發(fā)布時間：2018-05-24 21:27

  本文選題：多傳感器 + 融合　； 參考：《山西大學(xué)》2016年碩士論文

【摘要】：我國產(chǎn)煤量世界第一,并且煤在日常所需能源消耗中約占70%左右,然而礦工死亡總量是其他國家的3倍,所以煤礦作業(yè)安全就成為了我們重點解決的困難。并且在日常生產(chǎn)中,瓦斯事故是威脅安全作業(yè)的首要因素,又因井下環(huán)境變幻莫測,瓦斯?jié)舛仁芏喾江h(huán)境因素影響,比如溫度,風(fēng)速,一氧化碳等,所以如何對煤礦井下瓦斯?jié)舛纫约捌渌鼤r序數(shù)據(jù)的實時監(jiān)測成為了煤礦安全生產(chǎn)過程中迫切需要解決的問題之一。本文首先對目前國內(nèi)外在煤礦安全生產(chǎn)預(yù)警領(lǐng)域中所用到的預(yù)測方法的現(xiàn)狀進行綜述,在此基礎(chǔ)上,解析了目前存在實時監(jiān)測系統(tǒng)的不足,通過對數(shù)據(jù)融合技術(shù)、單一或組合預(yù)測方法的研究,針對了單傳感器預(yù)測數(shù)據(jù)源單一存在片面性問題以及單一預(yù)測數(shù)據(jù)模型精度低和未曾同時考慮到數(shù)據(jù)的線性和非線性情況,實現(xiàn)了礦井下數(shù)據(jù)預(yù)測系統(tǒng)。1、利用數(shù)據(jù)融合技術(shù)對瓦斯?jié)舛?溫度,風(fēng)速三種數(shù)據(jù)進行融合計算;2、針對數(shù)據(jù)融合后的時序數(shù)據(jù)線性情況,采用指數(shù)平滑預(yù)測模型進行單一預(yù)測,得出實驗結(jié)果進行誤差分析;3、針對數(shù)據(jù)存在的非線性情況,采用獨立的RBF預(yù)測算法,獲取數(shù)據(jù)完成誤差分析;4、將兩種作用因素均涉及到,利用組合算法實現(xiàn)實驗第三部分,完成誤差分析;5、針對三種煤礦井下時序數(shù)據(jù)預(yù)測方法的研究,實現(xiàn)最終系統(tǒng),分析預(yù)測結(jié)果,得出最佳方案,進而能為煤礦作業(yè)過程中的決策提供依據(jù)。
[Abstract]:China has the largest coal production in the world, and coal accounts for about 70% of the daily energy consumption. However, the total number of mine deaths is three times that of other countries, so the safety of coal mining has become our key problem. And in daily production, gas accident is the primary factor threatening safe operation, and gas concentration is affected by various environmental factors, such as temperature, wind speed, carbon monoxide, etc., because of the unpredictable underground environment. So how to monitor the gas concentration and other time series data in real time has become one of the urgent problems in the process of coal mine safety production. This paper first summarizes the present situation of prediction methods used in the field of coal mine safety production warning at home and abroad, on the basis of this, analyzes the shortcomings of the current real-time monitoring system, through the data fusion technology, The research of single or combined prediction method aims at the one-sided problem of single sensor prediction data source and the low precision of single prediction data model and the fact that the linear and nonlinear data are not taken into account at the same time. The data prediction system of coal mine is realized. The data fusion technology is used to calculate the gas concentration, temperature and wind speed. According to the linear situation of the time series data after data fusion, the exponential smoothing prediction model is used to carry out a single prediction. According to the nonlinear situation of the data, the independent RBF prediction algorithm is used to obtain the data to complete the error analysis. The two kinds of action factors are involved, and the third part of the experiment is realized by using the combination algorithm. The error analysis is completed, aiming at the research of three kinds of methods of time series data prediction in coal mine, the final system is realized, the forecast result is analyzed, and the best scheme is obtained, which can provide the basis for the decision making in the process of coal mine operation.
【學(xué)位授予單位】：山西大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TD76;TP202

【相似文獻】

相關(guān)期刊論文 前3條

1 孟娜;周以齊;陳新立;;時序數(shù)據(jù)的隨機子空間模型辨識和一步預(yù)測[J];機械科學(xué)與技術(shù);2007年09期

2 高嶸;王強;羅東;秦志光;;食品溯源時序數(shù)據(jù)的函數(shù)型聚類分析[J];電子科技大學(xué)學(xué)報;2012年04期

3 ;[J];;年期

相關(guān)會議論文 前2條

1 羅雄飛;王宏安;田豐;戴國忠;滕東興;;FisheyeLines:一種時序數(shù)據(jù)的可視化技術(shù)[A];第四屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議論文集[C];2008年

2 陳懿冰;張玲玲;石勇;;基于改進的支持向量回歸機的金融時序預(yù)測[A];第六屆（2011）中國管理學(xué)年會論文摘要集[C];2011年

相關(guān)博士學(xué)位論文 前2條

1 何周舟;基于時序數(shù)據(jù)的結(jié)構(gòu)學(xué)習(xí)與模式預(yù)測聯(lián)合優(yōu)化算法研究[D];浙江大學(xué);2016年

2 程文聰;面向大規(guī)模網(wǎng)絡(luò)安全態(tài)勢分析的時序數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 戚雪冰;風(fēng)電監(jiān)控系統(tǒng)中時序數(shù)據(jù)管理系統(tǒng)的設(shè)計與實現(xiàn)[D];東南大學(xué);2015年

2 孫浩鑫;基于時序的山東省環(huán)境數(shù)據(jù)可視分析研究[D];山東大學(xué);2016年

3 秦臻;基于非負(fù)矩陣分解的時序數(shù)據(jù)聚類方法[D];哈爾濱工業(yè)大學(xué);2016年

4 劉光環(huán);結(jié)合疾病傳播過程研究時序網(wǎng)絡(luò)的靜態(tài)表示[D];華中師范大學(xué);2016年

5 鄒同春;海量時序數(shù)據(jù)的壓縮存儲方法研究[D];哈爾濱工業(yè)大學(xué);2016年

6 王一坤;煤礦生產(chǎn)安全時序數(shù)據(jù)預(yù)測方法研究[D];山西大學(xué);2016年

7 韓驊宇;時序數(shù)據(jù)的高效存儲與檢索[D];北京交通大學(xué);2014年

8 鐘足華;衛(wèi)星遙測時序數(shù)據(jù)中預(yù)測算法研究[D];南京航空航天大學(xué);2015年

9 周強;時序數(shù)據(jù)挖掘在經(jīng)濟領(lǐng)域中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2005年

10 花珊;面向時序數(shù)據(jù)流的分布式緩存系統(tǒng)設(shè)計與實現(xiàn)[D];中山大學(xué);2014年

，

本文編號：1930592