点数据通过一种关联模型和其他测点或工艺环境联系起来。这种关联模型是基于正常情况建立的，所以正常情况下,传感器数据满足关联关系,系统不会报警。当传感器工作不正常时，关联关系一般也不再符合，系统就进行报警。这种方法不仅能发现传感器工作不正常的情况，还能发现生产系统不正常的情况。比如在两个瓦斯传感器之间出现异常的瓦斯涌出点时，关联关系一般不再符合，系统就会发出报警。 从理论上来分析，最直观地存在就是对于矿井的工作面沿着风流方向下风侧的瓦斯含量理应是大于上风侧的。在没有新鲜风流涌入的情况下，下风侧瓦斯的量或者说瓦斯平均浓度应该是大于上风侧的，但在传感器的表现上是不是也是这样的？从我矿的现场数据来看，并不可以这样简单的来处理。 以我矿11060工作面为例，选取了工作面、中部回风以及回风三个点进行了数据采集，在2010年9月16日16:00至22:00之间的平均瓦斯浓度进行了分析，如下图2-1所示： 图2-1 11060工作面典型数据展示 如上图所示，各传感器数据显示了一定的规律性，比如随着瓦斯流的移动各传感器先后呈现一定规律的波动性，但是同时又没有完全符合理论上所说的沿着风流方向瓦斯平均浓度大于上风侧这一原理。 分析数据的过程中引出了两个问题，第一瓦斯浓度是否真的沿着回风方向在规律性的增的？如果是，该如何表现出来，如果不是，又是什么原因？第二，瓦斯流
- 21 -
移动速度是否和风流完全一致，如果是，在传感器数据上该如何表现？如果不是，真实情况是什么样？带着问题，进行了第二次现场的测量，以我矿12020风巷掘进巷道和11060工作面为例，分别选取八小时内瓦斯传感器平均浓度进行分析。为了明了期间，我们都选取工作面和回风处两个探头进行分析，12020风巷掘进巷道数据如下图2-2，11060工作面工作面数据如下图2-3所示： 图 2-2 12020风巷掘进巷道典型数据展示 图2-3 11060工作面典型数据展示 如上面展示的一些数据，我们可以清楚地看到，沿着风流方向有些矿井严格的符合下风侧瓦斯的量或者说瓦斯平均浓度应该是大于上风侧的，比如12020风巷掘
- 22 -
进巷道。有些矿井就没有完全的符合这一原理，比如11060工作面。为什么会产生这种情况呢，虽然理论上下风侧瓦斯的量或者说瓦斯平均浓度应该是大于上风侧的，但在传感器的表现上并不一定就是这样的。为什么呢，结合矿井的实际情况会发现很多情况下巷道本身不可能一直是水平的或者不发生拐弯等等，也就是说人为挂定的传感器有可能是在风流的主风流当中，也有可能是在偏风流中，这种情况就会造成一些上下游风流瓦斯浓度传感器表现的一些问题。但是原则上来讲，有一个关系是一定成立的，在没有新鲜风流加入的情况下，瓦斯浓度的最小值是不会降低的。在风流方向上，即便是传感器位置有一定差异，但由于不均衡系数的存在，沿着风流方向瓦斯浓度的最小值是不会再降低的。 在对现场数据分析的过程当中，同时发现了“扰动”现象的存在。这里的“扰动”是指在现有的监控系统中，给客户提供的数据端包括了各测量地点5分钟里面的最大、最小和平均值，而在每一个测量点上，最大值和最小值的差值在这里被定义为“扰动”现象。对象场数据的分析过程当中发现，各瓦斯测量点的“扰动”是不相同的，而且满足了一定的规律性。 另外，仔细的观察图2-图3就会发现，工作面传感器和回风巷传感器瓦斯浓度随时间的变化曲线直观上来说比较相似，似乎存在着一定得关联关系，结合数理统计的知识，提出了用相关系数来描述这一相似性的方法。 3．监测点数据异常识别模型的建立 对监控系统不同测点的监测数据进行关联性分析，并在此基础上建立测点监测数据的关联模型，是一种提高监控系统监测数据可信性的有效方法。其基本思路是，把过去彼此独立判别的测点数据通过一种关联模型和其他测点或工艺环境联系起来。这种关联模型是基于正常情况建立的，所以正常情况下,传感器数据满足关联关系,系统不会报警。当传感器工作不正常时，关联关系一般也不再符合，系统就进行报警。这种方法不仅能发现传感器工作不正常的情况，还能发现生产系统不正常的情况。比如在两个瓦斯传感器之间出现异常的瓦斯涌出点时，关联关系一般不
