CN115526422B - 一种煤矿瓦斯爆炸风险预测方法 - Google Patents
一种煤矿瓦斯爆炸风险预测方法 Download PDFInfo
- Publication number
- CN115526422B CN115526422B CN202211291304.9A CN202211291304A CN115526422B CN 115526422 B CN115526422 B CN 115526422B CN 202211291304 A CN202211291304 A CN 202211291304A CN 115526422 B CN115526422 B CN 115526422B
- Authority
- CN
- China
- Prior art keywords
- coal mine
- gas explosion
- prediction
- model
- coal
- 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 301
- 238000004880 explosion Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000013058 risk prediction model Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 48
- 239000002817 coal dust Substances 0.000 claims description 26
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000009423 ventilation Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010304 firing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 217
- 238000012544 monitoring process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000010485 coping Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种煤矿瓦斯爆炸风险预测方法,包括:S1、采集目标范围内全部煤矿基本信息数据;S2、基于煤矿基本信息数据筛选需进行风险预测的对象;S3、根据煤矿基本信息数据进行煤矿瓦斯爆炸风险等级初步评估,根据风险初步评估结果确定风险预测频率;S4、初步建立瓦斯爆炸致灾指标体系;S5、清洗致灾指标,建立关键致灾指标体系;S6、基于关键致灾指标数据训练机器学习风险预测模型;S7、评估风险预测模型性能,确定采用的预测模型;S8、采用高性能预测模型对风险预测目标矿井进行瓦斯爆炸风险预测。本发明能够对煤矿瓦斯爆炸的风险预测,实现高实用性、低成本、高效率,提高了瓦斯煤矿生产过程的安全性。
Description
技术领域
本发明属于煤矿安全技术领域,具体涉及一种煤矿瓦斯爆炸风险预测方法。
背景技术
煤炭能源目前依然是我国能源结构中的主要组成部分,其重要性不言而喻。但受煤矿井下复杂的开采环境及地质结构,煤矿瓦斯爆炸灾害成为影响我国煤矿行业安全生产的关键因素。煤矿瓦斯爆炸事故一旦发生将会造成严重的人员伤亡后果,因此,进一步研究煤矿瓦斯爆炸风险预测技术对提高我国煤矿瓦斯爆炸灾害防控水平,提升煤矿安全生产效益,保障煤矿作业人员生命健康具有重要意义。
目前煤矿瓦斯爆炸风险预测技术研究主要聚焦于对瓦斯浓度这一关键指标的预测,以及火源、氧气等关键因素分析,但煤矿瓦斯爆炸灾害是一个由“人员、机械、环境、管理”所组成的复杂致灾系统,需要综合考虑多方面影响因素来综合预测瓦斯爆炸风险。大多煤矿企业现已采用各类的瓦斯监控监测系统,但仅仅对监控监测数据做了简单、粗糙的处理,并未对数据间的非线性关系进行分析,数据挖掘深度不够,缺乏高水平的预测预警能力;同时,大多数的煤矿瓦斯爆炸风险预测为单点风险预测,只能针对一个煤矿矿井,预测效率低。
随着我国煤矿采掘深度持续增加,瓦斯煤矿的安全风险也进一步提升。因此,如何实现针对煤矿瓦斯爆炸风险的预测,将对煤矿瓦斯爆炸灾害的被动监测和处理转化为主动预测和应对是本领域亟待解决的问题。
发明内容
解决的技术问题:本发明提供一种煤矿瓦斯爆炸风险预测方法,能够对煤矿瓦斯爆炸的风险预测,实现高实用性、低成本、高效率,提高了瓦斯煤矿生产过程的安全性。
技术方案:
一种煤矿瓦斯爆炸风险预测方法,所述预测方法包括以下步骤:
S1、采集目标范围内全部煤矿的基本信息数据,基本信息数据包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率;
S2、基于全部煤矿的基本信息数据对目标范围内全部煤矿矿井进行筛选,选出需要进行风险预测的煤矿矿井,作为预测目标矿井;
S3、根据每个预测目标矿井的基本信息数据进行煤矿瓦斯爆炸风险等级初步评估,根据风险初步评估结果确定每个预测目标矿井的风险预测频率;
S4、根据规范标准资料、文献调研及专家咨询初步建立瓦斯爆炸致灾指标体系;
S5、采用决策实验室分析法(Decision Making Trial and EvaluationLaboratory,DEMATEL)清洗致灾指标,以该方法分析计算出的指标中心度为标准,从初步建立的瓦斯爆炸致灾指标体系中将指标中心度小于中心度阈值的指标删除,采用剩余致灾指标建立关键致灾指标体系;
S6、采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据,基于所建立的关键致灾指标体系,分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型,输出多类型的煤矿瓦斯爆炸风险预测模型;
S7、对基于BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型训练输出的煤矿瓦斯爆炸风险预测模型的预测性能进行评价,筛选出预测性能最优的模型,将其确定为最终采用的预测模型;
S8、按照相应的风险预测频率,定期确定每个预测目标矿井的关键致灾指标数据值,将关键致灾指标数据值输入预测模型,对预测目标矿井的瓦斯爆炸风险进行预测。
进一步地,步骤S1中,所述基本信息数据还包括瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。
