CN115083123A - 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 - Google Patents

一种以实测数据为驱动的矿井煤自燃智能分级预警方法 Download PDF

Info

Publication number
CN115083123A
CN115083123A CN202210537860.3A CN202210537860A CN115083123A CN 115083123 A CN115083123 A CN 115083123A CN 202210537860 A CN202210537860 A CN 202210537860A CN 115083123 A CN115083123 A CN 115083123A
Authority
CN
China
Prior art keywords
spontaneous combustion
gas
monitoring area
early warning
data
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
Application number
CN202210537860.3A
Other languages
English (en)
Other versions
CN115083123B (zh
Inventor
仲晓星
王建涛
曹威虎
周昆
秦波涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202210537860.3A priority Critical patent/CN115083123B/zh
Publication of CN115083123A publication Critical patent/CN115083123A/zh
Application granted granted Critical
Publication of CN115083123B publication Critical patent/CN115083123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种以实测数据为驱动的矿井煤自燃智能分级预警方法，包括：采用降噪自编码网络对所获取的监测区域无煤自燃迹象状态下的指标气体参量和环境参量的历史数据进行训练，建立监测区域正常状态多元数据重构模型；采用核密度估计法确定监测区域异常状态预警阈值；将采集的监测区域指标气体参量和环境参量数据输入监测区域正常状态多元数据重构模型，计算重构误差；通过比较重构误差和预警阈值的大小关系，判断监测区域有无煤自燃危险；若有煤自燃危险，再结合标志性气体的检出情况判断监测区域煤自燃危险等级。本发明可将矿井现场环境因素融入到煤自燃危险等级判定过程之中，提高煤自燃危险等级判定的准确性，降低防灭火施策的盲目性。

