1.本发明属于数据预警
技术领域：
：，尤其涉及一种基于三联两并架构的矿井瓦斯防治预警系统、方法、终端。
背景技术：
：：2.作为世界上最大的煤炭生产国和第四大煤炭储量国，中国的煤炭产量在2020年保持在与2019年相似的水平，达到3690公吨，并占全球煤炭产量的46％左右。这也突显出采煤业对中国经济发展的重要。然而目前大部分煤炭储的煤层都比较深，需要地下开采的煤炭约占世界煤炭产量的60％。而煤矿生产中瓦斯事故在煤矿重特大事故中约占60％，矿井瓦斯是指与煤矿开采活动有关的甲烷气体的产生或排放，可以是来自煤层本身，也可以是来自地下其他气态构造。矿井瓦斯一直被认为是煤矿地下开采的最危险因素之一，它的爆炸风险会对开采安全和生产效率造成严重威胁。在所有的瓦斯灾害中，瓦斯浓度超限是最主要的原因。在中国26个主要采煤省份中，几乎都发现有相当数量的煤井(3284个)是属于高瓦斯含量和易发生爆燃的高风险等级的。瓦斯爆炸和突发事故也是我国煤矿事故的最主要类型之一。而与其他类型的煤矿事故相比，瓦斯事故造成的后果更为严重。因此瓦斯防治是我国矿井安全生产所面临的重要工作之一。井下矿井中的瓦斯爆炸或突发将会是我国煤炭安全生产中长期存在、也是必需要长期面对的风险。3.中国国家安全生产监督管理总局规定，所有矿井必须安装瓦斯监控系统。中国国家煤炭局于2019年10月1日也更新了《煤与瓦斯突出事故安全防范规定》。该规定涉及的措施范围有限，包括初始煤层瓦斯压力(p/mpa≥0.74)、一致系数(f≤0.5)和初始甲烷扩散率(△p≥10)等指标。但是在目前的煤矿生产中，主要还是通过对声、电、磁、热、气等物理性质的监测和监控等技术手段和方法来监控瓦斯排放和瓦斯浓度异常。现有的瓦斯监测系统解决的是检测甲烷气体传感器获得的实时数据，如果监测值接近或达到预设值后报警。对瓦斯浓度变化趋势的分析主要还是依赖人工方式。在瓦斯浓度未达到设定值时不能预测瓦斯浓度变化情况，不能实现危险趋势预警。因此需要更有效的监测和预警系统，以提高煤矿的矿井生产开采安全。4.截止到2020年底。我国学者最新得到国际认可的研究方向如下：技术1-fan,luo，du和yang等(2017)重点研究了由煤-气介质(物质基础)、动态地质环境(内部动因)、开采扰动(外部动因)三个基本要素构成的攀邑煤矿煤与瓦斯突发动态系统；技术2-ma与dai(2017)开发了基于行为监测器、环境灾害、应急救援和设施性能组成的协同管理的煤矿安全预警指标体系构建方法；技术3-gu,zhang,jiang&hu等(2019)对阳城煤矿不规则煤层掘进开采期岩爆危险性的分析、预测和预防进行了案例研究；技术4-wang,li&li(2019)采用遗传算法优化埃尔曼神经网络方法建立了唐山瓦斯预测模型，包括煤层深度、煤层、厚度、温度、瓦斯浓度等指标；技术5-xie,fu,xue,zhao,chen,lu&jiang等(2019)提出了一种基于ifoa-grnn和apriori算法的平顶山煤矿风险预测和风险分析新方法，该方法主要包括四大类：地质因素、目标结构因素、瓦斯因素和作业因素。其中涉及到的瓦斯因素有三个，分别是瓦斯绝对排放量、瓦斯浓度和瓦斯释放初速度；技术6-wang,li&li(2019)指出，煤层深度、煤层、厚度、温度、瓦斯浓度对瓦斯预测有正向影响；技术7-liu,dong&wang(2020)利用改进的熵重灰色关联分析法建立了瓦斯爆发预测模型。他们在九里山矿利用增强型粒子群优化(ipso)和最小平方支持向量机(lssvm)。他们选取了煤的失效类型、瓦斯排放初速度、煤的固结系数、瓦斯含量、钻头掘进量、瓦斯压力、采煤深度、煤层厚度等8个因素作为发生突发事件的影响因素；技术8-zhang,wang,xu&peng等(2020)在朱家洞煤矿利用智能边缘装置进行了两分钟前的分布式瓦斯浓度预测。