CN110334451B - 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 - Google Patents
确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 Download PDFInfo
- Publication number
- CN110334451B CN110334451B CN201910616299.6A CN201910616299A CN110334451B CN 110334451 B CN110334451 B CN 110334451B CN 201910616299 A CN201910616299 A CN 201910616299A CN 110334451 B CN110334451 B CN 110334451B
- Authority
- CN
- China
- Prior art keywords
- gas concentration
- factors
- data corresponding
- factor
- constructed
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统,该方法包括:分别获取采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据;根据采集第i因素的历史数据,对第i因素变化趋势进行仿真,获取两类变化趋势对应的仿真数据;将j类变化趋势对应的仿真数据与除第i因素之外的因素对应的历史数据共同输入至预构建的瓦斯浓度预测模型中,预测瓦斯浓度;计算第i类因素的第j类变化趋势与预测的瓦斯浓度之间的相关性;根据相关性,确定影响瓦斯浓度变化的因素及变化趋势。通过该种方式,可以尽量避免其导致瓦斯浓度的增加,从而保证工作人员的生命安全。
Description
技术领域
本发明实施例涉及煤矿安全技术领域,具体涉及一种确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统。
背景技术
瓦斯事故可以细分为瓦斯爆炸、煤与瓦斯突出、瓦斯燃烧、瓦斯窒息等,其中煤与瓦斯突出是一种非常重要的瓦斯事故。一般情况下,瓦斯是以吸附和游离的状态赋存在煤层之中,是不会发生突出的。但是当地层气体压力平衡被采矿工作破坏了的时候,就会导致煤与瓦斯突出。煤与瓦斯突出发生时,在短时间内会有大量煤岩体跑出,同时还伴有大量瓦斯的涌出。而喷出的大量高浓度瓦斯会引起井下人员窒息,使得工人很难循序做出反应并逃生,更严重的是高浓度瓦斯遇到火源将引起燃烧和爆炸等。由于煤与瓦斯突出事故具有发生地区广、频率高、损失严重等特点,目前已经成为煤矿安全生产中最为严重的事故类型。由于我国矿井开采强度和深度日益加大,煤与瓦斯突出事故中造成的人员伤亡非常大。
对矿井而言,U形采煤工作面的上隅角位置容易积聚采空区和采面交汇释放的瓦斯,瓦斯浓度较高,是工作面防治瓦斯的重点。然而目前煤炭企业对于瓦斯事故的预防还停留在监测阶段,对危险的发现和预防能力不足。
现有技术中并不能确定更容易影响瓦斯浓度变化的因素,进而也不能够很好的进行预防。
发明内容
为此,本发明实施例提供一种确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统,以解决现有技术中不能确定影响瓦斯浓度变化的因素及变化趋势,进而不能很好进行有效预防的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例的第一方面,提供了一种确定影响瓦斯浓度变化的因素及趋势的方法,该方法包括:
分别获取采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据;
根据采集第i因素对应的历史数据,对第i因素变化趋势进行仿真,获取两类变化趋势对应的仿真数据,每一类变化趋势对应的仿真数据均包括至少两个数据,其中i为大于或者等于1,且小于或者等于与瓦斯浓度相关的因素种类总数的正整数,i初始取值为1,且依次递进取值;
将j类变化趋势对应的仿真数据与除第i因素之外的因素对应的历史数据共同输入至预构建的瓦斯浓度预测模型中,预测瓦斯浓度,其中j为大于或者等于1,且小于或者等于2的正整数,j依次递进取值,初始取值为1;
计算第i类因素的第j类变化趋势与预测的瓦斯浓度之间的相关性;
根据相关性,确定影响瓦斯浓度变化的因素及变化趋势。
进一步地,因素包括如下中的至少一种:
风速、风压、一氧化碳浓度、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
