CN104408523A - 利用矿井工作面不同生产工序预测瓦斯涌出量的方法 - Google Patents
利用矿井工作面不同生产工序预测瓦斯涌出量的方法 Download PDFInfo
- Publication number
- CN104408523A CN104408523A CN201410557768.9A CN201410557768A CN104408523A CN 104408523 A CN104408523 A CN 104408523A CN 201410557768 A CN201410557768 A CN 201410557768A CN 104408523 A CN104408523 A CN 104408523A
- Authority
- CN
- China
- Prior art keywords
- gas
- time series
- gas density
- coalcutter
- coal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 238000005065 mining Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract 1
- 230000018109 developmental process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及一种利用矿井工作面不同生产工序预测瓦斯涌出量的方法,包括如下步骤:通过现有的煤矿安全监控系统获取需要进行瓦斯涌出量预测处的瓦斯传感器监测到的瓦斯浓度时间序列,同时获取该瓦斯传感器对应工作面的采煤机或者掘进机相应的开停传感器的信号值时间序列。再根据开停传感器的信号值,按照巡检时刻点对瓦斯浓度时间序列进行划分,划分为采煤工序和非采煤工序两类。将的原始的瓦斯浓度时间序列去除采煤工序对应的瓦斯浓度时间序列,按照时间先后顺序连接后形成非采煤工序的瓦斯浓度时间序列;将采煤工序对应的瓦斯浓度时间序列按照时间的先后顺序连接独立形成新的瓦斯浓度时间序列,分别进行瓦斯浓度或者瓦斯涌出量的预测。
Description
技术领域
本发明涉及煤矿安全领域,特别涉及一种利用矿井工作面不同生产工序预测瓦斯涌出量的思路和方法。
背景技术
国家安全监管总局和国家煤矿安监局在2013年签发的28号文件要求监控系统增加瓦斯涌出量预测功能,瓦斯涌出量的预测方法包括统计法和计算法,计算法主要针对新设计矿井;统计法是主要针对正在开采的矿井和工作面进行瓦斯涌出量预测的方法,是根据矿井在以往生产过程中积累的大量不同深度相对瓦斯涌出量,整理分析找出变化关系的统计规律,推算出相邻或延伸水平瓦斯涌出量的方法,简单总结就是利用历史涌出规律来预测未来的涌出。
对目前矿井工作面涌出瓦斯做分源辨识发现,主要有三部分瓦斯涌出类型,分别是临近层瓦斯涌出、煤壁瓦斯涌出和落煤的瓦斯涌出。三种主要的涌出形式按照涌出的变化和特征又可以分成两类,一类是缓变量瓦斯涌出,包括邻近层瓦斯涌出和煤壁瓦斯涌出,随着时间的变化涌出量变化缓慢且连续。第二类属于突变量瓦斯涌出,包括落煤的瓦斯涌出和其他导致瓦斯突然涌出的情况,瓦斯浓度变化快,涌出量不连续,和不同的生产工序联系紧密。
现有的瓦斯浓度和瓦斯量预测方法以矿井瓦斯监测数据为研究对象,将时间序列分析方法应用于矿井瓦斯预测的研究比较多,主要体现在煤与瓦斯突出危险性与趋势判断、瓦斯涌出量预测和瓦斯浓度预测等方面;通过ARMA模型方法、小波径相基函数(W-RBF,Wavelet-Radial Basis Function)神经网络的瓦斯浓度时间序列预测方法、人工神经网络等方法对瓦斯浓度和瓦斯涌出量进行提前预测。但上述方法依托的基础数据是连续的时间序列数据,且并没有对瓦斯浓度时间序列进行区分,对于不同的生产工序没有分别预测瓦斯涌出量。
发明内容
本发明要解决的技术问题是提供一种通过对生产工序的不同划分,将连续时刻的瓦斯涌出分成不同的类型,按照不同的生产工序分别预测瓦斯涌出量的方法。
实现本发明目的的技术方案是提供一种利用矿井工作面不同生产工序预测瓦斯涌出量的方法,包括如下步骤:
