CN116792151A - 一种基于深度学习的煤与瓦斯突出智能超前预警方法 - Google Patents

一种基于深度学习的煤与瓦斯突出智能超前预警方法 Download PDF

Info

Publication number
CN116792151A
CN116792151A CN202310291189.3A CN202310291189A CN116792151A CN 116792151 A CN116792151 A CN 116792151A CN 202310291189 A CN202310291189 A CN 202310291189A CN 116792151 A CN116792151 A CN 116792151A
Authority
CN
China
Prior art keywords
data
coal
early warning
pheromone
gas
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.)
Pending
Application number
CN202310291189.3A
Other languages
English (en)
Inventor
夏方方
王恩元
卢祁彪
邱雨萁
李宛桐
赵胜磊
王金鑫
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 CN202310291189.3A priority Critical patent/CN116792151A/zh
Publication of CN116792151A publication Critical patent/CN116792151A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Geology (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)

Abstract

本发明公开了一种基于深度学习的煤与瓦斯突出智能超前预警方法，属于煤岩动力灾害监测预警领域。首先采集突出矿井声电瓦斯监测数据，然后采用变分模态分解和指数加权滑动平均法对声电瓦斯信号进行预处理，之后建立基于循环神经网络的声电瓦斯信号预测模型，并提取声电瓦斯信号历史无故障数据和预测数据的时域特征和频域特征，最后基于蚁群聚类算法进行模式识别以判断是否存在突出危险。本发明可实现煤与瓦斯突出的智能超前预警，保证预警及时性，减少因预警不及时带来的灾害损失。

Description

一种基于深度学习的煤与瓦斯突出智能超前预警方法
技术领域
本发明涉及煤岩动力灾害监测预警技术领域，具体涉及一种基于深度学习的煤与瓦斯突出智能超前预警方法。
背景技术
煤与瓦斯突出灾害发生时通常伴随着异常信号变化，比如瓦斯浓度增大，声发射信号急剧升高、电磁辐射强度增强等等。因此通过分析声电瓦斯监测数据可以识别突出风险隐患，实现煤与瓦斯突出预警。现有的煤与瓦斯突出预警技术是基于矿井实时声电瓦斯监测数据，利用深度学习方法挖掘历史数据前兆特征，通过分析实时监测数据特征并与突出前兆特征作对比，以此判断是否有突出风险，实现煤与瓦斯突出预警。然而，现有技术只能在突出发生当天，或在突出发生前一天作出预警，发出预警信号与突出发生的时间间隔不足以指导采取及时有效防控措施，预警及时性不足导致预警能力较差，一旦发生突出事故损失极大。
发明内容
本发明的目的在于提供一种基于深度学习的煤与瓦斯突出智能超前预警方法，本方法基于实时矿井数据采用深度学习方法预测未来声电瓦斯信号的变化，提取声电瓦斯信号的特征值，基于蚁群聚类算法进行模式识别，实现对煤与瓦斯突出的超前预警。
为实现上述目的，本发明的一种基于深度学习的煤与瓦斯突出智能超前预警方法，包括以下步骤：
步骤S1、采集煤与瓦斯突出矿井声发射强度、电磁辐射强度和瓦斯浓度监测数据；
步骤S2、对所采集数据进行预处理；
步骤S3、建立基于循环神经网络(RNN)的声电瓦斯信号预测模型，预测未来一段时间的声电瓦斯信号；
步骤S4、提取声电瓦斯信号历史无故障数据和预测数据的时频特征；
步骤S5、建立基于蚁群聚类算法的模式识别模型，判断是否存在突出危险。
进一步地，采用变分模态分解法(VMD)处理原始声电信号，将原始声电信号f分解为K个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等；变分模态分解约束变分模型如下：
其中，uk＝{u1,u2,...,uK}为各模态函数，ωk＝{ω1,ω2,...,ωK}为各模态中心频率，δ(t)为狄拉克函数，*表示卷积，j2＝-1，为修正指数。
进一步地，在步骤2中，采用指数加权滑动平均法处理原始瓦斯浓度信号，达到降噪滤波的效果；所述指数加权滑动平均法，计算公式如下：
vt＝β·vt-1+(1-β)·θt
其中，瓦斯浓度v在t时刻记为vt，θt为v在t时刻的取值，系数β是加权下降的速率。
进一步地，基于循环神经网络的声电瓦斯信号预测模型的建立过程如下：
(1)选取训练样本集Z＝{X1,...,Xm}，初始化模型参数，包括输入向量纬度，隐藏层神经元数、隐藏层的层数、偏置项和权重矩阵；
(2)依次输入样本，采用下式计算t时刻隐藏层的值St：
St＝f(U·Xt+W·St-1+b)
其中，Xt是t时刻的输入，U是输入层到隐藏层的权重矩阵，W是上一时刻的隐藏层的值传入到下一时刻的隐藏层时的权重矩阵，b是隐藏层偏置项，f是隐藏层激活函数，采用tanh函数；
(3)采用下式计算t时刻隐藏层的输出Ot：
Ot＝V·St+c
其中，V是隐藏层到输出层的权重矩阵，c是输出层偏置项；
(4)采用下式计算模型第t时刻的输出
其中，g是输出层激活函数，采用identity函数；
(5)采用下式计算损失值Lt和整体损失L：
其中，h为损失函数，采用均方差函数；
(6)采用随时间反向传播算法(BPTT)训练循环神经网络，对偏置项b、c和权重矩阵U、W、V进行寻优，沿负梯度方向不断寻找更优点直至收敛，参数寻优后输出声电瓦斯信号预测序列数据；计算公式如下：
其中，σ为需要寻优的参数，α是步长；
(7)计算神经网络实际输出与测试集数据的均方根误差(RMSE)，评估模型预测准确度。
进一步地，提取声电瓦斯信号历史无故障数据和预测数据的时频特征，具体包括：声发射信号的峰峰值、均值、标准差、峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；电磁辐射信号的峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；瓦斯浓度的均值、最值、方差、峭度和偏度。
进一步地，基于蚁群聚类算法的模式识别模型的建立过程如下：
(1)初始化蚁群参数，包括数据集中样本点数、样本点特征数、蚂蚁数目antNum、类的个数centerNum、最大迭代次数；
(2)构造信息素矩阵，初始阶段信息素值初始化为同一个数值τ0，τij代表样本点i分配到它所属类j的信息素值；
(3)构造目标函数使样本点到聚类中心的距离和最短，计算公式如下：
其中，数据集中有N个样本点，M个模式分类，每个样本点有n个特征，xip为第i个样本点的第p个特征，wij为样本点i选择类j的权重，wij的计算公式如下：
cjp为第j个类中心的第p个特征，计算公式如下：
(4)更新蚁群，在第t次迭代中，蚁群依赖第t-1次迭代的信息实现更新，对每只蚂蚁所构成的每个样本点，系统产生一个随机数q，对每只蚂蚁的更新根据概率q0有两种方式：
1)若q＜q0，则选择与样本点间具有最大信息素的类为样本点要归属的类；
2)若q≥q0，则计算样本点i转换到类j的转换概率pij，根据概率大小选择样本点要转换的类：
其中，τij为样本点i和所属类j间的标准化信息素；
(5)计算出每条路径的聚类中心和目标函数值，把所有解按照目标函数值进行升序排列，对目标函数值最小的l条路径进行局部搜索操作；利用目标函数值最小的l条路径更新信息素矩阵，信息素更新计算公式如下：
其中，ρ(0＜ρ＜1)为信息素蒸发参数，s为路径，τij(t)为样本点i与类j在t时刻的信息素浓度，τij(t+1)为样本点i与类j在t+1时刻的信息素浓度；
(6)更新蚁群和信息素直至达到最大迭代次数，返回全局最优解，输出聚类结果。
进一步地，选择多个历史无故障数据和预测数据作为样本点，通过蚁群聚类算法对样本点进行聚类后，输出聚类结果，若预测数据偏离历史无故障数据，则识别为有突出危险，发出警报；若预测数据与历史无故障数据聚为同一类，则识别为无突出危险，不发出警报。
本发明的有益效果是：本发明采用预测与识别相结合的方法，基于矿井实时监测数据，利用循环神经网络挖掘数据特征预测未来一段时间的声电瓦斯信号，通过对监测数据和预测数据的特征分析和模式识别判断是否存在突出危险，能够在突出事故发生前的形成阶段及时预测到突出危险，有效解决现有预警方法及时性差的问题，提高预警的超前性，为煤与瓦斯突出防治提供及时有效的指导，有利于保障煤矿安全生产，减少因预警不及时带来的灾害损失。
附图说明
图1是本发明的一种基于深度学习的煤与瓦斯突出智能超前预警方法的流程图；
图2是对采集数据预处理的过程图；
图3是建立预测模型流程图；
图4是声电瓦斯预测信号特征提取图；
图5是建立模式识别模型流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
如图1所示的一种基于深度学习的煤与瓦斯突出智能超前预警方法的流程，包括以下步骤：
步骤S1、采集煤与瓦斯突出矿井声发射强度、电磁辐射强度和瓦斯浓度监测数据。使用的电磁辐射传感器为环形天线传感器，电磁辐射传感器的接收频率分别为30kHz、500kHz、1MHz；声发射探头谐振频率分别为3kHz、600kHz、1MHz；电磁辐射传感器的天线和声发射的探头均垂直于掘进巷道煤壁对称布置以保证电磁辐射和声发射信号能够更为高效精准地接收到煤体受载破坏过程中产生的电磁波和弹性波；使用激光甲烷传感器，传感器与控制器电连接，悬挂在距离巷道顶板300mm±30mm处，用于检测巷道内的甲烷浓度。
步骤S2、对所采集数据进行预处理的具体过程如下：
步骤S2-1、如图2所示，采用变分模态分解法(VMD)处理原始声电信号，采用指数加权滑动平均法处理原始瓦斯浓度信号，达到降噪的效果；包括以下步骤：
步骤S2-1-1、采用变分模态分解法(VMD)对原始声电信号数据进行迭代计算，将原始信号f分解为K个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等；VMD约束变分模型如下：
其中，uk＝{u1,u2,...,uk}为各模态函数，ωk＝{ω1,ω2,...,ωk}为各模态中心频率，δ(t)为狄拉克函数，*表示卷积，j2＝-1，为修正指数；
利用拉格朗日乘子算法求上述约束变分模型最优解，分解后的所有模态中有包含主要信号的模态和包含噪声的模态，将包含主要信号的模态进行重构，完成对声电信号的降噪；
步骤S2-1-2、采用指数加权滑动平均法对原始瓦斯浓度数据进行处理，使用公式如下：
