CN106872663A - 一种基于大数据平台的瓦斯突出预测预警方法 - Google Patents
一种基于大数据平台的瓦斯突出预测预警方法 Download PDFInfo
- Publication number
- CN106872663A CN106872663A CN201710128621.1A CN201710128621A CN106872663A CN 106872663 A CN106872663 A CN 106872663A CN 201710128621 A CN201710128621 A CN 201710128621A CN 106872663 A CN106872663 A CN 106872663A
- Authority
- CN
- China
- Prior art keywords
- data
- gas
- monitoring data
- max
- real
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 239000003245 coal Substances 0.000 claims abstract description 26
- 239000000843 powder Substances 0.000 claims abstract description 14
- 238000005553 drilling Methods 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012351 Integrated analysis Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/22—Fuels; Explosives
- G01N33/225—Gaseous fuels, e.g. natural gas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Combustion & Propulsion (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据平台的瓦斯突出预测预警方法，包括以下步骤：A、将实时监测数据存储在Hadoop平台 的HDFS分布式文件系统；B、利用线性指数平滑法对实时监测数据进行预处理；C、确定实时监测数据和检测防突数据的周期；D、将一个检测周期内的实时监测数据作为一个数据集合；E、提取每个数据集合中的监测数据特征参数；F、将钻孔瓦斯涌出初速度qmax和最大钻屑量smax与监测数据特征参数结合形成瓦斯突出危险性样本；G、利用BP神经网络进行瓦斯突出预测，得到钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值；H、将预测值与煤巷掘进工作面突出危险性参数的临界值进行比较，判断是否预警。本发明提升了煤矿对于瓦斯突出事故的预控能力。
Description
技术领域
本发明涉及矿井瓦斯突出预测技术领域，尤其涉及一种基于大数据平台的瓦斯突出预测预警方法。
背景技术
煤炭是我国能源的主体，当前我国煤矿安全生产形势相当严峻，瓦斯突出、煤尘爆炸等安全问题一直制约着我国的煤炭生产，严重威胁着煤矿的安全生产工作。在煤矿五大自然灾害中，煤与瓦斯突出具有极强的破坏性和突发性，它带来的是重大人员伤亡、财产损失、环境破坏等一系列严重后果。因此实现煤矿安全生产的关键之一在于有效的防止煤与瓦斯突出，而防突的关键又在于对有突出危险的煤体进行预测。
虽然我国煤矿企业在规程的强制执行下普遍配备了安全监控系统，也有部分企业在配备安全监控系统的同时配备了安全辅助决策系统，然而现阶段对于煤与瓦斯突出的预测主要是根据监测数据进行区域性预测和日常预测，很少对实时监测数据做后续处理，且人工巡检的大量防突参数数据也未充分利用。同时，传统的煤矿瓦斯突出预测预警平台普遍存在研发成本高、数据的管理、计算容量受限，缺失应有的开放和共享功能等问题。
发明内容
本发明的目的在于提供一种基于大数据平台的瓦斯突出预测预警方法，能够将反映瓦斯浓度的实时监测数据和检测防突数据进行集成分析，运用到煤与瓦斯突出预警，提升煤矿对于瓦斯突出事故的预控能力。
为实现上述目的，本发明采用的技术方案是：
一种基于大数据平台的瓦斯突出预测预警方法，包括以下步骤：
A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台 的HDFS分布式文件系统，并分析实时监测数据是否存在零值数据或缺失数据，如果存在零值数据或缺失数据则进入步骤B，如果不存在零值数据或缺失数据则进入步骤C；
B、利用线性指数平滑法对实时监测数据进行预处理，剔除或者替代零值数据，补齐缺失数据，然后进入步骤C；
C、分析实时监测数据和检测防突数据的基本特点，分别确定实时监测数据的监测周期和检测防突数据的检测周期，然后进入步骤D；
D、根据检测防突数据的检测周期，将属于一个检测周期内的实时监测数据作为一个数据集合，然后进入步骤E；
E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数，并将各个监测数据特征参数存储在Hadoop平台 的HDFS分布式文件系统，然后进入步骤F；
F、将一个检测周期内测定的钻孔瓦斯涌出初速度qmax和最大钻屑量smax与该检测周期内的监测数据特征参数相结合，形成瓦斯突出危险性样本，然后进入步骤G；
G、根据瓦斯突出危险性样本，利用BP神经网络进行瓦斯突出预测，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值，然后进入步骤H；
H、将煤巷掘进工作面突出危险性参数中的钻孔瓦斯涌出初速度qmax和最大钻屑量smax的临界值与预测值进行比较，如果预测值大于等于临界值，则进行瓦斯突出预警，如果预测值小于临界值，则不预警。
所述的步骤B中，将线性指数平滑法编译成java语言，并在Hadoop平台的Map/reduce上运行，实现对实时监测数据的预处理。
所述的步骤E中，将提取每个数据集合中的最大值、均值和最大增长速率特征值的公式编译成java语言，并打包成jar包，在Hadoop平台的Map/reduce上运行，得到集成的监测数据特征参数，然后存储在Hadoop平台 的HDFS分布式文件系统。
所述的步骤G中，将BP神经网络编译成java语言，在Hadoop平台的Map/reduce上运行，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值。
本发明利用线性指数平滑法对实时监测数据进行预处理，提高了瓦斯浓度预测的精度；本发明通过提取反映瓦斯浓度的实时监测数据和检测防突数据进行集成，提高了瓦斯突出预测预警的有效性。
更进一步地，本发明利用Hadoop平台的Map/reduce并行计算，大大提高了BP神经网络在处理大量样本数据时的计算速度，缩短了网络训练时长，大大降低了瓦斯突出预测预警的成本和难度。
附图说明
图1为本发明的流程图。
具体实施方式
如图1所示，本发明公开了一种基于大数据平台的瓦斯突出预测预警方法，包括以下步骤：
A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台的HDFS分布式文件系统，并分析实时监测数据是否存在零值数据或缺失数据，如果存在零值数据或缺失数据则进入步骤B，如果不存在零值数据或缺失数据则进入步骤C。Hadoop平台是一个能够对大量数据进行分布式处理的软件框架，其核心架构包括为海量数据提供存储的分布式文件系统HDFS和对海量数据并行计算的MapReduce。
B、利用线性指数平滑法对实时监测数据进行预处理，即将线性指数平滑法编译成java语言，并在Hadoop平台的Map/reduce上运行，利用Map/reduce并行计算剔除或者替代零值数据，补齐缺失数据，然后进入步骤C。本发明通过对实时监测数据进行平滑处理，有利于提高瓦斯浓度预测的精准度。
C、分析实时监测数据和检测防突数据的基本特点，分别确定实时监测数据的监测周期和检测防突数据的检测周期，然后进入步骤D。在煤矿的安全检测系统中，实时监测数据监测的时间间隔一般为10-30s，反映短期瓦斯浓度变化趋势，而检测防突数据的时间间隔为8h或者24h，只反映中长期的瓦斯浓度变化趋势，通过两者的结合更能反映瓦斯浓度的实际变化趋势。
D、根据检测防突数据的检测周期，将属于一个检测周期内的实时监测数据作为一个数据集合，然后进入步骤E。由于检测防突数据和实时监测数据之间存在时间上的差异，在进行瓦斯浓度预测分析时，需要考虑两者之间的一致性，保证同一时间段内的实时监测数据和检测防突数据相互对应。
E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数，即将提取每个数据集合中的最大值、均值和最大增长速率特征值的公式编译成java语言，并打包成jar包，在Hadoop平台的Map/reduce上运行，通过Map/reduce并行计算得到集成的监测数据特征参数，将集成的监测数据特征参数存储在Hadoop平台的HDFS分布式文件系统，然后进入步骤F。
F、将一个检测周期内测定的钻孔瓦斯涌出初速度qmax和最大钻屑量smax与该检测周期内的监测数据特征参数相结合，形成瓦斯突出危险性样本，然后进入步骤G。
G、根据瓦斯突出危险性样本，利用BP神经网络进行瓦斯突出预测，即将BP神经网络编译成java语言，在Hadoop平台的Map/reduce上运行，通过Map/reduce并行计算进行BP模型构建和训练，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值，然后进入步骤H。
H、将煤巷掘进工作面突出危险性参数中的钻孔瓦斯涌出初速度qmax和最大钻屑量smax的临界值与预测值进行比较，如果预测值大于等于临界值，则进行瓦斯突出预警，如果预测值小于临界值，则不预警。
Claims (4)
1.一种基于大数据平台的瓦斯突出预测预警方法，其特征在于，包括以下步骤：
A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台 的HDFS分布式文件系统，并分析实时监测数据是否存在零值数据或缺失数据，如果存在零值数据或缺失数据则进入步骤B，如果不存在零值数据或缺失数据则进入步骤C；
B、利用线性指数平滑法对实时监测数据进行预处理，剔除或者替代零值数据，补齐缺失数据，然后进入步骤C；
C、分析实时监测数据和检测防突数据的基本特点，分别确定实时监测数据的监测周期和检测防突数据的检测周期，然后进入步骤D；
D、根据检测防突数据的检测周期，将属于一个检测周期内的实时监测数据作为一个数据集合，然后进入步骤E；