①通过现有的煤矿安全监控系统获取需要进行瓦斯涌出量预测处的瓦斯传感器监测到的瓦斯浓度时间序列,同时获取该瓦斯传感器对应工作面的采煤机或者掘进机相同巡检时刻的与前述采煤机或者掘进机对应的开停传感器的信号值时间序列,所述开停传感器的信号值用于指示采煤机或者掘进机的工作状态,包括用于指示采煤机或者掘进机处于工作状态和非工作状态两个值;
②根据与瓦斯传感器对应的采煤机或者掘进机的开停传感器的信号值,按照巡检时刻点对瓦斯浓度时间序列进行划分,划分为采煤工序和非采煤工序两类,采煤机处于工作状态所对应的瓦斯浓度时间序列为采煤工序,采煤机处于非工作状态所对应的瓦斯浓度时间序列为非采煤工序;
③将步骤①得到的原始的瓦斯浓度时间序列去除采煤工序对应的的瓦斯浓度时间序列,按照时间先后顺序连接后形成非采煤工序的瓦斯浓度时间序列,记做瓦斯浓度时间序列1;将采煤工序对应的瓦斯浓度时间序列取出来,按照时间的先后顺序连接独立形成新的瓦斯浓度时间序列,记做瓦斯浓度时间序列2;
④以划分后的序列1和序列2为历史基础数据,分别进行瓦斯浓度或者瓦斯涌出量的预测。
进一步的,步骤①中,采煤机或者掘进机对应的开停传感器的信号值为1代表采煤机处于工作状态,开停传感器的信号值为0代表采煤机处于非工作状态。
本发明具有积极的效果:(1)本发明的利用矿井工作面不同生产工序预测瓦斯涌出量的方法首次对工作面瓦斯传感器所采集的瓦斯浓度时间序列利用相对应的开停传感器区分为采煤工序序列和非采煤工序序列,提出了依据开停传感器对瓦斯浓度时间序列进行划分和处理的思路和方法。
(2)本发明的利用矿井工作面不同生产工序预测瓦斯涌出量的方法首次提出针对不同生产工序瓦斯涌出量序列分别预测瓦斯涌出量的方法。在进行瓦斯涌出量预测时,首先判断当前生产工序,然后利用当前工序历史瓦斯涌出量时间序列来预测当前瓦斯涌出量。
(3)本发明的利用矿井工作面不同生产工序预测瓦斯涌出量的方法首次将瓦斯传感器采集的瓦斯浓度时间序列和相对应的开停传感器数据结合起来,综合分析和预测工作面的瓦斯涌出量。将孤立的瓦斯涌出量序列利用开停传感器在时间和空间上合理的和生产工序、生产过程结合了起来,对瓦斯浓度时间序列进行区分,对于不同的生产工序分别预测瓦斯涌出量,预测更为精确,对煤矿安全建设显然更好。
附图说明
图1为瓦斯浓度时间序列图;
图2为对应图1时刻的采煤机的开停信号值图;
图3为瓦斯浓度时间序列不同生产工序划分图;
图4为将不同生产工序划分后的瓦斯浓度时间序列。
具体实施方式
(实施例1)
瓦斯涌出在不同的生产工序规律是不相同的,如果能够对瓦斯浓度时间序列进行合理的分段后,再分别利用合适的基于统计学基础的预测方法工具,会取得更为准确的预测结果。对矿井中监测到的瓦斯浓度时间序列进行分析可以发现,矿井工作面瓦斯浓度的监测大多设置在回风巷道中,预测工作面瓦斯涌出量也就需要从这些监测点所能监测到的瓦斯浓度时间序列中入手。回风巷道中瓦斯的来源主要分为三部分,分别是:邻近层瓦斯涌出、巷道煤壁瓦斯涌出和落煤以及其他导致瓦斯突然释放的涌出。其中邻近层瓦斯涌出、巷道煤壁瓦斯涌出均属于缓变量,涌出量变化缓慢且连续,在统计学的基础上比较容易找出变化规律。对于落煤造成的瓦斯涌出,瓦斯涌出量变化迅速且不连续,和不同的生产工序紧密的联系在一起。虽然在统计学的基础上也能找到相应的变化规律,但其变化和发展规律与缓变量瓦斯的特征是完全不相同的。所以有必要通过将缓变量瓦斯涌出和突变量瓦斯涌出进行分开预测,将它们当做两个不同的瓦斯浓度时间序列进行预测,本发明提供了一种很好地将这两种瓦斯浓度出分开预测的方法,本实施例的利用矿井工作面不同生产工序预测瓦斯涌出量的方法包括如下步骤:
①通过现有的煤矿安全监控系统获取需要进行瓦斯涌出量预测处的瓦斯传感器监测到的瓦斯浓度时间序列值,本实施例选取某掘进工作面的瓦斯传感器某日12时到16时的瓦斯浓度数据进行分析,如图1所示,同时获取该瓦斯传感器对应工作面采煤机(或者掘进机)相同巡检时刻的与相应采煤机(或者掘进机)对应的开停传感器的信号,本实施例获得的采煤机(或者掘进机的)的开停传感器的信号值如图2所示,其中开停传感器的信号值为1代表采煤机处于工作状态,开停传感器的信号值为0代表采煤机处于不工作状态。
②根据与瓦斯传感器对应的采煤机的开停传感器的信号值,按照巡检时刻点对瓦斯浓度时间序列进行划分,划分为采煤工序和非采煤工序两类。本实施例按照图1和图2所示数据,如图3所示的过程进行划分,瓦斯浓度时间序列中,区间1+区间2+区间3为采煤工序,其他时间序列为非采煤工序,即采煤机处于工作状态所对应的瓦斯浓度时间序列为采煤工序,采煤机处于非工作状态所对应的瓦斯浓度时间序列为非采煤工序。