vt＝β·vt-1+(1-β)·θt
其中，瓦斯浓度v在t时刻记为vt，θt为v在t时刻的取值，系数β是加权下降的速率，其值越小下降的越快；
步骤S3，如图3所示，建立基于循环神经网络的声电瓦斯信号预测模型，通过实时监测数据预测未来5天的声电瓦斯信号数据，模型建立过程如下：
(1)选取训练样本集Z＝{X1,...,Xm}，初始化模型参数，包括输入向量纬度，隐藏层神经元数、隐藏层的层数、偏置项和权重矩阵；
(2)依次输入样本，采用下式计算t时刻隐藏层的值St：
St＝f(U·Xt+W·St-1+b)
其中，Xt是t时刻的输入，U是输入层到隐藏层的权重矩阵，W是上一时刻的隐藏层的值传入到下一时刻的隐藏层时的权重矩阵，b是隐藏层偏置项，f是隐藏层激活函数，采用tanh函数；
(3)采用下式计算t时刻隐藏层的输出Ot：
Ot＝V·St+c
其中，V是隐藏层到输出层的权重矩阵，c是输出层偏置项；
(4)采用下式计算模型第t时刻的输出
其中，g是输出层激活函数，采用identity函数；
(5)采用下式计算损失值Lt和整体损失L：
其中，h为损失函数，采用均方差函数；
(6)采用随时间反向传播算法(BPTT)训练循环神经网络，对偏置项b、c和权重矩阵U、W、V进行寻优，沿负梯度方向不断寻找更优点直至收敛，参数寻优后输出声电瓦斯信号预测序列数据；计算公式如下：
其中，σ为需要寻优的参数，α是步长；
(7)计算神经网络实际输出与测试集数据y的均方根误差(RMSE)，评估模型预测准确度，计算公式如下：
步骤S4，如图4所示，每隔固定时间提取声电瓦斯信号历史无故障数据和预测数据的时频特征；具体包括：声发射信号的峰峰值、均值、标准差、峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；电磁辐射信号的峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；瓦斯浓度的均值、最值、方差、峭度和偏度。
步骤S5，如图5所示，建立基于蚁群聚类算法的模式识别模型，选择多个历史无故障数据和预测数据作为样本点，根据预测数据和历史无故障数据的聚类结果判断有无突出危险，模型建立过程如下：
(1)初始化蚁群参数，包括数据集中样本点数、样本点特征数、蚂蚁数目antNum、类的个数centerNum、最大迭代次数；
(2)构造信息素矩阵，初始阶段信息素值初始化为同一个数值τ0，τij代表样本点i分配到它所属类j的信息素值；
(3)构造目标函数使样本点到聚类中心的距离和最短，计算公式如下：
其中，数据集中有N个样本点，M个模式分类，每个样本点有n个特征，xip为第i个样本点的第p个特征，wij为样本点i选择类j的权重，wij的计算公式如下：
cjp为第j个类中心的第p个特征，计算公式如下：
(4)更新蚁群，在第t次迭代中，蚁群依赖第t-1次迭代的信息实现更新，对每只蚂蚁所构成的每个样本点，系统产生一个随机数q，对每只蚂蚁的更新根据概率q0有两种方式：
1)若q＜q0，则选择与样本点间具有最大信息素的类为样本点要归属的类；
2)若q≥q0，则计算样本点i转换到类j的转换概率pij，根据概率大小选择样本点要转换的类，
其中，τij为样本点i和所属类j间的标准化信息素；
(5)计算出每条路径的聚类中心和目标函数值，把所有解按照目标函数值进行升序排列，对目标函数值最小的l条路径进行局部搜索操作；利用目标函数值最小的l条路径更新信息素矩阵，信息素更新计算公式如下：
其中，ρ(0＜ρ＜1)为信息素蒸发参数，s为路径，τij(t)为样本点i与类j在t时刻的信息素浓度，τij(t+1)为样本点i与类j在t+1时刻的信息素浓度；Js为蚂蚁s的目标函数值，Q为一参数常量值，若蚂蚁s中的样本点i属于j类，则Δτij s＝Q/J，否则Δτij s＝0。
(6)更新蚁群和信息素直至达到最大迭代次数，返回全局最优解，输出聚类结果。
根据聚类结果识别是否有突出危险，若预测数据偏离历史无故障数据，则识别为有突出危险，发出警报；若预测数据与历史无故障数据聚为同一类，则识别为无突出危险，不发出警报。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下可以作出的各种变化，都处于本发明权利要求的保护范围之内。

Claims (7)

1.一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，包括以下步骤：
步骤S1、采集煤与瓦斯突出矿井声发射强度、电磁辐射强度和瓦斯浓度监测数据；
步骤S2、对所采集数据进行预处理；
步骤S3、建立基于循环神经网络的声电瓦斯信号预测模型，预测未来一段时间的声电瓦斯信号；
步骤S4、提取声电瓦斯信号历史无故障数据和预测数据的时频特征；
步骤S5、建立基于蚁群聚类算法的模式识别模型，判断是否存在突出危险。
2.根据权利要求1所述的一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤2中，采用变分模态分解法处理原始声电信号，将原始声电信号f分解为K个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等；变分模态分解约束变分模型如下：
其中，uk＝{u1,u2,...,uK}为各模态函数，ωk＝{ω1,ω2,...,ωK}为各模态中心频率，δ(t)为狄拉克函数，*表示卷积，j2＝-1，为修正指数。
3.根据权利要求1所述的一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤S2中，采用指数加权滑动平均法处理原始瓦斯浓度信号，达到降噪滤波的效果；所述指数加权滑动平均法，计算公式如下：
vt＝β·vt-1+(1-β)·θt
其中，瓦斯浓度v在t时刻记为vt，θt为v在t时刻的取值，系数β是加权下降的速率。
4.根据权利要求1所述的基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤S3中，基于循环神经网络的声电瓦斯信号预测模型的建立过程如下：
(1)选取训练样本集Z＝{X1,...,Xm}，初始化模型参数，包括输入向量纬度，隐藏层神经元数、隐藏层的层数、偏置项和权重矩阵；
(2)依次输入样本，采用下式计算t时刻隐藏层的值St：
St＝f(U·Xt+W·St-1+b)
其中，Xt是t时刻的输入，U是输入层到隐藏层的权重矩阵，W是上一时刻的隐藏层的值传入到下一时刻的隐藏层时的权重矩阵，b是隐藏层偏置项，f是隐藏层激活函数，采用tanh函数；
(3)采用下式计算t时刻隐藏层的输出Ot：
Ot＝V·St+c
其中，V是隐藏层到输出层的权重矩阵，c是输出层偏置项；
(4)采用下式计算模型第t时刻的输出
其中，g是输出层激活函数，采用identity函数；
(5)采用下式计算损失值Lt和整体损失L：
其中，h为损失函数，采用均方差函数；
(6)采用随时间反向传播算法训练循环神经网络，对偏置项b、c和权重矩阵U、W、V进行寻优，沿负梯度方向不断寻找更优点直至收敛，参数寻优后输出声电瓦斯信号预测序列数据；计算公式如下：
其中，σ为需要寻优的参数，α是步长；
(7)计算神经网络实际输出与测试集数据的均方根误差，评估模型预测准确度。
5.根据权利要求1所述的一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤S4中，提取声电瓦斯信号历史无故障数据和预测数据的时频特征，具体包括：声发射信号的峰峰值、均值、标准差、峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；电磁辐射信号的峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；瓦斯浓度的均值、最值、方差、峭度和偏度。
6.根据权利要求1所述的一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤S5中，基于蚁群聚类算法的模式识别模型的建立过程如下：
(1)初始化蚁群参数，包括数据集中样本点数、样本点特征数、蚂蚁数目antNum、类的个数centerNum、最大迭代次数；
(2)构造信息素矩阵，初始阶段信息素值初始化为同一个数值τ0，τij代表样本点i分配到它所属类j的信息素值；
(3)构造目标函数使样本点到聚类中心的距离和最短，计算公式如下：
其中，数据集中有N个样本点，M个模式分类，每个样本点有n个特征，xip为第i个样本点的第p个特征，wij为样本点i选择类j的权重，wij的计算公式如下：
cjp为第j个类中心的第p个特征，计算公式如下：
(4)更新蚁群，在第t次迭代中，蚁群依赖第t-1次迭代的信息实现更新，对每只蚂蚁所构成的每个样本点，系统产生一个随机数q，对每只蚂蚁的更新根据概率q0有两种方式：
1)若q＜q0，则选择与样本点间具有最大信息素的类为样本点要归属的类；
2)若q≥q0，则计算样本点i转换到类j的转换概率pij，根据概率大小选择样本点要转换的类：
其中，τij为样本点i和所属类j间的标准化信息素；
(5)计算出每条路径的聚类中心和目标函数值，把所有解按照目标函数值进行升序排列，对目标函数值最小的l条路径进行局部搜索操作；利用目标函数值最小的l条路径更新信息素矩阵，信息素更新计算公式如下：
其中，ρ(0＜ρ＜1)为信息素蒸发参数，s为路径，τij(t)为样本点i与类j在t时刻的信息素浓度，τij(t+1)为样本点i与类j在t+1时刻的信息素浓度；
(6)更新蚁群和信息素直至达到最大迭代次数，返回全局最优解，输出聚类结果。
7.根据权利要求1所述的一种基于深度学习的煤与瓦斯突出智能超前预警方法，其特征在于，在步骤S5中，选择多个历史无故障数据和预测数据作为样本点，通过蚁群聚类算法对样本点进行聚类后，输出聚类结果，若预测数据偏离历史无故障数据，则识别为有突出危险，发出警报；若预测数据与历史无故障数据聚为同一类，则识别为无突出危险，不发出警报。
CN202310291189.3A 2023-03-23 2023-03-23 一种基于深度学习的煤与瓦斯突出智能超前预警方法 Pending CN116792151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310291189.3A CN116792151A (zh) 2023-03-23 2023-03-23 一种基于深度学习的煤与瓦斯突出智能超前预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310291189.3A CN116792151A (zh) 2023-03-23 2023-03-23 一种基于深度学习的煤与瓦斯突出智能超前预警方法

Publications (1)

Publication Number Publication Date
CN116792151A true CN116792151A (zh) 2023-09-22

Family

ID=88038790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310291189.3A Pending CN116792151A (zh) 2023-03-23 2023-03-23 一种基于深度学习的煤与瓦斯突出智能超前预警方法

Country Status (1)

Country Link
CN (1) CN116792151A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117723514A (zh) * 2024-02-07 2024-03-19 山西品东智能控制有限公司 基于钠光源和智能算法的多指标煤质分析仪及检测方法
CN117828419A (zh) * 2023-12-05 2024-04-05 中国矿业大学 一种基于优化变分模态分解的矿井瓦斯浓度预测方法
CN118134270A (zh) * 2024-05-10 2024-06-04 四川省能源地质调查研究所 一种矿山安全风险预警方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828419A (zh) * 2023-12-05 2024-04-05 中国矿业大学 一种基于优化变分模态分解的矿井瓦斯浓度预测方法
CN117828419B (zh) * 2023-12-05 2024-06-07 中国矿业大学 一种基于优化变分模态分解的矿井瓦斯浓度预测方法
CN117723514A (zh) * 2024-02-07 2024-03-19 山西品东智能控制有限公司 基于钠光源和智能算法的多指标煤质分析仪及检测方法
CN117723514B (zh) * 2024-02-07 2024-05-17 山西品东智能控制有限公司 基于钠光源和智能算法的多指标煤质分析仪及检测方法
CN118134270A (zh) * 2024-05-10 2024-06-04 四川省能源地质调查研究所 一种矿山安全风险预警方法及系统

Similar Documents

Publication Publication Date Title
CN116792151A (zh) 一种基于深度学习的煤与瓦斯突出智能超前预警方法
CN106407649B (zh) 基于时间递归神经网络的微震信号到时自动拾取方法
Alexandridis et al. Large earthquake occurrence estimation based on radial basis function neural networks
CN112085947A (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN112906858A (zh) 一种船舶运动轨迹实时预测方法
CN111814699B (zh) 一种面向swarm电磁卫星数据的深度学习地震预测方法
Zhu et al. Dimensionality reduce-based for remaining useful life prediction of machining tools with multisensor fusion
CN110309771B (zh) 一种基于gbdt-insgaii的eas声磁系统标签识别算法
Cai et al. Anomaly detection of earthquake precursor data using long short-term memory networks
CN112560981A (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
CN112329974B (zh) 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统
Basak et al. Analyzing the cascading effect of traffic congestion using LSTM networks
US10859721B2 (en) Method for enhancing a computer to estimate an uncertainty of an onset of a signal of interest in time-series noisy data
CN113253363A (zh) 一种雷电活动路径预测方法及系统
RU2600099C1 (ru) Способ нейросетевого прогнозирования изменения значений функции с её предварительной вейвлет-обработкой и устройство его осуществления
Kundu et al. Deep learning-based metamodeling technique for nonlinear seismic response quantification
Hao et al. High-precision chaotic radial basis function neural network model: Data forecasting for the Earth electromagnetic signal before a strong earthquake
Yu et al. MAG: A novel approach for effective anomaly detection in spacecraft telemetry data
Sun et al. Vision-based traffic conflict detection using trajectory learning and prediction
Sun et al. Vehicle acoustic and seismic synchronization signal classification using long-term features
Liu et al. Reinforcement learning based neural architecture search for audio tagging
Aribisala et al. Feed-Forward Intrusion Detection and Classification on a Smart Grid Network
Suratkar et al. Multi hidden markov models for improved anomaly detection using system call analysis
CN113837226B (zh) 基于不确定性估计的飞行器遥测参数异常检测方法
Karaahmetoglu et al. Spatiotemporal sequence prediction with point processes and self-organizing decision trees

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication