基于声音识别的煤矿重特大事故报警方法研究

孙继平, 余星辰

(中国矿业大学(北京) 机电与信息工程学院， 北京 100083)

0 引言

煤炭是我国的主要能源，在我国能源生产与消费结构中所占比例最大[1-3]。在我国一次能源生产与消费结构中，煤炭产量约占70%，消费量约占60%[4]。煤炭行业是高危行业，瓦斯、水、火、冲击地压、顶板、运输、机电、放炮等事故困扰着煤矿安全生产[5-9]。2020年全国煤矿共发生死亡事故122起、死亡225人，同比下降28.2%和28.8%，百万吨死亡率约为0.058，全年未发生重特大瓦斯事故，是新中国成立以来首次。

煤矿重特大事故感知与报警是减少人员伤亡和财产损失的有效措施[10-11]。因此，研究煤矿重大事故报警方法具有重要的理论意义和实用价值[12-14]。本文针对煤矿重特大事故声音特点，提出了煤矿瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、水灾、顶板冒落等事故报警方法；论述了不同拾音设备的优缺点，矿用拾音设备宜采用麦克风阵列；研究了适用于煤矿重特大事故的声音识别分类器。

1 基于声音识别的煤矿瓦斯与煤尘爆炸报警方法

煤矿瓦斯与煤尘爆炸会产生爆炸声[15]。煤与瓦斯突出、冲击地压、透水、顶板大面积冒落、工作面落煤、爆破作业、采煤设备(采煤机、液压支架、刮板输送机、转载机、破碎机等)工作、掘进设备(掘进机、锚杆机、风镐等)工作、运输提升设备(带式输送机、胶轮车、电机车、提升机等)工作、供电设备(变压器、高低压控制设备等)工作、乳化液泵、水泵和局部通风机工作等也会产生声音[15]。但爆炸声的时域和频域特征与其他声音不同，可通过矿用防爆拾音设备和系统实时监测声音，通过声音智能分析和声音频率、幅度、短时能量等特征参数分析感知瓦斯与煤尘爆炸并报警。通过监测和分析不同监测地点声音强度特征、监测到的瓦斯与煤尘爆炸声音的先后关系和防爆拾音设备损坏的先后关系等判定爆源[15]。

煤矿瓦斯与煤尘爆炸具有如下特征：空气中O2浓度迅速降低，CO2，CO等有毒有害气体浓度迅速升高；环境温度迅速升高，空气压力迅速增大后回落；产生较强的红外和紫外辐射；产生高温、高压、高速的爆炸冲击波和火焰锋面；产生爆炸音与震动；产生大量烟雾和粉尘；风速迅速增大后回落，风流反向[15]。为提高瓦斯与煤尘爆炸识别准确率，除监测声音外，还需监测气体(O2,CO2,CO等)浓度、震动、气压、风速、风向、烟雾、粉尘、红外线、紫外线和图像等，通过多信息融合分析，减小煤与瓦斯突出、冲击地压、透水、顶板冒落、煤炭生产等产生的声音对煤矿瓦斯与煤尘爆炸辨识的影响[5，15-16]。

2 基于声音识别的煤与瓦斯突出报警方法

煤与瓦斯突出会产生煤炮声(有的像炒豆声、有的像鞭炮声、有的像机关枪连射声、有的像闷雷声等)、支架发出的嘎嘎声和破裂折断声等。瓦斯与煤尘爆炸、冲击地压、透水、顶板大面积冒落、工作面落煤、爆破作业、采煤设备工作、掘进设备工作、运输提升设备工作、供电设备工作、乳化液泵、水泵和局部通风机工作等也会产生声音。但煤与瓦斯突出声音的时域和频域特征与其他声音不同，可通过矿用防爆拾音设备和系统实时监测声音，通过声音智能分析和声音频率、幅度、短时能量等特征参数分析感知煤与瓦斯突出并报警。通过监测和分析不同监测地点的声音强度特征、监测到的煤与瓦斯突出声音的先后关系和矿用防爆拾音设备损坏的先后关系等判定突出位置。

煤与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；煤岩体破裂会释放一定的能量，并伴随声、光、电、磁、热等煤岩体动力灾害前兆现象，即地音、微震、电磁辐射、热辐射等。为提高煤与瓦斯突出识别准确率，除监测声音外，还需监测甲烷浓度、温度、地音、微震、气压、风速、风向、烟雾、粉尘、电磁辐射、红外线、图像等，通过多信息融合分析，减小瓦斯与煤尘爆炸、冲击地压、透水、顶板冒落、煤炭生产等产生的声音对煤与瓦斯突出辨识的影响[5，17-19]。