③将原始的瓦斯浓度时间序列去除采煤工序的瓦斯浓度时间序列,按照时间先后顺序连接后形成非采煤工序的瓦斯浓度时间序列,记做瓦斯浓度时间序列1;将采煤工序的瓦斯浓度时间序列取出来,按照时间的先后顺序连接独立形成新的瓦斯浓度时间序列,记做瓦斯浓度时间序列2,如图4所示。
④以划分后的序列1和序列2为历史基础数据,分别进行瓦斯浓度或者瓦斯涌出量的预测,特别指出的是预测瓦斯浓度和瓦斯涌出量实质上是一样的,瓦斯涌出量是通过瓦斯浓度与风量值的成绩计算而来的。对序列1和序列2的预测可以通过包括ARMA模型方法、小波与径相基函数神经网络的瓦斯浓度时间序列预测方法、人工神经网络等方法在内的对瓦斯浓度和瓦斯涌出量进行提前预测的方法进行预测,但又不限于某一具体模型。
Claims (2)
1.一种利用矿井工作面不同生产工序预测瓦斯涌出量的方法,其特征在于包括如下步骤:
①通过现有的煤矿安全监控系统获取需要进行瓦斯涌出量预测处的瓦斯传感器监测到的瓦斯浓度时间序列,同时获取该瓦斯传感器对应工作面的采煤机或者掘进机相同巡检时刻的与前述采煤机或者掘进机对应的开停传感器的信号值时间序列,所述开停传感器的信号值用于指示采煤机或者掘进机的工作状态,包括用于指示采煤机或者掘进机处于工作状态和非工作状态两个值;
②根据与瓦斯传感器对应的采煤机或者掘进机的开停传感器的信号值,按照巡检时刻点对瓦斯浓度时间序列进行划分,划分为采煤工序和非采煤工序两类,采煤机处于工作状态所对应的瓦斯浓度时间序列为采煤工序,采煤机处于非工作状态所对应的瓦斯浓度时间序列为非采煤工序;
③将步骤①得到的原始的瓦斯浓度时间序列去除采煤工序对应的的瓦斯浓度时间序列,按照时间先后顺序连接后形成非采煤工序的瓦斯浓度时间序列,记做瓦斯浓度时间序列1;将采煤工序对应的瓦斯浓度时间序列取出来,按照时间的先后顺序连接独立形成新的瓦斯浓度时间序列,记做瓦斯浓度时间序列2;
④以划分后的序列1和序列2为历史基础数据,分别进行瓦斯浓度或者瓦斯涌出量的预测。
2.根据权利要求1所述的利用矿井工作面不同生产工序预测瓦斯涌出量的方法,其特征在于:步骤①中,采煤机或者掘进机对应的开停传感器的信号值为1代表采煤机处于工作状态,开停传感器的信号值为0代表采煤机处于非工作状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410557768.9A CN104408523B (zh) | 2014-10-20 | 2014-10-20 | 利用矿井工作面不同生产工序预测瓦斯涌出量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410557768.9A CN104408523B (zh) | 2014-10-20 | 2014-10-20 | 利用矿井工作面不同生产工序预测瓦斯涌出量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408523A true CN104408523A (zh) | 2015-03-11 |
CN104408523B CN104408523B (zh) | 2017-11-21 |
Family
ID=52646152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410557768.9A Active CN104408523B (zh) | 2014-10-20 | 2014-10-20 | 利用矿井工作面不同生产工序预测瓦斯涌出量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408523B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574262A (zh) * | 2015-12-15 | 2016-05-11 | 辽宁工程技术大学 | 一种矿井多层采空区连通区域判定方法 |
CN106295214A (zh) * | 2016-08-18 | 2017-01-04 | 西安科技大学 | 一种矿井瓦斯浓度预警方法 |
CN106894841A (zh) * | 2017-04-28 | 2017-06-27 | 辽宁工程技术大学 | 基于正态分布检验辨识瓦斯涌出异常的瓦斯灾害预警方法 |
CN108571320A (zh) * | 2018-03-27 | 2018-09-25 | 陕西陕煤黄陵矿业有限公司 | 一种智能化综采工作面的采煤机多级控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110091979A1 (en) * | 2008-03-12 | 2011-04-21 | University Of Wyoming | Tracing Coalbed Natural Gas - Coproduced Water Using Stable Isotopes of Carbon |
CN102155265A (zh) * | 2011-03-29 | 2011-08-17 | 天地(常州)自动化股份有限公司 | 监测煤矿监控系统中的瓦斯量监测信息异常的方法 |
CN102354381A (zh) * | 2011-10-25 | 2012-02-15 | 阳泉市联宇星信息技术有限公司 | 煤矿瓦斯涌出量动态预测分析技术 |
CN102609780A (zh) * | 2011-01-24 | 2012-07-25 | 河南理工大学 | 矿井瓦斯涌出量预测新方法 |
CN103104292A (zh) * | 2013-01-29 | 2013-05-15 | 山东科技大学 | 一种突出发生初期快速判识突出事故及预测瓦斯涌出规模的方法 |
-
2014
- 2014-10-20 CN CN201410557768.9A patent/CN104408523B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110091979A1 (en) * | 2008-03-12 | 2011-04-21 | University Of Wyoming | Tracing Coalbed Natural Gas - Coproduced Water Using Stable Isotopes of Carbon |
CN102609780A (zh) * | 2011-01-24 | 2012-07-25 | 河南理工大学 | 矿井瓦斯涌出量预测新方法 |
CN102155265A (zh) * | 2011-03-29 | 2011-08-17 | 天地(常州)自动化股份有限公司 | 监测煤矿监控系统中的瓦斯量监测信息异常的方法 |
CN102354381A (zh) * | 2011-10-25 | 2012-02-15 | 阳泉市联宇星信息技术有限公司 | 煤矿瓦斯涌出量动态预测分析技术 |
CN103104292A (zh) * | 2013-01-29 | 2013-05-15 | 山东科技大学 | 一种突出发生初期快速判识突出事故及预测瓦斯涌出规模的方法 |
Non-Patent Citations (1)
Title |
---|
尹洪胜: "煤矿瓦斯时间序列分析方法与预警应用研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574262A (zh) * | 2015-12-15 | 2016-05-11 | 辽宁工程技术大学 | 一种矿井多层采空区连通区域判定方法 |
CN105574262B (zh) * | 2015-12-15 | 2018-09-07 | 辽宁工程技术大学 | 一种矿井多层采空区连通区域判定方法 |
CN106295214A (zh) * | 2016-08-18 | 2017-01-04 | 西安科技大学 | 一种矿井瓦斯浓度预警方法 |
CN106295214B (zh) * | 2016-08-18 | 2017-11-10 | 西安科技大学 | 一种矿井瓦斯浓度预警方法 |
CN106894841A (zh) * | 2017-04-28 | 2017-06-27 | 辽宁工程技术大学 | 基于正态分布检验辨识瓦斯涌出异常的瓦斯灾害预警方法 |
CN106894841B (zh) * | 2017-04-28 | 2019-01-15 | 华北科技学院 | 基于正态分布检验辨识瓦斯涌出异常的瓦斯灾害预警方法 |
