CN111680268B - 一种基于云模型的多粒度煤矿瓦斯风险预测方法 - Google Patents
一种基于云模型的多粒度煤矿瓦斯风险预测方法 Download PDFInfo
- Publication number
- CN111680268B CN111680268B CN202010528525.8A CN202010528525A CN111680268B CN 111680268 B CN111680268 B CN 111680268B CN 202010528525 A CN202010528525 A CN 202010528525A CN 111680268 B CN111680268 B CN 111680268B
- Authority
- CN
- China
- Prior art keywords
- cloud
- gaussian
- time
- granularity
- coal mine
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 239000008187 granular material Substances 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 65
- 238000005065 mining Methods 0.000 claims description 28
- 239000002245 particle Substances 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 9
- 238000005469 granulation Methods 0.000 claims description 8
- 230000003179 granulation Effects 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000005641 tunneling Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 235000019580 granularity Nutrition 0.000 description 37
- 238000000605 extraction Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 231100000279 safety data Toxicity 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- 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
- G01N33/0073—Control unit therefor
- G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于云模型的多粒度煤矿瓦斯风险预测方法，所述方法包括：根据原始数据生成多个含混度小于阈值的高斯云；将论域边界由高斯云表征的概念转换成半梯形云，最终生成表示原始数据宏观概念的多个混合云；按照煤矿监管监察时间架构离散化数据集，调用逆向云发生器将每个离散的时间片转换成赋有语义的时间粒；按照煤矿监管监察空间架构离散化数据集，调用逆向云发生器将每个离散的空间片转换成赋有语义的空间粒；计算每个时间粒所隶属的相应宏观概念及隶属度；根据煤矿瓦斯浓度的多粒度表示结果构建云规则推理，对短期内的瓦斯浓度进行预测；本发明能够充分考虑真实生产环境，高效地处理海量煤矿安全生产数据，属于数据分析技术领域。
Description
技术领域
本发明属于工业安全流程控制与决策领域，特别涉及一种基于云模型的多粒度煤矿瓦斯风险预测方法。
背景技术
我国煤炭分布范围广泛，埋藏地质条件复杂，长期以来，煤炭工业是我国安全事故发生最严重的行业，随着我国对煤矿监管监察力度的加强，数字矿山的智能化也在稳步发展，在矿业的信息化建设过程中，虽然积累了海量的煤矿安全生产数据，但基于安全生产方面相应的方法或模型较少，无法为煤矿安全管理提供可靠的决策信息支撑。如何对这些海量的煤矿风险数据资源进行分析和处理，发现其中潜在、未知的知识和规律，是目前急需解决的问题。近年来，越来越多的学者也开始投入到针对煤矿安全生产数据的研究中来，并取得了较好的应用效果。现有的针对煤矿安全生产数据的研究按照其应用场景可主要分为：煤矿数据建模与降维、煤矿数据不确定性挖掘；煤矿安全评价与分析三类；
