CN113743486B - 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 - Google Patents
应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 Download PDFInfo
- Publication number
- CN113743486B CN113743486B CN202110970985.0A CN202110970985A CN113743486B CN 113743486 B CN113743486 B CN 113743486B CN 202110970985 A CN202110970985 A CN 202110970985A CN 113743486 B CN113743486 B CN 113743486B
- Authority
- CN
- China
- Prior art keywords
- gas concentration
- data
- gas
- post
- blasting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005422 blasting Methods 0.000 title claims abstract description 51
- 239000003245 coal Substances 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000005641 tunneling Effects 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 32
- 239000006185 dispersion Substances 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000013058 risk prediction model Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 101000878457 Macrocallista nimbosa FMRFamide Proteins 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，包括：获取瓦斯浓度监测数据，识别不低于预设阈值的波峰数据，将包括该波峰在内的波峰前、后预设时长内的瓦斯浓度组成的序列作为瓦斯浓度异常序列；采用加权K近邻算法对瓦斯浓度异常序列进行分类；针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，获取炮后瓦斯浓度数据；基于炮后瓦斯浓度数据，采用卷积神经网络预测掘进头突出危险程度。本发明能够实现对煤矿掘进工作面瓦斯浓度异常有效辨识、炮后瓦斯涌出特征准确提取和突出危险性连续动态预测。
Description
技术领域
本发明涉及煤与瓦斯突出监测预警技术领域，特别涉及一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法。
背景技术
煤与瓦斯突出是煤矿开采中最具破坏性和危害性的动力灾害之一，突出灾害严重威胁着煤矿的安全生产和矿井工人的人身安全。突出危险性预测作为“四位一体”综合防治体系中的关键步骤，其广泛实施减少了煤巷掘进过程中突出次数。机器学习和深度学习技术的发展，为煤与瓦斯突出预测，有效避免突出灾害的发生提供了可能。
但目前应用机器学习和深度学习技术进行突出预测的方法中，其指标中多包含一些不可连续实时监测的参数，如煤层厚度、瓦斯放散初速度等，且样本量少，不能进行有效学习建模，因此，现有技术对于突出危险的预测效果较差。
发明内容
本发明提供了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，以解决现有技术不能进行有效学习建模，预测效果较差的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，该应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法包括：
获取瓦斯浓度监测数据，识别出所述监测数据中瓦斯浓度波峰不低于预设阈值的波峰数据，将包括所述波峰数据在内的波峰数据前第一预设时长和波峰数据后第二预设时长内的瓦斯浓度组成的序列作为瓦斯浓度异常序列；
采用加权K近邻算法对所述瓦斯浓度异常序列进行分类；其中，所述瓦斯浓度异常序列的类别包括传感器调校、停风、放炮作业以及其他异常；
针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，以获取炮后瓦斯浓度数据；
基于炮后瓦斯浓度数据，采用卷积神经网络预测掘进头突出危险程度。
进一步地，采用加权K近邻算法对所述瓦斯浓度异常序列进行分类，包括：
对所述瓦斯浓度异常序列进行特征提取；
对提取的特征进行离差标准化和主成分分析降维，得到前三个主成分；
将前三个主成分输入加权K近邻算法中，实现对瓦斯浓度异常序列的分类。
进一步地，对所述瓦斯浓度异常序列进行特征提取，包括：
提取所述瓦斯浓度异常序列的峰值、均值、均方根值、方差、标准差、离散系数、峰值因子、偏度、峰度、离散序列积分、峰宽以及峰突值。
进一步地，所述对提取的特征进行离差标准化和主成分分析降维，得到前三个主成分，包括：