CN108571320A (zh) * | 2018-03-27 | 2018-09-25 | 陕西陕煤黄陵矿业有限公司 | 一种智能化综采工作面的采煤机多级控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104408523B (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408523A (zh) | 利用矿井工作面不同生产工序预测瓦斯涌出量的方法 | |
AU2019312330B2 (en) | Method for predicting mine strata pressure behavior data of stoping tunnel | |
US20160098637A1 (en) | Automated Data Analytics for Work Machines | |
EA201070342A1 (ru) | Способ прогнозирования в системе добычи нефти/газа | |
CN104405433B (zh) | 一种煤层瓦斯抽采效果动态评价方法 | |
ATE324623T1 (de) | Verfahren und system zum analysieren der steuerschaltungsleistungsfähigkeit in einem industriellen prozess | |
CN103711523A (zh) | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 | |
CN109030323B (zh) | 基于设备状况的腐蚀寿命监测系统和方法 | |
CN104100241A (zh) | 一种确定低渗透油井合理间抽制度的方法 | |
US20200193342A1 (en) | Managing site productivity using telemetry data | |
Ak et al. | Data analytics and uncertainty quantification for energy prediction in manufacturing | |
CN115629575A (zh) | 液压支架自动化后人工调控策略推荐方法 | |
CN107676073B (zh) | 井网部署的方法和装置 | |
WO2023194857A1 (en) | Method of and system for predicting strata-related risk in an underground environment | |
US20170148110A1 (en) | System, method and program product for managing open-pit mining | |
CN115758515A (zh) | Tbm隧道不良地质段智能支护决策方法 | |
CN104537199A (zh) | 利用瓦斯浓度时间序列识别矿井工作面生产工序的方法 | |
CN103485825A (zh) | 一种通过时间差进行煤矿井下温度预警的方法 | |
Ahmadzadeh et al. | Mean residual life estimation considering operating environment | |
CN106371419A (zh) | 用于监视控制回路的运行的诊断装置和诊断方法 | |
CN113112024A (zh) | 一种随机多裂纹随机扩展的预测与控制方法及系统 | |
EP2648059B1 (en) | Investigating the activities being performed by a machine in an industrial process | |
Prabha et al. | Data analysis and machine learning-based modeling for real-time production | |
CN112686513B (zh) | 井下工作面作业状态的识别方法、装置及生产决策系统 | |
CN117609740B (zh) | 基于工业大模型智能预测维护系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |