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。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

基于Memetic算法寻优SVM的瓦斯浓度预测

瓦斯浓度预测是进行煤矿瓦斯灾害表征的一个重要指标,为了提高瓦斯浓度预测模型的预测精度,提出了一种基于Memetic算法寻优的支持向量机预测模型。利用特征提取和特征选择的方法获取最优输入特征集进行降维简化处理,建立支持向量机回归模型,在学习过程中引入Memetic算法对传统支持向量机预测模型进行参数优化。通过用实际监测数据进行验证,结果表明:经过Memetic算法优化后的支持向量机预测模型提高了瓦斯浓度预测的精度。     

综掘工作面瓦斯涌出量的支持向量机预测模型

通过对支持向量机回归原理的分析,设计出预测综掘工作面瓦斯涌出量的支持向量机模型.然后,在所设计模型的基础上,采用Matlab语言,实现了该模型.运用训练样本对模型进行训练和实际数据样本进行仿真,得到了很好的预测效果.从预测结果可以看出,达到了工程实际能够接受的预测精度,说明该模型能够用于矿井的综掘工作面瓦斯涌出量预测.     

SVR-Markov复合模型在采空区地表沉降预测中的应用

提出了一种支持向量回归机(SVR)-马尔科夫(Markov)复合预测模型,该模型能够更好地反映采空区地表沉降规律,能够比较准确地预测地表沉降量。通过碾子沟煤矿采空区治理工程监测数据与支持向量回归机-马尔科夫复合预测模型与支持向量回归机模型进行对比,证明马尔科夫复合预测模型能够在支持向量回归机模型的基础上提高采空区地表沉降预测的精度。     

量子粒子群优化算法在煤矿瓦斯涌出量预测中的应用

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

基于GWO-SVR的深海采矿海试区海浪高度预测

基于ERA5再分析资料, 取海试区中心区域海洋环境数据构建输入特征, 使用灰狼优化算法(GWO)对支持向量回归(SVR)算法进行参数寻优, 并将GWO-SVR算法和传统SVR算法及基于粒子群算法(PSO)的PSO-SVR浪高预测效果进行比较和分析。为进一步探究周围环境及海浪状态对GWO-SVR预测效果的影响, 构建3种数据模型进行了63组试验。结果表明, GWO-SVR能够对海浪高度进行有效预测, 且预测精度较高; 当使用较大空间范围的海洋环境数据构建特征作为算法输入时, 能够有效提高GWO-SVR算法对海浪高度预测的精度。     

基于混沌粒子群的AWLSSVM瓦斯预测研究

为了提高矿井瓦斯浓度预测的准确性,提出1种改进混沌粒子群算法的多变量自适应加权最小二乘支持向量机(AWLSSVM)瓦斯预测模型,且实现了瓦斯浓度的多步预测。首先,对粒子群算法进行分析,提出1种收敛速度更快、全局搜索能力更强的改进混沌粒子群算法;针对加权最小二乘支持向量机(WLSSVM)权值线性分布的缺点,根据离散点的分布特征,提出了AWLSSVM;其次,采用混沌理论构建模型的样本集;最后,对建立的模型进行了实例分析。结果表明:AWLSSVM单变量预测精度相对于最小二乘支持向量机、WLSSVM分别提高了5.3%和6.7%;多变量AWLSSVM相对于单变量AWLSSVM五步预测精度分别提高了39.3%、49.6%、55.9%、59.7%、62.5%。     

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GA-LSSVR的煤矿瓦斯数据去噪研究

针对煤矿瓦斯数据普遍含有噪声的问题,提出一种基于遗传算法优化的最小二乘支持向量回归机(GA-LSSVR)的数据去噪算法。LSSVR通过求解只含一个等式约束的二次规划问题来求得最优解,从而改进了小波去噪局部最优的缺点。但LSSVR也存在收敛速度慢的缺点,通过遗传算法(GA)优化LSSVR,以提高算法的收敛速度。首先,对某煤矿的瓦斯浓度时间序列进行异常数据和缺失数据的处理,然后用GA-LSSVR建模训练。仿真实验结果表明,与小波去噪方法相比,GA-LSSVR能有效去除噪声,并且能够避免数据失真,把有效信号分离出来,经过计算,GA-LSSVR能将输入输出均方根误差降低0.002 94,相对降低了34.59%,去噪效果较好;与LSSVR方法相比,GA-LSSVR能明显缩短程序运行时间,可提高运行效率。     

基于GA-LSSVR的煤矿瓦斯数据去噪研究北大核心

针对煤矿瓦斯数据普遍含有噪声的问题,提出一种基于遗传算法优化的最小二乘支持向量回归机(GA-LSSVR)的数据去噪算法。LSSVR通过求解只含一个等式约束的二次规划问题来求得最优解,从而改进了小波去噪局部最优的缺点。但LSSVR也存在收敛速度慢的缺点,通过遗传算法(GA)优化LSSVR,以提高算法的收敛速度。首先,对某煤矿的瓦斯浓度时间序列进行异常数据和缺失数据的处理,然后用GA-LSSVR建模训练。仿真实验结果表明,与小波去噪方法相比,GA-LSSVR能有效去除噪声,并且能够避免数据失真,把有效信号分离出来,经过计算,GA-LSSVR能将输入输出均方根误差降低0.002 94,相对降低了34.59%,去噪效果较好;与LSSVR方法相比,GA-LSSVR能明显缩短程序运行时间,可提高运行效率。     

基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真

在分析影响煤矿瓦斯浓度的各种因素具有非线性特征的基础之上,采用BP算法构建煤矿瓦斯浓度预测模型,实现对各种因素进行非线性映射,进而达到对煤矿瓦斯浓度进行预测的目的。MATLAB仿真结果表明,该模型具有预测精度较高、预测速度快、预测效果好等优点。     

二次优化的灰色马尔科夫模型预测煤矿工作面瓦斯浓度

煤矿工作面瓦斯浓度异常是发生瓦斯事故的重要因素,瓦斯浓度的准确预测对煤矿瓦斯事故的预防有重大意义。为准确预测工作面瓦斯浓度,将灰色GM(1,1)模型与马尔科夫理论相结合,通过对灰色GM(1,1)模型预测结果的二次马尔科夫优化,挖掘出瓦斯浓度数列随机波动的信息,同时预测值的精调实现了对真实值的进一步逼近,大幅减小预测误差,且根据少量数据即可预测。结合现场数据,二次优化的灰色马尔科夫模型能准确预测瓦斯浓度,为瓦斯治理提供数据支撑。     

采煤工作面瓦斯浓度的LMD-SVM预测

为了实现对回采工作面瓦斯浓度的准确预测,提出了基于LMD(Local Mode Decom-position)方法与支持向量机的采煤工作面瓦斯浓度预测模型。利用瓦斯浓度的历史数据,通过LMD分解得到生产函数(PF分量),分别对每个PF分量进行SVM建模预测,再把PF分量的预测值进行累加,得到瓦斯浓度的理论预测值。通过实例分析可以发现,与常规SVM方法相比,自适应的LMD方法的引入极大地提高了瓦斯浓度的预测精度,与给出的实际监测数据具有良好的一致性。     

基于支持向量机的瓦斯传感器数据验证

介绍了支持向量机的基本原理,利用单个瓦斯传感器的输出信息建立了支持向量机的瓦斯传感器数据验证模型.并利用该模型进行数据验证.试验结果表明,支持向量机数据验证预测精度高,外推能力强,是瓦斯传感器数据验证的一种有效方法.     

基于支持向量机的矿井瓦斯浓度预测应用研究

以高河煤矿回采工作面刮板输送机机尾瓦斯浓度变化为例,运用PSO-SVM与GA-SVM算法分别对核参数g和惩罚因子c进行寻优,建立最优组合参数瓦斯浓度预测模型,进行瓦斯浓度预测。结果表明,基于支持向量机的瓦斯浓度预测模型在井下瓦斯浓度预测中具有一定的有效性与实用性;且相对于PSO-SVM模型,GA-SVM模型的预测效果更佳。     

深度学习耦合粒子群优化SVM的瓦斯浓度预测

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。     

基于WSN和模糊逻辑的煤矿瓦斯监控系统设计

针对煤矿井下环境的应用需求,运用无线传感网络技术构建了煤矿瓦斯浓度监控系统,提出一种模糊逻辑算法,通过该算法处理采集到的数据,进行自适应报警调整。仿真实验表明,系统能有效地实现数据的多跳传输和预防瓦斯爆炸。     

基于数据融合理论的煤矿瓦斯动态预测技术

针对煤矿瓦斯预测中存在的问题,提出了一种以数据融合理论为基础,利用贝叶斯估计方法和自适应加权进行信息处理和数据融合,利用Dempster-Shafer证据理论解决瓦斯预测过程中的不确定性和不精确性问题,并综合考虑煤矿井下瓦斯浓度等相关参数的新方法,实现了对瓦斯状态信息的在线整合,优化了预测参数,提高了煤矿瓦斯预测预报的准确性.该方法从整体上确立了同源数据的完备性,实现了煤矿瓦斯的动态预测.     

采用“U+L”型通风方式的回采工作面瓦斯涌出规律研究

为治理煤矿回采工作面回风流及上隅角瓦斯超限问题,掌握回采工作面瓦斯涌出规律,以宣东二矿采用"U+L"型通风方式的33204回采工作面为研究对象,通过对该工作面布置测点,测定风量和瓦斯浓度,并对数据进行整理、数值模拟分析及回归处理,得出33204回采工作面沿工作面走向、倾向瓦斯涌出规律,以及煤壁、采空区瓦斯涌出系数,可为矿井通风管理、瓦斯抽采设计,以及瓦斯治理工作提供必要的理论依据与技术指导。