进一步地,将j类变化趋势对应的仿真数据与除第i因素之外的因素对应的历史数据共同输入至预构建的预测模型中,预测瓦斯浓度之前,方法还包括:
获取采煤工作面内预设位置的瓦斯浓度;
利用采煤工作面内预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
进一步地,利用采煤工作面内预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型,具体包括:
对采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据,以及采煤工作面内预设位置的瓦斯浓度分别进行预处理,获取预处理后的数据;
利用预处理后的数据,对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
进一步地,预构建的瓦斯浓度预测模型为长短期记忆网络(LongShort-TermMemory,简称LSTM)模型。
进一步地,两类变化趋势包括上升趋势和下降趋势。
进一步地,根据相关性,确定影响瓦斯浓度变化的因素及变化趋势之后还包括:
根据相关性的程度、因素及变化趋势确定处理措施。
根据本发明实施例的第二方面,提供了一种确定影响瓦斯浓度变化的因素及趋势的装置,该装置包括:
获取单元,用于分别获取采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据;
仿真单元,用于根据采集第i因素对应的历史数据,对第i因素变化趋势进行仿真,获取两类变化趋势对应的仿真数据,每一类变化趋势对应的仿真数据均包括至少两个数据,其中i为大于或者等于1,且小于或者等于与瓦斯浓度相关的因素种类总数的正整数,i初始取值为1,且依次递进取值;
预测单元,用于将j类变化趋势对应的仿真数据与除第i因素之外的因素对应的历史数据共同输入至预构建的瓦斯浓度预测模型中,预测瓦斯浓度,其中j为大于或者等于1,且小于或者等于2的正整数,j依次递进取值,初始取值为1;
处理单元,用于计算第i类因素的第j类变化趋势与预测的瓦斯浓度之间的相关性;
根据相关性,确定影响瓦斯浓度变化的因素及变化趋势。
进一步地,因素包括如下中的至少一种:
风速、风压、一氧化碳浓度、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
进一步地,获取单元还用于,获取采煤工作面内预设位置的瓦斯浓度;
处理单元还用于,利用采煤工作面内预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
进一步地,处理单元具体用于,对采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据,以及采煤工作面内预设位置的瓦斯浓度分别进行预处理,获取预处理后的数据;
利用预处理后的数据,对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
进一步地,预构建的瓦斯浓度预测模型为长短期记忆网络LSTM模型。
进一步地,两类变化趋势包括上升趋势和下降趋势。
进一步地,处理单元还用于,根据相关性的程度、因素及变化趋势确定处理措施。
根据本发明实施例的第三方面,提供了一种确定影响瓦斯浓度变化的因素及变化趋势的系统,该系统包括:处理器和存储器;
存储器用于存储一个或多个程序指令;
处理器,用于运行一个或多个程序指令,用以执行如上一种确定影响瓦斯浓度变化的因素及变化趋势的方法中的任一方法步骤。
根据本发明实施例的第四方面,提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令,一个或多个程序指令用于被一种确定影响瓦斯浓度变化的因素及变化趋势的系统执行如上一种确定影响瓦斯浓度变化的因素及变化趋势的方法中的任一方法步骤。
本发明实施例具有如下优点:首先获取到采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据。然后分别对每一种因素进行仿真,获取到每一种因素所对应的两种趋势分别对应的仿真数据。每一次只将一种因素对应的一种变化趋势对应的仿真数据和其他因素对应的历史数据共同输入到预构建的浓度预测模型中,预测瓦斯浓度。然后确定每一类因素的每一种变化趋势与预测的瓦斯浓度之间的相关性。通过这种方式,就可以确定每一种因素处于每一种变化趋势时对于瓦斯浓度的影响。那么,自然就可以确定影响瓦斯浓度变化的因素及其变化趋势了。方便后续针对能够影响瓦斯浓度变化的因素以及该因素对应的变化趋势进行更加严苛的监控,并针对导致影响瓦斯浓度变化的因素采取有效措施,尽量避免其导致瓦斯浓度的增加,从而保证工作人员的生命安全。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的U形采煤工作面结构示意图;
