基于聲音識別的煤礦重特大事故報(bào)警方法研究

孫繼平, 余星辰

(中國礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院， 北京 100083)

0 引言

煤炭是我國的主要能源，在我國能源生產(chǎn)與消費(fèi)結(jié)構(gòu)中所占比例最大[1-3]。在我國一次能源生產(chǎn)與消費(fèi)結(jié)構(gòu)中，煤炭產(chǎn)量約占70%，消費(fèi)量約占60%[4]。煤炭行業(yè)是高危行業(yè)，瓦斯、水、火、沖擊地壓、頂板、運(yùn)輸、機(jī)電、放炮等事故困擾著煤礦安全生產(chǎn)[5-9]。2020年全國煤礦共發(fā)生死亡事故122起、死亡225人，同比下降28.2%和28.8%，百萬噸死亡率約為0.058，全年未發(fā)生重特大瓦斯事故，是新中國成立以來首次。

煤礦重特大事故感知與報(bào)警是減少人員傷亡和財(cái)產(chǎn)損失的有效措施[10-11]。因此，研究煤礦重大事故報(bào)警方法具有重要的理論意義和實(shí)用價(jià)值[12-14]。本文針對煤礦重特大事故聲音特點(diǎn)，提出了煤礦瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、水災(zāi)、頂板冒落等事故報(bào)警方法；論述了不同拾音設(shè)備的優(yōu)缺點(diǎn)，礦用拾音設(shè)備宜采用麥克風(fēng)陣列；研究了適用于煤礦重特大事故的聲音識別分類器。

1 基于聲音識別的煤礦瓦斯與煤塵爆炸報(bào)警方法

煤礦瓦斯與煤塵爆炸會(huì)產(chǎn)生爆炸聲[15]。煤與瓦斯突出、沖擊地壓、透水、頂板大面積冒落、工作面落煤、爆破作業(yè)、采煤設(shè)備(采煤機(jī)、液壓支架、刮板輸送機(jī)、轉(zhuǎn)載機(jī)、破碎機(jī)等)工作、掘進(jìn)設(shè)備(掘進(jìn)機(jī)、錨桿機(jī)、風(fēng)鎬等)工作、運(yùn)輸提升設(shè)備(帶式輸送機(jī)、膠輪車、電機(jī)車、提升機(jī)等)工作、供電設(shè)備(變壓器、高低壓控制設(shè)備等)工作、乳化液泵、水泵和局部通風(fēng)機(jī)工作等也會(huì)產(chǎn)生聲音[15]。但爆炸聲的時(shí)域和頻域特征與其他聲音不同，可通過礦用防爆拾音設(shè)備和系統(tǒng)實(shí)時(shí)監(jiān)測聲音，通過聲音智能分析和聲音頻率、幅度、短時(shí)能量等特征參數(shù)分析感知瓦斯與煤塵爆炸并報(bào)警。通過監(jiān)測和分析不同監(jiān)測地點(diǎn)聲音強(qiáng)度特征、監(jiān)測到的瓦斯與煤塵爆炸聲音的先后關(guān)系和防爆拾音設(shè)備損壞的先后關(guān)系等判定爆源[15]。

煤礦瓦斯與煤塵爆炸具有如下特征：空氣中O2濃度迅速降低，CO2，CO等有毒有害氣體濃度迅速升高；環(huán)境溫度迅速升高，空氣壓力迅速增大后回落；產(chǎn)生較強(qiáng)的紅外和紫外輻射；產(chǎn)生高溫、高壓、高速的爆炸沖擊波和火焰鋒面；產(chǎn)生爆炸音與震動(dòng)；產(chǎn)生大量煙霧和粉塵；風(fēng)速迅速增大后回落，風(fēng)流反向[15]。為提高瓦斯與煤塵爆炸識別準(zhǔn)確率，除監(jiān)測聲音外，還需監(jiān)測氣體(O2,CO2,CO等)濃度、震動(dòng)、氣壓、風(fēng)速、風(fēng)向、煙霧、粉塵、紅外線、紫外線和圖像等，通過多信息融合分析，減小煤與瓦斯突出、沖擊地壓、透水、頂板冒落、煤炭生產(chǎn)等產(chǎn)生的聲音對煤礦瓦斯與煤塵爆炸辨識的影響[5，15-16]。

2 基于聲音識別的煤與瓦斯突出報(bào)警方法

煤與瓦斯突出會(huì)產(chǎn)生煤炮聲(有的像炒豆聲、有的像鞭炮聲、有的像機(jī)關(guān)槍連射聲、有的像悶雷聲等)、支架發(fā)出的嘎嘎聲和破裂折斷聲等。瓦斯與煤塵爆炸、沖擊地壓、透水、頂板大面積冒落、工作面落煤、爆破作業(yè)、采煤設(shè)備工作、掘進(jìn)設(shè)備工作、運(yùn)輸提升設(shè)備工作、供電設(shè)備工作、乳化液泵、水泵和局部通風(fēng)機(jī)工作等也會(huì)產(chǎn)生聲音。但煤與瓦斯突出聲音的時(shí)域和頻域特征與其他聲音不同，可通過礦用防爆拾音設(shè)備和系統(tǒng)實(shí)時(shí)監(jiān)測聲音，通過聲音智能分析和聲音頻率、幅度、短時(shí)能量等特征參數(shù)分析感知煤與瓦斯突出并報(bào)警。通過監(jiān)測和分析不同監(jiān)測地點(diǎn)的聲音強(qiáng)度特征、監(jiān)測到的煤與瓦斯突出聲音的先后關(guān)系和礦用防爆拾音設(shè)備損壞的先后關(guān)系等判定突出位置。

煤與瓦斯突出具有下列特征：在突出前，工作面瓦斯涌出量忽大忽小；煤巖體破裂會(huì)釋放一定的能量，并伴隨聲、光、電、磁、熱等煤巖體動(dòng)力災(zāi)害前兆現(xiàn)象，即地音、微震、電磁輻射、熱輻射等。為提高煤與瓦斯突出識別準(zhǔn)確率，除監(jiān)測聲音外，還需監(jiān)測甲烷濃度、溫度、地音、微震、氣壓、風(fēng)速、風(fēng)向、煙霧、粉塵、電磁輻射、紅外線、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、沖擊地壓、透水、頂板冒落、煤炭生產(chǎn)等產(chǎn)生的聲音對煤與瓦斯突出辨識的影響[5，17-19]。

3 基于聲音識別的沖擊地壓報(bào)警方法

沖擊地壓會(huì)產(chǎn)生巨大的巖石破碎聲響和震動(dòng)等。瓦斯與煤塵爆炸、煤與瓦斯突出、透水、頂板大面積冒落、工作面落煤、爆破作業(yè)、采煤設(shè)備工作、掘進(jìn)設(shè)備工作、運(yùn)輸提升設(shè)備工作、供電設(shè)備工作、乳化液泵、水泵和局部通風(fēng)機(jī)工作等也會(huì)產(chǎn)生聲音。但沖擊地壓聲音的時(shí)域和頻域特征與其他聲音不同，可通過礦用防爆拾音設(shè)備和系統(tǒng)實(shí)時(shí)監(jiān)測聲音，通過聲音智能分析和聲音頻率、幅度、短時(shí)能量等特征參數(shù)分析感知沖擊地壓并報(bào)警。通過監(jiān)測和分析不同監(jiān)測地點(diǎn)的聲音強(qiáng)度特征、監(jiān)測到的沖擊地壓聲音的先后關(guān)系和礦用防爆拾音設(shè)備損壞的先后關(guān)系等判定沖擊地壓位置。

沖擊地壓具有下列特征：煤巖體破裂會(huì)釋放一定的能量，并伴隨聲、光、電、磁、熱等煤巖體動(dòng)力災(zāi)害前兆現(xiàn)象，即地音、微震、電磁輻射、熱輻射等。為提高沖擊地壓識別準(zhǔn)確率，除監(jiān)測聲音外，還需監(jiān)測甲烷濃度、溫度、地音、微震、氣壓、風(fēng)速、風(fēng)向、煙霧、粉塵、電磁輻射、紅外線、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、煤與瓦斯突出、透水、頂板冒落、煤炭生產(chǎn)等產(chǎn)生的聲音對沖擊地壓辨識的影響[5，18-19]。

4 基于聲音識別的煤礦透水報(bào)警方法

煤礦透水會(huì)發(fā)出“嘶嘶”的水叫聲,大量透水會(huì)產(chǎn)生水流聲等。瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、頂板大面積冒落、工作面落煤、爆破作業(yè)、采煤設(shè)備工作、掘進(jìn)設(shè)備工作、運(yùn)輸提升設(shè)備工作、供電設(shè)備工作、乳化液泵、水泵和局部通風(fēng)機(jī)工作等也會(huì)產(chǎn)生聲音。但透水聲音的時(shí)域和頻域特征與其他聲音不同，可通過礦用防爆拾音設(shè)備和系統(tǒng)實(shí)時(shí)監(jiān)測聲音，通過聲音智能分析和聲音頻率、幅度、短時(shí)能量等特征參數(shù)分析感知礦井透水并報(bào)警。通過監(jiān)測和分析不同監(jiān)測地點(diǎn)的聲音強(qiáng)度特征、監(jiān)測到的透水聲音的先后關(guān)系和礦用防爆拾音設(shè)備損壞的先后關(guān)系等判定礦井透水位置。

煤礦透水具有下列特征：掛紅、掛汗、空氣變冷、出現(xiàn)霧氣、水叫、頂板淋水加大、頂板來壓、底板鼓起或產(chǎn)生裂隙、出現(xiàn)滲水、水色發(fā)渾、有臭味等。為提高礦井透水識別準(zhǔn)確率，除監(jiān)測聲音外，還需監(jiān)測水質(zhì)、涌水量、水位、水溫、氣溫、濕度、電阻率、應(yīng)力、微震、地音、水文、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、頂板冒落、煤炭生產(chǎn)等產(chǎn)生的聲音對礦井透水辨識的影響[5，20-22]。

5 基于聲音識別的頂板冒落報(bào)警方法

煤礦頂板冒落會(huì)發(fā)出頂板斷裂聲、煤巖落地撞擊聲、支護(hù)損毀聲等。瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、工作面落煤、爆破作業(yè)、采煤設(shè)備工作、掘進(jìn)設(shè)備工作、運(yùn)輸提升設(shè)備工作、供電設(shè)備工作、乳化液泵、水泵和局部通風(fēng)機(jī)工作等也會(huì)產(chǎn)生聲音。但頂板冒落聲音的時(shí)域和頻域特征與其他聲音不同，可通過礦用防爆拾音設(shè)備和系統(tǒng)實(shí)時(shí)監(jiān)測聲音，通過聲音智能分析和聲音頻率、幅度、短時(shí)能量等特征參數(shù)分析感知頂板冒落并報(bào)警。通過監(jiān)測和分析不同監(jiān)測地點(diǎn)的聲音強(qiáng)度特征、監(jiān)測到的頂板冒落聲音的先后關(guān)系和礦用防爆拾音設(shè)備損壞的先后關(guān)系等判定頂板冒落位置。

頂板冒落具有下列特征：頂板出現(xiàn)裂縫并張開、出現(xiàn)離層、煤質(zhì)變軟、有片幫和掉碴現(xiàn)象，瓦斯涌出量增大,頂板淋水水量增加等。為提高頂板冒落識別準(zhǔn)確率，除監(jiān)測聲音外，還需監(jiān)測頂板下沉量、巷道變形、錨桿應(yīng)力、微震、地音、甲烷濃度、圖像等，通過多信息融合分析，減小瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、煤炭生產(chǎn)等產(chǎn)生的聲音對頂板冒落辨識的影響[5，18-19]。

6 拾音設(shè)備

拾音設(shè)備主要有單麥克風(fēng)拾音設(shè)備和麥克風(fēng)陣列拾音設(shè)備。

傳統(tǒng)的音頻監(jiān)控系統(tǒng)通常采用單麥克風(fēng)拾音設(shè)備，即用1個(gè)麥克風(fēng)拾取目標(biāo)源發(fā)出的聲音。單麥克風(fēng)采集到的聲音受到周圍環(huán)境及監(jiān)測環(huán)境的混響等干擾，影響聲音識別。因此，單麥克風(fēng)拾音需要內(nèi)部增加噪聲抑制、聲音提取和聲音分離等算法[23]。

麥克風(fēng)陣列是以特定方式排列[24]、準(zhǔn)確獲取監(jiān)測區(qū)域不同空間方向聲音信息的一組麥克風(fēng)。麥克風(fēng)陣列所涉及的算法主要包括聲源定位、波束形成、去混響和處理增強(qiáng)等，具有噪聲抑制、回聲抑制、去混響、單或多聲源定位、聲源數(shù)目估計(jì)、源分離等功能。麥克風(fēng)陣列可分為均勻線性陣列、非均勻線性陣列、非線性陣列、環(huán)形陣列、球形陣列、二維陣列和三維陣列等。

麥克風(fēng)陣列拾音與單麥克風(fēng)拾音相比，具有下列優(yōu)點(diǎn)[23-24]：① 可以解決單麥克風(fēng)遠(yuǎn)距離拾音困難的問題。② 可以彌補(bǔ)單麥克風(fēng)在噪聲抑制、聲音提取和聲音分離等方面的不足。③ 可以解決單麥克風(fēng)拾音聲音信號失真的問題。因此，礦用聲音識別宜選用麥克風(fēng)陣列。

7 聲音識別分類器

瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落、工作面落煤、采煤設(shè)備工作、掘進(jìn)設(shè)備工作、運(yùn)輸提升設(shè)備工作、供電設(shè)備工作、乳化液泵、水泵和局部通風(fēng)機(jī)工作產(chǎn)生的聲音，其時(shí)域和頻域特征不同。為提高通過聲音辨識瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落等的準(zhǔn)確性，需進(jìn)行聲音頻率、幅度、短時(shí)能量等特征參數(shù)分析，并采用聲音識別分類器辨識。

聲音識別分類器[25]有高斯混合模型(Gaussian Mixture Model，GMM)、隱馬爾科夫模型(Hidden Markov Model，HMM)、矢量量化(Vector Quantization，VQ)技術(shù)、支持向量機(jī)(Support Vector Machine，SVM)、K近鄰分類器(K-Nearest Neighbor Classifier,KNN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)等。

GMM[25]是一種業(yè)界廣泛使用的聚類算法，使用高斯分布作為參數(shù)模型，使用期望最大算法進(jìn)行訓(xùn)練，采用高斯概率密度函數(shù)(正態(tài)分布曲線)量化事物，將一個(gè)事物分解為若干個(gè)基于高斯概率密度函數(shù)(正態(tài)分布曲線)形成的模型。目前，GMM是應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)算法之一，適用于圖像處理、聲音識別、文字識別、設(shè)備故障診斷等領(lǐng)域。

HMM[25]是一種概率統(tǒng)計(jì)模型，是應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)算法之一，適用于聲音識別、自然語言處理、文字識別和生物信息等領(lǐng)域[26]。

VQ[25]是將標(biāo)量數(shù)據(jù)進(jìn)行矢量化壓縮，可在不影響主體數(shù)據(jù)的前提下，減少數(shù)據(jù)冗余量，是一種應(yīng)用非常廣泛的信息壓縮技術(shù)[26]，在語音識別和聲音編碼中得到了廣泛應(yīng)用。

SVM[25]是最早的概率統(tǒng)計(jì)模型，在小樣本、非線性和高維數(shù)據(jù)的分類識別中得到了廣泛應(yīng)用。SVM是一種概率統(tǒng)計(jì)模型，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為核心，構(gòu)造最優(yōu)超平面，使得不同樣本到此平面的最小距離最大，從而實(shí)現(xiàn)數(shù)據(jù)分類。相對于傳統(tǒng)模式匹配算法，SVM具有運(yùn)算速度快、整體構(gòu)造簡單、魯棒性好、泛化能力強(qiáng)等優(yōu)點(diǎn)，是發(fā)展最快的分類識別算法之一[26]。

KNN[25]是假定相似的事物彼此接近，已作為一種非參數(shù)技術(shù)用于統(tǒng)計(jì)估計(jì)和模式識別。KNN是一種非參數(shù)的惰性學(xué)習(xí)算法，作為最簡單的分類算法之一，其目的是將數(shù)據(jù)集的所有樣本劃分為若干類，并用以預(yù)測新樣本的分類。

近年來，隨著人工智能的發(fā)展和圖形處理器(Graphics Processing Unit,GPU)計(jì)算能力的提升，以CNN[25，27]為代表的深度學(xué)習(xí)方案的訓(xùn)練速度大大加快，具備了實(shí)際應(yīng)用能力，且在聲音識別技術(shù)中表現(xiàn)突出。不同維度的CNN適用的領(lǐng)域也有差別，一維CNN適合處理序列類型的數(shù)據(jù)，二維CNN適合處理一般圖像的分類識別和聲音識別，三維CNN主要應(yīng)用在視頻處理和醫(yī)學(xué)圖像識別等領(lǐng)域。

8 結(jié)語

煤炭是我國主要能源。煤炭行業(yè)是高危行業(yè)，瓦斯、水、火、沖擊地壓、頂板、運(yùn)輸、機(jī)電、放炮等事故困擾著煤礦安全生產(chǎn)。煤礦重特大事故感知與報(bào)警是減少人員傷亡和財(cái)產(chǎn)損失的有效措施。煤礦瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落都會(huì)產(chǎn)生聲音。不同類型事故產(chǎn)生的聲音不同，并與工作面落煤、爆破作業(yè)、采煤設(shè)備、掘進(jìn)設(shè)備、運(yùn)輸提升設(shè)備、供電設(shè)備、乳化液泵、水泵和局部通風(fēng)機(jī)工作等煤炭生產(chǎn)聲音差異較大，可通過聲音監(jiān)測和智能分析辨識煤礦瓦斯與煤塵爆炸、煤與瓦斯突出、沖擊地壓、透水、頂板冒落等煤礦重特大事故并報(bào)警。通過聲音、圖像和多種傳感器信息融合，排除煤炭生產(chǎn)等聲音的影響。