上述对煤矿数据的挖掘普遍在固定粒度层面展开，且其对定量分析与定性评价之间的相互转换关系缺乏研究，导致定性的煤矿风险评估难以有效指导定量的生产实践工作。本文借助粒计算中的多粒度思想，多粒度计算的思想来源于Hobbs所提出的“人类问题求解的基本特征之一，就是从不同的粒度上观察世界，并且很容易地从一个抽象层次转换到其他层次的能力，即分层次的处理它们”。其进行多粒度计算的目的是为了降低处理复杂问题的复杂性，能够对复杂问题求解、大数据挖掘和不确定性信息处理等问题上提供有力帮助。通过对原始煤矿数据进行定量到定性、细粒度到粗粒度间的转换，抽象出较高的概念层；可在煤矿安全管理和决策分析时，提供更有指导意义的知识。云模型是粒计算中定量到定性转换的经典模型，本研究主要基于云模型相关理论，开展面向煤矿安全大数据的多粒度表示方法的研究。
发明内容
为了实现煤矿安全数据定量与定性间的不确定性转换，本发明提出一种基于云模型的多粒度煤矿瓦斯风险预测方法，具体包括以下步骤：
S0、获取原始数据；
S1、统计原始数据频度分布，并计算其分布偏度，对于分布偏度大于阈值的对其进行对数转换；
S2、调用高斯混合模型将其分布函数转换成多个高斯分布，并计算相应的高斯云参数，按序对每个高斯云的含混度进行判断，生成多个含混度小于阈值的高斯云；
S3、将论域边界由高斯云表征的概念转换成半梯形云，最终生成表示原始数据宏观概念的多个混合云；
S4、按照煤矿监管监察时间架构离散化数据集，调用逆向云发生器将每个离散的时间片转换成赋有语义的时间粒
S5、按照煤矿监管监察空间架构离散化数据集，调用逆向云发生器将每个离散的空间片转换成赋有语义的空间粒
S6、计算每个时间粒所隶属的相应宏观概念及隶属度，得到多粒度表示；
S7、根据煤矿瓦斯浓度的多粒度表示结果构建云规则推理，对短期内的瓦斯浓度进行预测。
进一步的，步骤S0包括：在每个采区和掘进工作面设置高低甲烷浓度传感器，将高低甲烷浓度传感器采集的瓦斯浓度作为原始数据。
进一步的，步骤S1包括：设置一个数据分布偏度阈值γ用以考量整体的数据分布情况，统计原始数据的频度分布p(xi)，计算原始数据分布的偏度Δp，如果Δp>γ，则对原始数据的频度分布进行变换，表示为：
进一步的，步骤S2包括：
根据原始数据的频度分布，调用高斯混合模型将原始数据转换为M个高斯分布；
通过自适应高斯云变换方法，将每个高斯分布转换为高斯云模型，即第k个高斯分布表示为C(Exk,Enk,Hek),k＝1,2,…,M；
依次对每个高斯云的含混度CDk进行判断，如果CDk＞β,k＝1,2,…,M,则概念数M＝M-1，M的初始值为频度统计时的初始波峰数；
重复上一步骤，直到所有高斯云的含混度小于等于β，输出此时的高斯云；
其中，
表示在n粒层中第i个空间云概念，Exk为高斯云的期望，期望Ex为当前论域空间内的瓦斯浓度的量化代表值，是最能够代表当前云概念的量化指标，反映了相应定性知识的中心值；Enk为高斯云的熵，用来度量概念的亦此亦彼性，体现其模糊性，反映了论域空间中可被概念接受的云滴的取值范围；Hek为高斯云的超熵，反映数值隶属于概念的随机程度，超熵的大小间接反映云的厚度，超熵越大，云的厚度越大。
优选的，含混度阈值的选取主要参照云模型概念含混度与交叠程度之间的关系而设定，根据需要可将含混度阈值设定在保证输出的高斯云在雾化水平，即含混度阈值设定为1；在含混水平，即含混度范围在(0.6354，1)之间，设阈值为0.6354；在较成熟水平，含混度在(0.5004，0.6354)之间，可将阈值设为0.5004；在成熟水平，即含混度在(0.2，0.5004)之间，可将阈值设为0.2；在成熟水平，即含混度在(0，0.2)之间，可将阈值设为0。
进一步的，步骤S3包括：对处于论域边界的高斯云进行半云拟合并用梯形云模型进行表示，将位于论域左边界的高斯云用右半梯形云进行拟合，并按含混度对M个由高斯云和梯形云进行排序输出。
进一步的，步骤S4包括：
制定粒化标准，即分钟粒度为传感器监测数值的实时变化情况，小时粒度为当前小时段内的态势波动和趋势，天粒度为当前一天内各个时段的态势分布情况，月粒度为当月的每天的态势波动，年粒度为当年的总体浓度态势；
基于粒化标准将原始数据按ω划分成p个时间片{T1,T2,...,Ti,...,Tp}，一个时间片对应一个时间粒度；
获取煤矿瓦斯浓度实时数据，并根据获取每个传感器节点的间隔时间控制时间片宽度；
调用逆向云发生器算法将小时粒层以上的时间片Ti转换成赋有语义表示的小时粒层时间粒
并按分钟粒层、小时粒层、天粒层、月粒层、季粒层、年粒层输出时间粒；
其中，ω为时间片的窗口大小；
在α粒度水平下的第i个时间粒，α为时间粒度水平。
进一步的，步骤S5包括：
依据矿区生产大数据的来源，按照空间粒度，将煤矿空间大数据按照传感器、工作面、采区、矿区、市辖所有矿区，省辖所有矿区进行空间粒度的逻辑粒化；
单一传感器为整个空间粒度中的最细粒度，一个工作面包含了多个传感器节点，一个采区又有着多个工作面，一个矿区有着多个采区，再依据煤矿监管监察体系，市区内多个煤矿同属市煤监局监察监管，省煤监局有辖管多个市区的煤矿；
将数据集按传感器划分，一个由m个传感器构成的空间粒表示为{r'1,r'2,...,r'i,...,r'm}；
调用逆向云发生器算法将每个传感器节点中的所有数据转换为具有定性含义的云模型，第i个传感节点的云模型表示为：r'i＝{C1(Ex1,En1,He1),...,Cn(Exn,Enn,Hen)}。
