本文選題：瓦斯 + 改進主元分析　； 參考：《太原理工大學》2017年碩士論文

【摘要】：瓦斯災害一直以來就是煤礦開采行業(yè)的主要災害之一,不僅會給企業(yè)帶來巨大的經(jīng)濟財產(chǎn)損失,還會對煤礦工作人員的生命安全造成威脅,因此做好瓦斯防治工作至關(guān)重要。瓦斯涌出量指在礦井建設(shè)以及生產(chǎn)過程中從煤層涌入到開采空間的瓦斯量,它是體現(xiàn)瓦斯在煤層中的賦存情況的一個重要參數(shù)。在煤層中進行煤炭開采時,瓦斯涌出通常是引起煤與瓦斯突出、瓦斯中毒和瓦斯爆炸等災難事故的最主要原因,也是決定礦井通風的主要指標之一,是瓦斯防治中的重要一環(huán)。瓦斯涌出量能夠比較綜合的體現(xiàn)一座礦井中的瓦斯情況,其預測結(jié)果的正確與否,將直接影響礦井的各種技術(shù)經(jīng)濟指標,更直接關(guān)系到煤礦工人的人身安全。因此,制定合適有效的瓦斯涌出量預測方法對指導礦井安全生產(chǎn)作業(yè)具有十分重要的意義。實際生產(chǎn)中礦井瓦斯的涌出受到多種復雜因素的影響,在對這種有多維數(shù)據(jù)特征的樣本進行分類或回歸預測的學習時,通常會遇到學習模型過于復雜、訓練時間過長以及最終預測結(jié)果不準確等問題。因此,需要對原始數(shù)據(jù)進行適當?shù)靥幚?降低維度,去除噪聲和冗余。同時由于支持向量機模型(SVM)具有許多良好的性質(zhì)而在機器學習領(lǐng)域大放光彩,尤其是其在小樣本處理上的優(yōu)勢以及泛化性能強等特點非常適合用于對瓦斯涌出量的預測。因此,本文提出了一種基于改進型主元分析算法(wPCA)與支持向量回歸機(SVR)相結(jié)合的瓦斯涌出量的預測方法,最后經(jīng)過實驗取得了不錯的效果,證明了該方法的有效性。本文主要涉及到下面一些工作。(1)簡要總結(jié)瓦斯涌出量預測研究現(xiàn)狀和各種涌出量預測方法,介紹分析煤礦瓦斯涌出機理和影響因素。(2)對瓦斯涌出量的主要影響因素進行分析,確定預測所需特征指標的選取原則,根據(jù)該原則選取合適的瓦斯涌出量預測指標。(3)探討主元分析這種多元統(tǒng)計方法的基本原理及其算法步驟,并對其在數(shù)據(jù)處理中存在的不足之處進行針對性的加權(quán)改進,使得改進后的主元分析處理數(shù)據(jù)更為客觀,降維能力更出色,有助于后期的學習訓練。由于對原始數(shù)據(jù)進行了降維處理,在樣本容量較大時可減少訓練所需的時間。(4)介紹并深入研究支持向量機,在多次實驗的基礎(chǔ)上,選擇合適的核函數(shù)及參數(shù),將改進型PCA處理后的數(shù)據(jù)導入SVR進行學習訓練,構(gòu)建基于改進型PCA算法與SVR算法相結(jié)合的瓦斯涌出量預測模型。(5)對得到的預測模型用MATLAB進行實例仿真,同時用礦山統(tǒng)計法、BP神經(jīng)網(wǎng)絡(luò)、支持向量回歸機等其他預測算法對相同的樣本數(shù)據(jù)進行預測并相互對比。結(jié)果表明本文提出的基于改進型PCA算法與SVR算法相結(jié)合的瓦斯涌出量預測方法的平均相對預測誤差為1.36%,均方誤差為0.01,小于其它模型在相同樣本下的預測誤差,實驗取得了良好的效果。(6)最后利用MATLAB GUI設(shè)計編寫了瓦斯涌出量預測軟件平臺,實現(xiàn)可視化操作,人機界面友好,使得涌出量預測操作簡單可行。
[Abstract]:Gas disaster has been one of the main disasters in the coal mining industry. It not only brings huge economic property losses to enterprises, but also threatens the life safety of coal mine workers. Therefore, it is very important to do gas prevention and control. Gas emission refers to the influx of coal from coal seam to mining in the process of mine construction and production. Gas quantity in space is an important parameter reflecting the occurrence of gas in coal seam. When coal mining is carried out in coal seam, gas emission is usually the main cause of the disaster accidents such as coal and gas outburst, gas poisoning and gas explosion. It is also one of the main indexes to determine the ventilation of the mine, and it is the weight of the gas prevention and control. The gas emission can reflect the gas situation in a mine in a more comprehensive way. Whether the prediction result is correct or not, it will directly affect the various technical and economic indexes of the mine, and it is more directly related to the personal safety of the coal miners. Therefore, a suitable and effective method of predicting the gas discharge is set up to guide the safety production operation of the mine. It is of great significance. In actual production, the gas emission of mine is affected by a variety of complex factors. In the study of the classification or regression prediction of this multi-dimensional data feature, the problems of too complex learning model, long training time and inaccurate prediction results are often encountered. The original data is properly processed to reduce the dimension and remove the noise and redundancy. At the same time, the support vector machine model (SVM) has many good properties in the field of machine learning, especially its advantages in the small sample processing and the strong generalization performance are very suitable for the prediction of gas emission. In this paper, a prediction method based on the combination of modified principal component analysis (wPCA) and support vector regression (SVR) is proposed. Finally, the effectiveness of the method is obtained through the experiment. This paper has proved the effectiveness of the method. This paper mainly involves the following work. (1) a brief summary of the current status of gas emission prediction research and the various types of gas emission prediction are briefly summarized. The mechanism of gas emission and influencing factors are introduced and analyzed. (2) the main influencing factors of gas emission are analyzed, the principle of selecting the characteristic indexes of the prediction is determined, and the suitable gas emission prediction index is selected according to this principle. (3) the basic principle of the multivariate statistical method of principal component analysis is discussed. The algorithm steps and the weighted improvement of its shortcomings in the data processing, making the improved PCA more objective, better ability to reduce dimension and help to the later learning training. (4) (4) introduction and in-depth study of support vector machines. On the basis of many experiments, the appropriate kernel functions and parameters are selected, and the data after the improved PCA processing are introduced into SVR for learning and training. The prediction model of gas emission based on the combination of improved PCA algorithm and SVR algorithm is constructed. (5) an example of MATLAB is used for the prediction model obtained. At the same time, the same sample data are predicted and compared with other prediction algorithms such as mine statistics, BP neural network, support vector regression machine and other prediction algorithms. The results show that the average relative prediction error of the gas emission prediction method based on improved PCA algorithm and SVR algorithm is 1.36%, and the mean square error is 0.01, Less than other models in the same sample prediction error, the experiment has achieved good results. (6) finally, using MATLAB GUI design and compilation of the gas emission prediction software platform, the realization of visual operation, human-computer interface friendly, making the emission prediction operation simple and feasible.
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TD712.5

【相似文獻】

相關(guān)期刊論文 前10條

1 李彬剛;景興鵬;;瓦斯涌出量預測研究現(xiàn)狀和進展[J];陜西煤炭;2007年05期

2 張瑞林;劉曉;金毅;;灰色動態(tài)自動化建模在瓦斯涌出量預測中的應(yīng)用研究[J];工礦自動化;2008年01期

3 趙鑫;宋廣軍;;一種非線性的瓦斯涌出量預測算法仿真研究[J];計算機仿真;2012年08期

4 張?zhí)m;;智能算法在瓦斯涌出量預測中的應(yīng)用研究[J];大眾科技;2012年12期

5 安鴻濤;宋國文;張云中;陽結(jié)華;;人工神經(jīng)網(wǎng)絡(luò)在瓦斯涌出量預測中的應(yīng)用[J];河南理工大學學報(自然科學版);2006年04期

6 張瑞林;劉曉;鄭立軍;;基于灰色動態(tài)建模的瓦斯涌出量預測方法研究[J];中國礦業(yè);2006年12期

7 王文科;;采煤工作面瓦斯涌出量預測研究[J];山西焦煤科技;2007年08期

8 甘小根;吳仕彥;馬明東;;灰色線性回歸組合模型在北辰煤礦瓦斯涌出量預測中的應(yīng)用研究[J];煤;2008年01期

9 姚向東;鐘后選;;孔莊煤礦-1020m水平首采區(qū)瓦斯涌出量預測[J];煤礦安全;2008年07期

10 陳鳳;徐杰;劉立民;;基于虛擬儀器的瓦斯涌出量預測[J];煤礦安全;2008年10期

相關(guān)會議論文 前10條

1 陳魁奎;寧超;黃波;;鶴壁六礦深部瓦斯涌出量預測[A];基于瓦斯地質(zhì)的煤礦瓦斯防治技術(shù)[C];2009年

2 陳鳳;徐杰;劉立民;;基于虛擬儀器的瓦斯涌出量預測研究[A];煤礦重大災害防治技術(shù)與實踐——2008年全國煤礦安全學術(shù)年會論文集[C];2008年

3 王劍平;黃紅霞;李宏彪;張云生;;基于支持向量機模型的瓦斯涌出量預測[A];第二十七屆中國控制會議論文集[C];2008年

4 朱浩明;劉高峰;;山西和順隆華公司15號煤層首采區(qū)瓦斯涌出量預測[A];瓦斯地質(zhì)基礎(chǔ)與應(yīng)用研究[C];2011年

5 丁金華;;基于分形理論的瓦斯涌出量預測分析與研究[A];煤礦瓦斯綜合治理與開發(fā)利用論文集[C];2012年

6 潘洪萍;;楊莊煤礦開采煤層的瓦斯涌出量預測[A];紀念礦井地質(zhì)專業(yè)委員會成立二十周年暨礦井地質(zhì)發(fā)展戰(zhàn)略學術(shù)研討會專輯[C];2002年

7 王小明;張子戌;楊小平;范興斌;;數(shù)量化理論Ⅰ在唐山礦5煤層瓦斯涌出量預測中的應(yīng)用[A];中國科學院地質(zhì)與地球物理研究所2006年論文摘要集[C];2007年

8 陳大力;張勁松;孫曉軍;;深部礦井瓦斯涌出量預測方法[A];2007年全國煤礦安全學術(shù)年會會議資料匯編[C];2007年

9 阮文彬;;田壩煤礦二號井下一采區(qū)煤層瓦斯涌出量預測[A];中國煤炭學會煤礦安全專業(yè)委員會2009年學術(shù)研討會論文集[C];2009年

10 撒占友;何學秋;王恩元;;基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的采掘工作面瓦斯涌出量預測[A];21世紀高效集約化礦井學術(shù)研討會論文集[C];2001年

相關(guān)碩士學位論文 前10條

1 王一莉;瓦斯涌出量預測方法及其應(yīng)用研究[D];南京工業(yè)大學;2005年

2 徐廣璐;基于改進GA-SVM算法的瓦斯涌出量預測研究[D];遼寧工程技術(shù)大學;2014年

3 史冬冬;基于相關(guān)向量機與改進蛙跳算法的瓦斯涌出量預測研究[D];遼寧工程技術(shù)大學;2014年

4 謝霖;基于MPSO-LS-SVM算法的瓦斯涌出量預測研究[D];遼寧工程技術(shù)大學;2014年

5 畢建武;基于多元回歸殘差RBF神經(jīng)網(wǎng)絡(luò)修正算法瓦斯涌出量預測研究[D];遼寧工程技術(shù)大學;2015年

6 黃U，

本文編號：1998266