Description

一种以实测数据为驱动的矿井煤自燃智能分级预警方法
技术领域
本发明涉及煤自燃智能预警技术领域，具体涉及一种以实测数据为驱动的矿井煤自燃智能分级预警方法。
背景技术
矿井火灾是煤矿生产过程中面临的主要灾害之一，其中煤自燃火灾是矿井火灾的主要形式，约占矿井火灾整体比例的90％。煤自燃火灾不仅会烧毁大量煤炭资源，造成巨大经济损失，而且会产生大量有毒有害气体，甚至诱发瓦斯、煤尘爆炸等重特大事故，严重威胁煤炭开采作业人员的生命安全。准确判定煤自燃危险等级对于针对性地采取合理防灭火处理措施具有关键指导作用。
现有煤自燃危险等级判定大多采用指标气体分析法，该方法主要是根据实验模拟煤自燃升温氧化过程中指标气体浓度随煤温的变化规律，确定不同煤自燃危险等级下指标气体浓度的阈值，或建立指标气体浓度与煤温的函数关系式。
公开号为CN105697063B的中国专利公开了一种基于多参数交叉分析的矿用火情预警方法及系统，该方法通过将现场采集到的CO浓度、C2H4浓度、C2H2浓度和温度与根据实验设定的阈值进行比对，判断煤矿监测区域火情所处阶段；公开号为CN111899815B的中国专利公开了一种利用指标气体浓度反演采空区煤温的方法，该方法通过将现场实测的指标气体浓度代入通过实验建立的CO和C2H4与煤温的数学关系式，进而反演出煤温，判断采空区煤自燃所处的氧化阶段。
然而，在煤炭开采过程中，井下情况复杂多变，监测区域的指标气体长期受到工作面周期来压、风流稀释等环境因素的干扰，实验室条件难以对矿井实际生产环境进行有效模拟，使得基于实验的指标气体判定法容易造成煤自燃漏报误报情况，加大煤炭开采作业人员采取防灭火处理措施的盲目性。此外，煤炭开采过程中，大多为不发火状态，致使有效的发火数据难于获取，因此，在矿井发火样本严重稀缺的情况下，仅利用不发火状态的数据建立一种能够判断煤自燃状态的模型对于保障煤矿安全生产具有重要意义。
发明内容
针对上述存在的技术不足，本发明的目的是提供一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其能够有效解决基于实验的指标气体判定法无法考虑现场环境因素干扰而容易造成煤自燃漏报误报的问题，提高矿井煤自燃危险等级判定准确性，增强防灭火施策的针对性，减少防灭火处理的成本。
为解决上述技术问题，本发明采用如下技术方案：
本发明提供一种以实测数据为驱动的矿井煤自燃智能分级预警方法，包括以下步骤：
步骤1：获取监测区域无煤自燃迹象状态下的指标气体参量和环境参量历史数据；
步骤2：以所获取到的指标气体参量和环境参量历史数据作为训练样本，采用降噪自编码网络建立监测区域正常状态多元数据重构模型；
步骤3：采用核密度估计法获得模型训练期间的重构误差的概率密度分布，根据置信度确定监测区域异常状态预警阈值；
步骤4：确定监测区域煤样自燃过程中标志性气体的初现温度；
步骤5：采集监测区域指标气体参量和环境参量数据，结合监测区域正常状态多元数据重构模型、监测区域异常状态预警阈值、标志性气体的检出情况，判断监测区域煤自燃危险等级。
优选地，步骤1中，指标气体参量包括O2浓度、CO浓度、CO2浓度、CH4浓度、C2H6浓度、C3H8浓度、C2H4浓度和C2H2浓度。
优选地，步骤1中，环境参量包括矿井监测区域气温、湿度、风速、绝压、压差和矿井外界大气压。
优选地，步骤2具体包括以下步骤：
步骤2.1：构建降噪自编码网络结构：
自编码网络结构的输入层神经元对应于指标气体参量和环境参量的原始数据；
隐藏层神经元对应于提取的输入向量的低维特征；
输出层神经元对应于指标气体参量和环境参量的重构数据；
输入层到隐藏层用于编码，隐藏层到输出层用于解码；
步骤2.2：训练降噪自编码网络：
通过引入权重衰减项来避免网络训练过程中出现过拟合情况，网络训练的损失函数为：
Figure BDA0003647115490000021
其中，左边项为模型输入值与重构值的均方误差，右边项为权重衰减项；m为样本个数；x(k)为第k个样本的原始数据值，x'(k)为第k个样本的重构数据值；λ为权值衰减系数；
Figure BDA0003647115490000031
为连接l层第j个神经元与l+1层第i个神经元的权重参数；s1、s2、s3分别为自编码网络输入层、隐藏层和输出层的节点数；
为了减少矿井现场环境干扰引起的监测数据受损对自编码网络重构性能的影响，通过在输入层的输入数据中加入随机噪声来增强编码的鲁棒性；
首先按照一定比例随机地将输入层节点的值设置为0，获得受损的输入数据，然后将受损的输入数据输入给自编码网络，解码出无损的重构数据；
采用拟牛顿法进行降噪自编码网络参数寻优，使得损失函数达到收敛，所得含有最佳参数的降噪自编码网络结构即为监测区域正常状态多元数据重构模型。
优选地，步骤2中，监测区域正常状态多元数据重构模型是利用降噪自编码网络深度挖掘监测区域无煤自燃迹象状态下的指标气体参量和环境参量之间的内在关联关系而得到的，其对于监测区域正常状态下的监测数据的重构误差小，而对于监测区域异常状态下的监测数据的重构误差大。
