煤与瓦斯突出综合预警系统应用

针对常规的煤与瓦斯突出预测技术采用单一预测指标不能综合考虑突出危险影响因素的问题,设计了煤与瓦斯突出综合预警系统,给出了系统的结构及其功能,并以龙山煤矿为例介绍了系统的应用流程。实际应用结果表明,该系统能有效探测危险区域,实现了煤与瓦斯突出预警。     

基于Excel及数据转换服务的异构数据集成方法

针对异构数据库数据集成问题,在分析基于SOA架构三层设计模式的基础上,结合Excel和数据转换服务技术,提出了比较适合于中小企业实现异构数据转换系统的体系结构。详细介绍了组件系统层异构数据源在集成子系统层整合数据、判断采用Excel还是DTS并向全局数据库系统层进行数据转换及集成的过程。     

面向SOA的异构数据集成体系研究

随着企业的业务变更越来越频繁,业务系统中的异构数据越来越多.采用SOA的设计思想,引入Web Service、XML等技术,提出了一种异构数据集成的方法,给出了一个面向SOA的异构数据集成框架,能有效地应对业务的快速变更,降低异构数据集成中组件的内部耦合度,提高数据集成中组件的复用性和可扩展性.     

基于瓦斯浓度变化的煤与瓦斯突出预警技术

为实现掘进工作面煤与瓦斯突出的实时、准确和超前预测,提出了一种基于瓦斯浓度变化的煤与瓦斯突出预警方法,通过掘进工作面煤体瓦斯压力反演技术,确定了煤与瓦斯突出临界条件,构建了煤与瓦斯突出预警模型,在此基础上研制了基于瓦斯浓度变化的非接触式煤与瓦斯突出预警系统。应用结果表明,该系统能够实时监测掘进工作面瓦斯浓度变化和风量信息,并提前一个工作班次对煤与瓦斯突出区域进行非接触实时灾害预警。     

煤与瓦斯突出预警技术研究现状及发展趋势

从煤与瓦斯突出灾害预警理论、预警信息采集途径、预警指标与模型、预警软件系统4个方面对煤与瓦斯突出预警技术的研究成果进行了综合梳理和详细分析,指出了现有煤与瓦斯突出预警技术存在的问题:部分预警信息获取的时效性和可靠性有待进一步提高,预警模型未实现信息有效深度挖掘等;提出了煤与瓦斯突出预警技术的发展趋势:高自动化水平、高精度的突出预警信息监测采集技术及装备研发,基于大数据的突出预警指标与模型研究,基于云技术的突出预警软件系统开发。     

煤与瓦斯突出远程智能监测预警系统研究

针对目前煤与瓦斯突出预警在自动化程度、准确性等方面的需求,开发了煤与瓦斯突出远程智能监测预警系统,介绍了系统构成及信号监测、干扰识别、信号传输、预警准则等关键技术。该系统以声发射、电磁辐射和瓦斯浓度为预警指标,可实现对突出演化过程声-电-瓦斯信号的远程监测和综合预警,并能够根据机电设备开停信息自动识别与滤除干扰信号,提高了煤与瓦斯突出预警的准确性。应用结果表明,该系统具有较高的预警准确性,可提前8~24h捕捉到煤与瓦斯突出危险信息。     

基于Web服务的异构数据集成的研究

分析了异构数据库访问的技术及目前访问异构数据库系统存在的问题,提出在数据库管理系统前端增加中间数据源模块,数据交换双方共同约定好彼此需要交换的接口,设计了一个基于Web服务的异构数据集成方案,该方案提供给用户一个使用多种数据源的统一接口,消除了企业信息孤岛,解决了异构数据带来的一系列数据共享问题。     

基于Web Services的异构数据集成应用研究

介绍了基于Web Servioes实现的异构数据集成的体系框架以及相关技术,详细介绍了SOAP协议的特点和工作方式,并以实际项目为例加以说明。     

煤与瓦斯突出预警方法探讨

给出了煤与瓦斯突出预警的定义,明确指出了突出预警与预测的区别;从空间、时间和指标体系的角度对突出预警进行了分类,并根据突出灾害特点提出了突出预警应该具有的特征;以系统论和事故理论为指导,分析了突出预警系统构成和实现途径,并阐述了从警源监测、警兆识别、警情分析、警度发布和预警响应5个方面进行突出预警的步骤,同时给出了采用预警总准确率、漏报率和虚报率3个指标进行预警效果评价的方法。现场应用结果表明,所提突出预警方法的平均状态预警总准确率为89.1%,平均趋势预警总准确率为92.5%,漏报率为0。     

基于GML的多源异构空间数据集成系统的设计

多源异构的空间数据成为空间信息共享的瓶颈,在网络环境下如何实现多源异构空间数据的集成,成为当前GIS(地理信息系统)发展的一个热点和难点问题.提出了一个基于GML(地理标记语言)的多源异构空间数据集成模型,解决了多源异构空间数据向GML文档的转换,GML与空间数据库服务器的交互以及GML向SVG(可缩放矢量图形)的转换,并使用WebService技术,在Microsoft.NET平台上设计实现了多源异构空间数据集成系统,从而实现了基于GML的空间数据集成和基于SVG的空间数据可视化.     

基于突变级数法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出发生的内在机理非常复杂、难以建立合适的多因素非线性预测模型的问题,提出了基于突变级数法的煤与瓦斯突出危险性预测方法。该方法选用典型突出矿井的煤与瓦斯突出实例作为学习样本,确定了不同冲击危险等级的突变级数,并应用于其他待判样本的预测。实际应用结果表明,该方法能较准确地反映煤与瓦斯突出的危险程度,预测精度较高。     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

基于LLE-FOA-BP模型的煤与瓦斯突出强度预测

针对目前煤与瓦斯突出强度预测精度低、稳定性差及训练速度慢等问题,提出了一种基于局部线性嵌入法-果蝇优化算法-BP神经网络(LLE-FOA-BP)模型的煤与瓦斯突出强度预测方法。借助LLE算法的非线性数据特征提取优势,提取煤与瓦斯突出影响因素原始数据的本质特征,形成重构有效因子,降低数据间的冗余信息及噪声;利用FOA算法较强的全局寻优能力优化BP神经网络的权值和阈值,避免陷入局部极小,提高参数寻优效率;将重构有效因子输入优化后的BP神经网络进行训练,实现煤与瓦斯突出强度快速、准确预测。测试结果表明,LLE-FOA-BP模型的平均相对误差为8.06%,相对误差的方差为3.69,经过24次迭代训练就达到10~(-8)的训练精度,能够在保证预测精度的基础上,提高鲁棒性和学习效率。     

基于OGSA-DAI的异构数据集成研究

为降低异构数据库的集成通信开销和解决数据源的模式差异问题,通过对开放式网格服务体系结构-数据访问与集成(OGSA-DAI)中间件在数据集成中的优势进行了讨论,分析了OGSA-DAI的组件构成和各种工作流集成实现策略,采用了OGSA-DAI的最新集成分布式查询处理资源,基于网格服务架构(OGSA)的工具包来实现异构数据源的集成。通过具体实例介绍了OGSA-DAI工作流程执行和数据集成的实现过程。     

基于云计算的煤矿安全监测预警系统研究

针对传统煤矿安全监测系统存在无法提前预测井下事故等问题,提出一种基于云计算的煤矿安全监测预警系统,介绍了云计算、SaaS、数据挖掘等相关技术,并详细阐述了系统总体架构及云数据中心的设计。该系统可以有效地预报井下瓦斯事故、机电事故、火灾事故、水害事故等,降低发生安全事故的风险。