[发明专利]应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法

说明书

本发明公开了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，包括：获取瓦斯浓度监测数据，识别不低于预设阈值的波峰数据，将包括该波峰在内的波峰前、后预设时长内的瓦斯浓度组成的序列作为瓦斯浓度异常序列；采用加权K近邻算法对瓦斯浓度异常序列进行分类；针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，获取炮后瓦斯浓度数据；基于炮后瓦斯浓度数据，采用卷积神经网络预测掘进头突出危险程度。本发明能够实现对煤矿掘进工作面瓦斯浓度异常有效辨识、炮后瓦斯涌出特征准确提取和突出危险性连续动态预测。

技术领域

本发明涉及煤与瓦斯突出监测预警技术领域，特别涉及一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法。

背景技术

煤与瓦斯突出是煤矿开采中最具破坏性和危害性的动力灾害之一，突出灾害严重威胁着煤矿的安全生产和矿井工人的人身安全。突出危险性预测作为“四位一体”综合防治体系中的关键步骤，其广泛实施减少了煤巷掘进过程中突出次数。机器学习和深度学习技术的发展，为煤与瓦斯突出预测，有效避免突出灾害的发生提供了可能。

但目前应用机器学习和深度学习技术进行突出预测的方法中，其指标中多包含一些不可连续实时监测的参数，如煤层厚度、瓦斯放散初速度等，且样本量少，不能进行有效学习建模，因此，现有技术对于突出危险的预测效果较差。

发明内容

本发明提供了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，以解决现有技术不能进行有效学习建模，预测效果较差的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法，该应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法包括：

获取瓦斯浓度监测数据，识别出所述监测数据中瓦斯浓度波峰不低于预设阈值的波峰数据，将包括所述波峰数据在内的波峰数据前第一预设时长和波峰数据后第二预设时长内的瓦斯浓度组成的序列作为瓦斯浓度异常序列；

采用加权K近邻算法对所述瓦斯浓度异常序列进行分类；其中，所述瓦斯浓度异常序列的类别包括传感器调校、停风、放炮作业以及其他异常；

针对被分类为放炮作业的瓦斯浓度异常序列，采用一阶差分卷积运算对放炮时刻及对应的瓦斯浓度数据进行自动提取，以获取炮后瓦斯浓度数据；

基于炮后瓦斯浓度数据，采用卷积神经网络预测掘进头突出危险程度。

进一步地，采用加权K近邻算法对所述瓦斯浓度异常序列进行分类，包括：

对所述瓦斯浓度异常序列进行特征提取；

对提取的特征进行离差标准化和主成分分析降维，得到前三个主成分；

将前三个主成分输入加权K近邻算法中，实现对瓦斯浓度异常序列的分类。

进一步地，对所述瓦斯浓度异常序列进行特征提取，包括：

提取所述瓦斯浓度异常序列的峰值、均值、均方根值、方差、标准差、离散系数、峰值因子、偏度、峰度、离散序列积分、峰宽以及峰突值。

进一步地，所述对提取的特征进行离差标准化和主成分分析降维，得到前三个主成分，包括：

利用离差标准化，将提取的各特征数据分别映射到[0,1]之间；

对离差标准化后的各个特征所构成的随机向量进行线性变换，得到合成随机变量；其中，所述合成随机变量中的元素为各特征数据所对应的主成分；各主成分互不相关，且各成分方差在总方差中的比重依次递减；

选出所述合成随机变量中的前三个元素，得到前三个主成分。