进一步的，步骤S6包括：判断各粒层粒的表示云
的期望值Ex是否隶属于步骤S1～S3提取的宏观概念区间，如果其隶属于相应概念的论域区间，计算其期望在隶属概念中的隶属度μ＝exp(-(Ex'-Ex))2/2*(En')2，得到多粒度表示；
其中，Ex为时间粒期望，Ex'为所属的宏观概念的期望，En'为所属宏观概念的熵期。
进一步的，步骤S7包括：在基于时间粒化后的基础上，其各个时间片内的数据均被云模型的三个参数所表示，选取一个粒层中部分时间段的表示结果，并基于当前选择的粒层，将当前分钟粒层的浓度值x作为前件云的输入，调用前件云发生器，返回确定度y，并将确定度y作为后件云发生器的输入，最终返回一个预测浓度x'；由于在短期内的预测比较准确，优选的，选取的粒层为小时粒层。
本研究从煤矿监管中的多粒度需求出发，借助云模型定量数据与定性概念间良好的转换能力，从煤矿监管中的时间、空间监管架构角度，提出了基于云模型的面向煤矿安全大数据的多粒度表示方法，该方法能够有效满足煤矿监管中其基于宏观、微观，不同时间、空间维度的变粒度需求，实现煤矿安全大数据在不同粒度认知结构中的特性的深入挖掘，对煤矿工业生产安全控制与决策领域有实质性的帮助。
附图说明
图1为本发明一种基于云模型的多粒度煤矿瓦斯风险预测方法的流程图；
图2为本发明相关实验数据对去趋势分布偏差图；
图3为本发明相关实验数据的原始煤矿瓦斯浓度分布；
图4为本发明相关实验数据经过对数转换后的煤矿瓦斯浓度分布；
图5为未采用本发明的原始高斯云变换对瓦斯浓度对概念提取图；
图6为本发明对瓦斯浓度对概念提取图；
图7为本发明相关实验数据瓦斯浓度在天粒层中对云参数变化图；
图8为本发明的相应时间粒层对应对风险粒；
图9为本发明基于时间粒的瓦斯浓度预测与基于Arima浓度预测对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明提出一种基于云模型的多粒度煤矿瓦斯风险预测方法，如图1，包括以下步骤：
S0、获取原始数据；
S1、统计原始数据频度分布，并计算其分布偏度，对于分布偏度大于阈值的对其进行对数转换；
S2、调用高斯混合模型将其分布函数转换成多个高斯分布，并计算相应的高斯云参数，按序对每个高斯云的含混度进行判断，生成多个含混度小于阈值的高斯云；
S3、将论域边界由高斯云表征的概念转换成半梯形云，最终生成表示原始数据宏观概念的多个混合云；
S4、按照煤矿监管监察时间架构离散化数据集，调用逆向云发生器将每个离散的时间片转换成赋有语义的时间粒；
S5、按照煤矿监管监察空间架构离散化数据集，调用逆向云发生器将每个离散的空间片转换成赋有语义的空间粒；
S6、计算每个时间粒所隶属的相应宏观概念及隶属度，得到多粒度表示；
S7、根据煤矿瓦斯浓度的多粒度表示结果构建云规则推理，对短期内的瓦斯浓度进行预测。
实施例1
本实施例主要说明本发明在自适应高斯云变换算法(A-GCT算法)上所提出的适应于煤矿安全大数据的改进算法-自适应混合云变换算法(A_MCT算法)，主要涉及步骤S1～S3，通过数据集样本集{xi|i＝1,2,…,N}，概念含混度上限β，数据分布偏度阈值γ，最终输出由多种云模型表示的定性概念，具体包括以下步骤：
Step1：计算数据分布偏度并进行对数转换
设置一个数据分布偏度阈值γ用以考量整体的数据分布情况，统计原始数据的频度分布p(xi)，计算原始数据分布的偏度Δp，如果Δp>γ，则对原始数据的频度分布进行变换，表示为：
Step2：生成多个含混度小于阈值的高斯云
根据原始数据的频度分布，调用高斯混合模型将原始数据转换为M个高斯分布；
通过自适应高斯云变换方法，将每个高斯分布转换为高斯云模型，即第k个高斯分布表示为C(Exk,Enk,Hek),k＝1,2,…,M；
依次对每个高斯云的含混度CDk进行判断，如果CDk＞β,k＝1,2,…,M,则概念数M＝M-1，M的初始值为频度统计时的初始波峰数；
重复上一步骤，直到所有高斯云的含混度小于等于β，输出此时的高斯云；
其中，Exk为高斯云的期望；Enk为高斯云的熵；Hek为高斯云的超熵。
Step3：生成表示原始数据宏观概念的多个混合云
对处于论域边界的高斯云进行半云拟合并用梯形云模型进行表示，将位于论域左边界的高斯云用右半梯形云进行拟合，并按含混度对M个由高斯云和梯形云进行排序输出。
其中半云拟合和梯形云拟合主要借鉴于当下云模型研究的主要内容，即采用当前研究中半云模型和梯形云模型进行拟合，此处不做过多阐述。
实施例2
本实施例主要说明本发明中时间粒和空间粒的构建。
Step1：时间粒
制定粒化标准，即分钟粒度为传感器监测数值的实时变化情况，小时粒度为当前小时段内的态势波动和趋势，天粒度为当前一天内各个时段的态势分布情况，月粒度为当月的每天的态势波动，年粒度为当年的总体浓度态势；
基于粒化标准将原始数据按ω划分成p个时间片{T1,T2,...,Ti,...,Tp}；其中ω为时间片的窗口大小，其不同的时间片大小对应不同的时间粒度；获取的煤矿瓦斯浓度实时数据一分钟一个节点，根据这一特点控制时间片宽度；
