煤礦安全隱患數(shù)據(jù)挖掘分析

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了煤礦安全隱患數(shù)據(jù)挖掘分析范文，希望能給你帶來靈感和參考，敬請閱讀。

【摘要】煤炭資源是我國的重要能源，煤礦安全生產(chǎn)對我國國民經(jīng)濟的發(fā)展有著很大的促進作用。大數(shù)據(jù)技術是繼云計算、物聯(lián)網(wǎng)等技術之后又一重大的技術革命。本文首先對煤礦安全監(jiān)測系統(tǒng)獲取的海量的煤礦安全隱患參數(shù)數(shù)據(jù)進行標準化處理，然后構建數(shù)據(jù)倉庫進行存儲，最后利用Apriori算法對標準化處理的數(shù)據(jù)進行數(shù)據(jù)挖掘，得出了煤礦安全生產(chǎn)有關的有用信息，從而為煤礦安全生產(chǎn)提供指導。

【關鍵詞】煤礦；大數(shù)據(jù)；標準化處理；Apriori算法；數(shù)據(jù)挖掘

一、數(shù)據(jù)獲取

本文以石板橋煤礦2015年12月-2016年12月的煤礦安全隱患監(jiān)測數(shù)據(jù)作為研究對象，通過自動或手動的方式獲取了瓦斯量、瓦斯壓力、通風量、溫度以及礦井深度等煤礦安全隱患參數(shù)信息。

二、數(shù)據(jù)標準化處理

本文將瓦斯量、瓦斯壓力、通風量、溫度以及礦井深度分別用字母C、P、V、T、D來表示，將瓦斯量分為（0-0.16），（0.16-0.31），（0.31-∞）三組，對應的字母分別為C1、C2、C3；將瓦斯壓力分為（0-10），（10-17），（17-∞）三組，對應的字母分別為P1、P2、P3；將通風量分為（0-1100），（1100-1250），（1250-∞）三組，對應的字母分別為V1、V2、V3；將溫度分為（0-20），（20-30），（30-∞）三組，對應的字母分別為T1、T2、T3；將礦井深度分為（0-300），（300-350），（350-∞）三組，對應的字母分別為D1、D2、D3。根據(jù)瓦斯?jié)舛鹊闹档那闆r可以將其分為(0-0.15)，(0.15-0.33)，(0.33-)三組，對應的標志分別為：Q1，Q2，Q3；根據(jù)瓦斯壓力的值的情況可以將其分為(0-7)，(7-18)，(18-)三組，對應的標志分別為：R1，R2，R3；根據(jù)通風量的值的情況可以將其分為(0-1200)，(1200-1300)，(1300-)三組，對應的標志分別為：S1，S2，S3；根據(jù)溫度的值的情況可以將其分為(-11)，(11-15)，(15-)三組，對應的標志分別為：T1，T2，T3；根據(jù)煤層厚度的值的情況可以將其分為(0-4)，(4-7)，(7-)三組，對應的標志分別為：U1，U2，U3。

三、數(shù)據(jù)挖掘

存儲在數(shù)據(jù)倉庫中的數(shù)據(jù)蘊含有豐富的有用信息，這些信息必須進行專業(yè)的數(shù)據(jù)挖掘處理才能獲取，本文采用關聯(lián)算法對數(shù)據(jù)倉庫中海量的數(shù)據(jù)進行挖掘。（一）Apriori關聯(lián)算法簡介Apriori算法的原理是通過逐層迭代的方法來產(chǎn)生候選項集合，然后通過生成的頻繁k-項集查詢候選（k+1）-項集，這種算法每一次都需要對數(shù)據(jù)倉庫進行重新掃描，最終挖掘出數(shù)據(jù)倉庫中所有滿足條件的頻繁項集。（二）Apriori算法實施環(huán)境硬件環(huán)境：處理器為酷睿i7，內存為4G，硬盤為500G。軟件環(huán)境：SQLServer2008+VisualStudio2010。算法運行環(huán)境為jre1.6.0_39，Tomcat6.0。（三）Apriori算法運行流程通過使用Apriori算法對煤礦安全隱患參數(shù)信息進行數(shù)據(jù)挖掘的關鍵因素是獲取極大頻繁項集。首先通過使用web瀏覽器登錄煤礦安全隱患數(shù)據(jù)管理系統(tǒng)，打開關聯(lián)規(guī)則數(shù)據(jù)挖掘界面，并進行如下的操作：（1）設定需要挖掘的煤礦安全隱患參數(shù)信息，主要包括瓦斯量、瓦斯壓力、通風量、溫度以及礦井深度。（2）輸入最小支持度：最小支持度的數(shù)值應該在0-1之間。（3）設置最小置信度：最小置信度的數(shù)值應該在0-1之間。（4）運行挖掘算法程序，通過數(shù)據(jù)庫關聯(lián)代碼自動訪問數(shù)據(jù)倉庫中存儲的標準化處理以后的海量煤礦安全隱患參數(shù)信息，得出有用的信息。（四）挖掘結果將最小支持度設置成0.4，將最小置信度設置成0.65，通過改進后的算法挖掘數(shù)據(jù)庫內存儲的標準化數(shù)據(jù)。（五）挖掘結果分析從表1中可以看出，運用改進后的挖掘算法對數(shù)據(jù)庫中存儲的標準化數(shù)據(jù)進行挖掘，一共挖掘出了四條強關聯(lián)規(guī)則，將這些強關聯(lián)規(guī)則轉化為瓦斯量、瓦斯壓力、通風量、溫度以及煤層深度等煤礦安全銀行參數(shù)以后可以得到如下解釋：高瓦斯量圯高瓦斯壓力高通風量圯低瓦斯量中通風量圯中瓦斯壓力高溫低通風量圯高瓦斯壓力通過將挖掘后的結果和煤礦安全生產(chǎn)實際情況進行對比后可以發(fā)現(xiàn)，利用改進后的算法進行數(shù)據(jù)挖掘能得出合理、可靠的有用信息，將這些信息應用于煤礦的安全生產(chǎn)中，可以起到很好的預防效果，做到有目的、有重點的防范，從而可以大大降低煤礦安全事故發(fā)生的幾率。

參考文獻：

［1］劉雙躍.2013.基于Apriori改進算法的煤礦隱患關聯(lián)性分析［J］.內蒙古煤炭經(jīng)濟,(6）：102-107.

［2］茍怡.2016.大數(shù)據(jù)環(huán)境下煤礦安全產(chǎn)品協(xié)同開發(fā)質量管控方法探索［J］.中州煤炭.

［3］楊國英.2013.泛在網(wǎng)下基于Apriori算法的移動群組的位置預測［D］.南京:南京郵電大學

作者：孫國營 單位：六盤水師范學院數(shù)學與信息工程學院