礦井火災智能監測預警技術近20 年研究進展及展望

鄧 軍 ，李 鑫 ，王 凱 ，王偉峰 ，閆 軍 ，湯宗情 ，康付如 ，任帥京

（1.西安科技大學 安全科學與工程學院, 陜西 西安 710054；2.西安科技大學 陜西省煤火災害防治重點實驗室, 陜西 西安 710054；3.新疆礦山安全服務保障中心，新疆 烏魯木齊 830063）

0 引 言

我國化石能源資源稟賦為缺油、少氣、相對富煤[1]，人均煤炭資源為世界平均值的42.5%。由于非化石能源短時間內仍難以成為安全可靠的主體能源，煤炭資源在我國能源結構中仍將長期占主體地位。隨著我國將小礦逐漸關停，礦井生產進入規?；?，開采強度加大，各類事故頻發。雖然我國百萬噸死亡率逐年下降，但是2022 年仍高于美國、澳大利亞等世界主要產煤國家[2]，幾近是美國的5 倍。

礦井火災作為礦井5 大災害之一，尤其是在我國90%以上都是自燃或者容易自燃煤層情況下應得到重點關注[3]。煤礦火災具有自燃、陰燃和復燃的特點，火災防治難度較大。另外，隨著開采規模的變大，井下機電設備的數量和功率逐年提升，因動力電纜引發的外因火災日益增多[4]?；馂囊坏┌l生，輕則燒毀煤炭資源、釋放有毒有害氣體污染環境、燒毀采煤與通風設備、凍結煤炭資源；重則引發瓦斯、粉塵爆炸或者是風流紊亂造成大量人員傷亡[5]。據統計[2]，我國每年發生煤火災害事故4 000 多起、封閉工作面100 多個，國內外每次死亡10 人以上的重大火災事故中，90%以上是由于外因火災造成的[6]。國外對于在井下建立和發展可靠的監測設備和物聯網技術仍存在薄弱環節[7-8]。煤炭安全開采受到礦井火災的嚴重威脅。

1 礦井智能火災監測預警系統建設總體思路

近70 年來，我國煤炭行業經歷了恢復與調整、異常波動、持續惡化、高波動、穩定下降等5 個階段（圖1），年產量不斷增加，事故死亡率穩定下降，國內煤礦智能化進展持續推進。2020 年2 月，國家發改委和國家能源局牽頭出臺了《關于加快煤礦智能化發展的指導意見》[10]，給出了提高煤礦智能化建設水平的總體任務。2021 年6 月又發布了《智能化煤礦建設指南(2021 年版)》[11]，給出了生產煤礦智能化改造三步走方案，最終要實現基于智能化綜合管控平臺的一體化智能協同管控，要求實現對火災的智能監測、預測和預警及聯動控制。

圖1 近70 年中國每百萬噸煤炭總產量、死亡人數和死亡率[9]Fig.1 Total production, deaths and mortality rate per million tons of coal in China in the last 70 years[9]

針對火災精準智能監測預警，首先應研究火災發生的條件，基于此開展火災信息智能感知及相關預測模型的搭建，其次研究內外因火災的燃燒特性，結合實際開采條件，建立多參量火災預警指標體系，最后根據燃燒階段劃分閾值，進行分級預警，以此為基礎構建礦井火災智能預警系統。

當前，我國安全生產方針為“安全第一，預防為主，綜合治理”，但監測預警技術存在檢測范圍大、盲區多、監測系統融合度低、數據同步難、火災信息辨識與防控技術聯動不到位等薄弱環節。因此，筆者將從礦井火災信息智能感知技術及裝備、礦井火災智能預測技術及模型、礦井火災智能預警系統及平臺3 方面展開對礦井火災智能監測預警技術的綜述。

圖2 為礦井火災智能監測監控技術研究框架，通過對煤自燃和外因火災的參數狀態進行智能感知；根據感知得到的信息結合神經網絡、支持向量機等機器學習算法對火災進行智能預測；基于火災分級預警技術和平臺架構，利用物聯網、大數據、云計算、人工智能等方法完成智能預警系統和平臺搭建。礦井火災的智能感知、智能預測、智能預警協同共促共同組成了礦井智能監測預警技術。

圖2 礦井火災智能監測預警系統功能Fig.2 Monitoring and early warning system functions

2 火災信息智能感知技術及裝備

由我國近5 年部分火災發生事故統計表（表1）可以看出，引起礦井火災的因素主要包括采空區內煤自燃、電焊等明火、電纜開關的超負荷、電火花及電弧短路、違規爆破、機械摩擦等，一旦發生極其容易擴散蔓延，形成火風壓擾亂通風網絡并且產生大量有毒有害氣體，容易導致工人燒傷、中毒和窒息，甚至于導致瓦斯、煤塵爆炸。

表1 近5 年部分礦井火災發生事故統計Table 1 Statistics of some mine fire accidents in the past 5 years

近年來，針對于燃燒過程中出現的發光、放熱、析出氣體等特性，國內外學者圍繞礦井內外因火災風險智能感知技術及裝備進行了深入研究，主要包括指標氣體監測技術、溫度測量監測技術、圖像視頻識別監測技術。其中，對內因火災主要通過束管監測、無線自組網測溫和光纖測溫方式進行監測。外因火災通過分布式感溫光纖、多參數傳感器、圖像識別技術等進行監測。

2.1 煤自燃智能感知技術及裝備

煤氧復合過程中會析出多種標志性氣體，如CO、CO2、C2H4等[12]；且會釋放出熱量，溫度升高，因此，煤自燃監測可以從指標氣體和溫度2 方面展開。

2.1.1 束管監測指標氣體

束管監測是煤礦為了獲取采空區氣體數據的運用最為廣泛的方法，其原理是利用工作面回采使得束管進入采空區，隨之可測得采空區內氣體含量。采空區預埋束管位置示意如圖3 所示。

圖3 采空區預埋束管位置示意Fig.3 Schematic of location of embedded beam tube in goaf area

在監測指標方面，許多專家學者發現在火災燃燒蔓延的進程中，受分布位置、開采工藝的不同影響，升溫階段生成的氣體特性也是不一樣的，找到了煤自燃發展進程與指標氣體對應關系，以此來監測煤自燃的發展程度。煤自燃產生的主要氣體為一氧化碳、二氧化碳、甲烷、乙烯、乙烷等。其中最常用的指標氣體為CO，其在煤自燃升溫初期就已經產生，一直伴隨著煤自燃全過程。筆者[13]應用程序升溫方法，提出了指標氣體增長率分析法，選取的指標氣體為一氧化碳、乙烯和鏈烷比，并通過計算各指標氣體的增長率，得出特征溫度值和判斷煤自燃的重要指標： φ(C2H4)/φ(CH4)、φ(C2H4)/φ(C2H6)和火災系數R2、R3。WANG 等[14]采用格雷厄姆系數和灰色相關方法的積分推導了用于預警的主要氣體指數100Δ(CO)/ΔO2和輔助氣體指數C3H8/CH4、C3H8/C2H6、C2H4/C2H6、C2H2。易欣等[15]發現煤自然發火溫度與φ(CO)/φ(CH4)、φ(C2H6)/φ(CO)、φ(CO)/φ(CO2)以及Graham 指數有明顯關系。

