導語：煤礦安全隱患數據挖掘分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

【摘要】煤炭資源是我國的重要能源，煤礦安全生產對我國國民經濟的發展有著很大的促進作用。大數據技術是繼云計算、物聯網等技術之后又一重大的技術革命。本文首先對煤礦安全監測系統獲取的海量的煤礦安全隱患參數數據進行標準化處理，然后構建數據倉庫進行存儲，最后利用Apriori算法對標準化處理的數據進行數據挖掘，得出了煤礦安全生產有關的有用信息，從而為煤礦安全生產提供指導。

【關鍵詞】煤礦；大數據；標準化處理；Apriori算法；數據挖掘

煤炭資源是我國重要的生產能源以及戰略儲備資源，對我國國民經濟的發展和工農業生產意義深遠。我國是一個煤炭大國，擁有豐富的煤炭資源，在我國所有的能源消耗里面，煤炭也占有很高的比重，其中，20世紀50年代的比重曾高達90%。煤炭產業對于我們國家的穩定和發展有著不可替代的作用。即使在現今倡導新能源使用的大環境下，我國的煤炭能源占比任然高達60%。因此，煤炭行業能否安全穩定發展將直接關系到我國的能源戰略和經濟的可持續發展[1]。煤礦生產過程中會出現很多的安全隱患，近幾年來，學術界開始出現通過數據挖掘方法對煤礦安全隱患數據進行挖掘，進而獲取有用信息的研究。但是由于從煤礦安全隱患監控系統獲取的數據大都是半結構化的數據，人們不能直接對這些數據進行挖掘，必須要進行前期的處理以后才可以挖掘，而這些工作又可能帶來挖掘上的誤差，這使得人們只能通過研究一小部分數據獲取比較有限的潛在信息資源，而針對海量煤礦安全隱患參數信息的研究工作還很少有人涉獵。大數據技術是繼云計算、物聯網等技術之后又一重大的技術革命。大數據技術是指通過使用單片機傳感器、視頻監測系統、以及數據處理軟件等捕獲數據的技術。大數據具有存儲數據量巨大、數據處理超快、數據類別繁多、數據真實性需要進一步處理才能獲取、數據有效價值密度低等5V的特點。大數據技術已經滲透到人們日常生活和生產的各個環節，成為不可或缺的生產要素。本文結合大數據技術，通過對煤礦安全生產中存儲的海量不規則的數據進行數據獲取、數據標準化處理、數據挖掘等過程，獲取煤礦安全生產過程中數據的有用信息，指導煤礦安全生產工作。

一、數據獲取

本文以石板橋煤礦2015年12月-2016年12月的煤礦安全隱患監測數據作為研究對象，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信息。

二、數據標準化處理

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。根據瓦斯濃度的值的情況可以將其分為(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、數據挖掘

存儲在數據倉庫中的數據蘊含有豐富的有用信息，這些信息必須進行專業的數據挖掘處理才能獲取，本文采用關聯算法對數據倉庫中海量的數據進行挖掘。（一）Apriori關聯算法簡介。Apriori算法的原理是通過逐層迭代的方法來產生候選項集合，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據倉庫進行重新掃描，最終挖掘出數據倉庫中所有滿足條件的頻繁項集。（二）Apriori算法實施環境。硬件環境：處理器為酷睿i7，內存為4G，硬盤為500G。軟件環境：SQLServer2008+VisualStudio2010。算法運行環境為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信息進行數據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據管理系統，打開關聯規則數據挖掘界面，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：最小支持度的數值應該在0-1之間。（3）設置最小置信度：最小置信度的數值應該在0-1之間。（4）運行挖掘算法程序，通過數據庫關聯代（下轉第68頁）學活動設計時，就應預見此類情況，對于沒有及時響應的教學活動，設置響應時間閾值，建立及時響應保障策略。2、促進深度學習，提倡個性化學習。一方面，網絡教學的學習者在對課程的知識儲備、接受能力和學習時間分配等方面存在差異，缺少個性化設計已成為網絡教學發展的一個瓶頸。為此，在課程設計過程中，就要有意識地考慮教學對象的差異性，將個性化設計的理念融入到整體課程設計中，個性化的學習活動可看做整個課程設計的子集，并隨著教學的逐步深入和學生能力的提高以及學習狀態的變化，在不同個性化子集之間轉換。個性化的學習方案還必須能夠與標準配置的教學活動設計無縫對接，以避免因過分強調個性化而偏離了網絡教學的正常軌道。另一方面，與傳統教學相比，網絡教學活動缺乏靈活性，尤其在開發深度學習方面還存在空白。在“互聯網+”的時代，同商業領域的應用相似，在網絡教學中也可以利用大量的學習行為數據分析學習者的需求，按照分析結果中[4]所顯示的學習者的學習習慣、學習能力以及對課程知識點的掌握程度，自動過濾或重復某些碎片化學習活動，從而提高學習效率和保證學習質量。3、挖掘教學活動的可追溯性，構建網絡教學的增量發展模式。網絡教學資源的復用性遠遠低于傳統教學，教師在網絡課程設計時通常有一種慣性思維，按照正常教學計劃進行設計之后，教學活動呈現出不可逆性。但隨著課程教學的深入，學習者對教學資源必定會有新的認識，同樣的教學活動也會帶來不同的效果。根據學習內容的難易程度，適時回溯到上階段的教學活動，轉換角度或提高活動難度，制定增量式的階段性學習目標，不僅提高教學資源的復用性，也可激發社會心理學中的間歇效應，即當停止一段時間后，再繼續，對它的學習興趣反而會恢復正常甚至比之前有所提高，在掌握知識的深度和廣度上有一個螺旋式的上升。

針對智慧教育過程中產生的海量數據進行分析，與挖掘，可以構建各種評價模型，以便對智慧教育的質量進行檢測與管理，為學校和教師的教學提供參考[5]，完整、準確的評估學生的學業狀況和教師的授業情況，及時發現教學過程中潛在存在的問題，保障教學質量。通過開展該領域的研究工作，將會有力帶動和加快信息共享綜合治理的步伐，突破現有的數據壁壘，避免不必要的資源浪費，積極推動生態環境的良性發展[6]。

參考文獻

［1］張慶堂;曹偉,學習者和管理者視角下現代遠程教育服務質量評價體系研究［J］.中國遠程教育2016(10),44-50

［2］牛擁;馮奕兢.教育信息化新階段教育技術中心發展路徑探析［J］.實驗室研究與探索.2017(9).229-232

［3］李彤彤;武法提.給養視域下網絡學習環境的生存結構新解［J］.電化教育研究2016(11):51-58

［4］張浩;吳秀娟;王靜.深度學習的目標及評價體系構建［J］.中國電化教育.2014(7):52-55

［5］黃華興;袁藝標;劉力嘉;楊海源;沈歷宗;夏添松;秦超;葉俊;王水.E-learning網絡平臺的構建及應用效果分析［J］.實驗室研究與探索.2017(2):200-203

［6］羅曉東戴慶偉尹立孟陳玉華張麗萍喻祖建蔣月月.互聯網+實踐教學模式探討［J］.實驗室研究與探索.2018(1).218-222

作者:孫國營 單位:六盤水師范學院數學與信息工程學院