CN116187111A - 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质 - Google Patents

基于气体传感器的瓦斯浓度预测方法、系统、终端及介质 Download PDF

Info

Publication number
CN116187111A
CN116187111A CN202310474773.2A CN202310474773A CN116187111A CN 116187111 A CN116187111 A CN 116187111A CN 202310474773 A CN202310474773 A CN 202310474773A CN 116187111 A CN116187111 A CN 116187111A
Authority
CN
China
Prior art keywords
concentration
gas
value
model
gas concentration
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
CN202310474773.2A
Other languages
English (en)
Other versions
CN116187111B (zh
Inventor
韩建宁
吴霁宇
李子圣
蔡文涛
罗毅彤
杨凯
李扬
成书君
秦超
周泓宇
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.)
North University of China
Original Assignee
North University of China
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 North University of China filed Critical North University of China
Priority to CN202310474773.2A priority Critical patent/CN116187111B/zh
Publication of CN116187111A publication Critical patent/CN116187111A/zh
Application granted granted Critical
Publication of CN116187111B publication Critical patent/CN116187111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Food Science & Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Optimization (AREA)
  • Combustion & Propulsion (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于气体传感器的瓦斯浓度预测方法、系统、终端及介质，所述方法包括：获取多个原始瓦斯浓度，对同一时刻的原始瓦斯浓度进行自适应加权融合算法计算得到融合后的浓度估计值‑时间序列；对浓度估计值‑时间序列进行一阶处理构建浓度灰色预测模型，基于浓度灰色预测模型得到白化模型，对浓度估计值‑时间序列进行二阶处理构建ARIMA模型；分别将浓度估计值‑时间序列输入白化模型和ARIMA模型进行计算得到下一时刻的第一预测值和第二预测值，并对第一预测值和第二预测值进行加权平均求和得到下一时刻的最终瓦斯浓度预测值。本发明通过结合浓度灰色预测模型和ARIMA模型实现对瓦斯浓度精确的实时预测，且所需计算量较少。

Description

基于气体传感器的瓦斯浓度预测方法、系统、终端及介质
技术领域
本发明涉及气体浓度预测技术领域，尤其涉及基于气体传感器的瓦斯浓度预测方法、系统、终端及介质。
背景技术
在煤矿开采过程中，矿井地质复杂是导致瓦斯爆炸、突水、粉尘等矿井灾害频发的重要因素，其中，煤矿综采工作面回风上隅角（上隅角一般是表示采矿学名词，是指采煤工作面的回风侧，同时靠近回风巷上帮和采空区边缘的三角地带）由于其地理位置和空间结构的特殊性，较易产生瓦斯堆积，从而导致浓度超限和瓦斯爆炸现象的产生。综采面上隅角气体浓度模型是一个多变量影响、中惯性和非线性模型，且具有多变量间相互耦合、气体浓度随时间滞后变化的特点。
现有的瓦斯浓度预测方法主要流程为：作业人员通过手持式瓦斯浓度检测仪，在一天内对综采面上隅角进行三次及以上的瓦斯浓度检测，对获取的瓦斯浓度值和获取时间借助时序模型进行处理，以达到瓦斯浓度预测的目的。然而现有的预测方法多为单传感器测量或多传感器测量，但对采集到的浓度数据分别单独处理，以上方法忽略了综采面上隅角瓦斯分布不均匀的因素对浓度预测带来的影响，同时在多传感器的情况下，增加计算量的同时没有充分利用多传感器采集数据间的关系。因此，现有技术中存在无法实现精确地对瓦斯浓度进行实时预测，同时所需的计算量和存储空间均较大的问题。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于气体传感器的瓦斯浓度预测方法、系统、终端及介质，旨在解决现有技术中无法实现精确地对瓦斯浓度进行实时预测，同时所需的计算量和存储空间均较大的问题。
为实现上述目的，本发明提供一种基于气体传感器的瓦斯浓度预测方法，所述基于气体传感器的瓦斯浓度预测方法包括：
获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；
对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；
