煤炭是我國(guó)經(jīng)濟(jì)發(fā)展的重要基礎(chǔ)能源,在促進(jìn)國(guó)民經(jīng)濟(jì)穩(wěn)健發(fā)展的同時(shí),由于前期的經(jīng)濟(jì)發(fā)展粗獷,能源開采方式落后,在能源開采過程容易引發(fā)瓦斯災(zāi)害,對(duì)煤礦生產(chǎn)與礦工們的生命安全造成了嚴(yán)重的威脅。因此,為了避免瓦斯災(zāi)害的發(fā)生,做到提前預(yù)防處理,煤礦瓦斯災(zāi)害預(yù)測(cè)技術(shù)成為煤礦安全領(lǐng)域的研究重點(diǎn)。但是,由于現(xiàn)有的瓦斯災(zāi)害預(yù)測(cè)技術(shù)存在預(yù)測(cè)時(shí)間短和預(yù)測(cè)精度低等問題,不能很好的滿足實(shí)際煤礦災(zāi)害的預(yù)測(cè)需求。針對(duì)瓦斯災(zāi)害預(yù)測(cè)精度如何提高等問題,論文對(duì)煤礦瓦斯災(zāi)害預(yù)測(cè)方法展開深入研究,主要研究?jī)?nèi)容如下:（1）針對(duì)煤礦數(shù)據(jù)來源眾多,格式復(fù)雜等問題,基于信息融合感知技術(shù),提出了熵值加權(quán)數(shù)據(jù)融合算法,利用該算法將工作面上的瓦斯?jié)舛葦?shù)據(jù)、回風(fēng)口處的瓦斯?jié)舛葦?shù)據(jù)和上隅角的瓦斯?jié)舛葦?shù)據(jù)進(jìn)行熵值加權(quán)融合。通過傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)模型分別對(duì)融合前和融合后的數(shù)據(jù)進(jìn)行預(yù)測(cè),并計(jì)算輸入數(shù)據(jù)與輸出數(shù)據(jù)的均方誤差。經(jīng)過實(shí)驗(yàn)對(duì)比分析得出,熵值加權(quán)融合后的數(shù)據(jù)進(jìn)行預(yù)測(cè)相比于未經(jīng)過融合的數(shù)據(jù)進(jìn)行預(yù)測(cè)在訓(xùn)練集上其預(yù)測(cè)精度提高了 39.59%,在測(cè)試集上預(yù)測(cè)精度提高了36.16%。（2）針對(duì)傳統(tǒng)預(yù)測(cè)方法在瓦斯災(zāi)害預(yù)測(cè)中精度有待提高的問題,構(gòu)建了基于適應(yīng)性... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

熵值加權(quán)融合原理圖

2煤礦瓦斯監(jiān)測(cè)數(shù)據(jù)預(yù)處理方法研究13記錄著2015年至2017年每天不同位置不同類型傳感器的監(jiān)測(cè)數(shù)據(jù)，數(shù)據(jù)的采集頻率為五分鐘。論文中選取了2016年4月份的工作面瓦斯?jié)舛取⒒仫L(fēng)口瓦斯?jié)舛群蜕嫌缃峭咚節(jié)舛葦?shù)據(jù)進(jìn)行算法驗(yàn)證。2.4.2實(shí)驗(yàn)步驟基于熵值加權(quán)的數(shù)據(jù)融合算法的實(shí)驗(yàn)步驟如下：（1）獲取瓦斯監(jiān)測(cè)數(shù)據(jù)；（2）用拉伊達(dá)準(zhǔn)則對(duì)數(shù)據(jù)進(jìn)行異常值監(jiān)測(cè)；（3）采用移動(dòng)平均法對(duì)異常值進(jìn)行處理；（4）計(jì)算數(shù)據(jù)的缺失率，若缺失率大于80%，則刪除該傳感器數(shù)據(jù)；（5）采用拉格朗日插值法對(duì)傳感器中的缺失值進(jìn)行處理；（6）將處理后的數(shù)據(jù)進(jìn)行歸一化；（7）計(jì)算每個(gè)數(shù)據(jù)所占整個(gè)數(shù)據(jù)集的比重與熵值；（8）通過熵值計(jì)算各個(gè)指標(biāo)的差異系數(shù)；（9）計(jì)算數(shù)據(jù)權(quán)重；（10）根據(jù)權(quán)重對(duì)處理后的數(shù)據(jù)進(jìn)行加權(quán)求和獲得融合后的數(shù)據(jù)。（11）基于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型分別對(duì)融合前的數(shù)據(jù)與融合后的數(shù)據(jù)作預(yù)測(cè)；（12）計(jì)算輸入數(shù)據(jù)和輸出數(shù)據(jù)的均方誤差，并對(duì)誤差結(jié)果進(jìn)行對(duì)比分析。2.4.3實(shí)驗(yàn)的結(jié)果與分析在實(shí)驗(yàn)結(jié)果展示部分首先展示數(shù)據(jù)預(yù)處理的整個(gè)過程，本節(jié)主要對(duì)工作面、回風(fēng)口和上隅角三個(gè)點(diǎn)位置上的瓦斯?jié)舛葦?shù)據(jù)樣本集進(jìn)行展示與分析。在工作面瓦斯?jié)舛葦?shù)據(jù)中利用拉伊達(dá)準(zhǔn)則判斷出共有60條異常數(shù)據(jù)，采用移動(dòng)平均法對(duì)其進(jìn)行處理。圖2.2是工作面上的瓦斯?jié)舛鹊脑紨?shù)據(jù)，圖2.3是經(jīng)過移動(dòng)平均法對(duì)工作面異常值處理后的數(shù)據(jù)。圖2.2工作面上的原始瓦斯?jié)舛?

西安科技大學(xué)碩士學(xué)位論文14圖2.3工作面處理完異常值后的瓦斯?jié)舛仍诨仫L(fēng)口處的瓦斯?jié)舛葦?shù)據(jù)利用拉伊達(dá)準(zhǔn)則判斷出共有39條異常數(shù)據(jù)，圖2.4是回風(fēng)口的瓦斯?jié)舛鹊脑紨?shù)據(jù)，圖2.5是經(jīng)過移動(dòng)平均法對(duì)回風(fēng)口異常值處理后的數(shù)據(jù)。圖2.4回風(fēng)口處的原始瓦斯?jié)舛葓D2.5回風(fēng)口處理完異常值后的瓦斯?jié)舛仍谏嫌缃翘幍耐咚節(jié)舛葦?shù)據(jù)利用拉伊達(dá)準(zhǔn)則判斷出共有44條異常數(shù)據(jù)，圖2.6是上隅角的瓦斯?jié)舛鹊脑紨?shù)據(jù)，圖2.7是經(jīng)過移動(dòng)平均法對(duì)上隅角異常值處理后的數(shù)據(jù)。圖2.6上隅角處的原始瓦斯?jié)舛?

【參考文獻(xiàn)】：
期刊論文
[1]煤礦綜采工作面瓦斯?jié)舛阮A(yù)測(cè)模型[J]. 李歡,賈佳,楊秀宇,宋春儒.  工礦自動(dòng)化. 2018(12)
[2]深部煤層瓦斯含量的差值GM-RBF預(yù)測(cè)模型及其應(yīng)用[J]. 周鑫隆,章光,呂辰,黃輝.  安全與環(huán)境學(xué)報(bào). 2017(06)
[3]基于分位數(shù)自回歸的路基沉降數(shù)據(jù)預(yù)測(cè)分析[J]. 王江榮,趙睿,任泰明,袁維紅.  地理空間信息. 2017(06)
[4]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的礦井瓦斯?jié)舛阮A(yù)測(cè)算法[J]. 姚青華,邱本花.  煤炭技術(shù). 2017(05)
[5]二次指數(shù)平滑預(yù)測(cè)模型回歸系數(shù)計(jì)算方法探討[J]. 陳武,張山江,侯春華,陳塵,曾李晨.  統(tǒng)計(jì)與決策. 2016(19)
[6]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[7]基于自適應(yīng)慣性權(quán)重的均值粒子群優(yōu)化算法[J]. 趙志剛,林玉嬌,尹兆遠(yuǎn).  計(jì)算機(jī)工程與科學(xué). 2016(03)
[8]基于MA模型的移動(dòng)Ad Hoc網(wǎng)絡(luò)路徑長(zhǎng)度預(yù)測(cè)[J]. 蔡暐,李俊峰.  內(nèi)蒙古師范大學(xué)學(xué)報(bào)(自然科學(xué)漢文版). 2015(04)
[9]主動(dòng)配電網(wǎng)運(yùn)行模式對(duì)微電網(wǎng)可靠性的影響評(píng)估[J]. 孫鳴,駱燕,譚佳楠.  電力建設(shè). 2015(01)
[10]煤與瓦斯突出預(yù)測(cè)的隨機(jī)森林模型[J]. 溫廷新,張波,邵良杉.  計(jì)算機(jī)工程與應(yīng)用. 2014(10)

博士論文
[1]基于安全監(jiān)控系統(tǒng)實(shí)測(cè)數(shù)據(jù)的瓦斯?jié)舛阮A(yù)測(cè)預(yù)警研究[D]. 董丁穩(wěn).西安科技大學(xué) 2012
[2]煤礦瓦斯災(zāi)害特征提取與信息融合技術(shù)研究[D]. 付華.遼寧工程技術(shù)大學(xué) 2006

碩士論文
[1]大數(shù)據(jù)背景下的時(shí)序數(shù)據(jù)分析[D]. 楊云麗.中國(guó)科學(xué)技術(shù)大學(xué) 2018



本文編號(hào)：3430680