E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数，并将各个监测数据特征参数存储在Hadoop平台 的HDFS分布式文件系统，然后进入步骤F；
F、将一个检测周期内测定的钻孔瓦斯涌出初速度qmax和最大钻屑量smax与该检测周期内的监测数据特征参数相结合，形成瓦斯突出危险性样本，然后进入步骤G；
G、根据瓦斯突出危险性样本，利用BP神经网络进行瓦斯突出预测，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值，然后进入步骤H；
H、将煤巷掘进工作面突出危险性参数中的钻孔瓦斯涌出初速度qmax和最大钻屑量smax的临界值与预测值进行比较，如果预测值大于等于临界值，则进行瓦斯突出预警，如果预测值小于临界值，则不预警。
2.如权利要求1所述的基于大数据平台的瓦斯突出预测预警方法，其特征在于：所述的步骤B中，将线性指数平滑法编译成java语言，并在Hadoop平台的Map/reduce上运行，实现对实时监测数据的预处理。
3.如权利要求1所述的基于大数据平台的瓦斯突出预测预警方法，其特征在于：所述的步骤E中，将提取每个数据集合中的最大值、均值和最大增长速率特征值的公式编译成java语言，并打包成jar包，在Hadoop平台的Map/reduce上运行，得到集成的监测数据特征参数，然后存储在Hadoop平台 的HDFS分布式文件系统。
4.如权利要求1所述的基于大数据平台的瓦斯突出预测预警方法，其特征在于：所述的步骤G中，将BP神经网络编译成java语言，在Hadoop平台的Map/reduce上运行，得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710128621.1A CN106872663A (zh) | 2017-03-06 | 2017-03-06 | 一种基于大数据平台的瓦斯突出预测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710128621.1A CN106872663A (zh) | 2017-03-06 | 2017-03-06 | 一种基于大数据平台的瓦斯突出预测预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106872663A true CN106872663A (zh) | 2017-06-20 |
Family
ID=59169580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710128621.1A Pending CN106872663A (zh) | 2017-03-06 | 2017-03-06 | 一种基于大数据平台的瓦斯突出预测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106872663A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182642A (zh) * | 2017-12-28 | 2018-06-19 | 中煤科工集团重庆研究院有限公司 | 瓦斯突出参数在线管理系统及方法 |
| CN108614071A (zh) * | 2018-03-21 | 2018-10-02 | 中国科学院自动化研究所 | 分布式室外大气质量监测精度校正系统及参数更新方法 |
| CN109345128A (zh) * | 2018-10-11 | 2019-02-15 | 上海应用技术大学 | 瓦斯隐患大数据分析方法及系统 |
| CN111476429A (zh) * | 2020-04-16 | 2020-07-31 | 中煤科工集团重庆研究院有限公司 | 瓦斯监控数据累积瞬变特征预测煤与瓦斯突出的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101550841A (zh) * | 2009-05-08 | 2009-10-07 | 煤炭科学研究总院重庆研究院 | 煤与瓦斯突出综合预警系统及预警方法 |
| CN105240052A (zh) * | 2015-11-11 | 2016-01-13 | 中煤科工集团重庆研究院有限公司 | 煤矿瓦斯灾害监控预警信息采集系统及采集方法 |
| CN106194264A (zh) * | 2016-08-31 | 2016-12-07 | 淮南师范学院 | 一种煤与瓦斯突出实时监测及预警系统 |
-
2017
- 2017-03-06 CN CN201710128621.1A patent/CN106872663A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101550841A (zh) * | 2009-05-08 | 2009-10-07 | 煤炭科学研究总院重庆研究院 | 煤与瓦斯突出综合预警系统及预警方法 |
| CN105240052A (zh) * | 2015-11-11 | 2016-01-13 | 中煤科工集团重庆研究院有限公司 | 煤矿瓦斯灾害监控预警信息采集系统及采集方法 |
| CN106194264A (zh) * | 2016-08-31 | 2016-12-07 | 淮南师范学院 | 一种煤与瓦斯突出实时监测及预警系统 |
Non-Patent Citations (3)
| Title |
|---|
| 邢玉忠 张俭让: "《矿井灾害防治》", 31 May 2014 * |
| 郑琪: "基于Hadoop云平台的煤矿动力灾害监测系统的研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 陈赞: "基于RBF神经网络的瓦斯测值分析及预测应用研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182642A (zh) * | 2017-12-28 | 2018-06-19 | 中煤科工集团重庆研究院有限公司 | 瓦斯突出参数在线管理系统及方法 |
| CN108614071A (zh) * | 2018-03-21 | 2018-10-02 | 中国科学院自动化研究所 | 分布式室外大气质量监测精度校正系统及参数更新方法 |
| CN108614071B (zh) * | 2018-03-21 | 2020-02-07 | 中国科学院自动化研究所 | 分布式室外大气质量监测精度校正系统及参数更新方法 |
| CN109345128A (zh) * | 2018-10-11 | 2019-02-15 | 上海应用技术大学 | 瓦斯隐患大数据分析方法及系统 |
| CN111476429A (zh) * | 2020-04-16 | 2020-07-31 | 中煤科工集团重庆研究院有限公司 | 瓦斯监控数据累积瞬变特征预测煤与瓦斯突出的方法 |
| CN111476429B (zh) * | 2020-04-16 | 2022-07-08 | 中煤科工集团重庆研究院有限公司 | 瓦斯监控数据累积瞬变特征预测煤与瓦斯突出的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106872663A (zh) | 一种基于大数据平台的瓦斯突出预测预警方法 | |
| US20230144184A1 (en) | Advanced geological prediction method and system based on perception while drilling | |
| CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN103106542A (zh) | 一种数据分析及处理系统 | |
| CN109271898A (zh) | 基于优化卷积神经网络的溶洞体识别算法 | |
| CN103280100A (zh) | 融合智能调度数据的公交ic卡乘客换乘站点判断方法 | |
| CN103233741A (zh) | 定量化评价超大型地下洞室群施工期围岩稳定性的方法 | |
| CN110929384A (zh) | 一种基于综采工作面的矿压大数据实时分析系统及方法 | |
| US20230162052A1 (en) | Graph neural network (gnn)-based prediction system for total organic carbon (toc) in shale | |
| CN103278343A (zh) | 一种结构关键疲劳构件的识别方法 | |
| CN108288092A (zh) | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 | |
| Wang et al. | Determination of the minimum sample size for the transmission load of a wheel loader based on multi-criteria decision-making technology | |
| CN108090656B (zh) | 一种确定砂体连通性的方法及装置 | |
| CN107609685A (zh) | 一种基于浮体运动时历包络预测的作业安全期预报系统 | |
| CN115688251A (zh) | 基于深度学习的地震多发区隧道风险决策方法及系统 | |
| CN111612395A (zh) | 一种危化品车辆运输状态评估方法 | |
| CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
| CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
| CN112001102B (zh) | 放矿自动控制方法、控制器、放矿机、系统及存储介质 | |
| CN109978344A (zh) | 一种掘进机施工隧道瓦斯风险等级评价方法和装置 | |
| CN109670729A (zh) | 一种顶板含水层富水性评价方法 | |
| CN106285647B (zh) | 示踪剂技术定量评价海上油藏注水开发效果方法 | |
| CN103593534A (zh) | 基于工程地质因素关联性的盾构机智能选型方法及装置 | |
| CN106022388A (zh) | 一种多特征融合的加注泵异常工况检测方法 | |
| CN107194529B (zh) | 基于挖掘技术的配电网可靠性经济效益分析方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |