判识灾害非常重要的依据,对基于瓦斯异常涌出的灾害预警方法的研究十分必要。目前矿井主要通过监控系统以瓦斯浓度是否超限为依据进行灾害预测预警,但仅通过浓度是否超限不能准确判断工作面危险程度,且有些瓦斯超限是由断线、磕碰等外界干扰引起的,因此,研究一定时间段内瓦斯浓度曲线变化更符合灾害预警的实际需求。传统描述瓦斯浓度曲线的方法分为两种。一种是对瓦斯浓度进行拟合,用数学方程描述一段时间内瓦斯浓度变化曲线,进而预测下一时间的瓦斯浓度,达到灾害预测的目的。然而,此种方法需要运用不同的公式、参数和系数建立大量的方程以描述井下不同类型和程度的瓦斯变化曲线。即使能找到描述井下各种瓦斯变化曲线的高精度方程,也只能对非常相似的瓦斯变化曲线就进行预测,而随着工作面的推进,当出现相似程度较低的瓦斯变化曲线时,建立的高精度方程库容易失效。且井下条件复杂、干扰因素很多,会对数学方程的应用带来很多不利因素。另一种是提取瓦斯浓度时间序列的特征,以统计学指标描述瓦斯时间序列,如均值、方差、均方根、峰值、最值、峭度、偏度等时域频域指标以及非平稳性、非线性、非高斯性等统计量指标。运用特征指标融合而成的不同模式区分不同危险程度的瓦斯曲线,从而达到识别危险程度的目的。然而,统计学指标有限,不易描述瓦斯浓度的微弱差异。且专家判断井下监控的瓦斯异常涌出危险程度时,并不是通过计算统计学指标,而是通过观察到的瓦斯曲线的整体趋势、变化、演化等视觉特征判别瓦斯异常涌出的危险程度。本文采用了目前较成熟的图像识别技术,以识别掘进工作面瓦斯异常涌出危险程度。图像识别技术在指纹识别、人脸识别、遥感图像识别、历史文物修复等领域应用效果显著,能提取和识别各种宏观特征和微弱特征。由于一维时间序列特征均可以映射成为二维图像特征,但很多二维图像特征不能用于描述一维时间序列,将一维瓦斯浓度时间序列转化为二维瓦斯浓度图像后,可以提取到更多的瓦斯浓度变化曲线的特征,以全面精确地识别瓦斯异常涌出危险程度。本文首先理论分析了掘进工作面瓦斯异常涌出后浓度变化图像的特征,建立了基于ReliefF-维度区间-支持向量机的图像识别模型,该模型用于识别瓦斯图像所反映的瓦斯异常涌出危险程度。然后,使用自制的掘进工作面瓦斯异常涌出试验系统研究了不同瓦斯涌出量与不同巷道风速对瓦斯异常涌出后浓度变化的影响,运用图像分割方法对试验瓦斯图像进行分割、重新取样,利用图像识别综合模型对分割后的试验瓦斯图像的异常涌出危险程度进行了动态识别,实现了对该综合模型的优化。此外,为了验证模型效果,建立了掘进面瓦斯涌出及运移扩散几何模型,使用ANSYS_FLUENT软件数值模拟研究了不同瓦斯涌出量与不同巷道风速对瓦斯涌出后浓度的影响,并使用优化后的模型动态识别了数值模拟瓦斯图像的异常涌出危险程度,验证了模型的效果。最后,现场应用优化后的掘进工作面瓦斯异常涌出图像识别模型,对卧龙湖矿1011机巷中获得的瓦斯浓度图像中的瓦斯异常涌出危险程度进行了动态识别,验证了该模型现场应用的效果。本文的主要成果如下:(1)提出了基于ReliefF-维度区间-支持向量机的掘进工作面瓦斯异常涌出图像识别综合模型该模型初始设置了4种标准化选项、4种核函数算法和2种支持向量分类器算法,共计32种子模型配置,在模型优化后仅保留对掘进面瓦斯异常涌出危险程度识别准确率最高且鲁棒性最强的1种,其他予以剔除;该模型通过内置的ReliefF算法,评价了各个特征指标对识别瓦斯异常涌出危险程度的权重,剔除了低权重特征,实现了特征降维;该模型通过内置特征维度区间,避免了单一维度下子模型可能出现的灵敏度较低或失效等风险;该模型内置的ReliefF算法和维度区间使得更新训练样本时无需人为调整模型的参数配置。(2)提出了掘进面瓦斯异常涌出图像识别模型的优化及评价方法考虑到煤矿灾害预警的实际需求,确定了评价掘进面瓦斯异常涌出图像识别模型性能的评价指标及评价准则。评价指标为查全率(Recall)、准确率(Accuracy)、交叉验证精度(CV)、精确率(Precision)、特异性(Specificity)、F1-Measure和Gmean。准则要求:所有指标尽可能高;当各评价指标性能不能兼顾时,保证各指标均较高的前提下,以查全率为主,尤其是高危险图像查全率,其次是模型识别的准确率,再者是模型训练的交叉验证精度,其他指标综合考虑。基于此,评价32种配置的子模型的识别性能,用于确定模型的最优配置。(3)建立了掘进工作面瓦斯异常涌出图像识别特征指标库挖掘了70个基于图像的特征指标,该特征指标库适用于描述掘进面瓦斯异常涌出后瓦斯浓度变化曲线图像,能够反映瓦斯图像之间微弱的相关和差异。该特征指标库包括3大类特征指标:(1)区域特征:面积、最小外接矩主轴方向、最小凸多边形实心度、矩形度、质心坐标、最大内切圆坐标等;(2)边界特征:周长、边界直径、球形度、变异系数、边界与中心距离的标准偏差、傅里叶边界描述子等;(3)矩特征:中心矩、Hu不变矩、Zernike矩等。(4)基于试验研究建立了试验瓦斯异常涌出典型信号库设计并搭建了掘进工作面瓦斯异常涌出试验系统,试验研究了掘进工作面瓦斯异常涌出后浓度变化特征,以及不同瓦斯涌出量和不同巷道风速对掘进面瓦斯异常涌出后浓度变化曲线的影响。试验结果显示:(1)瓦斯异常涌出后浓度曲线变化趋势一致,先快速上升,后缓慢下降至初始水平;(2)当初始涌出压力一定时,涌出量一定,瓦斯浓度上升速度与风速无关;巷道风速越大,峰值浓度、达峰时间和浓度降至初始水平耗时均越小;(3)当巷道风速一定时,初始压力越大,瓦斯涌出量越大,浓度上升速度、峰值浓度和浓度降至初始水平耗时均越大。瓦斯涌出量表征瓦斯浓度上升快速程度,进而表征瓦斯图像危险程度,建立了不同危险水平的试验瓦斯异常涌出典型信号库。(5)基于试验瓦斯图像优化了图像识别综合模型的准确性和可靠性使用试验瓦斯图像优化了基于ReliefF-维度区间-支持向量机的掘进工作面瓦斯异常涌出图像识别综合模型的识别准确性和可靠性,确定了综合模型最终设置为Min-Max标准化方法、线性核函数、标准C-SVC分类器和N=11,22,,30的维度区间。应用该模型对是否易发生瓦斯突出型异常涌出的试验瓦斯全局图像进行了定性识别,准确率为100%;对瓦斯异常涌出高、中、低和无危险4种类型的试验瓦斯全局图像进行了定量识别,准确率为100%;对试验瓦斯全局图像进行了分割,重新取样形成大量局部图像,应用该模型对试验瓦斯局部图像的瓦斯异常涌出危险程度进行了动态识别,整体准确率为91.60%,对高、中、低和无危险的4类局部图像的查全率分别为95.00%、59.09%、98.67%和88.13%,模型能快速识别试验瓦斯异常涌出局部图像危险程度。(6)基于数值模拟研究建立了瓦斯涌出及运移扩散几何模型和数值模拟瓦斯异常涌出典型信号库建立了掘进工作面瓦斯异常涌出及运移扩散几何模型,结合ANSYS_FLUENT流体数值模拟软件模拟研究了不同瓦斯涌出量与不同风速条件下巷道内瓦斯浓度变化特征。数值模拟结果显示:(1)一定压力的瓦斯涌出后,曲线迅速上升,后随新鲜风流持续流入浓度缓慢下降至初始水平;(2)风速一定时,瓦斯涌出压力越高,涌出量越大,瓦斯上升速度越大,峰值越大,降至初始水平耗时越长;(3)涌出量一定时,风速越大,瓦斯浓度开始上升的时间越早,上升速度差别微小,浓度峰值越小,达峰耗时越短,降至初始水平耗时也越短。瓦斯涌出量大小决定瓦斯图像危险程度的高低,不受巷道风速大小影响,这与试验瓦斯曲线图像表征的含义一致。使用瓦斯涌出量表征瓦斯图像危险程度,建立了不同危险程度的数值模拟瓦斯异常涌出典型信号库。