[发明专利]一种基于稀疏逆协方差的煤与瓦斯突出预测方法

说明书

本发明公开了一种基于稀疏逆协方差的煤与瓦斯突出预测方法，其步骤包括：1、将煤与瓦斯突出数据处理成多变量时间序列数据；2、构建一种基于模型的方法来表征多变量煤与瓦斯突出时间序列数据；3、使用Graphical Lasso方法初始化煤与瓦斯突出数据集中每个类别的稀疏逆协方差；4、使用LogDet散度优化稀疏逆协方差；5、选择契合该模型的分类器——最大似然分类器对煤与瓦斯突出测试数据进行分类预测。本发明解决了煤与瓦斯突出数据的表示问题以及代表煤与瓦斯突出每个类别的逆协方差的稀疏性问题，从而能够快速且准确地对煤与瓦斯突出数据进行分类。

技术领域

本发明涉及煤矿安全生产领域，具体是一种基于稀疏逆协方差的煤与瓦斯突出预测方法。

背景技术

煤炭是我国国民经济发展中的主体能源和重要原料，然而至今我国煤炭生产的安全形势却依然十分严峻。矿井的瓦斯、煤尘、火灾、水灾和顶板事故是煤矿的五大自然灾害，其中瓦斯是煤矿的头号“杀手”，而煤与瓦斯突出又是瓦斯灾害事故中发生频率高，伤害人数较多的典型动力灾害之一。因此，能够快速、准确的预测煤与瓦斯突出，不仅能提高煤矿生产的安全，而且也会产生巨大的经济效益和社会效益，具有重大的现实意义。

目前主要使用各种传感器监控煤与瓦斯突出，如甲烷传感器、一氧化碳传感器、温度传感器、风流压力传感器等，因而得到的数据都为时间序列数据。传统的预测煤与瓦斯突出的方法主要包括：单项指标法、综合指标法、钻屑瓦斯解吸指标法、R指标法等，这些预测方法仅仅考虑了影响煤与瓦斯突出的某个因素，而且预测指标的临界值的大小会随着不同地区不同矿井而有所不同，这些因素造成煤与瓦斯突出预测结果准确度不高。

近几年，先进的理论方法如计算机模拟、模糊数学理论、灰色系统理论、专家系统、分形理论、非线性理论、流变理论以及人工神经网络等已开始应用于煤与瓦斯突出的分析中，并取得了一定的研究成果。但上述这些方法需要对煤与瓦斯突出数据进行非常严格的处理，并且对煤与瓦斯突出的实时性预测较差。

直接对原始的未处理的煤与瓦斯突出数据进行分类，可大幅提高预测的实时性。而原始的未处理的煤与瓦斯突出数据即为多变量时间序列数据，其含义为多个传感器采集得到的时间序列数据集合。因此，对时间序列数据进行分类从而达到预测目的是一种非常可行且有效的方法。已有一些工作将多变量时间序列分类方法用于预测煤与瓦斯突出问题，但是由于传统多变量时间序列分类方法表征数据能力不强，分类过程计算效率低下以及分类准确率不高，导致该类方法在煤与瓦斯突出预测领域应用不够深入广泛。

发明内容

本发明为克服煤与瓦斯突出数据表征困难、计算效率低下以及预测准确率不高等现有技术存在的不足之处，提供一种基于稀疏逆协方差的煤与瓦斯突出预测方法，以期能快速准确地预测煤与瓦斯突出问题，并提高预测准确率和预测效率。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于稀疏逆协方差的煤与瓦斯突出预测方法的特点是按如下步骤进行：