基于正態(tài)檢驗(yàn)的瓦斯涌出異常預(yù)警方法

張?zhí)煊睢⊥跫t娟

摘 要：為實(shí)現(xiàn)瓦斯災(zāi)害智能預(yù)警，從統(tǒng)計(jì)學(xué)角度分析瓦斯涌出時(shí)間序列概率分布特點(diǎn)，提出基于正態(tài)性檢驗(yàn)的瓦斯涌出異常預(yù)警方法，利用Matlab對(duì)時(shí)間序列進(jìn)行Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗(yàn)。實(shí)驗(yàn)結(jié)果表明，當(dāng)瓦斯涌出狀態(tài)變化平穩(wěn)沒(méi)有大幅度波動(dòng)時(shí)，瓦斯涌出序列服從正態(tài)分布;當(dāng)瓦斯涌出狀態(tài)出現(xiàn)大幅度波動(dòng)且變化異常時(shí)，瓦斯涌出序列不服從正態(tài)分布。利用聯(lián)合正態(tài)檢驗(yàn)方法可實(shí)現(xiàn)瓦斯涌出異常提前預(yù)警，為輔助瓦斯災(zāi)害防治提供理論依據(jù)。

關(guān)鍵詞：瓦斯涌出異常;正態(tài)分布;Ryan-Joiner檢驗(yàn);偏度—峰度檢驗(yàn);聯(lián)合檢驗(yàn);預(yù)警

DOI：10. 11907/rjdk. 192636

中圖分類號(hào)：TP301 ? 文獻(xiàn)標(biāo)識(shí)碼：A ??????????????? 文章編號(hào)：1672-7800（2020）003-0099-05

Gas Emission Abnormality Warning Method Based on Normality Test

ZHANG Tian-yu1，WANG Hong-jun2

（1. School of Computer Science and Engineering，Shandong University of Science and Technology，Qingdao 266590，China;

2. Department of Information Engineering，Shandong University of Science and Technology，Taian 271019，China）

Abstract： In order to realize the intelligent early warning of gas disaster， the probability distribution characteristics of gas emission time series are analyzed from the perspective of statistical principle. A gas emission abnormality warning method based on normality test is proposed. The time series is be utilized to perform Ryan-Joiner and skewness-kurtosis joint normality test by using Matlab.The experimental results show that the gas emission sequence obeys the normal distribution when the gas emission state changes smoothly and does not fluctuate greatly. When the gas emission state fluctuates greatly and the variation is abnormal， the gas emission sequence does not obey the normal distribution. This paper uses the joint normal test method to realize the advance warning of gas emission anomaly， and provides a theoretical basis for the prevention and control of gas disaster.

Key Words：gas emission abnormality;normal distribution;Ryan-Joiner test;skewness-kurtosis test;joint normality test;early warning

0 引言

我國(guó)煤礦瓦斯事故發(fā)生頻率較高，瓦斯災(zāi)害嚴(yán)重威脅人民生命財(cái)產(chǎn)安全，瓦斯災(zāi)害預(yù)測(cè)預(yù)是煤礦生產(chǎn)亟待解決的難題[1-3]。瓦斯災(zāi)害預(yù)測(cè)預(yù)警可在災(zāi)害發(fā)生前進(jìn)行預(yù)報(bào)，從而使相關(guān)人員及時(shí)采取合理措施，達(dá)到預(yù)防災(zāi)害發(fā)生的目的[4-5]。目前，針對(duì)瓦斯災(zāi)害預(yù)測(cè)預(yù)警的研究已取得豐碩成果。如趙艷芹等[6]提出一種基于 Eclat 算法的瓦斯安全預(yù)測(cè)模型，采用垂直數(shù)據(jù)庫(kù)數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)，每條記錄按項(xiàng)目-數(shù)據(jù)集的格式存儲(chǔ)，對(duì)礦井下多指標(biāo)監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，獲得影響指標(biāo)相互之間隱含關(guān)系，預(yù)測(cè)井下異常事件發(fā)生概率;屈世甲[7]對(duì)工作面煤與瓦斯突出危險(xiǎn)性及瓦斯涌出特征值之間的相關(guān)性進(jìn)行了分析研究，通過(guò)提取瓦斯涌出量平均值、最大值及落煤瓦斯?jié)舛葦?shù)據(jù)斜率，將其作為瓦斯涌出特征值，結(jié)合煤與瓦斯突出危險(xiǎn)性指標(biāo)，提出了工作面煤與瓦斯突出危險(xiǎn)性及瓦斯涌出特征值回歸分析方法;郭得勇等[8]基于層次分析法（Analytic Hierarchy Process，AHP）與可拓學(xué)理論，利用 Visual Basic和 ArcEngine 組件，設(shè)計(jì)以數(shù)據(jù)采集模塊、查詢模塊和預(yù)警模塊組成的突出預(yù)警系統(tǒng)，開(kāi)發(fā)客戶端軟件系統(tǒng)，結(jié)合礦井基礎(chǔ)參數(shù)及工作面煤與瓦斯突出預(yù)測(cè)指標(biāo)，構(gòu)建煤與瓦斯突出預(yù)警體系。此外，還有學(xué)者提出了基于時(shí)間序列[9-12]、數(shù)據(jù)挖掘[13]、灰色理論[14-15]、神經(jīng)網(wǎng)絡(luò)[16-21]的瓦斯災(zāi)害預(yù)測(cè)預(yù)警方法。以上瓦斯涌出預(yù)測(cè)預(yù)警方法雖然為瓦斯災(zāi)害防治提供了重要的參考依據(jù)，但需依賴井下靜態(tài)測(cè)量參數(shù)，無(wú)法實(shí)現(xiàn)動(dòng)態(tài)化預(yù)警。

本文基于煤礦實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的瓦斯涌出時(shí)間序列，從統(tǒng)計(jì)學(xué)角度分析瓦斯涌出時(shí)間序列概率分布特點(diǎn)，對(duì)瓦斯涌出時(shí)間序列進(jìn)行特征挖掘，提出基于正態(tài)性聯(lián)合檢驗(yàn)的瓦斯涌出異常預(yù)警方法。將瓦斯涌出時(shí)間序列是否符合正態(tài)分布作為預(yù)測(cè)預(yù)警依據(jù)，利用正態(tài)性檢驗(yàn)原理動(dòng)態(tài)辨別瓦斯涌出異常狀態(tài)，可大幅提升瓦斯涌出異常預(yù)警的準(zhǔn)確性。傳統(tǒng)正態(tài)性檢驗(yàn)方法在適用方向、計(jì)算效果等方面存在一定差異，且單一正態(tài)性檢驗(yàn)方法存在一定預(yù)警缺陷，本文提出的Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗(yàn)方法，可在瓦斯涌出異常時(shí)期實(shí)時(shí)動(dòng)態(tài)地發(fā)出預(yù)警信號(hào)，為輔助瓦斯災(zāi)害的防治提供理論依據(jù)。

1 正態(tài)檢驗(yàn)原理

煤礦生產(chǎn)過(guò)程中，突現(xiàn)的瓦斯異常涌出是由于多方因素的影響。當(dāng)?shù)刭|(zhì)構(gòu)造發(fā)生明顯變化時(shí)，煤體結(jié)構(gòu)會(huì)有明顯的不均衡性;煤層頂板大面積垮落時(shí)，采空區(qū)及鄰近煤層瓦斯涌向回采區(qū);不均勻的地應(yīng)力致使煤層中瓦斯壓力較高，成為瓦斯異常涌出誘因;不同的采掘技術(shù)對(duì)瓦斯涌出的影響程度有差異性。

正態(tài)分布又名高斯分布[22-23]，是概率論中最重要的一種概率分布。在科學(xué)實(shí)驗(yàn)中，很多隨機(jī)變量的概率分布可近似地用正態(tài)分布加以描述。如果一個(gè)隨機(jī)變量是受許多微小的獨(dú)立隨機(jī)因素影響的結(jié)果，則可認(rèn)為這個(gè)隨機(jī)變量具有正態(tài)分布。正態(tài)性檢驗(yàn)基本原理[24-26]是根據(jù)研究需要，假設(shè)研究整體H0服從正態(tài)分布，并假定H0成立。如果研究數(shù)據(jù)與理論假設(shè)之間的偏離程度達(dá)到“顯著”則拒絕H0，根據(jù)研究問(wèn)題指定偏離顯著程度為一個(gè)正數(shù)α。當(dāng)H0正確時(shí)，它被拒絕的概率小于α，α此時(shí)稱為顯著性水平。在瓦斯涌出穩(wěn)定正常、影響瓦斯涌出的因素變動(dòng)比較均勻時(shí)，此時(shí)瓦斯?jié)舛葘?shí)測(cè)值可被視為隨機(jī)變量，時(shí)間序列服從正態(tài)分布;而在瓦斯涌出異常、瓦斯涌出的影響因素發(fā)生顯著波動(dòng)時(shí)，此時(shí)瓦斯時(shí)間序列不服從正態(tài)分布。因此，隨著瓦斯監(jiān)測(cè)數(shù)據(jù)的不斷更新與瓦斯涌出時(shí)間序列動(dòng)態(tài)變化，可根據(jù)聯(lián)合正態(tài)檢驗(yàn)方法實(shí)時(shí)判斷當(dāng)前瓦斯涌出狀態(tài)。

2 時(shí)間序列預(yù)處理

2.1 數(shù)據(jù)預(yù)處理

在監(jiān)測(cè)數(shù)據(jù)采集與傳輸過(guò)程中經(jīng)常遇到3種失真情況：①由于現(xiàn)場(chǎng)施工或其它原因造成傳感器斷電，導(dǎo)致數(shù)據(jù)缺失或瓦斯?jié)舛葦?shù)據(jù)突然從正常變?yōu)榱阒?②監(jiān)測(cè)數(shù)據(jù)在傳輸過(guò)程中由于干擾因素造成“冒大數(shù)”現(xiàn)象，瓦斯?jié)舛葦?shù)據(jù)出現(xiàn)突變后又迅速回歸正常;③進(jìn)行傳感器標(biāo)校試驗(yàn)時(shí)，瓦斯?jié)舛葧?huì)在短時(shí)間內(nèi)從正常值到異常值，隨后慢慢恢復(fù)正常。所以監(jiān)控系統(tǒng)數(shù)據(jù)十分重要，特別是進(jìn)行瓦斯?jié)舛葦?shù)據(jù)二次使用與數(shù)據(jù)挖掘時(shí)，必須預(yù)先對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理。

由于煤礦井下環(huán)境條件惡劣，礦井監(jiān)控系統(tǒng)各監(jiān)測(cè)部件受到灰塵、水蒸汽和溫度等多因素干擾，還可能遇到傳感器及分站電源、存儲(chǔ)介質(zhì)及網(wǎng)絡(luò)傳輸、電磁干擾等方面故障，以及受到外界一些惡劣因素的影響，往往存在數(shù)據(jù)缺失、數(shù)據(jù)異常等錯(cuò)誤情況，所以需對(duì)采集數(shù)據(jù)預(yù)先進(jìn)行處理[27]。常用的瓦斯監(jiān)測(cè)數(shù)據(jù)處理方法有：移動(dòng)平均線補(bǔ)償法、AR模型補(bǔ)償法、時(shí)間序列平滑移動(dòng)法。根據(jù)不同的數(shù)據(jù)異常情況，選用不同的監(jiān)測(cè)數(shù)據(jù)處理方法，本文采用移動(dòng)平均線補(bǔ)償法對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理。由瓦斯監(jiān)測(cè)數(shù)據(jù)得到的瓦斯?jié)舛葧r(shí)間序列{Xs，s=1，2，……}，在時(shí)間序列中某時(shí)刻t=a時(shí)，突然出現(xiàn)零值或突現(xiàn)躍變瓦斯?jié)舛戎登覕?shù)目較少時(shí)，一般而言間隔小于 5 min，應(yīng)計(jì)算瓦斯?jié)舛刃蛄械囊苿?dòng)平均線xa進(jìn)行數(shù)據(jù)補(bǔ)償。其補(bǔ)償濃度值通過(guò)計(jì)算在t=a時(shí)刻前 Rx個(gè)數(shù)據(jù)點(diǎn)（一般取時(shí)間長(zhǎng)度 20 min）的均值替代。

