基于Prophet+LSTM模型的煤矿井下工作面矿压预测研究

为了高效地对工作面矿压变化趋势进行有效预测,减少顶板突发事故和引导煤矿井下安全生产,提出了融合相邻多个支架影响的矿压数据预测模型Prophet+LSTM。该模型首先基于数字信号处理技术,将原始矿压数据经过算术平均值滤波和小波去噪方法减少噪声和随机误差;其次在深入分析Prophet模型和LSTM模型特性基础上,通过添加额外回归变量方法融合相邻多支架矿压数据;最后为充分利用Prophet模型和LSTM模型的优势,构建了一种Prophet+LSTM组合模型对工作面矿压进行预测,通过线性加权组合方法获取最有权重系数使模型预测结果误差逐步减少。以均方根误差(RMSE)和平均绝对误差(MAE)来评估Prophet+LSTM模型对矿压时间序列的预测效果。预测模型在某矿工作面支架矿压时序数据的应用结果表明:经过数字信号处理后的支架矿压预测结果 RMSE和MAE分别下降了约20%和16%,Prophet模型和LSTM模型的预测结果优于传统的BP神经网络和ARIMA模型,且Prophet+LSTM模型预测方法较其单项模型具有更强的稳定性和更高的准确性,实现了对工作面在推进过程中矿压变化的有效预测。该预测方法对煤矿井下工作面矿压预测提供了研究思路。     

基于ASGSO-SVR模型的瓦斯传感器故障诊断

针对现行煤矿瓦斯传感器常见的卡死、冲击、漂移等故障,运用支持向量回归机建立多传感器数据融合的瓦斯浓度预测模型,详细研究影响该预测模型精度的相关参数选择方法,提出用ASGSO算法自适应优化支持向量机预测模型参数的算法,将模型预测结果与现场实测瓦斯浓度相比较得到残差δ,用于对瓦斯传感器故障的诊断。用现场监控数据对该方法进行离线仿真实验,得到残差信号的变化曲线。通过选择合理的阈值,判断传感器是否处于故障状态。结果表明,ASGSO算法参数优化对提高SVR预测模型的精度有很大帮助,此方法对瓦斯传感器的常见故障的诊断是正确和有效的。     

基于EMD阈值降噪的轴承故障诊断研究

针对滚动轴承故障诊断提出了EMD阈值降噪法。通过振动传感器获得的轴承振动信号,利用经验模态方法将信号分解为多个IMF分量。因振动信号中含有的噪声主要表现在高频段,所以对IMF分量中的高频分量进行小波阈值降噪,并与IMF分量中低频分量进行重构,实现了振动信号的降噪,有利于轴承故障的判断。     

基于PSOＧCNNＧaBiGRU的瓦斯浓度预测方法

针对工作面瓦斯浓度精准预测中未有效利用瓦斯数据 的空间特性问题,在有效提取瓦斯浓度监测数据时空特征的 基础上,提出了一种基于优化卷积神经网络和优化双向门控 单元神经网络的瓦斯浓度预测方法(PSOＧCNNＧaBiGRU). 首先应用随机森林和 HilbertＧHuang变换方法对瓦斯监测 数据中的缺失值和噪声进行预处理,然后使用经过粒子群优 化的卷积神经网络对预处理后的瓦斯监测数据进行空间特 征提取,最后考虑数据的历史信息和未来状态,基于自适应 矩估计最大 值 优 化 的 双 向 门 控 单 元 神 经 网 络,构 建 PSOＧ CNNＧaBiGRU 瓦斯浓度预测模型.试验结果表明,相对于 PSOＧCNNＧBP、PSOＧCNNＧRNN 和 PSOＧCNNＧLSTM 模型, PSOＧCNNＧaBiGRU 在测试 集 上 误 差 分 别 减 少 了 ５２．２１％、 ４２．４３％和２９．６％.因此,PSOＧCNNＧaBiGRU 模型能有效提 高瓦斯浓度预测精度,对减少瓦斯灾害,保障煤矿的安全生 产具有现实意义.     

基于免疫神经网络模型的瓦斯浓度智能预测

将免疫算法与神经网络理论相结合,提出免疫神经网络预测模型以预测采煤工作面瓦斯浓度,并对如何处理时间序列的数据模式问题进行研究.引入延迟单元,将原始输入样本转换为具有延迟特征的新样本,采用延迟算子的输出样本施加到网络预测模型,可以获得浓度时段变幅的信息,这对于提高网络对瓦斯扩散过程的拟合精度和预测精度十分有效.结合某矿井瓦斯预报实例,经过与现场实测值相比较,最大预测误差为6.86%,最小预测误差为2.36%,平均误差为4.61%,所建模型精度的拟合值与预测值都与实际数据吻合得较好,各测点的误差值均在许可的范围内.结果表明,基于免疫神经网络的瓦斯浓度预测模型,能够较好地识别采煤工作面瓦斯扩散的演进规律,对瓦斯浓度能进行合理预报,且该方法具有预报时间快、节省费用的特点.     

基于WOA-LSTM的工作面瓦斯涌出量预测研究

为了提高瓦斯涌出量预测的科学性和准确性,提出一种基于鲸鱼优化算法(WOA)和长短期记忆网络(LSTM)的瓦斯涌出量多步预测模型。该模型首先采用皮尔逊(Pearson)相关系数法进行瓦斯涌出量影响因素的特征分析,筛选了9个主要影响瓦斯涌出量变化的特征作为模型的外部输入特征;其次采用鲸鱼优化算法对LSTM神经网络的隐藏层神经元个数、时间步长、批处理数进行优化;最后,构建WOA-LSTM模型进行瓦斯涌出量预测,实验研究了不同时间步长下模型的预测精度并对比分析了LSTM、RNN、BP模型的预测效果。结果表明：基于WOA-LSTM的瓦斯涌出量多步预测模型在3个时间步长的预测模型误差值达到最小,其平均绝对误差相较于LSTM、RNN和BP神经网络模型分别降低了41.6%、46.6%、65.8%,具有较强的鲁棒性,可为矿井瓦斯的防治提供参考。     

基于小波神经网络的瓦斯涌出量预测

为了更准确地预测矿井瓦斯涌出量,提出了采用一类小波神经网络对井下瓦斯涌出量进行预测技术,小波神经网络为紧致型结构,小波采用Daubechies小波。为了提高小波神经网络的泛化能力,将遗传算法应用到小波神经网络的权值学习中。仿真试验表明,提出的基于小波神经网络预测模型与传统的BP神经网络的预测模型相比,其预测值更为准确。     

基于长短时记忆神经网络的回采工作面瓦斯浓度动态预测

为提高煤矿回采工作面瓦斯浓度预测精度,考虑瓦斯浓度受历史状态制约,提出长短时记忆神经网络LSTMNN煤矿回采工作面瓦斯浓度动态预测模型。利用山西省某煤矿回采工作面瓦斯浓度实测数据构建该模型学习训练样本,并检验预测效果。研究表明,LSTMNN算法通过遗忘、记忆过程对过去一段时间瓦斯浓度信息进行筛选,克服传统预测方法将输出值独立看待的短板,提高矿井瓦斯浓度预测精确度及可靠性;将LSTMNN算法预测结果与实测值对比,预测模型平均绝对误差、平均相对误差、均方根误差、纳什模型效率指数分别为0.004 319、0.800 6%、0.005 714、0.436 3。     