- 23 -
再符合，系统就会发出报警。 这种报警方法本质上也是一种利用冗余技术提高系统可靠性的方法。建立监测点数据关联的过程，本质上是给监测点数据增加了信息冗余度。冗余的信息（关联模型）起着校验传感器数据的作用，一旦发生故障时，利用冗余的信息就能从另外的途径（不符合关联模型）发现异常。 我们进行的关联性分析是直接为煤矿监控系统服务的，所以在监测点和监测数据的选取上应该尽量和现行煤矿监控系统执行的规范一致。以矿井工作面各瓦斯传感器测点数据为例，《煤矿安全规程》和安全生产行业标准《煤矿安全监控系统及检测仪器使用管理规范》详细规定了煤矿井下各瓦斯传感器布置的具体位置。无论是我矿还是其他矿井，回风巷道里至少要设置工作面瓦斯传感器和回风巷瓦斯传感器。我们所进行的矿井工作面各瓦斯传感器数据的关联性分析主要针对以上位置的传感器进行。目前所有煤矿监控系统的数据库根据AQ6201-2006的要求都能提供各瓦斯传感器每五分钟之内的最大、最小和平均值，课题的研究将以这些数据组为基础数据。 （1）基于最小值的关联性模型 如上面所讲，沿着巷道的风流方向虽然巷道本身不可能一直是水平的或者不发生拐弯等等，也就是说人为吊挂的传感器有可能是在风流的主风流当中，也有可能是在偏风流中，这种情况就会造成一些上下游风流瓦斯浓度传感器平均值表现的一些问题。但是原则上来讲，有一个关系是一定成立的，在没有新鲜风流加入的情况下，瓦斯浓度的最小值是不会降低的。在风流方向上，即便是传感器位置有一定差异，但由于不均衡系数的存在，最小值也是不会再降低的。工作面瓦斯涌出后瓦斯气团随风流从不均匀向均匀变化的过程，再加上随风流还会有沿巷道煤壁瓦斯的涌出，同一团风流中瓦斯浓度的最小值是不会降低的。 根据这一原理，我们可以建立如下的一种关联模型： - 24 -
我们定义C等于传感器5分钟内的最小值，同一巷道在没有新鲜风流混入的条件下两个瓦斯传感器应该存在“靠近瓦斯主要涌出点处的传感器的C值小于风流下游的传感器的C值”的关联关系。考虑到瓦斯传感器允许有±0.01的误差,所以实用中应使用“靠近瓦斯主要涌出点处的传感器的C值和风流下游的传感器的C值之差小于0.02”的关联模型。 （2）基于极差值的关联性模型 瓦斯传感器监测到的都是风流中的瓦斯浓度，监测值也能反映瓦斯在空气中的混合均匀度。由于工作面瓦斯的涌出从时间到空间都不是均匀的，瓦斯随风流的扩散混合也需要一段时间，所以靠近工作面处的瓦斯形态会以类似一片片瓦斯气团的状态存在。瓦斯气团然后在巷道中沿着风流方向逐渐扩散，瓦斯和空气混合逐步均匀。这也就是上面所提到的“扰动”现象，如何正确的表达瓦斯传感器数据中的这一扰动现象？经过大量的数据分析和现场验证可表现为如下方式：定义极差值D等于传感器5分钟内的最大值减去最小值。两个瓦斯传感器应该存在“靠近瓦斯主要涌出点处的传感器D值大于等于远离瓦斯主要涌出点处的传感器的D值”的关联关系。考虑到瓦斯传感器会有0.01的误差（漂移）,所以实用中应使用“靠近瓦斯主要涌出点处的传感器的D值和风流下游的传感器的D值之差大于-0.02”的关联模型。 这一模型的建立是基于大量现场数据的观察和分析中得到的，这一设想和假设也是第一次被提出和应用。这一模型可以非常直观和准确的反应出距离瓦斯主要涌出点位置的不同各相关传感器的各自表现形式，在对监测点数据异常的识别过程当中发挥重要的作用。 （3）基于相关性的关联性模型 瓦斯传感器测出的浓度值和区域瓦斯涌出量及风流风量存在着直接的关系，一般情况下工作面下游区域对应的区域瓦斯涌出量主要都是工作面的瓦斯涌出量，回 - 25 -