煤矿瓦斯预测专家系统中基于粗集的知识获取方法

针对现有煤矿瓦斯预测专家系统因没有新知识获取措施及知识自更新功能而预测效果不佳的问题,提出了基于粗集的知识获取方法。该方法首先建立瓦斯数据与瓦斯突出强度之间关系的预测样本集;然后运用粗糙集的连续属性离散化、属性约简以及规则提取算法,从大量的预测样本集中自动获取预测知识,并将预测知识存储于专家系统知识库中;最后基于推理机实现煤矿瓦斯突出的实时预测。实例分析验证了该方法在煤矿瓦斯突出预测专家系统知识获取中的有效性和实用性。     

基于变精度粗糙集的煤与瓦斯突出预测

煤与瓦斯突出是受诸多因素影响的复杂问题,为了提高其预测的准确性,本文以变精度粗糙集理论中的决策表为主要工具,首先将影响煤与瓦斯突出的检测信号作为预测的条件属性集,煤与瓦斯突出量作为对预测的决策属性,建立决策表,然后利用小生境遗传算法适合于进行多峰值函数优化的特点,提出了一种基于小生境遗传算法的粗糙集属性约简方法,用于求解决策表的多个约简,进而进行值约简后抽取出预测规则。算例结果说明了本算法的正确性和可行性。     

采用RS与CSA-SVM集成的煤与瓦斯突出预测方法

为提高矿井煤与瓦斯突出的预测性能,提出了粗糙集(RS)与克隆选择算法(CSA)―支持向量机(SVM)集成的预测方法。首先应用粗糙集理论对数据集进行约简提取出关键特征指标和数据样本,然后应用支持向量机构建煤与瓦斯突出预测模型,最后应用克隆选择算法和训练样本集预测错误率最小原则智能选择和优化预测模型的参数向量;煤与瓦斯突出预测实验结果验证了该方法的有效性,性能明显优于传统的神经网络预测方法。     

煤矿瓦斯预测知识获取模型的应用研究

将粗糙集与神经网络结合,提出由样本更新、粗糙集预处理、神经网络训练、规则提取4个模块组成的煤矿瓦斯预测知识获取模型,将其应用于实时数据进行实验,结果表明,该模型实时性好、可靠性及精度高,可以较好地解决煤矿瓦斯预测知识获取困难的问题,为煤矿瓦斯预测专家系统知识库的建立奠定基础。     

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。     

煤与瓦斯突出预测多元数据可视化系统构建与应用

针对现有煤与突出预测方法存在可视化程度低、突出预测准确性和实时性不高等问题,以新元煤矿为试验矿井,构建了煤与瓦斯突出预测多元数据可视化系统。该系统通过物探、钻探等方式及WTC瓦斯突出参数仪、安全监控系统、专用数据采集仪获取突出预测所涉及的基础数据,通过井下工业环网和地面办公网实现突出预测数据的传输;采用涵盖突出危险性时空演化关系的区域总体把控、局部在线辨识两级预测方法,通过深度挖掘煤与瓦斯突出预测多元数据,使杂乱的原始数据变得有序,为数据可视化奠定基础;通过基于WebGIS的突出预测综合可视化平台对区域预测和局部预测子系统的数据进行有效融合,实现对预测结果及多元数据的直观展示,使突出预测过程可控、结果可查。应用结果表明,该系统改变了新元煤矿突出预测指标单一、不连续的现状,显著提高了矿井煤与瓦斯突出预测准确性与实时性。     

煤与瓦斯突出敏感指标及临界值研究

为了更好地提高生产安全性与突出预测的准确性,本文着重论述了突出预测敏感指标及其临界值的概念、判断原则和确定方法。根据矿区煤的破坏类型、钻屑瓦斯解吸指标△h2、煤的坚固性系数f值、瓦斯压力P,对南山煤矿进行了区域划分,并通过现场实测和实验室考察研究相结合,利用灰色关联分析方法,分析确定了南山煤矿15#层的突出预测敏感指标及临界值,得出适合该区域的钻屑解吸指标的实验临界值为360Pa。根据现场检验结果表明采用此种方法确定的临界值能有效地判断突出危险性。     

基于粗神经网络的瓦斯预测专家系统

瓦斯爆炸是我国煤矿生产中最常见的灾害事故,目前治理瓦斯爆炸的主要手段是预测瓦斯突出。以专家系统为核心,利用神经网络强的自学习能力来建立专家系统的知识库,并使用粗糙集对神经网络的构造和学习所需的样本数据进行预处理,构建了基于粗神经网络的瓦斯预测专家系统,详细介绍了系统的总体结构和工作过程,并以采集到的实时数据进行仿真实验,结果表明该系统有较好的预测能力。提高了瓦斯预测的准确性和及时性。     

粗糙集理论在煤矿瓦斯预警中的应用研究

针对煤矿瓦斯灾害,提出了将粗糙集理论应用于煤矿瓦斯预警。首先用粗糙集理论对样本数据进行属性约简,找出影响和控制瓦斯的关键属性,然后对生成的决策规则进行约简,最后建立煤矿瓦斯预警模型。通过实际应用证实了该模型是有效的。     

神经网络在煤矿安全决策支持系统中的研究及应用

主要研究人工神经网络在煤矿安全决策支持系统中的应用。将BP网络用于瓦斯突出,解决了瓦斯突出判别困难、难以建立数学模型的难题,为煤矿瓦斯突出研究找到了一种新的建模和预测方法。     

基于混沌理论的煤与瓦斯突出预测研究方法

煤矿开采过程中会有电磁辐射产生,研究表明,煤与瓦斯突出时,电磁辐射信号会发生明显的异常前兆。根据煤与瓦斯突出时产生的电磁辐射信号的特征和混沌时间序列可以短期预测的特点,重构电磁辐射时间序列相空间,并采用改进的C-C算法确定相空间的两个重要参数延迟时间T和嵌入维数m。然后运用加权一阶局域法构建煤矿瓦斯浓度预测模型,进行煤矿瓦斯浓度预测。     

基于KPCA-SVM的煤与瓦斯突出预测方法

提出了一种基于KPCA-SVM的煤与瓦斯突出预测方法。该方法首先通过KPCA方法对影响煤与瓦斯突出的相关指标进行特征提取,然后利用SVM方法对煤与瓦斯突出进行分类预测。实例结果表明,该方法对煤与瓦斯突出预测的准确率明显高于直接运用SVM方法的煤与瓦斯突出预测准确率,且运算速度快,识别能力强,同时根据该方法建立的煤与瓦斯突出分类预测模型具有较好的稳定性和有效性。     

煤与瓦斯突出电磁辐射的监测及应用

根据煤与瓦斯突出产生电磁辐射的原理和煤岩破裂电磁辐射信号的特征，设计出了电磁辐射监测仪．并将该监测仪应用于煤与瓦斯突出的预测预报，得到了大量的实验数据．从中总结出煤与瓦斯突出危险程度与电磁辐射强度和脉冲数的关系，给出了有突出危险时电磁辐射强度和脉冲数的临界值。实验证明电磁辐射监测仪在实际应用中效果良好。     

煤与瓦斯突出危险性预测的SαS-PNN模型及应用

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了实现对煤与瓦斯突出危险性快速、准确和动态预测,考虑煤与瓦斯突出多种影响因素.提出一种改进的概率神经网络(PNN)煤与瓦斯突出预测模型.首先,引进一种对称Alpha稳定分布(SαS),SαS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布.在SαS的基础上,建立煤与瓦斯突出危险性预测的SαS-PNN模型.将SαS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测.预测结果表明:在3种不同的训练和测试下SαS-PNN模型仍具有良好的预测效果,其误判率分别为7.69%、11.54%和15.38%.说明该模型可为煤矿开采中煤与瓦斯突出危险性预测提供了一种可能的思路.     

煤与瓦斯突出的PCA-BP神经网络预测模型研究

通过主成分分析法对煤与瓦斯突出的主要影响因素进行主成分提取,选取贡献率大于85%的3个主成分来代替原来的7个影响因素,以此来确定BP神经网络的输入参数为3个。根据煤与瓦斯突出的类型,建立了煤与瓦斯突出预测的PCA-BP神经网络模型。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对PCA-BP网络进行训练。以云南某煤矿的煤与瓦斯突出实例作为预测样本,仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足煤与瓦斯突出预测的要求。     

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法.通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果.研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测.     

煤与瓦斯突出协同预测技术研究及应用

针对现有煤与瓦斯突出预测技术难以实现时间和空间领域的全方位连续预测、防突预测结果利用率低、预测信息发布滞后等问题,提出了一套适用于现代化高产高效矿井的多因素、全方位、时空连续型的煤与瓦斯突出协同预测技术体系.按照煤与瓦斯突出形成的时空维度,将煤与瓦斯突出危险性预测划分为以空间维度为主的区域突出危险性预测和以时间维度为主的局部突出危险性预测.通过对地质构造、煤层埋深、煤体煤质、软煤分布、钻屑指标、瓦斯涌出初速度等区域、局部防突预测数据的深度挖掘分析,得到区域、局部突出危险性预测结果,并按照一定规则进行有效融合,实现时间和空间范围内的连续监测预警.研发了配套的防突信息综合管控平台和WTC-1型瓦斯突出数据采集仪,为煤与瓦斯突出协同预测技术的实现提供了软硬件支撑.现场应用结果表明,该技术预测准确率超过90%,防突预测结果单次审批时间缩短为原来的22.5%,防突信息综合管控平台多次超前捕捉到了煤与瓦斯突出危险,提高了矿井防突信息利用效率.     

基于DSP和单片机的煤与瓦斯突出监测系统设计

针对目前常用的接触式煤与瓦斯突出预报方式需要专门施工作业且操作复杂、可靠性差等问题,根据煤与瓦斯突出伴随产生电磁辐射信号的基本原理,提出了一种基于DSP和单片机的煤与瓦斯突出监测系统的设计方案,给出了该系统的结构、功能及软硬件实现方法。该系统采用TMS320C5409 DSP和AT89S5单片机的双CPU工作模式,分别完成数据采集和处理任务、整个系统的协调和人机交互任务,大大提高了系统运行效率,实现了实时、非接触式的煤与瓦斯突出预测。     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。     

主成分—费歇尔判别模型在煤与瓦斯突出等级预测中的应用

针对现有煤与瓦斯突出预测方法存在计算过程较复杂、预测主观性强、预测精度较低等问题,构建了主成分-费歇尔判别模型,并将其应用于某煤矿的煤与瓦斯突出等级预测。从瓦斯因素、煤体结构及地质构造方面分析得出了影响该矿煤与瓦斯突出的因素包括瓦斯压力、瓦斯含量及瓦斯放散初速度等指标。以影响该矿煤与瓦斯突出的23组实测数据为基础,首先利用主成分分析模型对影响该矿的煤与瓦斯突出因素进行降维,提取与指标相关度较高的5个主成分,然后将5个主成分输入费歇尔判别模型,并根据判别函数对样本进行煤与瓦斯突出等级预测。应用结果表明:主成分-费歇尔判别模型具有较高的可信性,能对煤与瓦斯突出等级进行准确预测,训练样本的正确率为100%,待测样本的预测结果也与该矿煤与瓦斯突出的实际情况相符,误判率为0,为准确预测煤与瓦斯突出提供了一种新方法。