利用离差标准化，将提取的各特征数据分别映射到[0,1]之间；
对离差标准化后的各个特征所构成的随机向量进行线性变换，得到合成随机变量；其中，所述合成随机变量中的元素为各特征数据所对应的主成分；各主成分互不相关，且各成分方差在总方差中的比重依次递减；
选出所述合成随机变量中的前三个元素，得到前三个主成分。
进一步地，采用加权K近邻算法对所述瓦斯浓度异常序列进行分类时，K的值取10；模型训练采用5折交叉验证进行验证；应用高斯函数增加权重。
进一步地，所述针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，包括：
获取被分类为放炮作业的瓦斯浓度异常序列对应的一阶差分向量；
将所述一阶差分向量与向量V＝(5,4,3,2,1,0,-1,-2,-3,-4,-5)T进行卷积运算，得到向量W，并从向量W中截取与所述瓦斯浓度异常序列相同维数的列向量S；
对S中的波峰位置进行识别，实现对放炮时刻及对应的瓦斯浓度的提取。
进一步地，所述基于炮后瓦斯浓度数据，采用卷积神经网络算法预测掘进头突出危险程度，包括：
将炮后瓦斯浓度数据按照时间顺序以及数值大小，转化为二维RGB图像；
将所述RGB图像输入卷积神经网络，以对所述RGB图像进行特征提取；
将提取出的特征采用全连接，以预测掘进头突出危险程度。
进一步地，将所述RGB图像输入卷积神经网络，以对所述RGB图像进行特征提取，包括：
将RGB图像三维数据进行归一化处理；
设置卷积层进行特征提取，包括：
采用相同填充，填充层数p＝2，人为增大图片尺寸抵消尺寸收缩影响；将填充后的特征图采用卷积核大小f＝5×5，卷积步长s0＝1的卷积过程进行特征提取。
增加批量归一化，对卷积层提取特征进行标准化，以降低数据差异。
设置池化层进行特征降维，将降维后的特征作为最终的特征。
进一步地，所述卷积层中采用ReLU作为激励函数。
进一步地，将提取出的特征采用全连接，预测掘进头突出危险程度，包括：
卷积神经网络应用多层卷积滤波器和池化滤波器交替构成，设置多个卷积核与图像进行卷积，卷积后的特征图统一进行批量归一化处理；采用本地连接与权值共享，滤除过程噪声和干扰信息；应用Dropout层，以20％的概率将神经元从网络中丢弃，防止过拟合，完成掘进头突出危险程度的预测；若输出值超过临界值，则预测为危险，否则为安全；其中，输出值越大突出危险程度越高。
另一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
再一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明首先应用加权K近邻算法对掘进工作面瓦斯浓度异常的诱因进行了有效辨识。然后基于辨识结果中的放炮作业，对放炮时刻及对应的瓦斯浓度进行了自动提取。最后将炮后瓦斯涌出特征可视化为二维图像，输入卷积神经网络，进行掘进头突出危险程度的预测。本发明是基于安全监控系统中的实时监测数据进行的，相比于目前现有的突出危险预测方法，数据获取简便可靠，样本丰富，成本较低，且不受现场条件限制，预测准确率相对较高，实现了突出危险性的连续动态预测。除此之外，本发明涉及的瓦斯浓度异常辨识与放炮时刻及对应的瓦斯浓度提取的方法，对煤矿瓦斯灾害的防治也具有一定积极意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法的执行流程示意图；
图2是本发明第二实施例提供的应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法的执行流程示意图；
图3是本发明第二实施例提供的对瓦斯浓度异常序列提取的特征集离差标准化后的特征相关性关联图；
图4是本发明第二实施例提供的采用主成分分析得到的前三个主成分对四类瓦斯浓度诱因的分类效果示意图；
图5是本发明第二实施例提供的采用基于PCA-Weighted KNN的瓦斯浓度异常辨识算法对瓦斯浓度异常诱因辨识结果的混淆矩阵图；
图6是本发明第二实施例提供的对瓦斯浓度进行差分卷积运算的向量与瓦斯浓度向量的对应关系示意图；
图7是本发明第二实施例提供的炮后瓦斯浓度曲线转化为RGB图像转化过程示意图；
图8是本发明第二实施例提供的采用基于CNN的煤与瓦斯突出危险性预测模型预测突出危险性的结果示意图；
图9是采用本发明涉及的异常辨识与突出预测方法，结合喷孔、压出等小型煤与瓦斯突出的部分预测效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
瓦斯涌出异常是煤与瓦斯突出的重要前兆之一。而安全监控系统中储存着大量数据。因此，可基于监测数据，获取炮后瓦斯浓度数据，提取相关特征，应用卷积神经网络等算法，建立突出危险预测模型，实现动态连续的局部突出危险性预测，以达到对突出危险性精准预测的目的。基于此，本实施例从掘进工作面安全监控系统中的瓦斯浓度监测数据出发，提供了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该方法的执行流程如图1所示，包括以下步骤：
S1，获取瓦斯浓度监测数据，识别出所述监测数据中瓦斯浓度波峰不低于预设阈值的波峰数据，将包括所述波峰数据在内的波峰数据前第一预设时长和波峰数据后第二预设时长内的瓦斯浓度组成的序列作为瓦斯浓度异常序列；
S2，采用加权K近邻算法对所述瓦斯浓度异常序列进行分类；其中，所述瓦斯浓度异常序列的类别包括传感器调校、停风、放炮作业以及其他异常；
S3，针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，以获取炮后瓦斯浓度数据；
S4，基于炮后瓦斯浓度数据，采用卷积神经网络预测掘进头突出危险程度。
进一步地，采用加权K近邻算法对所述瓦斯浓度异常序列进行分类，包括：
对所述瓦斯浓度异常序列进行特征提取；其中，在本实施例中，提取的特征包括：瓦斯浓度异常序列的峰值、均值、均方根值、方差、标准差、离散系数、峰值因子、偏度、峰度、离散序列积分、峰宽以及峰突值。
对提取的特征进行离差标准化和主成分分析降维，得到前三个主成分；具体地，在本实施例中，该步骤的实现过程为：利用离差标准化，将提取的各特征数据分别映射到[0,1]之间；对离差标准化后的各个特征所构成的随机向量进行线性变换，得到合成随机变量；其中，所述合成随机变量中的元素为各特征数据所对应的主成分；各主成分互不相关，且各成分方差在总方差中的比重依次递减；选出所述合成随机变量中的前三个元素，得到前三个主成分。
将前三个主成分输入加权K近邻算法中，实现对瓦斯浓度异常序列的分类。其中，在本实施例中，采用加权K近邻算法对瓦斯浓度异常序列进行分类时，K的值取10；模型训练采用5折交叉验证进行验证；应用高斯函数增加权重。
进一步地，针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，包括：
获取被分类为放炮作业的瓦斯浓度异常序列对应的一阶差分向量；
将所述一阶差分向量与向量V＝(5,4,3,2,1,0,-1,-2,-3,-4,-5)T进行卷积运算，得到向量W，并从向量W中截取与所述瓦斯浓度异常序列相同维数的列向量S；
对S中的波峰位置进行识别，实现对放炮时刻及对应的瓦斯浓度的提取。
进一步地，所述基于炮后瓦斯浓度数据，采用卷积神经网络算法预测掘进头突出危险程度，包括：
将炮后瓦斯浓度数据按照时间顺序以及数值大小，转化为二维RGB图像；
将所述RGB图像输入卷积神经网络，以对所述RGB图像进行特征提取；具体地，在本实施例中，该步骤的实现过程如下：
将RGB图像三维数据进行归一化处理；
设置卷积层进行特征提取，包括：采用相同填充，填充层数p＝2，人为增大图片尺寸抵消尺寸收缩影响；将填充后的特征图采用卷积核大小f＝5×5，卷积步长s0＝1的卷积过程进行特征提取。增加批量归一化，对卷积层提取特征进行标准化，以降低数据差异。设置池化层进行特征降维，将降维后的特征作为最终的特征。其中，所述卷积层中采用ReLU作为激励函数。
将提取出的特征采用全连接，以预测掘进头突出危险程度。具体地，在本实施例中，该步骤的实现过程如下：
卷积神经网络应用多层卷积滤波器和池化滤波器交替构成，设置多个卷积核与图像进行卷积，卷积后的特征图统一进行批量归一化处理；采用本地连接与权值共享，滤除过程噪声和干扰信息；应用Dropout层，以20％的概率将神经元从网络中丢弃，防止过拟合，完成掘进头突出危险程度的预测；若输出值超过临界值，则预测为危险，否则为安全；其中，输出值越大突出危险程度越高。
综上，本实施例提供的预测掘进头煤与瓦斯突出危险的方法首先应用加权K近邻算法对掘进工作面瓦斯浓度异常的诱因进行了有效辨识。然后基于辨识结果中的放炮作业，对放炮时刻及对应的瓦斯浓度进行了自动提取。最后将炮后瓦斯涌出特征可视化为二维图像，输入卷积神经网络，进行掘进头突出危险程度的预测。而且，本实施例的突出危险预测方法是基于安全监控系统中的实时监测数据进行的，相比目前现有的突出危险预测方法，数据获取简便可靠，样本丰富，成本较低，且不受现场条件限制，预测准确率相对较高，实现了突出危险性的连续动态预测。除此之外，本发明涉及的瓦斯浓度异常辨识与放炮时刻及对应的瓦斯浓度提取的方法，对煤矿瓦斯灾害的防治也具有一定积极意义。
第二实施例
瓦斯涌出异常是煤与瓦斯突出的重要前兆之一。而安全监控系统中储存着大量数据。因此，可基于监测数据，获取炮后瓦斯浓度数据，提取相关特征，应用卷积神经网络等算法，建立突出危险预测模型，实现动态连续的局部突出危险性预测，以达到对突出危险性精准预测的目的。基于此，本实施例从掘进工作面安全监控系统中的瓦斯浓度监测数据出发，提供了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该方法的执行流程如图2所示，包括以下步骤：
S1，获取瓦斯浓度监测数据，识别出所述监测数据中瓦斯浓度波峰不低于预设阈值的波峰数据，将包括所述波峰数据在内的波峰数据前第一预设时长和波峰数据后第二预设时长内的瓦斯浓度组成的序列作为瓦斯浓度异常序列；
S2，采用加权K近邻算法对所述瓦斯浓度异常序列进行分类；其中，所述瓦斯浓度异常序列的类别包括传感器调校、停风、放炮作业以及其他异常；
S3，针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，以获取炮后瓦斯浓度数据；
S4，基于炮后瓦斯浓度数据，采用卷积神经网络预测掘进头突出危险程度。
具体地，在本实施例中，上述S1具体包括：
S11，获取瓦斯浓度监测数据；其中，监测数据为煤矿掘进工作面安全监控系统中的瓦斯浓度监测数据，具体为距掘进头最近的T1瓦斯传感器的监测数据。
S12，确定瓦斯浓度异常序列，即瓦斯浓度波峰不低于某一阈值CL％，包括波峰在内的某一时间段内的瓦斯浓度时间序列；在本实施例中，阈值为0.15％，提取包括峰值在内的峰前10min，峰后30min的瓦斯浓度为瓦斯浓度异常序列。
在本实施例中，上述S2具体包括：
S21，对瓦斯浓度异常序列进行特征提取，对特征进行离差标准化、主成分分析降维，得到前三个主成分；其中，前三个主成分的累计贡献率为85.815％。
S22，将前三个主成分输入加权K近邻分类算法中，实现对瓦斯异常序列的分类。即当瓦斯浓度时间序列出现异常时(瓦斯浓度监测值超过0.15％)，通过算法实现瓦斯异常诱因(传感器调校、停风、放炮及其他异常)的判断。
至此，本实施例应用加权K近邻算法完成了对瓦斯浓度异常诱因的辨识。
其中，S21中对瓦斯浓度异常序列Cq(t)进行特征提取，包括以下12个特征：
①峰值：Cpeak＝max(Ci(ti)),i＝1,2,...,m+n，Cq(t)中的瓦斯浓度最大值；
②均值：反映Cq(t)中的瓦斯浓度监测值的一般水平与集中趋势；
③均方根值：反映Cq(t)中的瓦斯浓度监测值的离散程度；
④方差：衡量Cq(t)与其均值/>之间的偏离程度；
⑤标准差：反映Cq(t)中的瓦斯浓度监测值的离散程度；
⑥离散系数：反映Cq(t)离散程度的相对统计量；
⑦峰值因子：反映峰值Cp在Cq(t)中的极端程度；
⑧偏度：度量Cq(t)分布偏斜方向和程度，是数据分布非对称程度的数字特征；
⑨峰度：反映瓦斯浓度曲线峰部的尖度；
⑩离散序列积分：当风速一定时，反映此段时间的瓦斯涌出量；
峰宽：Cw，反映Cq(t)中波峰的宽度；
峰突值：Cp，反映Cq(t)波峰的突出程度。
其中，Cq(t)为瓦斯浓度异常序列，包括峰前M min、峰后N min内的瓦斯浓度监测值；Ci(ti)表示ti时刻的瓦斯浓度值为Ci；m为峰前M min内的瓦斯浓度监测值的个数；n为峰后N min内的瓦斯浓度监测值的个数；t为采样开始时间；T为采样总时间。
对特征进行离差标准化、主成分分析降维，得到前三个主成分，包括：
利用离差标准化，将提取的12个特征数据映射到[0,1]之间，转换函数如下：
其中，xmax和xmin分别为属性x取值中的最大值和最小值。
离差标准化后的12个特征构成的随机向量为X＝(X1，X2，…，X12)T，设Y＝(Y1，Y2，…，Y12)T为对X进行线性变换得到的合成随机变量，即采用主成分分析对12个特征构成的随机变量进行线性变换：
Y1，Y2，…，Y12分别称为原始变量的第一主成分、第二主成分、…、第12主成分。各主成分互不相关，且各成分方差在总方差中的比重依次递减。
本实施例中，对某矿某巷道453个瓦斯浓度异常序列进行特征提取，共提取出12个时域特征指标，对特征离差标准化后进行相关性分析，如图3所示。
得到十二个主成分。前三个主成分的累计贡献率为85.815％，其系数矩阵为：
前三个主成分对四类瓦斯浓度诱因的分类效果如图4所示。
S22中将前三个主成分输入加权K近邻分类算法中，实现对瓦斯异常序列的分类具体包括：
加权K近邻算法用欧式距离反映样本间的距离，K的值取10，即选择距离最小的10个样本进行比较，模型训练采用5折交叉验证进行验证。欧式距离为：
其中，设特征空间X是n维实数向量空间Rn，
加权K近邻应用高斯函数增加权重，高斯函数形式为：
其中，a为曲线的高度；b为曲线中心线在x轴的偏移；c为半峰宽度。
综上，本实施例应用主成分分析(PCA)-加权K近邻(Weighted KNN)算法，实现了对瓦斯浓度异常诱因的辨识，如图5所示。
在本实施例中，上述S3具体包括：
对上述识别为放炮作业的瓦斯浓度异常序列Cq(t)，取向量Cq(t)的一阶差分向量C′q＝(c′(1),c′(2),...,c′(m+n-1))T，c′(t)＝c(t+1)-c(t)
其中，c’(t)为t时刻瓦斯浓度一阶差分值，t＝1,2,…m+n-1。
将c’q与向量V＝(5,4,3,2,1,0,-1,-2,-3,-4,-5)T进行卷积运算得到向量
W＝(w1,w2,...,wm+n+9)T
从向量W中截取与向量Cq(t)相同维数列向量
S＝(s1,s2,...,sm+n)T
si＝wi+4,i＝1,2,...,m+n
S中较为明显的波峰与向量Cq(t)中的放炮位置表现出良好的对应性，如图6所示。对S中的波峰位置进行识别，实现对放炮时刻及对应的瓦斯浓度的提取。
具体地，在本实施例中，对上述识别为放炮作业的225个瓦斯浓度异常序列Cq(t)，利用一阶差分卷积运算对炮后瓦斯信息特征进行自动提取。
在本实施例中，上述S4具体包括：
S41，将炮后瓦斯浓度时间序列转化为二维RGB图像。具体为：将辨识出的放炮作业的炮后瓦斯浓度数据按照时间顺序以及数值大小，映射成大小为120×120×3的RGB图像，作为卷积神经网络的输入图像；转化过程如图7所示。
S42，输入RGB图像，应用卷积神经网络对图像进行特征提取；
S43，将提取的特征采用全连接，预测掘进头突出危险程度。
进一步地，上述S42包括：
S421，将RGB图像三维数据进行归一化处理。包括：将分布于[0,255]的原始像素值归一化至[0,1]区间；
S422，设置卷积层进行特征提取。包括：
采用相同填充(Same Padding)、填充层数p＝2，人为增大图片尺寸抵消尺寸收缩影响；
将填充后的特征图采用卷积核大小f＝5×5，卷积步长s0＝1的卷积过程进行特征提取。特征图提取公式为：
其中，b为偏差量；Zl和Zl+1为第l+1层的卷积输入和输出；w为权重系数；Ll+1为Zl+1的尺寸；Z(i，j)为对应特征图的像素；K为特征图的通道数；f为卷积核大小；s0为卷积步长；p为填充层数。
卷积层中采用ReLU作为激励函数，ReLU的形式为：
f(x)＝max(0,x)
S423，增加批量归一化，对卷积层提取特征进行标准化，降低数据差异。包括：
将经过卷积之后的图片特征x＝[x1,x2,...,xn]赋予权重W后得到：
z＝[z1,z2,...,zn]