3 基于声音识别的冲击地压报警方法

冲击地压会产生巨大的岩石破碎声响和震动等。瓦斯与煤尘爆炸、煤与瓦斯突出、透水、顶板大面积冒落、工作面落煤、爆破作业、采煤设备工作、掘进设备工作、运输提升设备工作、供电设备工作、乳化液泵、水泵和局部通风机工作等也会产生声音。但冲击地压声音的时域和频域特征与其他声音不同，可通过矿用防爆拾音设备和系统实时监测声音，通过声音智能分析和声音频率、幅度、短时能量等特征参数分析感知冲击地压并报警。通过监测和分析不同监测地点的声音强度特征、监测到的冲击地压声音的先后关系和矿用防爆拾音设备损坏的先后关系等判定冲击地压位置。

冲击地压具有下列特征：煤岩体破裂会释放一定的能量，并伴随声、光、电、磁、热等煤岩体动力灾害前兆现象，即地音、微震、电磁辐射、热辐射等。为提高冲击地压识别准确率，除监测声音外，还需监测甲烷浓度、温度、地音、微震、气压、风速、风向、烟雾、粉尘、电磁辐射、红外线、图像等，通过多信息融合分析，减小瓦斯与煤尘爆炸、煤与瓦斯突出、透水、顶板冒落、煤炭生产等产生的声音对冲击地压辨识的影响[5，18-19]。

4 基于声音识别的煤矿透水报警方法

煤矿透水会发出“嘶嘶”的水叫声,大量透水会产生水流声等。瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、顶板大面积冒落、工作面落煤、爆破作业、采煤设备工作、掘进设备工作、运输提升设备工作、供电设备工作、乳化液泵、水泵和局部通风机工作等也会产生声音。但透水声音的时域和频域特征与其他声音不同，可通过矿用防爆拾音设备和系统实时监测声音，通过声音智能分析和声音频率、幅度、短时能量等特征参数分析感知矿井透水并报警。通过监测和分析不同监测地点的声音强度特征、监测到的透水声音的先后关系和矿用防爆拾音设备损坏的先后关系等判定矿井透水位置。

煤矿透水具有下列特征：挂红、挂汗、空气变冷、出现雾气、水叫、顶板淋水加大、顶板来压、底板鼓起或产生裂隙、出现渗水、水色发浑、有臭味等。为提高矿井透水识别准确率，除监测声音外，还需监测水质、涌水量、水位、水温、气温、湿度、电阻率、应力、微震、地音、水文、图像等，通过多信息融合分析，减小瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、顶板冒落、煤炭生产等产生的声音对矿井透水辨识的影响[5，20-22]。

5 基于声音识别的顶板冒落报警方法

煤矿顶板冒落会发出顶板断裂声、煤岩落地撞击声、支护损毁声等。瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、透水、工作面落煤、爆破作业、采煤设备工作、掘进设备工作、运输提升设备工作、供电设备工作、乳化液泵、水泵和局部通风机工作等也会产生声音。但顶板冒落声音的时域和频域特征与其他声音不同，可通过矿用防爆拾音设备和系统实时监测声音，通过声音智能分析和声音频率、幅度、短时能量等特征参数分析感知顶板冒落并报警。通过监测和分析不同监测地点的声音强度特征、监测到的顶板冒落声音的先后关系和矿用防爆拾音设备损坏的先后关系等判定顶板冒落位置。

顶板冒落具有下列特征：顶板出现裂缝并张开、出现离层、煤质变软、有片帮和掉碴现象，瓦斯涌出量增大,顶板淋水水量增加等。为提高顶板冒落识别准确率，除监测声音外，还需监测顶板下沉量、巷道变形、锚杆应力、微震、地音、甲烷浓度、图像等，通过多信息融合分析，减小瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、透水、煤炭生产等产生的声音对顶板冒落辨识的影响[5，18-19]。

6 拾音设备

拾音设备主要有单麦克风拾音设备和麦克风阵列拾音设备。

传统的音频监控系统通常采用单麦克风拾音设备，即用1个麦克风拾取目标源发出的声音。单麦克风采集到的声音受到周围环境及监测环境的混响等干扰，影响声音识别。因此，单麦克风拾音需要内部增加噪声抑制、声音提取和声音分离等算法[23]。

麦克风阵列是以特定方式排列[24]、准确获取监测区域不同空间方向声音信息的一组麦克风。麦克风阵列所涉及的算法主要包括声源定位、波束形成、去混响和处理增强等，具有噪声抑制、回声抑制、去混响、单或多声源定位、声源数目估计、源分离等功能。麦克风阵列可分为均匀线性阵列、非均匀线性阵列、非线性阵列、环形阵列、球形阵列、二维阵列和三维阵列等。

麦克风阵列拾音与单麦克风拾音相比，具有下列优点[23-24]：① 可以解决单麦克风远距离拾音困难的问题。② 可以弥补单麦克风在噪声抑制、声音提取和声音分离等方面的不足。③ 可以解决单麦克风拾音声音信号失真的问题。因此，矿用声音识别宜选用麦克风阵列。

7 声音识别分类器

瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、透水、顶板冒落、工作面落煤、采煤设备工作、掘进设备工作、运输提升设备工作、供电设备工作、乳化液泵、水泵和局部通风机工作产生的声音，其时域和频域特征不同。为提高通过声音辨识瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、透水、顶板冒落等的准确性，需进行声音频率、幅度、短时能量等特征参数分析，并采用声音识别分类器辨识。

声音识别分类器[25]有高斯混合模型(Gaussian Mixture Model，GMM)、隐马尔科夫模型(Hidden Markov Model，HMM)、矢量量化(Vector Quantization，VQ)技术、支持向量机(Support Vector Machine，SVM)、K近邻分类器(K-Nearest Neighbor Classifier,KNN)和卷积神经网络(Convolutional Neural Networks,CNN)等。

GMM[25]是一种业界广泛使用的聚类算法，使用高斯分布作为参数模型，使用期望最大算法进行训练，采用高斯概率密度函数(正态分布曲线)量化事物，将一个事物分解为若干个基于高斯概率密度函数(正态分布曲线)形成的模型。目前，GMM是应用最为广泛的机器学习算法之一，适用于图像处理、声音识别、文字识别、设备故障诊断等领域。

HMM[25]是一种概率统计模型，是应用最为广泛的机器学习算法之一，适用于声音识别、自然语言处理、文字识别和生物信息等领域[26]。

VQ[25]是将标量数据进行矢量化压缩，可在不影响主体数据的前提下，减少数据冗余量，是一种应用非常广泛的信息压缩技术[26]，在语音识别和声音编码中得到了广泛应用。

SVM[25]是最早的概率统计模型，在小样本、非线性和高维数据的分类识别中得到了广泛应用。SVM是一种概率统计模型，以结构风险最小化为核心，构造最优超平面，使得不同样本到此平面的最小距离最大，从而实现数据分类。相对于传统模式匹配算法，SVM具有运算速度快、整体构造简单、鲁棒性好、泛化能力强等优点，是发展最快的分类识别算法之一[26]。

KNN[25]是假定相似的事物彼此接近，已作为一种非参数技术用于统计估计和模式识别。KNN是一种非参数的惰性学习算法，作为最简单的分类算法之一，其目的是将数据集的所有样本划分为若干类，并用以预测新样本的分类。

近年来，随着人工智能的发展和图形处理器(Graphics Processing Unit,GPU)计算能力的提升，以CNN[25，27]为代表的深度学习方案的训练速度大大加快，具备了实际应用能力，且在声音识别技术中表现突出。不同维度的CNN适用的领域也有差别，一维CNN适合处理序列类型的数据，二维CNN适合处理一般图像的分类识别和声音识别，三维CNN主要应用在视频处理和医学图像识别等领域。

8 结语

煤炭是我国主要能源。煤炭行业是高危行业，瓦斯、水、火、冲击地压、顶板、运输、机电、放炮等事故困扰着煤矿安全生产。煤矿重特大事故感知与报警是减少人员伤亡和财产损失的有效措施。煤矿瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、透水、顶板冒落都会产生声音。不同类型事故产生的声音不同，并与工作面落煤、爆破作业、采煤设备、掘进设备、运输提升设备、供电设备、乳化液泵、水泵和局部通风机工作等煤炭生产声音差异较大，可通过声音监测和智能分析辨识煤矿瓦斯与煤尘爆炸、煤与瓦斯突出、冲击地压、透水、顶板冒落等煤矿重特大事故并报警。通过声音、图像和多种传感器信息融合，排除煤炭生产等声音的影响。