进一步地,步骤S2中,按照预设筛选周期,对目标范围内全部煤矿矿井进行筛选,筛选得到当前筛选周期的预测目标矿井。
进一步地,步骤S3中,根据下述公式计算得到煤矿瓦斯爆炸风险等级评估值X:
X=x1α1+x2α2+x3α3+x4α4+x5α5
其中,x1、x2、x3、x4、x5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的值;瓦斯涌出量的值为目标矿井单位时间内自煤层中涌出的瓦斯量,瓦斯体积分数的值为赋予相应矿井瓦斯气体体积分数的值,煤层自然发火期的值为赋予相应矿井煤层自然发火期的值,煤尘爆炸指数的值为相应的煤尘爆炸指数,机电设备故障率的值为相应矿井机电设备故障率的值;α1、α2、α3、α4、α5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的权重;α1+α2+α3+α4+α5=1。
进一步地,步骤S5中,致灾指标包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率、瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。
进一步地,步骤S5中,采用DEMATEL分析法清洗致灾指标的过程包括以下步骤:
S51,邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较,判断指标之间的相互影响关系;专家评价的语义表达规定为五个,分别为影响程度极弱、影响程度较弱、影响程度一般、影响程度较强及影响程度很强,所对应的评估分值分别为1、2、3、4、5;
S52,根据专家的评价分值数据构建直接影响矩阵C,其中表示第m位专家针对指标i对指标j影响程度的评价分值:
S53,将直接影响矩阵进行规范化计算,构建综合影响矩阵X,其中,i=1,2,3,…,n,j=1,2,3,…,n,n为指标个数:
X=G(I-G)-1;
S54,根据综合影响矩阵计算指标的影响度di及被影响度ri,并计算指标中心度fi:
fi=di+ri;
S55,根据指标中心度数值,剔除中心度较小的指标,形成关键致灾指标体系。
进一步地,步骤S6中,基于所建立的关键致灾指标体系,分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型,输出多类型的煤矿瓦斯爆炸风险预测模型的过程包括以下步骤:
从预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故报告数据中获取相应的信息数据,以煤矿瓦斯爆炸概率值表示对应的瓦斯爆炸风险水平,概率值越高,风险水平越高;如果煤矿瓦斯爆炸事故必然发生,其瓦斯爆炸概率值为1,如果煤矿瓦斯爆炸事故不可能发生,其瓦斯爆炸概率值为0;将每个历史指标数据和对应的煤矿瓦斯爆炸概率值作为一组样本数据,生成样本数据集;
对样本数据集中的样本数据进行清洗,去除其中包含的噪声、缺失值、离群点、漂移点;
对于清洗后的样本数据集中的每个历史指标数据,获取关键致灾指标所对应的值作为模型的输入,相应的煤矿瓦斯爆炸概率值作为模型的输出,分别对BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型进行训练。
进一步地,步骤S6中,对BP神经网络模型进行训练的过程包括:
构建BP神经网络,BP神经网络包括输入层、隐含层和输出层三层结构;将采集到的预测目标矿井关键致灾指标的历史数据以及煤矿瓦斯爆炸事故数据,对其进行归一化处理后作为输入层,输出层的节点输出煤矿瓦斯爆炸概率,范围在(0,1);对神经网络中的权值和阈值进行初始赋值,通过样本数据进行训练,训练样本的期望输出值为根据历史数据和经验值得到的煤矿瓦斯爆炸概率,通过输出值与期望值的偏差迭代优化权值和阈值,使输出值和期望值的偏差达到设定要求;
步骤S6中,对支持向量机模型进行训练的过程包括:
构建支持向量机非线性回归预测模型进行瓦斯爆炸风险预测,将煤矿瓦斯爆炸的各关键致灾指标数据及煤矿瓦斯爆炸事故数据作为输入变量,将相应的煤矿瓦斯爆炸概率值作为输出变量,利用核函数寻求输入变量与输出变量间最佳的非线性映射关系;
将采集到的指标数据及期望输出数据形成的样本数据划分为训练集和测试集,利用训练集来进行预测模型相关参数的优化训练,建立最优的回归决策函数;
利用测试集数据输入回归决策函数,比较预测值与期望值来评价预测模型性能。
进一步地,对于BP神经网络模型、支持向量机模型,采用均方误差法或者平均相对误差法来评估预测模型性能;当采用均方误差法评估预测模型性能时,均方误差值越接近0则模型越准确;当采用平均相对误差法评估预测模型性能时,采用模型预测值与期望值之间的误差与期望值的比值作为模型预测性能评价依据,确定所使用的预测模型。
进一步地,所述预测方法还包括:
根据所述预测模型的预测输出值结合煤矿矿井地理信息数据进行煤矿瓦斯爆炸风险信息图的制作与展示。
有益效果:
(1)本发明的煤矿瓦斯爆炸风险预测方法,克服了现有的单点风险预测处理效率低的问题,弥补了现有的煤矿瓦斯爆炸风险预测和评估的空缺。
(2)由于逐个煤矿瓦斯致灾指标的预测处理复杂,因此现有的煤矿瓦斯风险预测覆盖低,本发明的煤矿瓦斯爆炸风险预测方法,同时对目标范围内的全部煤矿进行监管,提高了煤矿瓦斯爆炸风险预测的煤矿覆盖率。
(3)本发明的煤矿瓦斯爆炸风险预测方法,对需要进行风险预测的煤矿进行筛选,对需要进行风险预测的煤矿根据不同的风险预测等级确定预测频率,克服了现有的煤矿瓦斯爆炸风险预测方法单一,处理固化的问题,在对大量煤矿进行安全监管的同时,降低煤矿瓦斯爆炸风险预测的复杂度。
(4)本发明的煤矿瓦斯爆炸风险预测方法,训练生成多个煤矿瓦斯爆炸风险预测模型,并选择性能最好的风险预测模型进行风险预测,针对致灾指标数据的特点,选择最适应的风险预测模型,风险预测效果好。
(5)本发明的煤矿瓦斯爆炸风险预测方法,根据所述预测模型的预测输出值结合煤矿矿井地理信息数据进行煤矿瓦斯爆炸风险信息图的制作与展示,分别用红、橙、黄、蓝作为重大、较大、一般、低风险四个预警级别所对应的预警颜色,能够直观显示煤矿瓦斯爆炸风险情况,并能预测煤矿瓦斯爆炸风险的发展趋势,可根据不同的风险等级预警,对风险进行及时的预警处理。
附图说明
图1为本发明实施例的煤矿瓦斯爆炸风险预测方法流程图;
图2为本发明实施例的煤矿瓦斯爆炸风险预测系统结构图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明,但不以任何方式限制本发明。
实施例一
如图1所示,本实施例提出了一种煤矿瓦斯爆炸风险预测方法,包括:
S1、采集目标范围内全部煤矿的基本信息数据,包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率。
本实施例首先对目标范围内全部煤矿的基础信息数据进行采集,除包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率外,还可以包括瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平等。煤矿的基础信息数据可以从煤矿企业信息系统进行采集,部分数据可由人工采集。
S2、基于所述煤矿基本信息数据对目标范围内全部煤矿矿井进行筛选,选出需要进行风险预测的煤矿矿井。
对目标范围内全部煤矿都实施高频率风险预测将造成数据采集以及算力的负担及无谓浪费。因此,本实施例首先基于煤矿的基础信息数据对需要进行风险预测的煤矿进行筛选。例如,对于通风系统运转非常稳定、瓦斯涌出量非常小的煤矿,其发生瓦斯爆炸的风险概率极低,故不进行风险预测。对于需进行风险预测的煤矿筛选是动态变化的,可以定期根据煤矿的基础信息数据变动情况进行更新,例如每隔一个季度对前一轮不需要进行煤矿瓦斯爆炸风险预测的煤矿重新进行判断筛选。
S3、根据煤矿基本信息数据进行煤矿瓦斯爆炸风险等级初步评估,根据风险初步评估结果确定风险预测频率。
本实施例设置瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的权重依次为α1、α2、α3、α4、α5,其中,α1+α2+α3+α4+α5=1;煤矿瓦斯爆炸风险初步评估值为:
X=x1α1+x2α2+x3α3+x4α4+x5α5
其中,x1、x2、x3、x4、x5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的值;瓦斯涌出量的值为目标矿井单位时间内自煤层中涌出的瓦斯量,瓦斯体积分数的值为赋予相应矿井瓦斯气体体积分数的值,煤层自然发火期的值为赋予相应矿井煤层自然发火期的值,煤尘爆炸指数的值为相应的煤尘爆炸指数,机电设备故障率的值为相应矿井机电设备故障率的值。
基于所得到的风险初步评估值,确定煤矿瓦斯爆炸风险预测频率,评估值越高则风险预测频率越高。
基于计算出的风险评估值,对需要进行风险预测的煤矿进行风险预测等级判定。例如,设置三个风险预测等级I级、II级、III级,I级对应的风险评估值为[70,∞),为通风系统运行不稳定、瓦斯涌出量大的煤矿,此类煤矿需要频繁地进行风险预测与维护;II级对应的风险评估值为[40,70),为通风系统运行较不稳定、瓦斯涌出量较大的煤矿,此类煤矿比起I级煤矿来说,预测周期较长;III级对应的风险评估值为[0,40),为通风系统运行较稳定、瓦斯涌出量较小的煤矿,此类煤矿的预测周期最短,不需要进行频繁的预测,节省了数据处理花销。例如,对于I级煤矿,预测周期为2天、II级煤矿的预测周期为5天、III级煤矿的预测周期为10天。
S4、根据规范标准资料、文献调研及专家咨询初步建立瓦斯爆炸致灾指标体系。
煤矿瓦斯爆炸事故受到多种复杂因素的影响,本实施例针对煤矿瓦斯爆炸形成机理,梳理相关规范标准,并在大量文献调研的基础上,结合煤矿安全生产专家咨询意见获取初步的瓦斯爆炸致灾指标体系。例如,初步指标包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率、瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平等。
S5、采用DEMATEL分析法清洗致灾指标,从初步建立的瓦斯爆炸致灾指标体系中将指标中心度较小的指标进行删除,建立关键致灾指标体系。
煤矿瓦斯爆炸形成机理复杂,存在多种致灾指标。在初步建立的致灾指标体系当中会存在一些相对不重要的致灾指标,其对煤矿瓦斯爆炸事故的发生贡献度相对较小,为提高预测模型预测精度及计算效率,需要剔除这部分致灾指标。本实施例采用DEMATEL分析法对初步建立的致灾指标体系进行清洗筛选,从而建立关键致灾指标体系。
本实施例所述DEMATEL分析法的计算方法为:
(1)邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较,判断指标之间的相互影响关系。专家评价的语义表达规定为五个,分别为影响程度极弱、影响程度较弱、影响程度一般、影响程度较强及影响程度很强,所对应的评估分值分别为1、2、3、4、5。
(2)根据专家的评价分值数据构建直接影响矩阵C,其中表示第m位专家针对指标i对指标j影响程度的评价分值:
(3)将直接影响矩阵进行规范化计算,构建综合影响矩阵X。其中,i=1,2,3,…,n,j=1,2,3,…,n,n为指标个数:
X=G(I-G)-1。
(4)根据综合影响矩阵计算指标的影响度di及被影响度ri,并计算指标中心度fi:
fi=di+ri。
(5)根据指标中心度数值,剔除中心度较小的指标,形成关键致灾指标体系。
S6、采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据,基于所建立的关键致灾指标体系,分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型,输出多类型的煤矿瓦斯爆炸风险预测模型。
本实施例从目标矿井的历史指标数据以及煤矿瓦斯爆炸事故报告数据中获取所需信息数据,以煤矿瓦斯爆炸概率值表示对应的瓦斯爆炸风险水平,概率值越高,风险水平越高。如果煤矿瓦斯爆炸事故必然发生,其瓦斯爆炸概率值为1,如果煤矿瓦斯爆炸事故不可能发生,其瓦斯爆炸概率值为0。
将获取的历史指标数据作为样本数据,对BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型进行训练。获取到样本数据后,需要对样本数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法。具体地,对于每个历史指标数据,获取关键致灾指标所对应的值作为模型的输入,相应的煤矿瓦斯爆炸概率值作为模型的输出,不断对预测模型进行训练。
由于不同的训练模型对不同的数据有不同的预测效果。因此,本实施例训练多种预测模型,并根据各模型的性能选择最优的模型,进一步优化煤矿瓦斯爆炸风险的预测效果。采用多个预测模型同时训练,可以解决不同煤矿瓦斯预测指标数据具有不同数据特征的问题,多个模型同时训练可以优选出适合该矿井瓦斯预测指标数据的最佳预测模型,因此,在实际应用中,我们并不对范围内所有煤矿同时预测,而是周期性筛选预测,在确保全范围煤矿安全的前提下,尽可能地提高预测效率。
对于BP神经网络模型,本实施例首先构建BP神经网络,包括输入层、隐含层和输出层三层结构,所述采集到的预测目标矿井关键致灾指标的历史数据以及煤矿瓦斯爆炸事故数据,对其进行归一化处理后作为输入层,所述输出层的节点输出煤矿瓦斯爆炸概率,范围在(0,1)。对神经网络中的权值和阈值进行初始赋值,通过样本数据进行训练,训练样本的期望输出值为根据历史数据和经验值得到的煤矿瓦斯爆炸概率,通过输出值与期望值的偏差迭代优化权值和阈值,最终使输出值和期望值的偏差达到设定要求。
对于支持向量机回归预测模型,本实施例构建支持向量机非线性回归预测模型进行瓦斯爆炸风险预测,将煤矿瓦斯爆炸的各关键致灾指标数据及煤矿瓦斯爆炸事故数据作为输入变量,将相应的煤矿瓦斯爆炸概率值作为输出变量,利用核函数寻求输入变量与输出变量间最佳的非线性映射关系。将采集到的指标数据及期望输出数据形成的样本数据划分为训练集和测试集,利用训练集来进行预测模型相关参数的优化训练,建立最优的回归决策函数。利用测试集数据输入回归决策函数,比较预测值与期望值来评价预测模型性能。
S7、对基于BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型训练输出的煤矿瓦斯爆炸风险预测模型的预测性能进行评价,筛选出预测性能最优的模型,确定为最终采用的预测模型。
本实施例对多个风险预测模型进行训练,选择出表现最优的风险预测模型,以提高风险预测的效率。具体地,对于BP神经网络模型、支持向量机模型一般采用均方误差法来评估预测模型性能,其值越接近0模型越准确。辅以采用平均相对误差法,采用模型预测值与期望值之间的误差与期望值的比值作为模型预测性能评价依据,从而确定所使用的预测模型,以确保所采用的模型具有优秀的预测精度及计算效率。
S8、通过采集煤矿监测监控系统数据结合最新的人工采集数据确定关键致灾指标数据值,输入指标数据,通过所确定的预测模型对目标矿井的瓦斯爆炸风险进行预测。
本实施例对需要进行风险预测的煤矿进行信息数据的采集,具体地,通过煤矿企业配备的各类监测健康系统采集关键致灾指标相关数据,部分无法从煤矿信息系统中直接获取的数据可采用人工检测填报的方式进行数据采集。矿井的地理信息数据可从煤矿企业相关信息系统获取或者通过能够扫描成像的设备仪器获取。
为了更直观地显示煤矿瓦斯爆炸风险水平及发展趋势,本实施例根据所述预测模型的预测输出值结合煤矿矿井地理信息数据进行煤矿瓦斯爆炸风险信息图的制作与展示,分别用红、橙、黄、蓝作为重大、较大、一般、低风险四个预警级别所对应的预警颜色,能够直观显示煤矿瓦斯爆炸风险情况,并能预测煤矿瓦斯爆炸风险的发展趋势,可根据不同的风险等级预警,对风险进行及时的预警处理。
本实施例对煤矿根据其风险预测等级对应的风险预测周期进行预测,不断更新风险初步评估值及瓦斯爆炸风险预警级别。不同的风险预警级别所采用的风险预警手段也不同。例如,当风险预警级别为重大时,发出警报、并立即提醒监管人员撤出井下人员;当风险预警级别为较大时,发出警报、并将相应的风险预警信息通过电话的方式及时传输给监管人员;当风险预警级别为一般时,将相应的风险预警信息通过短信的方式传输给监管人员;当风险预警级别为低时,仅在监视设备上通过风险四色图显示风险预测结果。
同时,为了将对煤矿瓦斯爆炸风险灾害的被动监测和处理转化为主动预测和应对,本实施例在煤矿瓦斯爆炸风险预警级别为重大时,暂停煤矿采掘生产工作,撤出所有人员,保障煤矿作业人员的人身安全。对矿井实施针对性处理措施后,再次预测煤矿瓦斯爆炸风险值及风险预警级别,当煤矿瓦斯爆炸风险预警级别下降到一般、低时,恢复煤矿的正常生产工作。
实施例二
如图2所示,本实施例提出了一种煤矿瓦斯爆炸风险预测系统,包括:
数据采集模块,用于采集目标范围内全部煤矿的基本信息数据,包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率。
本实施例首先对目标范围内全部煤矿的基础信息数据进行采集,除包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率外,还可以包括瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平等。煤矿的基础信息数据可以从煤矿企业信息系统进行采集,部分数据可由人工采集。
预测对象确定模块,用于基于所述煤矿基本信息数据对目标范围内全部煤矿矿井进行筛选,选出需要进行风险预测的煤矿矿井。
对目标范围内全部煤矿都实施高频率风险预测将造成数据采集以及算力的负担及无谓浪费。因此,本实施例首先基于煤矿的基础信息数据对需要进行风险预测的煤矿进行筛选。例如,对于通风系统运转非常稳定、瓦斯涌出量非常小的煤矿,其发生瓦斯爆炸的风险概率极低,故不进行风险预测。对于需进行风险预测的煤矿筛选是动态变化的,可以定期根据煤矿的基础信息数据变动情况进行更新,例如每隔一个季度对前一轮不需要进行煤矿瓦斯爆炸风险预测的煤矿重新进行判断筛选。
预测等级评估模块,用于根据煤矿基本信息数据进行煤矿瓦斯爆炸风险等级初步评估,根据风险初步评估结果确定风险预测频率。
本实施例设置瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的权重依次为α1、α2、α3、α4、α5,其中,α1+α2+α3+α4+α5=1;煤矿瓦斯爆炸风险初步评估值为:
X=x1α1+x2α2+x3α3+x4α4+x5α5
其中,x1、x2、x3、x4、x5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的值;瓦斯涌出量的值为目标矿井单位时间内自煤层中涌出的瓦斯量,瓦斯体积分数的值为赋予相应矿井瓦斯气体体积分数的值,煤层自然发火期的值为赋予相应矿井煤层自然发火期的值,煤尘爆炸指数的值为相应的煤尘爆炸指数,机电设备故障率的值为相应矿井机电设备故障率的值。
基于所得到的风险初步评估值,确定煤矿瓦斯爆炸风险预测频率,评估值越高则风险预测频率越高。
基于计算出的风险评估值,对需要进行风险预测的煤矿进行风险预测等级判定。例如,设置三个风险预测等级I级、II级、III级,I级对应的风险评估值为[70,∞),为通风系统运行不稳定、瓦斯涌出量大的煤矿,此类煤矿需要频繁地进行风险预测与维护;II级对应的风险评估值为[40,70),为通风系统运行较不稳定、瓦斯涌出量较大的煤矿,此类煤矿比起I级煤矿来说,预测周期较长:III级对应的风险评估值为[0,40),为通风系统运行较稳定、瓦斯涌出量较小的煤矿,此类煤矿的预测周期最短,不需要进行频繁的预测,节省了数据处理花销。例如,对于I级煤矿,预测周期为2天、II级煤矿的预测周期为5天、III级煤矿的预测周期为10天。
致灾指标体系建立模块,用于根据规范标准资料、文献调研及专家咨询初步建立瓦斯爆炸致灾指标体系。
煤矿瓦斯爆炸事故受到多种复杂因素的影响,本实施例针对煤矿瓦斯爆炸形成机理,梳理相关规范标准,并在大量文献调研的基础上,结合煤矿安全生产专家咨询意见获取初步的瓦斯爆炸致灾指标体系。例如,初步指标包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率、瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平等。
关键致灾指标选择模块,用于采用DEMATEL分析法清洗致灾指标,从初步建立的瓦斯爆炸致灾指标体系中将指标中心度较小的指标进行删除,建立关键致灾指标体系。
煤矿瓦斯爆炸形成机理复杂,存在多种致灾指标。在初步建立的致灾指标体系当中会存在一些相对不重要的致灾指标,其对煤矿瓦斯爆炸事故的发生贡献度相对较小,为提高预测模型预测精度及计算效率,需要剔除这部分致灾指标。本发明采用DEMATEL分析法对初步建立的致灾指标体系进行清洗筛选,从而建立关键致灾指标体系。
本实施例所述DEMATEL分析法的计算方法为:
(1)邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较,判断指标之间的相互影响关系。专家评价的语义表达规定为五个,分别为影响程度极弱、影响程度较弱、影响程度一般、影响程度较强及影响程度很强,所对应的评估分值分别为1、2、3、4、5。
(2)根据专家的评价分值数据构建直接影响矩阵C,其中表示第m位专家针对指标i对指标j影响程度的评价分值:
(3)将直接影响矩阵进行规范化计算,构建综合影响矩阵X。其中,i=1,2,3,…,n,j=1,2,3,…,n,n为指标个数:
X=G(I-G)-1
(4)根据综合影响矩阵计算指标的影响度di及被影响度ri,并计算指标中心度fi。
fi=di+ri
(5)根据指标中心度数值,剔除中心度较小的指标,形成关键致灾指标体系。
机器学习模块,用于采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据,基于所建立的关键致灾指标体系,分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型,输出多类型的煤矿瓦斯爆炸风险预测模型;
本实施例从目标矿井的历史指标数据以及煤矿瓦斯爆炸事故报告数据中获取所需信息数据,以煤矿瓦斯爆炸概率值表示对应的瓦斯爆炸风险水平,概率值越高,风险水平越高。如果煤矿瓦斯爆炸事故必然发生,其瓦斯爆炸概率值为1,如果煤矿瓦斯爆炸事故不可能发生,其瓦斯爆炸概率值为0。
将获取的历史指标数据作为样本数据,对BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型进行训练。获取到样本数据后,需要对样本数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法。具体地,对于每个历史指标数据,获取关键致灾指标所对应的值作为模型的输入,相应的煤矿瓦斯爆炸概率值作为模型的输出,不断对预测模型进行训练。
由于不同的训练模型对不同的数据有不同的预测效果。因此,本实施例训练多种预测模型,并根据各模型的性能选择最优的模型,进一步优化煤矿瓦斯爆炸风险的预测效果。
对于BP神经网络模型,本发明首先构建BP神经网络,包括输入层、隐含层和输出层三层结构,所述采集到的预测目标矿井关键致灾指标的历史数据以及煤矿瓦斯爆炸事故数据,对其进行归一化处理后作为输入层,所述输出层的节点输出煤矿瓦斯爆炸概率,范围在(0,1)。对神经网络中的权值和阈值进行初始赋值,通过样本数据进行训练,训练样本的期望输出值为根据历史数据和经验值得到的煤矿瓦斯爆炸概率,通过输出值与期望值的偏差迭代优化权值和阈值,最终使输出值和期望值的偏差达到设定要求。
对于支持向量机回归预测模型,本实施例构建支持向量机非线性回归预测模型进行瓦斯爆炸风险预测,将煤矿瓦斯爆炸的各关键致灾指标数据及煤矿瓦斯爆炸事故数据作为输入变量,将相应的煤矿瓦斯爆炸概率值作为输出变量,利用核函数寻求输入变量与输出变量间最佳的非线性映射关系。将采集到的指标数据及期望输出数据形成的样本数据划分为训练集和测试集,利用训练集来进行预测模型相关参数的优化训练,建立最优的回归决策函数。利用测试集数据输入回归决策函数,比较预测值与期望值来评价预测模型性能。
模型评价模块,用于对基于BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型训练输出的煤矿瓦斯爆炸风险预测模型的预测性能进行评估,筛选出预测性能最优的模型,确定为最终采用的预测模型;
本实施例对多个风险预测模型进行训练,选择出表现最优的风险预测模型,以提高风险预测的效率。具体地,对于BP神经网络模型、支持向量机模型一般采用均方误差法来评估预测模型性能,其值越接近0模型越准确。辅以采用平均相对误差法,采用模型预测值与期望值之间的误差与期望值的比值作为模型预测性能评价依据,从而确定所使用的预测模型,以确保所采用的模型具有优秀的预测精度及计算效率。
预测结果输出模块,用于通过采集煤矿监测监控系统数据结合最新的人工采集数据确定关键致灾指标数据值,输入指标数据,通过所确定的预测模型对目标矿井的瓦斯爆炸风险进行预测。
本实施例对需要进行风险预测的煤矿进行信息数据的采集,具体地,通过煤矿企业配备的各类监测健康系统采集关键致灾指标相关数据,部分无法从煤矿信息系统中直接获取的数据可采用人工检测填报的方式进行数据采集。矿井的地理信息数据可从煤矿企业相关信息系统获取或者通过能够扫描成像的设备仪器获取。
为了更直观地显示煤矿瓦斯爆炸风险水平及发展趋势,本实施例根据所述预测模型的预测输出值结合煤矿矿井地理信息数据进行煤矿瓦斯爆炸风险信息图的制作与展示,分别用红、橙、黄、蓝作为重大、较大、一般、低风险四个预警级别所对应的预警颜色,能够直观显示煤矿瓦斯爆炸风险情况,并能预测煤矿瓦斯爆炸风险的发展趋势,可根据不同的风险等级预警,对风险进行及时的预警处理。
本实施例对煤矿根据其风险预测等级对应的风险预测周期进行预测,不断更新风险初步评估值及瓦斯爆炸风险预警级别。不同的风险预警级别所采用的风险预警手段也不同。例如,当风险预警级别为重大时,发出警报、并立即提醒监管人员撤出井下人员;当风险预警级别为较大时,发出警报、并将相应的风险预警信息通过电话的方式及时传输给监管人员;当风险预警级别为一般时,将相应的风险预警信息通过短信的方式传输给监管人员;当风险预警级别为低时,仅在监视设备上通过风险四色图显示风险预测结果。