他们考虑了多维度煤矿数据对瓦斯浓度的影响，使得预测结果比传统的基于时间序列分析的瓦斯浓度预测方法更加可靠；技术9–ꢀzhao，sun,cao,ning&liu(2020)探讨了新井煤矿煤与瓦斯突发预测的预警系统指标体系，该指标体系由瓦斯地质、开采效果和日常预测、瓦斯排放、开采压力和预防措施六个信息化方面组成。另外还有大量的在国内分开报道的相似技术和方法。5.目前对矿井瓦斯防治大数据融合离群数据内隐关联预警模型及预警系统的方法和框架是一个空白。6.1)基于采煤工作面的生产影响要素的角度7.主要是通过对生产工作面的地质因素、煤层因素、作业因素、环境因素和瓦斯因素等的综合考虑来达到对瓦斯浓度异常提前感知；这部分研究是最多的。8.2)针对单一甲烷传感器的瓦斯排放和瓦斯浓度异常的大数据机器学习的预测算法；9.利用机器学习(包括深度学习)的算法和方法开展的预测研究是目前最热门的方向。主是要基于单一瓦斯甲烷传感器数据利用机器学习的基本算法和扩展的算法开展预测研究。10.3)基于多要素的机器学习对瓦斯浓度异常预警的研究11.少数研究开展对现有瓦斯监测系统的传感器数据的挖掘研究。这部分是相对比较前沿的工作，其研究方法是使用机器学习算法和数据挖掘技术，得到的是一种并联的结论，不能反应不同传感器之间的关联关系。例如，通过算法预测当瓦斯处于某一特定区间，同时其它安全要素也处于某一特定区间时–即这两个条件同时存在时，认为此时井下作业存在极高的风险，需要提出危险警示；但是这个例子表明的是这两个条件或要素要同时存在，是平行的关系-即并联关系；没有讨论其中任意一个关系或要素的异动是否会影响另一个条件或要素-是否有交叉影响关系-即关联关系。12.通过上述分析，目前的系统在研究方法、运用的技术手段以及系统本身，都存在一定的问题和缺陷，各有如下几点：13.现有系统缺陷则有以下三点：14.1)现有系统仅能监测单个瓦斯传感器实时数据是否超过预定门限，不能通过其它类型传感器的异动数据来为安全生产提供研断依据。15.2)现有系统仅能确定某个具体时间点位的甲烷传感器数据异动，不提供数据异动原因分析，需要系统值守人员根据个人经验确认是数据异常还是误报。16.3)现有系统不能反应多传感器之间的内隐关联关系，需要使用非数据分析方法的配合来帮助安全生产管理人员判断异动原因，对异动数据进行分析和定位。17.现有研究方法存在以下三个问题：18.1)目前的研究大多是基于定性分析，难以将研究结果进行定量的表达，并指导生产实践活动。19.2)没有发掘矿井瓦斯防治的多数据源数据之间的内隐关联关系。20.3)不能系统地解释矿井瓦斯防治的多数据源数据出现的异动现象。需要安全生产管理人员的人工介入，凭借个人经验判断处理。21.现有基于机器学习的预警技术存在着如下四方面的主要问题：22.1)学习算法的构建。机器学习本身是基于复杂的数学运算和特定的统计学规则来完成的，在面对煤矿井下安全生产所面临的复杂的、随时变化的且尚无明显规律的数据时，如何进行算法的构建并证明算法的合理性和正确性是很大的挑战。23.2)训练数据的依赖。机器学习过程涉及到需要大量数据作为训练的支撑，才能达到满意的结果。同时机器学习需要高质量的训练数据，预测模型受训练数据集的影响很大，输入的训练数据集质量决定了输出的预测模型的质量。在低质量的数据源或不充分的训练样本上构建出的机器学习模型将导致得出低质量的输出结果，甚至误导性的或错误的推论。24.3)训练结果的解释。难以对机器学习得出的结论进行直接解释。ml模型可以被比作一个黑匣子，它接受输入产生输出，却不一定能解释它是如何产生输出的，也无法提供更好的问题定义，这样就限制了其使用场境，例如：只要有传感器数量的增减或位置的变动，就要重新进行训练。但在矿山实际生产活动中，传感器数量的增减或位置的变动是常态的。同时基于无法解释的机器学习进行的建模也会导致不准确的输出。