[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

说明书

本发明涉及煤矿安全技术领域，尤其是基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，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。采用基于CEEMDAN‑SE的三维回声状态网络的训练方法不仅能够有效的处理随机的、大量的数据，通过分配不同的权重，来生成网络学习的结果，同时能够有效的降低时间成本，提高运算效率，在训练的时候对结果也有相当的鲁棒性，进而有利于提高对瓦斯数据预测和识别的精准度，可以在预测得到的数据中准确寻找异常数据特征，进行安全措施干预。

技术领域

本发明涉及煤矿安全技术领域，涉及基于三维回声状态网络的掘进工作面瓦斯浓度预测方法。

背景技术

瓦斯浓度超积聚是形成瓦斯爆炸事故的根源，是一种极其复杂且危险的动力学灾害，控制瓦斯积聚主要是加强瓦斯管理，加强瓦斯监测监控、坚持瓦斯巡检制度，发现瓦斯超限及时汇报处理，引起瓦斯爆炸的瓦斯浓度是有范围的，凡是浓度低于爆炸下限或高于爆炸上限的瓦斯混合物与点火源接触时都不会引起火焰自行传播。因此如何预测和识别这种现象的发生显得尤其重要，本方法基于深度学习算法，通过对瓦斯浓度实时分析、训练回声状态网络模型，在预测得到的数据中寻找异常数据特征，并将其异常预测监测数据以报警形式传递给工作人员，进行安全措施干预。传统的瓦斯浓度数据预测方法包括支持向量机、决策树、传统回归方法，还有包括统计学习方法有时间序列分解算法。

当前，针对瓦斯浓度数据的时变性，不稳定性，非线性的特点，再结合瓦斯数据量大而复杂度高的原因，传统的预测方法并不能够适应这些数据的特点，很难识别到数据的特征加以处理，很难得到理想的结果。而深度学习算法中的回声状态网络正好适合处理数据量大而复杂的数据，回声状态网络中有大量的节点和神经元可以用来训练这些数据，记住数据的特性，所以使得回声状态网络在数据训练和实现预测的时候有一定的优势。

但是，在获得第一数据的时候，数据依然处于高度不平衡，现有的回声状态网络对数据进行预处理的能力有限，多为一维回声状态网络，一维在处理井下传感器传输的数据后，对瓦斯数据预测和识别的精准度还有待提高，不利于在预测得到的数据中准确寻找异常数据特征，进行安全措施干预。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出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。

为达到以上目的，本发明采用的技术方案为：基于三维回声状态网络的掘进工作面瓦斯浓度预测方法，包括以下步骤：

S1，实时获取矿井下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，得到我们可用于训练回声状态网络的所需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，通过不同的衡量指标衡量多个预测模型，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，否则为情况正常；

优选的，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；