图2中为本发明提供的一种煤矿某个工作面的6个月数据作为LSTM模型的数据集进行训练后的结构示意图;
图3为本发明实施例1提供的一种确定影响瓦斯浓度变化的因素及趋势的方法流程示意图;
图4为本发明实施例2提供的一种确定影响瓦斯浓度变化的因素及趋势的装置结构示意图;
图5为本发明实施例3提供的一种确定影响瓦斯浓度变化的因素及趋势的系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例1提供了一种确定影响瓦斯浓度变化的因素及趋势的方法,在介绍本实施例提供的方法之前,首先介绍一下煤矿井下采煤工作面结构示意图。具体如图1所示,图1为U形采煤工作面结构示意图。图1中包括预设位置T1至T4,T0位置为上隅角。由于T0位置即为上隅角,由于进风、回风等存在一定的时差,因为T0位置的瓦斯浓度与工作面回风顺槽端头T1、工作面回风顺槽口T2、工作面进风顺槽端头T3以及工作面进风顺槽口T4等存在密切关系。图中可以看出,气流流向为从T4位置流向T3位置,然后到达T0位置,再经过T1位置流向T2位置。也即是说,预设位置T1、T2、T3以及T4的瓦斯浓度也与T0位置的瓦斯浓度有一定的关系。另外,影响T0位置的瓦斯浓度的还包括采煤工作面内与瓦斯浓度相关的因素。
可选的,采煤工作面内与瓦斯浓度相关的因素包括但不限于如下中的至少一种:风速、风压、一氧化碳浓度、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
在执行本实施例的方法步骤之前,需要做一定的准备工作。该准备工作主要是在执行下文所介绍的步骤330之前执行即可。
准备工作即是构建瓦斯浓度预测模型。
具体的执行过程包括:
步骤1,获取采煤工作面内预设位置的瓦斯浓度。
预置位置具体为:上隅角、工作面进风顺槽和工作面回风顺槽;
优选的,本实施例中的预设位置为上文所介绍的位置T1至位置T4。瓦斯瓦斯浓度可以通过相应的传感器获取。例如,监测瓦斯浓度的传感器获取。
步骤2,利用采煤工作面内预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
具体的,在本实施例中,将获取上文中所说的与瓦斯浓度相关的所有因素,也即是包括风速、风压、一氧化碳浓度、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力等因素。
然后将这些因素分别对应的历史数据输入至预构建的神经网络训练模型中进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
在具体执行过程中,首先需要对采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据,以及采煤工作面内预设位置的瓦斯浓度分别进行预处理,获取预处理后的数据。
这里的预处理主要包括:步骤1,对原始数据进行清洗。具体的清洗可以包括:对于不在量程范围内的数据直接删除。并且,可以设定数据采集时间间隔为预设时间间隔,例如为30s。当书记采集时间间隔超过30s,则需要补齐数据,如果不足30s,则将数据删除。
上述对于原始数据进行清洗的过程均为现有技术,因此这里不再做过多说明。在对数据进行清洗后,可能存在数据缺失的情况。因此,预处理还包括步骤2,将经过清洗后的数据利用前值法进行补全。以及步骤3,将补全后的数据进行格式转换,将其转换为后续神经网络模型能够识别的数据,并进行归一化处理。
而利用预处理后的数据,对预构建的神经网络模型进行训练,具体包括如下过程:
按照预设规则将预处理后的数据进行划分,获取训练集和测试集。
利用训练集对预构建的神经网络模型进行训练,获取经过训练后的神经网络模型;
利用测试集对经过训练后的神经网络模型进行测试,确定测试结果;
并验证测试结果的误差,当误差小于预设阈值时,确定经过训练后的神经网络模型为最优神经网络模型,作为瓦斯浓度预测模型。
具体的,在构建神经网络模型时,可以采集keras框架构建。然后将预处理后的数据按照一定的百分比划分训练集和测试集。例如,将预处理后的数据中67%的数据作为训练集,剩余的33%数据作为测试集。
可选的,瓦斯浓度预测模型可以为LSTM模型。也即是说,预构建的神经网络模型为LSTM模型。