计算z的平均值μ和标准差σ，并按照公式计算得到
对经过变换重构，引入可学习参数γ和β，用在每层网络激活函数之前，让网络学习恢复原始网络所要学习的特征分布。
S424，设置池化层进行特征降维。包括：
采用极大池化(Max Pooling)对特征进行信息过滤与特征选择；
池化层核大小f＝2×2，步长s0＝2；填充层数p＝0。
进一步地，上述S43具体为：
卷积神经网络应用多层卷积滤波器和池化滤波器交替构成，设置多个卷积核与图像进行卷积，卷积后的特征图统一进行批量归一化处理。采用本地连接与权值共享，滤除过程噪声和干扰信息。应用Dropout层，以20％的概率将神经元从网络中丢弃，防止CNN过拟合，完成掘进头突出危险程度预测。若输出值超过临界值，则预测为危险，否则为安全。一般输出值越大突出危险程度越高。
综上，本实施例从瓦斯浓度监测数据出发，应用PCA-Weighted KNN瓦斯异常辨识算法对瓦斯异常诱因进行辨识，基于辨识结果中的放炮作业，应用炮后瓦斯异常特征，建立了基于CNN的煤与瓦斯突出危险预测模型。实现了瓦斯浓度异常辨识和突出危险性预测。预测结果如图8所示。
为验证本实施例所公开的辨识及预测方法，结合该巷道喷孔、压出等小型煤与瓦斯突出对预测结果进行分析评价。在该段瓦斯浓度监测数据时间范围内共发生32次喷孔事件。应用本发明中涉及的方法，进行突出危险预测，并参照相关标准，判断是否超限，是否具有突出危险。本实施例中，预测值超限18次，设定预测周期为3天，即如果预测值超限后的3天内，有喷孔或其他煤与瓦斯突出现象发生，则认为此次预测成功。部分预测结果如图9所示。在预测值的18次超限中，预测成功16次，虚报2次；在发生的32次喷孔事件中，报准28次，漏报7次。采用R评分法，综合考虑漏报与误报，对模型效能进行评价，计算预报效能R＝76.39％，证明了本发明对突出危险预测的有效性。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (6)
1.一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，其特征在于，所述应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法包括：
获取瓦斯浓度监测数据，识别出所述监测数据中瓦斯浓度波峰不低于预设阈值的波峰数据，将包括所述波峰数据在内的波峰数据前第一预设时长和波峰数据后第二预设时长内的瓦斯浓度组成的序列作为瓦斯浓度异常序列；
采用加权K近邻算法对所述瓦斯浓度异常序列进行分类；其中，所述瓦斯浓度异常序列的类别包括传感器调校、停风、放炮作业以及其他异常；
针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，以获取炮后瓦斯浓度数据；
基于炮后瓦斯浓度数据，采用卷积神经网络预测掘进头突出危险程度；
所述采用加权K近邻算法对所述瓦斯浓度异常序列进行分类，包括：
对所述瓦斯浓度异常序列进行特征提取；
对提取的特征进行离差标准化和主成分分析降维，得到前三个主成分；
将前三个主成分输入加权K近邻算法中，实现对瓦斯浓度异常序列的分类；
对所述瓦斯浓度异常序列进行特征提取，包括：
提取所述瓦斯浓度异常序列的峰值、均值、均方根值、方差、标准差、离散系数、峰值因子、偏度、峰度、离散序列积分、峰宽以及峰突值；
所述对提取的特征进行离差标准化和主成分分析降维，得到前三个主成分，包括：
利用离差标准化，将提取的各特征数据分别映射到[0,1]之间；
对离差标准化后的各个特征所构成的随机向量进行线性变换，得到合成随机变量；其中，所述合成随机变量中的元素为各特征数据所对应的主成分；各主成分互不相关，且各成分方差在总方差中的比重依次递减；
选出所述合成随机变量中的前三个元素，得到前三个主成分；
所述针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，包括：
获取被分类为放炮作业的瓦斯浓度异常序列对应的一阶差分向量；
将所述一阶差分向量与向量V＝(5,4,3,2,1,0,-1,-2,-3,-4,-5)T进行卷积运算，得到向量W，并从向量W中截取与所述瓦斯浓度异常序列相同维数的列向量S；
对S中的波峰位置进行识别，实现对放炮时刻及对应的瓦斯浓度的提取。
2.如权利要求1所述的应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，其特征在于，采用加权K近邻算法对所述瓦斯浓度异常序列进行分类时，K的值取10；模型训练采用5折交叉验证进行验证；应用高斯函数增加权重。
3.如权利要求1所述的应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，其特征在于，所述基于炮后瓦斯浓度数据，采用卷积神经网络算法预测掘进头突出危险程度，包括：
将炮后瓦斯浓度数据按照时间顺序以及数值大小，转化为二维RGB图像；
将所述RGB图像输入卷积神经网络，以对所述RGB图像进行特征提取；
将提取出的特征采用全连接，以预测掘进头突出危险程度。
4.如权利要求3所述的应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，其特征在于，将所述RGB图像输入卷积神经网络，以对所述RGB图像进行特征提取，包括：
将RGB图像三维数据进行归一化处理；
设置卷积层进行特征提取，包括：
采用相同填充，填充层数p＝2，人为增大图片尺寸抵消尺寸收缩影响；将填充后的特征图采用卷积核大小f＝5×5，卷积步长s0＝1的卷积过程进行特征提取；
增加批量归一化，对卷积层提取特征进行标准化，以降低数据差异；
设置池化层进行特征降维，将降维后的特征作为最终的特征。
5.如权利要求4所述的应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，其特征在于，所述卷积层中采用ReLU作为激励函数。
6.如权利要求3所述的应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，其特征在于，所述将提取出的特征采用全连接，以预测掘进头突出危险程度，包括：
卷积神经网络应用多层卷积滤波器和池化滤波器交替构成，设置多个卷积核与图像进行卷积，卷积后的特征图统一进行批量归一化处理；采用本地连接与权值共享，滤除过程噪声和干扰信息；应用Dropout层，以20％的概率将神经元从网络中丢弃，防止过拟合，完成掘进头突出危险程度的预测；若输出值超过临界值，则预测为危险，否则为安全；其中，输出值越大突出危险程度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110970985.0A CN113743486B (zh) | 2021-08-23 | 2021-08-23 | 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110970985.0A CN113743486B (zh) | 2021-08-23 | 2021-08-23 | 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743486A CN113743486A (zh) | 2021-12-03 |
| CN113743486B true CN113743486B (zh) | 2023-09-29 |
Family
ID=78732371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110970985.0A Active CN113743486B (zh) | 2021-08-23 | 2021-08-23 | 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743486B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115045714B (zh) * | 2022-08-17 | 2022-12-16 | 北工建设有限公司 | 矿物开采预警方法、设备及计算机可读存储介质 |
| CN116241330B (zh) * | 2023-03-28 | 2024-02-23 | 黑龙江泰平隆矿业科技有限公司 | 一种煤矿中瓦斯危险的预警方法、装置及电子设备 |
| CN118468228B (zh) * | 2024-07-10 | 2024-09-10 | 清华大学 | 基于效能网络强化权重选择的气体浓度预测方法和装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19821956A1 (de) * | 1998-05-16 | 1999-11-18 | Deutsch Zentr Luft & Raumfahrt | Verfahren zur quantitativen Analyse von Gasvolumina, insbesondere von Abgasen aus Verbrennungseinrichtungen oder -anlagen, sowie Einrichtungen zur Durchführung des Verfahrens |
| RU2231649C1 (ru) * | 2002-11-10 | 2004-06-27 | Кемеровский государственный университет | Способ текущего прогноза внезапных выбросов угля и газа |
| JP2008107941A (ja) * | 2006-10-24 | 2008-05-08 | Mitsubishi Electric Corp | 監視装置 |
| CN101858228A (zh) * | 2010-04-27 | 2010-10-13 | 煤炭科学研究总院重庆研究院 | 掘进面瓦斯涌出动态特征突出连续预测方法 |
| CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
| CN104794550A (zh) * | 2015-05-13 | 2015-07-22 | 山东科技大学 | 基于wt-kpca-svr耦合模型的瓦斯涌出量预测方法 |
| CN106296435A (zh) * | 2016-08-18 | 2017-01-04 | 西安科技大学 | 一种矿井瓦斯监测异常数据识别方法 |
| CN108267172A (zh) * | 2018-01-25 | 2018-07-10 | 神华宁夏煤业集团有限责任公司 | 矿用智能机器人巡检系统 |
| RU2661508C1 (ru) * | 2017-09-25 | 2018-07-17 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ оценки риска взрывов метана и пыли в шахтах |
| CN109026130A (zh) * | 2018-08-17 | 2018-12-18 | 西安科技大学 | 一种矿井瓦斯数据异常的识别方法 |
| CN109587008A (zh) * | 2018-12-28 | 2019-04-05 | 华为技术服务有限公司 | 检测异常流量数据的方法、装置及存储介质 |
| CN109711632A (zh) * | 2018-12-29 | 2019-05-03 | 辽宁工程技术大学 | 一种基于瓦斯涌出异常敏感指标的煤与瓦斯突出预测方法 |
| CN109934398A (zh) * | 2019-03-05 | 2019-06-25 | 山东大学 | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 |
| CN111126658A (zh) * | 2019-11-15 | 2020-05-08 | 太原理工大学 | 一种基于深度学习的煤矿瓦斯预测方法 |
| CN112308306A (zh) * | 2020-10-27 | 2021-02-02 | 贵州工程应用技术学院 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110755076B (zh) * | 2019-11-01 | 2023-08-11 | 上海联影医疗科技股份有限公司 | 磁共振扫描仪的图像采集方法、装置、设备和介质 |
-
2021
- 2021-08-23 CN CN202110970985.0A patent/CN113743486B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19821956A1 (de) * | 1998-05-16 | 1999-11-18 | Deutsch Zentr Luft & Raumfahrt | Verfahren zur quantitativen Analyse von Gasvolumina, insbesondere von Abgasen aus Verbrennungseinrichtungen oder -anlagen, sowie Einrichtungen zur Durchführung des Verfahrens |
| RU2231649C1 (ru) * | 2002-11-10 | 2004-06-27 | Кемеровский государственный университет | Способ текущего прогноза внезапных выбросов угля и газа |
| JP2008107941A (ja) * | 2006-10-24 | 2008-05-08 | Mitsubishi Electric Corp | 監視装置 |
| CN101858228A (zh) * | 2010-04-27 | 2010-10-13 | 煤炭科学研究总院重庆研究院 | 掘进面瓦斯涌出动态特征突出连续预测方法 |
| CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
| CN104794550A (zh) * | 2015-05-13 | 2015-07-22 | 山东科技大学 | 基于wt-kpca-svr耦合模型的瓦斯涌出量预测方法 |
| CN106296435A (zh) * | 2016-08-18 | 2017-01-04 | 西安科技大学 | 一种矿井瓦斯监测异常数据识别方法 |
| RU2661508C1 (ru) * | 2017-09-25 | 2018-07-17 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ оценки риска взрывов метана и пыли в шахтах |
| CN108267172A (zh) * | 2018-01-25 | 2018-07-10 | 神华宁夏煤业集团有限责任公司 | 矿用智能机器人巡检系统 |
| CN109026130A (zh) * | 2018-08-17 | 2018-12-18 | 西安科技大学 | 一种矿井瓦斯数据异常的识别方法 |
| CN109587008A (zh) * | 2018-12-28 | 2019-04-05 | 华为技术服务有限公司 | 检测异常流量数据的方法、装置及存储介质 |
| CN109711632A (zh) * | 2018-12-29 | 2019-05-03 | 辽宁工程技术大学 | 一种基于瓦斯涌出异常敏感指标的煤与瓦斯突出预测方法 |
| CN109934398A (zh) * | 2019-03-05 | 2019-06-25 | 山东大学 | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 |
| CN111126658A (zh) * | 2019-11-15 | 2020-05-08 | 太原理工大学 | 一种基于深度学习的煤矿瓦斯预测方法 |
| CN112308306A (zh) * | 2020-10-27 | 2021-02-02 | 贵州工程应用技术学院 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| "Multi-Component Fusion Temporal Networks to Predict Vehicle Exhaust Based on Remote Monitoring Data";X. Fei;《IEEE Access》;第9卷;第42358-42369页 * |
| "Risk prediction of coal and gas outburst based on abnormal gas concentration in blasting driving face";Qiu, Liming等;《Geofluids》;第2022卷(第2期);第1-17页 * |
| "工作面瓦斯涌出量时序混沌分形特性分析及其预测研究";乔美英;《中国博士学位论文全文数据库 工程科技Ⅰ辑》(第10期);B021-37 * |
| "基于相关性分析的瓦斯异常值检测与预警";廖英雷;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第1期);B021-762 * |
| "瓦斯浓度序列的煤与瓦斯突出预报方法及应用";骆大勇等;《安徽理工大学学报（自然科学版）》;第28卷(第1期);第25-29页 * |
| "铁路瓦斯隧道分类及煤与瓦斯突出预测方法研究";张振强;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第1期);C034-452 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743486A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113743486B (zh) | 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 | |
| CN112287816B (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
| Bayar et al. | On the robustness of constrained convolutional neural networks to jpeg post-compression for image resampling detection | |
| CN111967571A (zh) | 一种基于mhma的异常检测方法和设备 | |
| JP2020009411A (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
| CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
| CN106845447A (zh) | 一种工作面瓦斯浓度预测预警方法 | |
| US11831527B2 (en) | Method for detecting anomalies in time series data produced by devices of an infrastructure in a network | |
| CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
| CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
| CN108171214A (zh) | 一种基于深度学习的视频监控异常识别方法及系统 | |
| CN113095402A (zh) | 一种基于编码输入的生成对抗网络故障检测方法及系统 | |
| CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
| CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
| CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
| CN114827211A (zh) | 一种物联网节点数据驱动的异常监控区域检测方法 | |
| CN117667495A (zh) | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 | |
| CN117251817A (zh) | 雷达故障检测方法、装置、设备和存储介质 | |
| CN117496338A (zh) | 用于防御网站图片篡改和图片马上传的方法、设备及系统 | |
| CN117195044A (zh) | 故障分析方法、装置、计算机设备、存储介质和程序产品 | |
| CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 | |
| CN116757533A (zh) | 一种工业设备异常检测方法及相关装置 | |
| CN116740627A (zh) | 基于操作知识的违章告警方法 | |
| CN116152542A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
| CN115086082B (zh) | 基于深度学习的网络安全评估方法、系统、设备及介质 |
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 |