调用逆向云发生器算法将小时粒层以上的时间片Ti转换成赋有语义表示的小时粒层时间粒
并按分钟粒层、小时粒层、天粒层、月粒层、季粒层、年粒层输出时间粒；
其时间粒度的形式化表示如下表：α为时间粒度水平，其粒度的形式化表述为
表示在α粒度水平下的第i个时间粒。所有粒度的表示如下表。
表1
Step2：空间粒
依据矿区生产大数据的来源，按照空间粒度，将煤矿空间大数据按照传感器、工作面、采区、矿区、市辖所有矿区，省辖所有矿区进行空间粒度的逻辑粒化。煤矿安全生产大数据主要依托于传感器的实时记录，因此，单一传感器为整个空间粒度中的最细粒度，一个工作面包含了多个传感器节点，一个采区又有着多个工作面，一个矿区有着多个采区，再依据煤矿监管监察体系，市区内多个煤矿同属市煤监局监察监管，省煤监局有辖管多个市区的煤矿。
表示第i个传感器中的n个数据样本，设λ为空间粒度水平，取λ＝0，将数据集按传感器划分，将数据集划分为m个传感器构成的空间粒{{r'1,r'2,...,r'i,...,r'm}},表示为处于传感器粒层，调用逆向云发生器算法(BCG)将其每个传感器节点中的所有数据转换为具有定性含义的云模型，/>
所有空间粒的表示如下表所示。
表2
实施例3
本实施例提出一种隶属度的计算方法。
在计算隶属度之前，需要判断各时间粒层粒的表示云
中时间粒的期望值Ex是否隶属于根据实施例1获得原始数据宏观概念区间，即位于原始数据的多个混合云期望的最大值与最小值形成的区间内；
如果属于，即该时间粒隶属于相应概念的论域区间，计算其期望在隶属概念中的隶属度μ＝exp(-(Ex'-Ex))2/2*(En')2，得到多粒度表示；
其中，Ex为时间粒期望，Ex'为所属的宏观概念的期望，En'为所属宏观概念的熵，Exk为高斯云的期望，Enk为高斯云的熵，Hek为高斯云的超熵。
实施例4
本文提出的方法主要应用于煤矿瓦斯监测数据的概念提取以及短期监测数据的预测，数据主要来源于重庆煤炭科学研究院提供的煤矿瓦斯浓度监测数据(重庆石壕煤矿，2019年1月至6月)，共209730条；预期在本文提出的煤矿安全大数据多粒度表示方法的基础上，能够对煤矿生产过程中的瓦斯浓度能够合理的进行概念识别，其监测数据宏观概念表示的对比算法采用自适应高斯云变换算法；煤矿安全数据的宏观概念提取主要基于其数据的原始分布情况，通过调用相应的云变换算法，得出相关的概念表示结果；其具体流程如下：
Step1：分布检验
先对数据进行分布检验，取偏度(Skewness)为描述变量取值分布对称性的统计量。偏度计算公式如下：
其中，Δp表示原始数据x分布的偏度；E(x)表示原始数据的期望，σ为当前分布的标准差；
计算源于重庆煤炭科学研究院提供的煤矿瓦斯浓度监测数据，可以得到该数据分布偏度为0.05，且通过其浓度的去趋势正态偏差图，如图2，可发现当浓度大于1时，其数据分布右偏严重。标准正态分布偏度为0，以其标准正态分布的98％的置信区间来判断当前数据分布是否属于偏态分布，即将分布偏度阈值γ设为|0.02|，计算其数据分布偏度，当前偏度Δp＝0.05>0.02，发现其满足偏态分布。
Step2：对数转换
在不影响其原始频度分布函数的情况下，对其进行对数转换；其原始瓦斯浓度分布如图3所示，经过对数转换后的瓦斯分布如图4所示。
Step3：概念提取
调用A-GCT(自适应高斯云变换算法)和A-MCT(本方法)对煤矿瓦斯数据进行自适应概念聚类。输入概念含混阈值为0.5004，调用A-GCT算法，最终生成如图5所示的两个概念；
输入概念含混阈值为0.5004，调用A-MCT算法，最终生成如图6所示的四个概念；其不同算法的对比图如下表所示：
表3
Step4：对比评价指标选取
本发明以提取到的概念在当前客观论域的覆盖度CR和针对煤矿安全领域其概念隶属度的客观性SR作为评价指标，其覆盖度CR主要考量当前概念表示中，是否符合其整体的论域分布状态，其计算公式如下：
其中，D表示原数据集客观论域，D'表示概念提取后的数据的论域。
其概念隶属度的客观性(SR)主要考察其概念隶属范围是否合理，因为人们在对边界概念的认知上其实是有一定共性的，由于原算法中，其边界概念的隶属度未给出一个合理的说明(比如在最终生产的两个年轻院士和年老院士概念中，50岁要比40岁对年轻的隶属度更高，80岁要比90岁对年老的隶属更高，其认知不合理)。其SR的计算公式如下：
其中，N(C')为论域中隶属度合理的概念个数，N(C)最终提取概念总个数。
表4
从上表由CR和SR两个指标的对比试验评估可以看出，本方法在针对对煤矿数据概念表示中覆盖论域更全且其概念表示结果更为合理。
实施例5
本实施例数据同样源于重庆煤炭科学研究院提供的煤矿瓦斯浓度监测数据。煤矿安全数据的微观概念表示主要基于煤矿安全时间粒化结构，通过调用相应的云发生器将离散的时间数据转化为赋有语义表示的时间粒，并依据其时间粒的表示结果构建云规则发生器，应用到短期瓦斯浓度监测数据的预测中，其具体流程如下：
Step1：时间粒概念提取
将时间片内的数据转换为具有语言表示的时间粒云概念后，以天粒层为代表，展示其概念提取结果，如图7所示；基于时间粒化后，其各个时间片内的数据均被云模型的三个参数所表示，其期望Ex反应当前时间粒内的浓度量化代表值，熵En反应当前粒度内浓度的波动情况，超熵则为其粒度内浓度波动不确定性的度量值。
Step2:风险粒判别
与宏观概念匹配后，其隶属于低浓度的定义其风险粒度为1，表示低风险；隶属于中浓度的定义其风险粒度为2，表示中等风险；隶属于中高浓度的定义其风险粒度为3，表示中高风险；隶属于高浓度的定义其风险粒度为4，表示高风险。其隶属度反应当前概念属于该风险的不确定程度。选取当前煤矿数据集一月到五月时间段，基于时间粒概念提取结果，其天粒层的云参数及概念表示如下：
表5
如图8所示，各个时间段内的监测数据被转换为相应的风险语义信息，其风险粒体积的大小和颜色深度对应相应的风险程度，其颜色深度越深、体积越大风险度越高，使得煤矿监测数据时间序列的风险态势得到较为直观的展现。
Step3：构建基于时间粒的云规则发生器
随机选取其小时粒层中一天内6小时的概念表示云参数，并基于其小时粒度，将当前分钟粒层的浓度值x作为前件云的输入，调用前件云发生器(FCRG)，返回确定度y，并将确定度y作为后件云发生器(BCRG)的输入，最终返回一个预测浓度x'，下表为基于时间粒所构造的前件云和后件云。
表6
Step4：实验对比
基于微观概念提取的评估，主要基于所提取的时间粒构建云规则推理，预测其瓦斯浓度，并与当下经典的时序预测模型Arima对比，验证其表示方法的有效性。图9为基于云规则预测和Arima预测的对比图。
Step5：效果评估与分析
分别选取均方误差(MSE)，平均绝对误差(MAE)，和平均绝对百分比误差(MAPE)作为其预测评估指标，如下表所示：
表7
由MSE，MAE，MAPE三个指标可以看出，本方法相较于经典的Arima预测算法在煤矿数据集上精度更高，一定程度上验证了其本方法在煤矿瓦斯预测层面的优越性。另外本发明区别空间粒度和时间粒度，可以更好地管理不同空间、不同时间的瓦斯数据，并根据当地数据情况具体分析瓦斯风险并进行短期内瓦斯风险的预测，在实际应用中可以有效降低瓦斯风险。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，具体包括以下步骤：
S0、获取原始数据；
S1、统计原始数据频度分布，并计算其分布偏度，对于分布偏度大于阈值的对其进行对数转换；
S2、调用高斯混合模型将其分布函数转换成多个高斯分布，并计算相应的高斯云参数，按序对每个高斯云的含混度进行判断，生成多个含混度小于阈值的高斯云；
S3、将论域边界由高斯云表征的概念转换成半梯形云，最终生成表示原始数据宏观概念的多个混合云；
S4、按照煤矿监管监察时间架构离散化数据集，调用逆向云发生器将每个离散的时间片转换成赋有语义的时间粒；具体包括：
制定粒化标准，即分钟粒度为传感器监测数值的实时变化情况，小时粒度为当前小时段内的态势波动和趋势，天粒度为当前一天内各个时段的态势分布情况，月粒度为当月的每天的态势波动，年粒度为当年的总体浓度态势；
基于粒化标准将原始数据按ω划分成p个时间片{T1,T2,...,Ti,...,Tp}，一个时间片对应一个时间粒度；
获取煤矿瓦斯浓度实时数据，并根据获取每个传感器节点的间隔时间控制时间片宽度；
调用逆向云发生器算法将小时粒层以上的时间片Ti转换成赋有语义表示的小时粒层时间粒
并按分钟粒层、小时粒层、天粒层、月粒层、季粒层、年粒层输出时间粒；
其中，ω为时间片的窗口大小；
在α粒度水平下的第i个时间粒，α为时间粒度水平；Exk为高斯云的期望；Enk为高斯云的熵；Hek为高斯云的超熵；/>
表示在n粒层中第i个时间云概念；
S5、按照煤矿监管监察空间架构离散化数据集，调用逆向云发生器将每个离散的空间片转换成赋有语义的空间粒；具体包括：
依据矿区生产大数据的来源，按照空间粒度，将煤矿空间大数据按照传感器、工作面、采区、矿区、市辖所有矿区，省辖所有矿区进行空间粒度的逻辑粒化；
单一传感器为整个空间粒度中的最细粒度，一个工作面包含了多个传感器节点，一个采区又有着多个工作面，一个矿区有着多个采区，再依据煤矿监管监察体系，市区内多个煤矿同属市煤监局监察监管，省煤监局有辖管多个市区的煤矿；
将数据集按传感器划分，一个由m个传感器构成的空间粒表示为{r'1,r'2,...,r'i,...,r'm}；
调用逆向云发生器算法将每个传感器节点中的所有数据转换为具有定性含义的云模型，第i个传感节点的云模型表示为：
其中，
表示在n粒层中第i个空间云概念，(Ex1,En1,He1)为空间云概念的参数，Exk为高斯云的期望，Enk为高斯云的熵，Hek为高斯云的超熵；
S6、计算每个时间粒所隶属的相应宏观概念及隶属度，得到多粒度表示；
S7、根据煤矿瓦斯浓度的多粒度表示结果构建云规则推理，对短期内的瓦斯浓度进行预测。
2.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，获取原始数据的过程包括：在每个采区和掘进工作面设置高低甲烷浓度传感器，将高低甲烷浓度传感器采集的瓦斯浓度作为原始数据。
3.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S1包括：设置一个数据分布偏度阈值γ用以考量整体的数据分布情况，统计原始数据的频度分布p(xi)，计算原始数据分布的偏度Δp，如果Δp>γ，则对原始数据的频度分布进行变换，表示为：
4.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S2包括：
根据原始数据的频度分布，调用高斯混合模型将原始数据转换为M个高斯分布；
通过自适应高斯云变换方法，将每个高斯分布转换为高斯云模型，即第k个高斯分布表示为C(Exk,Enk,Hek),k＝1,2,…,M；
依次对每个高斯云的含混度CDk进行判断，如果CDk＞β,k＝1,2,…,M,则概念数M＝M-1，M的初始值为频度统计时的初始波峰数；
重复上一步骤，直到所有高斯云的含混度小于等于含混度阈值β，输出此时的高斯云；
其中，Exk为高斯云的期望；Enk为高斯云的熵；Hek为高斯云的超熵。
5.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S3包括：对处于论域边界的高斯云进行半云拟合并用梯形云模型进行表示，将位于论域左边界的高斯云用右半梯形云进行拟合，并按含混度对M个由高斯云和梯形云进行排序输出。
6.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S6包括：判断各粒层粒的表示云
中时间粒的期望值Ex是否隶属于步骤S1～S3提取的概念区间，如果其隶属于相应概念的论域区间，计算其期望在隶属概念中的隶属度μ＝exp(-(Ex'-Ex))2/2*(En')2，得到多粒度表示；
其中，Ex为时间粒期望，Ex'为所属的宏观概念的期望，En'为所属宏观概念的熵，Exk为高斯云的期望，Enk为高斯云的熵，Hek为高斯云的超熵。
7.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S7包括：在基于时间粒化后的基础上，其各个时间片内的数据均被云模型的三个参数所表示，选取一个粒层中部分时间段的表示结果，并基于当前粒层，将当前分钟粒层的浓度值x作为前件云的输入，调用前件云发生器，返回确定度y，并将确定度y作为后件云发生器的输入，最终返回一个预测浓度x'。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010528525.8A CN111680268B (zh) | 2020-06-11 | 2020-06-11 | 一种基于云模型的多粒度煤矿瓦斯风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010528525.8A CN111680268B (zh) | 2020-06-11 | 2020-06-11 | 一种基于云模型的多粒度煤矿瓦斯风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111680268A CN111680268A (zh) | 2020-09-18 |
| CN111680268B true CN111680268B (zh) | 2023-05-23 |
Family
ID=72454616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010528525.8A Active CN111680268B (zh) | 2020-06-11 | 2020-06-11 | 一种基于云模型的多粒度煤矿瓦斯风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680268B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112983545B (zh) * | 2021-02-22 | 2023-12-26 | 鄂尔多斯应用技术学院 | 一种基于sdg模型的采煤机故障寻踪方法 |
| CN114886416A (zh) * | 2022-05-07 | 2022-08-12 | 重庆邮电大学 | 一种基于心冲击图信号的心率和心动周期检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850727A (zh) * | 2015-01-27 | 2015-08-19 | 厦门大学 | 基于云重心理论的分布式大数据系统风险评估方法 |
| CN105468663A (zh) * | 2015-02-12 | 2016-04-06 | 国网山东省电力公司潍坊供电公司 | 一种基于云模型的智能决策电网知识库的搭建方法 |