25.4)计算硬件的成本。提高机器学习模型的效率和效果的硬件成本很高。瓦斯监测系统至少每15秒或甚至更短的时间就会采集一次数据集。随着更复杂的计算方法的采用，计算要求会成指数级增加，自然会给计算系统带来更重的处理负荷。为了保证模型能够以相对较高的速度进行训练和运行，必然要增加系统的硬件成本。26.到目前为止的文献没有发现有挖掘甲烷浓度与其他监测传感器数据之间的相关性，并将其应用于预测甲烷浓度的技术和方法。27.解决以上问题及缺陷的意义为：28.1)补充现有安全监控系统对风险预测和关联性分析能力的缺失，为矿井瓦斯防治工作提供一种新的对瓦斯防治离群数据定量分析方法，从而为安全生产管理人员提供对离群数据异动进行定性分析的依据，同时提供了一种对数据异动进行问题预判的辅助分析手段。29.2)本发明在瓦斯防治工作中的应用将提升煤矿安全生产瓦斯防治监测、分析和管理的信息化、自动化和智能化的水平。30.3)本发明严格遵循了科学实验分析的国际标准，产生的分析数据可以作为依据来帮助瓦斯防治专业研究领域的研究人员进行基于因果推理的深入研究，探究关联数据间的因果联系，从而挖掘瓦斯防治领域现阶段尚未明确的更深层次的潜在的科学规律。31.解决以上问题及缺陷的难度为：32.1)探索对矿井瓦斯防治的多源数据内隐关联关系，目前没有可依托的经验，因此研究方法的选择存在难度。33.2)离群内隐关联关系构建方法的研究，没有现成的文献和经验可做参考。34.3)基于定量分析的离群数据内隐关联关系预警模型的构建没有可供参考的研究经验。技术实现要素：35.针对现有技术存在的问题，本发明提供了一种基于三联两并架构的矿井瓦斯防治预警系统、方法、终端。36.本发明是这样实现的，一种基于三联两并架构的矿井瓦斯防治预警系统，所述基于三联两并架构的矿井瓦斯防治预警系统包括：37.数据采集模块，用于进行实时监测数据的收集上传；38.异常数据剔除模块，用于去除采集到的数据中的异常数据；39.离群数据剔除模块，用于去除采集到的数据中的离群数据；40.信度检验模块，用于对去除离群数据后的数据集进行可靠性检验；41.效度检验模块，用于对通过可靠性检验的数据集进行有效性检验；42.相关性分析模块，用于对通过信效度检验的数据集进行内隐关联关系的相关性分析；43.内隐关联分析模块，用于对通过相关性分析的数据集进行决策判断；44.决策响应模块，用于根据上述决策结果，相应激活报警、预警或监控子系统。45.本发明实施例提供的基于三联两并架构的矿井瓦斯防治预警方法包括以下步骤：46.步骤一(s101)，进行实时监测数据的收集上传；去除采集到的数据中的异常数据和离群数据；47.步骤二(s102)，对去除离群数据后的数据集进行可靠性检验和有效性检验；对通过信效度检验的数据集进行相关性分析；48.步骤三(s103)，对通过相关性分析的数据集进行决策分析；根据上述决策结果进行报警、预警或监控。49.本发明实施例提供的基于三联两并架构的矿井瓦斯防治预警方法还包括：50.(1)从数据获取层获取数据到领域层；于业务领域层内进行数据相关性分析，并基于决策规则对数据进行系统决策；51.(2)对业务领域层的决策规则的决策结果做出响应并激活视图层的相应报警子系统、预警子系统、监控子系统。52.本发明实施例提供的数据来源于甲烷、温度、风速及其传感器数据库。53.本发明实施例提供的于业务领域层内进行数据相关性分析包括：对在甲烷与甲烷、甲烷与温度、甲烷与风速的数据分别进行相关性分析。54.本发明实施例提供的决策规则包括：55.如果任意甲烷传感器的输出数值达到监控系统预警门限阀值tlv，报警子系统将被激活并立即报警；56.如果甲烷与甲烷、甲烷与温度、或甲烷与风速的实时关联分析值cav超过设定的标准cav值，但没有达到tlv值，则预警子系统被激活并发出预警提示；57.如果甲烷与甲烷的实时cav值没有超过设定的标准cav值，则相应的甲烷传感器的原始数据将被直接转发给监控子系统。58.如果甲烷与温度的实时cav值没有超过设定的标准cav值，则相应的甲烷、温度传感器的原始数据将被直接转发给监控子系统。59.如果甲烷与风速的实时cav值没有超过设定的标准cav值，则相应的甲烷、风速传感器的原始数据将被直接转发给监控子系统。60.本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：61.进行实时监测数据的收集上传；去除采集到的数据中的离群数据；62.对去除离群数据后的数据集进行可靠性检验和有效性检验；对通过信效度检验的数据集进行相关性分析；63.对通过相关性分析的数据集进行决策判断；根据上述决策结果进行报警、预警或监控。64.本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于三联两并架构的矿井瓦斯防治预警方法。65.本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于三联两并架构的矿井瓦斯防治预警方法。66.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明首次将在社会科学研究领域成功运用的相关性研究方法应用到矿井瓦斯防治领域的研究中。本发明基于对现有瓦斯监控系统和瓦斯抽采泵站系统数据进行的内隐关联关系的相关性分析和研究，明确了甲烷与其它相关联甲烷传感器数据之间、甲烷与相关联温度传感器数据之间、以及甲烷与相关联风速传感器数据之间的内隐关联关系并进行了定量分析。67.本发明基于关联关系理论，应用相关性分析研究方法进行了甲烷与其它甲烷传感器数据之间、甲烷与温度传感器数据之间、以及甲烷与相关联风速传感器数据之间的内隐关联关系的探索，提出了基于矿井瓦斯防治大数据融合的瓦斯离群数据内隐关联预警模型，并在此基础上进行了瓦斯离群数据内隐关联预警系统的研究，进行了创新性的瓦斯防治大数据预警系统的探索。68.本发明采用的是关联性研究(也称相关性研究)方法，作为一种定量研究方法，关联性研究是描述两个随机变量之间线性依赖关系的重要性，可以被用来评估任意多组变量或样本之间是否都受到一个共同的内隐或潜在机制的影响，从而寻找各组变量或样本之间的相关关系。如果内隐或潜在的相关关系存在，则可以描述两个变量之间关系的方向(如：正相关或负相关)，进而判断其强度(如：强相关、相关、弱相关或极弱相关)，从而为多组变量之间的因果推断提供信息。本发明也是首次将社会科学研究领域的相关性研究方法应用到矿井瓦斯防治领域的研究中，通过对矿井安全监控系统各传感器之间的实时数据进行可靠性和有效性分析，然后进行关联性分析以确认各传感器数据之间是否存在紧密关系。69.本发明通过对现有煤矿瓦斯监控系统和瓦斯抽采泵站系统的各类型实时数据的分析，发现瓦斯监控系统中的甲烷与其它甲烷传感器数据之间、甲烷与温度、和甲烷与风速之间，瓦斯抽采泵站系统里的相关甲烷传感器数据之间存在着内隐关联，存在这种内隐关联的传感器之间的任意一个传感器数据的异动变化都会定量地影响到与其相关的其它传感器数据的变化，基于这种定量分析，可以为安全生产管理人员提供有价值的数据分析信息，同时可以作为进行风险提前预判的定量依据。70.本发明已经应用于甲烷与甲烷、甲烷与温度、甲烷与风速等的矿井瓦斯防治的预警实践中，我们在案例实施矿井所进行的实证与案例研究，已经证明了本发明的创新性和实用性，可以广泛地适用于相关监管部门和行业对预警系统的需求。附图说明71.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。72.图1是本发明实施例提供的基于三联两并架构的矿井瓦斯防治预警系统架构图。73.图2是本发明实施例提供的基于三联两并架构的矿井瓦斯防治预警模型实施示意图；74.图3是本发明实施例提供的基于三联两并架构的矿井瓦斯防治预警方法流程图。75.图4是本发明实施例提供的实施例用瓦斯实时数据(t010205,t010204,t010203,t010201,t010106,t010105,t010104,t010103,t010102,t010101)。76.图5是本发明实施例提供的实施例用瓦斯实时数据(t010501,t010401,t010308,t010307,t010306,t010305,t010304,t010303,t010302,t010301)。77.图6是本发明实施例提供的实施例用温度传感器实时数据。78.图7是本发明实施例提供的实施例用风速传感器实时数据。具体实施方式79.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。80.本发明提出了一种新的矿井瓦斯防治预警系统架构–“三联二并”。“三联”是指：甲烷与相关联的其它甲烷传感器之间、甲烷与相关联的温度传感器之间、甲烷与相关联的风速传感器之间的数据所存在的三种内隐关联关系；“二并”是指：本发明提出的内隐关联关系预警分析与决策方法，与现在瓦斯监控系统所采用的阈值报警方法的同时使用。本发明的工作流程如下：数据采集模块进行实时监测数据的收集上传；剔除异常值模块去除采集到的数据中的0值和异常值数据；随后离群数据模块剔除数据集中的离群数据；信度检验模块对去除离群数据后的数据集进行可靠性检验；效度检验模块对通过可靠性检验的数据集进行有效性检验；相关性分析模块对通过信效度检验的数据集进行内隐关联关系相关性分析；决策分析模块对通过相关性分析的结果决策判断；决策响应模块根据上述决策结果，相应激活报警、预警或监控子系统。本发明基于对现有瓦斯监控系统和瓦斯抽采泵站系统的甲烷、温度和风速传感器数据所进行的关联分析和研究，明确了甲烷与其它相关联甲烷传感器数据之间、甲烷与相关联温度传感器数据之间、甲烷与相关联风速传感器数据之间的所存在的内隐关联关系并对其相关性进行了定量分析。81.本发明提供一种基于三联两并架构的矿井瓦斯防治预警系统，包括：82.数据采集模块，用于进行实时监测数据的收集上传；83.异常数据剔除模块，用于去除采集到的数据中的异常数据；84.离群数据剔除模块，用于去除采集到的数据中的离群数据；85.信度检验模块，用于对去除离群数据后的数据集进行可靠性检验；86.效度检验模块，用于对通过可靠性检验的数据集进行有效性检验；87.相关性分析模块，用于对通过信效度检验的数据集进行内隐关联关系的相关性分析；88.内隐关联分析模块，用于对通过相关性分析的数据集进行决策判断；89.决策响应模块，用于根据上述决策结果，相应激活报警、预警或监控子系统。90.具体地，如图1所示，本发明提供的基于三联两并架构的矿井瓦斯防治预警系统架构。91.图2是本发明实施例提供的基于三联两并架构的矿井瓦斯防治预警模型实施示意。92.如图3所示，本发明实施例提供的基于三联两并架构的矿井瓦斯防治预警方法，包括：93.s101，进行实时监测数据的收集上传；去除采集到的数据中的异常数据和离群数据；94.s102，对去除离群数据后的数据集进行可靠性检验和有效性检验；对通过信效度检验的数据集进行相关性分析；95.s103，对通过相关性分析的数据集进行决策分析；根据上述决策结果进行报警、预警或监控。96.所述基于三联两并架构的矿井瓦斯防治预警方法还包括三个决策流程，遵循以下步骤：97.数据获取，在数据获取层到业务领域层之间运行，所述数据从甲烷、温度、风数据库中获取；98.相关性分析，在业务领域层内进行，分别对甲烷与甲烷、甲烷与温度、甲烷与风速的上传的数据进行内隐关联关系的相关性分析；其中采用328个关联分析规则对相关性分析进行规则约束；99.