在keras框架构建神经网络模型时,可以设定隐藏层神经元个数、输入步长、输出步长、激活函数、损失函数、优化器、epochs、batch_size,这些参数需在训练过程中得到最优值。
具体的,就是利用训练集的数据对LSTM模型进行训练,然后利用测试集数据进行测试,确定测试效果。如果达不到理想状态,则对LTSM模型的参数进行调整,继续进行训练,再次使用测试集的数据进行测试。如此迭代,直至LTSM模型中的参数达到最优。这里说的LTSM模型中的参数达到最优的评判标准就是验证测试结果的误差,当误差小于预设阈值(例如0.025)时,才能够确定参数已经达到最优。此时所获取到的也就是最优神经网络模型了,可以作为本实施例中所说的预构建的神经网络模型了。
具体如图2所示,图2中示出了一种煤矿某个工作面的6个月数据作为LSTM模型的数据集进行训练。模型训练得到的参数见表1,数据集的预测效果如图2所示,预测误差为0.025。
表1
此时,准备工作完成。
下面,将详细该方法的执行步骤,具体参见图3所示,图3示出了本发明实施例提供的一种影响瓦斯浓度变化的因素及变化趋势的方法流程示意图,具体如下:
步骤310,分别获取采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据。
具体的,采煤面内与瓦斯浓度相关的因素中每一种因素对应的历史数据均是通过采集每一种因素的传感器采集数据后上传至系统中的。
而与瓦斯浓度相关的因素包括但不限于如下中的至少一种:风速、风压、一氧化碳浓度、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。在本实施例中,将获取所有的因素中每一种因素分别对应的历史数据。历史数据可以是一段时间内的历史数据,例如一个月内的,一个季度内的或者一年内的历史数据。
步骤320,根据采集第i因素对应的历史数据,对第i因素变化趋势进行仿真,获取两类变化趋势对应的仿真数据,每一类变化趋势对应的仿真数据均包括至少两个数据。
具体的,数据仿真方法均采用现有技术中的仿真方法即可,例如MATLAB仿真方法。这部分内容并非本申请侧重介绍的内容,因此这里不做过多说明。
可选的,变化趋势例如可以包括上升趋势和下降趋势。那么,针对第i类因素上升趋势仿真得到一类仿真数据,针对第i类因素下降趋势进行仿真,可以得到一类仿真数据。每一类变化趋势对应的仿真数据都可以包括至少两个数据。其中,i为大于或者等于1,且小于或者等于与瓦斯浓度相关的因素种类总数的正整数,i初始取值为1,且依次递进取值。
也即是说,针对每一种因素,都要按照相应的两类变化趋势分别作出仿真,得到每一类变化趋势对应的仿真数据。
步骤330,将j类变化趋势对应的仿真数据与除第i因素之外的因素对应的历史数据共同输入至预构建的瓦斯浓度预测模型中,预测瓦斯浓度。
步骤340,计算第i类因素的第j类变化趋势与预测的瓦斯浓度之间的相关性。
步骤350,根据相关性,确定影响瓦斯浓度变化的因素及变化趋势。
执行该步骤的目的在于,其他因素不发生改变,均属于实际得到的数据。而将某一种因素的一种变化趋势对应的仿真数据替换该因素对应原始数据,来预测瓦斯浓度。这样一来,就可以了解到某一种因素的某一种变化趋势将对瓦斯浓度产生怎样的影响。
例如,因素为温度。温度的变化趋势包括上升趋势和下降趋势。
在第一预测时,将温度对应的上升趋势的仿真数据与其他因素对应的历史数据共同输入到瓦斯浓度预测模型中,预测瓦斯浓度。并计算温度的上升趋势对应的仿真数据与瓦斯浓度之间的相关性。
在预测之后,所得到的预测结果应该是一组瓦斯浓度序列,然后再计算温度的上升趋势对应的仿真参与与瓦斯浓度序列之间的相关性,具体的计算过程为现有技术,这里不做过多说明。相关性主要体现在相关系数和显著性水平上。
在一个具体例子中,例如设定相关系数|r|在0.8-1.0之间是极强相关;0.6-0.8之间是强相关;0.4-0.6之间是中等程度相关;0.2-0.4之间是弱相关;0.0-0.2则是极弱相关或无相关。设置的显著性水平标准为0.05,如果显著性水平大于0.05,则通过显著性检验,即认为温度和瓦斯浓度之间的总体趋势(温度上升,瓦斯浓度增加)具有一致性,且显著。否则未通过显著性检验,即认为温度和瓦斯浓度之间的总体趋势不具有一致性,且不显著。
同样的道理,通过该种方式,也可以计算出温度下降趋势和瓦斯浓度之间的相关性。
当然,也可以通过上述介绍的方法,确定其他因素在升趋势和下降趋势分别与瓦斯浓度之间的相关性。从而判断出影响瓦斯浓度变化的因素及该因素的变化趋势。
经过大量实验证明,温度是影响瓦斯浓度最大的因子,相关性结果如表2所示。
表2
相关系数是0.809,说明温度上升会影响瓦斯浓度升高,且相关性比较强,显著性水平是0.1,说明两个温度和瓦斯浓度的总体趋势具有一致性。
可选的,在根据相关性,确定影响瓦斯浓度变化的因素及变化趋势之后还包括:
根据相关性的程度、因素及变化趋势确定处理措施。
例如,当井下工作面的采煤机开启太多时,会容易造成瓦斯浓度高,且工作面温度高的现象,采煤机司机可参考显示的预测值灵活决定采煤机是否工作。
本发明实施例提供的一种确定影响瓦斯浓度变化的因素及趋势的方法,首先获取到采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据。然后分别对每一种因素进行仿真,获取到每一种因素所对应的两种趋势分别对应的仿真数据。每一次只将一种因素对应的一种变化趋势对应的仿真数据和其他因素对应的历史数据共同输入到预构建的浓度预测模型中,预测瓦斯浓度。然后确定每一类因素的每一种变化趋势与预测的瓦斯浓度之间的相关性。通过这种方式,就可以确定每一种因素处于每一种变化趋势时对于瓦斯浓度的影响。那么,自然就可以确定影响瓦斯浓度变化的因素及其变化趋势了。方便后续针对能够影响瓦斯浓度变化的因素以及该因素对应的变化趋势进行更加严苛的监控,并针对导致影响瓦斯浓度变化的因素采取有效措施,尽量避免其导致瓦斯浓度的增加,从而保证工作人员的生命安全。
与上述实施例1对应的,本发明实施例2还提供了一种确定影响瓦斯浓度变化的因素及趋势的装置,具体如图4所示,该装置包括:获取单元401、仿真单元402、预测单元403以及处理单元404。
获取单元401,用于分别获取采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据;
仿真单元402,用于根据采集第i因素对应的历史数据,对第i因素变化趋势进行仿真,获取两类变化趋势对应的仿真数据,每一类变化趋势对应的仿真数据均包括至少两个数据,其中i为大于或者等于1,且小于或者等于与瓦斯浓度相关的因素种类总数的正整数,i初始取值为1,且依次递进取值;
预测单元403,用于将j类变化趋势对应的仿真数据与除第i因素之外的因素对应的历史数据共同输入至预构建的瓦斯浓度预测模型中,预测瓦斯浓度,其中j为大于或者等于1,且小于或者等于2的正整数,j依次递进取值,初始取值为1;
处理单元404,用于计算第i类因素的第j类变化趋势与预测的瓦斯浓度之间的相关性;
根据相关性,确定影响瓦斯浓度变化的因素及变化趋势。
可选的,因素包括如下中的至少一种:风速、风压、一氧化碳浓度、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
可选的,获取单元401还用于,获取采煤工作面内预设位置的瓦斯浓度;
处理单元404还用于,利用采煤工作面内预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
可选的,处理单元404具体用于,对采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据,以及采煤工作面内预设位置的瓦斯浓度分别进行预处理,获取预处理后的数据;
利用预处理后的数据,对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
可选的,预构建的瓦斯浓度预测模型为长短期记忆网络LSTM模型。
可选的,两类变化趋势包括上升趋势和下降趋势。
可选的,处理单元404还用于,根据相关性的程度、因素及变化趋势确定处理措施。
本发明实施例提供的一种确定影响瓦斯浓度变化的因素及趋势的装置中各部件所执行的功能均已在上述实施例1中做了详细介绍,因此这里不做过多赘述。
本发明实施例提供的一种确定影响瓦斯浓度变化的因素及趋势的装置,首先获取到采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据。然后分别对每一种因素进行仿真,获取到每一种因素所对应的两种趋势分别对应的仿真数据。每一次只将一种因素对应的一种变化趋势对应的仿真数据和其他因素对应的历史数据共同输入到预构建的浓度预测模型中,预测瓦斯浓度。然后确定每一类因素的每一种变化趋势与预测的瓦斯浓度之间的相关性。通过这种方式,就可以确定每一种因素处于每一种变化趋势时对于瓦斯浓度的影响。那么,自然就可以确定影响瓦斯浓度变化的因素及其变化趋势了。方便后续针对能够影响瓦斯浓度变化的因素以及该因素对应的变化趋势进行更加严苛的监控,并针对影响瓦斯浓度变化的因素采取有效措施,尽量避免其导致瓦斯浓度的增加,从而保证工作人员的生命安全。
与上述实施例相对应的,本发明实施例3还提供了一种确定影响瓦斯浓度变化的因素及趋势的系统,具体如图5所示,该系统包括:处理器501和存储器502;