同时,为了将对煤矿瓦斯爆炸风险灾害的被动监测和处理转化为主动预测和应对,本实施例在煤矿瓦斯爆炸风险预警级别为重大时,暂停煤矿采掘生产工作,撤出所有人员,保障煤矿作业人员的人身安全。对矿井实施针对性处理措施后,再次预测煤矿瓦斯爆炸风险值及风险预警级别,当煤矿瓦斯爆炸风险预警级别下降到一般、低时,恢复煤矿的正常生产工作。
由此可知,本实施例提出的煤矿瓦斯爆炸风险预测方法及系统,实现了煤矿瓦斯爆炸风险的预测,克服了现有的单点风险预测处理效率低的问题,弥补了现有的煤矿瓦斯爆炸风险预测和评估的空缺;由于逐个煤矿瓦斯致灾指标的单点预测处理复杂,因此现有的煤矿瓦斯风险预测覆盖低,本实施例同时对目标范围内的全部煤矿进行监管,提高了煤矿瓦斯爆炸风险预测的煤矿覆盖率;本实施例对需要进行风险预测的煤矿进行筛选,对需要进行风险预测的煤矿根据不同的风险预测等级确定预测频率,克服了现有的煤矿瓦斯爆炸风险预测方法单一,处理固化的问题,在对大量煤矿进行安全监管的同时,降低煤矿瓦斯爆炸风险预测的复杂度;本发明训练生成多个煤矿瓦斯爆炸风险预测模型,并选择性能最好的风险预测模型进行风险预测,针对致灾指标数据的特点,选择最适应的风险预测模型,风险预测效果好;本发明根据所述预测模型的预测输出值结合煤矿矿井地理信息数据进行煤矿瓦斯爆炸风险信息图的制作与展示,分别用红、橙、黄、蓝作为重大、较大、一般、低风险四个预警级别所对应的预警颜色,能够直观显示煤矿瓦斯爆炸风险情况,并能预测煤矿瓦斯爆炸风险的发展趋势,可根据不同的风险等级预警,对风险进行及时的预警处理。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种煤矿瓦斯爆炸风险预测方法,其特征在于,所述预测方法包括以下步骤:
S1、采集目标范围内全部煤矿的基本信息数据,基本信息数据包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率;
S2、基于全部煤矿的基本信息数据对目标范围内全部煤矿矿井进行筛选,选出需要进行风险预测的煤矿矿井,作为预测目标矿井;
S3、根据每个预测目标矿井的基本信息数据进行煤矿瓦斯爆炸风险等级初步评估,根据风险初步评估结果确定每个预测目标矿井的风险预测频率;
S4、根据规范标准资料、文献调研及专家咨询初步建立瓦斯爆炸致灾指标体系;
S5、采用决策实验室分析法清洗致灾指标,以该方法分析计算出的指标中心度为标准,从初步建立的瓦斯爆炸致灾指标体系中将指标中心度小于中心度阈值的指标删除,采用剩余致灾指标建立关键致灾指标体系;
S6、采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据,基于所建立的关键致灾指标体系,分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型,输出多类型的煤矿瓦斯爆炸风险预测模型;
S7、对基于BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型训练输出的煤矿瓦斯爆炸风险预测模型的预测性能进行评价,筛选出预测性能最优的模型,将其确定为最终采用的预测模型;
S8、按照相应的风险预测频率,定期确定每个预测目标矿井的关键致灾指标数据值,将关键致灾指标数据值输入预测模型,对预测目标矿井的瓦斯爆炸风险进行预测;
步骤S6中,基于所建立的关键致灾指标体系,分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型,输出多类型的煤矿瓦斯爆炸风险预测模型的过程包括以下步骤:
从预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故报告数据中获取相应的信息数据,以煤矿瓦斯爆炸概率值表示对应的瓦斯爆炸风险水平,概率值越高,风险水平越高;如果煤矿瓦斯爆炸事故必然发生,其瓦斯爆炸概率值为1,如果煤矿瓦斯爆炸事故不可能发生,其瓦斯爆炸概率值为0;将每个历史指标数据和对应的煤矿瓦斯爆炸概率值作为一组样本数据,生成样本数据集;
对样本数据集中的样本数据进行清洗,去除其中包含的噪声、缺失值、离群点、漂移点;
对于清洗后的样本数据集中的每个历史指标数据,获取关键致灾指标所对应的值作为模型的输入,相应的煤矿瓦斯爆炸概率值作为模型的输出,分别对BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型进行训练。
2.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,步骤S1中,所述基本信息数据还包括瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。
3.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,步骤S2中,按照预设筛选周期,对目标范围内全部煤矿矿井进行筛选,筛选得到当前筛选周期的预测目标矿井。
4.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,步骤S3中,根据下述公式计算得到煤矿瓦斯爆炸风险等级评估值X:
X=x1α1+x2α2+x3α3+x4α4+x5α5
其中,x1、x2、x3、x4、x5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的值;瓦斯涌出量的值为目标矿井单位时间内自煤层中涌出的瓦斯量,瓦斯体积分数的值为赋予相应矿井瓦斯气体体积分数的值,煤层自然发火期的值为赋予相应矿井煤层自然发火期的值,煤尘爆炸指数的值为相应的煤尘爆炸指数,机电设备故障率的值为相应矿井机电设备故障率的值;α1、α2、α3、α4、α5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的权重;α1+α2+α3+α4+α5=1。
5.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,步骤S5中,致灾指标包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率、瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。
6.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,步骤S5中,采用DEMATEL分析法清洗致灾指标的过程包括以下步骤:
S51,邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较,判断指标之间的相互影响关系;专家评价的语义表达规定为五个,分别为影响程度极弱、影响程度较弱、影响程度一般、影响程度较强及影响程度很强,所对应的评估分值分别为1、2、3、4、5;
S52,根据专家的评价分值数据构建直接影响矩阵C,其中表示第m位专家针对指标i对指标j影响程度的评价分值:
S53,将直接影响矩阵进行规范化计算,构建综合影响矩阵X,其中,i=1,2,3,…,n,j=1,2,3,…,n,n为指标个数:
X=G(I-G)-1;
S54,根据综合影响矩阵计算指标的影响度di及被影响度ri,并计算指标中心度fi:
fi=di+ri;
S55,根据指标中心度数值,剔除中心度较小的指标,形成关键致灾指标体系。
7.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,步骤S6中,对BP神经网络模型进行训练的过程包括:
构建BP神经网络,BP神经网络包括输入层、隐含层和输出层三层结构;将采集到的预测目标矿井关键致灾指标的历史数据以及煤矿瓦斯爆炸事故数据,对其进行归一化处理后作为输入层,输出层的节点输出煤矿瓦斯爆炸概率,范围在(0,1);对神经网络中的权值和阈值进行初始赋值,通过样本数据进行训练,训练样本的期望输出值为根据历史数据和经验值得到的煤矿瓦斯爆炸概率,通过输出值与期望值的偏差迭代优化权值和阈值,使输出值和期望值的偏差达到设定要求;
步骤S6中,对支持向量机模型进行训练的过程包括:
构建支持向量机非线性回归预测模型进行瓦斯爆炸风险预测,将煤矿瓦斯爆炸的各关键致灾指标数据及煤矿瓦斯爆炸事故数据作为输入变量,将相应的煤矿瓦斯爆炸概率值作为输出变量,利用核函数寻求输入变量与输出变量间最佳的非线性映射关系;
将采集到的指标数据及期望输出数据形成的样本数据划分为训练集和测试集,利用训练集来进行预测模型相关参数的优化训练,建立最优的回归决策函数;
利用测试集数据输入回归决策函数,比较预测值与期望值来评价预测模型性能。
8.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,对于BP神经网络模型、支持向量机模型,采用均方误差法或者平均相对误差法来评估预测模型性能;当采用均方误差法评估预测模型性能时,均方误差值越接近0则模型越准确;当采用平均相对误差法评估预测模型性能时,采用模型预测值与期望值之间的误差与期望值的比值作为模型预测性能评价依据,确定所使用的预测模型。
9.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法,其特征在于,所述预测方法还包括:
根据所述预测模型的预测输出值结合煤矿矿井地理信息数据进行煤矿瓦斯爆炸风险信息图的制作与展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211291304.9A CN115526422B (zh) | 2022-10-19 | 2022-10-19 | 一种煤矿瓦斯爆炸风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211291304.9A CN115526422B (zh) | 2022-10-19 | 2022-10-19 | 一种煤矿瓦斯爆炸风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115526422A CN115526422A (zh) | 2022-12-27 |
CN115526422B true CN115526422B (zh) | 2024-02-23 |
Family
ID=84703145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211291304.9A Active CN115526422B (zh) | 2022-10-19 | 2022-10-19 | 一种煤矿瓦斯爆炸风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526422B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167532B (zh) * | 2023-04-26 | 2023-09-05 | 中国安全生产科学研究院 | 用于煤矿行业违规生产行为预测系统的系统优化方法 |
CN116307950B (zh) * | 2023-05-25 | 2023-08-15 | 中建安装集团有限公司 | 基于多元信息的建筑质量智能管理系统及方法 |
CN116611004B (zh) * | 2023-07-20 | 2023-11-10 | 江苏中矿安华科技发展有限公司 | 煤矿安全灾害预测模型训练方法、预警方法、预警系统 |
CN117057601B (zh) * | 2023-08-02 | 2024-01-30 | 中国安全生产科学研究院 | 基于物联网的非煤矿山安全监测预警系统 |
CN117094184B (zh) * | 2023-10-19 | 2024-01-26 | 上海数字治理研究院有限公司 | 基于内网平台的风险预测模型的建模方法、系统及介质 |
CN117787728B (zh) * | 2024-02-27 | 2024-04-30 | 贵州省煤层气页岩气工程技术研究中心 | 基于可视化的煤矿巷道瓦斯爆炸危险等级评价方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985057A (zh) * | 2014-05-27 | 2014-08-13 | 煤炭科学研究总院 | 煤矿安全风险评价或损失估计方法及装置 |
WO2016090883A1 (zh) * | 2014-12-12 | 2016-06-16 | 中国矿业大学 | 一种基于多源信息融合的采场顶板离层水害超前预报方法 |
CN105893758A (zh) * | 2016-04-01 | 2016-08-24 | 河北工程大学 | 一种wmnt瓦斯爆炸灾害风险评价方法 |
CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