(7)基于数值模拟瓦斯图像验证了图像识别综合模型的准确性和可靠性使用数值模拟瓦斯图像验证了优化后的基于ReliefF-维度区间-支持向量机的掘进工作面瓦斯异常涌出图像识别综合模型的准确性和可靠性。应用该模型对瓦斯异常涌出高、中、低和无危险程度的数值模拟全局图像进行了定量识别,准确率为100%;对分割后的数值模拟局部图像的瓦斯异常涌出危险程度进行动态识别,整体准确率为88.57%,对高、中、低和无危险的瓦斯异常涌出局部图像的查全率分别为91.01%、84.00%、98.70%和80.50%,模型能快速识别数值模拟瓦斯异常涌出局部图像危险程度。(8)基于现场瓦斯图像进一步验证了图像识别综合模型的准确性和可靠性使用卧龙湖矿1011掘井工作面瓦斯图像再次验证了优化后的基于ReliefF-维度区间-支持向量机的掘进工作面瓦斯异常涌出图像识别综合模型的准确性和可靠性。应用该模型对分割后的现场瓦斯局部图像的瓦斯异常涌出危险程度进行动态识别,整体准确率为98.39%,对高、中、低和无危险瓦斯异常涌出局部图像的查全率分别为90.24%、91.57%、63.16%和98.60%,模型能快速识别现场瓦斯异常涌出局部图像的危险程度,结合瓦斯实时监控系统,动态生成新的瓦斯图像、并快速识别其危险程度,以实现工作面危险程度早期预警。本文采用理论研究、试验研究、数值模拟和现场应用相结合的方法展开了具体的研究,研究了瓦斯异常涌出后瓦斯浓度变化曲线反映的瓦斯异常涌出危险程度,通过实时监控的瓦斯数据,及时向图像中添加新的浓度数据,剔除旧的浓度数据,实时更新图像,动态监控并识别其危险程度,实现在异常涌出刚开始后不久,即可通过瓦斯曲线图像特征快速识别异常涌出的危险程度,而无需等浓度上升到相当大的程度。研究成果有助于提高掘进工作面瓦斯异常涌出危险程度的识别准确率,有助于时间上较早地识别掘进工作面瓦斯异常涌出危险程度,有助于丰富瓦斯异常涌出特征及其识别预警理论,有助于完善井下动力灾害监测预警技术。
【图文】：

图 2.1 处接最小矩形实例Fig.2.1 Examples of the smallest rectangle under any axis外接矩形的特征参数均包括矩形度、面积、长轴长度、短轴长度、长短轴之比、长轴方向（即与 轴的夹角）。矩形度（Rectangularity），即在瓦斯浓度图像目标区域内的像素数与其最小外接矩形内的像素数之比，，反映图像目标相对于其最小外接矩形的填充程度。最小凸多边形的形状特征有面积、顶点数和实心度。凸多边形的顶点数与边数相等，每个内角均小于 180°。实心度，即在瓦斯浓度图像目标区域内的像素数与其最小外接凸多边形内的像素数之比，反映图像目标相对于其最小凸多边形的填充程度。最大内切圆如图 2.2 所示，其形状特征有：半径、面积、 坐标、 坐标。

图 2.1 处接最小矩形实例Fig.2.1 Examples of the smallest rectangle under any axis外接矩形的特征参数均包括矩形度、面积、长轴长度、短轴长度、长短轴之比、长轴方向（即与 轴的夹角）。矩形度（Rectangularity），即在瓦斯浓度图像目标区域内的像素数与其最小外接矩形内的像素数之比，反映图像目标相对于其最小外接矩形的填充程度。最小凸多边形的形状特征有面积、顶点数和实心度。凸多边形的顶点数与边数相等，每个内角均小于 180°。实心度，即在瓦斯浓度图像目标区域内的像素数与其最小外接凸多边形内的像素数之比，反映图像目标相对于其最小凸多边形的填充程度。最大内切圆如图 2.2 所示，其形状特征有：半径、面积、 坐标、 坐标。
【学位授予单位】：中国矿业大学(北京)
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TD712.5


本文编号：2672174