存储器502用于存储一个或多个程序指令;
处理器501,用于运行一个或多个程序指令,用以执行如上实施例所介绍的一种确定影响瓦斯浓度变化的因素及趋势的方法中的任一方法步骤。
本发明实施例提供的一种确定影响瓦斯浓度变化的因素及变化趋势的系统,首先获取到采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据。然后分别对每一种因素进行仿真,获取到每一种因素所对应的两种趋势分别对应的仿真数据。每一次只将一种因素对应的一种变化趋势对应的仿真数据和其他因素对应的历史数据共同输入到预构建的浓度预测模型中,预测瓦斯浓度。然后确定每一类因素的每一种变化趋势与预测的瓦斯浓度之间的相关性。通过这种方式,就可以确定每一种因素处于每一种变化趋势时对于瓦斯浓度的影响。那么,自然就可以确定影响瓦斯浓度变化的因素及其变化趋势了。方便后续针对能够影响瓦斯浓度变化的因素以及该因素对应的变化趋势进行更加严苛的监控,并针对影响瓦斯浓度变化的因素采取有效措施,尽量避免其导致瓦斯浓度的增加,从而保证工作人员的生命安全。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令。其中,一个或多个程序指令用于被一种确定影响瓦斯浓度变化的因素及趋势的系统执行如上所介绍的一种确定影响瓦斯浓度变化的因素及趋势的方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific工ntegrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种确定影响瓦斯浓度变化的因素及趋势的方法,其特征在于,所述方法包括:
分别获取采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据;
根据采集第i因素对应的历史数据,对所述第i因素变化趋势进行仿真,获取两类变化趋势对应的仿真数据,每一类变化趋势对应的仿真数据均包括至少两个数据,其中i为大于或者等于1,且小于或者等于所述与瓦斯浓度相关的因素种类总数的正整数,i初始取值为1,且依次递进取值;
将j类变化趋势对应的仿真数据与除所述第i因素之外的因素对应的历史数据共同输入至预构建的瓦斯浓度预测模型中,预测瓦斯浓度,其中j为大于或者等于1,且小于或者等于2的正整数,j依次递进取值,初始取值为1;
计算所述第i类因素的第j类变化趋势与预测的瓦斯浓度之间的相关性;
根据所述相关性,确定影响所述瓦斯浓度变化的因素及变化趋势;
所述将j类变化趋势对应的仿真数据与除所述第i因素之外的因素对应的历史数据共同输入至预构建的预测模型中,预测瓦斯浓度之前,所述方法还包括:
获取所述采煤工作面内预设位置的瓦斯浓度;
利用所述采煤工作面内预设位置的瓦斯浓度,以及所述采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为所述预构建的瓦斯浓度预测模型;
所述利用所述采煤工作面内预设位置的瓦斯浓度,以及所述采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为所述预构建的瓦斯浓度预测模型,具体包括:
对所述采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据,以及所述采煤工作面内预设位置的瓦斯浓度分别进行预处理,获取预处理后的数据;
利用所述预处理后的数据,对所述预构建的神经网络模型进行训练,获取最优神经网络模型,作为所述预构建的瓦斯浓度预测模型。
2.根据权利要求1所述的方法,其特征在于,所述因素包括如下中的至少一种:
风速、风压、一氧化碳浓度、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
3.根据权利要求1所述的方法,其特征在于,所述预构建的瓦斯浓度预测模型为长短期记忆网络LSTM模型。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述两类变化趋势包括上升趋势和下降趋势。
5.根据权利要求1所述的方法,其特征在于,所述根据所述相关性,确定影响所述瓦斯浓度变化的因素及变化趋势之后,所述方法还包括:
根据所述相关性的程度、所述因素及变化趋势确定处理措施。
6.一种确定影响瓦斯浓度变化的因素及趋势的装置,其特征在于,所述装置包括:
获取单元,用于分别获取采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据;