| CN106951408A (zh) * | 2017-03-17 | 2017-07-14 | 国信优易数据有限公司 | 一种数据挖掘方法 |
| CN108092798A (zh) * | 2017-11-27 | 2018-05-29 | 西安财经学院 | 一种基于变粒度的云服务优选方法、云服务器 |
| WO2020049517A1 (en) * | 2018-09-07 | 2020-03-12 | Stone Three Digital (Pty) Ltd | Monitoring ore |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10656979B2 (en) * | 2016-03-31 | 2020-05-19 | International Business Machines Corporation | Structural and temporal semantics heterogeneous information network (HIN) for process trace clustering |
| US10672155B2 (en) * | 2016-08-17 | 2020-06-02 | International Business Machines Corporation | Non-linear, multi-resolution visualization of a graph |
-
2020
- 2020-06-11 CN CN202010528525.8A patent/CN111680268B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850727A (zh) * | 2015-01-27 | 2015-08-19 | 厦门大学 | 基于云重心理论的分布式大数据系统风险评估方法 |
| CN105468663A (zh) * | 2015-02-12 | 2016-04-06 | 国网山东省电力公司潍坊供电公司 | 一种基于云模型的智能决策电网知识库的搭建方法 |
| CN106951408A (zh) * | 2017-03-17 | 2017-07-14 | 国信优易数据有限公司 | 一种数据挖掘方法 |
| CN108092798A (zh) * | 2017-11-27 | 2018-05-29 | 西安财经学院 | 一种基于变粒度的云服务优选方法、云服务器 |
| WO2020049517A1 (en) * | 2018-09-07 | 2020-03-12 | Stone Three Digital (Pty) Ltd | Monitoring ore |
Non-Patent Citations (5)
| Title |
|---|
| H. Gang.The Research on Historical Data Similarity of Coal Mine Safety Supervision.《2007 International Conference on Information Acquisition, Seogwipo, Korea (South)》.2007,全文. * |
| Jin Dai.Multi-granularity grey incidence measurement method to data distribution sequence.《2017 IEEE 2nd International Conference on Cloud Computing and Big Data Analysis (ICCCBDA)》.2017,全文. * |
| X. Fang.Text sentiment analysis based on multi-granularity joint solution.《2018 IEEE 3rd International Conference on Cloud Computing and Big Data Analysis (ICCCBDA)》.2018,全文. * |
| 廖志恒.基于云模型和D-S理论的煤矿突水危险性综合评价模型.《煤矿安全》.2018,全文. * |
| 杨洁.正态云模型研究回顾与展望.《计算机学报》.2017,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680268A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647900B (zh) | 基于深度神经网络的安全态势智能预测方法、装置及系统 | |
| AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
| CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
| CN111680268B (zh) | 一种基于云模型的多粒度煤矿瓦斯风险预测方法 | |
| CN101354757A (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
| Munandar et al. | Fuzzy-Klassen model for development disparities analysis based on gross regional domestic product sector of a region | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
| Kolekar et al. | Prediction of municipal solid waste generation for developing countries in temporal scale: A fuzzy inference system approach | |
| CN116776260A (zh) | 基于机器学习的岩爆等级双模型分步预测方法 | |
| Kalair et al. | Dynamic and interpretable hazard-based models of traffic incident durations | |
| Xu et al. | An innovative interval grey model for construction waste forecasting | |
| Wen et al. | Study on risk control of water inrush in tunnel construction period considering uncertainty | |
| Xiao et al. | A Comparison study of utilizing optimization algorithms and fuzzy logic for candidate-well selection | |
| Kainthura et al. | Machine learning techniques to predict slope failures in Uttarkashi, Uttarakhand (India) | |
| Parsad et al. | Crime Against Women: Analysis And Prediction | |
| Urbanek et al. | On the value of parameters of use case points method | |
| Huang et al. | Mine accident prediction and analysis based on multimedia big data | |
| Kesumawati et al. | Forecasting Bank Indonesia Rate based on Fuzzy Time Series with Higher Forecast Accuracy Rate | |
| Bai et al. | Reliability evaluation in construction quality based on complex vague soft expert set method | |
| Sun et al. | Enhancing rock and soil hazard monitoring in open-pit mining operations through ultra-short-term wind speed prediction | |
| Geng et al. | Study on index model of tropical cyclone intensity change based on projection pursuit and evolution strategy | |
| Bohm | Optimization of Machine Learning for the Leptoquark Search using CERN ATLAS. Data | |
| Li et al. | Detecting Key Offenders from Crime Incidents via Attributed Heterogeneous Network Learning | |
| Yue et al. | Research on Improved CLIQUE Partial Order Algorithm Weight |
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 |