基于混沌时间序列的煤矿工作面瓦斯浓度预测研究

针对煤矿井下工作面瓦斯浓度预测存在的不足,结合混沌时间序列可预测的特点,基于混沌理论重构了瓦斯浓度时间序列的相空间,确定了该相空间的时间延迟和嵌入维数,并在相空间中,利用加权1阶局域法建立了工作面瓦斯浓度预测模型,并结合某煤矿工作面瓦斯浓度实测数据进行了瓦斯浓度预测研究。研究结果表明:该煤矿工作面瓦斯浓度预测结果与实际情况较吻合,该预测模型具有较高的精度。     

基于混沌相空间重构的IGA-LSSVM在线煤矿工作面瓦斯浓度预测模型的研究

为了改进煤矿工作面瓦斯浓度预测可靠性和精度,运用基于混沌相空间重构的免疫遗传最小二乘支持向量机瓦斯浓度预测方法,把瓦斯浓度当做一组非线性混沌时间序列,使用相空间重构以恢复混沌时间序列在高维空间的运动轨迹,即混沌吸引子,运用IGA-LSSVM模型预测混沌吸引子未来的运动轨迹,再把预测的运动轨迹还原到时间序列中,得到预测的瓦斯浓度。研究表明,运用混沌IGA-LSSVM模型预测瓦斯浓度,由于引入了混沌吸引子,使模型不同于传统预测所建立的主观模型(如神经网络),而是直接根据数据序列本身计算出来的客观规律(混沌吸引子)进行预测,并且使用免疫遗传算法(IGA)对LSSVM模型的参数进行优化选择,可以避免预测的人为主观性,提高预测的精度和可信度。     

矿井掘进工作面瓦斯涌出混沌特性判别研究

在对掘进工作面瓦斯涌出时间序列观测数据分析的基础上，应用混沌理论中的相空间重构、Poincare截面、返回映像、功率谱和自相关函数等对掘进工作面瓦斯涌出进行了混沌特性研究和判别，初步证明了掘进工作面瓦斯涌出具有混沌特性，同时也证明了运用混沌理论对掘进工作面瓦斯涌出特性及预测进行研究的可行性.     

瓦斯异常涌出混沌时间序列预测模型的建立

运用混沌理论对平煤十矿的实际瓦斯涌出数据进行了分析处理,采用基于关联积分的C-C方法确定了重构空间的时间延迟和嵌入维数,并对时间序列数据进行相空间重构,利用最小数据量法确定了时间序列的最大Lyapunov指数;运用混沌理论加权一阶局域预测方法,建立了混沌时间序列瓦斯异常涌出预测模型;并利用平煤十矿己15-24080掘进工作面31d的瓦斯实际浓度数据对该模型进行了预测效果检验。结果表明:时间序列的最大Lyapunov指数大于零,证明了时间序列数据具有混沌特征;模型中瓦斯异常涌出的预测发生时间和实际发生时间比较吻合,预测精度达93%。预测模型的可靠性为制定煤矿瓦斯防治措施和采取安全防护措施提供了理论依据。     

基于多变量混沌时间序列的冲击地压预测

考虑到冲击地压的混沌特征及其监测数据含噪且长度有限，基于多变量时间序列重构和GRNN模型来预测冲击地压监测变量。给出了多变量时间序列相空间重构理论和GRNN混沌预测原理，并提出采用遗传算法同时确定最佳重构参数和GRNN的光滑因子以保证预测精度。在Matlab2010a仿真环境下，将本文方法用于Lorenz系统以验证对含噪且长度有限的混沌序列的适用性，最后对微震能量和电磁辐射两类数据进行预测研究。结果表明：即使历史数据有限，多变量混沌序列预测方法也能提前预测出多个监测变量，从而实现冲击地压预报。     

基于混沌理论的掘进工作面煤与瓦斯突出特征研究

煤与瓦斯突出是一种极其复杂的动力现象,属于非线性动力系统在时空演化过程中的灾变行为。探索煤与瓦斯突出的规律性,对预防煤与瓦斯突出具有非常重要的理论和实践意义。为此,针对某掘进工作面的2组瓦斯涌出数据,应用非线性理论对其进行研究,探索煤与瓦斯突出预测的新方法。首先对经过预处理的时间序列进行相空间重构,分析了时间序列的混沌特征量,证明其混沌特性,并根据时间序列的混沌特征量提出了此时间序列的最大可预测时间。在此基础上,建立了基于混沌特征量的神经网络突出预测模型。     

煤与瓦斯突出的混沌-分形特征分析

煤与瓦斯突出是影响煤矿安全生产的重大灾害之一,由于其动力现象的复杂性,因此具有非线性系统的特征。针对某掘进工作面的2组瓦斯涌出数据,应用非线性理论对其进行研究,以期得到预测突出的新方法。首先分析了时间序列的来源,对经过预处理的涌出瓦斯时间序列进行相空间重构,分析和证明了该序列具有混沌与分形特征,并在此基础上,建立了瓦斯突出的混沌和分形特征的的神经网络预测模型。     

基于监测技术的采煤工作面瓦斯浓度预测预警

为了进行煤矿工作面瓦斯监测浓度预测预警,首先对瓦斯监测数据进行异常数据替代、缺失数据补齐、消噪等预处理,确保瓦斯浓度原始输入数据的完善性。然后利用Lyapunov指数对原始瓦斯涌出量的时间序列进行混沌性识别和相空间重构,以此建立瓦斯涌出量混沌预测数学模型。根据瓦斯浓度预测结果及其预测区间进行预警阈值计算,并对其对应的预警等级进行划分,完成预警信息。实例分析表明,该方法有效地实现了瓦斯灾害预防从事后应急向事前干预的转移,对于煤矿瓦斯灾害防治水平的提高具有重要的现实意义。     

基于相空间重构与贝叶斯框架的LS-SVM矿井涌水量预测

提出了一种相空间重构与贝叶斯框架下的LS-SVM预测矿井涌水量的方法,矿井涌水量具有混沌特征,利用相空间重构,找出矿井涌水量时间序列隐藏的演化规律,作为输入参量,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选,运用LS-SVM将非线性问题转化为高维特征空间的线性问题进行求解。利用典型的Lorenz生成的时间序列进行仿真,选择2004年8月-2005年2月的矿井涌水量数据进行验证,结果表明该方法可行并具有较高的精度。     

基于WT与GALSSVM的瓦斯涌出量预测

为了准确预测工作面瓦斯涌出量,加强煤矿安全生产,基于小波变换(WT)和进化最小二乘支持向量机(GALSSVM),建立了瓦斯涌出量的新型预测模型.首先,通过小波分解将瓦斯涌出量时间序列分解成具有不同频率特征的信号;然后利用互信息法和伪近邻法得到的时间延迟和嵌入维数对各信号进行相空间重构;之后根据各个相空间的特点建立相应的GALSSVM预测模型;最后把各信号的预测结果进行小波重构,作为最终的瓦斯涌出量的预测结果.以晋城市成庄矿2315综放工作面瓦斯涌出量为例,进行了预测研究.实例表明,该方法具有很高的预测精度和较强的泛化能力.     

基于改进Lyapunov指数的瓦斯涌出时间序列预测

针对瓦斯涌出传统的线性预测方法存在的问题，根据瓦斯涌出时间序列固有的确定性和非线性，建立了基于最大Lyapunov指数的瓦斯涌出混沌时间序列预测模型.经Ⅱ1024回采工作面瓦斯涌出时间序列仿真计算，仿真结果显示该预测方法具有很高的预测精度.     

基于偏最小二乘回归的回采工作面瓦斯涌出量预测模型

针对回采工作面瓦斯涌出量回归建模过程中自变量间出现多重共线性问题,提出应用偏最小二乘回归(PLS)对瓦斯涌出量进行预测的建模思路。选取地质及采矿2个方面共12个参数指标作为回归因子,利用15个瓦斯涌出实例为建模样本,建立了回采工作面瓦斯涌出量的偏最小二乘回归模型。建立的模型对训练样本拟合效果良好,最大误差为6.09%,平均误差仅为2.06%;对其余几个案例进行预测,精度优于主成分分析和BP神经网络,与最小二乘-支持向量机模型相当。研究表明,基于偏最小二乘回归进行工作面瓦斯涌出量预测是一种有效可行的方法。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

掘进工作面动态瓦斯压力分布及涌出规律

利用有限差分法对移动掘进工作面巷道周围瓦斯压力分布以及瓦斯涌出规律进行了数值模拟.结果表明：当工作面以一定的速度向前掘进时，巷道周围瓦斯压力分布呈子弹头形状向前移动，掘进巷道周边煤层瓦斯压力随煤壁暴露时间的增长逐渐降低,工作面瓦斯涌出量呈锯齿状周期增加.当掘进工作面以一定速度向前掘进时，每一循环内瓦斯涌出变化量基本相同，每一循环内从工作面迎头煤层内涌出的瓦斯量基本相同.     

改进的瓦斯突出预测模型

针对瓦斯突出时间序列的非平稳特性,提出了一种基于经验模态分解和极限学习机的瓦斯突出预测模型。以某矿井工作面实际采集的瓦斯浓度为例,仿真结果表明EMD-ELM模型在训练速度和预测精度上优于ELM和最小二乘支持向量机模型。     

基于Matlab的瓦斯动态涌出与掘进工艺的关系

针对掘进工作面瓦斯动态涌出的影响因素问题,重点分析了瓦斯动态涌出与掘进工艺的关系。统计分析了冀中能源股份有限公司东庞矿十二采区回风巷瓦斯浓度时间序列数据,编制Matlab程序,利用统计学分析方法,建立瓦斯动态涌出数据处理模型。结果表明,不同掘进工艺下,瓦斯涌出规律存在明显差异,其中打钻作业、掘进作业对工作面瓦斯浓度影响较大。     

Gas monitoring data anomaly identification based on spatio-temporal correlativity analysis

Based on spatio-temporal correlativity analysis method, the automatic identification techniques for data anomaly monitoring of coal mining working face gas are presented. The asynchronous correlative characteristics of gas migration in working face airflow direction are qualitatively analyzed. The calculation method of asynchronous correlation delay step and the prediction and inversion formulas of gas concentration changing with time and space after gas emission in the air return roadway are provided. By calculating one hundred and fifty groups of gas sensors data series from a coal mine which have the theoretical correlativity, the correlative coefficient values range of eight kinds of data anomaly is obtained. Then the gas monitoring data anomaly identification algorithm based on spatio-temporal correlativity analysis is accordingly presented. In order to improve the efficiency of analysis, the gas sensors code rules which can express the spatial topological relations are suggested. The experiments indicate that methods presented in this article can effectively compensate the defects of methods based on a single gas sensor monitoring data.     

矿区地下水位的混沌时间序列局域法预测

矿区地下水系统是一个非线性演化系统,地下水位的变化也是一个不可积的过程,随着采矿的进行,其演化过程会通过一定的轨道进入混沌状态。对杨庄煤矿1号奥灰水位的水文地质长观孔观测时间序列数据进行了分析,根据Pacard和Takens提出的相空间重构技术,首先采用自相关函数法计算其时间延迟,并计算其最佳嵌入维数,然后利用Wolf提出的方法,从单变量中提取出了最大Lyapunov指数,由计算结果得出时间序列具有混沌特性。在此基础上,采用混沌时间序列的局域法对水位做了6步预测,结果表明,混沌时间序列方法对混沌序列的预测具有较高的精度。