决策响应，建立在业务领域层和视图层之间，对在业务层的分析结果进行决策做出响应并激活视图层的相应报警子系统、预警子系统、监控子系统。100.在本发明一优选实施例中，所述数据来源于甲烷、温度、风速传感器数据库。101.在本发明一优选实施例中，所述在业务领域层内进行数据相关性分析包括：对在甲烷与甲烷、甲烷与温度、甲烷与风速的数据分别进行相关性分析。102.在本发明一优选实施例中，所述决策规则包括：103.如果任意甲烷传感器的输出数值达到监控系统预警门限阀值tlv，报警子系统将被激活并立即报警；104.如果甲烷与甲烷、甲烷与温度、或甲烷与风速的实时关联分析值cav超过设定的标准cav值，但没有达到tlv值，则预警子系统被激活并发出预警提示.105.在本发明一优选实施例中，所述决策规则进一步包括：106.如果甲烷与甲烷、甲烷与温度、或甲烷与风速的实时cav值没有超过设定的标准cav值，则相应的甲烷、温度、或风速传感器的原始数据将被直接转发给监控子系统。107.下面结合具体实施例对本发明的技术效果作进一步描述。108.实施例：某煤矿北翼生产工作面应用109.1、数据采集110.研究数据采集于案例矿四采北翼瓦斯监测系统。从2020年9月25日00:00:00到2020年10月16日20:48:00，每个传感器初始获得了65535个数据点。49个传感器共获得321,215个数据点，包括气体传感器(21个)、温度传感器(16个)、风传感器(10个)和灰尘传感器(2个)。所有传感器数据集输出的时间序列图4～图7所示。。111.2、异常数据剔除112.在对实时数据集进行数据分析之前，需要剔除异常值，包括0值和传感器极限值113.3、离群数据剔除114.其次需要剔除离群数据，在对实时数据流进行进一步的数据分析之前，剔除异常数据和离群数据是关键步骤。每个传感器的9430个数据点，共计462070个数据点最终被转发到可靠性和探索性因子分析程序中。115.4、信度检验和效度检验116.在数据分析中，分别对瓦斯与瓦斯、瓦斯与温度、瓦斯与风速、瓦斯与粉尘进行可靠性分析和有效性分析。将上述数据分析结果进行相关分析。多个统计学显著性水平已被接受进行假设检验，包括0.05,0.01,0.001。p值为0.05被认为是可以接受的“显著性”。显著性值越小，在原假设成立时拒绝原假设的风险越低；这需要通过接受不正确的零假设的风险来平衡。本研究采用0.01作为显著性水平的临界值，以降低拒绝零假设的风险。采用spss统计软件进行数据分析。117.4.1、瓦斯与瓦斯数据分析118.对21个瓦斯(t1-t21)进行可靠性分析和有效性分析。结果发现三个相关组，符合可靠性分析和有效性分析的标准(表1)。cronbach'salpha值(0.869、0.919、0.955)均认为具有很好的信度(在0.8以上)。在探索性因子分析测试中，kaiser-meyer-olkin(kmo)的所有值(0.839、0.889、0.932)都被认为是一个完美的测量值(大于0.8)。巴特利特球度检验为0.000(p《0.001)。所有的平均群落测量都足够(大于0.6)；所有反图像相关值均大于0.5。119.表1瓦斯与瓦斯之间的可靠性分析和有效性分析[0120][0121]4.2、瓦斯与温度数据分析[0122]对瓦斯与温度进行可靠性分析和有效性分析，包括21个瓦斯(t1-t21)和16个温度(wd1～wd16)。结果确定了16个相关组，满意地符合可靠性分析和有效性分析的标准(表2)。所有的cronbach'salpha值都被认为具有很好的信度(在0.8以上)。除t12和wd13外，所有的kmo值都被认为是一个完美的测量值(大于0.7)。巴特利特球度检验为0.000(p《0.001)。所有的平均群落性值都很好(大于0.6)，反图像相关性显著大于0.5。[0123]t12与wd13的相关组也符合数据分析标准。cronbach'salpha被认为具有较好的信度(0.973)。巴特利特球度检验为0.000(p《0.001)。平均群落性较好(0.974)。抗图像相关性显著高于0.5。[0124]表2瓦斯与温度之间的可靠性分析和有效性分析[0125][0126][0127]4.3、瓦斯与风速数据分析[0128]对瓦斯与风速进行可靠性分析和有效性分析，包括21个瓦斯(t1～t21)和10个温度(fs1～fs10)。结果，8个相关组均被证实，符合可靠性分析和有效性分析的标准(见表3)。所有cronbach'salpha值均被认为具有公平或合理的信度(在0.65以上)。所有kmo值都应是可接受的测量值(大于0.624)。巴特利特球度检验为0.000(p《0.001)。所有的平均群落性值都很好(大于0.6)，反图像相关性显著大于0.5。[0129]表3瓦斯与温度之间的可靠性分析和有效性分析[0130][0131][0132]4.4、瓦斯与粉尘数据分析[0133]在对瓦斯传感器(21个)、粉尘传感器(2个)等23个传感器的数据分析中，所有组合均因可靠性分析和有效性分析不符合要求。没有对瓦斯和粉尘进行进一步的研究。[0134]5、相关性分析[0135]随后进行了相关研究，以证实瓦斯与瓦斯、瓦斯与温度、瓦斯与风速之间存在很强的关系。皮尔逊积矩相关系数(在本研究中称为相关系数)描述了两个随机变量之间的线性相关性。相关系数计算所有可能的方差对，并表明每两个变量之间的线性相关或关系。相关研究没有提供关于两个变量之间因果机制的最佳证据，但表明两个变量中的任何一个都受到一个共同的潜在机制的影响。研究人员可以描述两个变量之间关系的强弱和方向，然后对它们进行实验研究。[0136]首先进行了相关性分析，以检验从数据中获得瓦斯与瓦斯之间存在的相关性。对420个变量的关系进行了检验。结果表明，两者之间存在163个显著相关。其中98项相关性为一般(在0.30至0.49之间)，48项为良好(在0.5至0.69之间)，15项为非常好(在0.7至0.89之间)，2项为极大(在0.9至1之间)(见表4)。168项相关性为较差(在0.3以下)。89个项目没有任何相关性。[0137]table4瓦斯与瓦斯的相关性分析[0138][0139][0140]然后进行第二组相关性分析，以检验瓦斯数据和温度数据之间存在的任何相关性。测试了336个变量之间的关系。结果表明存在130个显著相关。其中75种相关性为一般，46种为良好，8种为非常好，1种为极大(见表5)，90种相关性为较差，116个项目没有任何相关性。[0141]table5瓦斯与温度的相关性分析[0142][0143]最后进行第三组相关性分析，检验瓦斯数据与风速数据之间存在的相关关系。对210个变量的关系进行了检验。35个显著相关性存在，包括19个为公平，13个为良好，3个为非常好(见表6)，40个是同样差的(低于0.3)，135个没有任何相关性。[0144]table6瓦斯与风速的相关性分析[0145][0146][0147]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。当前第1页12当前第1页12
技术特征：1.一种基于三联两并架构的矿井瓦斯防治预警方法，其特征在于，所述基于三联两并架构的矿井瓦斯防治预警方法包括：步骤一，进行实时监测数据的收集上传；去除采集到的数据中的异常数据和离群数据；步骤二，对去除离群数据后的数据集进行可靠性检验和有效性检验；对通过信效度检验的数据集进行相关性分析；步骤三，对通过相关性分析的数据集进行决策分析；根据上述决策结果进行报警、预警或监控。2.