CN108510146A (zh) * | 2017-12-28 | 2018-09-07 | 国家安全生产监督管理总局通信信息中心 | 煤矿安全生产风险预警方法和系统 |
CN110807562A (zh) * | 2020-01-07 | 2020-02-18 | 杭州鲁尔物联科技有限公司 | 一种区域性桥梁风险预测方法及系统 |
CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113187550B (zh) * | 2021-04-02 | 2022-02-08 | 中煤科工集团沈阳研究院有限公司 | 一种基于对比钻孔瓦斯流量曲线的煤与瓦斯突出预测方法 |
-
2022
- 2022-10-19 CN CN202211291304.9A patent/CN115526422B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985057A (zh) * | 2014-05-27 | 2014-08-13 | 煤炭科学研究总院 | 煤矿安全风险评价或损失估计方法及装置 |
WO2016090883A1 (zh) * | 2014-12-12 | 2016-06-16 | 中国矿业大学 | 一种基于多源信息融合的采场顶板离层水害超前预报方法 |
CN105893758A (zh) * | 2016-04-01 | 2016-08-24 | 河北工程大学 | 一种wmnt瓦斯爆炸灾害风险评价方法 |
CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
CN108510146A (zh) * | 2017-12-28 | 2018-09-07 | 国家安全生产监督管理总局通信信息中心 | 煤矿安全生产风险预警方法和系统 |
CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
CN110807562A (zh) * | 2020-01-07 | 2020-02-18 | 杭州鲁尔物联科技有限公司 | 一种区域性桥梁风险预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
"RS-SVM组合模型下煤矿安全风险预测";汪莹 等;《中国矿业大学学报》;第46卷(第2期);423-429 * |
Experimental and theoretical analyses to predict coal and gas outburst using desorption indices of drill cuttings;Ullah Barkat 等;《Arabian Journal of Geosciences》;20220331;第第15卷卷(第第7期期);1-16 * |
基于G_1-DEMATEL法的煤矿顶板事故风险因素分析;陈晓勇 等;《湖南科技大学学报(自然科学版)》;20180320;第33卷(第01期);16-22 * |
Also Published As
Publication number | Publication date |
---|---|
CN115526422A (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115526422B (zh) | 一种煤矿瓦斯爆炸风险预测方法 | |
CN110929898B (zh) | 水电站启闭设备运维及故障监测在线评估系统及方法 | |
CN111798127A (zh) | 基于动态火灾风险智能评估的化工园区巡检机器人路径优化系统 | |
CN113988530A (zh) | 一种非煤矿山安全风险评估分级方法及系统 | |
CN110703214B (zh) | 一种气象雷达状态评估和故障监测方法 | |
CN115186917A (zh) | 一种主动预警式风险管控系统及方法 | |
CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
CN111640280A (zh) | 一种基于多源信息融合的地铁站污染物预警方法 | |
CN114581046A (zh) | 基于大数据和云计算的数据处理方法及大数据服务平台 | |
WO2023009027A1 (ru) | Способ и система для предупреждения о предстоящих аномалиях в процессе бурения | |
CN116644954B (zh) | 抽蓄工程施工安全风险智能化决策方法 | |
CN113935571A (zh) | 一种加油站安全风险评估分级方法及系统 | |
CN111335950B (zh) | 一种区域煤矿瓦斯灾害风险预警数据采集系统及采集方法 | |
CN110816938B (zh) | 一种基于香烟包装机综合检测平台的大数据分析方法 | |
CN107506832A (zh) | 对监控巡视进行辅助的隐患挖掘方法 | |
Wang et al. | Safety diagnosis on coal mine production system based on fuzzy logic inference | |
CN111723970A (zh) | 一种电力作业隐患预测方法 | |
CN112541647A (zh) | 炼油动设备风险预警方法及预警系统 | |
CN114925867A (zh) | 一种无缝钢管生产重点设备物联网维修预测系统 | |
CN113685166A (zh) | 一种钻井事故预警方法及系统 | |
CN114358539A (zh) | 一种基于风险的铁路运营安全判识方法 | |
CN112434896A (zh) | 一种地铁盾构施工风险及其发展趋势的预测方法 | |
CN117726181B (zh) | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 | |
CN117345344B (zh) | 一种矿井声电信号智能预测方法与系统 | |
RU2772851C1 (ru) | Способ и система для предупреждения о предстоящих аномалиях в процессе бурения |
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 |