隨著智慧礦山建設的持續(xù)推進,煤礦企業(yè)積累了海量的監(jiān)測數(shù)據(jù),這些數(shù)據(jù)主要來源于礦井的采煤、掘進、機電、運輸、通風等生產環(huán)節(jié)。礦井瓦斯監(jiān)測數(shù)據(jù)中存在大量異常數(shù)據(jù),目前礦井監(jiān)控系統(tǒng)并不能有效區(qū)分,僅依據(jù)預設的瓦斯?jié)舛乳y值指標進行臨災預警,存在一定風險。對瓦斯異常值檢測與預警展開了深入研究,主要研究內容如下:(1)針對瓦斯大數(shù)據(jù)建模效率低下的問題,提出了基于數(shù)據(jù)抽樣優(yōu)化的邏輯回歸(Data Sampling Optimization Logistic Regression,DSO-LR)瓦斯異常值檢測方法。首先,應用拉格朗日插補方法,對采集到的礦井瓦斯及其相關數(shù)據(jù)的缺失值進行插補,并標定異常數(shù)據(jù)。其次,依據(jù)概率抽樣原理,通過比較不同抽樣概率和全數(shù)據(jù)情況下建立的邏輯回歸方程的歐式距離,確定最優(yōu)抽樣概率。最后,依據(jù)訓練集建立回歸方程的決策邊界,并以該邊界進行異常值檢測。實驗結果表明,DSO-LR確定的最優(yōu)抽樣概率為20%,DSO-LR相較于LR方法計算效率提高了 5倍,異常值識別率85%。(2)針對K-Means算法對初始簇心比較敏感的問題,提出了基于初始簇心優(yōu)化的K-Means瓦斯異常值檢測方法...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 煤礦監(jiān)測數(shù)據(jù)分析與處理
        1.2.2 異常值檢測研究現(xiàn)狀
        1.2.3 礦井瓦斯災害預警研究現(xiàn)狀
        1.2.4 研究現(xiàn)狀分析總結
    1.3 論文的研究內容
        1.3.1 研究目標
        1.3.2 研究內容
    1.4 論文的組織結構
2 基于DSO-LR的瓦斯異常值檢測
    2.1 相關基礎理論
    2.2 基于數(shù)據(jù)抽樣優(yōu)化的邏輯回歸算法
        2.2.1 算法思想
        2.2.2 算法描述
        2.2.3 算法實現(xiàn)
    2.3 實驗驗證
        2.3.1 實驗數(shù)據(jù)
        2.3.2 數(shù)據(jù)預處理
        2.3.3 實驗步驟
        2.3.4 實驗結果與分析
    2.4 小結
3 基于初始簇心優(yōu)化的K-Means瓦斯異常值檢測
    3.1 相關理論基礎
    3.2 初始簇心優(yōu)化的K-Means算法
        3.2.1 算法思想
        3.2.2 算法描述
        3.2.3 算法實現(xiàn)
    3.3 實驗驗證
        3.3.1 實驗數(shù)據(jù)
        3.3.2 實驗結果與分析
    3.4 小結
4 基于WO-Apriori關聯(lián)規(guī)則的瓦斯險情預警
    4.1 相關理論基礎
        4.1.1 瓦斯?jié)舛扔绊懸蛩胤治?br>        4.1.2 關聯(lián)規(guī)則的定義與挖掘過程
    4.2 煤礦數(shù)據(jù)關聯(lián)性分析
        4.2.1 煤礦采掘過程描述
        4.2.2 煤礦數(shù)據(jù)特征分析
    4.3 基于WO-Apriori瓦斯險情預警模型
        4.3.1 算法思想
        4.3.2 算法步驟
    4.4 實驗驗證
        4.4.1 實驗數(shù)據(jù)
        4.4.2 數(shù)據(jù)預處理
        4.4.3 實驗步驟
        4.4.4 實驗結果與分析
    4.5 小結
5 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻
附錄



本文編號：3857250