将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
可选地，所述的基于气体传感器的瓦斯浓度预测方法，其中，所述获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列，具体包括：
预先设定多个排布均匀的瓦斯浓度检测计，获取每个所述瓦斯浓度检测计的加权因子，并基于所述瓦斯浓度检测计在固定时间间隔内采集瓦斯的气体浓度测量值；
基于所述加权因子和所述气体浓度测量值得到总均方误差关于加权因子的多元二次函数，基于多元函数求极值方法对所述多元二次函数求解得到总均方差最小所对应的加权因子；
基于总均方差最小所对应的加权因子得到融合后的瓦斯浓度估计值，并将所述瓦斯浓度估计值和时间序列结合得到浓度估计值-时间序列。
可选地，所述的基于气体传感器的瓦斯浓度预测方法，其中，所述对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，具体包括：
对所述浓度估计值-时间序列进行累加处理，得到瓦斯浓度预测值-时间的累加生成序列，并基于所述累加生成序列得到浓度序列；
定义所述浓度序列的灰导数和邻值生成序列，基于所述灰导数构建浓度灰色预测模型，并基于所述邻值生成序列得到所述浓度灰色预测模型的灰微分方程；
根据最小二乘法原理计算出所述灰微分方程模型的常数项，并基于所述常数项得到所述浓度灰色预测模型的白化模型。
可选地，所述的基于气体传感器的瓦斯浓度预测方法，其中，所述对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型，具体包括：
对所述浓度估计值-时间序列的二阶差分进行求解得到二阶差分信号，并对所述二阶差分信号进行自相关分析和偏相关分析，得到所述二阶差分信号的自相关系数和偏自相关系数；
基于所述自相关系数和所述偏自相关系数确定自回归项数p的值和滑动平均项数q的值，并基于所述自回归项数p的值和所述滑动平均项数q的值得到ARIMA模型，所述ARIMA模型的公式为：
Figure SMS_1
；
其中，p为自回归项数，q为滑动平均项数，d为平稳序列所做的差分次数，
Figure SMS_2
为滞后算子，/>
Figure SMS_3
为t时刻的浓度序列，/>
Figure SMS_4
为自回归系数，/>
Figure SMS_5
为自回归系数多项式；/>
Figure SMS_6
为滑动平均系数，/>
Figure SMS_7
为滑动平均系数多项式；/>
Figure SMS_8
为零均值白噪声序列。
可选地，所述将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值，具体包括：
对所述白化模型进行分解得到浓度预测公式，对所述浓度预测公式进行累减还原得到瓦斯浓度检测计下一时刻的第一预测值；
将所述浓度估计值-时间序列输入所述ARIMA模型计算得到下一时刻的第二预测值；
基于加权求和公式对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
可选地，所述的基于气体传感器的瓦斯浓度预测方法，其中，所述浓度预测公式：
Figure SMS_9
；
其中，t为时间，
Figure SMS_10
为t+1时刻的浓度序列，/>
Figure SMS_11
为初始时刻的浓度序列，a为发展系数，b为灰色作用量。
可选地，所述的基于气体传感器的瓦斯浓度预测方法，其中，所述加权求和公式为：
Figure SMS_12
；
其中，P为下一时刻的最终瓦斯浓度预测值，
Figure SMS_13
为常数，/>
Figure SMS_14
为第一预测值，/>
Figure SMS_15
为第二预测值。
可选地，所述的基于气体传感器的瓦斯浓度预测方法，其中，所述基于气体传感器的瓦斯浓度预测系统包括：
数据获取模块，用于获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；
数据处理模块，用于对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；
结果生成模块，用于将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于气体传感器的瓦斯浓度预测程序，所述基于气体传感器的瓦斯浓度预测程序被所述处理器执行时实现如上所述的基于气体传感器的瓦斯浓度预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于气体传感器的瓦斯浓度预测程序，所述基于气体传感器的瓦斯浓度预测程序被处理器执行时实现如上所述基于气体传感器的瓦斯浓度预测方法的步骤。
本发明公开了一种基于气体传感器的瓦斯浓度预测方法、系统、终端及介质，所述方法包括：获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。本发明通过对放置于上隅角的多个瓦斯浓度检测计采集到的瓦斯浓度数据进行自适应加权融合算法实现多传感器间的原始浓度数据融合，使用结合一阶灰度预测和ARIMA差分自回归移动平均模型的方法实现对瓦斯浓度的实时预测。最终可以在样本数据较少的情况下，较为精确的完成综采面上隅角五小时内瓦斯浓度的预测，同时所需计算量和空间存储空间较少，适用于在嵌入式设备端运行。
附图说明
图1是本发明中基于气体传感器的瓦斯浓度预测方法的较佳实施例的流程图；
图2是本发明中较佳实施中多传感器数据融合过程的示意图；
图3是本发明中实施例的瓦斯浓度预测结果值与真实值的对比示意图；
图4是本发明中基于气体传感器的瓦斯浓度预测方法的较佳实施例的整个流程示意图；
图5是本发明中基于气体传感器的瓦斯浓度预测系统的较佳实施例的原理示意图；
图6为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明较佳实施例所述的基于气体传感器的瓦斯浓度预测方法，如图1所示，所述基于气体传感器的瓦斯浓度预测方法包括以下步骤：
步骤S10、获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列。
所述步骤S10包括：
步骤S11、预先设定多个排布均匀的瓦斯浓度检测计，获取每个所述瓦斯浓度检测计的加权因子，并基于所述瓦斯浓度检测计在固定时间间隔内采集瓦斯的气体浓度测量值；
步骤S12、基于所述加权因子和所述气体浓度测量值得到总均方误差关于加权因子的多元二次函数，基于多元函数求极值方法对所述多元二次函数求解得到总均方差最小所对应的加权因子；
步骤S13、基于总均方差最小所对应的加权因子得到融合后的瓦斯浓度估计值，并将所述瓦斯浓度估计值和时间序列结合得到浓度估计值-时间序列。
具体地，如图2所示，预先设定多个排布均匀的瓦斯浓度检测计，以固定时间间隔获取N个瓦斯浓度检测计测量的原始气体浓度；设N个瓦斯浓度检测计测量的原始气体浓度值方差为
Figure SMS_25
、/>
Figure SMS_17
、……、/>
Figure SMS_21
；气体浓度真值为x，各瓦斯浓度检测计得到的气体浓度测量值分别为/>
Figure SMS_28
、/>
Figure SMS_32
、……、/>
Figure SMS_33
，各传感器浓度值的加权因子分别为/>
Figure SMS_35
、/>
Figure SMS_24
、……、/>
Figure SMS_30
，则根据条件，即/>
Figure SMS_16
、/>
Figure SMS_20
，可得到总均方误差关于加权因子的多元二次函数；多元二次函数为：/>
Figure SMS_19
；其中，E为均值，X为气体浓度测量值，/>
Figure SMS_22
为融合后浓度估计值，/>
Figure SMS_26
为第/>
Figure SMS_29
只传感器的加权因子，/>
Figure SMS_27
为第/>
Figure SMS_31
只传感器的气体浓度测量值；根据多元函数求极值的方法对所述多元二次函数求解，得出使得总均方差最小时所对应的加权因子/>
Figure SMS_34
，此加权因子/>
Figure SMS_36
为：
Figure SMS_18
；此时对应的最小均方差为：/>
Figure SMS_23
。
通过多元二次函数得到的加权因子，再根据实际测量值，可得到多传感器融合后的瓦斯浓度估计值
Figure SMS_37
，其瓦斯浓度估计值/>
Figure SMS_38
为：
Figure SMS_39
；并将所述瓦斯浓度估计值和时间序列结合得到浓度估计值-时间序列。
步骤S20、对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型。
具体地，对浓度估计值-时间序列进行一阶处理得到浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，具体为：得到多传感器数据融合后的浓度估计值-时间序列
Figure SMS_40
，其中/>
Figure SMS_41
为时间间隔序列，对浓度估计值-时间序列进行累加处理，得到浓度估计值-时间的累加生成序列/>
Figure SMS_42
，其中：
Figure SMS_43
；
Figure SMS_44
；
Figure SMS_45
；
……；
即，
Figure SMS_48
，然后对累加生成序列/>
Figure SMS_51
累加得到的浓度序列为/>
Figure SMS_56
；定义浓度序列/>
Figure SMS_49
的灰导数为
Figure SMS_50
，基于所述灰导数构建浓度灰色预测模型GM(1,1)，令/>
Figure SMS_54
为浓度序列/>
Figure SMS_57
的邻值生成数列，即/>
Figure SMS_46
，其中/>
Figure SMS_53
，于是定义浓度灰色预测模型GM(1,1)的灰微分方程为
Figure SMS_55
，其中/>
Figure SMS_58
为发展系数，/>
Figure SMS_47
为白化背景值，/>
Figure SMS_52
为灰色作用量。
其中，对如下方程组，按照矩阵的方法求解：
Figure SMS_59
，
Figure SMS_60
，
……，
Figure SMS_61
，
Figure SMS_62
；
其中，
Figure SMS_63
为系数矩阵，/>
Figure SMS_64
为灰色矩阵，/>
Figure SMS_65
为白化矩阵，则浓度灰色预测模型GM(1,1)可以表示为/>
Figure SMS_66
，则利用线性回归方法，使用最小二乘法原理求出a，b值，得到浓度灰色预测模型GM(1,1)的白化模型，所述白化模型为：/>
Figure SMS_67
。
对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型具体为：预先定义ARIMA模型，可表示为
Figure SMS_79
，p为自回归项数，q为滑动平均项数，d为平稳序列所做的差分次数（阶数），/>
Figure SMS_70
，/>
Figure SMS_75
，即ARIMA模型公式为：
Figure SMS_82
，其中/>
Figure SMS_85
是滞后算子，/>
Figure SMS_84
为t时刻的浓度序列，/>
Figure SMS_86
为自回归系数，/>
Figure SMS_80
为自回归系数多项式；/>
Figure SMS_83
为滑动平均系数，
Figure SMS_68
为滑动平均系数多项式；/>
Figure SMS_73
为零均值白噪声序列，/>
Figure SMS_71
，/>
Figure SMS_74
，只需对自回归项数p和滑动平均项数q进行求解，就可确定ARIMA模型，其中，d可以根据几阶差分进行确定（例如，若进行二阶差分，则d就为2）。得到多传感器数据融合后的浓度估计值-时间序列/>
Figure SMS_77
，其中/>
Figure SMS_81
，其中，/>
Figure SMS_69
为时间间隔序列，对浓度估计值-时间序列进行二阶差分，得到二阶差分信号/>
Figure SMS_72
；对二阶差分信号/>
Figure SMS_76
进行自相关分析和偏相关分析得到自相关系数（ACF）和偏自相关系数（PACF），根据ACF与PACF的截尾衰减现象，确定自回归项数p和滑动平均项数q的值，其中d已经确定为2，则自回归项数p为2，滑动平均项数q为2；将确定的d、p和q的参数值代入上述的ARIMA模型公式，可以得到多传感器数据融合后的瓦斯浓度预测值的差分序列与时间序列的关系，即ARIMA（2，2，2）模型，其一般表达式为：/>
Figure SMS_78
；其中，常数C为多传感器数据融合后的浓度预测值-时间序列的均值。
步骤S30、将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
所述步骤S30包括：
步骤S31、对所述白化模型进行分解得到浓度预测公式，对所述浓度预测公式进行累减还原得到瓦斯浓度检测计下一时刻的第一预测值；
步骤S32、将所述浓度估计值-时间序列输入所述ARIMA模型计算得到下一时刻的第二预测值；
步骤S33、基于加权求和公式对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
具体地，对白化模型为
Figure SMS_87
进行分解，可得到浓度预测公式：
Figure SMS_88
，其中/>
Figure SMS_89
；利用浓度预测公式取/>
Figure SMS_90
，根据公式/>
Figure SMS_91
进行累减还原，得到F时刻的第一预测值，即预测值/>
Figure SMS_92
，则/>
Figure SMS_93
。
在确定ARIMA模型之后，取
Figure SMS_94
，根据ARIMA模型计算出下一时刻浓度值/>
Figure SMS_95
。之后对浓度灰色预测模型的预测值/>
Figure SMS_96
和ARIMA模型的预测值/>
Figure SMS_97
进行加权平均求和，最终浓度预测值为/>
Figure SMS_98
；在本发明实施例中经实验测量，在时间间隔取1小时，传感器数量为5，k 1 取0.342的情况下，仅需要长度为20的原始瓦斯浓度序列，便可对接下来5小时的瓦斯浓度进行预测，最大误差值不超过5.3%。在本发明实施例中，如图3所示，选取某矿上隅角2022年7月26日的瓦斯浓度数据统计指标作为研究对象，所选取数据源自同一煤层相同盘区，仅考虑在瓦斯浓度单因素影响下的预测结果。从2022年7月26日0时开始，每5分钟对四个瓦斯浓度检测计采集到的瓦斯浓度数据进行自适应加权融合计算其瓦斯浓度值，采集结束时间为2022年7月26日8时，共采集96组数据，图3为利用2022年7月26日0时到2022年7月26日3时采集的浓度数据对2022年7月26日3时到2022年7月26日8时的瓦斯浓度进行预测和真实瓦斯浓度数据对比的结果图，其中真实瓦斯浓度数据由安装在上隅角中心点的瓦斯浓度检测计定时采集所得，其中，图3中的横轴表示时间间隔序列，纵轴表示瓦斯体积分数%。由图3可以看出，仅使用ARIMA差分自回归移动平均模型对瓦斯浓度进行预测时，预测值较为抖动，针对瓦斯浓度时间序列中既有线性趋势又有非线性趋势的数据特征；而本发明使用ARIMA模型预测序列中的线性数据，使用一阶灰度模型预测序列中的非线性数据，相比于单一的ARIMA模型和浓度灰色模型，本发明（即ARIMA-灰度组合模型）误差大幅度减小，预测效果更显著、预测精度更高，能够综合反映瓦斯浓度时间序列规律，对煤矿瓦斯精准预警具有重要意义。/>
进一步地，如图4所示，本发明基于气体传感器的瓦斯浓度预测的较佳实施例的整个过程为：预先设定多个排布均匀的瓦斯浓度检测计，基于所述瓦斯浓度检测计在固定时间间隔内采集瓦斯的气体浓度测量值；利用自适应加权融合算法对同一时刻的瓦斯浓度进行计算，得到多传感器数据融合后的浓度估计值-时间序列；然后分别得出浓度灰色预测模型的预测值和ARIMA模型的预测值，即：第一，构造所述浓度估计值-时间序列的一阶差分方程，利用最小二乘法得到所述一阶差分方程中常数项，并通过微分方程得到浓度灰色预测模型GM（1，1）；求解一阶差分方程，得到浓度灰色预测模型GM（1，1）的白化模型，将当前多传感器数据融合后的浓度估计值代入浓度灰色预测模型GM（1，1）的白化模型，得到传感器浓度下一时刻的预测值P1；第二，对所述浓度估计值-时间序列进行差分运算得到类平均时间序列，对二阶差分运算后得到的类平稳时间序列分别求得其自相关系数（ACF）和偏自相关系数（PACF）；根据ACF和PACF的滞后结尾情况确定ARIMA模型的自回归项数p的值、滑动平均项q的值，得到ARIMA模型，将当前多传感器数据融合后的浓度估计值代入确定的ARIMA模型，得到传感器浓度下一时刻的预测值P2；最后，将浓度灰色预测模型GM（1，1）的白化模型得到预测值P1和ARIMA模型得到的预测值P2进行加权平均求和，得到下一时刻的最终浓度预测值。
进一步地，如图5所示，基于上述基于气体传感器的瓦斯浓度预测方法，本发明还相应提供了基于气体传感器的瓦斯浓度预测系统，所述基于气体传感器的瓦斯浓度预测系统包括：
数据获取模块51，用于获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；
数据处理模块52，用于对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；
结果生成模块53，用于将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
进一步地，如图6所示，基于上述基于气体传感器的瓦斯浓度预测方法，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30；图6仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于气体传感器的瓦斯浓度预测程序40，该基于气体传感器的瓦斯浓度预测程序40可被处理器10所执行，从而实现本申请中基于气体传感器的瓦斯浓度预测方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于气体传感器的瓦斯浓度预测方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的处理器10、存储器20及显示器30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中基于气体传感器的瓦斯浓度预测程序40时实现以下步骤：
获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；
对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；
将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
其中，所述获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列，具体包括：
预先设定多个排布均匀的瓦斯浓度检测计，获取每个所述瓦斯浓度检测计的加权因子，并基于所述瓦斯浓度检测计在固定时间间隔内采集瓦斯的气体浓度测量值；
基于所述加权因子和所述气体浓度测量值得到总均方误差关于加权因子的多元二次函数，基于多元函数求极值方法对所述多元二次函数求解得到总均方差最小所对应的加权因子；
基于总均方差最小所对应的加权因子得到融合后的瓦斯浓度估计值，并将所述瓦斯浓度估计值和时间序列结合得到浓度估计值-时间序列。
其中，所述对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，具体包括：
对所述浓度估计值-时间序列进行累加处理，得到瓦斯浓度预测值-时间的累加生成序列，并基于所述累加生成序列得到浓度序列；
定义所述浓度序列的灰导数和邻值生成序列，基于所述灰导数构建浓度灰色预测模型，并基于所述邻值生成序列得到所述浓度灰色预测模型的灰微分方程；
根据最小二乘法原理计算出所述灰微分方程模型的常数项，并基于所述常数项得到所述浓度灰色预测模型的白化模型。
其中，所述对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型，具体包括：
对所述浓度估计值-时间序列的二阶差分进行求解得到二阶差分信号，并对所述二阶差分信号进行自相关分析和偏相关分析，得到所述二阶差分信号的自相关系数和偏自相关系数；
基于所述自相关系数和所述偏自相关系数确定自回归项数p的值和滑动平均项数q的值，并基于所述自回归项数p的值和所述滑动平均项数q的值得到ARIMA模型，所述ARIMA模型的公式为：
Figure SMS_99
；
其中，p为自回归项数，q为滑动平均项数，d为平稳序列所做的差分次数，L为滞后算子，
Figure SMS_100
为t时刻的浓度序列，/>
Figure SMS_101
为自回归系数，/>
Figure SMS_102
为自回归系数多项式；/>
Figure SMS_103
为滑动平均系数，/>
Figure SMS_104
为滑动平均系数多项式；/>
Figure SMS_105
为零均值白噪声序列。
其中，所述将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值，具体包括：
对所述白化模型进行分解得到浓度预测公式，对所述浓度预测公式进行累减还原得到瓦斯浓度检测计下一时刻的第一预测值；
将所述浓度估计值-时间序列输入所述ARIMA模型计算得到下一时刻的第二预测值；
基于加权求和公式对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
其中，所述浓度预测公式：
Figure SMS_106
；
其中，t为时间，
Figure SMS_107
为t+1时刻的浓度序列，/>
Figure SMS_108
为初始时刻的浓度序列，a为发展系数，b为灰色作用量。
其中，所述加权求和公式为：
Figure SMS_109
；
其中，P为下一时刻的最终瓦斯浓度预测值，
Figure SMS_110
为常数，/>
Figure SMS_111
为第一预测值，/>
Figure SMS_112
为第二预测值。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于气体传感器的瓦斯浓度预测程序，所述基于气体传感器的瓦斯浓度预测程序被处理器执行时实现如上所述基于气体传感器的瓦斯浓度预测方法的步骤。
综上所述，本发明提供一种基于气体传感器的瓦斯浓度预测方法、系统、终端及介质，所述方法包括：获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。本发明通过对放置于上隅角的多个瓦斯浓度检测计采集到的瓦斯浓度数据进行自适应加权融合算法实现多传感器间的原始浓度数据融合，使用结合一阶灰度预测和ARIMA差分自回归移动平均模型的方法实现对瓦斯浓度的实时预测。最终可以在样本数据较少的情况下，较为精确的完成综采面上隅角五小时内瓦斯浓度的预测，同时所需计算量和空间存储空间较少，适用于在嵌入式设备端运行。
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，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于气体传感器的瓦斯浓度预测方法，其特征在于，所述基于气体传感器的瓦斯浓度预测方法包括：
获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；
对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；
将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
2.根据权利要求1所述的基于气体传感器的瓦斯浓度预测方法，其特征在于，所述获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列，具体包括：
预先设定多个排布均匀的瓦斯浓度检测计，获取每个所述瓦斯浓度检测计的加权因子，并基于所述瓦斯浓度检测计在固定时间间隔内采集瓦斯的气体浓度测量值；
基于所述加权因子和所述气体浓度测量值得到总均方误差关于加权因子的多元二次函数，基于多元函数求极值方法对所述多元二次函数求解得到总均方差最小所对应的加权因子；
基于总均方差最小所对应的加权因子得到融合后的瓦斯浓度估计值，并将所述瓦斯浓度估计值和时间序列结合得到浓度估计值-时间序列。
3.根据权利要求1所述的基于气体传感器的瓦斯浓度预测方法，其特征在于，所述对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，具体包括：
对所述浓度估计值-时间序列进行累加处理，得到瓦斯浓度预测值-时间的累加生成序列，并基于所述累加生成序列得到浓度序列；
定义所述浓度序列的灰导数和邻值生成序列，基于所述灰导数构建浓度灰色预测模型，并基于所述邻值生成序列得到所述浓度灰色预测模型的灰微分方程；
根据最小二乘法原理计算出所述灰微分方程模型的常数项，并基于所述常数项得到所述浓度灰色预测模型的白化模型。
4.根据权利要求1所述的基于气体传感器的瓦斯浓度预测方法，其特征在于，所述对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型，具体包括：
对所述浓度估计值-时间序列的二阶差分进行求解得到二阶差分信号，并对所述二阶差分信号进行自相关分析和偏相关分析，得到所述二阶差分信号的自相关系数和偏自相关系数；
基于所述自相关系数和所述偏自相关系数确定自回归项p的值和滑动平均项q的值，并基于所述自回归项p的值和所述滑动平均项q的值得到ARIMA模型，所述ARIMA模型的公式为：
Figure QLYQS_1
；
其中，p为自回归项数，q为滑动平均项数，d为平稳序列所做的差分次数，
Figure QLYQS_2
为滞后算子，
Figure QLYQS_3
为t时刻的浓度序列，/>
Figure QLYQS_4
为自回归系数，/>
Figure QLYQS_5
为自回归系数多项式；/>
Figure QLYQS_6
为滑动平均系数，/>
Figure QLYQS_7
为滑动平均系数多项式；/>
Figure QLYQS_8
为零均值白噪声序列。
5.根据权利要求1所述的基于气体传感器的瓦斯浓度预测方法，其特征在于，所述将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值，具体包括：
对所述白化模型进行分解得到浓度预测公式，对所述浓度预测公式进行累减还原得到瓦斯浓度检测计下一时刻的第一预测值；
将所述浓度估计值-时间序列输入所述ARIMA模型计算得到下一时刻的第二预测值；
基于加权求和公式对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
6.根据权利要求5所述的基于气体传感器的瓦斯浓度预测方法，其特征在于，所述浓度预测公式：
Figure QLYQS_9
；
其中，t为时间，
Figure QLYQS_10
为t+1时刻的浓度序列，/>
Figure QLYQS_11
为初始时刻的浓度序列，a为发展系数，b为灰色作用量。
7.根据权利要求6所述的基于气体传感器的瓦斯浓度预测方法，其特征在于，所述加权求和公式为：
Figure QLYQS_12
；
其中，P为下一时刻的最终瓦斯浓度预测值，
Figure QLYQS_13
为常数，/>
Figure QLYQS_14
为第一预测值，/>
Figure QLYQS_15
为第二预测值。
8.一种基于气体传感器的瓦斯浓度预测系统，其特征在于，所述基于气体传感器的瓦斯浓度预测系统包括：
数据获取模块，用于获取多个原始瓦斯浓度，对同一时刻的所述原始瓦斯浓度进行自适应加权融合算法计算，得到融合后的浓度估计值-时间序列；
数据处理模块，用于对所述浓度估计值-时间序列进行一阶处理以构建浓度灰色预测模型，基于所述浓度灰色预测模型得到白化模型，并对所述浓度估计值-时间序列进行二阶处理以构建ARIMA模型；
结果生成模块，用于将所述浓度估计值-时间序列输入所述白化模型进行计算得到下一时刻的第一预测值，将所述浓度估计值-时间序列输入所述ARIMA模型进行计算得到下一时刻的第二预测值，并对所述第一预测值和所述第二预测值进行加权平均求和，得到下一时刻的最终瓦斯浓度预测值。
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于气体传感器的瓦斯浓度预测程序，所述基于气体传感器的瓦斯浓度预测程序被所述处理器执行时实现如权利要求1-7任一项所述基于气体传感器的瓦斯浓度预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，所述程序被处理器执行时实现如权利要求1-7任一项所述基于气体传感器的瓦斯浓度预测方法的步骤。
CN202310474773.2A 2023-04-28 2023-04-28 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质 Active CN116187111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310474773.2A CN116187111B (zh) 2023-04-28 2023-04-28 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310474773.2A CN116187111B (zh) 2023-04-28 2023-04-28 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN116187111A true CN116187111A (zh) 2023-05-30
CN116187111B CN116187111B (zh) 2023-07-11

Family

ID=86433084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310474773.2A Active CN116187111B (zh) 2023-04-28 2023-04-28 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN116187111B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196109A (zh) * 2023-09-15 2023-12-08 中煤科工集团重庆研究院有限公司 一种基于多源信息融合的煤矿井下粉尘浓度预测修正方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007240A (zh) * 2014-06-13 2014-08-27 重庆大学 一种基于双目识别与电子鼻网络气体检测的融合定位技术
US20170104343A1 (en) * 2015-10-08 2017-04-13 Johnson Controls Technology Company Power control system with battery power setpoint optimization using one-step-ahead prediction
CN107503797A (zh) * 2017-08-25 2017-12-22 合肥明信软件技术有限公司 基于3d仿真平台的矿井瓦斯浓度趋势预警系统
CN109376919A (zh) * 2018-10-12 2019-02-22 西安科技大学 一种煤矿综采工作面瓦斯涌出量的预测方法
CN112727534A (zh) * 2021-01-15 2021-04-30 重庆大学 基于真三向应力和渗透率动态变化的瓦斯钻孔布置方法
CN112948743A (zh) * 2021-03-26 2021-06-11 重庆邮电大学 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法
CN115063447A (zh) * 2022-06-08 2022-09-16 中北大学 一种基于视频序列的目标动物运动追踪方法及相关设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007240A (zh) * 2014-06-13 2014-08-27 重庆大学 一种基于双目识别与电子鼻网络气体检测的融合定位技术
US20170104343A1 (en) * 2015-10-08 2017-04-13 Johnson Controls Technology Company Power control system with battery power setpoint optimization using one-step-ahead prediction
CN107503797A (zh) * 2017-08-25 2017-12-22 合肥明信软件技术有限公司 基于3d仿真平台的矿井瓦斯浓度趋势预警系统
CN109376919A (zh) * 2018-10-12 2019-02-22 西安科技大学 一种煤矿综采工作面瓦斯涌出量的预测方法
CN112727534A (zh) * 2021-01-15 2021-04-30 重庆大学 基于真三向应力和渗透率动态变化的瓦斯钻孔布置方法
CN112948743A (zh) * 2021-03-26 2021-06-11 重庆邮电大学 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法
CN115063447A (zh) * 2022-06-08 2022-09-16 中北大学 一种基于视频序列的目标动物运动追踪方法及相关设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SHUAI TANG等: "Acoustic Focusing Imaging Characteristics Based on Double Negative Locally Resonant Phononic Crystal", 《IEEE ACCESS》, pages 112598 - 112604 *
吴兵;郭志国;王紫薇;: "基于ARIMA-GM模型的采掘工作面瓦斯涌出预测", 煤矿安全, no. 11, pages 157 - 160 *
王元奎;范映冲;彭博;杨凯;: "煤岩体瓦斯通道的形成与演化规律", 煤炭技术, no. 04, pages 154 - 156 *
田春燕;惠华先;: "基于数据融合的多传感器瓦斯监测系统设计", 制造业自动化, no. 07, pages 71 - 73 *
蔡文涛;: "基于相关性的自适应图像去噪算法", 电子测试, no. 2, pages 114 - 116 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196109A (zh) * 2023-09-15 2023-12-08 中煤科工集团重庆研究院有限公司 一种基于多源信息融合的煤矿井下粉尘浓度预测修正方法
CN117196109B (zh) * 2023-09-15 2024-04-05 中煤科工集团重庆研究院有限公司 一种基于多源信息融合的煤矿井下粉尘浓度预测修正方法

Also Published As

Publication number Publication date
CN116187111B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN113723595B (zh) 基于微震事件定量预测的煤矿冲击地压智能预警方法
EP3358508A1 (en) Abnormality detection apparatus, abnormality detection method, and program
CN116187111B (zh) 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质
JP2007305097A (ja) 一次元の指紋検知モジュールの運動検知方法
AU2007263585A1 (en) Sensor system for estimating varying field
BRPI1003189A2 (pt) método e sistema para sìntese e análise de dados
CN110059894B (zh) 设备状态评估方法、装置、系统及存储介质
JP2015524594A (ja) センサ測定データを用いてデータ構造を更新するためのシステムおよび方法
KR20190072652A (ko) 정보 처리 장치 및 정보 처리 방법
JP7063389B2 (ja) 処理装置、処理方法、およびプログラム
Tran et al. Synergistic bridge modal analysis using frequency domain decomposition, observer Kalman filter identification, stochastic subspace identification, system realization using information matrix, and autoregressive exogenous model
Pardo et al. A novel method to handle the effect of uneven sampling effort in biodiversity databases
CN102450006A (zh) 物体位置推定装置、物体位置推定方法及物体位置推定程序
Song et al. A right invariant extended kalman filter for object based slam
EP2929475A2 (en) Probabilistic carbon credits calculator
Cosentino et al. Is geographic sampling bias representative of environmental space?
Lyu et al. Data-driven development of three-dimensional subsurface models from sparse measurements using Bayesian compressive sampling: A benchmarking study
JP6943242B2 (ja) 分析装置、分析方法、およびプログラム
JPWO2016111240A1 (ja) 情報処理システム、変化点検出方法、およびプログラム
Bennedsen et al. A multivariate dynamic statistical model of the global carbon budget 1959–2020
KR101456524B1 (ko) 차량 강우센서, 지상 강우 계측기, 레이더 강우 데이터와 빅 데이터 처리 기술을 접목한 강우 정보 시스템 및 강우 정보 서버
Most Efficient structural reliability methods considering incomplete knowledge of random variable distributions
CN113836241A (zh) 时序数据分类预测方法、装置、终端设备及存储介质
CN105408828B (zh) 对曲线上用于检测发动机异常的相关点进行估算的方法以及用于实施该方法的数据处理系统
Ben-Akiva et al. Latent performance approach to infrastructure management

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