优选地，步骤3中，概率密度分布的计算公式为：
Figure BDA0003647115490000032
其中，n为监测参量数目，取值为14；h为带宽；K(·)为核密度函数，优选地，以高斯核函数作为核密度函数。
优选地，步骤3中，重构误差的计算公式为：
Figure BDA0003647115490000033
其中，x为待测指标气体参量和环境参量的原始数据值，x'为待测指标气体参量和环境参量的重构数据值。
步骤3中，置信度取值为0.97～0.99。
优选地，步骤4中，监测区域煤样自燃过程中标志性气体的初现温度通过煤自燃标志性气体测定实验确定。
优选地，步骤5中，标志性气体包括C3H8气体、C2H4气体、C2H2气体，煤种不同，标志性气体初现的顺序也有所差异，为方便表述，根据标志性气体初现的先后顺序分别将其记为G1、G2、G3。
优选地，步骤5中，煤自燃危险等级判断过程如下：
将采集到的监测区域指标气体参量和环境参量数据输入监测区域正常状态多元数据重构模型，计算重构误差；
若重构误差小于监测区域异常状态预警阈值，说明监测区域无煤自燃危险，属正常状态；
若重构误差大于或等于监测区域异常状态预警阈值，则说明监测区域已有煤自燃危险，属异常状态，进一步判断是否检测到G1气体：
若未检测到G1气体，则监测区域处于煤自燃一级预警状态；
若检测到G1气体，说明监测区域最高温度必然达到/超过G1气体的初现温度，进一步判断是否检测到G2气体：
若未检测到G2气体，则监测区域处于煤自燃二级预警状态；
若检测到G2气体，说明监测区域最高温度必然达到/超过G2气体的初现温度，进一步判断是否检测到G3气体：
若未检测到G3气体，则监测区域处于煤自燃三级预警状态；
若检测到G3气体，说明监测区域最高温度必然达到/超过G3气体的初现温度，则监测区域处于煤自燃四级预警状态。
本发明的有益效果在于：
(1)本发明所建立的煤自燃正常状态多元数据重构模型是以现场实测数据为驱动，可将矿井现场环境因素融入到煤自燃危险程度判定过程之中，充分挖掘煤自燃指标气体参量和环境参量之间的内在关联关系，能够有效解决基于实验的指标气体判定法的漏报误报问题，降低矿井防灭火施策的盲目性。
(2)矿井煤炭开采过程中大多为不发火状态，使得有效发火样本数据难于收集，本发明仅使用监测区域无煤自燃迹象状态下的样本数据建立煤自燃正常状态多元数据重构模型，使煤自燃监测预警的样本数据收集工作更加简便易行。
(3)本发明所建立的煤自燃正常状态多元数据重构模型能够对监测区域正常状态下的监测数据进行重构，而对于监测区域异常状态的监测数据则不能，基于此，本发明根据小概率事件的思想设定煤自燃异常状态预警阈值，体现了本发明在煤自燃预警方面的有效性和智能性，有利于将矿井煤自燃消灭于萌芽状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例提供的一种以实测数据为驱动的矿井煤自燃智能分级预警方法的流程示意图；
图2为本发明实施例提供的降噪自编码网络结构图；
图3为本发明实施例提供的正常状态多元数据重构模型训练期间重构误差的概率密度分布图以及所设定的预警阈值；
图4为本发明实施例中利用建立的正常状态多元数据重构模型进行煤自燃危险状态判定结果图；
图5为本发明实施例中利用传统单一CO浓度阈值判定法的煤自燃状态判定结果图
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。
如图1所示，工作面采空区是矿井发生自燃火灾的主要地点，由于井下采空区冒落空间大且具有极强的隐蔽性特征，难以在其内部全面覆盖性地布设热电偶等测温设备进行煤自燃危险等级判定。工作面上隅角作为采空区涌出气体的主要汇积区域，是采空区煤自燃的重点监测区域。然而，在煤炭开采过程中，井下情况复杂多变，上隅角处的指标气体长期受到工作面周期来压、风流稀释等环境因素的干扰，使得采用现有指标气体判定方法的煤自燃危险等级判定结果可信度大打折扣。本发明以工作面上隅角作为监测区域为例，具体实施步骤如下：
步骤1：获取采空区无煤自燃迹象状态下的上隅角处的指标气体参量和环境参量历史数据，其中，指标气体参量包括O2浓度、CO浓度、CO2浓度、CH4浓度、C2H6浓度、C3H8浓度、C2H4浓度和C2H2浓度，环境参量包括矿井监测区域气温、湿度、风速、绝压、压差和矿井外界大气压；
本实施例中，共计获取到14256组样本数据。
步骤2：以所获取到的指标气体参量和环境参量数据作为训练样本，采用降噪自编码网络建立监测区域正常状态多元数据重构模型；
步骤2.1：构建降噪自编码网络结构。
如图2所示，自编码网络结构的输入层神经元对应于指标气体参量和环境参量的原始数据；隐藏层神经元对应于提取的输入向量的低维特征；输出层神经元对应于指标气体参量和环境参量的重构数据。输入层到隐藏层用于编码，隐藏层到输出层用于解码。
步骤2.2：训练降噪自编码网络。
通过引入权重衰减项来避免网络训练过程中出现过拟合情况。网络训练的损失函数为：
