[发明专利]基于三维回声状态网络的掘进工作面瓦斯浓度预测方法

权利要求书

1.基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，其特征在于，包括以下步骤：

S1，实时获取矿井下煤矿掘进工作面瓦斯浓度数据，对获得的瓦斯数据预处理，处理数据复杂度，得到可用于训练回声状态网络的掘进工作面瓦斯浓度数据集；

S2，采用CEEMDAN-SE的三维回声状态网络学习掘进工作面瓦斯浓度数据，然后进行数据训练，得出预测结果；

S3，通过不同的指标衡量相关预测模型，对比模型的真实值和预测值之间的相关性和损失大小，选出误差最小，损失最小的模型；

S4，将最优模型部署到煤矿的安全控制服务器中，将最新捕获的瓦斯浓度数据输入到模型中，若计算的结果不在我们安全可控的数值区间内，就可以判断我们的瓦斯安全环境有所异常，需要及时处理，否则视为情况正常。

2.根据权利要求1所述的基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，其特征在于，S1中所述工作面瓦斯浓度数据获取和处理的方法包括以下步骤：

S101，从煤矿瓦斯灾害风向管控平台实时采集各个工作面的瓦斯传感器数据；

S102，将不同的传感器位置得到的瓦斯浓度数据按照CEEMDAN预处理经验进行模态分解；

S103，对于模态分解处理后的数据集进行样本熵计算数据复杂度分类的处理；

S104，循环遍历整个瓦斯浓度数据，得到来自同一序列数据但三类不同复杂度范围的同一序列数co-IMF1，co-IMF2 ， co-IMF3。

3.根据权利要求2所述的基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，其特征在于，S102中数据预处理经验模态分解方法包括以下步骤：

S102-1，读取数据；

S102-2，设定原始数据的处理次数K；

S102-3，给这K个原始数据分别添加随机白噪声，组成一系列新的数据；

S102-4，对这一系列的新数据进行EMD分解，得到一系列的IMF分量；

S102-5，对相应模态的IMF分量分别求均值，得到EEMD分解结果；

S102-6，对EEMD分解后的模态分量进行总体平均，CEEMDAN分解则在得到的第一阶IMF分量后就进行总体平均计算，得到最终的第一阶IMF分量，然后对残余部分重复进行如上操作。

4.根据权利要求3所述的基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，其特征在于，S103中对于数据集复杂度分类的处理方法包括以下步骤：

S103-1，对于收集到的CEEMDAN分解得到的K个IMF分量序列数据进行样本熵计算；

S103-2，通过样本熵计算每个IMF分量的序列复杂度，然后将K个IMF分量根据不同序列数据的复杂度分为三类分别为高频本征模态分量co-IMF1，中频模态分量co-IMF2，低频模态分量co-IMF3。

5.根据权利要求4所述的基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，其特征在于，S2中所述CEEMDAN-SE的三维回声状态网络的数据处理方法包括以下步骤：

S201，瓦数浓度数co-IMF1，co-IMF2 ，co-IMF3切分为训练集D- co-IMF1 ，D -co-IMF2，D- co-IMF3与测试集T- co-IMF1 ，T -co-IMF2 ，T- co-IMF3；

S202，选择一维回声状态网络模型的架构，然后对一维回声状态网络改进成可输入三维数据的三维回声状态网络；

S203，确定节点个数，谱半径SR，储备池规模N，储备池输入单元尺度IS，储备池稀疏程度SD，正则化因子，上述参数每一次变化都会产生一个新的模型，同时实验结果跟这些参数密密相关，避免因为参数的不正确选择使实验结果拟合或者过拟合。

6.根据权利要求4所述的基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，其特征在于，S201中的所述瓦斯浓度数据co-IMF按照7:3的比例切分为训练集D-co-IMF与预测集T-co-IMF。