發(fā)布時(shí)間：2021-07-05 16:15

　　采煤工作面瓦斯涌出量大,導(dǎo)致采煤巷道極易發(fā)生瓦斯積聚,造成瓦斯事故。不同的采煤作業(yè)工序?qū)Σ擅汗ぷ髅婷后w穩(wěn)定性的破壞程度不同,從而產(chǎn)生不同的瓦斯?jié)舛茸兓?guī)律和特征,其中的關(guān)聯(lián)還有待發(fā)掘。論文以采煤工作面瓦斯時(shí)間序列為研究對(duì)象,提出了采煤工序的分類(lèi)模型以及預(yù)警模型。論文的主要研究?jī)?nèi)容如下:（1）在分析煤礦采煤工藝及采煤工序的基礎(chǔ)上,研究了瓦斯?jié)舛葧r(shí)間序列的變化規(guī)律,論述了利用瓦斯?jié)舛葧r(shí)間序列進(jìn)行采煤工序分類(lèi)的可行性。根據(jù)采煤工序?qū)γ后w的作業(yè)強(qiáng)度的不同,對(duì)采煤工序類(lèi)別進(jìn)行了劃分。（2）為了提高采煤工序的識(shí)別準(zhǔn)確率,提出了一種基于小波包能量譜和LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)采煤工序分類(lèi)方法。在降噪處理基礎(chǔ)上,該方法首先利用小波包變換對(duì)瓦斯?jié)舛葧r(shí)間序列進(jìn)行分解,然后提取不同采煤作業(yè)工序的小波包能量譜作為特征向量,最后通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到了采煤工序的分類(lèi)模型。實(shí)驗(yàn)結(jié)果表明:使用該方法的分類(lèi)準(zhǔn)確率達(dá)到90.5%,準(zhǔn)確率比SVM分類(lèi)模型高9.5%,比KNN分類(lèi)模型高7.2%。（3）為了提高對(duì)瓦斯?jié)舛葧r(shí)間序列的預(yù)測(cè)精度,提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和長(zhǎng)短期記憶網(wǎng)絡(luò)的采煤工作面瓦斯?jié)舛阮A(yù)測(cè)方法。該方法首先利用經(jīng)... 

【文章來(lái)源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

小波分解示意圖

常高效的去噪方法，小波閾值去噪只有選取了合適的閾值，才能完全過(guò)濾掉信號(hào)的噪聲信，保留原始信號(hào)中有用的信息。常用的閾值函數(shù)有軟閾值函數(shù)和硬閾值函數(shù)兩種。硬閾值函數(shù)(如圖 2.2)和軟閾值函數(shù)(如圖 2.3)在對(duì)小波分解系數(shù)計(jì)算時(shí)有相同之處也有不同之處，當(dāng)小波系數(shù)絕對(duì)值小于給定閾值時(shí)，兩種閾值方法都會(huì)將小波系數(shù)計(jì)為零，硬閾值函數(shù)對(duì)于小波系數(shù)大于閾值的方式是令小波系數(shù)保持不變，而軟閾值函數(shù)令小波系數(shù)等于兩者之差。硬閾值函數(shù)： = { ，| | ， | | (2.4)式(2.4)中， 為分解信號(hào)小波系數(shù)， 為小波系數(shù)的估計(jì)值， 為閾值， 分別表示分解層數(shù)、樣本位置。軟閾值函數(shù)： = { ( ) д (| | )，| | ， | | (2.5)式(2.5)中， ( )為小波系數(shù)符號(hào)函數(shù)， 為小波系數(shù)的估計(jì)值， 為閾值， 分別表示分解層數(shù)、樣本位置。

常高效的去噪方法，小波閾值去噪只有選取了合適的閾值，才能完全過(guò)濾掉信號(hào)的噪聲信，保留原始信號(hào)中有用的信息。常用的閾值函數(shù)有軟閾值函數(shù)和硬閾值函數(shù)兩種。硬閾值函數(shù)(如圖 2.2)和軟閾值函數(shù)(如圖 2.3)在對(duì)小波分解系數(shù)計(jì)算時(shí)有相同之處也有不同之處，當(dāng)小波系數(shù)絕對(duì)值小于給定閾值時(shí)，兩種閾值方法都會(huì)將小波系數(shù)計(jì)為零，硬閾值函數(shù)對(duì)于小波系數(shù)大于閾值的方式是令小波系數(shù)保持不變，而軟閾值函數(shù)令小波系數(shù)等于兩者之差。硬閾值函數(shù)： = { ，| | ， | | (2.4)式(2.4)中， 為分解信號(hào)小波系數(shù)， 為小波系數(shù)的估計(jì)值， 為閾值， 分別表示分解層數(shù)、樣本位置。軟閾值函數(shù)： = { ( ) д (| | )，| | ， | | (2.5)式(2.5)中， ( )為小波系數(shù)符號(hào)函數(shù)， 為小波系數(shù)的估計(jì)值， 為閾值， 分別表示分解層數(shù)、樣本位置。

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM的腦電情緒識(shí)別模型[J]. 闞威,李云.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(01)
[2]我國(guó)西北煤炭發(fā)展空間和布局研究[J]. 朱吉茂,李瑞峰,王雷.  中國(guó)礦業(yè). 2019(01)
[3]基于支持向量機(jī)的礦井瓦斯?jié)舛阮A(yù)測(cè)應(yīng)用研究[J]. 趙華天.  煤炭科技. 2018(04)
[4]基于EMD-RVM-Arima的大壩變形預(yù)測(cè)模型及其應(yīng)用[J]. 曹恩華,包騰飛,劉永濤,李慧.  水利水電技術(shù). 2018(12)
[5]基于小波變換與頻譜分析的表面形貌分離與重構(gòu)[J]. 馬驪溟,王宏朋,霍高杰,吳夏宇.  煤礦機(jī)械. 2018(12)
[6]小波包分解結(jié)合異常值檢測(cè)自動(dòng)去除眼電中眨眼干擾的方法[J]. 王田,李玉榕,陳建國(guó),陳東毅.  福州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[7]LSTM在煤礦瓦斯預(yù)測(cè)預(yù)警系統(tǒng)中的應(yīng)用與設(shè)計(jì)[J]. 李偉山,王琳,衛(wèi)晨.  西安科技大學(xué)學(xué)報(bào). 2018(06)
[8]綜采工作面智能化開(kāi)采現(xiàn)狀及發(fā)展展望[J]. 高有進(jìn),羅開(kāi)成,張繼業(yè).  能源與環(huán)保. 2018(11)
[9]基于灰色理論-多元回歸分析的瓦斯含量預(yù)測(cè)[J]. 許滿(mǎn)貴,高帥帥,曹艷軍,盧亞楠,王嬌嬌.  煤礦安全. 2018(09)
[10]基于VMD與DE-Elman的瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)[J]. 付華,代巍.  遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)

博士論文
[1]含瓦斯煤層水力致裂的驅(qū)趕瓦斯規(guī)律研究[D]. 盧衛(wèi)永.中國(guó)礦業(yè)大學(xué) 2018

碩士論文
[1]基于分段矢量量化的時(shí)間序列分類(lèi)研究[D]. 陶志偉.蘇州大學(xué) 2017



本文編號(hào)：3266404