Figure BDA0003647115490000061
其中，左边项为模型输入值与重构值的均方误差，右边项为权重衰减项；m为样本个数；x(k)为第k个样本的原始数据值，x'(k)为第k个样本的重构数据值；λ为权值衰减系数；
Figure BDA0003647115490000062
为连接l层第j个神经元与l+1层第i个神经元的权重参数；s1、s2、s3分别为自编码网络输入层、隐藏层和输出层的节点数。
为了减少矿井现场环境干扰引起的监测数据受损(例如数据缺失)对自编码网络重构性能的影响，通过在输入层的输入数据中加入随机噪声来增强编码的鲁棒性。首先按照一定比例随机地将输入层节点的值设置为0，获得受损的输入数据，然后将受损的输入数据输入给自编码网络，解码出无损的重构数据。
采用拟牛顿法进行降噪自编码网络参数寻优，使得损失函数达到收敛。所得含有最佳参数的降噪自编码网络结构即为采空区正常状态多元数据重构模型。
步骤3：采用核密度估计法获得模型训练期间的重构误差的概率密度分布，根据置信度确定采空区异常状态预警阈值；
概率密度分布的计算公式为：
Figure BDA0003647115490000063
其中，n为监测变量数目，取值为14；h为带宽；K(·)为高斯核函数。
重构误差的计算公式为：
Figure BDA0003647115490000064
其中，x为待测指标气体参量和环境参量的原始数据值，x'为待测指标气体参量和环境参量的重构数据值。
如图3所示，以0.99为置信度，确定采空区异常状态预警阈值为0.3262。
步骤4：采集采空区煤样进行煤自燃标志性气体测定实验，确定煤样自燃过程中标志性气体的初现温度；
本实施例中，C3H8、C2H4和C2H2标志性气体的初现温度分别为90℃、120℃和225℃。
步骤5：利用多参量一体化传感器采集上隅角处的指标气体参量和环境参量数据，将所采集到的指标气体参量和环境参量数据输入采空区正常状态多元数据重构模型，计算重构误差。
若重构误差小于采空区异常状态预警阈值，本实施例设预警阈值0.3262，说明采空区无煤自燃危险，属正常状态；
若重构误差大于或等于采空区异常状态预警阈值，本实施例设预警阈值0.3262，则说明采空区已有煤自燃危险，属异常状态，进一步判断是否检测到C3H8气体：
若未检测到C3H8气体，则监测区域处于煤自燃一级预警状态；
若检测到C3H8气体，说明监测区域最高温度必然达到/超过90℃，进一步判断是否检测到C2H4气体：
若未检测到C2H4气体，则监测区域处于煤自燃二级预警状态；
若检测到C2H4气体，说明监测区域最高温度必然达到/超过120℃，进一步判断是否检测到C2H2气体：
若未检测到C2H2气体，则监测区域处于煤自燃三级预警状态；若检测到C2H2气体，说明监测区域最高温度必然达到/超过225℃，则监测区域处于煤自燃四级预警状态。
本实施例中，利用多参量一体化传感器连续监测上隅角90个小时，在采集监测数据期间，采空区并没有出现煤自燃迹象，且未检测到C3H8气体、C2H4气体和C2H2气体。
将所采集到的指标气体参量和环境参量数据输入所建立的采空区正常状态多元数据重构模型，计算重构误差。
如图4所示，可以看出，重构误差一直低于预警阈值0.3262，说明采空区处于正常状态，判定结果与采空区实际状态相符，证明了本发明所提方法的有效性和准确性。
然而，如图5所示，采用现有指标气体判定法进行采空区煤自燃状态判定时(通过实验确定CO浓度阈值为24ppm)，受工作面周期来压、风流稀释等环境因素的干扰，采样期间CO浓度经常出现超过阈值的情况，这与采空区实际发火状态有很大差别，严重加大了采取防灭火处理措施的盲目性，进一步证明了本发明的优势。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，包括以下步骤：
步骤1：获取监测区域无煤自燃迹象状态下的指标气体参量和环境参量历史数据；
步骤2：以所获取到的指标气体参量和环境参量历史数据作为训练样本，采用降噪自编码网络建立监测区域正常状态多元数据重构模型；
步骤3：采用核密度估计法获得模型训练期间的重构误差的概率密度分布，根据置信度确定监测区域异常状态预警阈值；
步骤4：确定监测区域煤样自燃过程中标志性气体的初现温度；
步骤5：采集监测区域指标气体参量和环境参量数据，结合监测区域正常状态多元数据重构模型、监测区域异常状态预警阈值、标志性气体的检出情况，判断监测区域煤自燃危险等级。
2.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤1中，指标气体参量包括O2浓度、CO浓度、CO2浓度、CH4浓度、C2H6浓度、C3H8浓度、C2H4浓度和C2H2浓度。
3.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤1中，环境参量包括矿井监测区域气温、湿度、风速、绝压、压差和矿井外界大气压。
4.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤2具体包括以下步骤：
步骤2.1：构建降噪自编码网络结构：
自编码网络结构的输入层神经元对应于指标气体参量和环境参量的原始数据；
隐藏层神经元对应于提取的输入向量的低维特征；
输出层神经元对应于指标气体参量和环境参量的重构数据；
输入层到隐藏层用于编码，隐藏层到输出层用于解码；
步骤2.2：训练降噪自编码网络：
通过引入权重衰减项来避免网络训练过程中出现过拟合情况，网络训练的损失函数为：
Figure FDA0003647115480000011
其中，左边项为模型输入值与重构值的均方误差，右边项为权重衰减项；m为样本个数；x(k)为第k个样本的原始数据值，x'(k)为第k个样本的重构数据值；λ为权值衰减系数；
Figure FDA0003647115480000021
为连接l层第j个神经元与l+1层第i个神经元的权重参数；s1、s2、s3分别为自编码网络输入层、隐藏层和输出层的节点数；
为了减少矿井现场环境干扰引起的监测数据受损对自编码网络重构性能的影响，通过在输入层的输入数据中加入随机噪声来增强编码的鲁棒性；
首先按照一定比例随机地将输入层节点的值设置为0，获得受损的输入数据，然后将受损的输入数据输入给自编码网络，解码出无损的重构数据；
采用拟牛顿法进行降噪自编码网络参数寻优，使得损失函数达到收敛，所得含有最佳参数的降噪自编码网络结构即为监测区域正常状态多元数据重构模型。
5.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤2中，监测区域正常状态多元数据重构模型是利用降噪自编码网络深度挖掘监测区域无煤自燃迹象状态下的指标气体参量和环境参量之间的内在关联关系而得到。
6.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤3中，概率密度分布的计算公式为：
Figure FDA0003647115480000022
其中，n为监测参量数目，取值为14；h为带宽；K(·)为核密度函数。
7.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤3中，重构误差的计算公式为：
Figure FDA0003647115480000023
其中，x为待测指标气体参量和环境参量的原始数据值，x'为待测指标气体参量和环境参量的重构数据值。
8.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤4中，监测区域煤样自燃过程中标志性气体的初现温度通过煤自燃标志性气体测定实验确定。
9.如权利要求1所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤5中，标志性气体包括C3H8气体、C2H4气体、C2H2气体，煤种不同，标志性气体初现的顺序也有所差异，为方便表述，根据标志性气体初现的先后顺序分别将其记为G1、G2、G3。
10.如权利要求9所述的一种以实测数据为驱动的矿井煤自燃智能分级预警方法，其特征在于，步骤5中，煤自燃危险等级判断过程如下：
将采集到的监测区域指标气体参量和环境参量数据输入监测区域正常状态多元数据重构模型，计算重构误差；
若重构误差小于监测区域异常状态预警阈值，说明监测区域无煤自燃危险，属正常状态；
若重构误差大于或等于监测区域异常状态预警阈值，则说明监测区域已有煤自燃危险，属异常状态，进一步判断是否检测到G1气体：
若未检测到G1气体，则监测区域处于煤自燃一级预警状态；
若检测到G1气体，说明监测区域最高温度必然达到/超过G1气体的初现温度，进一步判断是否检测到G2气体：
若未检测到G2气体，则监测区域处于煤自燃二级预警状态；
若检测到G2气体，说明监测区域最高温度必然达到/超过G2气体的初现温度，进一步判断是否检测到G3气体：
若未检测到G3气体，则监测区域处于煤自燃三级预警状态；
若检测到G3气体，说明监测区域最高温度必然达到/超过G3气体的初现温度，则监测区域处于煤自燃四级预警状态。
CN202210537860.3A 2022-05-17 2022-05-17 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 Active CN115083123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210537860.3A CN115083123B (zh) 2022-05-17 2022-05-17 一种以实测数据为驱动的矿井煤自燃智能分级预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210537860.3A CN115083123B (zh) 2022-05-17 2022-05-17 一种以实测数据为驱动的矿井煤自燃智能分级预警方法