基于AWSST和GCV的矿山微震信号联合降噪新方法

由于露天矿山开采环境的复杂性和各异性,传感器采集得到的微震信号包含大量的噪声干扰,为了获得更加准确的微震信号特征,提出了基于自适应同步压缩小波变换（Adaptive Synchrosqueezing Wavelet Transform,AWSST）和广义交叉验证（Generalized Cross-Validation,GCV）的联合降噪方法,从而对微震事件定位和判断开挖过程中岩体状态提供可靠的数据保障。首先在自适应小波变换（Adaptive Wavelet Transform, AWT）的基础上,对每个尺度中的小波系数进行阈值化处理,利用GCV方法自动确定每个成分的最佳阈值水平,达到去除噪声的目的。然后,通过同步压缩变换（Synchrosqueezing Transform,SST）的后处理操作,在时频平面对小波变换系数进行二次重分配,从而提升时频表达的能量聚集性。最后,应用于微震信号的降噪处理,并与现有的时频分析方法进行比较,结果表明提出的联合去噪方法降噪效果更好、时频分析的分辨率更高。     

基于SSA-LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法（SSA）与长短期记忆神经网络（LSTM）组合的SSA-LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明：SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为...     

基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,建立了基于ACC-ENN算法的绝对瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经蚁群聚类优化后的Elman神经网络绝对瓦斯涌出量预测模型较其他预测模型具有更好的泛化能力和更高的预测精度,有效地实现了煤矿绝对瓦斯涌出量动态预测。     

边坡变形监测数据小波去噪研究

变形监测中获得的观测资料不可避免地存在着噪声,如何从受噪声干扰的数据序列中提取特征信息,提高变形监测的精度是变形监测系统所涉及的关键技术之一。利用小波方法对边坡监测的数据进行去噪研究,着重研究了降噪方法(算法)、小波基函数以及阈值等的影响。硬阈值比软阈值处理后的信号更加粗糙,软阈效果好于硬阈,阈值和小波基函数都有重要影响。采用强制去噪后的效果很明显,重构层数选取对滤波效果有重要影响。     

基于多特征融合的煤自燃温度深度预测模型

为了有效预防煤矿采空区煤自燃灾害,提高煤自燃灾害预测模型精度,提出了基于多特征融合的煤自燃温度深度预测模型。首先,通过自编码器网络对煤自燃数据的每一个特征进行降噪处理,增强数据的鲁棒性;其次,按时间序列顺序将降噪后的数据转成二维特征矩阵,采用滑动窗口对特征矩阵进行切片,并采用深度学习中的卷积神经网络提取特征矩阵上的有效特征,进行特征数据融合,在降噪和特征提取与融合的过程中采用差分进化算法对降噪自编码器和卷积神经网络的参数进行优化;最后,将融合后的数据输入门控循环单元神经网络进行煤自燃温度预测。实验结果表明,降噪后和特征融合后的数据在平均绝对误差上比直接采用原始数据预测误差分别降低6.55%和69.26%,均方根误差分别降低13.23%和63.49%,说明经过编码器降噪以及特征融合处理后能够有效提升煤自燃温度预测的准确度。     

基于最优阈值参考的瞬变电磁法小波降噪效果研究

瞬变电磁法野外数据采集容易受各种随机干扰影响而出现跳变现象,小波去噪通过对信号的多尺度分解、阈值设置和重构,实现对数据的降噪。为进一步提高小波去噪后的瞬变电磁法数据质量,对该过程中的阈值选择方法进行改进,提出了基于最优阈值参考的小波去噪方法;结合瞬变电磁法探测岩层富水性工程应用,对比分析不同阈值条件下的数据降噪结果,提出的算法的瞬变电磁数据实际应用效果。结果显示：提出的方法能够进一步降低感应电动势曲线在1～4 ms范围内的数值跳变现象,使数据全期衰减特性更明显。对降噪后数据的烟圈反演结果进行分析,重点解释了3处电性差异相对较大的位置,结合已知资料验证了基于最优阈值参考的小波去噪数据反演结果相对更准确。     

基于LVQ-GA-BP神经网络的煤矿瓦斯涌出量预测

针对煤矿瓦斯涌出量影响因素多、非线性、复杂性等特点,提出了学习向量量化神经网络(LVQ)与GA-BP神经网络相结合的方法。通过LVQ对诸多影响因素进行分类并选出主要影响因素,再用遗传算法(GA)优化BP神经网络的权值和阈值,构建煤矿瓦斯涌出量预测模型,并通过相关数据将建立的LVQ-GA-BP预测模型与BP神经网络进行了对比分析,结果表明通过这种方法平均相对误差为0.025 51,低于BP神经网络训练的平均绝对误差,网络收敛速度也显著提高了。     

基于LSTM+MIDAS深度学习模型的电力需求预测

为了准确预测不同用电设施的电力需求模式,设计了一种基于长短期记忆网络（LSTM）深度学习方法的自定义电力需求预测模型。利用混合数据抽样（MIDAS）方法对自回归分布滞后（ARDL）进行改进,提出了LSTM+MIDAS模型的电力需求预测方法。通过每天以5 min的频率收集住宅、市政厅、医院、工业等4类设施的用电数据,采用短期、长期、季节性预测3种方法进行了对比试验,通过测试验证了预测模型的误差率,分析了实际用电需求监测系统中电力模式的季节性波动规律,并预测各设施的用电需求。实验结果表明,利用所提出的LSTM+MIDAS模型进行电力需求预测的总体误差率均有所降低,并且可以有效检测电力需求波动性。     

融合 SBAS-InSAR 技术与 TSO-LSTM 模型的矿区地表沉降预测方法

矿区由于重工业器械的使用和采矿活动频繁,其岩层和地表容易发生沉陷和变形,快速、准确地分析、 预测地表沉降是实现高效防灾减灾、推进绿色矿山建设的重要手段。 针对现有预测模型监测点过少、多源数据难以 获取以及网络模型超参数难以确定等问题,提出了一种基于金枪鱼群(Tuna Swarm Optimization,TSO)优化长短时间记 忆(Long Short-Term Memory,LSTM)网络模型超参数的深度学习预测方法,利用多个高相干性点的沉降时序实现矿区 的精准预测。 利用 SBAS-InSAR 技术处理 50 景覆盖德兴铜矿区的 Sentinel-1 A 升轨 SAR 影像,获取了该区域 25 465 个高相干性点的沉降时间序列。 利用 TSO 算法优化 LSTM 网络模型超参数,寻找出最适合该矿区沉降时序预测的 LSTM 网络模型,并使用优化后的 LSTM 网络模型分区域对沉降区开展沉降时序预测并计算预测精度。 研究表明:使 用 TSO 算法优化 LSTM 网络模型超参数是有效的,优化后的模型均方根误差至少降低了 20%,平均绝对值误差至少 降低了 35%,预测均方根误差不超过 2 mm,预测平均绝对误差不超过 3 mm,模型平均预测精度超过 95%。 所提方法 为确保安矿区全安全生产,实现科学防灾、减灾提供了技术支持。     

小波降噪在煤岩微震信号处理中的应用

根据微震信号噪声强度ε,利用FFT滤波以及缺省的阈值确定模型、Birge-Massart策略的阈值确定模型和小波包变换中的penalty阈值确定模型对原煤单轴全程压缩加载破坏实验的微震信号进行降噪处理。理论分析及降噪结果表明,FFT滤波得到的降噪信号过于平滑,抑制了很多有用的信息成分,而小波三种阈值确定模型能够更加有效去除微震信号中的噪声成分,降噪后的信号与原信号有着很好的相似性,最大限度的反应了原始信号本身的性质。     

基于小波阈值降噪方法风机监测信号的研究

风机监测信号采集噪声问题非常严重,采取小波分析法进行去噪,该方法的关键就是阈值的选取和阈值的处理方法。对阈值处理函数和阈值选取形式进行了比较,并在MATLAB环境下进行仿真研究,结果表明软阈值函数启发式阈值小波降噪比较适合于风机监测信号的降噪处理。     

基于小波阈值降噪方法风机监测信号的研究

风机监测信号采集噪声问题非常严重,采取小波分析法进行去噪,该方法的关键就是阈值的选取和阈值的处理方法。对阈值处理函数和阈值选取形式进行了比较,并在MATLAB环境下进行仿真研究,结果表明软阈值函数启发式阈值小波降噪比较适合于风机监测信号的降噪处理。