如权利要求1所述基于三联两并架构的矿井瓦斯防治预警方法，其特征在于，所述基于三联两并架构的矿井瓦斯防治预警方法还包括三个决策流程，遵循以下步骤：数据获取，在数据获取层到业务领域层之间运行，所述数据从甲烷、温度、风数据库中获取；相关性分析，在业务领域层内进行，分别对甲烷与甲烷、甲烷与温度、甲烷与风速的上传的数据进行内隐关联关系的相关性分析；其中采用328个关联分析规则对相关性分析进行规则约束；决策响应，建立在业务领域层和视图层之间，对在业务层的分析结果进行决策做出响应并激活视图层的相应报警子系统、预警子系统、监控子系统。3.如权利要求2所述基于三联两并架构的矿井瓦斯防治预警方法，其特征在于，所述数据来源于甲烷、温度、风速传感器数据库。4.如权利要求2所述基于三联两并架构的矿井瓦斯防治预警方法，其特征在于，所述在业务领域层内进行数据相关性分析包括：对在甲烷与甲烷、甲烷与温度、甲烷与风速的数据分别进行相关性分析。5.如权利要求2所述基于三联两并架构的矿井瓦斯防治预警方法，其特征在于，所述决策规则包括：如果任意甲烷传感器的输出数值达到监控系统预警门限阀值tlv，报警子系统将被激活并立即报警；如果甲烷与甲烷、甲烷与温度、或甲烷与风速的实时关联分析值cav超过设定的标准cav值，但没有达到tlv值，则预警子系统被激活并发出预警提示。6.如权利要求2所述基于三联两并架构的矿井瓦斯防治预警方法，其特征在于，所述决策规则进一步包括：如果甲烷与甲烷、甲烷与温度、或甲烷与风速的实时cav值没有超过设定的标准cav值，则相应的甲烷、温度、或风速传感器的原始数据将被直接转发给监控子系统。7.一种基于三联两并架构的矿井瓦斯防治预警系统，其特征在于，所述基于三联两并架构的矿井瓦斯防治预警系统包括：数据采集模块，用于进行实时监测数据的收集上传；异常数据剔除模块，用于去除采集到的数据中的异常数据；离群数据剔除模块，用于去除采集到的数据中的离群数据；信度检验模块，用于对去除离群数据后的数据集进行可靠性检验；效度检验模块，用于对通过可靠性检验的数据集进行有效性检验；相关性分析模块，用于对通过信效度检验的数据集进行内隐关联关系的相关性分析；
内隐关联分析模块，用于对通过相关性分析的数据集进行决策判断；决策响应模块，用于根据上述决策结果，相应激活报警、预警或监控子系统。8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：进行实时监测数据的收集上传；去除采集到的数据中的异常数据和离群数据；对去除离群数据后的数据集进行可靠性检验和有效性检验；对通过信效度检验的数据集进行相关性分析；对通过相关性分析的数据集进行决策分析；根据上述决策结果进行报警、预警或监控。9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～6任意一项所述基于三联两并架构的矿井瓦斯防治预警方法。10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～6任意一项所述基于三联两并架构的矿井瓦斯防治预警方法。
技术总结本发明属于数据预警技术领域，公开了一种基于三联两并架构的矿井瓦斯防治预警系统、方法、终端，数据采集模块进行实时监测数据的收集上传；剔除异常值模块去除采集到的数据中的0值和异常值数据；随后离群数据模块剔除数据集中的离群数据；信度检验模块对去除离群数据后的数据集进行可靠性检验；效度检验模块对通过可靠性检验的数据集进行有效性检验；相关性分析模块对通过信效度检验的数据集进行内隐关联关系相关性分析；决策分析模块对通过相关性分析的结果决策判断；决策响应模块根据上述决策结果，相应激活报警、预警或监控子系统。本发明明确了甲烷与其它相关联甲烷传感器数据之间所存在的内隐关联关系并对其相关性进行了定量分析。了定量分析。了定量分析。
技术研发人员：吴明瑄 王永文 闫万俊 沈博 樊剑锋 戴子威
受保护的技术使用者：戴子威
技术研发日：2022.06.29
技术公布日：2022/11/1