仿真单元,用于根据采集第i因素对应的历史数据,对所述第i因素变化趋势进行仿真,获取两类变化趋势对应的仿真数据,每一类变化趋势对应的仿真数据均包括至少两个数据,其中i为大于或者等于1,且小于或者等于所述与瓦斯浓度相关的因素种类总数的正整数,i初始取值为1,且依次递进取值;
预测单元,用于将j类变化趋势对应的仿真数据与除所述第i因素之外的因素对应的历史数据共同输入至预构建的瓦斯浓度预测模型中,预测瓦斯浓度,其中j为大于或者等于1,且小于或者等于2的正整数,j依次递进取值,初始取值为1;
处理单元,用于计算所述第i类因素的第j类变化趋势与预测的瓦斯浓度之间的相关性;
根据所述相关性,确定影响所述瓦斯浓度变化的因素及变化趋势;
所述获取单元还用于,获取采煤工作面内预设位置的瓦斯浓度;
所述处理单元还用于,利用采煤工作面内预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型;
所述处理单元具体用于,对采煤工作面内与瓦斯浓度相关的因素中每一种因素对应的历史数据,以及采煤工作面内预设位置的瓦斯浓度分别进行预处理,获取预处理后的数据;
利用预处理后的数据,对预构建的神经网络模型进行训练,获取最优神经网络模型,作为预构建的瓦斯浓度预测模型。
7.一种确定影响瓦斯浓度变化的因素及趋势的系统,其特征在于,所述系统包括:处理器和存储器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1-5任一项所述的方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被一种确定影响瓦斯浓度变化的因素及趋势的系统执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616299.6A CN110334451B (zh) | 2019-07-09 | 2019-07-09 | 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616299.6A CN110334451B (zh) | 2019-07-09 | 2019-07-09 | 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334451A CN110334451A (zh) | 2019-10-15 |
CN110334451B true CN110334451B (zh) | 2021-04-02 |
Family
ID=68143931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910616299.6A Active CN110334451B (zh) | 2019-07-09 | 2019-07-09 | 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334451B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856204B (zh) * | 2022-09-06 | 2023-06-23 | 昆明理工大学 | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539030B (zh) * | 2009-04-15 | 2011-04-13 | 中铁二局股份有限公司 | 采用疏系数自回归模型预测瓦斯的方法 |
US8882204B2 (en) * | 2012-08-21 | 2014-11-11 | George Anthony Aulisio | Apparatus and method for mining coal |
CN107503797B (zh) * | 2017-08-25 | 2019-04-16 | 合肥明信软件技术有限公司 | 基于3d仿真平台的矿井瓦斯浓度趋势预警系统 |
CN108470254A (zh) * | 2018-04-08 | 2018-08-31 | 安徽理工大学 | 一种基于自回归神经网络的瓦斯灾害预测方法 |
CN108921359B (zh) * | 2018-07-26 | 2022-03-11 | 安徽大学 | 一种分布式瓦斯浓度预测方法及装置 |
CN109657361B (zh) * | 2018-12-21 | 2022-09-13 | 成都四方伟业软件股份有限公司 | 瓦斯含量预测方法、终端设备及计算机可读存储介质 |
CN109711641A (zh) * | 2019-01-28 | 2019-05-03 | 辽宁工程技术大学 | 一种基于改进ga-bp网络模型的瓦斯涌出量预测方法 |
-
2019
- 2019-07-09 CN CN201910616299.6A patent/CN110334451B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110334451A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
CN111738620B (zh) | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 | |
CN110309616A (zh) | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 | |
CN104141490B (zh) | 有水气藏单井水侵情况判断及气井产量控制方法和装置 | |
CN107642347B (zh) | 页岩气压裂井下事故预测预警方法及装置 | |
CN111581581B (zh) | 多边界条件下SCR入口NOx浓度的检测方法和系统 | |
CN112308306A (zh) | 一种多模态输入的煤与瓦斯突出危险预测方法 | |
CN110334451B (zh) | 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 | |
CN108304875A (zh) | 一种基于统计判别分类的爆破块度预测方法 | |
CN101701935B (zh) | 耐火砖内部质量在线检测装置 | |
CN104033176B (zh) | 一种利用钻场瓦斯抽采数据评价区段瓦斯抽采效果的方法 | |
CN106246226A (zh) | 一种矿井瓦斯涌出异常的识别方法 | |
CN116777085A (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
CN110222405B (zh) | 一种基于降低强度包线折减法的岩质边坡稳定性测试方法 | |
CN104268650A (zh) | 一种煤层底板破坏深度的预测方法 | |
Diaz et al. | Towards atmospheric monitoring data analysis in underground coal mines | |
CN114862612A (zh) | 一种基于Bagging改进的矿井内数据预处理方法 | |
CN115310705A (zh) | 瓦斯涌出量的确定方法及其装置、计算机可读存储介质 | |
Niewiadomski et al. | Recommendations for methane prognostics and adjustment of short-term prevention measures based on methane hazard levels in coal mine longwalls | |
Savolainen et al. | Incorporating hydrologic uncertainty in industrial economic models: implications of extreme rainfall variability on metal mining investments | |
Lian et al. | Application of discrete data extreme value distribution in the analysis of mine pressure rule | |
Dai et al. | Analysis of Geological Factors Affecting Coal Seam Gas Content and Prediction | |
Salazar et al. | A methodology for dam safety evaluation and anomaly detection based on boosted regression trees | |
CN116611004B (zh) | 煤矿安全灾害预测模型训练方法、预警方法、预警系统 | |
Park et al. | Principal component analysis of water pipe flow data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |