【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及煤礦智能化，尤其涉及一種基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法。
技術(shù)介紹
1、對(duì)煤礦瓦斯?jié)舛冗M(jìn)行預(yù)測(cè)，提前預(yù)判瓦斯?jié)舛惹闆r，可以做到提前預(yù)警瓦斯超限風(fēng)險(xiǎn)，使瓦斯災(zāi)害預(yù)警從災(zāi)后向?yàn)?zāi)前轉(zhuǎn)移，有效預(yù)防瓦斯事故發(fā)生，這對(duì)于提高煤礦安全生產(chǎn)具有重大意義，同時(shí)還能夠?yàn)椴删蚬ぷ髅娴耐咚狗乐渭巴L(fēng)系統(tǒng)優(yōu)化調(diào)控指導(dǎo)，確保工作面瓦斯?jié)舛劝踩?，降低瓦斯?zāi)害隱患。
2、瓦斯?jié)舛葦?shù)據(jù)是具有時(shí)空序列特征的數(shù)據(jù)，由于煤層和圍巖的瓦斯含量、地面氣壓變化等自然因素，以及開(kāi)采規(guī)模、開(kāi)采順序、回采方法、生產(chǎn)工藝、風(fēng)量變化、采空區(qū)密閉質(zhì)量等生產(chǎn)技術(shù)因素都會(huì)引起瓦斯?jié)舛劝l(fā)生變化。因而，傳感器采集的瓦斯監(jiān)測(cè)數(shù)據(jù)形成了特征復(fù)雜的時(shí)空序列，呈高度復(fù)雜、動(dòng)態(tài)非線性特性。
3、目前，深度學(xué)習(xí)的多種方法已經(jīng)成功展開(kāi)研究并應(yīng)用在煤礦安全預(yù)測(cè)管理體系中，包括時(shí)間序列預(yù)測(cè)、圖像識(shí)別、自然語(yǔ)言處理等。但是由于不同的深度學(xué)習(xí)網(wǎng)絡(luò)具有不同的特點(diǎn)，例如卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大特征提取能力，能夠高效的提取抽象特征和空間特征，但是對(duì)于時(shí)序信號(hào)中的時(shí)序特征不夠敏感；循環(huán)神經(jīng)網(wǎng)絡(luò)雖然由于其模型構(gòu)造可以提取時(shí)序信號(hào)，但是存在的收斂速度差，梯度爆炸的問(wèn)題也不能忽視。面對(duì)瓦斯?jié)舛葦?shù)據(jù)高度復(fù)雜、動(dòng)態(tài)非線性特征時(shí)，其時(shí)序特征與空間特征均需要關(guān)注，才能提取了完整的特征信息，提高預(yù)測(cè)的精度。
4、現(xiàn)有技術(shù)中雖然存在利用時(shí)間序列回歸方法實(shí)現(xiàn)預(yù)測(cè)的方式，但是，現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)多采用單一通道，單獨(dú)的深度學(xué)習(xí)網(wǎng)絡(luò)無(wú)法提取完整的特征，多種深度學(xué)習(xí)網(wǎng)絡(luò)的串聯(lián)結(jié)構(gòu)，又會(huì)出現(xiàn)卷積操作對(duì)時(shí)序特
技術(shù)實(shí)現(xiàn)思路
1、為解決上述技術(shù)問(wèn)題，本專(zhuān)利技術(shù)提供一種基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法。本專(zhuān)利技術(shù)的技術(shù)方案如下：
2、一種基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其包括：
3、s1，獲取當(dāng)前采樣時(shí)刻之前采集的指定長(zhǎng)度的瓦斯?jié)舛葦?shù)據(jù)；
4、s2，對(duì)指定長(zhǎng)度的瓦斯?jié)舛葦?shù)據(jù)進(jìn)行預(yù)處理，得到瓦斯?jié)舛葏⒖夹蛄校?/p>
5、s3，將瓦斯?jié)舛葏⒖夹蛄休斎腩A(yù)先訓(xùn)練好的瓦斯?jié)舛阮A(yù)測(cè)模型，所述瓦斯?jié)舛阮A(yù)測(cè)模型的特征提取模塊可提取瓦斯?jié)舛葏⒖夹蛄械目臻g特征和時(shí)序特征；
6、s4，根據(jù)預(yù)先訓(xùn)練好的瓦斯?jié)舛阮A(yù)測(cè)模型的輸出值確定當(dāng)前采樣時(shí)刻瓦斯?jié)舛鹊念A(yù)測(cè)值。
7、可選地，所述瓦斯?jié)舛阮A(yù)測(cè)模型包括依次連接的特征提取模塊、特征融合模塊和全連接層預(yù)測(cè)模塊，所述特征提取模塊包括并聯(lián)設(shè)置的卷積神經(jīng)網(wǎng)絡(luò)和雙向lstm網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)和雙向lstm網(wǎng)絡(luò)的輸出均連接至特征融合模塊，卷積神經(jīng)網(wǎng)絡(luò)用于提取瓦斯?jié)舛葏⒖夹蛄械目臻g特征，雙向lstm網(wǎng)絡(luò)用于提取瓦斯?jié)舛葏⒖夹蛄械臅r(shí)序特征。
8、可選地，所述s4在具體實(shí)施時(shí)，包括：
9、s41，判斷當(dāng)前采樣時(shí)刻之前的預(yù)設(shè)數(shù)值個(gè)采樣時(shí)刻采集的瓦斯?jié)舛葦?shù)據(jù)是否具有不變性；
10、s42，如果當(dāng)前采樣時(shí)刻之前的預(yù)設(shè)數(shù)值個(gè)采樣時(shí)刻采集的瓦斯?jié)舛葦?shù)據(jù)具有不變性，則對(duì)瓦斯?jié)舛阮A(yù)測(cè)模型的輸出值進(jìn)行修正，并將修正后的瓦斯?jié)舛葦?shù)據(jù)作為當(dāng)前采樣時(shí)刻瓦斯?jié)舛鹊念A(yù)測(cè)值；
11、s43，如果當(dāng)前采樣時(shí)刻之前的預(yù)設(shè)數(shù)值個(gè)采樣時(shí)刻采集的瓦斯?jié)舛葦?shù)據(jù)不具有不變性，則將瓦斯?jié)舛阮A(yù)測(cè)模型的輸出值確定為當(dāng)前采樣時(shí)刻瓦斯?jié)舛鹊念A(yù)測(cè)值。
12、可選地，所述s42在對(duì)瓦斯?jié)舛阮A(yù)測(cè)模型的輸出值進(jìn)行修正時(shí)，通過(guò)如下公式實(shí)現(xiàn)：
13、y＝(1-β)×cp+β×c；
14、其中，β表示控制趨勢(shì)性的保留程度參數(shù)，c表示預(yù)設(shè)數(shù)值個(gè)采樣時(shí)刻采集的瓦斯?jié)舛葦?shù)據(jù)，cp表示瓦斯?jié)舛阮A(yù)測(cè)模型的輸出值，y表示修正后的瓦斯?jié)舛葦?shù)據(jù)。
15、可選地，所述s3在將瓦斯?jié)舛葏⒖夹蛄休斎腩A(yù)先訓(xùn)練好的瓦斯?jié)舛阮A(yù)測(cè)模型之前，還包括：s0，訓(xùn)練瓦斯?jié)舛阮A(yù)測(cè)模型，具體包括：
16、s01，獲取歷史上若干個(gè)采樣時(shí)刻采集的瓦斯?jié)舛葦?shù)據(jù)；
17、s02，對(duì)若干個(gè)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行缺失值處理和異常值處理；
18、s03，對(duì)缺失值處理和異常值處理后的若干個(gè)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；
19、s04，組合標(biāo)準(zhǔn)化處理后的瓦斯?jié)舛葦?shù)據(jù)，形成瓦斯?jié)舛葮颖拘蛄校?/p>
20、s05，通過(guò)瓦斯?jié)舛葮颖拘蛄杏?xùn)練瓦斯?jié)舛阮A(yù)測(cè)模型，且當(dāng)瓦斯?jié)舛阮A(yù)測(cè)模型達(dá)到收斂條件時(shí)，得到訓(xùn)練好的瓦斯?jié)舛阮A(yù)測(cè)模型。
21、可選地，所述s05在具體實(shí)施時(shí)，包括：
22、s051，通過(guò)指定長(zhǎng)度的滑動(dòng)窗口將瓦斯?jié)舛葮颖拘蛄袆澐譃槿舾蓚€(gè)瓦斯?jié)舛扔?xùn)練樣本序列；
23、s052，通過(guò)瓦斯?jié)舛扔?xùn)練樣本序列及其中最后一個(gè)元素的下一個(gè)標(biāo)準(zhǔn)化處理后的瓦斯?jié)舛葦?shù)據(jù)訓(xùn)練瓦斯?jié)舛阮A(yù)測(cè)模型。
24、可選地，所述s02在對(duì)若干個(gè)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行缺失值處理時(shí)，通過(guò)拉格朗日插值法實(shí)現(xiàn)，具體包括：
25、s021，根據(jù)若干個(gè)瓦斯?jié)舛葦?shù)據(jù)及其對(duì)應(yīng)的采樣時(shí)刻構(gòu)建拉格朗日插值多項(xiàng)式；
26、s022，選取缺失值前后相鄰的若干個(gè)瓦斯?jié)舛葦?shù)據(jù)及其對(duì)應(yīng)的采樣時(shí)刻利用拉格朗日插值多項(xiàng)式計(jì)算插補(bǔ)值。
27、可選地，所述s02在對(duì)若干個(gè)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行異常值處理時(shí)，采用臨近均值法對(duì)異常值進(jìn)行修正。
28、可選地，對(duì)于任一個(gè)缺失值處理和異常值處理后的瓦斯?jié)舛葦?shù)據(jù)，所述s03在進(jìn)行標(biāo)準(zhǔn)化處理時(shí)，通過(guò)如下公式實(shí)現(xiàn)：
29、
30、其中，x*表示標(biāo)準(zhǔn)化處理后的瓦斯?jié)舛葦?shù)據(jù)，f(x)表示任一個(gè)缺失值處理和異常值處理后的瓦斯?jié)舛葦?shù)據(jù)，min(f(x))和max(f(x))分別表示缺失值處理和異常值處理后的若干個(gè)瓦斯?jié)舛葦?shù)據(jù)中的最小值和最大值。
31、上述所有可選技術(shù)方案均可任意組合，本專(zhuān)利技術(shù)不對(duì)一一組合后的結(jié)構(gòu)進(jìn)行詳細(xì)說(shuō)明。
32、借由上述方案，本專(zhuān)利技術(shù)的有益效果如下：
33、通過(guò)構(gòu)建可同時(shí)提取瓦斯?jié)舛葏⒖夹蛄械目臻g特征和時(shí)序特征的瓦斯?jié)舛阮A(yù)測(cè)模型，使得在將瓦斯?jié)舛葏⒖夹蛄休斎胪咚節(jié)舛阮A(yù)測(cè)模型時(shí)，能夠從不同維度進(jìn)行特征提取，最大程度地提取了瓦斯?jié)舛葏⒖夹蛄械耐暾卣?，從而能夠獲得瓦斯?jié)舛葏⒖夹蛄懈娴奶卣餍畔?，進(jìn)而使得預(yù)測(cè)得到的當(dāng)前采樣時(shí)刻瓦斯?jié)舛鹊念A(yù)測(cè)值更加準(zhǔn)確，提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性。
34、上述說(shuō)明僅是本專(zhuān)利技術(shù)技術(shù)方案的概述，為了能夠更清楚了解本專(zhuān)利技術(shù)的技術(shù)手段，并可依照說(shuō)明書(shū)的內(nèi)容予以實(shí)施，以下以本專(zhuān)利技術(shù)的較佳實(shí)施例并配合附圖詳細(xì)說(shuō)明如后。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述瓦斯?jié)舛阮A(yù)測(cè)模型包括依次連接的特征提取模塊、特征融合模塊和全連接層預(yù)測(cè)模塊，所述特征提取模塊包括并聯(lián)設(shè)置的卷積神經(jīng)網(wǎng)絡(luò)和雙向LSTM網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)和雙向LSTM網(wǎng)絡(luò)的輸出均連接至特征融合模塊，卷積神經(jīng)網(wǎng)絡(luò)用于提取瓦斯?jié)舛葏⒖夹蛄械目臻g特征，雙向LSTM網(wǎng)絡(luò)用于提取瓦斯?jié)舛葏⒖夹蛄械臅r(shí)序特征。
3.根據(jù)權(quán)利要求1所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述S4在具體實(shí)施時(shí)，包括：
4.根據(jù)權(quán)利要求3所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述S42在對(duì)瓦斯?jié)舛阮A(yù)測(cè)模型的輸出值進(jìn)行修正時(shí)，通過(guò)如下公式實(shí)現(xiàn)：
5.根據(jù)權(quán)利要求1所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述S3在將瓦斯?jié)舛葏⒖夹蛄休斎腩A(yù)先訓(xùn)練好的瓦斯?jié)舛阮A(yù)測(cè)模型之前，還包括：S0，訓(xùn)練瓦斯?jié)舛阮A(yù)測(cè)模型，具體包括：
6.根據(jù)權(quán)利要求5所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征
7.根據(jù)權(quán)利要求5所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述S02在對(duì)若干個(gè)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行缺失值處理時(shí)，通過(guò)拉格朗日插值法實(shí)現(xiàn)，具體包括：
8.根據(jù)權(quán)利要求5所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述S02在對(duì)若干個(gè)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行異常值處理時(shí)，采用臨近均值法對(duì)異常值進(jìn)行修正。
9.根據(jù)權(quán)利要求5所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，對(duì)于任一個(gè)缺失值處理和異常值處理后的瓦斯?jié)舛葦?shù)據(jù)，所述S03在進(jìn)行標(biāo)準(zhǔn)化處理時(shí)，通過(guò)如下公式實(shí)現(xiàn)：
...【技術(shù)特征摘要】
1.一種基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述瓦斯?jié)舛阮A(yù)測(cè)模型包括依次連接的特征提取模塊、特征融合模塊和全連接層預(yù)測(cè)模塊，所述特征提取模塊包括并聯(lián)設(shè)置的卷積神經(jīng)網(wǎng)絡(luò)和雙向lstm網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)和雙向lstm網(wǎng)絡(luò)的輸出均連接至特征融合模塊，卷積神經(jīng)網(wǎng)絡(luò)用于提取瓦斯?jié)舛葏⒖夹蛄械目臻g特征，雙向lstm網(wǎng)絡(luò)用于提取瓦斯?jié)舛葏⒖夹蛄械臅r(shí)序特征。
3.根據(jù)權(quán)利要求1所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述s4在具體實(shí)施時(shí)，包括：
4.根據(jù)權(quán)利要求3所述的基于并行結(jié)構(gòu)的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法，其特征在于，所述s42在對(duì)瓦斯?jié)舛阮A(yù)測(cè)模型的輸出值進(jìn)行修正時(shí)，通過(guò)如下公式實(shí)現(xiàn)：
5.根據(jù)權(quán)利要求1所述的基于并行結(jié)構(gòu)的煤礦瓦斯...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：金智新，劉凱漫，王洪利，管盛宇，耿毅德，方志文，王雪松，王麗杰，張群，王宏偉，
申請(qǐng)(專(zhuān)利權(quán))人：太原理工大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。