2.2 時(shí)間序列劃分

隨著煤礦瓦斯監(jiān)控系統(tǒng)瓦斯監(jiān)測(cè)數(shù)據(jù)的更新，從中獲取時(shí)間段內(nèi)經(jīng)過(guò)數(shù)據(jù)預(yù)處理的瓦斯涌出時(shí)間序列，由當(dāng)前時(shí)刻t向前推進(jìn)9個(gè)采樣時(shí)刻得到初始序列N1，區(qū)間[t-9，t]內(nèi)為N1包含的數(shù)據(jù)，則初始時(shí)間序列長(zhǎng)度為T1。對(duì)瓦斯涌出序列進(jìn)行動(dòng)態(tài)劃分，生成時(shí)間序列N1，N2，……，Ns。

其中：nt為t時(shí)刻瓦斯?jié)舛戎?，t為采樣時(shí)刻。

時(shí)間序列長(zhǎng)度T依次為T1，T2，……，Tt （10≤T≤70），時(shí)間序列劃分信息如表1所示。

3 瓦斯涌出時(shí)間序列聯(lián)合正態(tài)性檢驗(yàn)

3.1 Ryan-Joiner檢驗(yàn)

數(shù)據(jù)整體服從正態(tài)分布，樣本均值和方差則相互獨(dú)立。 一般需先假設(shè)數(shù)據(jù)或參數(shù)分布形態(tài)服從正態(tài)分布，之后利用檢驗(yàn)統(tǒng)計(jì)量判斷數(shù)據(jù)整體是否符合正態(tài)分布，該統(tǒng)計(jì)檢驗(yàn)假設(shè)是樣本來(lái)自于一個(gè)正態(tài)母體。 因此，一方面，若p值小于選擇的顯著性水平（α值通常為0.05），則在更大概率下應(yīng)拒絕原假設(shè)，樣本數(shù)據(jù)不是來(lái)自一個(gè)正態(tài)分布母體;另一方面，若p值比選擇的顯著性水平α大，則沒(méi)有理由拒絕原假設(shè)，樣本數(shù)據(jù)來(lái)自于一個(gè)正態(tài)分布母體。

Ryan-Joiner檢驗(yàn)是目前序列正態(tài)性檢驗(yàn)效果較好的方法之一，可驗(yàn)證一個(gè)隨機(jī)樣本數(shù)據(jù)是否來(lái)自正態(tài)分布。由序列數(shù)據(jù)可判斷序列是否符合正態(tài)分布，對(duì)劃分得到的各個(gè)瓦斯涌出時(shí)間序列Ns以1～α的置信水平進(jìn)行Ryan-Joiner正態(tài)檢驗(yàn)，利用Ryan-Joiner檢驗(yàn)原假設(shè)H0之前，需先將各序列中樣本數(shù)據(jù)按照從小到大的順序排列，再依次計(jì)算時(shí)間序列檢驗(yàn)統(tǒng)計(jì)量R，如式（3）所示。

其中，[pi=i-3/8n+1/4]，i=1，2，……，n;[bi=Φ-1（pi）]，i=1，2，……，n;n為序列中數(shù)據(jù)個(gè)數(shù)。

以1～α為置信水平的檢驗(yàn)法則：當(dāng)檢驗(yàn)統(tǒng)計(jì)量與檢驗(yàn)分位數(shù)的關(guān)系為R

其中，n為序列長(zhǎng)度，即序列中數(shù)據(jù)個(gè)數(shù)。

3.2 偏度—峰度檢驗(yàn)

頻數(shù)分布有正態(tài)分布和偏態(tài)分布之分。正態(tài)分布指多數(shù)頻數(shù)集中在中央位置，兩端頻數(shù)分布大致對(duì)稱;偏態(tài)分布指頻數(shù)分布不對(duì)稱，集中位置偏向一側(cè)。若集中位置偏向數(shù)值小的一側(cè)，稱為正偏態(tài)分布;集中位置偏向數(shù)值大的一側(cè)，稱為負(fù)偏態(tài)分布。如果頻數(shù)分布的高峰向左偏移，長(zhǎng)尾向右側(cè)延伸稱為正偏態(tài)分布，也稱右偏態(tài)分布;同樣地，如果頻數(shù)分布的高峰向右偏移，長(zhǎng)尾向左延伸則成為負(fù)偏態(tài)分布，也稱左偏態(tài)分布。

偏度系數(shù)是描述數(shù)據(jù)分布形態(tài)的統(tǒng)計(jì)量，反映總體取值分布對(duì)稱性，偏度絕對(duì)值越大，其分布形態(tài)偏斜程度越大;峰度系數(shù)是描述總體中所有取值分布形態(tài)陡緩程度的統(tǒng)計(jì)量，峰度絕對(duì)值越大，其分布形態(tài)陡緩程度與正態(tài)分布的差異程度越大。對(duì)于序列中的數(shù)據(jù)，假如隨機(jī)變量符合正態(tài)分布，則偏度系數(shù)及峰度系數(shù)也符合正態(tài)分布。序列分布的數(shù)學(xué)期望為0，均方差[sg1]與[sg2]為：

其中，n為序列長(zhǎng)度，即序列中數(shù)據(jù)個(gè)數(shù)。

對(duì)于不同時(shí)刻生成的瓦斯涌出時(shí)間序列，偏度系數(shù)g1與峰度系數(shù)g2為：

其中，x為時(shí)間序列均值，[x=1ni=1nxi];s為時(shí)間序列標(biāo)準(zhǔn)差，[s=1ni=1n（xi-x）2];n為序列中數(shù)據(jù)個(gè)數(shù)。

對(duì)瓦斯涌出時(shí)間序列作正態(tài)性檢驗(yàn)：假設(shè)隨機(jī)變量遵從正態(tài)分布，在顯著水平α=0.05下，當(dāng)且僅當(dāng)[g11.96sg1]且[g21.96sg2]時(shí)，接受假設(shè)，認(rèn)為隨機(jī)變量服從正態(tài)分布，即瓦斯涌出時(shí)間序列服從正態(tài)分布的特征;否則，拒絕假設(shè)，認(rèn)為隨機(jī)變量不服從正態(tài)分布[29]，瓦斯涌出時(shí)間序列不服從正態(tài)分布特征。

4 瓦斯涌出異常預(yù)警方法流程

利用連接數(shù)據(jù)服務(wù)器、數(shù)據(jù)管理系統(tǒng)及礦井安全監(jiān)控系統(tǒng)獲取的數(shù)據(jù)，利用本文預(yù)警方法對(duì)瓦斯涌出時(shí)間序列進(jìn)行有效分析，根據(jù)不同時(shí)刻的時(shí)間序列對(duì)瓦斯涌出狀態(tài)進(jìn)行判定，輸出預(yù)警結(jié)果。

5 實(shí)驗(yàn)與對(duì)比分析

從山西某煤礦瓦斯監(jiān)測(cè)系統(tǒng)中截取兩段工作面瓦斯涌出為異常狀態(tài)前后時(shí)間內(nèi)的監(jiān)測(cè)數(shù)據(jù)，對(duì)瓦斯監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理后，生成瓦斯涌出時(shí)間序列作為分析對(duì)象，獲取的工作面瓦斯涌出時(shí)間序列如圖2所示。

對(duì)上述工作面瓦斯涌出時(shí)間序列進(jìn)行劃分，t=10min時(shí)，獲得長(zhǎng)度為T=10的瓦斯涌出初始時(shí)間序列。

不斷獲取瓦斯監(jiān)測(cè)數(shù)據(jù)，不同時(shí)刻生成新的瓦斯涌出時(shí)間序列N2，N3，……，Ns。

隨著瓦斯涌出時(shí)間序列的不斷更替，判定瓦斯涌出狀態(tài)，對(duì)各個(gè)時(shí)刻不同的瓦斯時(shí)間序列進(jìn)行Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗(yàn)，以瓦斯涌出時(shí)間序列不服從正態(tài)分布作為判斷瓦斯涌出異常的依據(jù)，即當(dāng)t時(shí)刻不滿足R≥Rα及[g11.96sg1]且[g21.96sg2]時(shí)，認(rèn)為t時(shí)刻瓦斯涌出序列不符合正態(tài)分布，此時(shí)瓦斯涌出進(jìn)入異常狀態(tài)，并發(fā)出預(yù)警信號(hào)以提醒需采取相應(yīng)措施。

利用Matlab對(duì)該工作面不同時(shí)刻生成的瓦斯涌出時(shí)間序列進(jìn)行Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗(yàn)，瓦斯涌出異常檢驗(yàn)結(jié)果如圖3、圖4所示。