當前束管監測系統有地面式和井下式2 種[16]。地面式利用氣相色譜儀或者氣相色譜儀疊加紅外氣體分析技術來對氣體進行精準分析，但是其存在線路布設長度長、維護難度大、故障率較高等問題；井下式又可以分為2 種，傳感器式和色譜儀型。傳感器式目前在井下采用廣泛，但傳感器易受井下高濕高粉塵的影響導致測量精度低，且其存在量程的限制。結合色譜儀和井下測量分析的優點，井下色譜儀束管檢測系統具有分析時間短、不受量程限制等束管監測本質要求[17]。

針對束管容易在采空區被砸斷或者被擠壓抽氣困難的問題，在鋼管保護的基礎上，文獻[18—20]研制了一種輸氣與控制共用管線的高正壓束管監測系統，解決了氣體組分和濃度失正誤差，縮短了氣體輸送時間。姜龍[21]使用可調揩半導體激光吸收光譜技術進行氣體監測。利用光源波長的選定、時分復用技術等一系列關鍵技術，實現了對多種氣體的同時監測，提高氣體監測的靈敏度。

2.1.2 光纖測溫

光纖傳感器用光作為敏感信息的載體，用光纖作為傳遞敏感信息的媒質。其較一般傳感器具有抗電磁干擾、靈敏度高、重量輕、尺寸小、成本低，適于在高溫、腐蝕性等環境中使用的優點，還具有本征自相干能力強及在一根光纖上利用復用技術實現多點復用、多參量分布式區分測量的獨特優勢，因此廣泛應用于井下測溫[22]。圖4 為光纖傳感測量系統。U=ct/2neff表示事件點與光脈沖注入段之間的距離，c為真空中的光速，t為時間，c/neff為光在光纖中的傳播速度。anti-Stokes 和Stokes 是溫敏特性不同的散射光信號。分別為拉曼anti-Stokes 散射光信號以及拉曼Stokes 散射光信號，將其經光電探測模塊放大后可轉換為電信號。

圖4 光纖傳感測量系統[23]Fig.4 Optical fiber sensing measurement system[23]

煤自燃采空區光纖測溫技術的原理同束管埋入采空區類似，因其具有體積小且可以傳輸信號的優點，被應用到礦井火情監測系統當中，圖5 為工作面溫度監測部署。對于溫度的監測可分為2 種：一種是以光纖直接作為傳感器或在其端頭上涂抹感溫材料，另一種是以光柵[23]為基礎的傳感器。光纖傳感器與以電為基礎的傳感器有本質區別。

圖5 工作面溫度監測部署示意Fig.5 Schematic of working face temperature monitoring deployment

光纖測溫技術可以實現在一根光纖上串聯多個傳感單元，從而形成監測網絡。根據傳感單元布局設計的差異，可分為多點式、準分布式和分布式3 大類。

1）點式光纖測溫。按照光波調制方式，根據光波的強度、頻率、波長、相位和偏振態等特性研制對性的調制型光纖傳感器。其也可分為光纖光柵(FBG)[25]、熱輻射光纖溫度傳感器、熒光式溫度傳感、光纖法布里-珀羅(F-P)型[26]）等。圖6 為FBG 結構及其波長選擇性。

圖6 FBG 結構及波長選擇性Fig.6 FBG structure and wavelength selectivity

熱輻射光纖溫度傳感器[27]利用光纖內產生的熱輻射來傳感溫度，它是以光纖纖芯中的熱點本身所產生的黑體輻射現象為基礎，如藍寶石光纖溫度傳感器。熒光式溫度傳感[28]將溫敏熒光材料與光纖結合形成熒光光纖溫度傳感器，在光纖末端黏合少量熒光粉（熒光材料對溫度具有敏感特性），通過激發光和熒光在自由空間傳輸，即可實現熒光無線測溫，特別適合監測平面溫度場，具有空間分辨力高、響應快速的優點。其器件制作及解調方式都十分簡單，其成本遠低于光纖光柵溫度傳感器。其可分為熒光壽命法、熒光強度比法、熒光譜頻移法等。

袁俊杰等[29]總結了相位生成載波(PGC)技術中可能出現的伴生調幅、調制深度漂移和相位延遲引起信號解調失真的關鍵問題，并分析其原因。SEKINE[30]開發了一種以高空間分辨率(沿光纖的最小間距為 2.56 mm)測量溫度的光纖測溫方法，測量速度范圍為0～7 m/s。

2）準分布式光纖測溫。在一根光纖上串聯多個光纖光柵傳感器利用光纖光柵解調儀采用復用技術實現準分布式測量。即利用解調儀將不同種類的傳感器相連，采用寬帶光源和波長檢測儀測量不同波長的光纖光柵的中心波長，從而實現單通道多點測量[31]。因其受限于光源帶寬以及單個FBG 傳感波長移動范圍和相鄰FBG 反射光譜之間的相互影響，并不能廣泛分布，導致空間分辨率受限，傳感器間存在盲區，故稱之為準分布式光纖傳感技術。圖7 為準分布式光纖傳感技術示意。S1、S2、···、Sn為不同類型的傳感器。將不同類型傳感器接入解調儀實現單通道多點測量。

圖7 準分布式光纖傳感技術Fig.7 Quasi-distributed fiber optic sensing technology

光纖法布里-珀羅(F-P)型[32]將待測FBG 連接至光纖光柵解調儀上，通過光譜分析測量加載前后的FBG 中心波長的平移，平移量可以通過傳遞系數轉換為被測物理量，進而實現對FBG 位置處的應變、溫度或壓力的測量。

3）分布式光纖測溫。國外對分布式光纖測溫技術的研究始于20 世紀80 年代，主要集中在英國、日本和美國，英國York 公司是世界上首家開發光纖分布式測溫系統并使之商品化的公司。目前的光纖測溫技術使用的光纖最長距離可達4 000 m，測溫范圍為-300～+900 ℃，定位精度為1 m。

采用光纖做傳感介質和傳輸信號介質，通過測量光纖中特定散射光的信號來反映光纖自身或所處環境的應變或溫度的變化，一根光纖可實現成百上千傳感點的同時測量[33]。分布式光纖傳感技術無盲區，突破了FBG 解調復用傳感單元數量限制和空間分辨率限制，因而稱為分布式測量。當一束光射入光纖后，光纖中會產生后向散射光，常見有瑞利散射光、拉曼散射光和布里淵散射光，3 種散射效應如圖8所示。 νB為反射光與入射光之間的頻率差，被稱為布里淵頻移。