Publications (2)

Publication Number Publication Date
CN115083123A true CN115083123A (zh) 2022-09-20
CN115083123B CN115083123B (zh) 2023-05-02

Family

ID=83249970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210537860.3A Active CN115083123B (zh) 2022-05-17 2022-05-17 一种以实测数据为驱动的矿井煤自燃智能分级预警方法

Country Status (1)

Country Link
CN (1) CN115083123B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952853A (zh) * 2023-03-14 2023-04-11 沈阳隆基智能技术研究有限公司 矿浆密度检测模型构建方法、装置及矿浆密度检测系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243355A (zh) * 2015-09-09 2016-01-13 大连理工大学 一种基于事件驱动的煤层气井站异常场景远程无线安全监测方法
CN105697063A (zh) * 2016-01-28 2016-06-22 郑州光力科技股份有限公司 一种基于多参数交叉分析的矿用火情预警方法及系统
CN106874671A (zh) * 2017-02-15 2017-06-20 淄博祥龙测控技术有限公司 一种用于煤矿自燃火灾大数据平台的数据驱动的算法
CN109184800A (zh) * 2018-10-15 2019-01-11 西安科技大学 一种煤自燃预警分级方法及预警方法
CN110263873A (zh) * 2019-06-27 2019-09-20 华北电力大学 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法
CN110348603A (zh) * 2019-06-12 2019-10-18 西安科技大学 一种煤自燃危险程度多源信息融合预警方法
CN110578555A (zh) * 2019-09-12 2019-12-17 辽宁工程技术大学 一种瓦斯抽采钻孔自燃危险预测方法
CN110765937A (zh) * 2019-10-22 2020-02-07 新疆天业（集团）有限公司 一种基于迁移学习的煤场自燃检测方法
CN110927213A (zh) * 2019-10-31 2020-03-27 天地（常州）自动化股份有限公司 基于采空区温度和指标气体的遗煤自燃危险分级预警方法
CN111582340A (zh) * 2020-04-28 2020-08-25 华润电力技术研究院有限公司 一种煤场监测方法、装置、设备及计算机可读存储介质
CN112065505A (zh) * 2020-09-18 2020-12-11 中国矿业大学 一种采空区煤自燃无线自组网监测系统及危险动态判识预警方法
CN112834211A (zh) * 2020-12-31 2021-05-25 江苏国科智能电气有限公司 一种风电机组传动系统故障预警方法
CN113642754A (zh) * 2021-04-23 2021-11-12 北京工业大学 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243355A (zh) * 2015-09-09 2016-01-13 大连理工大学 一种基于事件驱动的煤层气井站异常场景远程无线安全监测方法
CN105697063A (zh) * 2016-01-28 2016-06-22 郑州光力科技股份有限公司 一种基于多参数交叉分析的矿用火情预警方法及系统
CN106874671A (zh) * 2017-02-15 2017-06-20 淄博祥龙测控技术有限公司 一种用于煤矿自燃火灾大数据平台的数据驱动的算法
CN109184800A (zh) * 2018-10-15 2019-01-11 西安科技大学 一种煤自燃预警分级方法及预警方法
CN110348603A (zh) * 2019-06-12 2019-10-18 西安科技大学 一种煤自燃危险程度多源信息融合预警方法
CN110263873A (zh) * 2019-06-27 2019-09-20 华北电力大学 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法
CN110578555A (zh) * 2019-09-12 2019-12-17 辽宁工程技术大学 一种瓦斯抽采钻孔自燃危险预测方法
CN110765937A (zh) * 2019-10-22 2020-02-07 新疆天业（集团）有限公司 一种基于迁移学习的煤场自燃检测方法
CN110927213A (zh) * 2019-10-31 2020-03-27 天地（常州）自动化股份有限公司 基于采空区温度和指标气体的遗煤自燃危险分级预警方法
CN111582340A (zh) * 2020-04-28 2020-08-25 华润电力技术研究院有限公司 一种煤场监测方法、装置、设备及计算机可读存储介质
CN112065505A (zh) * 2020-09-18 2020-12-11 中国矿业大学 一种采空区煤自燃无线自组网监测系统及危险动态判识预警方法
CN112834211A (zh) * 2020-12-31 2021-05-25 江苏国科智能电气有限公司 一种风电机组传动系统故障预警方法
CN113642754A (zh) * 2021-04-23 2021-11-12 北京工业大学 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱红青: ""BP 神经网络煤自燃危险等级测评模型"", 《中国煤炭》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952853A (zh) * 2023-03-14 2023-04-11 沈阳隆基智能技术研究有限公司 矿浆密度检测模型构建方法、装置及矿浆密度检测系统
CN115952853B (zh) * 2023-03-14 2023-05-26 沈阳隆基智能技术研究有限公司 矿浆密度检测模型构建方法、装置及矿浆密度检测系统

Also Published As

Publication number Publication date
CN115083123B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN116246407B (zh) 一种基于人工智能的农林区域火灾预警监管系统
CN107292545B (zh) 一种基于地震风险评估的桥梁抗震分析方法
CN114757309B (zh) 多物理场监测数据协同融合的工程灾害预警方法及系统
CN114964661B (zh) 一种基于人工智能的井下煤矿自燃火灾束管监测系统
CN105697063B (zh) 一种基于多参数交叉分析的矿用火情预警方法及系统
CN105741474A (zh) 一种基于多传感器的火灾预警方法
CN110260774B (zh) 一种基于Pettitt算法的GNSS变形信息检验与预警方法
CN112002095A (zh) 一种矿山洞内的火灾预警方法
CN115083123A (zh) 一种以实测数据为驱动的矿井煤自燃智能分级预警方法
CN116181416A (zh) 一种冲击地压多参量超前预警系统及方法
CN114519263A (zh) 一种矿山安全监测预警系统及其综合监测预警方法
CN115017206A (zh) 一种矿井co异常扰动智能识别及煤自燃预警值确定方法
CN113673119A (zh) 基于贝叶斯方法的煤矿冲击地压危险性动静耦合评价方法
CN108760983B (zh) 分级复合指标体系的采煤工作面自然发火预警方法
CN110348603B (zh) 一种煤自燃危险程度多源信息融合预警方法
CN112483176A (zh) 基于模糊数学和微震监测的冲击地压多参量预警方法
CN111505064A (zh) 一种催化燃烧式甲烷传感器服役状态评价方法
CN111191855A (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN110232221A (zh) 大坝裂缝影响因素动态贡献率分析方法
CN113685166B (zh) 一种钻井事故预警方法及系统
CN112162515B (zh) 一种针对过程监控系统的对抗攻击方法
CN114922612A (zh) 基于lvq-cpso-bp算法的煤体瓦斯渗透率预测方法
CN112443319B (zh) 一种井涌监测方法
CN113344360A (zh) 一种金属非金属地下矿山重大安全风险量化方法
CN112579849A (zh) 基于全量数据的结构安全影响因素关联分析方法

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