對(duì)該工作面瓦斯涌出時(shí)間序列進(jìn)行聯(lián)合正態(tài)檢驗(yàn)，挖掘該工作面瓦斯涌出時(shí)間序列分布特征，以此作為瓦斯涌出狀態(tài)判斷依據(jù)。由實(shí)驗(yàn)結(jié)果可看出，當(dāng)時(shí)間序列不符合正態(tài)分布時(shí)，判定此時(shí)刻瓦斯涌出進(jìn)入異常階段，表明瓦斯涌出變化顯著，發(fā)出預(yù)警信號(hào)。由圖2（a）可知，第一次瓦斯涌出異常時(shí)間序列t=39min時(shí)，瓦斯?jié)舛葹?.49%，較之前時(shí)段瓦斯?jié)舛扔型蝗辉龃蟮内厔?shì)。由實(shí)驗(yàn)結(jié)果圖3（a）、圖4（a）可看出此時(shí) Ryan-Joiner檢驗(yàn)統(tǒng)計(jì)量R開(kāi)始位于檢驗(yàn)分位數(shù)之下，序列偏度值與峰度值不滿足[g1]1.96[sg1]且[g2]1.96[sg2]的正態(tài)判定條件，此時(shí)發(fā)出報(bào)警信號(hào)，隨后瓦斯涌出量發(fā)生大幅度變化，工作面狀況發(fā)生改變。由圖3（b）、圖4（b）實(shí)驗(yàn)結(jié)果分析可知，第二次瓦斯涌出異常共發(fā)出三次預(yù)警信號(hào)，分別為：在t=49min時(shí)，瓦斯?jié)舛葹?.80%，瓦斯?jié)舛韧蝗卉S變?cè)龃?在t=92min時(shí)，檢驗(yàn)統(tǒng)計(jì)量R小于檢驗(yàn)分位數(shù)且序列偏度值不滿足[g2]1.96[sg2]的正態(tài)判定條件，此時(shí)刻瓦斯涌出異常;在t=101min時(shí)，序列偏度值不滿足[g2]1.96[sg2]的正態(tài)判定條件，發(fā)出預(yù)警信號(hào)，瓦斯?jié)舛仍诤罄m(xù)時(shí)段突然增大且增長(zhǎng)幅度較大，隨后R檢驗(yàn)量一直處于檢驗(yàn)分位數(shù)之下，并且序列偏度值與峰度值均不滿足正態(tài)檢驗(yàn)條件，表明瓦斯涌出序列不符合正態(tài)分布，瓦斯涌出狀態(tài)異常。

一段時(shí)間內(nèi)的瓦斯?jié)舛染悼烧f(shuō)明這段時(shí)間內(nèi)的瓦斯涌出變化情況，均方偏差可說(shuō)明瓦斯涌出波動(dòng)狀況。將兩次異常的瓦斯涌出時(shí)間序列劃分為3個(gè)時(shí)間段，每個(gè)時(shí)間段的瓦斯?jié)舛绕骄蹬c瓦斯?jié)舛染狡钊绫?（a）、（b）所示。

由表2（a）可知，第一次瓦斯涌出異常時(shí)間序列的第一時(shí)間段到第二時(shí)間段間，瓦斯?jié)舛瘸尸F(xiàn)上升趨勢(shì)，瓦斯?jié)舛日谥鸩缴撸揖狡罘从沉送咚節(jié)舛茸儎?dòng)不穩(wěn)定，工作面狀況正在發(fā)生改變，第三時(shí)間段均值與均方偏差有下降趨勢(shì);由表2（b）可知，第二次瓦斯涌出異常時(shí)間序列的第一到第三時(shí)間段內(nèi)，瓦斯?jié)舛绕骄抵鸩缴咔揖狡钤龃?，說(shuō)明瓦斯?jié)舛仍谥鸩皆龃笄易儎?dòng)不穩(wěn)定。上述結(jié)果與本文實(shí)驗(yàn)結(jié)果相吻合。通過(guò)對(duì)工作面瓦斯涌出時(shí)間序列分布特征的檢驗(yàn)分析，得出當(dāng)瓦斯涌出狀態(tài)平穩(wěn)且沒(méi)有大幅度波動(dòng)時(shí)，瓦斯涌出序列服從正態(tài)分布;而當(dāng)瓦斯涌出狀態(tài)發(fā)生顯著變化時(shí)，瓦斯涌出序列不服從正態(tài)分布。將序列分布特征作為涌出狀態(tài)判定依據(jù)，在瓦斯涌出異常時(shí)刻發(fā)出預(yù)警信號(hào)，表示工作面發(fā)生顯著變化且瓦斯涌出進(jìn)入異常階段。

6 結(jié)語(yǔ)

本文從統(tǒng)計(jì)學(xué)角度分析瓦斯涌出時(shí)間序列概率分布特點(diǎn)，在瓦斯涌出穩(wěn)定正常的時(shí)期，影響瓦斯涌出的因素變動(dòng)比較均勻，此時(shí)瓦斯?jié)舛葘?shí)測(cè)值可被視為隨機(jī)變量，時(shí)間序列服從正態(tài)分布;而在瓦斯涌出異常時(shí)期，瓦斯涌出的影響因素發(fā)生顯著波動(dòng)，此時(shí)瓦斯時(shí)間序列不服從正態(tài)分布。本文根據(jù)該特征獲取瓦斯涌出時(shí)間序列并進(jìn)行區(qū)間劃分，提出了基于正態(tài)性檢驗(yàn)的瓦斯涌出異常預(yù)警方法，利用Matlab對(duì)不同時(shí)刻的瓦斯涌出時(shí)間序列進(jìn)行實(shí)時(shí)Ryan-Joiner與偏度—峰度聯(lián)合正態(tài)檢驗(yàn)。對(duì)由監(jiān)測(cè)數(shù)據(jù)得到的工作面瓦斯涌出時(shí)間序列進(jìn)行正態(tài)分布特征檢驗(yàn)，可在瓦斯涌出異常關(guān)鍵時(shí)期發(fā)出預(yù)警信號(hào)，為瓦斯災(zāi)害預(yù)測(cè)預(yù)警提供參考依據(jù)。

參考文獻(xiàn)：

[1]于不凡，王佑安. 煤礦瓦斯災(zāi)害防治及利用技術(shù)手冊(cè)[M]. 北京：煤炭工業(yè)出版社，2005.

[2]張鐵崗. 礦井瓦斯綜合治理技術(shù)[M]. 北京：煤炭工業(yè)出版社，2001.

[3]寧德義. 我國(guó)煤礦瓦斯防治技術(shù)的研究進(jìn)展及發(fā)展方向[J]. 煤礦安全，2016，47（2） ：161-165.

[4]文光才，寧小亮，趙旭生. 礦井煤與瓦斯突出預(yù)警技術(shù)及其應(yīng)用[J]. 煤炭科學(xué)技術(shù)，2011，39（2）：55-58.

[5]趙旭生，寧小亮，張慶華，等. 煤與瓦斯突出預(yù)警方法探討[J]. 工礦自動(dòng)化，2018，44（1）：6-10.

[6]趙艷芹，張恒，童朝娣. 瓦斯災(zāi)害預(yù)警模型的Eclat算法[J]. 黑龍江科技大學(xué)學(xué)報(bào)，2019，29（4）：515-520 .

[7]屈世甲. 礦井工作面突出危險(xiǎn)性與瓦斯涌出特征回歸分析的研究[J]. 工礦自動(dòng)化，2015，41（5）：74-77.

[8]郭德勇，胡杰，王彥凱. 煤與瓦斯突出層次—可拓預(yù)警技術(shù)及應(yīng)用[J]. 中國(guó)安全科學(xué)學(xué)報(bào)，2017，27（1）：88-92.

[9]張寶燕，李茹，穆文瑜. 基于混沌時(shí)間序列的瓦斯?jié)舛阮A(yù)測(cè)研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2011，47（10）：244-248.

[10]吳海波，施式亮，念其鋒. 基于Spark Streaming流回歸的煤礦瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2017，13（5）：84-89.

[11]董丁穩(wěn). 基于安全監(jiān)控系統(tǒng)實(shí)測(cè)數(shù)據(jù)的瓦斯?jié)舛阮A(yù)測(cè)預(yù)警研究[D]. 西安：西安科技大學(xué)，2012.

[12]單亞鋒，侯福營(yíng)，付華，等. 基于改進(jìn)極端學(xué)習(xí)機(jī)的混沌時(shí)間序列瓦斯涌出量預(yù)測(cè)[J]. 中國(guó)安全科學(xué)學(xué)報(bào)，2012，22（ 12）：58-63.

[13]程建，白靜宜，錢建生，等. 基于混沌時(shí)間序列的煤礦瓦斯?jié)舛榷唐陬A(yù)測(cè)[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào)，2008，37（2）：231-235.

[14]劉翔，楊帆. 基于數(shù)據(jù)挖掘技術(shù)的瓦斯災(zāi)害信息特征提取[J]. 煤炭技術(shù)，2016，35（8）：130-132.

[15]郝天軒，李鵬飛. 基于灰色關(guān)聯(lián)分析-GA-BP 模型預(yù)測(cè)煤層瓦斯含量[J]. 中國(guó)礦業(yè)，2016 （ 11）：116-120.

[16]郭德勇，李念友，裴大文，等. 煤與瓦斯突出預(yù)測(cè)灰色理論-神經(jīng)網(wǎng)絡(luò)方法[J]. 北京科技大學(xué)學(xué)報(bào)，2007，29（4）：354-357.

[17]朱志潔，張宏偉，韓軍，等. 基于 PCA-BP 神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)研究[J]. 中國(guó)安全科學(xué)學(xué)報(bào)，2013，23（4）：45-50.

[18]陳志華. 基于Hadoop的神經(jīng)網(wǎng)絡(luò)算法在網(wǎng)絡(luò)學(xué)習(xí)評(píng)價(jià)中的應(yīng)用研究[J]. 計(jì)算機(jī)與數(shù)字工程，2016，44（2）：248-251.

[19]張海軍. 基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D]. 廣州：華南理工大學(xué)，2015.

[20]曹博，白剛，李輝. 基于 PCA-GA-BP 神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測(cè)分析[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2015，11（5）：84-90.

[21]劉奕君，趙強(qiáng)，郝文利. 基于遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)研究[J]. 礦業(yè)安全與環(huán)保，2015，42（2）：56-60.

[22]ANDERSON T W，DARLING D A. Asymptotic theory of certain goodness of fit criteria based on stochastic processes[J].? Annals of Mathematical Statistics，1952（23）：193-212.

[23]STEPHENS M A.EDF statistics for goodness of fit and some comparisons[J]. Journal of The American Statistical Association，1974，347（69）：730-737.

[24]COLES S G. On goodness-of-fit tests for the two-parameter Weibull distribution derived from the stabilized probability plot [J]. Biometrika ， 1989，76（3）：593.

[25]WANG X L，WEN Q H，WU Y H. Penalized maximal test for detecting undocumented mean change in climate data series[J].? Journal of Applied Meteorology and Climatology，2007，46（ 6）：916-931.

[26]章剛勇，阮陸寧. 基于Monte Carlo 隨機(jī)模擬的幾種正態(tài)性檢驗(yàn)方法的比較[J].? 統(tǒng)計(jì)與決策，2011，7：17-20.

[27]李文順. 監(jiān)控系統(tǒng)瓦斯?jié)舛葦?shù)據(jù)預(yù)處理方法的探討[J]. 能源技術(shù)與管理，2014，39（3）：23-26.

[28]RYAN T， JOINER B.Normal probability plots and tests for normality[EB/OL]. http：//scholar.google.com/scholar？hl=en&btnG=Search& q=intitle：Normal+probability+plots+and+tests+for+normality#0.

[29]吉曹翔，李崇，陳鵬心，等. 沈陽(yáng)市降水量正態(tài)分布檢驗(yàn)及其時(shí)空變化特征[J]. 干旱氣象，2018，36（6），954-962.

（責(zé)任編輯：江 艷）

收稿日期：2019-12-20

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2017YFC0804406）;山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2016ZDJS02A05）;泰安市科技發(fā)展計(jì)劃項(xiàng)目（2018GX0007）

作者簡(jiǎn)介：張?zhí)煊睿?995-），女，山東科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院碩士研究生，研究方向?yàn)橥咚褂砍鲱A(yù)測(cè)預(yù)警;王紅娟（1974-），女，博士，山東科技大學(xué)信息工程系副教授，研究方向?yàn)槿S建模算法及瓦斯涌水量計(jì)算。