圖8 光纖中的3 種散射Fig.8 Three types of scattering in optical fibers

溫度改變，散射光的特性也隨之改變。通過對散射光進行測量從而可得出測量環境的溫度分布，常見分布式光纖傳感技術有基于瑞利散射的OFDR 技 術[34]、DAS 技 術[35]，基 于 拉 曼 散 射 的ROTDR 技術，基于布里淵散射的BOTDR、BOTDA 和BOFDA 技術[27]。瑞利散射光變化幅度較小，其和布里淵散射都受到應變和溫度的影響，拉曼散射只對于溫度的變化敏感。ZHANG[36]研發了一種具有較強抗損傷能力的完整分布式光纖溫度傳感系統（DTSS）。

2.1.3 無線自組網測溫

無論是束管還是光纖，對于采空區冒落空間來說，都有被擠壓甚至于砸斷的可能。無線傳感器自組網絡技術與溫度傳感器的結合，是近幾年來一個新的發展趨勢。改變了傳統溫度傳感器系統的拓撲結構，適應更多溫度測量的應用場合。其摒棄了有線管路，通過在采空區布設溫度傳感器終端來采集數據，然后在采空區外布設網關將無線信號轉換為有線信號，通過有線的方式將數據傳輸至地面。

但在實際應用過程中還是存在著數據信號傳輸不穩定的問題?；诖?，張辛亥等[37]利用溫度傳感器所測得的溫度信息可通過臨近節點跳躍傳輸，實現“自組網”功能，并針對信號傳輸問題進行了傳感器布設位置規劃。文虎等[38]、程永新[24]基于此設計了1 套系統，該系統在測溫的基礎上還可以實現記錄預警信息的功能。

2.2 外因火災信息智能感知技術及裝備

煤礦井下環境極其復雜，用電設備多、功率大且分布分散、電纜線路長，特別容易引起特別是井下變電站、配電點、電纜以及電氣設備短路著火發生電氣火災事故，另外帶式輸送機也可能因為滾筒停轉以及摩擦生熱等原因導致火災的發生。因其處于巷道中，附近可燃物多、通風順暢，一旦發生很容易借助電纜、風流、煤等引起連鎖反應導致二次事故的發生。

對于電氣火災以及輸送帶火災的監測主要可分為溫度監測、指標氣體監測以及基于視覺特征的圖像識別方法。

2.2.1 火災溫度監測

溫度是判斷火災程度和范圍最直接、最有效的指標。測溫法[22]是指利用溫度檢測技術對被監測地點進行溫度測量以判斷火災危險程度的方法。受外部因素影響小，只要確定某處的溫度場及其分布，就能分析給定火災的危險程度和范圍。此方法有利于發現設備過熱和探尋高溫點，可以直觀地了解發火地點溫度及其發火程度，對火災預報有重要的意義。

通過電氣設備、輸送帶及周圍介質溫度的升高也可直接判斷火災進行的程度。溫度監測技術包括常規的溫度傳感器、光纖測溫、紅外測溫等技術。

1）溫度傳感器。目前常用的溫度傳感器有熱電阻、熱電偶[39]，感溫電纜等。熱電阻和熱電偶的工作原理是[40]熱電效應。這種方法具有預測可靠、直觀的優點，但是由于點接觸，預測預報范圍較小，安裝、維護工作量大，特別是探頭、引線極易破壞。

近幾年，開始應用集成溫度傳感器、熱敏材料等測溫傳感技術檢測電氣內部溫度異常。但由于電氣電路環境復雜，在現場的應用推廣一直受到限制。TANG 等[41]將石墨烯傳感器與光纖測溫技術相結合，將石墨烯作為敏感材料涂抹在光纖表面，測量精度方面取得了良好的效果。

2）紅外測溫法。紅外測溫主要是探測紅外能量場，通過能量場可綜合判斷電氣火災高溫區域。紅外測溫法簡單、迅速、精確，是目前探測領域的高新技術，所使用的儀器主要有紅外探測儀和紅外熱成像儀。按照探測方式可分為紅外線測溫和紅外成像測溫。

美、俄、英、德等國已利用紅外線技術預報井下自燃火災，成功檢測了煤壁、煤柱與浮煤堆的自燃[42]，其中，美國使用的紅外線探測儀是“米開萊-44 型”；英國使用“649”型紅外成像儀和改良型“M.E.L1045”型直流熱成像儀；原蘇聯采用“卡瓦思替”紅外輻射指示儀。在國內，各大礦區已采用紅外測溫儀測定井下煤壁溫度[43]。孫繼平等[44]分析了礦井外因火災監測方法，提出了基于可見光和紅外圖像的礦井外因火災識別方法。試驗表明，紅外技術對于測量煤堆、露頭、巷壁煤柱的火災十分有效。但是它只能探測出物體表面與儀器垂直物體的溫度，而且要求中間無遮擋物，因此，可作為輔助方式應用到火災識別過程。

2.2.2 傳感器指標氣體監測技術

在外因火災方面，電氣設備和輸送帶熱解燃燒過程中可產生 HCl、CO、CO2、C2H2等多種標志性氣體，并隨著燃燒溫度的升高，其產生量將發生顯著變化。因此，可以利用指標氣體產生量的變化，來判斷礦井火災狀態。

現主要采用氣體傳感器來檢測HCl、CO、CO2、C2H2等氣體。氣體傳感器安裝簡單、可靠性強但受維護難度的影響其不可能在井下全覆蓋，礦井火災一旦發生，將會迅速蔓延，溫度突然升高，煙氣彌漫，傳感器采集到異常數據時，就會利用閾值判斷火災發生情況，且會受到周圍熱環境的影響導致數據信號微弱的問題，針對以上問題，學者們不斷尋求更為準確的指標、不斷改進傳感器的測量精度問題，開發多傳感器信息融合的檢測方法。

在測量精度方面，趙勇毅等[45]設計了一種可測甲烷、二氧化碳雙組分的氣體傳感器，王偉峰等[46]利用PSO-SVM 補償法消除非目標參量對傳感器輸出結果的影響，提高了CO 傳感器的可靠性與精度；孫瑞彩等[47]利用Solid Works Flow Simulation 仿真軟件得到最佳氣室結構參數，從而提高傳感器元件的精度；為消除溫度對傳感器響應信號的影響，馬礪等[48]研究了傳感器溫度補償算法模型。GONG 等[49]研發了基于可調諧二極管激光吸收光譜(TDLAS)的氣體傳感器，基于TDLAS 的甲烷傳感器、一氧化碳傳感器和多氣體監測系統應用效果良好。WANG 等[50]研究了Ti3AlC2(MXenes)/聚苯胺(PANI)復合材料作為半導體CO 傳感器，提高了CO 傳感器的精度。張子良[51]采用AHP 方法改進煙霧傳感器，使其實現煙霧多特征數據融合，能夠克服環境中的干擾。

2.2.3 基于視覺特征的礦井外因火災監測方法

視頻圖像識別技術利用的主要方法是可見光與紅外等視頻圖像監測法，其具有監測范圍大、響應速度快等因素如今被廣泛應用。紅外熱成像儀探測原理如圖9 所示。

圖9 紅外熱成像儀探測原理示意[52]Fig.9 Schematic of infrared thermal imaging camera detection principle [52]

目前，基于視覺特征的礦井外因火災監測的主要內容[53]為：視頻圖像的預處理、火災疑似區域的分割、火災特征的分析和提取，以及火災的快速辨識[54]等。觀測的主要內容為煙氣和火焰。煙火識別流程如圖10 所示。

圖10 煙火識別流程[55]Fig.10 Pyrotechnic recognition process[55]

在火災監測研究中，按照攝像機的工作波長，將火災監測劃分為紫外視覺監測方法[56]、可見光視覺監測方法[57]、近紅外視覺監測方法[58]和遠紅外視覺監測方法[44]。

劉曉琴[59]對視頻圖像進行特征分析及預處理，去除類似因素的干擾，然后進行動態區域分割，對滿足火焰特征的疑似區域提取HOG 特征，利用支持向量機分類器進行火焰識別。袁潔等[60]利用紅外攝像機外加紅外照射燈來采集視頻，將利用煙霧的LBP與灰度共生矩陣相結合而得的紋理特征輸入分類器中進行分類識別，以期達到低照明度下預防火災的目的。單亞峰等[61]提出了一種命名為RLN-ELAM的新穎算法，用來消除瑞利噪聲對精度的影響來提高測量效果。該方法首先利用火焰、煙霧和溫度傳感器感知火災狀態，然后根據給出模糊隸屬函數計算各個傳感器的禪糊隸屬度。趙端等[62]提出一種基于邊緣智能的煤礦外因火災感知方法。除此之外，QIU[63]配置了能夠精確測量氣體和數據處理的微型激光傳感器系統。王偉峰等[64]提出了一種基于YOLOv5 的礦井火災視頻圖像智能識別方法，結合K-means 改進的暗通道去霧算法及動態目標提取算法，可解決礦井環境造成的圖像特征信息丟失問題。WANG 等[65]提出的AI 圖像火災量熱法僅使用火災現場圖像即可較好地識別瞬態火災熱釋放速率。利用紅外熱像儀和YOLOv4 深度學習算法實現了火源的準確識別和定位。最后，通過創建模擬火災試驗環境，對消防機器人的性能進行了評價。LI 等[66]設計了一款利用可以實時識別火焰的巡檢機器人，并可以實現自動滅火。李濤[67]提出使用多災源信息融合的火災判別方法，在攝像頭可視范圍內布設少量溫度或者氣體傳感器進行輔助驗證。

隨著人工智能的發展，智能算法在圖像識別、特征分析方面應用的越來越多，將搭載著圖像特征信息分析處理的紅外攝像頭布設在巷道內，可為監測外因火災提供良好的保障。

2.3 其他監測方法

此外，還有瞬變電磁法[68-69]、測氡法[70-71]、氣味檢測法、示蹤氣體法[72-73]、電阻率法[74]、聲波法[75-76]等監測方法?？舍槍ΜF場實際選用合適的一種或多種方法。

示蹤氣體法是通過示蹤氣體（SF6）的濃度變化相關分解物成分，從而間接測定火災隱患位置和溫度。示蹤物質會對被測煤體的熱狀態產生影響，因此，示蹤劑選擇應具有毒性小，熱解前穩定性好，不氧化、不反應，分解物易被檢測等特點。

氣味檢測技術依托于應用不同種類的氣味傳感器檢測煤自然發火過程中所釋放出的氣味及其變化規律，通過神經網絡解算，實現對煤自然發火類型和程度的預測預報。氣味檢測法的研究最早出現在美、日等國，國內對氣味檢測法的研究起步較晚，20 世紀末，煤炭科學研究總院撫順分院與日本北海道大學合作研究煤自然發火氣味檢測法，能夠在30～40 ℃就檢測到煤低溫氧化初期所釋放出的微弱氣味。陳歡等[77]基于煤自燃特性，并以溫度和反應生成物等宏觀量為檢測指標，分別采用氣體分析、溫度監測、仿生氣味監測、磁力預測等技術實現煤自燃預測預報。

2.4 多源數據融合監測

井下條件復雜多變，且隨著開采規模的變大、采深的增加，采煤情況也變得越來越錯綜復雜，而且很多情況下高濕高熱高粉塵會使得傳感器的精度變低，且單一指標不能準確標示火災危險程度[78]。因此，多源信息融合是保障所測參數正確性的重要手段。

信息融合是一種自動化信息綜合處理技術。它充分利用多源數據的互補性和電子計算機的高速運算與智能化，把多個傳感器在空間或時間上的冗余或互補信息，依據貝葉斯估計、模糊邏輯、神經網絡、遺傳算法、粗糙集理論等算法進行組合，以獲得對被檢測目標相對完整、一致性的解釋或描述，從而實現更加準確的識別和判斷功能。通過不同種類傳感器共同獲取參數，利用實現多源信息融合。圖11 為一種動態加權算法對圖像和傳感信息進行加權融合判識的流程。

圖11 圖像和傳感信息加權融合判識流程[62]Fig.11 Weighted fusion identification process of image and sensor information[62]

段鎖林等[79]將模糊集合和D-S 證據推理有機結合提出一種新的用于火災檢測的多傳感器數據融合的方法。ZHAI 等[80]提出了一種基于混合核函數支持向量機和改進遺傳算法的軟傳感器模型。董寅[81]采用多傳感器數據融合的方法,提出了基于BP神經網絡的DS 證據理論模型,并用模擬火災驗證該模型的有效性。

項平川[82]利用多傳感器信息融合技術中的神經網絡融合算法,將獲取到的參數進行融合。李正周等[83]利用多傳感器感知火燃燒狀態，對是否發生火災分配不同信任度函數，利用DS 證據理論融合3 種傳感器信息以判斷火災狀態。陳婷婷等[84]從宏觀角度分析多傳感器信息融合時間序列特征，將模型分為二級架構，運用模糊控制算法聚類相同屬性傳感信息，消除冗余數據，為多傳感器信息融合領域提供了新的研究思路。孫繼平等[58]提出了基于近紅外圖像、可見光圖像、溫度傳感器、氣體傳感器和煙霧傳感器等多信息融合的礦井外因火災感知方法。雖然這種方式可以在一定程度上能夠提升測量的效果，但是還是受到測量范圍的掣肘，不能實現在礦井下全方位的覆蓋。

目前，國內外學者對于礦井火災態勢估計與威脅估計的研究也開始起步，隨著對信息融合性能的要求越來越高，多種方法的聯合使用將成為未來的一種發展趨勢。在監測方法、融合識別技術、態勢評估、威脅估計、判斷依據、預警機制等方面仍需要開展大量的研究工作。

3 礦井火災預測技術及模型

預測，指“預先監測”，即在突發事件發生前對各種致災因子及其表象進行實時、持續、動態的監視和測量，收集相關的數據和信息，并通過風險分析與風險評估來研判突發事件發生的可能性。通俗來講，在煤氧復合作用還沒有開始的時候，根據歷史數據和當前數據評估火災發生的可能性，即對煤自燃的發火危險性進行推斷[85]。常見的方法有人工神經網絡、支持向量機、隨機森林以及時序分析方法。

3.1 人工神經網絡

人 工 神 經 網 絡（Artificial Neural Network，即ANN ），是20 世紀80 年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡，是由大量處理單元互聯組成的非線性、自適應信息處理系統。其具有自學習、聯想儲存以及告訴尋求優化解的優點，引起了國內外學者的研究。

王福生等[86]選取煤的組成與結構方面的碳含量、鏡質組含量、固定碳含量、比表面積、微孔占比與羥基含量6 項主要影響因素建立了基于BP 神經網絡的煤自燃傾向性預測模型。其框架如圖12 所示。

昝軍才等[87]采用氣體成分分析法和神經網絡算法建立BP 神經網絡預測模型，選取CO、CO2、CH4、C2H6、C2H4氣體濃度作為神經網絡的輸入層，煤溫作為輸出層，設置8 個隱含層神經元對煤自燃情況進行預測。劉永立等[88]建立的循環神經網絡(Recurrent Neural Network, RNN)主要應用于語音識別，情感分析，機器翻譯等領域。利用LSTM 神經網絡處理時序數據的優勢，以及自動挖掘數據關聯的特性，調整LSTM 模型時間步長和迭代次數參數，提高了模型預測的準確度。賈澎濤等[89]提出了一種基于改進粒子群(PSO)優化簡單循環單元(SRU)的煤自燃溫度預測模型(PSO-SRU 模型)?？妆氲萚90]建立了一個基于標準鯨魚優化BP 神經網絡(WOA-BP)模型。

3.2 支持向量機

支持向量機被廣泛用于模式分類和回歸分析，可用于礦井火災預測，通過訓練數據建立邊界，實現對新數據的分類。鄧軍等[91]用粒子群優化算法(PSO)優化支持向量回歸(SVR)參數,建立了煤自燃溫度預測的PSO-SVR 模型，不易出現“過擬合“現象。其預測結果散點圖如圖13 所示，建立的PSO-SVR模型具有良好的預測效果。

圖13 4 種模型預測結果散點圖[91]Fig.13 Scatterplot of predicted results of 4 models[91]

董天文[92]開展了基于BP 與LSTM 神經網絡的采空區內因火災動態預警方法的研究。郭軍等[93]開發了智能分析預警模塊，能夠結合深度學習和多元回歸分析等理論以實現多源信息融合自處理，智能分析火災預警級別和煤自燃異常區域態勢預測，根據此實現火災防控技術方案的輔助決策支持。WANG等[94]采用遺傳算法（GA）和支持向量機（SVM）耦合方法構建了基于GA-SVM 的煤自燃極限參數預測模型。MUHAMMAD 等[95]采用k-means 聚類機制指定t – SNE(分布式隨機近鄰嵌入)維度缺失數據集，然后采用支持向量分類機( SVC )模型對礦井火災各等級進行預測。模型預測流程如圖14 所示。

圖14 模型預測研究流程[95]Fig.14 Model prediction study flowchart[95]

王媛彬等[96]針對煤礦井下環境特點，提出了基于數字圖像處理和支持向量機的煤礦外因火災早期探測方法。以上方法在礦井中得到了良好的應用，取得了不錯的效果。

3.3 隨機森林

隨機森林是一種集成學習方法，通過整合多個決策樹的結果，提高預測準確性，對于礦井火災的復雜性有一點的優勢。翟小偉等[97]提出了將K 近鄰算法(KNN)、隨機森林(RF)、決策樹(DT)及基于粒子群優化的支持向量回歸等填補算法(PSO-SVR)應用于缺失值填補。圖15、16 為RF 算法流程和基于RF 算法的煤自燃溫度預測模型構建流程。

圖15 基于RF 算法的煤自燃溫度預測模型構建流程[97]Fig.15 Process of constructing coal spontaneous combustion temperature prediction model based on RF algorithm[97]

圖16 RF 算法流程[97]Fig.16 RF algorithm flow[97]

鄭學召等[98]基于支持向量機(SVM)的預測模型對參數的選取要求較高和基于神經網絡的預測模型測試時易出現過擬合的問題，提出了一種基于隨機森林算法的煤自燃溫度預測模型。鄧軍等[99]提出了一種基于隨機森林(RF)方法的采空區煤自燃預測模型，并將預測結果與支持向量機(SVM)和BP 神經網絡(BPNN)方法對比，結果表明其預測效果和性能良好。

3.4 其他機器學習算法

鄧軍等[100]擬合出等效放熱強度與表征煤體自燃性強弱的特征放熱強度的函數關系，建立了試驗條件下煤體自然發火期預測模型。張春等[101]利用理論分析和數值模擬方法,對采空區漏風量與遺煤溫度場的關聯性進行了分析。周旭等[102]選取O2、CO、C2H4、CO 體積分數與剩余O2體積分數的比值，以及C2H4體積分數與C2H6體積分數的比值作為指標，結合PSO 優化算法與XGBoost 算法，提出能應用于煤自燃預測的PSO-XGBoost 模型，擬合程度高 、誤差較小。

朱令起等[103]認為指數函數作為最優擬合方法，構建煙煤自燃預測模型，提出低溫條件下煙煤自然發火預測模型的統一形式，預測模型的系數和截距值應根據煤樣性質、試驗條件等具體情況而定。汪偉等[104]提出一種改進的基于指標相關性權重確定法(CRITIC)的G2 賦權法來確定評價模型中的指標權重難以確定的問題。

4 礦井火災智能預警系統

隨著傳感技術的發展，煤礦智能監測技術方面取得了很大的進展。在監測技術的智能化發展進程中，數據采集和傳輸依賴物聯網，數據處理和挖掘依靠云計算和大數據技術，機器的學習和自適應通過人工智能技術實現[105]。它們均屬于智能化發展范疇，是層層遞進又相互促進、相互發展的關系。筆者將從礦井火災分級預警技術、預警系統平臺架構、預警系統建設3 個方面對礦井火災智能監測預警系統及平臺的研究現狀進行闡述。

4.1 礦井火災分級預警技術

4.1.1 采空區煤自燃火災分級預警技術

在火災預警方面，單指標和多指標復合超限報警方法被廣泛的應用于礦井煤自燃的預測預報工作中。部分學者從多因素、多指標綜合的角度對煤自燃預警進行了研究。

1）煤自燃階段精細劃分。在煤自燃階段精細劃分方面，主要是根據煤與氧氣復合產生指標氣體的規律來劃分階段。朱建國等[106]根據煤自燃預測預報指標將煤自燃進程劃分為3 個階段。郭軍等[93]在分析相關指標特征后將煤自燃過程劃分為穩定、波動和劇烈反應3 大區間，通過處理指標數據以比值、Logistic 函數擬合的方式重構數據曲線，劃分出“潛伏、氧化、自熱、臨界、熱解、裂變、燃燒”等7 個階段。表2 為煤自然發火分級預警體系。其中，R0為根據氧濃度、CO 濃度確定的預警初值，在達到臨界條件，即發生熱解反應之前，可根據Graham 系數范圍確定煤氧復合進程（R2，R3，R4）。當煤氧復合反應進入臨界階段之后，通過指標氣體C2H4的濃度進行判定，在此基礎上引入烯烷比確定臨界值R5，當其持續增加直到峰值、出現明火明煙即判定臨界值為R6，實現煤自然發火分級預警。

表2 煤自然發火分級預警體系[93]Table 2 Early warning system for the classification of natural coal fires[93]

王福生等[107]依據升溫氧化實驗數據將煤自燃過程劃分為初期氧化、緩慢自熱、臨界加速和熱解裂變4 個階段，賈海林等[108]發現DSC 劃分法、TG 劃分法同煤氧復合全過程的劃分具有高度的重合性，可劃分為水分蒸發及氣體脫附吸熱階段、化學吸附和緩慢反應放熱階段、煤熱解生成活性基團放熱階段和揮發分與固定碳燃燒放熱階段等4 個階段；KONG 等[109]利用Logistic 擬合模型對指標氣體隨溫度的變化曲線進行擬合分析，建立基于正壓束管監測的煤自燃7 級預警系統。ZHU 等[110]在煤自燃“三階段”劃分存在的劃分界限模糊的情況下，提出了“五階段”劃分。GUO 等[111]通過程序升溫試驗模擬了煤自燃過程，并利用邏輯擬合函數確定了指標氣體濃度與煤溫的關系，根據此將煤自燃劃分為7個階段，建立了6 個標準的煤層自燃預警系統。

隨著劃分理論和方法的不同，對于煤自燃反應的進程階段也各不相同，但整體上呈精細化發展，對于煤自燃的精準防控提供了更為可靠的依據。

2）煤自燃分級預警技術。煤自燃預測預報方法可以分為2 種，一種是基于指標體系，根據煤自燃釋放出的氧化性氣體和熱解氣體輔助溫度進行預報，另一種則為基于大量的煤自燃發火數據根據智能算法通過大數據分析的技術進行預測預報。

在指標體系方面，利用單一指標分析煤自燃危險狀態易受到漏風稀釋、外來氣源干擾等因素影響，導致氣體檢測值（濃度或初現溫度）與所設定的閾值不符而出現漏報、誤報情況。為了克服這一不足，雙氣體或多氣體等復合指標（即復合指標預測預報方法）不斷被提出并得到廣泛應用[112]，極大地豐富了煤自燃預測預報指標體系，有力地推動了煤自燃危險程度判定方法進步。在預警指標、閾值研究與分級預警方面，董天文[92]通過標志氣體與煤溫之間的對應關系建立了“四級”煤自燃分級預警方法，郭軍等[93]基于煤氧復合自燃機理，綜合分析各煤樣在大型自然發火試驗和程序升溫試驗過程中的特征參數得出煤自燃各反應階段內的風險等級及指標閾值。疏義國等[113]發現CO、O2結合火災系數能相對準確地對煤體氧化情況進行判斷，輔以乙烷、乙烯對溫度進行反演，實現了多指標煤自然發火隱患的動態識別。XU 等[114]結合程序升溫選擇CO 濃度、φ(C2H6)/φ(CH4)、第二火災系數R2作為預測煤自燃的主要指標，而其他氣體、烯烴比值和火災系數可作為輔助指標。郭軍等[115]通過Logistic 擬合方法，利用φ(C2H4)/φ(C2H6)、φ(CO)/φ(O2)。結合O2、CO、C2H4等指標建立煤自然發火指標體系閾值曲線，如圖17 所示。

圖17 煤自然發火指標氣體閾值曲線[115]Fig.17 Coal natural flare indicator gas threshold curves[115]

WANG 等[116]采用變異系數和Kruskal-Wallis 檢驗對煤自燃指數進行評價，發現氣態化合物的產生與煤溫呈正相關，選擇O2/CO2和CO2/CO 作為主要指標，CO/CH4作為煤炭在低溫階段（≤80 ℃）的替代指標。C2H4和C2H6的檢測是煤溫達到90 ℃（與100 ℃相似）時的確認指標。YANG 等[117]以煤自燃試驗平臺的試驗測試方法，通過升溫速率、耗氧率、產氣率、單一氣體和復合氣體指標等一系列參數，找出煤自燃的特征溫度，分析了特征溫度與各參數的對應關系，建立了煤溫與產氣相關參數的對應關系。岳寧芳等[118]優選確定以CO、O2、C2H4及C2H6作為主要預測指標氣體，輔以φ(CO)/φ(O2)和φ(C2H4)/φ(C2H6)作為煤自燃預測指標，確定了“灰、藍、黃、橙、紅、黑”6 個預警等級及相應的判定閾值標準。

在智能算法方面，KONG 等[18]結合Logistic 擬合模型，對指標氣體數據隨煤溫的變化曲線進行擬合分析，將煤自燃過程準確劃分為“安全、灰、藍、黃、橙、紅、黑” 7 個預警等級。周旭等[119]構建了基于貝葉斯優化的XGBoost 煤自燃分級預警模型(BOXGBoost)。煤自燃分級防控見表3。其中，T為溫度；R1—R6代表自燃的6 個階段對應的氣體指標閾值。

表3 煤自燃分級防控[120]Table 3 Coal spontaneous combustion graded prevention and control[120]

此外，還有一些學者考慮了特殊情況下的煤樣對煤自燃分級預警的影響，GUO 等[121]發現在一次氧化進入嚴重氧化階段時，預氧化溫度較高、二次氧化氣體比例較高會影響指示劑的判斷。二次氧化產生的瓦斯會影響煤礦采空區煤炭自燃的預警，建立預警系統時應考慮這一點。ZHANG 等[122]研究了水熱耦合對不同水溫下浸泡煤自燃風險的影響，發現水浸泡后的氧化性更強，水浸煤在30 ℃情況下自燃危險性最大。朱建國等[106]發現浸水的遺煤低溫氧化具有分階段特性。

當煤樣經過浸水風干、二次氧化等特殊情況處理后，煤樣的氧化性會有一定程度上的改變，如果仍依據正常煤樣的參數構建分級預警指標等內容可能會使得預警效果變差，因此特殊條件下的煤自燃分級預警技術的研究對于正確預測預報具有重要意義。表4 為浸水煤低溫氧化分段特性。其中 φ為氣體濃度，依據氣體濃度劃分階段。

表4 浸水煤低溫氧化分段特性Table 4 Characteristics of low-temperature oxidizing segments of water-soaked coal

4.1.2 礦井外因火災分級預警技術

礦井外因火災一旦發生很容易產生蔓延，造成通風紊亂導致部分地點少風或者無風，產生人員傷亡。通過劃分外因火災的進程，根據對監測到的大量溫度、氣體組分及濃度和位置數據進行的深度關聯分析，判斷每個階段對應的閾值，從而建立外因火災預測模型。井下巷道中持續供風，當電纜或者輸送帶產生火災的時候雖然會產生氣體，但是因為風流的稀釋，會產生較大的誤差，外因火災監測以溫度測量為主[123]。

1) 電氣火災。電路短路故障是導致電氣火災的最主要原因，輸電線路或電氣設備發生短路時，短路電流能夠高 達額定電流的幾十倍，熱量在短時間內快速積聚形成危險溫度[124]，導致熔化絕緣層并引燃周圍可燃物。電纜與電纜之間、電纜與電氣設備之間接觸不良、井下電氣設備安裝使用不當以及電氣設備和機電設備金屬上感生電動勢放電產生電火花等[56]都易引發電氣火災。對于電纜火災，可將其分為以下5 個階段，見表5。

表5 電纜火災分級防控Table 5 Cable fire hierarchy prevention and control

目前專家學者廣泛關注的點在極早期，如何監測到電纜線芯的發熱情況是研究的熱點。高壓電力電纜火災的早期預警是火災防治系統的重要環節[125]，當前各隧道內，主要通過纏繞于電纜表面的感溫光纖實現電纜內部線芯過熱的間接監控。還有部分學者專注于研究線纜熱解產生的氣體，WANG 等[126]使用熱重紅外線、CCT 型錐型量熱儀等研究了電纜火災，發現其熱解溫度主要在350～470 K。主要氣體產品是 CO2、H2O、CH4、HCl和CO。

CHEN 等[127]分析模擬了不同條件下的溫度分布和特征氣體濃度，提出一種基于混合貝葉斯網絡（BN）的火災風險分析模型，研究過載誘發的早期電纜火災風險的演變規律。趙端等[62]提出了一種基于邊緣智能的煤礦外因火災檢測模型，其主要由視頻檢測模塊、多源信息融合模塊及智能邊緣處理模塊組成，如圖18 所示。

圖18 基于邊緣智能的煤礦外因火災檢測模型[62]Fig.18 An edge intelligence-based model for exogenous fire detection in coal mines[62]

在智能邊緣處理器上部署輕量化的改進YOLOv5s模型和多源信息融合模塊，分別提取火源的圖像特征和環境信息的多維度時空特征，通過特征融合判斷是否發生火災?；诖?，LI 等[128]提出了一種基于異常特征量監測的高壓電力電纜隧道火災預警方法。XIE 等[129]利用感溫光纖監測電纜表面溫度并反演電纜內部線芯溫度的預警方法，研究了高壓電力電纜內部的空氣層對該反演預警模型的影響，指出空氣層會導致內部過熱線芯向外熱流傳遞受阻而延遲報警乃至漏報。

LIU 等[130]針對綜合管廊內的線性火源，研究了彎曲側壁對其中縱向溫度分布的影響，提出了管廊內溫度分布預測的經驗公式。王彥文等[131]從電纜徑向截面上的熱傳導規律入手，建立了基于等效三等分暫態熱路模型的三芯礦用電力電纜線芯溫度計算方法，可由電纜外護套表面溫度實時計算出電纜線芯溫度。

針對電火花引發火災，孫繼平等[56]提出了礦井電火花及熱動力災害紫外圖像感知方法，如圖19所示。

圖19 基于雙目視覺的礦井外因火災感知與火源定位方法流程[56]Fig.19 Flow of mine external fire sensing and fire source positioning methods based on binocular vision[56]

通過在井下不同位置布設紫外攝像機、拾音器和空氣壓力傳感器對礦井紫外圖像、聲音和空氣壓力進行實時采集；后經過處理判別得出是否進行報警，實現對電火花的監測預警，取得了不錯的效果。以上學者從燃燒氣體產物、熱量以及燃燒光學特性出發進行了相關研究，為早期預警提供依據。

2) 輸送帶火災?？蓪⑼庖蚧馂姆譃橐韵码A段：①初始階段。在該階段內，輸送帶因托輥不轉、浮煤摩擦等出現發熱現象，電纜因負荷大、機械損壞等原因出現發熱現象，此時溫度仍較低，主要表現為溫度tc超過日常平均溫度tp。②發展階段。該階段溫度迅速上升，表現為溫度tc明顯迅速升高，輸送帶、電纜或機電硐室下風口監測到 CO等氣體異常，出現煙霧伴有焦糊味。③燃燒及快速擴大階段。當溫度升高到燃點tR后，出現明火，并快速擴大，表現為溫度tc突然陡升，出現大量煙霧伴隨燒焦味，輸送帶、電纜下風口監測到 CO等氣體異常，輸送帶斷帶、斷電、設備停機等?？蓪⒈O測預警等級分為以下4 個階段，見表6。

表6 輸送帶火災分級防控Table 6 Tape fire hierarchy prevention and control

ZHANG 等[132]通過熱重分析-傅立葉變換紅外光譜法，測試了輸送帶在4 種加熱速率下的熱重變化，也將其劃分為3 個階段（圖20）；WANG 等[133]通過試驗確定了輸送帶燃燒過程中的7 個特征溫度及其閾值，并將該過程分為3 個階段（I、II、III）。該工藝主要產生 CH4、CO、CO2等氣體，并確定了各種氣體的溫度范圍。如圖21 所示。

圖20 輸送帶燃燒的3 個階段[132]Fig.20 Three stages of conveyor belt combustion[132]

圖21 樣品在20～900 ℃的TG 和DTG 曲線[133]Fig.21 TG and DTG curves of duct tape samples[133]

針對外因火災特征信息傳統檢測手段定量獲取、判識及預警存在的誤差大、監測范圍小、測點少、工作量大的特點，結合數據分析方法的研究現狀和特點，研究輸送帶和電纜燃燒特征信息隱患辨識預判方法，對監測數據進行有效挖掘和分析，掌握外因火災指標氣體與特征溫度的內在關聯關系，實現重點區域外因火災隱患的辨識與動態預判。

4.2 預警系統平臺架構

基于物聯網的礦井火災監測預警系統由感知層、網絡層和應用層構成，基于物聯網的煤自燃監測預警系統的3 層結構（感知用），如圖22 所示。

圖22 基于物聯網的火災監測預警系統3 層結構Fig.22 Three-layer structure of IoT-based fire monitoring and early warning system

4.2.1 感知層

感知層是由束管監測、光纖測溫、無線自組網測溫、多參數氣體傳感器、紅外測溫、視覺特征圖像識別等6 部分組成，用來感知井下火災的信息參數和狀態。

4.2.2 網絡層

網絡層主要包括無線感知網絡（WSN）、RS485總線、WIFI、礦井工業以太環網，以煤礦現有的工業以太環網為主干，多種通訊網絡為分支，WSN 和光纖傳感為末梢，形成一體式的異構網絡平臺。

4.2.3 應用層

應用層采用云網絡技術實現決策分析和信息分享功能。通過云網絡的方式實現煤自燃多源信息大數據的整合與交互；利用集群大數據云計算進行數據分析、狀態識別、火災預警、火災定位、智能管理和趨勢預測，結合專家系統和現場經驗，挖掘煤自燃致災因素和危險源的異常特征信息，實現整個系統的動態分析和決策；采用云網絡技術的分享功能，實現監控中心、相關部門、各級領導對煤礦火災的動態感知、協調管控和應急反應。

4.3 預警系統建設

4.3.1 基于物聯網的礦井火災監測預警系統研究

丁偉杰等[134]設計了基于窄帶物聯網(NB-IoT)技術的無線智能火災監測與報警系統。采用STM32作為火災監測終端節點的控制器，設計了終端節點電路，進行火災各參數的監測；采用物聯網通信模塊BC20 作為通信節點，實現控制器與通信模塊的數據交換；采用MQTT 協議實現通信模塊與云服務平臺之間的數據通信。賀耀宜等[135]提出了一種采用“模型驅動”開發模式的智能礦山低代碼工業物聯網平臺設計方案。

張靜等[136]設計了基于物聯網的煤礦安全監測與預警系統的平臺架構，包括感知層、傳輸層和應用層,分析了該預警系統的功能需求。賀耀宜等[137]提出了基于私有云部署的智能礦山基礎信息平臺結構和設計理念，只需1 套基于微服務技術的分布式軟件平臺即可解決全礦井各類自動化數據的采集、分類存儲、交互、融合分析，并實現與控制執行裝置的聯動控制。陳珍萍等[138]基于下標偏移法抵消分組傳輸中的固定延遲和節點間相位偏移，采用迭代法估計節點間的頻率偏移，降低了同步算法的計算復雜度。ZHAO 等[139]結合預警準則閾值，識別氣體超限區域，確定火源預警等級設計了一種基于隨機森林算法的煤礦井下危險源識別預警系統。

從目前基于物聯網的煤礦監測技術的發展現狀及實際應用可以發現，其受信息感知裝備的影響很大。若信息感知不全面、不完善，就會限制煤礦物聯網監測監控技術的進一步發展。

4.3.2 基于大數據、云計算的火災監測預警系統研究

云計算技術是近年來發展極為迅速的技術，云計算技術將網絡作為載體，將虛擬化技術作為基礎，將可擴展的數據、存儲以及計算資源整合，利用分布式計算資源完成工作的計算模式。將其應用于礦井火災的監測預警中可實現對火情的智能預警。降華[140]基于云計算的基本原理和PaaS 模式，構建了煤礦自燃安全監控與報警的云計算平臺，如圖23 所示。

丁恩杰等[141]指出煤礦安全監控系統的重點在于感知層，分析了感知層實現數據采集與數據傳輸所用到的關鍵技術。曹允欽[142]利用煤礦安全綜合數據庫中的基礎數據、實時監測數據以及事務性數據，根據煤礦安全動態診斷專家知識庫進行評估、推理和演繹，分析煤礦安全生產現狀與趨勢。

4.3.3 基于人工智能的火災監測預警系統研究

利用大數據、人工智能等融合礦井內多災源數據，研發能感知火災發展進程，動態呈現礦井內危險區域變化，是礦井火災前期危險源辨識、災害預測預報的提升和突破?？蔀槊鹤匀嫉闹鲃臃揽靥峁┯辛ΡＵ?。大型語言模型(Large Language Models，LLM)在過去的5 年內迎來了極大的發展。尤其是2022 年11 月Chat Generative Pre-trained Transformer (Chat GPT)發布后更是引起了全世界的關注，其可以通過一個簡單的對話框就可以實現問題回答、文稿撰寫、代碼生成、數學解題等過去自然語言處理系統需要大量小模型訂制開發才能分別實現的能力。2023年3 月，GPT-4 具有了多模態理解能力，可以對圖像、視頻進行識別，展現了“通用人工智能(AGI)”的能力。其具有可基于人類反饋進行強化學習、糾正、泛化、創造性等優點，可將其應用于礦井智能化研究中。

周福寶等[143]指明了基于物聯網（IoT）+人工智能（AI）+云平臺（CP）的大數據策略與集成云邊端架構的密閉安全風險監測預警總體建設路徑。盧萬杰等[144]基于卷積神經網絡的深度學習算法建立了煤礦設備類型識別模型，使用基于粒子群優化的SVM（support vector machine，支持向量機）建立了煤礦設備匹配模型，經過同BP 神經網絡的對比發現，SVM優于BP 神經網絡。靳德武等[145]通過大數據挖掘技術和深度學習智能方法,構建水害智能預警云平臺。葛明臣等[146]通過多層BP 前饋神經網絡構建了井下電弧預警模型，經過訓練的模型可以達到97.333%的正確預警率，證實了BP 前饋模型在井下故障電弧識別領域的可行性和適宜性。

另外還有基于數字孿生的監測與技術，即將物聯網、云計算和人工智能相結合的方式還原現場實際，肖粲俊等[147]借助數字孿生技術，搭建煤礦智能管控平臺，成功破解了基本信息數字化、生產流程虛擬化、綜合管控一體化，以及決策分析融合化等技術難題。

5 總結與展望

1) 在礦井火災信息智能感知方面，進一步加強傳感技術及裝備研發。在前期研究內容的基礎上，開發檢測準確度更高、使用壽命更長、檢測范圍更廣的優勢檢測設備；探索多檢測設備協同作用的布設方案；研究可以精準識別、判斷的多源數據處理方法，促使井下檢測方法從單一向多元化轉變。

2) 在礦井火災智能預測及模型方面，進一步加強隱蔽火源的位置探尋方法研究。建立數字礦井、數字孿生工作面，掌握開采地質信息；提高火災信息感知手段，多種方法協同作用共同判斷火源位置及火災危險區域，建立隱蔽火源探測方法，建立區域火災信息探測平臺，對采空區“三帶”實現動態呈現，并針對火災前兆信息，進行煤自燃進程判斷及實現自感知、自分析、自預測，使災害透明化，從而達到自動預警的目標。

3) 在礦井火災智能預警系統方面，將大數據融入智能判識?？梢岳煤Ａ康挠柧殧祿?，包括國內各個礦區的多種煤樣的自然發火期、自燃傾向性等特性參數以及特殊條件下如浸水風干煤、火成巖侵入煤、二次氧化煤等的煤自燃特性輸入模型中，歸一化處理后，利用大型語言模型對事故歷史數據進行分析，明確災變前兆信息 ，確定氣體和溫度預警指標并促進二者的融合。深入挖掘事故發生發展過程中的數據變化，將數據變化同煤自燃發展程度相結合，得出火災發生前的異常數據、發生的地點以及提出相應的預警信息。最后，結合現場具體條件，將礦井火災智能感知裝備接入語言大模型，利用大模型對監測得到的數據進行分析，結合災變信息，實現對礦井火災的監測預警。

4）在礦井火災智能判識與防控技術聯動方面，利用大型語言模型提出礦井火災的防控策略。給模型輸入現有的礦井火災防控措施，形成火災防控措施庫，并給模型輸入不同的地質結構、供風條件進行訓練，結合大模型提出的礦井火災的預警階段，自主選擇滅火方案，并不斷進行迭代優化，從而實現對礦井火災的智能判識與防控技術聯動效果。